Recent applications of machine learning, remote sensing, and iot approaches in yield prediction: a critical review

要約

農業におけるリモート センシングと機械学習の統合により、データ分析を通じて洞察と予測が提供され、業界に変革がもたらされています。
この組み合わせにより、収量予測と水管理が改善され、効率が向上し、収量が向上し、より持続可能な農業実践が実現します。
国連の持続可能な開発目標、特に「飢餓ゼロ」を達成するには、作物の収量と降水量のギャップを調査する必要があり、これは人工知能 (AI)、機械学習 (ML)、リモート センシング (RS) の使用を通じて達成できます。
）、モノのインターネット（IoT）。
これらのテクノロジーを統合することで、堅牢な農業用モバイル アプリケーションや Web アプリケーションを開発でき、農家や意思決定者に作物管理を改善し効率を高めるための貴重な情報とツールを提供できます。
いくつかの研究で、これらの新しいテクノロジーと、作物の監視、収量予測、灌漑管理などのさまざまなタスクに対するその可能性が調査されています。この論文では、批判的なレビューを通じて、RS、ML、クラウド コンピューティング、および作物における IoT を使用した関連記事をレビューしています。
収量予測。
作物収量の予測と水管理について文献で提案されているさまざまな機械学習アプローチを批判的に評価することにより、この分野の現在の最先端技術をレビューします。
これらの方法が農業生産システムにおける意思決定をどのように改善できるかについての洞察を提供します。
この研究は、一次文献に関する収量予測に興味がある人にとっての要約として役立ちますが、最も重要なのは、リアルタイムでロバストな予測にどのようなアプローチを使用できるかです。

要約(オリジナル)

The integration of remote sensing and machine learning in agriculture is transforming the industry by providing insights and predictions through data analysis. This combination leads to improved yield prediction and water management, resulting in increased efficiency, better yields, and more sustainable agricultural practices. Achieving the United Nations’ Sustainable Development Goals, especially ‘zero hunger,’ requires the investigation of crop yield and precipitation gaps, which can be accomplished through, the usage of artificial intelligence (AI), machine learning (ML), remote sensing (RS), and the internet of things (IoT). By integrating these technologies, a robust agricultural mobile or web application can be developed, providing farmers and decision-makers with valuable information and tools for improving crop management and increasing efficiency. Several studies have investigated these new technologies and their potential for diverse tasks such as crop monitoring, yield prediction, irrigation management, etc. Through a critical review, this paper reviews relevant articles that have used RS, ML, cloud computing, and IoT in crop yield prediction. It reviews the current state-of-the-art in this field by critically evaluating different machine-learning approaches proposed in the literature for crop yield prediction and water management. It provides insights into how these methods can improve decision-making in agricultural production systems. This work will serve as a compendium for those interested in yield prediction in terms of primary literature but, most importantly, what approaches can be used for real-time and robust prediction.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google