Accueil
Résultat de la recherche
2 résultat(s) recherche sur le mot-clé 'MEGADONNEES' 
trié(s) par (Pertinence décroissant(e), Titre croissant(e)) Ajouter le résultat dans votre panier Affiner la recherche Générer le flux rss de la recherche
Partager le résultat de cette rechercheAgriculture connectée, pour qui pour quoi ? / P. Parache in Pour : la revue du Groupe Ruralités, Éducation et Politiques / BU IUT et Cairn.info, 234-235 (2018/2-3)
Titre : Agriculture connectée, pour qui pour quoi ? Type de document : objet à 3 dimensions, artefacts, ... Auteurs : P. Parache, Auteur Année de publication : 2019 Article en page(s) : p. 103-111 Langues : Français (fre) Langues originales : Français (fre) Catégories : S SCIENCES ET TECHNIQUES:Administration de la science et de la recherche:Technologie:Technologie de pointe Mots-clés : 06 - AGRICULTURE. FORÊTS. PÊCHES 6.6 - Technique Agricole (sols, engrais, mécanisation) SMART AGRICULTURE AGRICULTURE NUMERIQUE PRECISION AGRICULTURE AGRICULTURE DE PRECISION BIG DATA MEGADONNEES BLOCKCHAIN CHAINE DE BLOCS HIGH TECHNOLOGY SUSTAINABILITY DURABILITE ADJUSTMENT OF PRODUCTION ADAPTATION DE LA PRODUCTION INNOVATION INNOVATION Résumé : Agriculture de précision, digitale, numérique, big data, smart farming, AgTech, blockchain… sont devenus des termes du jargon quotidien en agriculture. Tout au moins pour les plus geeks à l’extrémité de la chaîne. S’il y a toujours des réticents au changement, cette révolution numérique interroge le quotidien de chaque producteur. Ces innovations s’inscrivent profondément dans le questionnement autour de la nécessaire transition des agricultures aujourd’hui. La transition est le propre de l’homme sur terre, poussé par l’évolution de son environnement. L’avènement de l’ère industrielle, la croissance démographique, la mécanisation, le développement de l’agrochimie, la mondialisation du commerce ont progressivement poussé la production agricole dans une direction où tant les conditions techniques qu’économiques ne sont plus durables. D’où la nécessité de rupture avec un modèle intensif. En ligne : https://doi.org/10.3917/pour.234.0103 Permalink : https://cs.iut.univ-tours.fr/index.php?lvl=notice_display&id=226510
in Pour : la revue du Groupe Ruralités, Éducation et Politiques / BU IUT et Cairn.info > 234-235 (2018/2-3) . - p. 103-111[article] Agriculture connectée, pour qui pour quoi ? [objet à 3 dimensions, artefacts, ...] / P. Parache, Auteur . - 2019 . - p. 103-111.
Langues : Français (fre) Langues originales : Français (fre)
in Pour : la revue du Groupe Ruralités, Éducation et Politiques / BU IUT et Cairn.info > 234-235 (2018/2-3) . - p. 103-111
Catégories : S SCIENCES ET TECHNIQUES:Administration de la science et de la recherche:Technologie:Technologie de pointe Mots-clés : 06 - AGRICULTURE. FORÊTS. PÊCHES 6.6 - Technique Agricole (sols, engrais, mécanisation) SMART AGRICULTURE AGRICULTURE NUMERIQUE PRECISION AGRICULTURE AGRICULTURE DE PRECISION BIG DATA MEGADONNEES BLOCKCHAIN CHAINE DE BLOCS HIGH TECHNOLOGY SUSTAINABILITY DURABILITE ADJUSTMENT OF PRODUCTION ADAPTATION DE LA PRODUCTION INNOVATION INNOVATION Résumé : Agriculture de précision, digitale, numérique, big data, smart farming, AgTech, blockchain… sont devenus des termes du jargon quotidien en agriculture. Tout au moins pour les plus geeks à l’extrémité de la chaîne. S’il y a toujours des réticents au changement, cette révolution numérique interroge le quotidien de chaque producteur. Ces innovations s’inscrivent profondément dans le questionnement autour de la nécessaire transition des agricultures aujourd’hui. La transition est le propre de l’homme sur terre, poussé par l’évolution de son environnement. L’avènement de l’ère industrielle, la croissance démographique, la mécanisation, le développement de l’agrochimie, la mondialisation du commerce ont progressivement poussé la production agricole dans une direction où tant les conditions techniques qu’économiques ne sont plus durables. D’où la nécessité de rupture avec un modèle intensif. En ligne : https://doi.org/10.3917/pour.234.0103 Permalink : https://cs.iut.univ-tours.fr/index.php?lvl=notice_display&id=226510
Titre : The current and future uses of machine learning in ecosystem service research Type de document : objet à 3 dimensions, artefacts, ... Auteurs : M. Scowen ; S. Willcock ; F. Eigenbrod ; J.M. Bullock ; I.N. Athanasiadis Année de publication : 2021 Article en page(s) : p. 1-9 Langues : Anglais (eng) Langues originales : Anglais (eng) Catégories : F POPULATIONS - ETUDES DE CAS:Models ; S SCIENCES ET TECHNIQUES:Administration de la science et de la recherche:Développement scientifique:Changement technologique:Automatisation The act or practice of using machines that need little or no human control, especially to replace workers.; S SCIENCES ET TECHNIQUES:Administration de la science et de la recherche:RechercheMots-clés : 07 - ENVIRONNEMENT 7.1 - Généralités. Situation Environnementale ECOSYSTEM SERVICES SERVICE ECOSYSTEMIQUE RESEARCH BIG DATA MEGADONNEES MODELE FORECASTING TECHNIQUE DE PREVISION AUTOMATION Résumé : Machine learning (ML) expands