AQUAFOLIA: Low-Cost IoT Framework for Real-Time Monitoring and Predictive Management in Aquaponics
Notice bibliographique
Résumé
Aquaponics has become a promising solution for sustainable and efficient food production, but its success depends greatly on proper monitoring and maintenance of water quality. Traditional manual testing methods are often slow, laborious, and prone to human error, creating the need for an automated and dependable system. To address this, the study introduces AQUAFOLIA, an Internet of Things (IoT) based framework designed to monitor and manage aquaponics systems in real time. The model continuously tracks essential water quality parameters and provides predictive insights to enhance performance. It uses affordable sensors connected to an Arduino UNO microcontroller, supported by an ADS1115 ADC for improved accuracy. Data collected from the sensors are sent to the ThingSpeak cloud platform for analysis and visualization. Hardware simulations were carried out using Proteus 8 Professional, while communication stability was verified through VSPE. The results confirmed successful integration of sensors, reliable data transmission, and accurate cloud monitoring. Measurements of pH (1.60-1.66), dissolved oxygen ($1.72-1.77 \mathrm{mg} / \mathrm{L}$), electrical conductivity $(1.68-1.73 \mathrm{mS} / \mathrm{cm})$, and temperature $\left(14-22{ }^{\circ} \mathrm{C}\right)$ stayed within optimal operational ranges. Interactive dashboards were developed to visualize control processes, parameter changes, time series trends, and historical data, emphasizing the system’s predictive capability. Along with monitoring, AQUAFOLIA also supports yield prediction, harvest planning, and species recommendations.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 ».