Bilgi ve İletişim Teknolojilerinde son dönemde yaşanan gelişmeler dünya çapında ekonominin tüm sektörlerini önemli ölçüde etkilemektedir. Dijital Tarım, dijital cihazların demokratikleşmesinin, yapay zeka ve veri bilimindeki ilerlemelerin bir sonucu olarak ortaya çıktı. Dijital tarım, çevreye saygılı olarak çiftçiliği daha üretken ve verimli hale getirmek için yeni süreçler yarattı. Yeni ve gelişmiş dijital cihazlar ve veri bilimi, çiftçilerin, tarım uzmanlarının ve profesyonellerin tarım görevlerini daha iyi anlamalarına ve daha iyi kararlar almalarına yardımcı olmak için çok miktarda tarımsal veri kümesinin toplanmasına ve analizine olanak sağladı.
Bu makalede veri madenciliği tekniklerinin dijital tarıma uygulanmasının sistematik bir incelemesini konu alıyor. Bu çalışmayı mahsul verimi ve izleme ile sınırlandırırken, mahsul verimi yönetimi sürecini ve bileşenlerini tanıtıyor. Mahsul veriminin izlenmesine yönelik veri madenciliği tekniklerinin ana kategorilerini belirledikten sonra, veri analitiğinin kullanımına ilişkin mevcut çalışmaların bir kısmını kapsamaktadır. DA (aynı zamanda dijital tarım veya akıllı tarım olarak da adlandırılır), dijital ve akıllı cihazları [sensörler, kameralar, uydu, dronlar, Küresel Konumlandırma Sistemi (GPS)] kullanan modern bir yaklaşımdır. Üretkenliği artırmak ve kaynak kullanımını optimize etmek için Veri Madenciliği (veya veri analitiği) ile birlikte, Dijital Tarım (DA), çiftçiliğin operasyonel maliyetlerini azaltırken verimliliği artmasına katkı sağlıyor. DA, karar verme süreçlerinin çeşitli kaynaklardan toplanan verilerden elde edilen açık bilgilere dayandığı, veriye dayalı bir çiftçilik biçimi olarak kabul edilebilir. Mahsul yönetiminde Büyük Veri kullanımına odaklanılıyor bu durum, yalnızca tarımın temel taşlarından biri değil, aynı zamanda biyolojik çeşitliliği de derinden etkileyebilir. Üstelik mahsul büyümesi, çeşitli endojen ve eksojen faktörleri içeren çok karmaşık bir süreçtir. Dijital teknolojilerdeki son gelişmeler tüm bu faktörler hakkında veri toplanmasına olanak sağlıyor. DA'nın tarıma birçok faydası bulunmaktadır. Çiftçiye karar verme süreçlerini destekleyecek, toprak ve hava durumu izleme ve tahmini, yabani ot ve haşere izleme, mahsul verimi dinamik tahminleri vb. gibi yararlı bilgiler sağladığı gibi çevreyi koruyabilir ve ürünlerin kalitesini artırabilir. Mikrobiyolojik veya afetle ilgili riskleri en aza indirmek için çiftçilere değerli geri bildirimler sunar ve risklerin iyi değerlendirilmesini sağlar. Hangi ürünlerin daha karlı olabileceğini tahmin etmek için gelişmiş modellerden yararlanabilirler.
Bu çalışmanın katkıları, bitkisel üretime yönelik büyük veri analitiği uygulamalarının incelenmesidir. Dijital Tarımın zorlukları ve geleceğe yönelik potansiyel üzerine bir değerlendirmedir. Veri analitiğinin ve büyük verinin DA üzerindeki etkisini önceki çalışmalara dayanarak incelemek için üç adımdan oluşan sistematik bir inceleme yaklaşımı METODOLOJİ uygulanmıştır. (1) ilgili çalışmaların toplanması, (2) ilgili çalışmaların seçimi ve (3) inceleme ve filtrelenmiş ilgili çalışmaların analizinin yapılması. Dijital Tarım (DA), büyük ölçüde veri kaynaklarına ve bunları toplamak için kullanılan tekniklere dayanır. Bu veriler daha sonra tarımsal veri ambarlarında düzenlenir ve analiz edilir. Bu veri analizinin sonuçları, çiftçilere ve tarım uzmanlarına üretimin nasıl iyileştirileceği, çiftçilik işletme maliyetlerinin en aza indirileceği, risklerin nasıl yönetileceği ve çevrenin nasıl korunacağı konusunda önemli bilgiler sağlıyor. Dijital tarım süreci, genellikle geçmiş deneyimlerden ve modellerden elde edilen verilerin, gelecekteki kararlara ve buna göre hareket etmeye yardımcı olmak için madencilik ve analiz tekniklerine nasıl girdi olarak hizmet ettiğini gösterir. Yeni toplanan veriler ise , süreci daha da geliştirmek ve sürekli gelişen tarım dünyasına uyarlamak için kullanılacak. Bu, genel bilgi keşif sürecinden türetilen veri odaklı bir metodolojidir. İlk aşama olan veri toplama, tüm analizin geçerliliği açısından çok önemlidir. Toplanması gereken veri türünü ve bu veriyi toplama yaklaşımını dikkatli bir şekilde belirlemesi ve tüm yaşam döngüsü boyunca sürdürmesi gerekir. İkinci aşama olan veri temsili ve analizi, verilerin nasıl olması gerektiği konusunda ortak standartlar bulunmadığından oldukça karmaşıktır. DA sürecinin temel amacı karar vermektir. Herhangi bir karar en son teknolojiye uygun olmalı, gerekçelendirilebilir ve bilimsel açıdan sağlam olmalıdır. Dijital