Precision farming practices with data-driven analysis and machine learning-based crop and fertiliser recommendation system
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
Agriculture forms a major occupation in countries like India. More than 75% people rely on farming for their daily wages. Food security on a global scale is mostly dependent on agriculture. Hence, achieving good yield in the crops grown by farmers is the major concern. Various environmental factors have a significant impact on the crop yield. One such component that contributes majorly to the crop yield is soil. Due to urbanization and enhanced industrialization, the agricultural soil is getting contaminated, losing fertility, and hindering the crop yield. One exciting new way to maximise crop yields while decreasing input costs is precision farming, which makes use of machine learning (ML) and the IoT. Machine Learning (ML) is employed for agricultural data analysis. The goal of this research is to optimise agricultural practices by presenting an integrated crop and fertiliser recommendation system. The proposed ML based model “Precision Agriculture” aims at predicting the suitable crops that can be grown based on the class which the soil sample belongs to and suggests the fertilizers that can be used to further enhance the fertility of soil. Using proposed model, farmers can make decisions on which crop to grow based on the soil classification and decide upon the nitrogen–phosphorous– potassium (NPK) fertilizers ratio that can be used. Comparison of the SVM algorithm with Naive Bayes, and LSTM has shown that SVM performed with a higher accuracy. Decision support tools that integrate AI and domain knowledge are provided by the study, which is a substantial contribution to precision agriculture.
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 | 0,000 |
| 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 découle