An Energy-Efficient LoRa IoT System for Water Monitoring: Lessons Learned and Use Cases
Notice bibliographique
Résumé
With the growing impact of urbanization, indus-trialization, and climate change, monitoring water bodies like lakes, rivers, and reservoirs has become essential for detecting pollutants, managing resources, and preventing environmental hazards. Water monitoring is a critical process that involves continuously assessing water characteristics to ensure the safety and sustainability of water resources. We can develop detection and prediction systems by analyzing the collected data from water bodies over time. However, developing and deploying a reliable water monitoring framework must be investigated and researched. Therefore, this paper presents a water monitoring framework to address the power consumption challenge, which is one of the most important aspects of a remote monitoring system. We designed and implemented a real-time remote water monitoring framework to achieve cost and battery efficiency. We deployed our prototype in a real-world situation and discussed our challenges and limitations. Our system contains three main parts: first, an end device, which is in charge of collecting information from water and transferring the data to the land; second, a gateway placed on shore to connect the end devices to a centralized cloud server; and Finally, a cloud platform for gathering, storing and analyzing the sensor's information. Also, we provided a comprehensive study on power consumption and different end device architectures to reduce power consumption. Finally, we described different use cases of a water monitoring system using low-cost 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 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 ».