Nitrous Oxide Emission Prediction Using IoT Soil and Weather Sensor Data
Notice bibliographique
Résumé
Nitrous oxide (N 2 O) is a powerful greenhouse gas (GHG) that has nearly 273 times more global warming potential than carbon dioxide over a 100-year period. By 2030, the Canadian government is requiring Canadian farmers to reduce their synthetic fertilizer-based GHG emissions by one third. Measuring N 2 O emissions is therefore important, but high frequency sampling requires expensive sensing equipment. Therefore, we propose replacing the expensive equipment with an affordable in-field Internet of Things (IoT) sensing device equipped with intelligence to make reasonably accurate N 2 O emission predictions by using only proximal sensor data. We gathered N 2 O emission, weather, and soil sensor data from a smart farm located in Ottawa, Ontario, Canada, during the 2021, 2022, and 2023 growing seasons. We built a soil sensing microprocessor-based prototype. We performed N 2 O emission prediction single-year interpolation (or gap-filling) and multi-year extrapolation experiments using data-driven models. Random forest and long short-term memory (LSTM) were the best performing models at interpolating, achieving 0.70–0.90 and 0.71–0.89 R 2 , respectively. When training models using 2021 data to predict 2022 emissions, reasonable accuracy (up to 0.62 R 2 ) was achieved by the multilayer perceptron model, which was one of the best performing models, alongside LSTM, in these experiments.
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 | 0,001 | 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 | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».