एक IoT आधारित जल गुणवत्ता वर्गीकरण फ्रेमवर्क जल और पर्यावरणीय चर के माध्यम से एक्वा-पॉंड के लिए CGTFN मॉडल का उपयोग करके

सार जलवायु आवासों में जल गुणवत्ता बनाए रखना जलीय प्रजातियों के स्वास्थ्य के लिए महत्वपूर्ण है, विशेष रूप से मछलियों के लिए। यह अध्ययन जल गुणवत्ता वर्गीकरण के लिए एक अभिनव विधि का शुभारंभ करता है, जो IoT-चालित डेटा अधिग्रहण और मछली आवासों पर विचार करते हुए एक्वा- एन्वाइरो इंडेक्स (AEI) के साथ विस्तृत डेटा लेबलिंग का लाभ उठाता है। मौजूदा तंत्र जटिल अस्थायी गतिशीलता को पकड़ने में असफल होते हैं और बड़े मात्रा में लेबल वाले डेटा पर निर्भर करते हैं, जो मौलिक सीमाओं को उजागर करता है। इसके जवाब में, हम डीप लर्निंग आधारित कन्वोल्यूशनल गेटेड पुनरावृत्ति यूनिट टेम्पो फ्यूजन नेटवर्क (CGTFN) मॉडल का वर्णन करते हैं, जो जल गुणवत्ता के मूल्यांकन में एक महत्वपूर्ण विकास का प्रतिनिधित्व करता है। यह मॉडल स्थानिक पैटर्न पहचान के लिए कन्वोल्यूशनल न्यूरल नेटवर्क (CNNs) और अस्थायी इंटरएक्शन के लिए गेटेड रिकरंट यूनिट्स (GRUs) को निर्बाध रूप से मिलाकर इन प्रतिबंधों को संबोधित करता है। टेम्पो फ्यूजन तंत्र स्थानिक, अस्थायी, और संदर्भ डेटा को सामंजस्य से जोड़ता है, जो पर्यावरणीय तत्वों के बीच सूक्ष्म आपसी निर्भरताओं को पहचानने के द्वारा अधिक जटिल वर्गीकरणों की अनुमति देता है। अभिनव CGTFN मॉडल पिछले मॉडलों से उत्कृष्टता प्रदर्शित करता है, सार्वजनिक-पर्यावरण और वास्तविक समय-पर्यावरण डेटा सेटों पर क्रमशः 99.71% और 99.81% सटीकता प्राप्त करता है, स्थापित मॉडलों को 98.2% से अधिक करता है। ये आश्चर्यजनक निष्कर्ष जल गुणवत्ता मूल्यांकन में CGTFN की व्यवधानकारी क्षमता को उजागर करते हैं, प्रौद्योगिकी और पर्यावरण प्रबंधन के बीच की खाई को भरते हैं, जिसके परिणाम मछलीपालन से लेकर संसाधन स्थिरता तक फैले हुए हैं।