Editorial: Agricultural sensors and systems for field detection
Notice bibliographique
Résumé
Agricultural sensors and systems for field detectionThe extensive use of numerous agricultural sensors can facilitate meticulous supervision of agricultural activities.However, several obstacles are currently encountered while using these sensors in the agricultural field, such as external disturbances, model inconsistency, inefficient data transmission, and high expenses.These issues hinder their extensive use in challenging agricultural settings, such as fields and greenhouses, throughout the various production phases.Once we find solutions to these critical technical difficulties, agricultural sensors can adjust to intricate agricultural conditions, deliver consistent and precise data, offer a more trustworthy foundation for agricultural decision-making and management, and enhance the intelligence of agricultural production cycles.Simultaneously, implementing agricultural sensors will encourage the advancement and evolution of associated technologies.This includes sensor networks, data transmission methodologies, and artificial intelligence algorithms, thereby fostering the enhancement of agricultural information technology.In light of the context, as mentioned earlier, the articles included in this Research Topic addressed several key issues.Some studies explored the technique of harnessing multi-source and multi-scale data to obtain detailed crop information, focusing on precision perception technology.This involves developing methods to accurately sense crop features and conditions by amalgamating diverse data such as remote sensing data and ground observation sensor data.An article delved into advanced, non-invasive testing technologies with robust anti-interference capabilities and model adaptability.These technologies can precisely detect crop anomalies, such as pests, diseases, and nutritional deficiencies, while effectively resisting environmental, lighting, and weather-related disturbances.Other studies investigated efficient data processing and transmission technologies suitable for field or greenhouse conditions.This includes the development of effective data processing algorithms and transmission protocols to collect, analyze, and store vast quantities of agricultural data in real time, thereby enhancing data utilization efficiency and offering prompt and precise support for agricultural decision-making.Another study focused on developing inexpensive, specialized sensor chips and systems for field detection.This will enable agricultural workers
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 | 0,005 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,005 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,007 | 0,005 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,012 | 0,014 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,033 | 0,032 |
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 ».