AI-Driven Optimization for Urban and Vertical Agriculture Planning: A Multi-Model Approach
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
Urban agriculture has emerged as a critical strategy for enhancing food security, mitigating urban heat islands, and promoting community well-being in densely populated areas. However, the complexity of urban environments poses significant challenges for effective planning and implementation. This paper presents an AI-driven framework to optimize urban and vertical agriculture planning by leveraging advanced machine learning models, including Artificial Neural Networks (ANN), Spiking Neural Networks (SNN), and Large Language Models (LLM). The proposed framework integrates diverse dataset that includes as socioeconomic data, geographic information, and urban zoning regulations to provide actionable insights for decision-makers. The Spiking Neural Network model demon-strated superior predictive accuracy in identifying optimal sites for urban agriculture by effectively handling complex patterns and temporal dynamics in the data. Additionally, the integration of an LLM-powered chatbot into a user-friendly web application enhances interactivity and supports real-time decision-making, guiding users through the prediction process with context-specific recommendations. Experimental results validate the robustness and scalability of the framework across various urban settings, demonstrating its potential to transform urban agriculture practices by providing precise, data-driven recommendations. The findings of this study highlight the transformative potential of AI in urban planning and agriculture, offering a novel approach to fostering sustainable urban development and food security. Future research will focus on expanding the dataset, refining model performance, and enhancing the application's capabilities to support more complex user queries.
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