Yield forecasting using artificial intelligence

• Autorzy: Barwicki Jan , Hryniewicz Marek , Grzybek Anna

Identyfikatory

DOI

10.15199/180.2020.1.3

Warianty tytułu

PL

Prognozowanie plonów przy użyciu sztucznej inteligencji

• Języki publikacji: EN

Abstrakty

EN

The article reviews and analyzes literature for application of artificial intelligence in forecasting of crop yield. Yield forecasting models were based on neural networks, fuzzy logic or hybrid solutions. When designing new yield forecasting models, analyzes of the main factors of components that are important for yield forecasting should be performed. This is to eliminate unnecessary or negligible factors for forecasting. It is also important to review the databases that will be used for forecasting. The data with unusual numerical results that differ significantly from reality should be deleted. This will improve the quality of the databases and, as a result, will give better forecasting results. In more complex cases, it would be recommended to create hybrid solutions combining neural networks and fuzzy logic to combine the advantages of both solutions.

PL

W artykule wykonano przegląd i analizę literatury dla zastosowań sztucznej inteligencji przy prognozowaniu plonów. Modele prognozowania plonów były oparte o sieci neuronowe, logikę rozmytą lub rozwiązania hybrydowe. Przy projektowaniu nowych modeli prognozowania plonów należy przeprowadzić analizy głównych składowych czynników, które są istotne dla prognozowania plonu. Ma to na celu eliminację czynników zbędnych lub mało znaczących dla prognozowania. Istotne jest również dokonanie przeglądu baz danych, które zostaną wykorzystane do prognozowania.

Słowa kluczowe

EN

artificial intelligence; hybrid solution; fuzzy logic; neural networks; field

PL

sztuczna inteligencja; rozwiązania hybrydowe; logika rozmyta; sieci neuronowe; wydajność

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Polish Technical Review
• Rocznik: 2020
• Tom: No. 1
• Strony: 19--22
• Opis fizyczny: Bibliogr. 20 poz.

Twórcy

autor

Barwicki Jan

• Institute of Technology and Life Sciences, Warsaw Branch, Department of Rural Technical Infrastructure Systems

autor

Hryniewicz Marek

• Institute of Technology and Life Sciences, Warsaw Branch, Department of Rural Technical Infrastructure Systems

autor

Grzybek Anna

• Institute of Technology and Life Sciences, Warsaw Branch, Department of Rural Technical Infrastructure Systems

Bibliografia

• [1] Aggarwal S., Sokhal J., Garg B. 2017. Forecasting Production Values using Fuzzy Logic Interval based Partitioning in Different Intervals. International Journal of Advanced Computer Science and Applications, Vol. 8(5), ISSN 2156-5570, s. 292-299.
• [2] Ansari M., Mahley R., Sidhu S. 1999. Cotton yield prediction through spectral parameters. Journal of the Indian Society of Remote Sensing. Vol 27, ISSN 0255-660X, s. 185-192.
• [3] Bartman J. 2017. Sztuczna inteligencja. Wprowadzenie. Artificial intelligence. Introduction.
• [4] [online]. Rzeszów. [Dostęp 30.07.2017]. Dostępny w Internecie. http://www.neurosoft.edu.pl/media/pdf/jbartman/sztuczna_inteligencja/SI_1_wprow.pdf
• [5] Baruth B., Royer A., Klisch A., Genovese G. 2008. The use of remote sensing within the MARS crop yield monitoring system of European Commission. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. Vol. XXXVII. Part B8, Beijing, s. 935-940.
• [6] Boniecki P., Niżewski P. 2010. Modelowanie neuronowe w rozwiązywaniu wybranych problemów predykcyjnych Inżynierii Rolniczej. Neural modeling in solving selected predictive problems of Agricultural Engineering.Journal of Research and Applications in Agricultural Engineering. Vol. 55(1), ISSN 1732-1719, s. 16-19.
• [7] Chen S. 1996. Forecasting enrolments based on fuzzy time series. Fuzzy Sets and Systems, vol. 81, ISSN 0165-0114, str. 311-319.
• [8] Frausto H., Pieters J. 2004. Modelling greenhouse temperature using system identification by means of neural networks. Neurocomputing, vol. 56, ISSN 0925-2312.
• [9] Guo W., Xue H. 2012. An incorporative statistic and neural approach for crop yield modelling and forecasting. Neural Computing and Applications. Vol. 21(1), ISSN 1433-3058, s. 109-117.
• [10] Jayram M., Marad N. 2012. Fuzzy Inference Systems for Crop Yield Prediction. Journal of Intelligent Systems, no 21. ISSN 2191026X, s. 363-372.
• [11] Kadir M., Hines E., Qaddoum K., Collier R., Dowler E., Grant W., Leeson M., Iliescu D., Subramanian A., Richards K., Merali Y., Napier R. 2013. Food security risk level assessment: a fuzzy logic-based approach. Applied Artificial Intelligence, Volume 27 (Number 1), ISSN 1087-6545, s. 50-61.
• [12] Kandala V., Prajneshu. 2002. Fuzzy Regression Methodology for Crop Yield Forecasting Using Remotely Sensed Data. Journal of the Indian Society of Remote Sensing. Vol. 30, No. 4, ISSN 0974-3006, s. 191-195.
• [13] Kwater T. 2016. Sztuczna inteligencja. Definicja. Artificial intelligence. Introduction [online]. Rzeszów. [Dostęp 30.06.2017]. Dostępny w Internecie: http://www.neurosoft.edu.pl/media/pdf/tkwater/nowoczesne_techniki_informatyczne/szint.pdf
• [14] Moraes R., Machado L. 2005 Evaluation System Based on EfuNN for On-line Training Evaluation in Virtual Reality. Lecture Notes in Computer Science. Berlin, v. 3773, ISSN 0302-9743, s. 778-785.
• [15] Niedbała G., Przybył J., Boniecki P., Sęk T. 2005. Analiza założeń dla modelowania plonu buraka cukrowego z wykorzystaniem sztucznych sieci neuronowych. Analysis of assumptions for modeling sugar beet crop using artificial neural networks Inżynieria Rolnicza. Vol. 2, ISSN 2083-1587, s. 123-130.
• [16] Qaddoum K., Hines E., Iliescu D. 2013. Yield Prediction for Tomato Greenhouse Using EFuNN. ISRN Artificial Intelligence. Vol. 2013, ISSN 2356-7872, s. 1-9.
• [17] Sawasawa H. 2003. Crop yield estimation: Integrating RS, GIS and management factors. Praca magisterska wykonana na wydziale Faculty of Geo-Information Science and Earth Observation (ITC), University of Twente[online]. Enschede, Holandia. [Dostęp 30.06.2017]. Dostępny w Internecie: https://pdfs.semanticscholar.org/6ad3/7c4754e7ef2b3770c92fb74ce098543bfabf. pdf
• [18] Singh V., Tiwari K. 2017. Prediction of greenhouse micro-climate using artificial neural networks. Applied ecology and environmental research, vol. 15(1), ISSN 1785 0037, s. 767-778.
• [19] Stathakis D., Savin I., Negre T. 2010. Neuro-fuzzy modelling for crop yield prediction. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. Vol. 34, part XXX, ISSN 0924-2716, str. 4.
• [20] Supit I., Hooijer A., van Diepen C. 1994 System description of the WOFOST 6.0 crop growth simulation model. JRC, Brussel-Luxembourg, str. 125.

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa Nr 461252 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2021).