XiaoMi-AI文件搜索系统
World File Search SystemHuete
遥感方法在农业中的应用 - 农业生物学
对妨碍遥感数据解释的因素的敏感性，例如土壤背景、地貌、植物的非光合作用元素、大气、观看和照明几何（Huete 和 Justice 1999）最常用的指数是归一化差异植被指数 (NDVI)，由 Rouse 等人 (1974) 提出，计算为近红外和红光区域反射率差与和的商。由于叶片叶肉的散射，植物的绿色部分在近红外区域反射强烈，并通过叶绿素强烈吸收红光和蓝光（Ayala-Silva 和 Beyl 2005）。NDVI 指数最常用于确定栽培植物的状况、发育阶段和生物量以及预测其产量。 NDVI 已成为最常用的植被指数（Wallace 等人，2004 年；Calvao 和 Palmeirim，2004 年），人们做出了许多努力，旨在开发更多指数，以减少土壤背景和大气对光谱测量结果的影响。限制土壤对遥感植被数据影响的植被指数的一个例子是 Huete（1988 年）提出的 SAVI（土壤调节植被指数）。另一个是 VARI 指数（可见大气抗性指数）（Gitelson 等人，2002 年），它大大降低了大气的影响。人们还开发了更多指数来考虑 NIR 和 SWIR 范围内的反射率差异，这表明植物缺水：MSI (
遥感方法在农业中的应用 - Agrobiol
对妨碍遥感数据解释的因素的敏感性，如土壤背景、地貌、植物的非光合作用元素、大气、观看和照明几何（Huete 和 Justice 1999）最常用的指数是归一化差异植被指数（NDVI），由 Rouse 等人（1974 年）提出，计算为近红外和红光区域反射率差与和的商。由于叶片叶肉的散射，植物的绿色部分在近红外区域反射强烈，并通过叶绿素强烈吸收红光和蓝光（Ayala-Silva 和 Beyl 2005）。NDVI 指数最常用于确定栽培植物的状况、发育阶段和生物量以及预测其产量。 NDVI 已成为最常用的植被指数（Wallace 等人，2004 年；Calvao 和 Palmeirim，2004 年），人们做出了许多努力，旨在开发进一步的指数，以减少土壤背景和大气对光谱测量结果的影响。限制土壤对遥感植被数据影响的植被指数的一个例子是 Huete（1988 年）提出的 SAVI（土壤调节植被指数）。另一个是 VARI 指数（可见大气抗性指数）（Gitelson 等人，2002 年），它大大降低了大气的影响。还有更多的指标被开发出来，来考虑 NIR 和 SWIR 范围内的反射率差异，从而表明植物缺水：MSI（水分胁迫指数）（Rock 等人，1986 年）、LWCI（叶片水分含量指数）（Hunt 等人，1987 年）、WI（水分指数）（Panuelas 等人，1993 年）、GVMI（全球植被水分指数）（Ceccato 等人，2002 年）和 SIWSI（MidIR，G）（短波红外水分胁迫指数）（Fensholt 和 Sandholt，2003 年）。反过来，植被指数，如 CWSI（作物水分胁迫指数）（Jackson 等人，1981 年）、ST（地表温度）（Jackson，1986 年）、WDI（水分亏缺指数）（Moran 等人，1994 年）和 SI（胁迫指数）（Vidal 等人，1994 年）描述了水分胁迫与植物热特性之间的关系。表 1 列出了文献中报告的用于特定农业应用的植被指数示例。
alberto cuadra lara
JU 2023-当前的博士后研究人员力学，流体力学小组，西班牙马德里的卡洛斯大学。2024年6月 - 2024年7月，美国斯坦福大学湍流研究中心访问博士后学者。2019年7月 - 2023年7月，流体力学的博士前研究人员，流体力学小组，西班牙卡洛斯三世大学。顾问：Marcos Vera教授和CésarHuete教授2022年11月2日至2023年2月研究现场：意大利德德大学的创新工程系。顾问：Mario Dinzo教授2019年3月 - 2019年6月，流体力学的研究技术员，流体力学小组，西班牙卡洛斯大学III DE MADRID。顾问：Marcos Vera教授2018年10月 - 2019年1月M.Sc.西班牙卡洛斯大学三世大学的流体力学小组研究助理。顾问：Marcos Vera教育教授
