MétaCan
Menu
Retour à la cohorte
Enregistrement W2998969630 · doi:10.5073/jka.2018.463.057

Remote monitoring of stored grain insect pests

2018· article· en· W2998969630 sur OpenAlexfundno aff
Dianxuan Wang, Chunqi Bai, Hui Li, Yujie Lu, Xu Guo

Notice bibliographique

RevueFederal Research Centre for Cultivated Plants (Julius Kühn-Institut) · 2018
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueInsect Pest Control Strategies
Établissements canadiensnon disponible
Organismes subventionnairesAgriculture and Agri-Food Canada
Mots-clésWarehouseEnvironmental sciencePlodia interpunctellaRemote sensingPEST analysisBiologyHorticultureGeographyArchaeology

Résumé

récupéré en direct d'OpenAlex

A number of remote sensing methods were developed and tested in commercial grain warehouses; probe pitfall traps attached to vacuum lines, surface pit fall traps equipped with video cameras and white boards on grain surface monitored with video cameras. These methods were compared with detecting insects using grain samples. Warehouse trials by trapped methods were carried out in bins with 8520 t of wheat from 23 May until 8 August 2016.Grain temperatures were from 22.7 to 31.6?. Psocids,Liposcelis bostrychophila Badonnel,were detected by grain samples, but there were higher number of pscoids trapped with the probe pitfall traps and pitfall traps than found in grain samples. Plodia interpunctella (Hübener), Sitophlius zeamais Motchulsky and Cryptolestes ferrugineus (Stephens) were detected by probe pitfall trap, but not in the grain samples. S. zeamais was detected by the pit fall traps. Using the remote controlled video camera in the warehouse head space, we were able to distinguish and count S. zeamais, C. ferrugineus and psocids on white boards. The video from pitfall traps can be sent to mobile phones. With all these methods, data can be collected remotely, and could be analyzed by imagine analysis allowing for rapid real time monitoring of insect pests.

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)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,004

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
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)0,0010,000

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 Opus0,089
Tête enseignante GPT0,325
Écart entre enseignants0,236 · 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'étudeObservationnel
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

Citations1
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueFederal Research Centre for Cultivated Plants (Julius Kühn-Institut)Même sujetInsect Pest Control StrategiesTravaux en français237 207