Farming Techniques and Pest Management Strategies of Queen Pineapple Farmers in Camarines Norte: Basis for a Mobile-Based Pest Detection
Notice bibliographique
Résumé
The importance of agriculture is obvious, from food security and for the farmers who are simply living for it.At the context of developing an AI-based system for pest detection, the researchers conducted an in-depth study on the farmers' farming techniques and their pest management strategy that would provide a baseline data for the development.This study aims to provide insights on the different farming techniques and pest management utilized by farmers on the queen pineapple propagation in the province of Camarines Norte.Using a quantitative descriptive method from four large queen pineapple sites in Camarines Norte with N=200 local farmers as participants of the study, a survey across the different respondents were conducted.Similarly, intensive literature review was provided along with some first-hand interview with the officials from the Department of Agriculture and other partner agency.Findings of the study revealed that there are various farming techniques and pest management followed by farmers while issues and concerns were lack of access to information, lack of infrastructures and machines for pre-and post-harvest, and lack of innovative farming and pest management control.Efforts were made to continually fund researchers and materials needed to boost QP production but the fast dissemination of new knowledge hinders the practice and implementation of new knowledge.It is highly recommended that a mobile-based application with validated pest and diseases library is needed by the farmers and utilizing new technology enablers such as AI to detect pest and provide proper recommendations could be useful to them.
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 | 0,000 | 0,000 |
| 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 ».