[論文レビュー] Recent applications of machine learning, remote sensing, and iot approaches in yield prediction: a critical review

Fatima Zahra Bassine, Terence Épule Épule+2 more|arXiv (Cornell University)|Jun 7, 2023

Smart Agriculture and AI被引用数 8

ひとこと要約

リモートセンシング（RS）、機械学習（ML）、クラウドコンピューティング、IoTが作物収量の予測と水管理にどのように使用されているかを統合的に批判的に整理し、現在の手法、VI指標、実用的な推奨を概説する。

ABSTRACT

The integration of remote sensing and machine learning in agriculture is transforming the industry by providing insights and predictions through data analysis. This combination leads to improved yield prediction and water management, resulting in increased efficiency, better yields, and more sustainable agricultural practices. Achieving the United Nations' Sustainable Development Goals, especially "zero hunger," requires the investigation of crop yield and precipitation gaps, which can be accomplished through, the usage of artificial intelligence (AI), machine learning (ML), remote sensing (RS), and the internet of things (IoT). By integrating these technologies, a robust agricultural mobile or web application can be developed, providing farmers and decision-makers with valuable information and tools for improving crop management and increasing efficiency. Several studies have investigated these new technologies and their potential for diverse tasks such as crop monitoring, yield prediction, irrigation management, etc. Through a critical review, this paper reviews relevant articles that have used RS, ML, cloud computing, and IoT in crop yield prediction. It reviews the current state-of-the-art in this field by critically evaluating different machine-learning approaches proposed in the literature for crop yield prediction and water management. It provides insights into how these methods can improve decision-making in agricultural production systems. This work will serve as a compendium for those interested in yield prediction in terms of primary literature but, most importantly, what approaches can be used for real-time and robust prediction.

研究の動機と目的

• RS、ML、クラウドコンピューティング、およびIoTが作物収量予測と水管理にどのように使用されているかを調査・統合する。
• 広く使用されている衛星、植生指標、MLアルゴリズムを評価し、予測性能と適用可能性を評価する。
• 現実的で堅牢な収量予測を農業4.0の下でリアルタイムで実現する際の課題、ベストプラクティス、および推奨事項を特定する。

提案手法

• RS、ML、クラウドコンピューティング、IoTの収量予測への応用について批判的な文献レビューを実施する。
• 衛星データソース（MODIS、Landsat、Sentinel-2、Planet）とそれらのトレードオフを要約する。
• 植生指標（NDVI、SAVI、MSAVI、NDWI、EVI、NDRE、CI）とそれらの収量予測への関連性をレビューする。
• 回帰タスクにおけるクラシックなMLアルゴリズム（SVM、RF、ANN、DNN）を収量予測と水管理の観点で比較する。
• ML評価指標（MAE、MSE、RMSE、R-squared、MAPE）と分類指標（Precision、Recall、F1、Accuracy、Kappa）を検討する。
• IoTとクラウドベースのスマート農業の統合と実用的な推奨事項を概説する。

Figure 1: Population growth between 1950 - 2050 Source: Based on Data from Alexandratos and Bruinsma ( 2012 ) .

実験結果

リサーチクエスチョン

• RQ1 作物収量予測と水管理のために最もよく使用される衛星ソースと植生指標は何か？
• RQ2 農業環境において収量予測に最も効果的な機械学習アルゴリズムはどれで、どの条件下でそうなるのか？
• RQ3 RS-ML-IoT統合アプローチの実時間予測における主な利点と制限は何か？
• RQ4 農業4.0における堅牢でリアルタイムの収量予測システムの展開に関する実践的推奨事項と未解決の課題は何か？

主な発見

• Sentinel-2は空間分解能と時間分解能の強いバランスを提供し、植生指標を用いた精密農業に有用である。
• 植生指標（例：NDVI、SAVI、MSAVI、NDWI、EVI、NDRE）は植物の健全性、水状況、ストレスを効果的に反映し、収量予測に役立つが、NDVIは高密度の canopyで飽和することがあり、土壌・大気の影響が結果をバイアスする可能性がある。
• MLアルゴリズム（SVM、RF、ANN、DNN）は収量と灌漑最適化に有望で、監視付き手法は通常より高い精度を示すがラベル付きデータを必要とする。深層学習は大規模データセットと大量の計算資源を必要とする。
• ML支援による灌漑と投入資材管理は水使用量を削減しつつ収量を維持または向上させることができる。RSデータとMLを天候および生物物理モデルデータと統合すると予測性能を高められる。
• IoTデバイスはリアルタイムデータ収集（天候、土壌水分、センサー）を可能にし、農業4.0における先手型管理と堅牢なリアルタイム予測を支援する。
• モデルの評価は標準的な回帰指標（MAE、MSE、RMSE、R-squared、MAPE）および分類指標（Precision、Recall、F1、Accuracy、Kappa）に依存し、予測性能を比較する。

Figure 2: Water requirements for food production ( $Km^{3}/Year$ ). Source: Authors’ conceptualization based on data from Boretti and Rosa ( 2019 ) .