MACHINE LEARNING METHODS IN DIGITAL AGRICULTURE: ALGORITHMS AND CASES

Abstract

Обеспечение продовольственной безопасности является важной задачей многих стран. В условиях роста населения Земли вопросы повышения эффективности сельского хозяйства становятся наиболее актуальными. Фермеры ищут новые способы повышения урожайности, а правительства разных стран разрабатывают новые программы поддержки сельского хозяйства. Это способствует более активному внедрению цифровых технологий в сельское хозяйство, помогая фермерам более эффективно принимать решения, увеличивать урожайность и заботиться об экологии. Центральное место здесь занимает сбор и анализ данных. В области земледелия данные могут собираться из разных источников и содержат в себе полезные закономерности, выявляющие потенциальные проблемы или возможности. Чтобы извлечь пользу из данных, они должны быть проанализированы с помощью алгоритмов машинного обучения. Такие методы точного земледелия позволяют следить за отдельными частями поля, оптимизировать расход воды и химикатов, а также оперативно выявлять проблемы.Цель: обзор алгоритмов машинного обучения, применяемых для анализа данных в сельском хозяйстве.Методология проведения работы: обзор релевантной литературы, опрос фермеров.Результаты: выявлены релевантные алгоритмы машинного обучения для анализа данных в сельском хозяйстве на различных уровнях: анализ почвы (оценка состояния почвы, классификация почвы, прогнозироваие плодородности почвы), прогноз погоды (имитация смены климата, прогноз температуры и осадков) и анализ состояния растительности (идентификация сорняков, классификация растительности, выявление болезни растений, прогнозирование урожайности).Область применения результатов: сельское хозяйство, растениеводство.