Applications of Remote Sensing as Climate Resilience Technique: A Bibliometric Research Trends Analysis
Notice bibliographique
Résumé
Regional variances in climate, soil, and topography make agricultural production systems particularly fragile. Animal health is negatively impacted by variations in air temperature, precipitation, frequency, and intensity of extreme weather events. For its assessment and administration, cutting-edge methods like remote sensing (RS), global positioning systems, and geographic information systems (GIS) might be very beneficial. The RS and GIS are essential tools with numerous applications for tackling these problems. The impact of climatic and human-induced changes on the environment is receiving more attention as a result of climate change (CC). Due to CC and human activity, “desertification” describes the degradation of land in arid, semiarid, and dry sub-humid regions. Natural resource sustainability in changing climates can be obtained with the application of RS and GIS. In this review article, the issues toward wildlife were demonstrated and the application of RS was discussed to reduce the impact of CC to save the wildlife and its preservation. Further, the bibliometric analysis was conducted via R-studio Bibliometric tool, which entailed that developed countries (USA, Canada, Germany) are more forward to applying RS tool to mitigate climate risks. Received: 18 June 2023 | Revised: 25 July 2023 | Accepted: 16 September 2023 Conflicts of Interest The author declares that she has no conflicts of interest to this work. Data Availability Statement Data available on request from the corresponding author upon reasonable request. Author Contribution Statement Arpita Ghosh: Conceptualization, Methodology, Software, Validation, Investigation, Resources, Data curation, Writing - original draft, Writing - review & editing, Visualization, Supervision, Project administration.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,012 | 0,061 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».