eTrial – Viljelijöiden täsmäviljelytekniikat koeruutututkimuksessa
Notice bibliographique
Résumé
Erilaisissa viljelyolosuhteissa tapahtuva kasvinviljelyn kenttäkoetoiminta on tärkeä osatekijä ruokajärjestelmissä vietäessä kasvinviljelytutkimuksen teoriat ja laboratoriokoetulokset käytännön viljelyyn. Kenttäkoetoiminta ja sen tuottaman tiedon tehokas prosessointi sekä jakelu kohderyhmille ja työn tilaajille on tutkimuslaitosten vaativimpia työvaiheita. Nykyisin vallitsevana käytössä oleva kenttäkoetekniikka vaatii paljon työtä ja pääomia. Lisähaasteena on, että uuden teknologian, tuotantotapojen ja monien uusien menetelmien testaus asettaa tutkimukselle yhä enemmän vaateita. Muun muassa käytännön maatilatasolla koneiden tosiasiallinen toimintatapa, paino ja tärinä vaikuttavat viljelyn lopputulokseen eri tavalla kuin koeruutukoneet. Tämä saattaa aiheuttaa eroja koetulosten ja käytännön viljelyn välillä. Kenttäkoetoiminnan digitalisoiminen sekä automaatio-, paikannus- ja pilvipalveluteknologioiden, ns. älykkäiden täsmäviljelyteknologioiden nykyistä parempi hyödyntäminen avaavat mahdollisuuden tehostaa tutkimuslähtöisen innovaatiotoiminnan ketteryyttä ruokajärjestelmiä ja niiden kilpailukykyä parannettaessa.Tutkimus, viljelijät ja teknologiayritykset ovat alkaneet kehitellä yhteistyössä ns. eTrial –konseptia, jossa normaaliin viljelytyöhön tarkoitetulla täsmäviljelytekniikalla varustetulla kalustolla ja sovelluksilla suunnitellaan ja perustetaan koeruutumenetelmään perustuva kenttäkoe, sekä monitoroidaan ja hoidetaan sitä kasvukauden aikana. Korjatusta sadosta mitataan määrä ja laatu jo sadonkoruun yhteydessä. Työvaiheet dokumentoidaan automaattisen (prosessi)tiedonkeruun avulla. Konsepti hyödyntää eri toimittajien tarjoamia teknologioita muodostaen niistä integroidun järjestelmän tavoitteen saavuttamiseksi. Uutta konseptia tullaan vertaamaan vanhaan, mm. kokeen tulosten tarkkuuden ja käyttökelpoisuuden, työnkäytön, analyysikustannusten ja tulosten hyödynnettävyyden ja jaettavuuden suhteen. Tavoitteena onkin kehittää kenttäkokeista saatavan tutkimustiedon tehokasta jakamista tiedon hyödyntäjille. Lisäksi tavoitteena on tuottaa tietoa kotimaisten teknologiavalmistajien tuotteiden suorituskyvystä ja skaalautuvuudesta (tutkimus, maatilakoe, täsmäviljely) tarkkuutta ja luotettavuutta vaativissa kasvinviljelytöissä.Tutkimuskysymykset ovat:1.Millaista konseptia tavoitellaan (teknisesti, taloudellisesti, eri hyödynsaajien kannalta)?2.Kuinka tarkkaa kerättävän tiedon pitää olla (koordinaatti, tietosisältö)?3.Pystyvätkö käytettävissä olevat tekniikat siihen?4.Mitä ratkaisusta vielä puuttuu?5.Onko automatisoitu kenttäkoe toteutettavissa (teknisesti, taloudellisesti, eri hyödynsaajienkannalta)?6.Millaisia sadon jatkokäsittelyn ja analysoinnin mahdollisuuksia on olemassa?Työ on aloitettu esikokein viljelijöiden ja teknologiayritysten yhteistyönä Etelä-Pohjanmaalla kasvukaudella 2015. Kohteina olivat ohran (4 ha), kevätvehnän (10 ha) ja perunan (5ha) lannoituskokeet saatavilla olevia täsmäviljelykoneita-, sovelluksia ja -palveluja käyttäen. Tuloksena eri osallistujatahot saivat käsityksen konkreettisista haasteista suhteessa omaan rooliinsa eTrial -konseptissa. Näitä tulevissa projekteissa kehitettäviä kohteita ovat mm.:1.Eri teknisten ratkaisujen saumaton integraatio2.Kokonaisuuden käytettävyys3.Tilannetietoisuuden muodostuminen käyttäjälle4.Erinäisistä käytännön tilanteissa eteen tulevista häiriötilanteista toipuminen; vikaantunut lenkkipysäyttää koko teknologiaketjun5.Teknisen tuen järjestäminen eri toimittajien ratkaisuista koostuvalle kokonaisjärjestelmälle
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,045 | 0,016 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».