Development of a mobile app for early warnings in aquaculture farms: Identification of end-user needs
Notice bibliographique
Résumé
Aquaculture has been the fastest-growing food production sector for decades. Nowadays, it is directed towards economically, socially, and environmentally acceptable production. Mariculture production begins at the sea, in cages, where fish is being kept until the appropriate market weight and size is achieved. There are different ways how it can affect the marine environment. Fish products, feces, medicine, food, and other factors have an impact on the sea quality parameters. Marine pollution considers the presence of undesirable materials in the ocean environment that affect mariculture, affecting the seawater's physical, chemical, and biological conditions. To help prevent and to monitor marine pollution, sensors connected with artificial intelligence, Internet-of-Things, applications, and other software are used. The use of multiparameter probes with different sensors in the sea enables the detection of changes in real-time and instantaneous warning. A mobile application connected to the probe provides information about parameters like salinity, sea temperature, oxygen, depth, pH etc. The goal of the developed mobile application is to prevent more serious marine pollution and impact on the production and environment by monitoring sea conditions, reacting on time in the case of anomalies, recognizing unusual patterns in the parameter value distribution from the existing data, as well as expanding the circle of people who can notice and report possible pollution. An early warning algorithm is being developed based on normal, abnormal, and reference values. This work introduces the development of a mobile app, with the emphasis on the basic requirements of the end-user.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
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 tête enseignante, 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 ».