MétaCan
Menu
Retour à la cohorte
Enregistrement W4416676912 · doi:10.1109/iccams65118.2025.11234592

A Multifunctional UAV System for Precision Agriculture and Environmental Monitoring

2025· article· W4416676912 sur OpenAlexaff
D Yashas, Karputha Pandi P, M Shivani Kashyap, Sumehra Banu S, T S Yazhini

Notice bibliographique

Revuenon disponible
Typearticle
Langue
DomaineAgricultural and Biological Sciences
ThématiqueSmart Agriculture and AI
Établissements canadiensHorizon College and SeminaryArtificial Intelligence in Medicine (Canada)
Organismes subventionnairesnon disponible
Mots-clésPrecision agricultureDroneEnvironmental monitoringAgricultureResource (disambiguation)Environmental dataBlack boxEnvironmental pollution

Résumé

récupéré en direct d'OpenAlex

Today, precision agriculture as a modern approach to farming has been aided by advanced technology for optimizing crop management and resource utilization. A multifunctional UAV system for real-time environmental monitoring in agriculture landscapes is presented here. This drone has a Pixhawk flight controller and a variety of environmental sensors from which air quality using the MQ-135, soil moisture, temperature using DHT22, water pollution, and LIDAR-based distance sensors (VL53L0X) would be applied. Moreover, it has an SD card-associated black box for safe data storage, allows solar charging so it can have a much longer mission time, and permits autonomous water landing when necessary for better survivability in emergency situations. The UAV can provide accurate environmental data which could help farmers or environmental agencies in decision making with regards to irrigation, fertilization, or pollution control. The efficiency of capturing accurate sensors data is verified through test results that also show the solar charging-enabled extended mission endurance and miss emergency landings without damage to critical components. The cashless data integrity is ensured with the black box mechanism. The system is also far superior to conventional systems based on ground monitoring in terms of scalability, flexibility, and reduced cost. In the future, research initiatives will focus on developing machine learning algorithms that enable improved navigation and decision-making in a more autonomous fashion, with the real-time capability for dynamic field management. This UAV-based precision agriculture platform thus assures sustainable agriculture by reducing wastages, improving productivity, and preventing environmental degradation.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,004
Score d'incertitude au seuil0,013

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0040,001

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.

Tête enseignante Opus0,010
Tête enseignante GPT0,203
Écart entre enseignants0,193 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetSmart Agriculture and AITravaux en français237 207