Deep Learning-based Regional Plant Type Recommendation System for Enhancing Agricultural Productivity
Notice bibliographique
Résumé
Recommendation systems serve as pivotal components in the agricultural domain, significantly contributing to global economic growth.One particular application, the recommendation of region-specific plant types, can mitigate losses in unfavorable conditions and optimize yields when growth conditions are ideal.However, accurately identifying the specific parameters of a field location and the diverse characteristics of plant types can pose a challenge.Deep learning has demonstrated efficacy as a predictive model within recommender systems, including those for plant type matching.However, building such models necessitates the identification of optimal solutions, taking into account the complexities of the problem scope and the unique characteristics of the domain.This paper introduces the development of a deep learning model architecture designed to recommend plant types best suited to specific regions.The model was constructed based on an extension of the Convolutional Neural Network (CNN), a deep learning model recognized for its robust pattern recognition capabilities, making it suitable for classification tasks.It has the ability to discern patterns from datasets with a limited number of input features, thus making it an ideal choice for a plant type recommendation system.The Adagrad optimizer was employed for its advantage of partitioning the learning rate into smaller units, which significantly impacts the speed of the training process.Evaluation of this model was undertaken in a two-step process.First, the learning model's performance was assessed using a confusion matrix.Subsequently, the model's functionality was evaluated using real data from a city in Indonesia, investigating its ability to provide relevant recommendations based on the city's unique contextual characteristics.The results demonstrated a substantial accuracy level of 90%, underscoring the model's potential to effectively recommend suitable plant types for specific regional contexts.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».