Characterization of wireless mesh network performance in agricultural environments
Notice bibliographique
Résumé
Summary form only given. Wireless sensor and actuator networks will play an increasingly important role in farms and orchards as orchardists and farmers seek more effective ways to implement processes for pest control, precision irrigation, fertilizer delivery, frost detection, fire detection, detection of crop maturation, silage monitoring and livestock tracking. However, wireless propagation in agricultural environments is severely affected by the excess path loss due to the presence of vegetation along the signal path. Practical experience has shown that wireless mesh networks deployed in such environments often behave significantly different than expected. Until recently, designers have relied almost exclusively on relatively small amounts of wireless propagation data collected manually at great expense. As wireless sensor and agricultural networks mature and are being deployed in greater numbers as part of extensive field trials, more operational field data has become available from a larger number of sites and for longer of periods of time. The recent deployment of hundreds of such networks across Canada, Europe and the United States by a startup company and their willingness to provide us with access to both performance and weather data logged over one or more complete growing seasons has provided us with an unprecedented opportunity to apply data mining techniques and answer many important questions concerning the manner in which wireless propagation affects the performance of wireless mesh networks in such environments. The results obtained through such data mining nicely complement results obtained through manual measurements or simulation. Our findings fall into three categories: 1) the manner in which meteorological factors affect wireless mesh network performance, 2) the manner in which spatial factors affect network performance, and 3) the degree of randomness in network performance which cannot be directly attributed to easily discerned physical causes. The results have important implications for the design of future wireless networks in agricultural environments.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».