MétaCan
Menu
Retour à la cohorte
Enregistrement W3138631854 · doi:10.28924/2291-8639-19-2021-91

Soil Quality Prediction for Determining Soil Fertility in Bhimtal Block of Uttarakhand (India) Using Machine Learning

2020· article· en· W3138631854 sur OpenAlex

Pourquoi ce travail est dans la base

Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.

venuePublié dans une revue dont le pays d'attache est le Canada.
no affAucune affiliation canadienne : ce travail est invisible pour une base fondée sur la seule affiliation.
Aucune affiliation canadienne. Une base fondée sur la seule affiliation (le devis habituel) n'aurait jamais vu ce travail. C'est l'un des travaux qui justifient l'inversion de la base.

Notice bibliographique

RevueInternational Journal of Analysis and Applications · 2020
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueSoil and Land Suitability Analysis
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésSoil fertilityAgricultureSoil qualityEnvironmental scienceAgricultural engineeringNutrientSoil carbonMathematicsSoil testAgronomyAgroforestryGeographySoil scienceSoil waterEngineeringBiologyEcology

Résumé

récupéré en direct d'OpenAlex

Agriculture plays a vital role in the Indian economy. The growth of agriculture sector is based on the type of gift we have got from the nature. It varies state to state, district to district, taluka to taluka, block to block and even village to village. This study is confined to Bhimtal block of Nainital district. The main purpose of agriculture is growing crops and raising livestock. In order to grow the crops several types of agri-inputs are required, among them fertile lands have the great significance in crop cultivation. As far as fertile land is concerned it solely depends on the quality of the soil in terms of producing the nutrients for the crops. The available nutrients present in soil can be evaluated and measured by soil testing tools. The appropriate quantity of soil nutrients supplied to the soil can also be determined by this tool. The quantity of supplied nutrients is based on soil fertility and crop needs. In this study we have classified different soil features such as OC (Organic Carbon), P (Phosphorus), K (Potassium), Mn (Magnesium) and B (Boron). In order to make meaningful inferences and estimates, machine learning techniques especially ANN network with two activation functions relu and tanh are used in this study. For categorizations and predictions we have used village wise soil test report values. This kind of practice will not only help stakeholders to mitigate the expenditure of continuously supplying fertilizers to soil but it would also be cost effective, less time consuming and more profitable for stakeholders. In this regard data was complied, classified, tabulated, presented, analyzed and it can be seen that relu activation function has ensured higher accuracy over tanh activation function. It is expedient and necessary to mention here that out of the five classified soil nutrient parameters relu activation function has shown better performance in respect of four classified soil nutrient parameters while tanh gave better performance in only one classified soil nutrient parameter.

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.

Prédiction distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,305
Score d'incertitude au seuil0,263

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,027
Tête enseignante GPT0,301
Écart entre enseignants0,273 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle