Measuring Photosynthetic Photon Flux Density in the Blue and Red Spectrum for Horticultural Lighting Using Machine Learning Methods
Notice bibliographique
Résumé
This article presents development of a low-cost sensor to measure the light intensity for plant growth, referred to as photosynthetic photon flux density (PPFD), which is a quantum light measurement unit for horticultural LED lighting. The total PPFD is comprised of daylight and supplemental LED lights in the red and blue photosynthesis wavebands with peak wavelengths at 660 and 457 nm, respectively. To this end, a multiwaveband spectral light sensor is utilized along with an accurate spectroradiometer reference sensor for calibration. A comparative study of machine learning-based methods is presented to obtain the sensor coefficients for measuring the PPFD, indicating that the decision tree and random forest models exhibit low mean absolute percentage errors (MAPEs) of 0.01%–0.88% for red and blue channels, respectively; but may lead to data over-fitting in real-time applications because of their complexity. However, the simple multilinear regression method yields MAPEs of 0.98% and 0.84% for red and blue channels, respectively, which may be better suited for real-time applications. As a use-case scenario, the calibrated PPFD sensor was experimentally tested on a hydroponic testbed located inside a greenhouse facility. The system was exposed to natural and supplemental light emitting diode (LED) lighting, in the blue and red light spectra, under a daylighting feedback control scheme. Experiments demonstrate that daily light integral (DLI) values with less than 20% tracking errors can be achieved on the blue and red channels using the calibrated sensors.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».