Next-Generation Intelligent Prediction Model for Real-Time Soil Nutrients’ Monitoring in Sustainable Farming
Notice bibliographique
Résumé
Soil nutrient content (SNC) is a key factor in plant development, and low soil fertility leads to an uneven distribution of essential nutrients such as Nitrogen (N), Phosphorus (P), and Potassium (K). Hence, developing a nutrient predictive model has become an important area of research. Proper nutrient supplementation is essential to enhance crop yield and improve product quality. This paper proposes a model to estimate Soil Nutrient Content (SNC) using Gradient Descent Algorithm-based Multiple Linear Regression (GDA-MLR) algorithm. The model’s performance is evaluated for predicting SNC in agricultural fields. Additionally, Pearson’s correlation analysis is used to examine the relationship between SNC and factors such as moisture percentage (Mp), pH, and other soil nutrients, aiding in feature selection for the model. Model performance is evaluated using Root Mean Square Error (RMSE), Coefficient of Determination (R<sup xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">2</sup>), Mean Absolute Error (MAE), and Ratio of Prediction to Deviation (RPD). The proposed GDA-MLR model achieved an R<sup xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">2</sup> of 99.97% with urea fertilizer (Nitrogen) application, indicating excellent predictive accuracy. Its low RMSE and high R<sup xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">2</sup> demonstrate superior performance compared to existing models. This makes the model well-suited for both precision and sustainable farming, promoting efficient and eco-friendly agricultural practices.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 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 ».