MétaCan
Menu
Retour à la cohorte
Enregistrement W2032945247 · doi:10.13031/2013.22254

Automated Fertilizer and Water Delivery System for Potted Plants

2006· article· en· W2032945247 sur OpenAlexfundno aff
Trevor P Kondratowicz, T.G. Crowe

Notice bibliographique

RevueApplied Engineering in Agriculture · 2006
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueSmart Agriculture and AI
Établissements canadiensnon disponible
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaMcMaster University
Mots-clésNutrientFertilizerEnvironmental scienceDelivery systemVolumetric flow rateCommon emitterEngineeringChemistryAgronomyBiomedical engineeringElectrical engineeringBiologyPhysics

Résumé

récupéré en direct d'OpenAlex

A system capable of accurately administering controlled amounts of nutrients to potted plants was developed in support of experiments to study the effects of growing conditions on the reflectance of plants. This article outlines the components involved with such a nutrient delivery system and the tests performed to describe its performance. Eight solenoid valves, one gear pump, three manifolds, 48 emitters, tubing, electronics, storage tanks, and a data logger were used to construct an automated delivery system. The system was capable of delivering water and three different nutrients to 48 plants growing under three different nutrient regimes. In order to be able to describe the system's performance, three tests (a flush test, an emitter flow rate test, and a uniformity test) were completed. The results of the emitter flow rate test were an average of 71.5 mL/min, standard deviation of 2.7 mL/min, and coefficient of variance of 3.8%. The flush test indicated that 20 s was required to flush the system entirely of a 2000-ppm NaCl solution. The uniformity test indicated a salt solution was administered to a group of emitters within 2% of the expected quantity.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,005

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,004
Tête enseignante GPT0,146
Écart entre enseignants0,143 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2006
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueApplied Engineering in AgricultureMême sujetSmart Agriculture and AITravaux en français237 207