Santosh Singh / Shrikant Chavate / Swapnil Ambade
Librería Samer Atenea
Librería Aciertas (Toledo)
Kálamo Books
Librería Perelló (Valencia)
Librería Elías (Asturias)
Donde los libros
Librería Kolima (Madrid)
Librería Proteo (Málaga)
Questo libro esplora l’intersezione tra Machine Learning (ML), Intelligenza Artificiale (AI) e agricoltura, concentrandosi sul miglioramento delle pratiche agricole attraverso soluzioni guidate dai dati. Inizia con una valutazione dei sistemi di fertilizzazione e irrigazione, affrontando le sfide dell’integrazione e i componenti essenziali come i sensori, le interfacce di comunicazione e i meccanismi di fertilizzazione. Il libro evidenzia la difficoltà di selezionare modelli appropriati a causa dell’abbondanza di opzioni, con conseguenti ritardi e costi più elevati. Per risolvere questo problema, confronta i modelli di fertilizzazione e di irrigazione in base a parametri di prestazione come l’accuratezza, il costo, la complessità e la scalabilità. Propone inoltre miglioramenti come la fusione dei modelli per migliorare le prestazioni del sistema e ridurre gli sforzi di validazione. La tesi introduce il framework 'MSMRBEF' per il monitoraggio del suolo, che utilizza l’elaborazione di ensemble bioispirati e algoritmi genetici per raccomandare le colture in base alle condizioni ambientali. Viene presentato il modello 'LEIFMCY', una soluzione a basso costo basata sull’IoT per l’analisi della resa del cotone, che ottimizza la resa delle colture attraverso il monitoraggio del suolo in tempo reale e l’analisi predittiva.
