ఎలక్ట్రికల్ ఇంజనీరింగ్ మరియు ఎలక్ట్రానిక్ టెక్నాలజీ జర్నల్

కృత్రిమ మేధస్సు పద్ధతులను ఉపయోగించి భూమిని సమం చేయడంలో పర్యావరణ సూచికల అంచనా

ఇషామ్ అల్జౌబీ

భూమి లెవలింగ్ కోసం శక్తి వినియోగాన్ని అంచనా వేయడానికి ఉత్తమ లీనియర్ మోడల్ అడాప్టివ్ న్యూరో-ఫజీ ఇన్ఫరెన్స్ సిస్టమ్ (ANFIS) మరియు సెన్సిటివిటీ అనాలిసిస్‌ను నిర్ణయించడం ఈ పని యొక్క లక్ష్యం. ఈ పరిశోధనలో గట్టు పరిమాణం, నేల సంపీడన కారకం, నిర్దిష్ట గురుత్వాకర్షణ, తేమ కంటెంట్, వాలు, ఇసుక శాతం మరియు శక్తి వినియోగంలో నేల వాపు సూచిక వంటి వివిధ నేల లక్షణాల ప్రభావాలను పరిశోధించారు. ఈ అధ్యయనంలో 3 వేర్వేరు ప్రాంతాల నుండి 90 నమూనాలు సేకరించబడ్డాయి. ఇరాన్‌లోని కరాజ్ ప్రావిన్స్‌లోని వ్యవసాయ భూమి నుండి 20 మీ (20*20)లో గ్రిడ్ పరిమాణం 20 మీ సెట్ చేయబడింది. ICA-ANN మోడల్ ద్వారా పొందిన RMSE మరియు R2 విలువలు, లేబర్ ఎనర్జీ (0.0146 మరియు 0.9987), ఇంధన శక్తి (0.0322 మరియు 0.9975), మొత్తం యంత్రాల ధర (0.0248 మరియు 0.9963), మొత్తం యంత్రాల శక్తి, 791 (వరుసగా 0.091) అయితే మల్టీవియారిట్ రిగ్రెషన్ మోడల్ కోసం ఈ పారామితులు, లేబర్ ఎనర్జీ (0.1394 మరియు 0.9008), ఇంధన శక్తి (0.1514 మరియు 0.8913), మొత్తం యంత్రాల వ్యయం (TMC) (0.1492 మరియు 0.9128), మొత్తం మెషినరీ ఎనర్జీ (0.1390 ​​మరియు 0.1390 ​​అయితే, 30, అయితే). ANN మోడల్‌కు సంబంధించిన పారామితులు, లేబర్ ఎనర్జీ (0.0159 మరియు 0.9990), ఇంధన శక్తి (0.0206 మరియు 0.9983), మొత్తం యంత్రాల ఖర్చు (0.0287 మరియు 0.9966), మొత్తం యంత్రాల శక్తి విశ్లేషణ (0.0157 మరియు 0.990 0. 0.0157 మరియు 0.990 0. , లేబర్ ఎనర్జీకి (0.1899 మరియు 0.8631), ఇంధన శక్తి (0.8562 మరియు 0.0206), మొత్తం యంత్రాల ధర (0.1946 మరియు 0.8581), టోటల్ మెషినరీ ఎనర్జీ (0.1892 మరియు 0.8437) లాబర్ ఎనర్జీకి వరుసగా పారామీటర్‌లకు, ANFIకి ఇవి వరుసగా ఉన్నాయి. (0.0159 మరియు 0.9990), ఇంధన శక్తి (0.0206 మరియు 0.9983), మొత్తం యంత్రాల ధర (0.0287 మరియు 0.9966), టోటల్ మెషినరీ ఎనర్జీ (0.0157 మరియు 0.9990) వరుసగా, ఏడు neurons దాచిన లేయర్‌లతో ICA_ANN మెరుగ్గా ఉన్నాయని ఫలితాలు చూపించాయి. సున్నితత్వ విశ్లేషణ ఫలితాల ప్రకారం, కేవలం మూడు పారామితులు; సాంద్రత, నేల సంపీడన కారకం మరియు, ఎంబాంక్‌మెంట్ వాల్యూమ్ ఇండెక్స్ ఇంధన వినియోగంపై గణనీయమైన ప్రభావాన్ని చూపాయి. రిగ్రెషన్ ఫలితాల ప్రకారం, మూడు పారామితులు మాత్రమే; స్లోప్, కట్-ఫిల్ వాల్యూమ్ (V) మరియు, సాయిల్ స్వెల్లింగ్ ఇండెక్స్ (SSI) శక్తి వినియోగంపై గణనీయమైన ప్రభావాన్ని చూపింది. కార్మిక శక్తి, ఇంధన శక్తి, మొత్తం యంత్రాల ధర మరియు మొత్తం యంత్రాల శక్తి యొక్క అంచనా కోసం అనుకూల న్యూరో-ఫజీ అనుమితి వ్యవస్థను ఉపయోగించడం విజయవంతంగా ప్రదర్శించబడుతుంది. విస్తరిస్తున్న మానవ జనాభా కారణంగా మిగిలిన ఏకైక శతాబ్దంలో, ఉద్యానవన వస్తువుల కోసం అభ్యర్థనలు భారీగా విస్తరించబడ్డాయి. ఈ రోజుల్లో, గ్రహం మీద కార్డినల్ సహజ సమస్యలలో ఒకటి శక్తి సృష్టి మరియు వినియోగం. పర్యావరణ అనుకూల విద్యుత్ వినియోగం యొక్క సున్నితమైన అభివృద్ధి ఉన్నప్పటికీ, ఉదాహరణకు, సూర్య ఆధారిత శక్తి, అనాలోచిత వినియోగం మరియు సరైన పరిపాలన లేకపోవడం ఈ రంగంలో పెట్రోలియం ఉత్పత్తి శక్తి వినియోగంలో పెరుగుదలను ప్రేరేపించాయి. అదే విధంగా పర్యావరణ పరిరక్షణ మరియు మార్కెట్ ప్రపంచీకరణ వ్యవసాయం తర్వాత ఆహార భద్రతకు లోబడి ఉంటుందని పరిగణించాలి. సంబంధించి,సమస్యను జాగ్రత్తగా చూసుకోవడానికి సహజ సమస్యలకు సంబంధించిన శక్తి దృక్పథాన్ని పరిగణనలోకి తీసుకోవడానికి కొన్ని అసాధారణమైన ఏర్పాట్లు చేయాలి. ల్యాండ్ లెవలింగ్ అనేది గ్రామీణ పద్ధతులలో అత్యంత భారీ మరియు విపరీతమైన కార్యకలాపాలలో ఒకటి. అలాగే, నేలపై గణనీయమైన యంత్రాలను తరలించడం వలన ధూళిని దట్టంగా మారుస్తుంది, ముఖ్యంగా తడిగా ఉన్న ప్రదేశాలలో ధూళి యొక్క తేమ పదార్థం ఎక్కువగా ఉంటుంది మరియు ఇది సమర్థవంతంగా తిరిగి పొందలేని పరిస్థితిని కలిగిస్తుంది. మరలా, భూమిని సమం చేయడం నీటి వ్యవస్థను పునర్వ్యవస్థీకరిస్తుంది, వ్యవసాయ వ్యాపారంతో గుర్తించబడిన వివిధ పద్ధతులలో క్షేత్ర పరిస్థితులను మెరుగుపరుస్తుంది మరియు మురికి ఉపరితలాన్ని నిర్దేశిస్తుంది మరియు దాని వాలును ప్రామాణికం చేస్తుంది. ఉద్దేశపూర్వకంగా, భూమి లెవలింగ్ యొక్క ప్రభావాలు, నీటి అప్లికేషన్ కోసం సాంకేతికతలు మరియు భూమి లెవలింగ్ మరియు నీటికి మధ్య