MétaCan
Menu
Retour à la cohorte
Enregistrement W2809153688 · doi:10.5376/jtsr.2018.08.0001

Cartosat-1 Image Segmentation Technique for Shade Tree Crown Density in Tea Gardens of East India in Relation to Terrain Geometry

2018· article· en· W2809153688 sur OpenAlexvenueno aff
Dibyendu Dutta, Libeesh Lukose, Anju Bajpai, U. Bhunia, Raj Kumar Singh, Sourav Samanta

Notice bibliographique

RevueJournal of Tea Science Research · 2018
Typearticle
Langueen
DomaineMedicine
ThématiqueTea Polyphenols and Effects
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésCrown (dentistry)TerrainRelation (database)Tree (set theory)SegmentationGeographyGeometryMathematicsArtificial intelligenceComputer scienceCartographyCombinatorics

Résumé

récupéré en direct d'OpenAlex

One of the factors determining tea quality is shadow casting by the shade trees. Besides regulating incoming solar radiation shade trees also helps maintaining the moisture in soil and nutrient recycling. However the optimum shade density depends upon the elevation, slope and aspect. In the present study image segmentation technique was employed on Cartosat-1 data to capture the vertical crown density of the shade trees. Significant positive correlations (r2=0.91) were found between observed and measured vertical crown density. Based upon the crown density the tea gardens were classified. Further the relation between crown density and terrain parameters has been analysed. Significant negative correlation was observed with elevation (-0.590) and slope (-0.627) which indicates that to increase in elevation and/or percent slope the shade density decreases.

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 distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,010
score de la tête « metaresearch » (Gemma)0,003
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,602
Score d'incertitude au seuil0,376

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0100,003
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0020,002
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,053
Tête enseignante GPT0,419
Écart entre enseignants0,367 · 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 tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

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

En bref

Citations2
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Tea Science ResearchMême sujetTea Polyphenols and EffectsTravaux en français237 207