tarım verileri Tarımda çeşitli kaynaklardan çok büyük miktarda veri toplanabilmektedir. Bu bölümde mimarinin veri analizi katmanına odaklanmakta, ayrıca veri türleri ve kaynakları, veri toplama teknikleri, öğrenme algoritmaları üzerinde durulmakta. Veri madenciliği ve teknikleri bitkisel üretimde çeşitli roller üstlenmektedir. Araştırmacılar bitki büyüme modelleri, optimum büyüme koşulları, en iyi haşere ve hastalık kontrol ortamı vb. gibi bilgilerine ihtiyaç duyabilirler. Veri madenciliği, tüm bu ihtiyaçları karşılamak için gereken çok sayıda karmaşık tekinkileri sunabilir. Veri analizinin iki ana kategorisi vardır: Sınıflandırma ve Kümeleme. Bu bölümde verileri için sınıflandırma yöntemleri kullanan çalışmalara odaklanacağız. Sınıflandırmanın temel amacı belirli bir nesneyi önceden belirlenmiş sınıflardan birine atamak. Örneğin, sınıflandırma, küçük meyveleri normal büyüklükteki meyvelerden büyük boylara kadar sınıflandırmak, verim tahmini yapmak için kullanılabilir. Büyüme mevsimi içinde veya sonrasında bölgesel ürün dağılımını incelemek için sınıflandırma yaklaşımları uygulanabilir. Ayrıca Mahsul veriminin tahmini, kaynakların verimli bir şekilde planlanmasını sağladığından DA'da çok önemlidir. Ekonomik açıdan, rekoltelerin erken ve doğru tahmini, karar vericilerin mahsul piyasasına tepki vermesine yardımcı olabilir. Mahsul veriminin tahmini birçok çalışmaya konu olmuştur. Mahsul verimi tahmin yaklaşımları iki ana veri kaynağı türünü takip eder. Birinci tür veri kaynaklarına dayalı tahmin modelleri, mahsul sezonunun başlamasından önce bile rekoltenin sezon öncesi tahminini sağlar. Bu, çiftçilerin hem tarım faaliyetlerini hem de mahsul üretimini optimize edecekleri stratejiye karar vermelerine olanak tanır. İkinci tür veri analizine (uydudan, kameralardan, tarayıcıdan, sensörlerden elde edilen veri görüntüleri) dayanan izleme sistemleri, sezona ilişkin tahminlere izin verir.
Mahsul izleme için Kümeleme teknikleri DA'da yaygın olarak kullanılmamaktadır Bir tarım alanını bölgelere ayırmanın çeşitli nedenleri vardır. Bazı geleneksel nedenler arasında bir alan içinde ürün çeşitlendirmesi, ürün rotasyonu, yönetim görevlerinin kolaylaştırılması için yapılır. Mahsul yönetimiyle ilgili sorunların büyük çoğunluğu tarla ve bölgelerin yönetimiyle ilgilidir. Bu nedenle, toplanan veriler genellikle her bir örnekle ilişkili coğrafi koordinatlar ve zamanla karakterize edilir; bu da, mekansal ve zamansal veri kümeleri için daha uygun olan veri madenciliği tekniklerinin kullanılmasına yol açar. Sistematik analiz açısından,Tarım arazi büyüklüğü, sermaye, çiftçi becerileri, makine ve teknoloji kullanım düzeyi gibi çeşitli faktörlere bağlı olarak küçük veya büyük ölçekli tarlalarda gerçekleştirilebilir. Dünya çapındaki çiftliklerin %90'ından fazlası küçük ölçeklidir. Veri analizi ve değerlendirme teknolojileri: Bu teknolojiler genellikle şu ana kadar toplanan verileri girdi olarak alır ve çiftçiye ön bilgi sağlar. Büyük veri sadece hacimle değil aynı zamanda hız, çeşitlilik ve diğer özelliklerle de karakterize edilir. Tarıma bağlı sera gazları emisyonları, tarımsal su kullanımı ve biyo çeşitliliğin kaybına yol açan habitat bozulması. Genellikle küçük ölçekli çiftlikler çok daha az dış girdiye ihtiyaç duyar ve çevreye çok az zarar verir.
Bu çalışmada veri madenciliği sürecinin tamamını ele alan yaklaşımları olarak değerlendirilebilir. Veri toplamadan bilgi dağıtımına kadar. DA'nın şu anda karşı karşıya olduğu zorlukları anlamak amacıyla mahsul izleme ve yönetimine daha fazla odaklanarak bu süreci büyük veri görünümünden ele alıyoruz. Çalışmanın ele aldığı araştırma sorularını tanımladık ve alanda kullanılan veri madenciliği tekniklerinin bir sınıflandırması yapılmıştır. Her sınıf için, bir dizi temsili mevcut çalışma incelenmiş ve uygulanan makine öğrenimi yönteminin kategorisini ve hangi amaçla uygulandığını vurgulamak için analitik bir çalışma sağlanmıştır. Büyük veri kavramlarını ve bunun DA üzerindeki mevcut etkisini tartıştık ve veri analistinin bakış açısına göre DA'ya geçişin büyük veri analitiği kavramlarını benimsemeye hazır olduğunu gösterdik. Bu, bu zorluklara yönelik yeni yatırım fırsatları sağlar ve mahsulleri yönetmenin verimli yollarına olanak tanır. Ayrıca çiftçilere, çevre üzerindeki etkiyi en aza indirirken mahsulleri nasıl daha verimli yetiştirebilecekleri konusunda yeni bilgiler sağlayacak. Aynı zamanda yeni düzeylerde bilimsel keşifler ve daha karmaşık sorunlara yenilikçi çözümler sunar.
Copyright© 2024 Yönsis