ఉన్న అనుసంధానంతో సహా ధాన్యం దిగుబడిపై ప్రభావం చూపే మూడు కీలకమైన భాగాలు ఉన్నాయి. ఓకాషా మరియు ఇతరులు. వివిధ సీజన్లలో వాలు మరియు వర్గీకరించబడిన నీటి వ్యవస్థ కుట్రల మధ్య ఒక ముఖ్యమైన అనుబంధాన్ని గమనించింది. కొంతమంది విశ్లేషకులు వివిధ పద్ధతులను ఉపయోగించారు, ఉదాహరణకు, నేల యొక్క వాస్తవ లక్షణాలపై ఆధారపడి నీటి వ్యవస్థ కొలతను అప్‌గ్రేడ్ చేయడానికి ఇంటర్నెట్ ఆఫ్ థింగ్స్ (IoT). ఏదైనా సందర్భంలో, ఈ పద్ధతులు భూమిని సమం చేయడంలో పాల్గొనవు. ల్యాండ్ లెవలింగ్ కోసం వివిధ వ్యూహాలు ధూళి యొక్క భౌతిక మరియు కృత్రిమ లక్షణాలను ప్రభావితం చేయగలవు మరియు తత్ఫలితంగా మొక్కల పునాది, రూట్ అభివృద్ధి, ఈథెరియల్ కవర్ మరియు దీర్ఘకాలిక పంట దిగుబడిలో వ్యత్యాసాలను కలిగిస్తాయి. తక్షణ పరిణామంగా, బహుశా మట్టి సంసిద్ధతలో ప్రధాన పురోగతి మరియు ముందుకు సాగవలసిన ఆహార సృష్టిలో కీలకమైన అంశం భూమిని సమం చేయడం. అదనంగా, ల్యాండ్ లెవలింగ్ కోసం తగ్గుతున్న పెట్రోలియం ఉత్పన్న వినియోగం గాలి మలినాలను తగ్గిస్తుంది మరియు సహజ స్థితిని మెరుగుపరుస్తుంది. నీరు మరియు మట్టి యొక్క ప్రాముఖ్యత మరియు ప్రభావాల గురించి అభివృద్ధి చెందుతున్న అవగాహన ఉంది, తద్వారా సామాజిక, ద్రవ్య మరియు వ్యవసాయ దృక్కోణాల నుండి అప్‌గ్రేడ్ చేయబడిన లేజర్ ల్యాండ్ లెవలింగ్ యొక్క భారీతను వెలికితీస్తుంది. వాతావరణంతో గుర్తించబడిన పనుల మెరుగుదల కోసం కొన్ని మెరుగుపరిచే పద్ధతులు ప్రతిపాదించబడినప్పటికీ, అవి వేర్వేరు అవాంఛిత ప్రభావాలను కలిగి ఉన్నాయి. PCలు మరియు ఇంటర్నెట్‌ని ఉపయోగించడం వలన గతంలో పేర్కొన్న ఇబ్బందికరమైన ప్రభావాలను తగ్గించడం ద్వారా ఈ విధమైన సమస్యలను పరిష్కరించే అసాధారణ సామర్థ్యాన్ని ప్రదర్శించారు. PC ఆధారిత పద్ధతులు చాలా ఉన్నాయి మరియు చివరి IoT నాటికి సాధారణంగా డిజైనింగ్ సమస్యలను చూసుకోవడానికి ఉపయోగించబడతాయి. ANNలు ఈ వ్యూహాలలో ఒకటి. ANN అనేది ఒక సహేతుకమైన వ్యూహం, దిగుబడి లేదా ఊహించిన వేరియబుల్ ఒకే విధమైన చక్రానికి వర్తించే విభిన్న సరిహద్దులకు సంబంధించి ప్రదర్శించబడుతుంది.