Applications of Artificial Intelligence Methods for Irrigation Water Quality Index: Review
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
The irrigation water quality index (IWQI) is utilized to quantify the suitability of water for growing crops.Irrigation water quality is important because it affects soil properties, plant growth, and agricultural production.The IWQI is calculated to reduce complex water quality data to a single number index to make it easier for decision-makers, researchers, and farmers to evaluate whether the water is appropriate for applying irrigation.When determining the IWQI, several parameters must be taken into consideration, including sodium absorption ratio (SAR), electrical conductivity (EC), pH levels, and concentrations of sulfates, chlorides, bicarbonates, and heavy metals that may be toxic to crops.The IWQI is calculated using these parameters, where a higher IWQI score indicates that irrigation is appropriate due to the water quality.This study reviewed previous studies that discussed artificial intelligence (AI) algorithms from 2016 to 2024 to predict the IWQI.Researchers have turned to artificial intelligence techniques to estimate and predict IWQI instead of traditional methods such as linear regression.Traditional methods have limitations, including a reliance on large sample sizes to achieve high accuracy and reduce errors.Also, large sample sizes require laboratory tests that demand more time, effort and cost.Small sample sizes, on the other hand, often result in inaccurate outcomes, making them unreliable.In addition, traditional methods cannot handle missing or non-linear data and lack the ability to learn from new data for improved accuracy.As for artificial intelligence (AI) algorithms, significant amounts of data are collected in real-time using geographic information systems, remote sensing devices, or other automated systems.These data are processed faster, more accurately, and efficiently, and complex patterns and relationships that may need to be clarified using traditional methods are identified.
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 | 0,002 | 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