MMOct, 2023

基于机器学习的智能农业营养应用时间推荐：基于大规模数据挖掘的方法

PDF
TL;DR本研究探讨了数据分析在农作物种植中监测肥料应用中的重要作用，提出了一种通过确定整个季节所需肥料数量来预测营养物质应用的解决方案，以天气条件和土壤特征为基础进行推荐肥料用量的调整，以促进经济高效和环保农业，同时研究肥料应用与天气数据对作物产量的影响，以冬小麦作为案例研究，通过了解当地的环境和地理因素，旨在稳定甚至降低对农业养分的需求，同时提升作物发展。该方案通过使用现实世界的大规模数据集得到了验证，具备高效可扩展性。
data analyticsfertiliser applicationsnutrient applicationweather datacrop yield
发现论文，激发创造
  • 农民助手：基于机器学习的农业解决方案应用

    开发了一个易于使用的网络应用程序，以解决种植作物面临的问题，其中包括作物推荐、肥料推荐、植物病害预测和交互式新闻提要，同时应用解释性技术解释病害检测模型的预测。

    Apr, 2022

  • 机器学习在作物产量和疾病预测中的应用：结合土壤营养和天气因素

    为了解决孟加拉国农业领域中作物选择和疾病预测的问题，本研究开发了一种智能农业决策支持系统。通过利用机器学习方法和实际数据集，该系统结合了作物生产、土壤条件、农业气象区域、作物疾病和气象因素的综合数据，为用户推荐作物列表并预测可能的疾病，并通过决策树回归模型预测作物产量，帮助农民选择高产作物和预防作物疾病，提高孟加拉国的农业实践水平。

    Mar, 2024

  • 从文本到趋势：现代农业未来的独特园艺分析视角

    通过分析园艺业从业人员的文本查询，我们展示了机器学习技术预测园艺业趋势的潜力。我们利用自然语言处理、分类和时间序列分析等方法，识别了从业者查询中的模式，并预测了园艺业的未来趋势。结果表明，机器学习技术还可用于预测其他农业领域的趋势，如果大规模农业企业能建立和维护一个类似的文本数据库，趋势预测和战略农业规划的潜力将会革新。技术与农业的融合为未来可持续农业和数据驱动型农业实践提供了一个有前景的发展路径。

    Sep, 2023

  • 基于学习的农业管理应对气候变异的部分可观测环境

    利用深度强化学习和递归神经网络结合的创新框架，在农业管理中引入智能代理，优化氮肥管理策略，并研究气候变异对农业结果和管理的影响，为适应动态气候情景提供了可行的可调整肥料策略。

    Jan, 2024

  • 基于因果机器学习的农业土地适宜性评估

    利用机器学习模型评估农业管理实践对农田适宜性的影响，研究发现在比利时的 Flanders 地区，农作物轮作对 NPP 没有显著影响，而景观作物多样性对 NPP 有小幅负面影响，并发现在空间上存在显著的异质性效应。

    Apr, 2022

  • 机器学习在农业中的应用：近期趋势与未来研究方向

    人工智能在农业中的应用被大部分忽视，本文通过对机器学习在农业中的应用进行全面综述，旨在探索其在农业实践和效率提升中的转型潜力，以优化作物产量并减少环境影响。通过分析和分类农业数据，本研究突出了机器学习能够提高农场生产力和盈利能力的例子，并讨论了在农业应用中显示有希望结果的重要机器学习模型及其独特特点。通过系统综述现有文献，本文填补了人工智能在农业领域的研究空白，为新手和研究者提供了有价值的信息，更深入地了解人工智能在农业中的重要贡献和潜力，最终受益于研究界。

    May, 2024

  • 机器学习、遥感和物联网在产量预测中的最新应用：一次关键性综述

    将遥感技术和机器学习运用于农业领域可以提高农业生产效率，改善产量预测和水资源管理，以实现联合国《可持续发展目标》中 “零饥饿” 的目标。通过综述现有文献，该研究探究了采用遥感、机器学习等技术进行农作物产量预测与水资源管理的方法，并探讨了如何将这些方法应用于实时决策，为农业生产提供决策依据。

    Jun, 2023

  • 叶片疾病分类的机器学习方法：数据、技术与应用

    可持续发展需求引入了一系列信息技术来辅助农业生产。特别是，人工智能的一个分支，即机器学习应用的出现，展示了多个突破，可以增强和革新植物病理学方法。近年来，机器学习已在学术研究和工业应用中被用于叶病分类。因此，本研究将提供对该主题不同方面，包括数据、技术和应用的综述。论文首先介绍公开可获取的数据集，然后总结常见的机器学习技术，包括传统（浅层）学习、深度学习和增强学习。最后，讨论相关应用。本论文将为未来智能农业以及叶病分类的机器学习研究和应用提供有用的资源。

    Oct, 2023

  • 大地数据和机器学习支持可持续和有弹性的农业

    本研究利用地球观测数据、机器学习和大数据方法开发应用程序，致力于监测共同农业政策（CAP）、食品安全及智能耐荒农业等领域，在解决机器学习模型训练的注释数据不足以及推导的价值落实到实际决策之间的差距等问题上取得了一定的方法创新和研究进展。具体来说，通过数据立方体、分布式学习和数据语义化等技术，不仅实现了农作物类型和生长状态估计的预测，也为应对实际农业问题提供了因果解释等机器学习技术支撑。

    Nov, 2022

  • 基于深度学习的农业推荐系统：多变量天气预测方法

    该论文提出了一个基于气象预报模型的情境化作物推荐系统，以实现有利可图、可持续和农民友好的农业实践。该系统可以准确地预测孟加拉国任何地点的降雨、温度、湿度和日照，并根据这些预测为农民提供有关种植、灌溉、收获等可行决策的指导，并能警报农民有关极端天气条件的信息，以保护农作物。此外，该系统还能为孟加拉国受洪涝和干旱影响的地区提供基于知识的作物建议。

    Jan, 2024