The rapid advancement of IoT (Internet of Things) technologies and sophisticated machine learning models is driving innovation in irrigation systems, laying the foundation for more effective and eco-friendly smart agricultural procedures. This systematic literature review strives to uncover the advancements and challenges in the advancement and implementation of IoT-based smart irrigation systems integrated with advanced machine learning techniques. By analyzing 43 relevant studies published between 2017 and 2024, the research focuses on the ability of these technologies have evolved to meet the challenges of modern agriculture irrigation system. Predictive analytics, anomaly detection, and adaptive control—that enhance irrigation precision and decision-making processes. Employing the PRISMA methodology, this review uncovers the strengths and limitations of current systems, highlighting significant achievements in real-time data utilization and system responsiveness. However, it also brings attention to unresolved issues, including the complexities of data integration, network reliability, and the scalability of IoT-based frameworks. Additionally, the study identifies crucial gaps in standardization and the need for flexible solutions that can adapt to diverse environmental conditions. By offering a comprehensive analysis, this review provides key insights for advancing smart irrigation technologies, emphasizing the importance of continued research in overcoming the existing barriers to wider adoption and effectiveness in various agricultural settings.

Cross-language detection is a challenging task that involves identifying the language of a given text across multiple languages, often in noisy or mixed-language environments. This also identify and classify text across different languages for various applications, such as multilingual sentiment analysis, language translation and cross-border content moderations. Traditional approaches often rely on rule-based systems or monolingual models, which lack scalability and adaptability to diverse linguistic structures. In this study, we propose a hybrid deep learning model combining Long Short-Term Memory (LSTM) and Gated Recurrent Unit (GRU) networks to enhance language detection accuracy and robustness. LSTM and GRU, known for their ability to capture long-term dependencies and reduce vanishing gradient problems, are integrated to leverage their complementary strengths. The model is evaluated using BLEU scores, a widely accepted metric for evaluating linguistic quality, and perplexity, which measures the model's ability to predict a sequence of words. Our experimental results demonstrate that the hybrid deep learning model outperforms traditional approaches, achieving high BLEU scores and low perplexity across diverse multilingual datasets. This approach not only improves language detection accuracy but also reduces computational complexity, making it suitable for real-time applications in multilingual text processing. The proposed model shows promise in real-world applications, enabling efficient cross-language detection in multilingual environments.

In the field of cognitive healthcare Internet of Things (CH-IoT), there is a strong demand for reliable and minimally intrusive smart gadgets that consistently acquire, analyse, and obtain the confidential health details of the individual. In fact, CH-IoT is empowered with artificial intelligence (AI) to transmute a fewer operational inputs into actionable, intelligent actions through the digitization of medical healthcare data. However, these systems consume more network complexity, interaction, and overhead costs, while inducing a blend of susceptibility and confidentiality issues. In support of this complexity, these cognitive systems need centralised data collection and to be gathered and analysed, which affects scalability issues and adds fuel to privacy and security breaches. Even though it possesses greater intricacy in its potential application, a substantial factor is maintaining the private preservation of healthcare data against the growing attacks. Thus, this paper presents a distributed privacy-preserving, chaotic encryption-based framework that can be deployed for CH-IoT systems to safeguard sensitive data against message modification, denial of service (DoS), and man-in-the-middle attacks (MIM), guaranteeing privacy and data integrity. The proposed framework integrated the federated learning layered hybrid chaotic encryption strategies by investigating through examination the learning infrastructure of convolutional neural networks (CNN). In the examination, the complete framework was carried out in the Tensorflow Federated Learning Libraries (FLL), and numerous performance metrics such as accuracy, precision, recall, f1-score, transmission efficiency, and overhead ratio were measured and contrasted with the various existing frameworks. For the intensive analysis, formal and informal security experiments were also conducted by NIST (National Institute of Science and Technology). The analytical results illustrate the importance of the proposed framework by achieving better security performance and outperforming the other existing models. Lastly, the proposed framework has more potential than the other existing frameworks and finds its place in real-time healthcare systems, but it needs to be improvised for real-time datasets.