出版版本引用（哈佛）：Tercero-Hidalgo, JR, Khan, KS, Bueno-Cavanillas, A, Fernández-López, R, Huete, JF, Amezcua-Prieto, C, Zamora, J & Fernández-Luna, JM 2022，“COVID-19 证据合成中的人工智能未得到充分利用，但有影响力：一项方法学研究”，《临床流行病学杂志》，卷。 148，第 124-134 页。 https://doi.org/10.1016/j.jclinepi.2022.04.027
目标：像大流行这样快速发展的情景需要迅速制作高质量的系统评价，而这可以使用人工智能 (AI) 技术实现自动化。我们评估了 AI 工具在 COVID-19 证据综合中的应用。研究设计：在前瞻性注册审查协议后，我们自动下载了 COVID-19 生活证据概览数据库中所有开放获取的 COVID-19 系统评价，为它们编制了与 AI 相关的关键字的索引，并找到了使用 AI 工具的评价。我们将他们的期刊的 JCR 影响因子、每月引用量、筛选工作量、完成时间（从预注册到预印本或提交给期刊）和 AMSTAR-2 方法评估（最高分 13 分）与一组没有 AI 的出版日期匹配的对照评论进行了比较。结果：在 3,999 篇 COVID-19 评论中，有 28 篇（0.7%，95% CI 0.47 e 1.03%）使用了 AI。平均而言，与对照组（n = 64）相比，AI 评论发表在影响因子更高的期刊上（中位数 8.9 vs. 3.5，P !0.001），每位作者筛选的摘要更多（302.2 vs. 140.3，P = 0.009）和每项纳入的研究（189.0 vs. 365.8，P !0.001），但每位作者检查的全文较少（5.3 vs. 14.0，P = 0.005）。在引用计数（0.5 vs. 0.6，P = 0.600）、每项纳入研究的全文检查（3.8 vs. 3.4，P = 0.481）、完成时间（74.0 vs. 123.0，P = 0.205）或 AMSTAR-2（7.5 vs. 6.3，P = 0.119）方面均未发现差异。结论：AI 是 COVID-19 系统评价中未充分利用的工具。与不使用 AI 的评价相比，使用 AI 可以更有效地筛选文献并提高出版影响力。AI 在系统评价自动化方面具有应用空间。2022 作者。由 Elsevier Inc. 出版。这是一篇根据 CC BY-NC-ND 许可协议 ( http:// creativecommons.org/licenses/by-nc-nd/4.0/ ) 开放获取的文章。
2023 年时尚状况
我们要感谢以下麦肯锡同事对本报告编写和深度文章做出的特殊贡献：Ekaterina Abramicheva、Saga af Petersens、Elisa Albella、Susann Arnold、Andres Avila、David Barrelet、Colleen Baum、Daniel Bullon、Cherry Chen、Tiffany Chen、Nic Cornbleet、Andrea De Santis、Gizem Dibekoglu、Purvi Doshi、David Fuller、Abhishek Goel、Antonio Gonzalo、Arvind Govindarajan、Ezra Greenberg、Jan Hamdan、Holger Harreis、Colin Henry、Steve Hoffman、Julia Huang、Andreas Huete、Julian Hügl、Nicoline Hürs、Sanchit Jain-Guva、Jonatan Janmark、Katie Kelley、Dale Kim、Krzysztof Kwiatkowski、Franck Laizet、Nikolai Langguth、Benjamin Lau、Adrienne Lazarus、菲比·林赛、卡尔-亨德里克·马格努斯、杜贾·马塔诺维奇、尼古拉·蒙特内格里、杰西·纳丁、吉泽姆·奥兹塞利克、埃马努埃莱·佩德罗蒂、马德隆·波尔森、金·兰特斯、艾米丽·里索尔、朱利亚·里卡多、卡洛斯·桑切斯-阿塔布尔、拉吉·沙阿、沃拉·辛、梅拉·辛格、汤姆·斯基尔斯、埃瓦·斯塔辛斯卡、玛丽Strawczynski、Cristina Tintore、Bogdan Toma、Dora Trokan、Prabhu Tyagi、François Videlaine、Cyrielle Villepelet、Sophia Wang、Tiffany Wendler、Laerke Wolf、Hannah Yankelevich、Isabell 张、Rebecca 张和 Daniel Zipser。