Despite the perception people may have regarding the agricultural process, the reality is that today's agriculture industry is data-centered, precise, and smarter than ever.The rapid emergence of the Internet-of-Things (IoT) based technologies redesigned almost every industry including ''smart agriculture'' which moved the industry from statistical to quantitative approaches.Such revolutionary changes are shaking the existing agriculture methods and creating new opportunities along a range of challenges.This article highlights the potential of wireless sensors and IoT in agriculture, as well as the challenges expected to be faced when integrating this technology with the traditional farming practices.IoT devices and communication techniques associated with wireless sensors encountered in agriculture applications are analyzed in detail.What sensors are available for specific agriculture application, like soil preparation, crop status, irrigation, insect and pest detection are listed.How this technology helping the growers throughout the crop stages, from sowing until harvesting, packing and transportation is explained.Furthermore, the use of unmanned aerial vehicles for crop surveillance and other favorable applications such as optimizing crop yield is considered in this article.State-of-the-art IoT-based architectures and platforms used in agriculture are also highlighted wherever suitable.Finally, based on this thorough review, we identify current and future trends of IoT in agriculture and highlight potential research challenges.

A novel unified framework of geometry-based stochastic models for the fifth generation (5G) wireless communication systems is proposed in this paper. The proposed general 5G channel model aims at capturing small-scale fading channel characteristics of key 5G communication scenarios, such as massive multiple-input multiple-output, high-speed train, vehicle-to-vehicle, and millimeter wave communications. It is a 3-D non-stationary channel model based on the WINNER II and Saleh-Valenzuela channel models considering array-time cluster evolution. Moreover, it can easily be reduced to various simplified channel models by properly adjusting model parameters. Statistical properties of the proposed general 5G small-scale fading channel model are investigated to demonstrate its capability of capturing channel characteristics of various scenarios, with excellent fitting to some corresponding channel measurements.

This paper proposes a novel non-stationary wideband multi-confocal ellipse two dimensional (2-D) channel model for massive multiple-input multiple-output (MIMO) communication systems. Spherical wavefront is assumed in the proposed channel model, instead of the plane wavefront assumption used in conventional MIMO channel models. In addition, the birth-death process is incorporated into the proposed model to capture the dynamic properties of clusters on both the array and time axes. Statistical properties of the channel model such as the space-time-frequency correlation function and power imbalance on the antenna array are studied. The impact of the spherical wavefront assumption on the statistical properties of the channel model is investigated. Furthermore, numerical analysis shows that the proposed channel model is able to capture specific characteristics of massive MIMO channel as observed in measurements.

This paper proposes a novel theoretical non-stationary three dimensional (3-D) wideband twin-cluster channel model for massive multiple-input multiple-output (MIMO) communication systems with carrier frequencies on the order of gigahertz (GHz). As the dimension of antenna arrays cannot be ignored for massive MIMO, near field effects instead of far field effects are considered in the proposed model. These include the spherical wavefront assumption and a birth-death process to model non-stationary properties of clusters such as cluster appearance and disappearance on both the array and time axes. Their impacts on massive MIMO channels are investigated via statistical properties including correlation functions, condition numbers, and angular power spectra. Additionally, the impact of elevation angles on correlation functions is discussed. A corresponding simulation model for the theoretical model is also proposed. Finally, numerical analysis shows that the proposed channel models are able to serve as a design framework for massive MIMO channel modeling.

Porous nanoparticles mark a significant stride toward achieving miniaturization and harnessing nanoscale properties that nature has employed for eons. Today's chemists have transcended the role of mere observers of matter; they're now empowered to manipulate and engineer novel materials, tailoring them with precise physicochemical attributes. This transition has unlocked opportunities to craft materials with intentional properties, mirroring the efficiencies and functionalities naturally evolved over millions of years. Among them, porous nanostructures based on metals have become promising materials for next generation of electrochemical devices for energy harvesting purpose due to their outstanding characteristics at the nanoscale, such as tunable surface area and surface chemistry and strong stability under operations. The performance of porous nanostructure‐based materials and devices is mainly governed by the surface structure, composition, size, defects, and the state of their interfaces. Here, some of the important nanoporose structures synthesis methods and the fundamental science behind structure formation and modification during synthesis process and their applications in the fields of electrochemical energy harvesting are presented and discussed. Future perspectives and challenges are highlighted to demonstrate the prominence of porose nanostructures and the importance of surface engineering in next‐generation energy harvesting applications.

Network security is crucial in today's digital world, since there are multiple ongoing threats to sensitive data and vital infrastructure. The aim of this study to improve network security by combining methods for instruction detection from machine learning (ML) and deep learning (DL). Attackers have tried to breach security systems by accessing networks and obtaining sensitive information.Intrusion detection systems (IDSs) are one of the significant aspect of cybersecurity that involve the monitoring and analysis, with the intention of identifying and reporting of dangerous activities that would help to prevent the attack.Support Vector Machine (SVM), K-Nearest Neighbors (KNN), Random Forest (RF), Decision Tree (DT), Long Short-Term Memory (LSTM), and Artificial Neural Network (ANN) are the vector figures incorporated into the study through the results. These models are subjected to various test to established the best results on the identification and prevention of network violation. Based on the obtained results, it can be stated that all the tested models are capable of organizing data originating from network traffic. thus, recognizing the difference between normal and intrusive behaviors, models such as SVM, KNN, RF, and DT showed effective results. Deep learning models LSTM and ANN rapidly find long-term and complex pattern in network data. It is extremely effective when dealing with complex intrusions since it is characterised by high precision, accuracy and recall.Based on our study, SVM and Random Forest are considered promising solutions for real-world IDS applications because of their versatility and explainability. For the companies seeking IDS solutions which are reliable and at the same time more interpretable, these models can be promising. Additionally, LSTM and ANN, with their ability to catch successive conditions, are suitable for situations involving nuanced, advancing dangers.