Дмитрий Владиславович Сон – Магистрант
010000, Республика Казахстан, г. Астана, пр. Мәңгілік Ел, С1
Dmitriy Vladislavovich Son – Master's Student
010000, Republic of Kazakhstan, Astana, Mangilik El Avenue, С1
Эта исследовательский проект представляет собой комплексный метаанализ в области сельскохозяйственной науки, в котором особое внимание уделяется прогнозированию урожайности сельскохозяйственных культур. Это исследование включает в себя сопоставление и синтез результатов различных исследований и статей, в которых рассматриваются различные методологии и модели прогнозирования сельскохозяйственной продукции. Целью этого всеобъемлющего обзора является выявление тенденций, методологий и ключевых факторов, которые последовательно влияют на прогнозы урожайности сельскохозяйственных культур в рамках различных исследований.В нем обобщены методологии из различных исследований, особое внимание уделяется методам машинного обучения (ML), таким как методы опорных векторов (SVM), случайный лес (RF) и сверточные нейронные сети (CNN). Эти исследования объединяют спутниковые снимки высокого разрешения с экологическими показателями, такими как NDVI, EVI и LAI. Химические свойства почвы (рН, питательные вещества) и полученные со спутника данные были использованы для улучшения прогнозирования урожайности различных культур. Полученные результаты свидетельствуют о сравнительной эффективности различных моделей при обработке пространственной и временной изменчивости как наземных, так и подземных данных, что повышает точность прогнозирования в различных условиях окружающей среды и почвы.Благодаря этому теоретическому анализу исследование подчеркивает потенциал передовых аналитических моделей для преобразования сельскохозяйственного мониторинга и прогнозирования, предоставляя важную информацию, которая может помочь в оптимизации сельскохозяйственной политики и управлении ресурсами.
This research project serves as a comprehensive meta-analysis in the field of agricultural science, specifically focusing on the prediction of crop yields. This endeavor involves collating and synthesizing findings from a variety of studies and articles that have explored different methodologies and models for forecasting agricultural outputs. The objective of this comprehensive review is to identify trends, methodologies, and key factors that consistently influence crop yield predictions across different studies.It synthesizes methodologies from various studies, emphasizing machine learning (ML) techniques like Support Vector Machines (SVM), Random Forest (RF), and Convolutional Neural Networks (CNN). These studies integrate high-resolution satellite imagery with environmental indices such as NDVI, EVI, and LAI. Soil chemical properties (pH, nutrients) and satellite-derived data were used to enhance the prediction of crop yields for diverse crops. The findings highlight the comparative effectiveness of different models in handling the spatial and temporal variability of both above-ground and below-ground data, improving prediction accuracy under varying environmental and soil conditions.Through this theoretical analysis, the research underscores the potential of advanced analytical models to transform agricultural monitoring and prediction, providing critical insights that can aid in the optimization of agricultural policies and resource management.
The authors declare that there are no conflicts of interest present.