混合鱼阿基米德基于优化的MLPNN模型用于土壤营养分类和pH预测
Prabavathi Raman1, Balika Joseph Chelliah2
1Department of Computer Science and Engineering, SRM Institute of Science and Technology, Ramapuram Campus, Chennai, India. prabavathi.raman@gmail.com.
Environmental science and pollution research international
|September 29, 2023
概括
一个新的混合鱼阿基米德斯基于优化的多层感知神经网络 (HWAO-MLPNN) 模型准确地分类土壤营养素和pH水平. 这种农业进步改善了土壤的健康,减少了肥料的使用,并提高了农场的利能力.
科学领域:
- 农业科学 农业科学
- 环境科学 环境科学
- 计算机科学 计算机科学
背景情况:
- 土壤肥力和环境因素对于农业生产力和作物质量至关重要.
- 准确预测和分类土壤营养素和pH值水平对于可持续农业至关重要.
研究的目的:
- 为土壤营养和pH分类提出一种新的混合鱼阿基米德斯基于优化的多层感知神经网络 (HWAO-MLPNN) 模型.
- 提高土壤健康,尽量减少有害的肥料应用,改善环境质量,增加农业利.
主要方法:
- 该HWAO-MLPNN模型集成了多层感知神经网络 (MLPNN) 与混合鱼阿基米德优化 (HWAO) 算法.
- 来自村庄的土壤样本分析了关键营养素,如 (P),有机碳 (OC), (B) 和 (K).
- 马拉特瓦达数据集被用于验证,使用准确度,交叉验证准确度,AUC,MSE,G-平均值,精度,特异性和灵敏度等指标.
主要成果:
- HWAO-MLPNN模型实现了高分类精度的pH值 (98.1%) 和土壤营养 (97.9%).
- 交叉验证准确度达到pH分类的98.3%,土壤营养分类的97.9%.
- 该模型在分类土壤属性的现有方法相比显示出更高的性能.
结论:
- HWAO-MLPNN模型为准确地分类土壤营养素和pH水平提供了有效的工具.
- 实施该模型可以显著改善土壤健康和环境质量.
- 准确的分类支持减少肥料使用和提高农业部门的利能力.
更多相关视频
11:53Spatial Multiobjective Optimization of Agricultural Conservation Practices using a SWAT Model and an Evolutionary Algorithm
Published on: December 9, 2012
13.0K
09:44Use of Principal Components for Scaling Up Topographic Models to Map Soil Redistribution and Soil Organic Carbon
Published on: October 16, 2018
10.3K
