INVESTIGATION ON THE IMPACT OF IoT AND MACHINE LEARNING IN URBAN PLANNING AND STRATEGIES FOR SUSTAINABLE COMMUNITY DEVELOPMENT
Notice bibliographique
Résumé
Abstract The present study is intended to model rice field to optimize the water management practices using Artificial Intelligence techniques to predict more Realtime effective rain and irrigation water requirements for rice. Results of the study indicate that the merit of predictive analytics for improving irrigation efficiency, and also combine predictions of irrigation demand using Artificial Neural Networks (ANN), Long Short-Term Memory (LSTM), Recurrent Neural Networks (RNN) and Support Vector Machines (SVM) for various ML models. These models use data coming from temperature, humidity, and water level sensor that are deployed in paddy agriculture fields to forecast the crop irrigation needs. Taking all the factors into account, the results indicate that both the ANN and LSTM models can predict accurately with high percentage of precision, recall and F1 scores for water needs. In addition to this property, the ML-based systems are highly scalable and flexible in nature which allows it to be widely used in various crops and regions of farming. However, this research certainly underscores the need for data-driven advances to tackle some of the global challenges in agriculture around climate change and water shortage. Using the technology, we can interpret data that will deliver actionable insights around water conservation to increase efficiency and sustainability for farmers. It will be important to build on these systems, over time, with ongoing research and innovation, to continue advancing these systems and to rapidly respond to new threats, while also to increase the utility of digital approaches to food security informatics.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 source (Gemma direct ou Codex distillé), 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 ».