ПРОГНОЗИРОВАНИЕ УРОЖАЙНОСТИ ПОЧВЫ

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.

1. Statistical Estimation of Crop Yields for the Midwestern United States Using Satellite Images, Climate Datasets, and Soil Property Maps / N. Kim et al // Korean Journal of Remote Sensing. – 2016. – № 32(4). – Р. 383-401.

2. Kim N. Machine Learning Approaches to Corn Yield Estimation Using Satellite Images and Climate Data: A Case of Iowa State / N. Kim, Y.-W. Lee // Journal of the Korean Society of Surveying, Geodesy, Photogrammetry and Cartography. – 2016. – № 34(4). – Р. 383-390.

3. Chang J. Identifying Factors for Corn Yield Prediction Models and Evaluating Model Selection Methods / J. Chang, D.E. Clay // Korean Journal of Crop Science. – 2005. – № 50(4). – Р. 268-275.

4. Boosted random forest / Y. Mishina et al // IEICE Transactions on Information and Systems. – 2005. – № E98.D(9). – Р. 1630-1636. https://doi.org/10.1587/transinf.2014OPP0004.

5. Li.Y. Regional segmentation of field images based on convolutional neural network for rice combine harvester. / Y. Li., M. Iida, M. Suguri, R. Masuda // Journal of the Japanese Society of Agricultural Machinery and Food Engineers. – 2020. – № 82(1). – Р. 47-56. https://doi.org/10.11357/jsamfe.82.1_47.

6. Park H. Satellite-based cabbage and radish yield prediction using deep learning in Kangwon-do / H. Park, Y. Lee, S. Park // Korean Journal of Remote Sensing. – 2023. – Vol. 39. – Р. 1031-1042. https://koreascience.kr/article/JAKO202331857673593.page.

7. Sung J.H. Rice yield prediction based on the soil chemical properties using neural network model / J.H. Sung, D.H. Lee // Journal of Biosystems Engineering. – 2004. – № 29(2). – Р. 123-135.

8. Relationships between global climate indices and rain-fed crop yields in highland of SouthCentral Java, Indonesia / B.D.A. Nugroho et al // Journal of Geography (Chigaku Zasshi). – 2013. – № 122(3). – Р. 438-447. https://doi.org/10.5026/jgeography.122.438.

9. Purwanto M.Y.J. Crop yield prediction by stress day indices under both excessive and deficient soil water conditions / M.Y.J. Purwanto, S. Hardjoamidjojo, R. Nakamura, N. Kubo // Journal of Irrigation Engineering and Rural Planning. – 1993. – № 25. – Р. 31-41. https://doi.org/10.11408/jierp1982.1993.25_31.

10. Jun S.H. A differential evolution based support vector clustering / S.H. Jun // Journal of the Korean Institute of Intelligent Systems. – 2007. – № 17(5). – Р. 679-683. https://doi.org/10.5391/JKIIS.2007.17.5.679.