Innovations in Smart Cities Applications Volume 7

Inhaltsverzeichnis

1. Frontmatter

2. Smart Agriculture

   1. Frontmatter

   2. Plant Disease Classification and Segmentation Using a Hybrid Computer-Aided Model Using GAN and Transfer Learning

      Khaoula Taji, Yassine Taleb Ahmad, Fadoua Ghanimi

      Dieses Kapitel vertieft sich in die kritische Frage der Erkennung von Pflanzenkrankheiten, die die landwirtschaftliche Produktivität erheblich beeinflusst. Es wird ein hybrides Modell eingeführt, das generative adversariale Netzwerke (GAN) und Transferlernen kombiniert, um die Klassifizierung und Segmentierung von Pflanzenkrankheiten zu verbessern. Durch die Nutzung von Deep-Learning-Architekturen wie DenseNet, ResNet9 und EfficientNetB1 zeigt das Modell im Vergleich zu bestehenden Methoden eine überlegene Leistung. Die Studie unterstreicht auch die Bedeutung von Techniken zur Datenvergrößerung und Rauschreduzierung, um die Modellgenauigkeit zu verbessern. Darüber hinaus untersucht das Kapitel die Anwendung von Instanz- und semantischen Segmentierungsmethoden wie Mask-RCNN und UNet, um erkrankte Bereiche in Pflanzenbildern präzise zu lokalisieren und zu segmentieren. Das vorgeschlagene Hybridmodell erreicht nicht nur eine hohe Genauigkeit bei der Klassifizierung von Krankheiten, sondern identifiziert und segmentiert auch effektiv betroffene Regionen, was es zu einem wertvollen Werkzeug für Landwirte und Forscher macht. Das Kapitel schließt mit der Diskussion zukünftiger Forschungsrichtungen, einschließlich der Integration fortschrittlicher Computerbildgebungstechniken und Echtzeit-Systeme zur Überwachung von Krankheiten, um die landwirtschaftliche Produktivität weiter zu steigern.

      KI-Generiert

      Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.

      Originaltext anzeigen

   3. Water Amount Prediction for Smart Irrigation Based on Machine Learning Techniques

      Hamed Laouz, Soheyb Ayad, Labib Sadek Terrissa, M’hamed Mancer

      Das Kapitel behandelt das globale Problem der Wasserknappheit, das durch das Bevölkerungswachstum verschärft wird, und seine Auswirkungen auf die Landwirtschaft. Es stellt einen neuartigen Ansatz dar, der maschinelle Lerntechniken nutzt, um die genaue tägliche Wassermenge für die Bewässerung auf Grundlage verschiedener pflanzlicher Umweltparameter vorherzusagen. Die Methodik umfasst die Vorverarbeitung von Daten aus den Datensätzen des Autonomen Treibhauswettbewerbs und die Anwendung maschineller Lernmodelle wie Linearregression, Random Forest Regression, Support Vector Regression und K-next Regression. Die Modelle werden anhand von Metriken wie dem Determinationskoeffizienten und dem Mittelwert-Quadratfehler bewertet, wobei Hyperparametertuning zur Optimierung der Leistung erforderlich ist. Das Modell Support Vector Regression zeigt die höchste Genauigkeit und zeigt sein Potenzial für die praktische Anwendung in intelligenten Bewässerungssystemen. Das Kapitel unterstreicht jedoch auch die Notwendigkeit fortgeschrittenerer Zeitreihenmodelle, um den Wasserbedarf bei der Bewässerung besser vorherzusagen, wobei die komplexe und dynamische Natur des Pflanzenwachstums und der Umweltfaktoren berücksichtigt wird.

      KI-Generiert

      Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.

      Originaltext anzeigen

   4. Smart Irrigation System Using Low Energy

      Kamal Elhattab, Karim Abouelmehdi, Abdelmajid Elmoutaouakkil, Said Elatar

      Dieses Kapitel befasst sich mit der Anwendung des Internets der Dinge (IoT) in der Landwirtschaft zur Verbesserung der Produktivität und des Wassermanagements. Es präsentiert eine umfassende Literaturübersicht zu bestehenden IoT-basierten Bewässerungssystemen, die die am häufigsten verwendeten Technologien und Datentypen hervorhebt. Die Autoren identifizieren zentrale Herausforderungen wie Energieversorgung und Vernetzung und schlagen ein neuartiges intelligentes Bewässerungssystem vor, das Solarenergie und das Kommunikationsprotokoll LoRa nutzt. Das neue System wurde entwickelt, um den Wasserverbrauch zu optimieren und effektiv in Gegenden mit schwacher Internetverbindung zu funktionieren. Das Kapitel enthält auch eine detaillierte Beschreibung der Systemkomponenten und Testergebnisse, die die Effizienz des Systems im Wasser- und Energieverbrauch im Vergleich zu herkömmlichen Methoden belegen. Die Schlussfolgerung skizziert das Potenzial für zukünftige Verbesserungen, wie etwa die Integration von Überwachungssensoren, was dieses Kapitel zu einer wertvollen Ressource für Fachleute macht, die landwirtschaftliche Technologien voranbringen wollen.

