Evaluation of Distributed Sensor Configurations for Rainwater Harvesting Monitoring Systems
Notice bibliographique
Résumé
Abstract Increasing risk of water scarcity in Mexico City has led to expansion of the practice of rainwater harvesting (RWH). However, it remains difficult to assess the benefits of the increased number of installations due to uncertainty in new users’ propsensity towards long-term adoption of these systems. This research proposes the use of sensors to aid in the study of RWH system adoption. A challenge that has presented itself in the instrumentation of RWH systems is the cost-effective collection of data from multiple sources that are physically separate at a common ‘gateway’ node for transmission. This study presents and evaluates three potential approaches to solving this problem: (1) the use of wires to connect sensors to the gateway node, (2) the use of LoRa-enabled wireless nodes configured in a self-organizing mesh network, and (3) LoRa-enabled nodes configured in a star network topology. An analysis of the cost of each configuration was performed, indicating that the wired system ($330.9 USD) was notably cheaper than the wireless options (> $425.3 USD) due to the expense of multiple LoRa radios. However, the potential cost saving advantage of LoRa mesh nodes sharing a network between households allows for the possibility of a per-household deployment cost even cheaper than the wired system. A qualitative analysis also explores the substantial limitations of the wired system due to challenges in its installation.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».