Интеллектуальный анализ данных в сельском хозяйстве
Применение методов интеллектуального анализа данных в сельском хозяйстве

В сельском хозяйстве интеллектуальный анализ данных — это использование методов науки о данных для анализа больших объемов сельскохозяйственных данных. Последние достижения в области технологий, такие как датчики , беспилотники и спутниковые снимки , позволили собирать большие объемы данных о здоровье почвы , погодных условиях , росте сельскохозяйственных культур и активности вредителей . Данные анализируются для повышения эффективности сельского хозяйства, выявления закономерностей и тенденций, раннего выявления проблем и минимизации потенциальных потерь. [1]

Приложения

Выявление дефектов фруктов и овощей

Интеллектуальный анализ данных может использоваться в сельском хозяйстве для улучшения алгоритмов, используемых для обнаружения дефектов в собранных фруктах и ​​овощах. Разработка усовершенствованных методов сбора визуальных данных может использоваться, например, для классификации фруктов и овощей по различным дефектам поверхности. [2] Такие данные также могут использоваться для исследования потенциальных причин дефектов фруктов и овощей. Например, химическое распыление может вызывать различные дефекты у разных типов фруктов. В настоящее время большая часть этих знаний основана на неподтвержденных данных, а не на качественных и количественных методах сбора данных, поэтому прилагаются усилия по применению методов интеллектуального анализа данных к исследованиям в области садоводства . [3]

Перед отправкой на рынок яблоки проверяются, и те, которые имеют некоторые дефекты, удаляются. Однако существуют также невидимые дефекты, которые могут испортить вкус и внешний вид яблока. Примером невидимого дефекта является водяная сердцевина, внутреннее расстройство яблока, которое может повлиять на долговечность плода. Яблоки с небольшой или слабой водяной сердцевиной слаще, но яблоки с умеренной или сильной степенью водяной сердцевины не могут храниться так же долго, как яблоки. Более того, несколько плодов с сильной водяной сердцевиной могут испортить целую партию яблок. В связи с этим изучается вычислительная система, которая делает рентгеновские снимки плодов, пока яблоки движутся по конвейерным лентам . Система также способна анализировать (с помощью методов интеллектуального анализа данных) сделанные снимки и оценивать вероятность того, что плоды содержат водяные ядра. [4]

Диагностика брожения вина

Метаболические преобразования брожения вина влияют на качество вина и производительность отраслей, связанных с виноделием. Методы науки о данных, такие как алгоритм k-средних [5] и методы классификации, основанные на концепции бластинга [6], использовались для изучения этих метаболических процессов, успешно предсказывая результаты брожения после трех дней брожения. Эти методы классифицируют вино в соответствии с профилем метаболитов брожения и отличаются от традиционных систем классификации вин. Подробнее см. на вики-странице Классификация вина . Основываясь на экспериментальных данных, ученые предполагают, что это ценный инструмент для диагностики нежелательных результатов брожения и, таким образом, планирования вмешательства на ранних стадиях брожения. [7]

Прогнозирование метаболизируемой энергиимука из субпродуктов птицы

Сеть типа Group Method of Data Handling ( GMDH ) в сочетании с эволюционным методом генетического алгоритма использовалась для прогнозирования метаболизируемой энергии перьевой муки и муки из потрохов птицы на основе ее соответствующего содержания белка, жира и золы. Образцы данных из опубликованной литературы были собраны и использованы для обучения модели сети типа GMDH. Новый подход объединения сети типа GMDH с эволюционным методом генетического алгоритма может использоваться для прогнозирования метаболизируемой энергии образцов корма для птицы на основе их химического состава. [8] Также сообщается, что сеть типа GMDH может точно оценивать производительность птицы на основе ее диетических питательных веществ, таких как метаболизируемая энергия, белок и аминокислоты . [9]