ముఖ్యంగా తడి ప్రాంతాలలో ధూళి యొక్క తేమ పదార్థం ఎక్కువగా ఉంటుంది మరియు ఇది సమర్థవంతంగా తిరిగి పొందలేని పరిస్థితిని కలిగిస్తుంది. మరలా, భూమిని సమం చేయడం నీటి వ్యవస్థను పునర్వ్యవస్థీకరిస్తుంది, వ్యవసాయ వ్యాపారంతో గుర్తించబడిన వివిధ పద్ధతులలో క్షేత్ర పరిస్థితులను మెరుగుపరుస్తుంది మరియు మురికి ఉపరితలాన్ని నిర్దేశిస్తుంది మరియు దాని వాలును ప్రామాణికం చేస్తుంది. ఉద్దేశపూర్వకంగా, భూమి లెవలింగ్ యొక్క ప్రభావాలు, నీటి అప్లికేషన్ కోసం సాంకేతికతలు మరియు భూమి లెవలింగ్ మరియు నీటికి మధ్య ఉన్న అనుసంధానంతో సహా ధాన్యం దిగుబడిపై ప్రభావం చూపే మూడు కీలకమైన భాగాలు ఉన్నాయి. ఓకాషా మరియు ఇతరులు. వివిధ సీజన్లలో వాలు మరియు వర్గీకరించబడిన నీటి వ్యవస్థ కుట్రల మధ్య ఒక ముఖ్యమైన అనుబంధాన్ని గమనించింది. కొంతమంది విశ్లేషకులు వివిధ పద్ధతులను ఉపయోగించారు, ఉదాహరణకు, నేల యొక్క వాస్తవ లక్షణాలపై ఆధారపడి నీటి వ్యవస్థ కొలతను అప్‌గ్రేడ్ చేయడానికి ఇంటర్నెట్ ఆఫ్ థింగ్స్ (IoT). ఏదైనా సందర్భంలో, ఈ పద్ధతులు భూమిని సమం చేయడంలో పాల్గొనవు. ల్యాండ్ లెవలింగ్ కోసం వివిధ వ్యూహాలు ధూళి యొక్క భౌతిక మరియు కృత్రిమ లక్షణాలను ప్రభావితం చేయగలవు మరియు తత్ఫలితంగా మొక్కల పునాది, రూట్ అభివృద్ధి, ఈథెరియల్ కవర్ మరియు దీర్ఘకాలిక పంట దిగుబడిలో వ్యత్యాసాలను కలిగిస్తాయి. తక్షణ పరిణామంగా, బహుశా మట్టి సంసిద్ధతలో ప్రధాన పురోగతి మరియు ముందుకు సాగవలసిన ఆహార సృష్టిలో కీలకమైన అంశం భూమిని సమం చేయడం. అదనంగా, ల్యాండ్ లెవలింగ్ కోసం తగ్గుతున్న పెట్రోలియం ఉత్పన్న వినియోగం గాలి మలినాలను తగ్గిస్తుంది మరియు సహజ స్థితిని మెరుగుపరుస్తుంది. నీరు మరియు మట్టి యొక్క ప్రాముఖ్యత మరియు ప్రభావాల గురించి అభివృద్ధి చెందుతున్న అవగాహన ఉంది, తద్వారా సామాజిక, ద్రవ్య మరియు వ్యవసాయ దృక్కోణాల నుండి అప్‌గ్రేడ్ చేయబడిన లేజర్ ల్యాండ్ లెవలింగ్ యొక్క భారీతను వెలికితీస్తుంది. వాతావరణంతో గుర్తించబడిన పనుల మెరుగుదల కోసం కొన్ని మెరుగుపరిచే పద్ధతులు ప్రతిపాదించబడినప్పటికీ, అవి వేర్వేరు అవాంఛిత ప్రభావాలను కలిగి ఉన్నాయి. PCలు మరియు ఇంటర్నెట్‌ను ఉపయోగించడం వలన గతంలో పేర్కొన్న ఇబ్బందికరమైన ప్రభావాలను తగ్గించడం ద్వారా ఈ విధమైన సమస్యలను పరిష్కరించే అసాధారణ సామర్థ్యాన్ని ప్రదర్శించారు. PC ఆధారిత పద్ధతులు చాలా ఉన్నాయి మరియు చివరి IoT నాటికి సాధారణంగా డిజైనింగ్ సమస్యలను చూసుకోవడానికి ఉపయోగించబడతాయి. ANNలు ఈ వ్యూహాలలో ఒకటి. ANN అనేది ఒక సహేతుకమైన వ్యూహం, దిగుబడి లేదా ఊహించిన వేరియబుల్ ఒకే విధమైన చక్రానికి వర్తించే విభిన్న సరిహద్దులకు సంబంధించి ప్రదర్శించబడుతుంది.