Development of a Low-Cost and Modular Vertical Farming Rig for Sustainable Farming Process
Notice bibliographique
Résumé
Vertical farming is a method of cultivating crops in a controlled environment using a vertical farming rig.This rig automates, monitors, and controls the growing conditions, creating a microclimate that maximizes crop production.The steel cuboid enclosure, constructed with sustainable and locally sourced materials, benefits from the utilization of technical drawings and 3D modeling, ensuring precision and accuracy in its fabrication.The monitoring and control devices like the Raspberry PI Model B with other microcontrollers and IoT (Internet of Things) devices such as sensors and actuators are responsible for automating the vertical farm remotely.The intelligent camera plays a crucial role in a vertical farming system by capturing data and transmitting it to the microprocessor, enabling the optimization of operations within the vertical farm.Different crops, particularly those with fast growth rates responded differently to the vertical farm's automated system.Crop production on the vertical farm produced more growth from the sprouting stage to the seedling stage than traditional farming.The Nutrient Film Technique (NFT), a hydroponics method, was employed for the delivery of the water-nutrient solution containing NPK, ensuring optimal plant growth and maintenance.In comparison to traditional farming, the NFT approach utilized in the vertical farm produced higher levels of oxygen, good water-nutrient absorption, and cleaner crop yields.The results of this project demonstrate the potential for implementing low-cost, modular vertical farms in households, providing a sustainable and efficient means of crop production through advanced monitoring systems and mechanical drives.
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 ».