An Agile AI and IoT-Augmented Smart Farming: A Cost-Effective Cognitive Weather Station
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Internet of Things (IoT) can be seen as the electricity of 21st century. It has been reshaping human life daily during the last decade, with various applications in several critical domains such as agriculture. Smart farming is a real-world application in which Internet of Things (IoT) technologies like agro-weather stations can have a direct impact on humans by enhancing crop quality, supporting sustainable agriculture, and eventually generating steady growth. Meanwhile, most agro-weather solutions are neither customized nor affordable for small farmers within developing countries. Furthermore, due to the outdoor challenges, it is often a challenge to develop and deploy low-cost yet robust systems. Robustness, which is determined by several factors, including energy consumption, portability, interoperability, and system’s ease of use. In this paper, we present an agile AI-Powered IoT-based low-cost platform for cognitive monitoring for smart farming. The hybrid Multi-Agent and the fully containerized system continuously surveys multiple agriculture parameters such as temperature, humidity, and pressure to provide end-users with real-time environmental data and AI-based forecasts. The surveyed data is ensured through several heterogeneous nodes deployed within the base station and in the open sensing area. The collected data is transmitted to the local server for pre-processing and the cloud server for backup. The system backbone communication is based on heterogeneous protocols such as MQTT, NRF24L01, and WiFi for radio communication. We also set up a user-friendly web-based graphical user interface (GUI) to support different user profiles. The overall platform design follows an agile approach to be easy to deploy, accessible to maintain, and continuously modernized.
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.
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 | 0,001 |
| 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 découle