STRUMENTI INNOVATIVI PER LA VITICOLTURA BASATI SULL'INTEGRAZIONE DI DATI OTTENUTI DA OSSERVAZIONE TERRESTRE E DA SENSORI DI PROSSIMITÀ (PROGETTO VITIGEOSS)
Bibliographic record
Abstract
Il cambiamento climatico sta avendo un enorme impatto sul settore vitivinicolo. Il riscaldamento globale, in combinazione con la variazione dell’andamento pluviometrico e con l’incremento della frequenza degli eventi meteorologici estremi, sta influenzando in modo significativo la fisiologia delle piante di vite (fenologia, maturazione dell’uva, ecc.) esponendole sempre più a stress di tipo biotico ed abiotico. Questa condizione rappresenta una sfida per i viticoltori che sono chiamati sempre più spesso a prendere decisioni complesse per adattare le tecnica di gestione del vigneto e raggiungere gli obiettivi enologici prestabiliti. Questo spesso si traduce in un indesiderato incremento dell’impiego di concimi e pesticidi, nella perdita di produzione ed in una variazione della composizione dell’uva alla raccolta con un impatto negativo sulla sostenibilità del vigneto. VITIGEOSS è un progetto finanziato dall’Unione Europea nell’ambito del programma di ricerca ed innovazione Horizon2020 che ha come obiettivo lo sviluppo di soluzioni innovative di gestione del vigneto in grado di ottimizzare, tramite Sistemi di Supporto alla Decisione (DSS), la sostenibilità dell’azienda vitivinicola. Il progetto ha sviluppato strumenti, disponibili in un’unica piattaforma, che sfruttano l’impiego dei programmi satellitari GEOSS e Copernicus e di sensori di prossimità. La piattaforma VITIGEOSS, che è stata calibrata e validata in tre siti sperimentali (Italia Portogallo, Spagna), include i seguenti cinque servizi: (i) “Weather and climate forecast”, (ii) “Phenological monitoring and prediction/forecasting”, (iii) “Crop status”, (iv) “Disease management”, (v) “Business and sustainability”.
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 machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.006 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.007 | 0.004 |
| Open science | 0.003 | 0.003 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.010 | 0.004 |
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 source (direct Gemma or distilled Codex), 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".