Enhancing Strawberry Yield Forecasting with Backcasted IoT Sensor Data and Machine Learning

要約

世界的に急速に人口増加しているため、デジタル対応の農業部門は、持続可能な食料生産と、農家やさまざまな利害関係者の資源管理に関する情報に基づいた決定を下すために重要です。
さまざまな環境（温度、湿度など）のリアルタイム観測を収集するモノのインターネット（IoT）テクノロジーの展開および生産に影響を与える運用要因（灌漑など）は、AIベースの収量予測などの追加の新しいダウンストリームタスクを可能にする重要なステップと見なされます。
ただし、AIモデルには大量のデータが必要なため、これは多くのシーズンにわたってIoTの観測を収集する必要がある実際の動的な農場環境で実用的な課題を生み出します。
この研究では、2つの成長期のイチゴ生産ポリトゥンネルにIoTセンサーを展開して、水使用、外部および内部温度、外湿度、土壌水分、土壌温度、光合成活性放射などの環境データを収集しました。
センサーの観測は、4シーズンの期間にわたる手動で提供された収量記録と組み合わされました。
2つの追加シーズンのIoT観測の欠落のギャップを埋めるために、近くの気象局と既存のポリトゥンネル観測からの歴史的な気象データを使用して、合成センサーの観測を生成するAIベースのバックキャスティングアプローチを提案します。
実際の観測と合成観測の組み合わせを使用して、アプローチを評価するために、AIベースの収量予測モデルを構築しました。
我々の結果は、合成データを組み込むことで収量予測の精度が向上し、合成データを組み込んだモデルが履歴収量、天気記録、実際のセンサーデータでのみトレーニングされたものよりも優れていることを実証しました。

要約(オリジナル)

Due to rapid population growth globally, digitally-enabled agricultural sectors are crucial for sustainable food production and making informed decisions about resource management for farmers and various stakeholders. The deployment of Internet of Things (IoT) technologies that collect real-time observations of various environmental (e.g., temperature, humidity, etc.) and operational factors (e.g., irrigation) influencing production is often seen as a critical step to enable additional novel downstream tasks, such as AI-based yield forecasting. However, since AI models require large amounts of data, this creates practical challenges in a real-world dynamic farm setting where IoT observations would need to be collected over a number of seasons. In this study, we deployed IoT sensors in strawberry production polytunnels for two growing seasons to collect environmental data, including water usage, external and internal temperature, external and internal humidity, soil moisture, soil temperature, and photosynthetically active radiation. The sensor observations were combined with manually provided yield records spanning a period of four seasons. To bridge the gap of missing IoT observations for two additional seasons, we propose an AI-based backcasting approach to generate synthetic sensor observations using historical weather data from a nearby weather station and the existing polytunnel observations. We built an AI-based yield forecasting model to evaluate our approach using the combination of real and synthetic observations. Our results demonstrated that incorporating synthetic data improved yield forecasting accuracy, with models incorporating synthetic data outperforming those trained only on historical yield, weather records, and real sensor data.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google