      KI-Generiert

      Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.

      Originaltext anzeigen

3. Smart Models

   1. Frontmatter

   2. Advancing Crop Recommendation Systems Through Ensemble Learning Techniques

      M’hamed Mancer, Labib Sadek Terrissa, Soheyb Ayad, Hamed Laouz, Noureddine Zerhouni

      Das Kapitel "Advancing Crop Recommendation Systems Through Ensemble Learning Techniques" befasst sich mit der Anwendung von maschinellem Lernen und Blockchain-Technologie bei der Bewältigung landwirtschaftlicher Herausforderungen. Es führt ein ausgeklügeltes Ernteempfehlungssystem ein, das die Lernmethoden des Ensembles nutzt, um präzise und effektive Ernteempfehlungen zu geben. Das System verfolgt einen systematischen Ansatz, beginnend mit der Datenbeschreibung und Vorverarbeitung, gefolgt von Schulungen und Tests verschiedener Modelle des maschinellen Lernens. Der Voting Classifier, eine Lernmethode für Ensembles, wird verwendet, um Vorhersagen aus mehreren Modellen zu aggregieren und so die Gesamtleistung zu verbessern. Das Kapitel hebt das Potenzial dieses Systems hervor, den Agrarsektor zu revolutionieren, indem es die Landwirte in die Lage versetzt, datengestützte Entscheidungen zu treffen, was letztlich die Ernteerträge steigert und Verluste verringert. Es wird eine umfassende Literaturübersicht erstellt, in der das vorgeschlagene System mit früheren Methoden verglichen und seine überlegene Leistung dargestellt wird. Die durch Kreuzvalidierung validierten Ergebnisse zeigen die hohe Präzision und Zuverlässigkeit des Systems, was es zu einem wertvollen Werkzeug für reale Anwendungen in der Präzisionslandwirtschaft macht.

      KI-Generiert

      Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.

      Originaltext anzeigen

   3. Technology to Build Architecture: Application of Adaptive Facade on a New Multifunctional Arena

      Alessandra Annibale, Emily Chiesa, Giulia Prelli, Gabriele Masera, Andrea Kindinis, Arnaud Lapertot, Davide Allegri, Giulio Zani

      Das Kapitel befasst sich mit der Gestaltung und Entwicklung einer adaptiven Fassade für die Adidas Arena in Paris, einem multifunktionalen Austragungsort der Olympischen Spiele 2024. Es beginnt mit einer Einführung in den Kontext des Projekts und der Notwendigkeit adaptiver Fassadentechnologie, um vielfältigen funktionalen und klimatischen Anforderungen gerecht zu werden. Die Methodik beinhaltet eine detaillierte Klimaanalyse mittels Grasshopper und Ladybug, die auf der Grundlage von Sonneneinstrahlung und Beschattung die spezifischen Bedürfnisse für jede Fassade ermittelt. Das Konzept eines mehrschichtigen Fassadensystems wird, inspiriert durch Biomikry, mit einer kinetischen Schicht zur Lichtmodulation und einem Building Integrated Photovoltaic (BIPV) -System zur Energieerfassung eingeführt. Das Design der kinetischen Elemente und ihre parametrische Modellierung in Grasshopper wird beschrieben, wobei der Einsatz von starrem Origami zur strukturellen Anpassung hervorgehoben wird. Das Kapitel schließt mit einer Diskussion der Systemkomponenten und zukünftigen Forschungsrichtungen, wobei das Potenzial adaptiver Fassaden zur Steigerung der Leistung und Nachhaltigkeit von Gebäuden hervorgehoben wird.

      KI-Generiert

      Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.

