A review on the applications of machine learning and deep learning in agriculture section for the production of crop biomass raw materials
Notice bibliographique
Résumé
The application of biomass, as an energy resource, depends on four main steps of production, pre-treatment, bio-refinery, and upgrading. This work reviews Machine Learning applications in the biomass production step with focusing on agriculture crops. By investigating numerous related works, it is concluded that there is a considerable reviewing gap in collecting the applications of Machine Learning in crop biomass production. To fill this gap by the current work, the origin of biomass raw materials is explained, and the application of Machine Learning in this section is scrutinized. Then, the kinds and resources of biomass as well as the role of machine learning in these fields are reviewed. Meanwhile, the sustainable production of farming-origin biomass and the effective factors in this issue are explained, and the application of Machine Learning in these areas are surveyed. Summarily, after analysis of numerous papers, it is concluded that Machine Learning and Deep Learning are widely utilized in crop biomass production areas to enhance the crops production quantity, quality, and sustainability, improve the predictions, decrease the costs, and diminish the products losses. According to the statistical analysis, in 19% of the studies conducted about the application of Machine Learning and Deep Learning in crop biomass raw materials, Artificial Neural Network (ANN) algorithm has been applied. Afterward, the Random Forest (RF) and Super Vector Machine (SVM) are the second and third most-utilized algorithms applied in 17% and 15% of studies, respectively. Meanwhile, 26% of studies focused on the applications of Machine Learning and Deep Learning in the sugar crops. At the second and third places, the starchy crops and algae with 23% and 21% received more attention of researchers in the utilization of Machine Learning and Deep Learning techniques.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,005 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,004 |
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 source (Gemma direct ou Codex distillé), 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 ».