Using harvester data from on-board computers: a review of key findings, opportunities and challenges
Notice bibliographique
Résumé
Abstract Single-grip harvesters are equipped with an on-board computer that can normally collect standardized data. In times of increased mechanization, digitalization and climate change, use of this extensive data could provide a solution for better managing calamities-outbreaks and gaining competitiveness. Because it remains unclear in which way harvester data can contribute to this and optimization of the forest supply chain, the focus of this review was to provide a synopsis of how harvester data can be used and present the main challenges and opportunities associated with their use. The systematic literature review was performed with Scopus and Web of Science in the period from 1993 to 2019. Harvester data in form of length and diameter measurements, time, position and fuel data were used in the fields of bucking, time study, inventory and forest operation management. Specifically, harvester data can be used for predicting stand, tree and stem parameters or improving and evaluating the bucking. Another field of application is to evaluate their performance and precision in comparison to other time study methods. Harvester data has a broad range of application, which offers great possibilities for research and practice. Despite these advantages, a lack of precision for certain data types (length and diameter), particularly for trees exhibiting complex architecture where the contact of the measuring wheel on the harvesting head to the wooden body cannot be maintained, and position data, due to signal deflection, should be kept in mind.
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 | 0,014 | 0,037 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,003 |
| Bibliométrie | 0,015 | 0,021 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,003 | 0,006 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».