MétaCan
Menu
Retour à la cohorte
Enregistrement W4323776762 · doi:10.38007/nep.2020.010406

Animal Comfort in Natural Environment Protection Areas Integrating RS and DIS

2020· article· en· W4323776762 sur OpenAlexaff
Mathea Simons

Notice bibliographique

RevueNature Environmental Protection · 2020
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced Chemical Sensor Technologies
Établissements canadiensBrock University
Organismes subventionnairesnon disponible
Mots-clésNatural (archaeology)Architectural engineeringEnvironmental scienceEnvironmental resource managementEnvironmental planningEnvironmental protectionGeographyEngineering

Résumé

récupéré en direct d'OpenAlex

The progress of biodiversity is an important indicator of ecology and livelihoods.The establishment of natural reserves to protect biodiversity can scientifically and effectively regulate the stability of the biological environment, prevent and reduce species extinction to a certain extent, and ensure the safe and healthy development of the natural ecological environment.It can also play a role in establishing and protecting habitats and even enriching species.RS (Remote sensing) and DIS (Digital information system) help personnel involved in remote detection image monitoring and analysis in the region to quickly respond to emergencies and protect biodiversity and animal comfort.Therefore, this paper analyzes the problems that affect the comfort of animals in natural environment protection areas, and then uses RS and DIS to analyze the processing steps of regional images, and finally proposes corresponding protection strategies to improve the comfort of animals.It can be seen from the comparison that the animal comfort after the optimization of the nature reserve is 19% higher than that before the optimization of the nature reserve, and the ecological monitoring effect is 21.2% higher than that before the optimization of the nature reserve.In short, RS and DIS are of great significance in species monitoring in natural environment protection areas.

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)0,000
score de la tête « metaresearch » (Gemma)0,000
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: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,081
Score d'incertitude au seuil0,855

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,002
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 Opus0,005
Tête enseignante GPT0,172
Écart entre enseignants0,167 · 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

Citations0
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueNature Environmental ProtectionMême sujetAdvanced Chemical Sensor TechnologiesTravaux en français237 207