Applications, challenges, and solutions of unmanned aerial vehicles in smart city using blockchain
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.
Notice bibliographique
Résumé
Real-time data gathering, analysis, and reaction are made possible by this information and communication technology system. Data storage is also made possible by it. This is a good move since it enhances the administration and operation services essential to any city's efficient operation. The idea behind "smart cities" is that information and communication technology (ICTs) need to be included in a city's routine activities in order to gather, analyze, and store enormous amounts of data in real-time. This is helpful since it makes managing and governing urban areas easier. The "drone" or "uncrewed aerial vehicle" (UAV), which can carry out activities that ordinarily call for a human driver, serves as an example of this. UAVs could be used to integrate geospatial data, manage traffic, keep an eye on objects, and help in an emergency as part of a smart urban fabric. This study looks at the benefits and drawbacks of deploying UAVs in the conception, development, and management of smart cities. This article describes the importance and advantages of deploying UAVs in designing, developing, and maintaining in smart cities. This article overviews UAV uses types, applications, and challenges. Furthermore, we presented blockchain approaches for addressing the given problems for UAVs in smart research topics and recommendations for improving the security and privacy of UAVs in smart cities. Furthermore, we presented Blockchain approaches for addressing the given problems for UAVs in smart cities. Researcher and graduate students are audience of our article.
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 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 découle