Treffer: Smart Irrigation Control System in Precision Agriculture With Jubatus Climber Algorithm Optimized Distributed BiLSTM.

Agricultural productivity is crucial for population growth, but 83% of India's water usage is due to unplanned consumption. To address this, smart agriculture, which uses Internet of Things (IoT) technologies for efficient water management, is essential. Smart irrigation control is crucial for addressing water waste and promoting agricultural growth. To make agriculture smart, automation and IoT technologies emerged with the deep learning algorithms used in the research. Despite advancements, existing research models have drawbacks, including limited accuracy in predicting moisture content and inefficient resource utilization. To address the drawbacks of the existing techniques, a novel approach named distributed bidirectional long short‐term memory optimized with the Jubatus classifier algorithm (JCA‐DiBiLSTM) for automatic irrigation control is proposed. The proposed method integrates BiLSTM networks with a distributed computing architecture, enhancing predictive accuracy by capturing complex temporal dependencies in moisture content data. Additionally, the Jubatus classifier algorithm (JCA) optimizes the model parameters, improving the overall prediction performance. By leveraging JCA‐DiBiLSTM, significant advantages are observed in predicting the moisture content of agricultural land. The model demonstrates enhanced accuracy, outperforming traditional methods and mitigating over‐ or under‐irrigation risks. Furthermore, JCA‐DiBiLSTM ensures an accuracy and specificity of 94% and minimizes the mean square error (MSE) to 5.5 while maximizing the sensitivity to 94%. [ABSTRACT FROM AUTHOR]

Résumé: La productivité agricole est cruciale pour la croissance de la population, mais 83% de la consommation d'eau en Inde est due à une consommation non planifiée. Pour y remédier, il est nécessaire d'avoir une agriculture intelligente, qui utilise les technologies IoT pour une gestion efficace de l'eau. Le contrôle intelligent de l'irrigation est crucial pour lutter contre le gaspillage de l'eau et promouvoir la croissance agricole. Pour rendre l'agriculture intelligente, l'automatisation et les technologies IoT ont émergé avec les algorithmes d'apprentissage profond utilisés dans la recherche. Malgré les progrès réalisés, les modèles de recherche existants présentent des inconvénients, notamment une précision limitée dans la prévision de la teneur en humidité et une utilisation inefficace des ressources. Pour remédier aux inconvénients des techniques existantes, une nouvelle approche appelée mémoire bidirectionnelle à long terme et à court terme distribuée optimisée avec l'algorithme de classificateur Jubatus (JCA‐DiBiLSTM) est proposée pour le contrôle automatique de l'irrigation. La méthode proposée intègre les réseaux BiLSTM à une architecture de calcul distribué, améliorant la précision prédictive en capturant des dépendances temporelles complexes sur les données de teneur en humidité. De plus, l'algorithme de classificateur Jubatus (JCA) optimise les paramètres du modèle, améliorant ainsi la performance globale de la prévision. En tirant profit de JCA‐DiBiLSTM, des avantages significatifs sont observés dans la prévision de la teneur en humidité des terres agricoles. Le modèle fait preuve d'une précision accrue, surpassant les méthodes traditionnelles et atténuant les risques de sur‐irrigation ou de sous‐irrigation. De plus, JCA‐DiBiLSTM assure une précision et une spécificité de 94% et l'erreur quadratique moyenne (MSE) à 5,5 tout en maximisant la sensibilité à 94%. [ABSTRACT FROM AUTHOR]

Copyright of Irrigation & Drainage is the property of Wiley-Blackwell and its content may not be copied or emailed to multiple sites without the copyright holder's express written permission. Additionally, content may not be used with any artificial intelligence tools or machine learning technologies. However, users may print, download, or email articles for individual use. This abstract may be abridged. No warranty is given about the accuracy of the copy. Users should refer to the original published version of the material for the full abstract. (Copyright applies to all Abstracts.)