IoT Based Smart Automated Agriculture and Real Time Monitoring System
Notice bibliographique
Résumé
In Bangladesh, agriculture is the primary source of income. It has a significant impact on the country's economy. However, agriculture is being hampered these days due to citizens shifting from rural to urban areas. Monitoring environmental factors is not a natural remedy for increasing crop production. Several causes have a significant impact on efficiency. Consequently, to address these issues, agriculture must incorporate automation. A farmer can save time, cost, resources, and energy by using an automated irrigation device. Traditional agricultural irrigation methods necessitate human interference. Human interference can be reduced with automated irrigation technology. This research work has designed and developed a reliable smart farming system (IoT) to reduce farmers' time costs and resources. Our proposed system can detect temperature, detect the moisture level and water level of the agricultural land, and remotely monitor the land crops. The proposed model sort out into four modules: Water Le vel Detection Module (WLDM) always detect the water level to avoid drops destruction; Soil Moisture Detection Module (SMDM) calculate the soil moisture level from the land, if the level goes down its start the water pump; Temperature Detection Module (TDM) is always counting the temperature and humidity of the air if its high then it will start the fan; Cloud and Notification Module (CNM) is handled the user notification through message and remotely monitoring the data of first three modules to take the necessary steps. The result shows the system successfully performed and it can be noted that our proposed can be implemented with any type of environment and agricultural land.
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 ».