Virtual sensors for smart farming: An IoT- and AI-enabled approach
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Smart farming relies on precise environmental data to optimize agricultural practices, with key metrics such as air temperature, humidity, rain, ambient light, ultraviolet (UV) radiation and soil moisture to play a crucial role in agricultural decision-making. However, the vast spatial coverage of agricultural fields and the high cost of deploying numerous physical sensors pose significant challenges, particularly for small and medium-sized farms. To address these issues, virtual sensors—machine learning models that predict sensor values based on data from relevant physical sensors—offer a cost-effective and scalable alternative. In this research, a number of Arduino-based IoT devices are designed and deployed equipped with various physical sensors, a lithium-polymer battery which recharges continuously using a 6 W waveshare solar panel, and a Real-Time Clock (RTC) module that synchronizes data logging. The IoT devices operated across two agricultural fields over a span of almost three months. The data collected form the basis for evaluating multiple machine learning models as virtual sensors. Furthermore, the use of open weather data to develop a hardware-free solution is explored. Experimental results show that virtual sensors provide a cost-effective and accurate method for replacing physical sensors. The Light Gradient Boosting Machine emerged as the most accurate model for virtual sensors, achieving prediction errors of less than 1% in most of the cases. This makes it a valuable tool for enabling cost-effective and data-driven farming in resource-constrained IoT devices. • Development of IoT-based virtual sensors for smart farming applications. • Cost-effective virtual sensors to replace physical sensors in agricultural fields. • Public dataset for training and evaluating machine learning-based virtual sensors. • Open-data integration for hardware-free virtual sensor modeling in agriculture.
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.
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 découle