ముఖ్యంగా తడి ప్రాంతాలలో ధూళి యొక్క తేమ పదార్థం ఎక్కువగా ఉంటుంది మరియు ఇది సమర్థవంతంగా తిరిగి పొందలేని పరిస్థితిని కలిగిస్తుంది. మరలా, భూమిని సమం చేయడం నీటి వ్యవస్థను పునర్వ్యవస్థీకరిస్తుంది, వ్యవసాయ వ్యాపారంతో గుర్తించబడిన వివిధ పద్ధతులలో క్షేత్ర పరిస్థితులను మెరుగుపరుస్తుంది మరియు మురికి ఉపరితలాన్ని నిర్దేశిస్తుంది మరియు దాని వాలును ప్రామాణికం చేస్తుంది. ఉద్దేశపూర్వకంగా, భూమి లెవలింగ్ యొక్క ప్రభావాలు, నీటి అప్లికేషన్ కోసం సాంకేతికతలు మరియు భూమి లెవలింగ్ మరియు నీటికి మధ్య ఉన్న అనుసంధానంతో సహా ధాన్యం దిగుబడిపై ప్రభావం చూపే మూడు కీలకమైన భాగాలు ఉన్నాయి. ఓకాషా మరియు ఇతరులు. వివిధ సీజన్లలో వాలు మరియు వర్గీకరించబడిన నీటి వ్యవస్థ కుట్రల మధ్య ఒక ముఖ్యమైన అనుబంధాన్ని గమనించింది. కొంతమంది విశ్లేషకులు వివిధ పద్ధతులను ఉపయోగించారు, ఉదాహరణకు, నేల యొక్క వాస్తవ లక్షణాలపై ఆధారపడి నీటి వ్యవస్థ కొలతను అప్‌గ్రేడ్ చేయడానికి ఇంటర్నెట్ ఆఫ్ థింగ్స్ (IoT). ఏదైనా సందర్భంలో, ఈ పద్ధతులు భూమిని సమం చేయడంలో పాల్గొనవు. ల్యాండ్ లెవలింగ్ కోసం వివిధ వ్యూహాలు ధూళి యొక్క భౌతిక మరియు కృత్రిమ లక్షణాలను ప్రభావితం చేయగలవు మరియు తత్ఫలితంగా మొక్కల పునాది, రూట్ అభివృద్ధి, ఈథెరియల్ కవర్ మరియు దీర్ఘకాలిక పంట దిగుబడిలో వ్యత్యాసాలను కలిగిస్తాయి. తక్షణ పరిణామంగా, బహుశా మట్టి సంసిద్ధతలో ప్రధాన పురోగతి మరియు ముందుకు సాగవలసిన ఆహార సృష్టిలో కీలకమైన అంశం భూమిని సమం చేయడం. అదనంగా, ల్యాండ్ లెవలింగ్ కోసం తగ్గుతున్న పెట్రోలియం ఉత్పన్న వినియోగం గాలి మలినాలను తగ్గిస్తుంది మరియు సహజ స్థితిని మెరుగుపరుస్తుంది. నీరు మరియు మట్టి యొక్క ప్రాముఖ్యత మరియు ప్రభావాల గురించి అభివృద్ధి చెందుతున్న అవగాహన ఉంది, తద్వారా సామాజిక, ద్రవ్య మరియు వ్యవసాయ దృక్కోణాల నుండి అప్‌గ్రేడ్ చేయబడిన లేజర్ ల్యాండ్ లెవలింగ్ యొక్క భారీతను