ข้อมูลจากบทคัดย่อ
ยังไม่มีสรุปภาษาไทยสำหรับระเบียนนี้
ด้านล่างเป็นบทคัดย่อต้นฉบับภาษาอังกฤษจากข้อมูลบรรณานุกรม โปรดตรวจบทความต้นฉบับก่อนอ้างอิง
Abstract The development of a lightweight edge artificial intelligence framework addresses the primary objective of enhancing water use efficiency within resource-constrained smart irrigation systems. Integration of physics-informed synthetic data generation with autonomous surrogate modeling establishes a phenology-driven architecture. Post-training 8-bit integer quantization minimizes the hardware footprint, while simulated sensor degradation evaluates long-term operational scalability. Simulated evaluations demonstrate a sustained macro F1-score of 0.977 for the quantized surrogate model. Statistical Y-scrambling techniques corroborate algorithmic authenticity and yield a 0.952 baseline retention score, effectively mitigating chance correlation. Cycle-accurate hardware profiling restricts the edge-native framework within an 8-kilobyte execution memory constraint and calculates exactly 630.0 micro-joules per inference, achieving a 73.3 percent reduction in computational energy consumption. Cost-sensitive economic evaluations quantify a 96.23 percent Economic Savings Index relative to heuristic baseline methods. Unsupervised feature drift monitoring protocols support predictive reliability across a simulated sixty-month hardware degradation timeline without requiring physical ground-truth data labels. The proposed system design directly embeds deterministic biophysical guardrails into the hybrid deterministic-AI inference engine, enhancing agricultural decision-making safety completely independent of cloud connectivity. Research limitations stem from the reliance on synthetic data and the rigid execution environment of ultra-low-power microcontrollers, preventing the algorithm from capturing long-term phenotypic plasticity and spatial micro-climate heterogeneity. Practical implications highlight the potential democratization of precision agriculture for smallholder communities through this scalable technological paradigm, supporting global socioeconomic viability and water sustainability goals.
เหตุผลที่อยู่ในฐานติดตาม
ระเบียนนี้ได้รับ Impact Signal 83/100 จากความใหม่ แหล่งเผยแพร่ ความร่วมมือ และสัญญาณในข้อมูลบรรณานุกรม คะแนนนี้ใช้จัดลำดับการติดตาม ไม่ใช่การตัดสินคุณภาพงานวิจัย
ประเด็นที่เกี่ยวข้อง: Smart Agriculture and AI · Plant Water Relations and Carbon Dynamics · Irrigation Practices and Water Management
บทบาทของนักวิจัยและสถาบันไทย
Chairote Yaiprasert · Walailak University
ข้อจำกัดของข้อมูล
หน้านี้เป็นระเบียนบรรณานุกรมและข้อมูลจากบทคัดย่อ ยังไม่ใช่บทวิเคราะห์ฉบับเต็มหรือการประเมินคุณภาพงานวิจัย ควรตรวจสอบ DOI และเอกสารต้นฉบับก่อนนำไปอ้างอิง