Drone-Based technologies used to assess modern farming practices in undergraduate research
Notice bibliographique
Résumé
The modern farm is a technological marvel, from smart tractors to genetically modified organisms (GMOs), along with chemical pesticides and fertilizer. Farms today have continuously increased production by utilizing these various techniques. Many farms on the east coast of North America are growing dent or field corn while also rotating crops between soybeans of various types and winter wheat. These crops have become symbiotic in nature due to the need for specific soil nutrients of the crops and the practice of no till farming. More recently, schools with farm programs have started researching the use of drone technologies and multispectral analysis as a means to reduce chemical usage thereby saving farmers annual chemical costs. This paper investigates the use of drones in capstone projects for undergraduate engineering and computer science programs. Undergraduate capstone projects usually require a design and build element to satisfy ABET accreditation requirements. Therefore, the students needed to design and build an airframe capable of surveying farms with a multispectral camera. In the course of the aircraft design process it was discovered that the students needed to have a broader understanding of federal regulations, experimentation, and a robust understanding of how the drones and data would be used to benefit a typical farm. In addition, we look at the results obtained and discuss the problems associated with making the data and analysis accessible to the farmers who participated in our study. In the process we also discovered other potential uses for the images we created.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
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 tête enseignante, 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 ».