The desire to increase resource management efficacy in the construction sector is expanding because of measures to reduce costs, boost productivity, and minimize environmental impact. The Internet of Things (IoT) has the potential to alter resource management in the construction sector by delivering real-time data and insights that may assist decision-makers in optimizing resource allocation and usage. Incorporating Internet of Things (IoT) technology into the construction sector will be investigated in this study to discover how resource management is affected. The aim of the study is to identify the essential aspects that promote optimal IoT integration and to investigate how IoT may influence resource management. The relations between variables and their fundamental elements are investigated using structural equation modelling (SEM). In the context of building projects, the study analyses how IoT integration influences resource allocation and utilization, real-time monitoring, and proactive maintenance. The building sector in Malaysia provides concepts on IoT in resource management. Based on this research's outcomes, there is a distinct association between the utilization of IoT technology and effective resource management in the construction sector. IoT adoption is affected by a multiplicity of issues, including data analytics, data security and privacy, integration and interoperability, scalability, and flexibility. This study contributes to addressing considerable gaps in the corpus of information on IoT technology integration in the construction sector. It analyses how IoT may effect resource management, emphasizing how IoT technology may enhance the efficacy of human, mechanical, and material resources.

Air quality degradation presents a significant public health challenge, particularly in rapidly urbanizing regions where changes in land use/land cover (LULC) can dramatically influence pollution levels. This study investigates the association between LULC changes and air pollution (AP) in the five fastest-growing cities of Bangladesh from 1998 to 2021. Leveraging satellite data from Landsat and Sentinel-5P, the analysis reveals a substantial increase in urban areas and sparse vegetation, with declines in dense vegetation and water bodies over this period. Urban expansion was most pronounced in Sylhet (22-254%), while Khulna experienced the largest increase in sparse vegetation (2-124%). Dense vegetation loss was highest in Dhaka (20-77%) and water bodies (9-59%) over this period. Concentrations of six major air pollutants (APTs) - aerosol index, CO, HCHO, NO2, O3, and SO2 - were quantified, showing alarmingly high levels in densely populated industrial and commercial zones. Pearson's correlation indicates strong positive associations between APTs and urban land indices (R>0.8), while negative correlations exist with vegetation indices. Geographically weighted regression modeling identifies city centers with dense urban built-up as pollution hotspots, where APTs exhibited stronger impacts on land cover changes (R2 > 0.8) compared to other land classes. The highest daily emissions were observed for O3 (1031 tons) and CO (356 tons) at Chittagong in 2021. In contrast, areas with substantial green cover displayed weaker pollutant-land cover associations. These findings underscore how unplanned urbanization drives AP by replacing natural land cover with emission sources, providing crucial insights to guide sustainable urban planning strategies integrating pollution mitigation and environmental resilience.

Forest biomass is essential for carbon budgeting, biodiversity health, and climate change research. This study developed a novel L-band fully polarimetric SAR method for estimating aboveground biomass (AGB) in a forested region in India. Biomass was estimated using fully polarimetric ALOS-2/PALSAR-2 data sets and field AGB measurements. To estimate forest AGB, the algorithm employs a seven-component scattering power decomposition (7SD) and a random forest regression (RFR) machine-learning approach. By implementing the 7SD model, the seven scattering powers were extracted from ALOS-2/PALSAR-2 inverted for aboveground biomass. The field data were used to validate the biomass estimated by the model. The 7SD model estimated AGB in Shivamogga was consistent with field measured biomass. The root mean squared error (RMSE) and relative RMSE with respect to mean AGB were 21.94 Mg/ha and 19.46, respectively, which are within acceptable ranges. The 7SD model was also used for cross-validation at Tundi Forest, where the relative RMSE with respect to the mean AGB was 22.9. The scattering powers generated from L-band fully polarimetric data can be useful in tropical forest AGB estimation.

Rivers play a crucial role in nutrient cycling, yet are increasingly affected by eutrophication due to anthropogenic activities. This study focuses on the Barato River in Hokkaido, Japan, employing an integrated approach of field measurements and Sentinel-2 satellite remote sensing to monitor eutrophication as the river experiencing huge sewage effluents. Key parameters such as chlorophyll-a (Chla), dissolved inorganic nitrogen (DIN), dissolved inorganic phosphorus (DIP), and Secchi Disk Depth (SDD) were analyzed. The developed empirical models showed a strong predictive capability for water quality, particularly for Chla (R2 = 0.87), DIP (R2 = 0.61), and SDD (R2 = 0.82). Seasonal analysis indicated peak Chla concentrations in October, reaching up to 92.4 μg/L, alongside significant decreases in DIN and DIP, suggesting high phytoplankton activity. Advanced machine learning models, specifically back propagation neural networks, improved the prediction accuracy with R2 values up to 0.90 for Chla and 0.83 for DIN. Temporal analyses from 2018 to 2022 consistently revealed the Barato River’s eutrophic state, with severe eutrophication occurring for 33% of the year and moderate for over 50%, emphasizing the ongoing nutrient imbalance. The strong correlation between DIP and Chla highlights phosphorus as the main driver of eutrophication. These findings demonstrate the efficacy of integrating remote sensing and machine learning for dynamic monitoring of river eutrophication, providing critical insights for nutrient management and water quality improvement.