MétaCan
Menu
Retour à la cohorte
Enregistrement W4376507896 · doi:10.56588/iabcd.v2i1.137

A REVIEW : APPLICATIONS OF REMOTE SENSING IN AGRICULTURE

2023· review· en· W4376507896 sur OpenAlex
Prince Darji, Nirmal D. Desai, Dhara Bhavsar, Himanshu Pandya

Pourquoi ce travail est dans la base

Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.

Notice bibliographique

RevueInternational Association of Biologicals and Computational Digest · 2023
Typereview
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueSmart Agriculture and AI
Établissements canadiensImpact
Organismes subventionnairesnon disponible
Mots-clésAgricultureFood securityBusinessAgricultural productivityPopulationNatural resource economicsAgricultural economicsGeographyEconomics

Résumé

récupéré en direct d'OpenAlex

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.

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: Autre devis · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,996
Score d'incertitude au seuil0,311

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,001
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)0,0000,000

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 Opus0,037
Tête enseignante GPT0,306
Écart entre enseignants0,269 · 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