traditional data analysis and presents a range of opportunities in ecosystem service (ES) research, offering rapid processing of ?big data? and enabling significant advances in data description and predictive modelling. Descriptive ML techniques group data with little or no prior domain specific assumptions; they can generate hypotheses and automatically sort data prior to other analyses. Predictive ML techniques allow for the predictive modelling of highly non-linear systems where casual mechanisms are poorly understood, as is often the case for ES. We conducted a review to explore how ML is used in ES research and to identify and quantify trends in the different ML approaches that are used. We reviewed 308 peer-reviewed publications and identified that ES studies implemented machine learning techniques in data description (64%; n = 308) and predictive modelling (44%), with some papers containing both categories. Classification and Regression Trees were the most popular techniques (60%), but unsupervised learning techniques were also used for descriptive tasks such as clustering to group or split data without prior assumptions (19%). Whilst there are examples of ES publications that apply ML with rigour, many studies do not have robust or repeatable methods. Some studies fail to report model settings (43%) or software used (28%), and many studies do not report carrying out any form of model hyperparameter tuning (67%) or test model generalisability (59%). Whilst studies use ML to analyse very large and complex datasets, ES research is generally not taking full advantage of the capacity of ML to model big data (1138 medium number of data points; 13 median quantity of variables). There is great further opportunity to utilise ML in ES research, to make better use of big data and to develop detailed modelling of spatial-temporal dynamics that meet stakeholder demands. En ligne : https://doi.org/10.1016/j.scitotenv.2021.149263 Permalink : https://cs.iut.univ-tours.fr/index.php?lvl=notice_display&id=277193
in Science of the Total Environment > vol. 799 (10 December 2021) . - p. 1-9[article] The current and future uses of machine learning in ecosystem service research [objet à 3 dimensions, artefacts, ...] / M. Scowen ; S. Willcock ; F. Eigenbrod ; J.M. Bullock ; I.N. Athanasiadis . - 2021 . - p. 1-9.
Langues : Anglais (eng) Langues originales : Anglais (eng)
in Science of the Total Environment > vol. 799 (10 December 2021) . - p. 1-9
Catégories : F POPULATIONS - ETUDES DE CAS:Models ; S SCIENCES ET TECHNIQUES:Administration de la science et de la recherche:Développement scientifique:Changement technologique:Automatisation The act or practice of using machines that need little or no human control, especially to replace workers.; S SCIENCES ET TECHNIQUES:Administration de la science et de la recherche:RechercheMots-clés : 07 - ENVIRONNEMENT 7.1 - Généralités. Situation Environnementale ECOSYSTEM SERVICES SERVICE ECOSYSTEMIQUE RESEARCH BIG DATA MEGADONNEES MODELE FORECASTING TECHNIQUE DE PREVISION AUTOMATION Résumé : Machine learning (ML) expands traditional data analysis and presents a range of opportunities in ecosystem service (ES) research, offering rapid processing of ?big data? and enabling significant advances in data description and predictive modelling. Descriptive ML techniques group data with little or no prior domain specific assumptions; they can generate hypotheses and automatically sort data prior to other analyses. Predictive ML techniques allow for the predictive modelling of highly non-linear systems where casual mechanisms are poorly understood, as is often the case for ES. We conducted a review to explore how ML is used in ES research and to identify and quantify trends in the different ML approaches that are used. We reviewed 308 peer-reviewed publications and identified that ES studies implemented machine learning techniques in data description (64%; n = 308) and predictive modelling (44%), with some papers containing both categories. Classification and Regression Trees were the most popular techniques (60%), but unsupervised learning techniques were also used for descriptive tasks such as clustering to group or split data without prior assumptions (19%). Whilst there are examples of ES publications that apply ML with rigour, many studies do not have robust or repeatable methods. Some studies fail to report model settings (43%) or software used (28%), and many studies do not report carrying out any form of model hyperparameter tuning (67%) or test model generalisability (59%). Whilst studies use ML to analyse very large and complex datasets, ES research is generally not taking full advantage of the capacity of ML to model big data (1138 medium number of data points; 13 median quantity of variables). There is great further opportunity to utilise ML in ES research, to make better use of big data and to develop detailed modelling of spatial-temporal dynamics that meet stakeholder demands. En ligne : https://doi.org/10.1016/j.scitotenv.2021.149263 Permalink : https://cs.iut.univ-tours.fr/index.php?lvl=notice_display&id=277193
