Notice bibliographique
Résumé
Horticulture sector has emerged as an important segment in Indian Agriculture. Starting with a back-yard farming in the beginning it has gone through transformation and its production has surpassed that of agricultural crops. Continuously growing population expected to reach 1.9 billion by 2047’s and limited availability of land and water will call for developing, testing and adapting most modern technology tools in horticulture sector to meet the demand of ever growing population. Digital technology comprising in-situ and crop growing environment sensors, advanced softwares including artificial intelligence/machine learning to generate prescription and coupled with devices to operate water and nutrient delivery systems have emerged useful for horticulture crop husbandry. Remote sensing, navigation and positioning system, geographic information system in conjunction with information and communication technology are expected to provide time and location specific information on crop area, condition and yield. Need for introducing traceability of input, process and storage conditions used in crop production, value addition. Supply-chain are expected to be facilitated with use of block-chain technology. Host of other digital technology solutions will enable screening genetic traits, breeding of varieties with desirable characteristics. Meeting the challenges of climate change will be a formidable task while planning economically profitable and sustainable horticulture crop production. Human resource development to meet the emerging requirement is also possible using digital technology. This review describes the potential use of a large number of digital technology applications in horticulture.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| 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 ».