MétaCan
Menu
Retour à la cohorte
Enregistrement W2773755293 · doi:10.7256/2453-8817.2017.3.24840

Wheeler Raymond Agriculture for Space: People and Countries Paving the Way

2017· article· ru· W2773755293 sur OpenAlexaboutno aff
Wheeler Raymond

Notice bibliographique

RevueИсследования космоса · 2017
Typearticle
Langueru
DomaineEngineering
ThématiqueAgricultural Engineering and Mechanization
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésSpace (punctuation)AgricultureGeographySociologyBusinessArchitectural engineeringComputer scienceEngineeringArchaeology

Résumé

récupéré en direct d'OpenAlex

Agricultural systems for space have been discussed since the works of Tsiolkovsky in the early 20th century. Central to the concept is the use of photosynthetic organisms and light to generate oxygen and food. Research in the area started in 1950s and 60s through the works of Jack Myers and others, who studied algae for O2 production and CO2 removal for the US Air Force and NASA. Studies on algal production and controlled environment agriculture were also carried out by Russian researchers in Krasnoyarsk, beginning in 1960s. NASA initiated its CELSS Program ca. 1980 with testing focused on controlled environment production of some plants. Related tests with humans and crops were conducted at NASA’s Johnson Space Center in the 1990s. The European Space Agency MELiSSA Project began in the late 1980s and pursued ecological approaches for providing gas, water and materials recycling for space life support, and later expanded to include plant testing.As a result of these and other (Japan, Canada, China) studies for space agriculture novel technologies and findings have been produced. The theme of agriculture for space has contributed to, and benefited from terrestrial, controlled environment agriculture and will continue doing so into the future.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Autre · Signal consensuel: Autre
Score de désaccord entre enseignants0,067
Score d'incertitude au seuil0,223

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,002
Études des sciences et des technologies0,0040,001
Communication savante0,0060,003
Science ouverte0,0000,002
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0670,022

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.

Tête enseignante Opus0,005
Tête enseignante GPT0,186
Écart entre enseignants0,182 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreAutre

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueИсследования космосаMême sujetAgricultural Engineering and MechanizationTravaux en français237 207