MétaCan
Menu
Retour à la cohorte
Enregistrement W2972763311 · doi:10.4018/978-1-5225-9574-8.ch016

Smart Plant Monitoring System Using IoT Technology

2019· book-chapter· en· W2972763311 sur OpenAlexaff
Ankur Kohli, Rohit Kohli, Bhupendra Singh, Jasjit Singh

Notice bibliographique

RevueAdvances in computational intelligence and robotics book series · 2019
Typebook-chapter
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueSmart Agriculture and AI
Établissements canadiensAutomotive Fuel Cell Cooperation (Canada)
Organismes subventionnairesnon disponible
Mots-clésArduinoSoil moisture sensorCloud computingInternet of ThingsAutomationWater contentEngineeringMoistureProcess (computing)Process engineeringReal-time computingEmbedded systemEnvironmental scienceComputer scienceGeographyMechanical engineeringOperating systemMeteorologyGeotechnical engineering

Résumé

récupéré en direct d'OpenAlex

Plants play a vital role in maintaining the ecological cycle, and thus, to maintain the plant's proper growth and health, adequate monitoring is required. Hence, the aim of the chapter is to create a smart plant monitoring system using automation and internet of things (IOT) technology. This topic highlights various features such as smart decision making based on soil moisture real-time data. For this purpose, sensors like soil moisture sensor, DHT11 sensor, level sensor, etc. are used. The soil moisture sensor measures the level of moisture (i.e., water content of different plants). The signal will be sent to Arduino board when the moisture level drops below the marginal value, which triggers the pumping of water into the plant by the pump. When the moisture level reaches absolute value, the pump is halted. The other condition for this process is level sensor. Level sensor senses the water level in the tank and sends the information of water level value to Arduino board and Arduino board to cloud. The whole data about the plant monitoring will be sent to the cloud server.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,681
Score d'incertitude au seuil0,575

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
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 ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,027
Tête enseignante GPT0,242
Écart entre enseignants0,215 · 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 tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeThéorique ou conceptuel
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

Citations13
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAdvances in computational intelligence and robotics book seriesMême sujetSmart Agriculture and AITravaux en français237 207