IoT-based Dataset of a Tomato Cultivation Under Different Irrigation Regimes
Notice bibliographique
Résumé
This experimental dataset contains IoT-based data collected through Long Range Wide Area Network (LoRaWAN) commercial devices in a tomato (Solanum lycopersicum L. cv. HEINZ 1301) cultivation located at the “Azienda Sperimentale Stuard” in Parma, Italy (lat: 44.80787, lon: 10.27467), and data generated by the Agriware platform. More in detail, the IoT-based irrigation system located in the “Azienda Sperimentale Stuard” to manage the watering of the tomato crop has been organized with 3 experimental lines associated with 3 different watering regimes: (i) Line #1 was irrigated with a water quantity equal to the recommendation of the Italian “Irriframe” platform (https://www.irriframe.it/); (ii) Line #2 was irrigated with a water quantity equal to the 60% of Line #1; (iii) Line #3 was irrigated with a water quantity equal to the 30% of Line #1. The dataset is composed of 4 CSV files. Three of these files contain the following information, generated by IoT devices (environmental sensor, water meters, and soil sensors) and sampled every 10 minutes: timestamp; device identifier; air moisture and temperature; carbon dioxide (CO2) level; barometric pressure; battery percentage; tomato line identifier; water volume; soil electrical conductivity, moisture, and temperature. The remaining CSV file contains daily values of agronomic indicators, calculated through the Agriware platform mainly using the average daily air temperature values, such as: the daily values of Growing Degree Days (GDD) and Heat Units (namely: standard day degree, daily mean temperature, daily maximum temperature above T_base, daily maximum temperature, daily maximum temperature above T_base with reduction of T_cutoff, Ontario units.) A complete description of the CSV file can be found in the README.txt file. The dataset has been generated in the context of the following two projects: (i) Agritech - “National Research Centre for Agricultural Technologies,” project code CN00000022, funded under the National Recovery and Resilience Plan (NRRP), Mission 4 Component 2 Investment 1.4 - Call for tender no. 3138 of 16/12/2021 of Italian Ministry of University and Research funded by the European Union – NextGenerationEU, Concession Decree no. 1032 of 17/06/2022 adopted by the Italian Ministry of University and Research; and (ii) SMALLDERS - “Smart Models for Agrifood Local vaLue chain based on Digital technologies for Enabling covid-19 Resilience and Sustainability,” co-funded by the PRIMA Program - Section 2 Call multi-topics 2021, through the following National Authorities: Ministry of Universities and Research (MUR, Italy), State Research Agency (AEI, Spain), Agence Nationale de la Recherche (ANR, France), Ministry of Higher Education and Scientific Research (Tunisia). The dataset reflects only the authors’ views; the European Commission is not responsible for any use that may be made of the information it contains.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| 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 | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,006 |
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 ».