Выявление заболеваний по звукам животных

Раннее обнаружение болезней животных может принести пользу производительности фермы, позволяя фермеру лечить и изолировать пораженное животное, как только появляются симптомы, тем самым уменьшая распространение болезни на других животных. Звуки, издаваемые свиньями , такие как кашель, можно анализировать для обнаружения болезни. В настоящее время разрабатывается вычислительная система для мониторинга и дифференциации звуков свиней с помощью микрофонов, установленных на ферме. [10]

Выращивание овец из полиморфизма генов с помощью искусственного интеллекта

Метод полимеразной цепной реакции - полиморфизм одноцепочечной конформации ( ПЦР -SSCP) использовался для определения полиморфизма гормона роста (ГР), лептина , кальпаина и кальпастатина у иранских белуджских овец-самцов . Была разработана модель искусственной нейронной сети (ИНС) для прогнозирования среднего суточного прироста (ССП) у ягнят с использованием входных параметров полиморфизма ГР, лептина, кальпаина и кальпастатина, веса при рождении и типа рождения. Результаты показали, что ИНС-модель является подходящим инструментом для определения закономерностей данных для прогнозирования роста ягнят с точки зрения ССП с учетом полиморфизма конкретных генов, веса при рождении и типа рождения. Платформа подхода ПЦР-SSCP и анализ моделей на основе ИНС могут использоваться в программах селекции и разведения с использованием молекулярных маркеров для разработки схемы повышения эффективности производства овец. [11]

Оптимизация использования пестицидов

Недавние исследования сельскохозяйственных исследователей в Пакистане показали, что пропестицидная государственная политика привела к опасно высокому использованию пестицидов в хлопковых культурах. Эти исследования сообщили об отрицательной корреляции между использованием пестицидов и урожайностью в Пакистане. В результате чрезмерное использование (или злоупотребление) пестицидами приводит к неблагоприятным финансовым, экологическим и социальным последствиям для фермеров. С помощью интеллектуального анализа данных в хлопковой промышленности данные по обнаружению вредителей вместе с метеорологическими записями показывают, как можно оптимизировать (сократить) использование пестицидов. Кластеризация данных выявила интересные закономерности в методах ведения сельского хозяйства вместе с динамикой использования пестицидов. [12]

Анализ данных о производительности кур с помощью моделей нейронных сетей

Платформа моделей на основе искусственной нейронной сети (ИНС) в сочетании с анализом чувствительности и алгоритмами оптимизации была успешно использована для интеграции опубликованных данных о реакциях цыплят-бройлеров на треонин . Анализ моделей ИНС для набора веса и эффективности корма показал, что концентрация диетического белка была важнее концентрации треонина. Результаты показали, что диета, содержащая 18,69% белка и 0,73% треонина, может привести к получению оптимального набора веса, в то время как оптимальная эффективность корма может быть достигнута при диете, содержащей 18,71% белка и 0,75% треонина. [13]

Литература

Существуют журналы по точному земледелию , такие как Springer's Precision Agriculture или Elsevier's Computers and Electronics in Agriculture. Однако эти журналы не посвящены исключительно добыче данных в сельском хозяйстве.