      Originaltext anzeigen

   4. Effectiveness of Different Machine Learning Algorithms in Road Extraction from UAV-Based Point Cloud

      Serkan Biçici

      Dieses Kapitel untersucht die Effektivität verschiedener maschineller Lernalgorithmen bei der Extraktion von Straßeninformationen aus unbemannten Punktwolken. Zunächst wird die Bedeutung von Informationen über das Straßennetz für die städtische und ländliche Entwicklung hervorgehoben. Traditionelle Methoden der Erfassung von Straßendaten werden ebenso diskutiert wie die Vorteile des Einsatzes von Drohnen. Die Studie konzentriert sich auf die Entwicklung eines 3D-Modells aus Drohnenbildern und die Anwendung von maschinellen Lernmodellen zur Klassifizierung von Straßenoberflächen. Untersucht werden sieben verschiedene ML-Modelle, darunter Generalized Linear Model, Linear Discriminant Analysis und Random Forest. Die Leistung dieser Modelle wird anhand von Genauigkeit, Präzision, Abruf und Bearbeitungszeit bewertet. Das generalisierte lineare Modell erweist sich als das genaueste für die Straßenklassifizierung, während die Modelle der Linear eXtreme Gradient Boosting geringere Genauigkeit und längere Bearbeitungszeiten aufweisen. Das Kapitel schließt mit einem detaillierten Vergleich der ML-Modelle, der wertvolle Erkenntnisse für Fachleute auf dem Gebiet der Geo- und Fernerkundung liefert.

      KI-Generiert

      Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.

      Originaltext anzeigen

   5. A Comparative Analysis of Memory-Based and Model-Based Collaborative Filtering on Recommender System Implementation

      Karim Seridi, Abdessamad El Rharras

      Das Kapitel untersucht den transformativen Einfluss der Sharing Economy und die entscheidende Rolle von Empfehlungssystemen (Recommender Systems, RS) bei der Verbesserung der Nutzererfahrungen. Sie kategorisiert die RSs in speicher- und modellbasierte Methoden und hebt die Stärken und Grenzen jedes einzelnen hervor. Speicherbasierte Methoden wie kosinusähnliche Ähnlichkeiten zeichnen sich durch die Erfassung von Benutzerpräferenzen aus, sind aber rechenintensiv. Modellbasierte Methoden wie Singular Value Decomposition (SVD) bieten eine überlegene Skalierbarkeit und Genauigkeit, insbesondere bei größeren Datensätzen. Die Studie bewertet diese Ansätze anhand des Netflix-Datensatzes und zeigt die Zielkonflikte zwischen Genauigkeit und Rechenressourcen auf. Die Analyse zeigt, dass speicherbasierte Methoden zwar die Genauigkeit mit größeren Datensätzen verbessern, aber beträchtliche Rechenleistung erfordern. Umgekehrt finden modellbasierte Methoden wie SVD ein Gleichgewicht zwischen Genauigkeit und Skalierbarkeit, wodurch sie für größere Datensätze geeignet sind. Die Ergebnisse liefern wertvolle Erkenntnisse für Praktiker, um die für ihre spezifischen Anwendungen am besten geeignete RS-Methode auszuwählen.

      KI-Generiert

      Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.

      Originaltext anzeigen

   6. Critical Overview of Model Driven Engineering

      Yahya El Gaoual, Mohamed Hanine

      Das Kapitel beginnt mit einer Einführung in das Model Driven Engineering (MDE), in dem erläutert wird, wie Softwaresysteme zu mehrschichtigen Modellen abstrahiert werden können, um komplexe Architekturen zu vereinfachen. Anschließend vertieft er sich in die wichtigsten Bausteine von MDE, darunter Systeme, Modelle, Metamodelle, Modellierungssprachen, Transformationen und Softwareprodukte. Der Autor überprüft kritisch den Stand der Technik im Bereich MDE, hebt potenzielle Verbesserungen hervor und diskutiert die Herausforderungen, die seiner weitreichenden Einführung im Wege standen. Das Kapitel untersucht auch die jüngsten Fortschritte bei der Modellierung von Sprachen, der Modellanalyse und der Modelltransformation und wie KI integriert werden kann, um die Effektivität und Anwendung von MDE zu steigern. Die Diskussion bietet eine ausgewogene Sicht, die sowohl die Stärken als auch die Grenzen von MDE anerkennt, und gibt Einblicke, wie sie verbessert werden kann, um den sich entwickelnden Bedürfnissen von Softwareentwicklungsprojekten besser gerecht zu werden.

      KI-Generiert

      Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.

