Optimizing Lettuce Crop Yield Prediction in an Indoor Aeroponic Vertical Farming System Using IoT-Integrated Machine Learning Regression Models
Notice bibliographique
Résumé
The rise in agricultural innovation has led to the use of sustainable farming practices, such as aeroponics, which increase crop production.Aeroponics, a soil-free indoor precision farming system, cultivates crops using vertical towers, garnering global attention for its environmentally friendly and productive cultivation methods.Aeroponic systems can grow lettuce, a popular green-leafy vegetable, quickly and with minimal water usage.However, yield prediction is a tedious task in real-world scenarios.To efficiently predict lettuce yield, various scientific experiments have integrated IoT and machine-learning techniques.This research work utilized various machine-learning regression models, including linear, support vector, random forest, and XGBoost, to estimate lettuce yield based on specific growth parameters such as pH, EC, temperature, total dissolved salts (TDS), turbidity, humidity and light.After implementation, the results showed a high prediction accuracy of 93% and minimal error rates produced by the XGBoost regression model when compared with the other regression models.Further, fine-tuning the model parameters enhanced the XGBoost model's performance, enhancing its generalization capability to handle new realtime data.This indicates that optimizing the lettuce yield involves not only using indoor aeroponic farming methods but also utilizing advanced sustainable food production systems.
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 | 0,001 |
| 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 | 0,001 |
| 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 ».