GENERAL INFORMATION
| HOME | ABOUT US | ARCHIVE | AIMS AND SCOP | AUTHORS | REVIEW | SUMIBMIT MANUSCRIPT | EDITORIAL BOARED | PUBLICATION FEE |
| HOME || ABOUT US || ARCHIVES || AIMS AND SCOP || AUTHORS || REVIEW|| SUBMIT MANUSCRIPT || EDITORIAL BOARD |
| Info-AJIRAS-® Journal ISSN 2429-5396 (Online) / Reference CIF/15/0289M |
American Journal of Innovative Research & Applied Sciences
|
American Journal of innovative
Research & Applied Sciences
Research & Applied Sciences
ISSN 2429-5396 (Online)
OCLC Number: 920041286
OCLC Number: 920041286
Authors Contact
*Correspondant author and authors Copyright © 2024:
| Razafimandimby Fabrice 1.2* | Jean Claude Rakotoarisoa 1.2 | Rakotoniriana Jimmy Bona Michel 1.3 | et | Jean Nirinarison Razafinjaka 1.2 |
Affiliation.
1 École Doctorale Thématique Énergies Renouvelables et Environnement | Université d’Antsiranana | Madagascar |
2 Laboratoire d’Automatique | École Supérieure Polytechnique | Université d’Antsiranana | Madagascar |
3 Laboratoire des Machines Electriques | École Supérieure Polytechnique | Université d’Antsiranana | Madagascar |
This article is made freely available as part of this journal's Open Access:
[ Doi : https://doi.org/10.5281/zenodo.14270463]
*Correspondant author and authors Copyright © 2024:
| Razafimandimby Fabrice 1.2* | Jean Claude Rakotoarisoa 1.2 | Rakotoniriana Jimmy Bona Michel 1.3 | et | Jean Nirinarison Razafinjaka 1.2 |
Affiliation.
1 École Doctorale Thématique Énergies Renouvelables et Environnement | Université d’Antsiranana | Madagascar |
2 Laboratoire d’Automatique | École Supérieure Polytechnique | Université d’Antsiranana | Madagascar |
3 Laboratoire des Machines Electriques | École Supérieure Polytechnique | Université d’Antsiranana | Madagascar |
This article is made freely available as part of this journal's Open Access:
[ Doi : https://doi.org/10.5281/zenodo.14270463]
| ISSN: 2429-5396 (e) | https://www.american-jiras.com | |
| Web Site Form: v 0.1.05 | JF 22 Cours, Wellington le Clairval, Lillebonne | France |
| Web Site Form: v 0.1.05 | JF 22 Cours, Wellington le Clairval, Lillebonne | France |
Abstarct7-December-2023
DECEMBER | ISSUE N° 6 | 2024 |
| ARTICLES | Am. J. innov. res. appl. sci. Volume 19, Issue - 6 Pages 19-28 (December, 2024)
| ARTICLES | Am. J. innov. res. appl. sci. Volume 19, Issue - 6 Pages 19-28 (December, 2024)
RESUME
RÉSUME
Introduction À Nosy-Be, l'exploitation d'huile essentielle d'ylang-ylang, crucial pour l'économie locale, repose majoritairement sur l'utilisation du bois pour alimenter les alambics, ce qui contribue de manière significative à la déforestation. Ce phénomène s'intensifie avec la croissance démographique, mettant en péril les ressources forestières de l'île. Objectif : Cette étude vise à modéliser l'impact de cette consommation sur la déforestation et à explorer des alternatives énergétiques pour réduire les pressions environnementales. L'objectif principal est d'évaluer l'évolution de la déforestation jusqu'en 2035 et d'identifier des solutions durables. Méthodes : Deux approches ont été comparées : les réseaux de neurones artificiels et la régression linéaire multiple. Les réseaux de neurones permettent de modéliser les relations complexes entre variables telles que la population, la consommation de bois et l'efficacité des alambics. En revanche, la régression linéaire multiple offre une méthode plus simple et transparente. Résultats : Les réseaux de neurones prévoient une consommation annuelle de 46 995 m³ de bois, conduisant à une déforestation de 46,99 km² d'ici 2035. La régression linéaire multiple, quant à elle, estime une déforestation légèrement supérieure de 52,84 km². Cette différence s'explique par la capacité des neurones à mieux capturer les interactions entre les différentes variables. Conclusion : Cette étude souligne l'urgence d'adopter des systèmes énergétiques renouvelables, comme les systèmes photovoltaïques, pour réduire la consommation de bois. Une telle transition permettrait non seulement de limiter la déforestation, mais également de soutenir durablement l'économie locale tout en préservant l'environnement.
Mots clés : Régression linéaire, modélisation, consommation, population, énergie renouvelable.
ABSTRACT
Introduction: In Nosy-Be, the production of ylang-ylang essential oil, crucial for the local economy, relies primarily on wood consumption to fuel distillation stills, significantly contributing to deforestation. This phenomenon intensifies with population growth, endangering the island's forest resources. Objective: This study aims to model the impact of this consumption on deforestation and explore energy alternatives to reduce environmental pressures. The main objective is to assess the evolution of deforestation until 2035 and identify sustainable solutions. Methods: Two approaches were compared: artificial neural networks and multiple linear regression. Neural networks allow the modeling of complex between variables such as population, wood consumption, and still efficiency. In contrast, multiple linear regression offers a simpler and more transparent method. Results: Neural networks predict an annual wood consumption of 46,995 m³, leading to deforestation of 46.99 km² by 2035. Multiple linear regression estimates a slightly higher deforestation of 52.84 km². This difference is explained by the neural networks' ability to better capture interactions between different variables. Conclusion: This study emphasizes the urgency of adopting renewable energy systems, such as photovoltaic systems, to reduce wood consumption. Such a transition would not only limit deforestation but also sustainably support the local economy while preserving the environment.
Keywords: Linear regression, modeling, consumption, population, renewable energy.Keywords: Gold panning, Incidence, Forest resources, Siguiri, Guinea
RÉSUME
Introduction À Nosy-Be, l'exploitation d'huile essentielle d'ylang-ylang, crucial pour l'économie locale, repose majoritairement sur l'utilisation du bois pour alimenter les alambics, ce qui contribue de manière significative à la déforestation. Ce phénomène s'intensifie avec la croissance démographique, mettant en péril les ressources forestières de l'île. Objectif : Cette étude vise à modéliser l'impact de cette consommation sur la déforestation et à explorer des alternatives énergétiques pour réduire les pressions environnementales. L'objectif principal est d'évaluer l'évolution de la déforestation jusqu'en 2035 et d'identifier des solutions durables. Méthodes : Deux approches ont été comparées : les réseaux de neurones artificiels et la régression linéaire multiple. Les réseaux de neurones permettent de modéliser les relations complexes entre variables telles que la population, la consommation de bois et l'efficacité des alambics. En revanche, la régression linéaire multiple offre une méthode plus simple et transparente. Résultats : Les réseaux de neurones prévoient une consommation annuelle de 46 995 m³ de bois, conduisant à une déforestation de 46,99 km² d'ici 2035. La régression linéaire multiple, quant à elle, estime une déforestation légèrement supérieure de 52,84 km². Cette différence s'explique par la capacité des neurones à mieux capturer les interactions entre les différentes variables. Conclusion : Cette étude souligne l'urgence d'adopter des systèmes énergétiques renouvelables, comme les systèmes photovoltaïques, pour réduire la consommation de bois. Une telle transition permettrait non seulement de limiter la déforestation, mais également de soutenir durablement l'économie locale tout en préservant l'environnement.
Mots clés : Régression linéaire, modélisation, consommation, population, énergie renouvelable.
ABSTRACT
Introduction: In Nosy-Be, the production of ylang-ylang essential oil, crucial for the local economy, relies primarily on wood consumption to fuel distillation stills, significantly contributing to deforestation. This phenomenon intensifies with population growth, endangering the island's forest resources. Objective: This study aims to model the impact of this consumption on deforestation and explore energy alternatives to reduce environmental pressures. The main objective is to assess the evolution of deforestation until 2035 and identify sustainable solutions. Methods: Two approaches were compared: artificial neural networks and multiple linear regression. Neural networks allow the modeling of complex between variables such as population, wood consumption, and still efficiency. In contrast, multiple linear regression offers a simpler and more transparent method. Results: Neural networks predict an annual wood consumption of 46,995 m³, leading to deforestation of 46.99 km² by 2035. Multiple linear regression estimates a slightly higher deforestation of 52.84 km². This difference is explained by the neural networks' ability to better capture interactions between different variables. Conclusion: This study emphasizes the urgency of adopting renewable energy systems, such as photovoltaic systems, to reduce wood consumption. Such a transition would not only limit deforestation but also sustainably support the local economy while preserving the environment.
Keywords: Linear regression, modeling, consumption, population, renewable energy.Keywords: Gold panning, Incidence, Forest resources, Siguiri, Guinea
Subject
Saturday, December 07, 2024
Lorem ipsum dolor sit amet, consectetur adipisicing elit, sed do eiusmod tempor incididunt ut labore et dolore magna aliqua.Send Comments
| Razafimandimby Fabrice 1.2* | Jean Claude Rakotoarisoa 1.2 | Rakotoniriana Jimmy Bona Michel 1.3 | et | Jean
Nirinarison Razafinjaka 1.2 |. Am. J. innov. res. appl. sci. 2024; 19(6):29-35.
| | | XML FILE | | https://doi.org/10.5281/zenodo.14270463 |