Development of calibration equations for capacitance sensors to measure soil water content using an IoT-based network
Notice bibliographique
Résumé
Soil Water Content (SWC) plays a vital role in agriculture. Knowledge of SWC helps the farmers understand the crop’s water requirement and achieve a better yield. Due to commercialization, well-developed sensors are expensive for large-scale agriculture. There is a need for low-cost soil sensors to measure SWC precisely with spatial and temporal resolution. Low-cost soil sensors like SEN0193 needed to be calibrated and validated using the gravimetric method to obtain SWC. The SEN0193 sensors were integrated with the raspberry-pi stand-alone system, with mini-controllers (Arduino) to log the data from the sensors. The SEN0193 sensors were tested under a controlled environment with target VWC samples (Sand: 10, 20, 25, 30%, Loam: 10, 20, 30, 40, 50%, Clay: 10, 20, 30, 40%) prepared in the laboratory. The calibration equations were developed and validated both under laboratory and field conditions to find out the accuracy and precision. The SEN193 sensors demonstrated poor precision on fine particle-sized soils such as loam (0.003 m3/m3) and clay (0.003 m3/m3) and moderate precision on sand (0.002 m3/m3). Validation of sensors at different depths of 20 cm and 40 cm during the field study proved that the surface contact of the sensor with soil was affected by the air gap. Each sensor provided a different precision, which confirms the SEN0193 sensor’s fragile nature. A comparison of TEROS T10 sensors with SEN0193 sensors showed that the T10 sensors work with better accuracy and precision. Monitoring the airgap is, a better installation method with careful handling of the SEN0193 sensor could increase its performance. A water uptake pattern study of the canola root zone was conducted using the SEN0193 sensor at the Winkler site. Rainfall and the presence of crops influenced the upward groundwater flux. The shallow groundwater table with saline content adversely affects the crop. Using the sub-surface drainage system to remove the excess water will help the crop to attain a higher yield by limiting the upward flux of saline groundwater.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,002 |
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 ».