      Originaltext anzeigen

   7. A Synthesis on Machine Learning for Credit Scoring: A Technical Guide

      Siham Akil, Sara Sekkate, Abdellah Adib

      Dieses Kapitel untersucht die Anwendung von maschinellem Lernen im Credit Scoring, einem entscheidenden Prozess in der Finanzierung zur Ermittlung der Kreditwürdigkeit des Kreditnehmers. Herkömmliche Methoden, die auf statistischen Modellen beruhen, sind bei der Erfassung komplexer Beziehungen begrenzt. In diesem Kapitel werden die 26 wichtigsten ML-Algorithmen für den australischen Kreditdatensatz synthetisiert und ihre empirische Genauigkeit und Eignung für Finanzexperten bewertet. Es bietet einen methodischen Rahmen für die Auswahl und Implementierung effektiver ML-Modelle und hebt die Leistung von Algorithmen wie XGBoost Classifier, Random Forest und Support Vector Machines hervor. Die Forschung betont die Bedeutung einer robusten Modellauswahl und die Notwendigkeit von Algorithmen, die das Kreditrisiko in realen Szenarien präzise vorhersagen können. Das Kapitel schließt mit der Diskussion der Auswirkungen auf Kreditgeber und Kreditanalysten und betont das Potenzial von ML bei der Verbesserung vorhersagender Modelle in der Finanzdienstleistungsbranche.

      KI-Generiert

      Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.

      Originaltext anzeigen

   8. Enhancing Writer Identification with Local Gradient Histogram Analysis

      Abdelillah Semma, Said Lazrak, Yaâcoub Hannad

      Das Kapitel vertieft sich in den kritischen Bereich der Autorenidentifikation und betont ihre Bedeutung für forensische Untersuchungen, Dokumentenauthentifizierung und historische Analysen. Traditionelle Methoden, wie codebook- und texturbasierte Ansätze, wurden größtenteils durch Deep-Learning-basierte Techniken ersetzt, die trotz ihrer Effektivität häufig umfangreiche Rechenressourcen erfordern. Der vorgeschlagene Deskriptor Local Gradient Histogram (LGH), inspiriert vom Histogramm of Oriented Gradients (HOG), stellt einen bedeutenden Fortschritt dar. Durch die Berechnung von Histogrammen der Gradientenwinkel benachbarter Pixel erfasst LGH die einzigartigen stilistischen Aspekte der Handschrift mit bemerkenswerter Genauigkeit. Das Kapitel stellt eine umfassende Methodik vor, einschließlich Keypoint-Erkennung, Feature-Extraktion, Kodierung mit Vector of Locally Aggregated Deskriptors (VLAD) und Klassifizierung mittels der Ball-Tree-Methode. Umfangreiche experimentelle Studien zu den BFL- und CERUG-Datensätzen zeigen die Robustheit und Leistungsfähigkeit des LGH-Ansatzes und übertreffen den Stand der Technik. Das Kapitel schließt mit einer Diskussion über die Implikationen der Ergebnisse und zukünftige Forschungsrichtungen, wobei das Potenzial von Gradientenwinkelhistogrammen bei der Verbesserung von Schreibgeräteidentifikationssystemen hervorgehoben wird.

      KI-Generiert

      Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.

      Originaltext anzeigen

   9. Solving a Generalized Network Design Problem Using Hybrid Metaheuristics

      Imen Mejri, Manel Grari, Safa Bhar Layeb

      Dieses Kapitel befasst sich mit der Anwendung hybrider Metaheuristik, um ein generalisiertes Netzwerkdesign-Problem in Angriff zu nehmen. Zunächst werden die Grenzen traditioneller Optimierungsmethoden bei der Bewältigung der Komplexität von Netzwerkdesign-Problemen aufgezeigt. Anschließend stellen die Autoren verschiedene Arten metaheuristischer Algorithmen vor, darunter lokale Such-, konstruktive und bevölkerungsbasierte Methoden, und diskutieren ihre Stärken und Anwendungen. Das Kapitel konzentriert sich auf die hybride Metaheuristik, die Elemente aus verschiedenen algorithmischen Kategorien kombiniert, um die Problemlösungsfähigkeiten zu verbessern. Die Autoren stellen eine spezifische Fallstudie vor, die den Genetischen Algorithmus und den Nichtlinearen Schwellenalgorithmus umfasst und zeigt, wie sich diese Algorithmen synergistisch ergänzen können. Das Kapitel enthält auch eine detaillierte Problemformulierung für das Generalized Discrete Cost Multicommodity Network Design Problem (GDCMNDP) und skizziert einen maßgeschneiderten hybriden metaheuristischen Ansatz, um dieser Herausforderung zu begegnen. Die Effektivität des vorgeschlagenen Algorithmus wird durch eine Computerstudie unter Verwendung von Benchmarks und realen Instanzen bewertet. Das Kapitel schließt mit einer Diskussion der Ergebnisse und ihrer Auswirkungen auf den Bereich der Netzwerkdesign-Optimierung.

      KI-Generiert

      Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.

