SkySquirrel, una nueva tecnología que facilita la detección de enfermedades a los viticultores
Bibliographic record
Abstract
El impacto de las enfermedades de la vid para los viticultores puede ser catastrofico, ya que puede afectar tanto a la calidad de los frutos, pigmentacion o contenido de azucares como al volumen de produccion, traduciendose en perdidas economicas significativas. A nivel mundial, las enfermedades estan costando a la industria vitivinicola mas de 15 mil millones de euros de perdidas al ano. Pero SkySquirrel Technologies, con sede en Canada, esta demostrando como puede facilitar la deteccion de enfermedades a los viticultores con una tecnica que combina la imagen multiespectral con la cartografia aerea. SkySquirrel Technologies, una compania especializada en teledeteccion con drones y VineView Imaging, una firma que es sinonimo de precision para la industria de los vinos Premium en California desde hace mas de 15 anos, se han unido para ofrecer a los viticultores los diagnosticos mas precisos y de mas alta resolucion del mercado y juntos, mediante I+D orientada a resultados, han construido una reputacion reconocida a nivel mundial. La tecnologia de SkySquirrel mide con precision el vigor de la vid, el estres hidrico y distintas enfermedades de la vid con una precision que llega a nivel de planta. Durante decadas, el Indice de Vegetacion de Diferencia Normalizada (NDVI) ha sido el estandar de la industria vitivinicola para medir el vigor de la vid, pero a menudo ofrece datos inexactos debido a factores como el angulo solar, las sombras y variaciones del suelo. SkySquirrel utiliza el Indice de Vegetacion Mejorado (EVI), para corregir estas inexactitudes teniendo en cuenta en el angulo de incidencia solar y las condiciones atmosfericas. Mediante el uso de longitudes de onda adicionales, el ajuste de calculos multiespectrales y eliminando el efecto del suelo y de la cobertura vegetal entre hileras, SkySquirrel proporciona los datos de vigor mas fiables y de mayor calidad de vinedos disponibles en el mercado.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.003 | 0.002 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.001 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one teacher head, not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".