Monitoring of a Productive Blue-Green Roof Using Low-Cost Sensors
Notice bibliographique
Résumé
Considering the rising concern over climate change and the need for local food security, productive blue-green roofs (PBGR) can be an effective solution to mitigate many relevant environmental issues. However, their cost of operation is high because they are intensive, and an economical operation and maintenance approach will render them as more viable alternative. Low-cost sensors with the Internet of Things can provide reliable solutions to the real-time management and distributed monitoring of such roofs through monitoring the plant as well soil conditions. This research assesses the extent to which a low-cost image sensor can be deployed to perform continuous, automated monitoring of a urban rooftop farm as a PBGR and evaluates the thermal performance of the roof for additional crops. An RGB-depth image sensor was used in this study to monitor crop growth. Images collected from weekly scans were processed by segmentation to estimate the plant heights of three crops species. The devised technique performed well for leafy and tall stem plants like okra, and the correlation between the estimated and observed growth characteristics was acceptable. For smaller plants, bright light and shadow considerably influenced the image quality, decreasing the precision. Six other crop species were monitored using a wireless sensor network to investigate how different crop varieties respond in terms of thermal performance. Celery, snow peas, and potato were measured with maximum daily cooling records, while beet and zucchini showed sound cooling effects in terms of mean daily cooling.
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 | 0,001 |
| 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 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 ».