[논문 리뷰] Recent applications of machine learning, remote sensing, and iot approaches in yield prediction: a critical review

Fatima Zahra Bassine, Terence Épule Épule외 2명|arXiv (Cornell University)|2023. 06. 07.

Smart Agriculture and AI인용 수 8

한 줄 요약

원격 감지 (RS), 머신 러닝 (ML), 클라우드 컴퓨팅, 그리고 IoT가 작물 수확량 예측 및 물 관리에 어떻게 사용되는지를 종합적으로 검토하고, 현재 방법, VI 지수, 실용적 권고를 제시하는 비판적 검토.

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.

연구 동기 및 목표

• RS, ML, 클라우드 컴퓨팅, 그리고 IoT가 작물 수확량 예측 및 물 관리에 어떻게 사용되는지 조사하고 종합합니다.
• 전반적으로 사용되는 위성, 식생 지수, 그리고 ML 알고리즘을 평가하여 예측 성능과 적용 가능성을 판단합니다.
• 농업 4.0에서 실시간으로 견고한 수확량 예측을 위한 도전 과제, 모범 사례 및 권고를 식별합니다.]
• method':['RS, ML, 클라우드 컴퓨팅, IoT 응용의 수확량 예측에 대한 비판적 문헌 검토를 수행합니다.','위성 데이터 소스(MODIS, Landsat, Sentinel-2, Planet)와 그 트레이드오프를 요약합니다.','식생 지수(NDVI, SAVI, MSAVI, NDWI, EVI, NDRE, CI)와 수확량 예측과의 관련성을 검토합니다.','수익 예측 및 물 관리에서 회귀 작업을 위한 고전 ML 알고리즘(SVM, RF, ANN, DNN)을 비교합니다.','ML 평가 지표(MAE, MSE, RMSE, R-squared, MAPE) 및 분류 지표(Precision, Recall, F1, Accuracy, Kappa)를 논의합니다.','IoT 및 클라우드 기반 스마트 팜 통합 및 실용적 권고를 개요합니다.'],
• research_questions':['작물 수확량 예측 및 물 관리에 가장 많이 사용되는 위성 소스와 식생 지수는 무엇입니까?','농업 환경에서 수확량 예측에 가장 효과적인 기계 학습 알고리즘은 무엇이며 어떤 조건에서 그렇습니까?','실시간 수확량 예측을 위한 RS-ML-IoT 통합 접근법의 주요 이점과 한계는 무엇입니까?','농업 4.0에서 견고하고 실시간 수확 예측 시스템을 배치하기 위한 실용적 권고 및 남은 과제는 무엇입니까?'],
• key_findings':['센티넬-2는 공간 및 시간 해상도의 강한 균형을 제공하며, 식생 지수를 활용한 정밀 농업에 유용합니다.','식생 지수(NDVI, SAVI, MSAVI, NDWI, EVI, NDRE 등)는 식물 건강, 수분 상태 및 스트레스를 효과적으로 반영하여 수확량 예측에 도움을 주지만, NDVI는 밀집 관목에서 포화될 수 있고 토양/대기 효과가 결과에 편향을 줄 수 있습니다.','ML 알고리즘(SVM, RF, ANN, DNN)은 수확량 및 관개 최적화에 가능성을 보이며, 감독 학습이 종종 더 정확하지만 라벨 데이터가 필요합니다. 딥 러닝은 대규모 데이터 세트와 상당한 계산 자원을 필요로 합니다.','ML 보조 관개 및 투입 관리가 물 사용을 줄이면서 수확량을 유지하거나 개선할 수 있습니다. RS 데이터와 ML을 기상 데이터 및 생물물리 모델 데이터와 통합하면 예측 성능이 향상될 수 있습니다.','IoT 장치는 실시간 데이터 수집(날씨, 토양 수분, 센서)을 가능하게 하여 Agriculture 4.0에서 선제적 관리 및 견고한, 실시간 수확량 예측을 지원합니다.','모델의 평가는 표준 회귀 지표(MAE, MSE, RMSE, R-squared, MAPE) 및 분류 지표(Precision, Recall, F1, Accuracy, Kappa)를 사용하여 예측 성능을 비교합니다.'],
• table_headers:[],
• table_rows:[] }
• table_headers
• table_rows

제안 방법

• Conduct a critical literature review of RS, ML, cloud computing, and IoT applications in yield prediction.
• Summarize satellite data sources (MODIS, Landsat, Sentinel-2, Planet) and their trade-offs.
• Review vegetation indices (NDVI, SAVI, MSAVI, NDWI, EVI, NDRE, CI) and their relevance to yield prediction.
• Compare classic ML algorithms (SVM, RF, ANN, DNN) for regression tasks in yield prediction and water management.
• Discuss ML evaluation metrics (MAE, MSE, RMSE, R-squared, MAPE) and classification metrics (Precision, Recall, F1, Accuracy, Kappa).
• Outline IoT and cloud-based smart farming integration and practical recommendations.

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

실험 결과

연구 질문

• RQ1 What satellite sources and vegetation indices are most used for crop yield prediction and water management?
• RQ2 Which machine learning algorithms are most effective for yield prediction in agricultural settings, and under what conditions?
• RQ3 What are the main advantages and limitations of RS-ML-IoT integrated approaches for real-time yield forecasting?
• RQ4 What practical recommendations and open challenges exist for deploying robust, real-time yield prediction systems in Agriculture 4.0?

주요 결과

• Sentinel-2 provides a strong balance of spatial and temporal resolution and is valuable for precision agriculture using vegetation indices.
• Vegetation indices (e.g., NDVI, SAVI, MSAVI, NDWI, EVI, NDRE) effectively reflect plant health, water status, and stress, aiding yield prediction, though NDVI can saturate in dense canopies and Soil/atmospheric effects can bias results.
• ML algorithms (SVM, RF, ANN, DNN) show promise for yield and irrigation optimization, with supervised methods often more accurate but requiring labeled data; deep learning requires large datasets and substantial compute.
• ML-assisted irrigation and input management can reduce water usage while maintaining or improving yields; RS data combined with ML can enhance predictive performance when integrated with weather and biophysical model data.
• IoT devices enable real-time data collection (weather, soil moisture, sensors), supporting proactive management and robust, real-time yield prediction in Agriculture 4.0.
• Evaluation of models relies on standard regression metrics (MAE, MSE, RMSE, R-squared, MAPE) and classification metrics (Precision, Recall, F1, Accuracy, Kappa) to compare predictive performance.

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