Développement et validation du Terra-22, un système d’échantillonnage de sol aéroporté
Bibliographic record
Abstract
L’échantillonnage de sol est utilisé en agriculture pour suivre les besoins en nutriments et planiőer l’application d’engrais. Cette tâche est généralement effectuée manuellement, mais des robots terrestres ont récemment été introduits pour cette tâche. Cependant, ces robots sont souvent lents et lourds, ce qui contribue au compactage du sol. Les drones pourraient constituer une alternative intéressante aux robots terrestres en raison de leur vitesse et manœuvrabilité élevée. Toutefois, les drones sont sévèrement limités dans leur charge utile et dans les forces qu’ils peuvent appliquer au sol. Ce mémoire présente le Terra 22, le premier système aéroporté capable d’échantillonner des sols agricoles densément compactés. Pour ce faire, de nombreux déős ont été relevés, notamment le développement (i) d’un système de forage à haute densité de puissance qui surpasse de 39 % celle des assemblages moteurs/boîte de réduction à courant continu classique, (ii) d’une mèche 48 % plus légère que les mèches en acier traditionnelles et qui maintient la contamination croisée en dessous de 4 %, et (iii) un contrôleur de vitesse de pénétration de forage qui réduit le couple requis de 33 % et la force axiale requise par un facteur huit par rapport à un contrôleur de vitesse de pénétration constante. Des tests d’échantillonnage de sol en extérieur dans un champ de maïs (sol limono-sableux, compactage entre 0,8 MPa et 2 MPa) ont démontré un taux de réussite de 94 % sur terrain plat et une durée d’échantillonnage inférieure à une minute, permettant la collecte de plusieurs échantillons par vol.
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 | 0.002 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.005 | 0.002 |
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".