AI and machine learning for soil analysis: an assessment of sustainable agricultural practices
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.
Notice bibliographique
Résumé
Sustainable agricultural practices help to manage and use natural resources efficiently. Due to global climate and geospatial land design, soil texture, soil-water content (SWC), and other parameters vary greatly; thus, real time, robust, and accurate soil analytical measurements are difficult to be developed. Conventional statistical analysis tools take longer to analyze and interpret data, which may have delayed a crucial decision. Therefore, this review paper is presented to develop the researcher's insight toward robust, accurate, and quick soil analysis using artificial intelligence (AI), deep learning (DL), and machine learning (ML) platforms to attain robustness in SWC and soil texture analysis. Machine learning algorithms, such as random forests, support vector machines, and neural networks, can be employed to develop predictive models based on available soil data and auxiliary environmental variables. Geostatistical techniques, including kriging and co-kriging, help interpolate and extrapolate soil property values to unsampled locations, improving the spatial representation of the data set. The false positivity in SWC results and bugs in advanced detection techniques are also evaluated, which may lead to wrong agricultural practices. Moreover, the advantages of AI data processing over general statistical analysis for robust and noise-free results have also been discussed in light of smart irrigation technologies. Conclusively, the conventional statistical tools for SWCs and soil texture analysis are not enough to practice and manage ergonomic land management. The broader geospatial non-numeric data are more suitable for AI processing that may soon help soil scientists develop a global SWC database.
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 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 | 0,001 |
| 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 découle