వెలికితీస్తుంది. వాతావరణంతో గుర్తించబడిన పనుల మెరుగుదల కోసం కొన్ని మెరుగుపరిచే పద్ధతులు ప్రతిపాదించబడినప్పటికీ, అవి వేర్వేరు అవాంఛిత ప్రభావాలను కలిగి ఉంటాయి. PCలు మరియు ఇంటర్నెట్‌ను ఉపయోగించడం వలన గతంలో పేర్కొన్న ఇబ్బందికరమైన ప్రభావాలను తగ్గించడం ద్వారా ఈ విధమైన సమస్యలను పరిష్కరించే అసాధారణ సామర్థ్యాన్ని ప్రదర్శించారు. PC ఆధారిత పద్ధతులు చాలా ఉన్నాయి మరియు చివరి IoTలో సాధారణంగా డిజైనింగ్ సమస్యలను చూసుకోవడానికి ఉపయోగించబడతాయి. ANNలు ఈ వ్యూహాలలో ఒకటి. ANN అనేది ఒక సహేతుకమైన వ్యూహం, ఇదే సైకిల్‌కు వర్తించే విభిన్న సరిహద్దుల గురించి ప్రదర్శించబడే దిగుబడి లేదా ఊహించిన వేరియబుల్.నేల యొక్క వాస్తవ లక్షణాలపై ఆధారపడి నీటి వ్యవస్థ కొలతను అప్‌గ్రేడ్ చేయడానికి ఇంటర్నెట్ ఆఫ్ థింగ్స్ (IoT). ఏదైనా సందర్భంలో, ఈ పద్ధతులు భూమిని సమం చేయడంలో పాల్గొనవు. ల్యాండ్ లెవలింగ్ కోసం వివిధ వ్యూహాలు ధూళి యొక్క భౌతిక మరియు కృత్రిమ లక్షణాలను ప్రభావితం చేయగలవు మరియు తత్ఫలితంగా మొక్కల పునాది, రూట్ అభివృద్ధి, ఈథెరియల్ కవర్ మరియు దీర్ఘకాలిక పంట దిగుబడిలో వ్యత్యాసాలను కలిగిస్తాయి. తక్షణ పరిణామంగా, బహుశా మట్టి సంసిద్ధతలో ప్రధాన పురోగతి మరియు ముందుకు సాగవలసిన ఆహార సృష్టిలో కీలకమైన అంశం భూమిని సమం చేయడం. అదనంగా, ల్యాండ్ లెవలింగ్ కోసం తగ్గుతున్న పెట్రోలియం ఉత్పన్న వినియోగం గాలి మలినాలను తగ్గిస్తుంది మరియు సహజ స్థితిని మెరుగుపరుస్తుంది. నీరు మరియు మట్టి యొక్క ప్రాముఖ్యత మరియు ప్రభావాల గురించి అభివృద్ధి చెందుతున్న అవగాహన ఉంది, తద్వారా సామాజిక, ద్రవ్య మరియు వ్యవసాయ దృక్కోణాల నుండి అప్‌గ్రేడ్ చేయబడిన లేజర్ ల్యాండ్ లెవలింగ్ యొక్క భారీతను వెలికితీస్తుంది. వాతావరణంతో గుర్తించబడిన పనుల మెరుగుదల కోసం కొన్ని మెరుగుపరిచే పద్ధతులు ప్రతిపాదించబడినప్పటికీ, అవి వేర్వేరు అవాంఛిత ప్రభావాలను కలిగి ఉన్నాయి. PCలు మరియు ఇంటర్నెట్‌ను ఉపయోగించడం వలన గతంలో పేర్కొన్న ఇబ్బందికరమైన ప్రభావాలను తగ్గించడం ద్వారా ఈ విధమైన సమస్యలను పరిష్కరించే అసాధారణ సామర్థ్యాన్ని ప్రదర్శించారు. PC ఆధారిత పద్ధతులు చాలా ఉన్నాయి మరియు చివరి IoT నాటికి సాధారణంగా డిజైనింగ్ సమస్యలను చూసుకోవడానికి ఉపయోగించబడతాయి. ANNలు ఈ వ్యూహాలలో ఒకటి. ANN అనేది ఒక సహేతుకమైన వ్యూహం, ఇదే సైకిల్‌కు వర్తించే విభిన్న సరిహద్దుల గురించి ప్రదర్శించబడే దిగుబడి లేదా ఊహించిన వేరియబుల్.