MétaCan
Menu
Retour à la cohorte
Enregistrement W4405574289 · doi:10.3390/app142411884

Measuring Electromagnetic Properties of Vegetal Soil for Wireless Underground Sensor Networks in Precision Agriculture

2024· article· en· W4405574289 sur OpenAlexaff
Maroua Said, Jaouhar Fattahi, Said Ghnimi, Ridha Ghayoula, Noureddine Boulejfen

Notice bibliographique

RevueApplied Sciences · 2024
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueSoil Moisture and Remote Sensing
Établissements canadiensUniversité de MonctonUniversité Laval
Organismes subventionnairesUniversité de Tunis El ManarUniversité de Tunis
Mots-clésDielectricWireless sensor networkDielectric permittivityCapacitanceSoil moisture sensorPermittivityElectronic engineeringElectrical engineeringMaterials scienceWirelessEnvironmental scienceAcousticsSoil scienceWater contentRemote sensingOptoelectronicsEngineeringComputer scienceTelecommunicationsGeotechnical engineeringGeographyPhysicsComputer network

Résumé

récupéré en direct d'OpenAlex

This research examines and analyzes the measured electromagnetic characteristics of vegetal soil for Wireless Underground Sensor Networks applied to precision agriculture. For this, we used Wireless Underground Sensor Network (WUSN) technology, which consists of sensors that communicate through the soil to collect data on irrigation, such as temperature and humidity, for good plant growth. However, underground communication channels and signal transmission are required to travel through a dense and heterogeneous soil mixture. For the measurement results of the vegetal soil dielectric parameters, a precision domain sensing probe operating at 433 Mhz was used. Moreover, the different choices of capacitance, inductance, and varactor were included, with a reasonable estimation of the dielectric permittivity, ranging from 2 to 15, and an unlimited range of conductivities. Despite promising results in predicting the dielectric permittivities, several improvements were made to the mode for low permittivity values, and it was designed to accommodate a wide range of dielectric permittivities.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,289
Score d'incertitude au seuil0,299

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,020
Tête enseignante GPT0,206
Écart entre enseignants0,186 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueApplied SciencesMême sujetSoil Moisture and Remote SensingTravaux en français237 207