1,721,303 research outputs found
GREENHOUSE ENVIRONMENT SIMULATION
No full textLa comprensione della complessità e del comportamento dinamico del microclima in serra è di estrema importanza tra gli operatori del settore. Al fine di fornire uno strumento flessibile, è stato sviluppato un software dal titolo GREENHOUSE ENVIRONMENT SIMULATION in ambiente operativo Excel® per simulare, con integrazione numerica, i principali parametri che descrivono l’ambiente confinato interno, seguendo i principi del bilancio di massa e di energia.
Un sistema di tre equazioni differenziali è stato integrato numericamente con un passo di 12,5 secondi (oppure 2,5 secondi) tramite una funzione implementata da un componente aggiuntivo chiamato “ Xnumbers Excel® Addin”, un software gratuito di Leonardo Volpi; nella fattispecie la funzione è la Predictor-Corrector P(CE)2 dello schema di 4° ordine di Adams-Bashforth_Moulton.
La soluzione del complesso di equazioni e di input dei parametri si avvale del VBA (Visual Basic for Applications, un ambiente di sviluppo inserito all’interno di tutti gli applicativi di Microsoft Office), che è un linguaggio di scripting nella applicazione Excel. I principali oggetti di questo linguaggio sono subroutine e funzioni. La subroutine, chiamata anche procedura o macro, esegue automaticamente un insieme di operazioni, nella cartella, foglio o cella selezionate al momento del lancio o della scelta tramite apposito ‘Bottone di comando’.
Il simulatore GHES calcola approssimazioni realistiche del comportamento dinamico degli ambienti confinati quali le serre, con diverse configurazioni di progetto e strategie operative, avendo come base di simulazione periodi di 24 ore. Inoltre, consente agli utenti di impostare nuovi parametri delle caratteristiche della serra e delle piante, e consente, agli utenti esperti, anche di cambiare l'algoritmo di controllo della ventilazione, cioè la logica che governa il controllo delle aperture, del riscaldamento/raffrescamento, della illuminazione, della fertilizzazione carbonica, della apertura degli schermi, e di molti altri parametri, al fine di creare un microclima favorevole allo sviluppo ed accrescimento delle specie vegetali
Concimazione di precisione nelle colture ortoflorovivaistiche.
No full textL’uso di Cal-Fert consente di automatizzare il calcolo del piano di concimazione e fornisce informazioni utili per decidere il momento opportuno di somministrazione del fertilizzante per mantenere la concentrazione del nutriente nel suolo più vicino possibile alla concentrazione minima ottimale. Permette, in alcuni casi, di non utilizzare concimi senza modifi care la produzion
Piano di concimazione: automatizzato è più efficiente
No full textL’uso di Cal-Fert consente di automatizzare il calcolo del piano di concimazione e fornisce informazioni utili per decidere il momento opportuno di somministrazione del fertilizzante per mantenere la concentrazione del nutriente nel suolo più vicino possibile alla concentrazione minima ottimale. Permette, in alcuni casi, di non utilizzare concimi senza modifi care la produzion
Fertirrigazione delle orticole: cosa sapere per farla al meglio.
No full textAPPROCCI METODOLOGICI, FORMULE E TECNOLOGIE DISPONIBIL
Analizzare l’estratto acquoso per fertirrigare al meglio.
No full textL’analisi dell’estratto acquoso del terreno permette di «tarare» con effi cacia la soluzione nutritiva: in commercio esistono già dei kit rapidi e on line sono disponibili dei software gratuiti per facilitare gli intervent
Ciclo chiuso, come gestirlo
No full textRisparmia acqua e fertilizzanti, ma ci sono possibili difficoltà sul rifornimento di nutrienti e sulle malattie radicali. Le soluzioni a ciò esistono, anche se non sempre sono convenienti
Learning from Data to Optimize Control in Precision Farming
Full text linkPrecision farming is one way of many to meet a 55 percent increase in global demand for agricultural products on current agricultural land by 2050 at reduced need of fertilizers and efficient use of water resources. The catalyst for the emergence of precision farming has been satellite positioning and navigation followed by Internet-of-Things, generating vast information that can be used to optimize farming processes in real-time. Statistical tools from data mining, predictive modeling, and machine learning analyze patterns in historical data, to make predictions about future events as well as intelligent actions. This special issue presents the latest development in statistical inference, machine learning, and optimum control for precision farming
Estimation of hydraulic properties of growing media with a one-step outflow technique
No full textAn application of the improved iterative method for the simultaneous deter-mination of the hydraulic properties of growing media using the one-step experiment is described for highly porous media. Substrate hydraulic properties were character-ized by the Brooks and Corey equation for water retention, and by the Kozeny power equation for hydraulic conductivity. The iterative procedure has been tested with a particular class of growing media generally used for container plant cultivation, represented by pure peat, pumice, and a 25:75 Peat:Pumice mix. The previously optimized One-Step method with Peat:Pumice ratio in the range from 1:0 to 1:1, was tested on five replications over the new range from 1:3 to 0:1. By analyzing the mean cumulative outflow curves recorded versus time, an estimation of hydraulic functions was derived. Estimated water retention was compared with nine experimental data¬sets and with estimation by the Van Genuchten model. Normalizing the saturated water content, the two models overlap except for the “wet” range near saturation. Estimated hydraulic conductivity was compared with the estimation derived from the Van Genuchten-Mualem equation involving 3 and/or 4-parameter analysis. Compar¬isons showed a good similarity between model estimations
- …
