SVM Prediction Model Interface for Plant Contaminates
Notice bibliographique
Résumé
In today's time, our nature is fighting against many life-threatening problems which can even threaten the existence of life on the Earth. Pollution is one of the deadliest problems among them. It is caused primarily by means of air, water and land but air pollution is the most severe and dreadful among them. It is caused by introduction of toxic substances like oxides of Sulphur, nitrogen and carbon into the atmosphere making it unfit for living beings. Along with humans, plants have also become a victim to it, and this fact is mostly ignored. A model has been designed to predict the effect of pollution on plants. Image samples of 5 Indian oxygen rich plants namely Ocimum Tenuiflorum, Sansevieria Trifasciata, Chlorophytum Comosum, and Azadirachta Indica have been taken for analysis and various properties like shape, color, corners and texture of the plants were considered from these input RGB images. As a consequence of these properties and the pollution index value, certain calculations have been performed and the results are compared with the threshold values. Based on the range in which the calculated results lie, the plants will be categorized into a category which depicts the severity level of pollution in the environment. After applying the model on the images, a dataset was prepared and SVM classification model has been trained on it which predict with an accuracy of 85%. It has been presented in the form of an interactive user interface to predict the effect of pollution on plants. Plants are an integral part of nature and should not be ignored.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 ».