Ссылки

  1. ^ Айт Иссад, Хассина (октябрь 2019 г.). «Комплексный обзор методов интеллектуального анализа данных в интеллектуальном сельском хозяйстве». Инженерное дело в сельском хозяйстве, окружающей среде и продовольствии . 12 (4): 511– 525. doi :10.1016/j.eaef.2019.11.003.
  2. ^ Фируз, Махмуд Солтани (2022). «Обнаружение дефектов во фруктах и ​​овощах с использованием систем машинного зрения и обработки изображений». Springer Nature Link . 14 (3): 353– 379. doi :10.1007/s12393-022-09307-1.
  3. ^ Хилл, MG; Коннолли, PG; Ройтеманн, P.; Флетчер, D. (2014-10-01). «Использование интеллектуального анализа данных для принятия решений по защите урожая киви в Новой Зеландии». Компьютеры и электроника в сельском хозяйстве . 108 : 250–257 . doi :10.1016/j.compag.2014.08.011.
  4. ^ Schatzki, TF; Haff, RP; Young, R.; Can, I.; Le, LC.; Toyofuku, N. (1997). «Обнаружение дефектов в яблоках с помощью рентгеновской визуализации». Труды Американского общества инженеров сельского хозяйства . 40 (5): 1407– 1415. doi :10.13031/2013.21367.
  5. ^ Уртубия, А.; Перес-Корреа-младший; Меренс, М.; Агосин, Э. (2004). «Мониторинг крупномасштабной ферментации вина с помощью инфракрасной спектроскопии». Таланта . 64 (3): 778–784 . doi :10.1016/j.talanta.2004.04.005. ПМИД  18969672.
  6. ^ Мучерино, А.; Уртубия, А. (2010). «Последовательная бикластеризация и ее применение в сельском хозяйстве». Труды конференции IBAI, Труды промышленной конференции по интеллектуальному анализу данных (ICDM10), Семинар по интеллектуальному анализу данных в сельском хозяйстве (DMA10), Springer : 105–113 .
  7. ^ Уртубия, Алехандра; Перес-Корреа, Х. Рикардо; Сото, Альваро; Пщулковски, Филиппо (01.12.2007). «Использование методов интеллектуального анализа данных для прогнозирования проблем ферментации промышленных вин». Food Control . 18 (12): 1512– 1517. doi :10.1016/j.foodcont.2006.09.010. ISSN  0956-7135.
  8. ^ Ахмади, Х.; Голиан, А.; Мотагиталаб, М.; Нариман-Заде, Н. (2008-09-01). "Модель прогнозирования истинной метаболизируемой энергии перьевой муки и муки из потрохов птицы с использованием группового метода нейронной сети обработки данных". Poultry Science . 87 (9): 1909– 1912. doi : 10.3382/ps.2007-00507 . ISSN  0032-5791. PMID  18753461.
  9. ^ Ахмади, д-р Х.; Моттагхиталаб, М.; Нариман-Заде, Н.; Голиан, А. (2008-05-01). «Прогнозирование производительности бройлерных цыплят по питательным веществам в рационе с использованием группового метода нейронных сетей обработки данных». British Poultry Science . 49 (3): 315– 320. doi :10.1080/00071660802136908. ISSN  0007-1668. PMID  18568756. S2CID  205399055.
  10. ^ Чедад, А.; Мошоу, Д.; Аэртс, Дж. М.; Ван Хиртум, А.; Рамон, Х.; Беркманс, Д. (2001). «Система распознавания кашля свиней на основе вероятностных нейронных сетей». Журнал исследований сельскохозяйственной инженерии . 79 (4): 449– 457. doi :10.1006/jaer.2001.0719.
  11. ^ Моджтаба, Тахмуреспур; Хамед, Ахмади (2012-01-01). "нейронная сетевая модель для описания набора веса овец на основе полиморфизма генов, веса при рождении и типа рождения". Животноводство . ISSN  1871-1413.
  12. ^ Абдулла, Ахсан; Бробст, Стивен; Первез, Иджаз; Умар, Мухаммад; Нисар, Азхар (2004). Изучение динамики злоупотребления пестицидами с помощью интеллектуального анализа данных (PDF) . Австралазийский семинар по интеллектуальному анализу данных и веб-разведке, Данидин, Новая Зеландия. Архивировано из оригинала (PDF) 2011-08-14 . Получено 2010-07-20 .
  13. ^ Ахмади, Х.; Голиан, А. (2010-11-01). «Интеграция данных о реакциях бройлерных цыплят на треонин в модели нейронных сетей». Poultry Science . 89 (11): 2535– 2541. doi : 10.3382/ps.2010-00884 . ISSN  0032-5791. PMID  20952719.
Ошибка цитирования: Ссылка, определенная списком, с именем «jrpit» не используется в содержимом (см. страницу справки ).
Взято с "https://en.wikipedia.org/w/index.php?title=Data_mining_in_agriculture&oldid=1274209371"