నేల యొక్క వాస్తవ లక్షణాలపై ఆధారపడి నీటి వ్యవస్థ కొలతను అప్‌గ్రేడ్ చేయడానికి ఇంటర్నెట్ ఆఫ్ థింగ్స్ (IoT). ఏదైనా సందర్భంలో, ఈ పద్ధతులు భూమిని సమం చేయడంలో పాల్గొనవు. ల్యాండ్ లెవలింగ్ కోసం వివిధ వ్యూహాలు ధూళి యొక్క భౌతిక మరియు కృత్రిమ లక్షణాలను ప్రభావితం చేయగలవు మరియు తత్ఫలితంగా మొక్కల పునాది, రూట్ అభివృద్ధి, ఈథెరియల్ కవర్ మరియు దీర్ఘకాలిక పంట దిగుబడిలో వ్యత్యాసాలను కలిగిస్తాయి. తక్షణ పరిణామంగా, బహుశా మట్టి సంసిద్ధతలో ప్రధాన పురోగతి మరియు ముందుకు సాగవలసిన ఆహార సృష్టిలో కీలకమైన అంశం భూమిని సమం చేయడం. అదనంగా, ల్యాండ్ లెవలింగ్ కోసం తగ్గుతున్న పెట్రోలియం ఉత్పన్న వినియోగం గాలి మలినాలను తగ్గిస్తుంది మరియు సహజ స్థితిని మెరుగుపరుస్తుంది. నీరు మరియు మట్టి యొక్క ప్రాముఖ్యత మరియు ప్రభావాల గురించి అభివృద్ధి చెందుతున్న అవగాహన ఉంది, తద్వారా సామాజిక, ద్రవ్య మరియు వ్యవసాయ దృక్కోణాల నుండి అప్‌గ్రేడ్ చేయబడిన లేజర్ ల్యాండ్ లెవలింగ్ యొక్క భారీతను వెలికితీస్తుంది. వాతావరణంతో గుర్తించబడిన పనుల మెరుగుదల కోసం కొన్ని మెరుగుపరిచే పద్ధతులు ప్రతిపాదించబడినప్పటికీ, అవి వేర్వేరు అవాంఛిత ప్రభావాలను కలిగి ఉన్నాయి. PCలు మరియు ఇంటర్నెట్‌ను ఉపయోగించడం వలన గతంలో పేర్కొన్న ఇబ్బందికరమైన ప్రభావాలను తగ్గించడం ద్వారా ఈ విధమైన సమస్యలను పరిష్కరించే అసాధారణ సామర్థ్యాన్ని ప్రదర్శించారు. PC ఆధారిత పద్ధతులు చాలా ఉన్నాయి మరియు చివరి IoT నాటికి సాధారణంగా డిజైనింగ్ సమస్యలను చూసుకోవడానికి ఉపయోగించబడతాయి. ANNలు ఈ వ్యూహాలలో ఒకటి. ANN అనేది ఒక సహేతుకమైన వ్యూహం, ఇదే సైకిల్‌కు వర్తించే విభిన్న సరిహద్దుల గురించి ప్రదర్శించబడే దిగుబడి లేదా ఊహించిన వేరియబుల్.దిగుబడి లేదా ఊహించిన వేరియబుల్ ఒకే విధమైన చక్రానికి వర్తించే విభిన్న సరిహద్దులకు సంబంధించి ప్రదర్శించబడుతుంది.దిగుబడి లేదా ఊహించిన వేరియబుల్ ఒకే విధమైన చక్రానికి వర్తించే విభిన్న సరిహద్దులకు సంబంధించి ప్రదర్శించబడుతుంది.