Wyniki wyszukiwania - BazTech

Ograniczanie wyników

2 Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska

2 2024

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Sortuj według:

Ogranicz wyniki do:

Identification of salt-affected soils in the coastal area Of Krishna District, Andhra Pradesh, using remote sensing data and machine learning techniques

Anuradha Govada, Chivukula Venkata Sai Sankara Vineeth, Kothagundla Naga Ganesh

Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska

2024

T. 14, nr 2

83--88

In agricultural soil analysis, the challenge of soil salinization in regions like Krishna District, Andhra Pradesh, profoundly impacts soil health, crop yield, and land usability, affecting approximately 77,598 hectares of land. To address this issue, three machine learning algorithms are compared for classifying salinity levels in the coastal area of Krishna district, Machilipatnam. This study utilizes Landsat-8 images from 2014 to 2021, correcting for cloud cover and creating a true-color composite. The study area is defined and visualized. Twelve indices, derived from Landsat imagery, are incorporated into the analysis. These indices, including spectral bands and mathematical expressions, are added as image bands. The median of these indices is calculated, and sample points representing both non-saline and saline areas are used for supervised machine learning. The data is divided into two sets: training and validation. The study evaluates Random Forest, Classification and Regression Trees, and Support Vector Machines for classifying soil salinity levels using these indices. The RF algorithm produced an accuracy of 92.1%, CART produced 91.3%, and SVM produced 86%. Results are displayed on the map, representing predicted salinity levels with distinct colors. Performance metrics are evaluated, and they assess algorithm performance. The research involved gives insights into the classification of soil salinity using machine learning, which could represent an efficient solution to the problem of soil salinization in Machilipatnam.

W rolniczej analizie gleby, wyzwanie zasolenia gleby w regionach takich jak dystrykt Krishna, Andhra Pradesh, głęboko wpływa na zdrowie gleby, plony i użyteczność gruntów, wpływając na około 77 598 hektarów ziemi. Aby rozwiązać tę kwestię, porównano trzy algorytmy uczenia maszynowego do klasyfikacji poziomów zasolenia w obszarze przybrzeżnym dystryktu Krishna, Machilipatnam. W badaniu wykorzystano obrazy Landsat-8 z lat 2014-2021, korygując je pod kątem zachmurzenia i tworząc kompozycję w prawdziwych kolorach. Obszar badań został zdefiniowany i zwizualizowany. Do analizy włączono dwanaście wskaźników pochodzących ze zdjęć Landsat. Wskaźniki te, w tym pasma widmowe i wyrażenia matematyczne, są dodawane jako pasma obrazu. Mediana tych wskaźników jest obliczana, a przykładowe punkty reprezentujące zarówno obszary niezasolone, jak i zasolone są wykorzystywane do nadzorowanego uczenia maszynowego. Dane są podzielone na dwa zestawy: treningowy i walidacyjny. W badaniu oceniono Random Forest, Classification and Regression Trees i Support Vector Machines pod kątem klasyfikacji poziomów zasolenia gleby przy użyciu tych wskaźników. Algorytm RF uzyskał dokładność 92,1%, CART 91,3%, a SVM 86%. Wyniki są wyświetlane na mapie, przedstawiając przewidywane poziomy zasolenia za pomocą różnych kolorów. Oceniane są wskaźniki wydajności i wydajność algorytmów. Przeprowadzone badania dają wgląd w klasyfikację zasolenia gleby przy użyciu uczenia maszynowego, co może stanowić skuteczne rozwiązanie problemu zasolenia gleby w Machilipatnam.

Genetic algorithm-based decision tree optimization for detection of dementia through MRI analysis

Anuradha Govada, Davu Harini, Karri Muthyalanaidu

Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska

2024

T. 14, nr 1

83--89

Dementia is a devastating neurological disorder that affects millions of people globally, causing progressive decline in cognitive function and daily living activities. Early and precise detection of dementia is critical for optimal dementia therapy and management however, the diagnosis of dementia is often challenging due to the complexity of the disease and the wide range of symptoms that patients may exhibit. Machine learning approaches are becoming progressively more prevalent in the realm of image processing, particularly for disease prediction. These algorithms can learn to recognize distinctive characteristics and patterns that are suggestive of specific diseases by analyzing images from multiple medical imaging modalities. This paper aims to develop and optimize a decision tree algorithm for dementia detection using the OASIS dataset, which comprises a large collection of MRI images and associated clinical data. This approach involves using a genetic algorithm to optimize the decision tree model for maximum accuracy and effectiveness. The ultimate goal of the paper is to develop an effective, non-invasive diagnostic tool for early and accurate detection of dementia. The GA-based decision tree, as proposed, exhibits strong performance compared to alternative models, boasting an impressive accuracy rate of 96.67% according to experimental results.

Demencja jest wyniszczającym zaburzeniem neurologicznym, które dotyka miliony ludzi na całym świecie, powodując postępujący spadek funkcji poznawczych i codziennych czynności życiowych. Wczesne i precyzyjne wykrywanie demencji ma kluczowe znaczenie dla optymalnej terapii i zarządzania demencją, jednak diagnoza demencji jest często trudna ze względu na złożoność choroby i szeroki zakres objawów, które mogą wykazywać pacjenci. Podejścia oparte na uczeniu maszynowym stają się coraz bardziej powszechne w dziedzinie przetwarzania obrazu, szczególnie w zakresie przewidywania chorób. Algorytmy te mogą nauczyć się rozpoznawać charakterystyczne cechy i wzorce, które sugerują określone choroby, analizując obrazy z wielu modalności obrazowania medycznego. Niniejszy artykuł ma na celu opracowanie i optymalizację algorytmu drzewa decyzyjnego do wykrywania demencji przy użyciu zbioru danych OASIS, który obejmuje duży zbiór obrazów MRI i powiązanych danych klinicznych. Podejście to obejmuje wykorzystanie algorytmu genetycznego do optymalizacji modelu drzewa decyzyjnego w celu uzyskania maksymalnej dokładności i skuteczności. Ostatecznym celem artykułu jest opracowanie skutecznego, nieinwazyjnego narzędzia diagnostycznego do wczesnego i dokładnego wykrywania demencji. Zaproponowane drzewo decyzyjne oparte na GA wykazuje wysoką wydajność w porównaniu z alternatywnymi modelami, szczycąc się imponującym współczynnikiem dokładności wynoszącym 96,67% zgodnie z wynikami eksperymentalnymi.