A REVIEW : APPLICATIONS OF REMOTE SENSING IN AGRICULTURE
Notice bibliographique
Résumé
Agriculture plays a central role in safeguarding the region’s food supply and achieving the second UN Sustainable Development Goal of zero hunger by 2030. However, the agriculture sector faces challenges from changing consumer demand, demographics, inefficient value chains, climate change and water shortage. Climate change is already impacting significantly on agriculture and food production in developing countries. Agriculture has been able to keep up with the rising demand for food and other agricultural goods because of the development of new farming techniques throughout the previous century. Natural resources will undoubtedly be further stressed as result of rising food demand, population growth, income levels, etc. New methods and approaches should be able to meet future food demands while maintaining or lowering agriculture’s environmental imprint as the detrimental effects of agriculture on the environment become more widely acknowledged. The application of remote sensing in agriculture can aid the evolution of agricultural practices that face different types of challenges by providing information related to crop status at different scales all through the season. Making educated management decisions with the help of emerging technologies including geospatial technology, the Internet of Things (IoT), Big Data analysis, and artificial intelligence (AI). To maximize agricultural inputs, boot agricultural production, and decrease input losses, precision agriculture (PA) uses a variety of such technologies. Over the past few decades, there has been a sharp expansion in the use of remote sensing technology for PA (precision agriculture). It is crucial to investigate and design an easy-to-use yet dependable workflow for the real-time use of remote sensing in PA (precision agriculture) given the complexity of image processing and the quantity of technical knowledge and skill required. Wider usage of remote sensing technologies in commercial and non-commercial PA (precision agriculture) applications is likely to result from the development of accurate yet simple-to-use, user-friendly systems.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,004 | 0,006 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,004 |
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 ».