Predicting Crop Yields and Nitrous Oxide Emissions at the Ottawa Area X.O Smart Farming Research Fields: Year Three Progress Report
Notice bibliographique
Résumé
The world is facing a sharply increasing food demand that is expected to rise dramatically over the next decades. Several factors are contributing to this rise, mainly the inevitable increase in the world's population, which leads to a strong demographic pressure on the planet earth's available arable land. Moreover, an excessive use of fertilizers to maintain acceptable levels of crop yields has only exacerbated human-caused climate changes by the emission of nitrous oxide, a known potent ozone-killing greenhouse gas. To mitigate the negative effects of the population increase and nitrous oxide emissions, smart farming systems are increasingly advocated to automatically control farming input costs (such as fertilizer costs) and maximize yields while at the same time minimizing greenhouse gas emissions. Smart farming systems are cyber physical systems that automatically collect data from sensor-equipped fields, and process the collected data both locally on the fields as well as globally in the cloud. The insights gained in processing the data is used to drive farming decisions to optimize farming outputs. This paper reports on the progress made on a CyPress research project conducted on the premises of the Invest Ottawa Area X.O testing facility, where a smart farm has been set up. The project focuses on predicting crop yields and nitrous oxide emissions using data collected at the Area X.O smart farming research fields. Data gathered in these research fields are being used to develop concepts, tools and methods for engineering smart farming systems based on cyber physical systems.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».