      Originaltext anzeigen

   10. Isolated Handwritten Arabic Character Recognition Using Convolutional Neural Networks: An Overview

       Mohsine El Khayati, Ismail Kich, Youssfi Elkettani

       Das Kapitel vertieft sich in die komplexen Herausforderungen der Isolated Handwritten Arabic Character (IHAC) -Erkennung und betont die transformative Rolle von Convolutional Neural Networks (CNNs) in diesem Bereich. Es untersucht die Entwicklung von CNN-Architekturen, von flachen zu tiefen Modellen, und diskutiert hybride Ansätze, die CNNs mit anderen maschinellen Lerntechniken kombinieren. Der Bericht beleuchtet auch die Auswirkungen von Lernstrategien zur Hyperparametereinstellung und -übertragung auf die Verbesserung der Erkennungsgenauigkeit. Durch die Analyse von 27 relevanten Aufsätzen bietet das Kapitel eine gründliche Untersuchung des Standes der Technik und ihrer Leistungsfähigkeit und schafft die Voraussetzungen für zukünftige Fortschritte in diesem kritischen Forschungsbereich.

       KI-Generiert

       Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.

       Originaltext anzeigen

   11. A New Approach for Quantum Phase Estimation Based Algorithms for Machine Learning

       Oumayma Ouedrhiri, Oumayma Banouar, Salah El Hadaj, Said Raghay

       Dieses Kapitel geht der grundlegenden Rolle der Quantenphasenschätzung (QPE) in Quantenmaschinellem Lernen (QML) nach. Es beginnt mit der Erklärung des QPE-Verfahrens und seiner mathematischen Details, gefolgt von einer Analyse der jüngsten Verbesserungen, die darauf abzielen, die Genauigkeit zu erhöhen und die Hardwareanforderungen zu reduzieren. Die Autoren schlagen einen neuen Ansatz vor, der den Statistical Phase Estimation Algorithm (SPEA) verwendet, um QPE-basierte Algorithmen wie Quantum Principal Component Analysis (QPCA), HHL-Algorithmus und Quantum Singular Value Transformation (QSVT) zu optimieren. Durch die Integration von SPEA in diese Algorithmen wollen die Autoren Leistung und Effizienz verbessern und damit den Weg für effektivere Quantencomputeranwendungen im maschinellen Lernen ebnen. Das Kapitel schließt mit einem Aufruf zu praktischen Experimenten mit Quantensimulatoren, um diese Verbesserungen zu validieren und ihre potenziellen Auswirkungen auf Probleme der realen Welt aufzuzeigen.

       KI-Generiert

       Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.

       Originaltext anzeigen

   12. Model Risk in Financial Derivatives and The Transformative Impact of Deep Learning: A Systematic Review

       Mohammed Ahnouch, Lotfi Elaachak, Abderrahim Ghadi

       Das Kapitel vertieft die Feinheiten des Modellrisikos von Finanzderivaten und konzentriert sich darauf, wie Fehler bei der Auswahl und Verwendung von Finanzmodellen zu ungenauen Derivatepreisen führen können. Er diskutiert die Ursprünge von Modellrisiken wie vereinfachte Annahmen, Kalibrierungsprobleme, begrenzte Daten und Überanpassungen und schlägt Strategien zur Bewältigung dieser Risiken vor, einschließlich robuster Modellauswahl, rigoroser Validierung, Sensitivitätsanalyse und Modelldiversifizierung. Die Bedeutung der Modellvalidierung wird unterstrichen, wobei Methoden wie Backtesting, Sensitivitätsanalyse, Stresstests und Benchmarking hervorgehoben werden. Das Kapitel untersucht auch die transformativen Auswirkungen von Deep Learning auf die Verringerung von Modellrisiken und betont seine Fähigkeit, nichtlineare Muster zu erfassen und über Trainingsdaten hinaus zu verallgemeinern. Darüber hinaus werden die Beschränkungen von Baummethoden und das Potenzial fortgeschrittener maschineller Lerntechniken wie vielfältiges Lernen und topologische Datenanalyse beim Verständnis komplexer Datensätze untersucht. Die Anwendung dieser Techniken ist insbesondere im Zusammenhang mit autocallable notes relevant, bei denen es sich um komplexe Finanzinstrumente mit einzigartigen Herausforderungen in den Bereichen Preisgestaltung und Risikomanagement handelt. Das Kapitel schließt mit der Hervorhebung der Notwendigkeit weiterer Forschungsarbeiten zu sich herausbildenden Deep-Learning-Methoden und -Techniken, um die Effizienz und Genauigkeit der Derivatepreisgestaltung zu verbessern.

       KI-Generiert

       Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.

       Originaltext anzeigen