.png){kind=icon}
返回
Industrial tomato yield prediction using machine learning models
.png){kind=icon}
OA
AI
DOI：10.1016/j.atech.2025.100920.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
番茄在过去的十年中一直是全球产量和消费量最大的蔬菜。全球工业番茄种植产生的广泛可用数据，结合机器学习算法的强大功能，能够识别出模式以及隐藏的变量相关性，从而创建出精确的预测模型。这些模型可用于在各种条件和环境下准确预测作物产量。本研究开发了一个机器学习平台，能够基于历史数据（产量、种植的杂交品种及区域环境条件）预测工业番茄作物在生长期内的产量。这些数据提取自希腊伯罗奔尼撒半岛西部六个地区的302个不同地块。数据包括2019年至2021年的记录，涉及三个种植周期（每年一个周期）中26种不同的番茄杂交品种。对数据集进行了相关性研究，证实大多数变量在某种程度上与作物产量相关。为了找到适合该数据集的最优算法，测试并评估了12种不同算法，使用了14种不同指标进行排名。此外，通过超参数优化过程确保每个测试算法均针对所考察的数据集进行了优化。所提出的解决方案采用了Ridge算法，因其被认为是最合适的。该模型在露天种植条件下进行测试，利用2022年种植周期期间11个地块的实时气象数据预测番茄作物产量。观测到的预测误差范围从仅6kg/ha到6,674kg/ha，这一误差被生产者视为可接受。本研究的独特之处在于，该模型既使用生长期的环境数据进行了训练，也用于露天种植条件下的测试。
Keyword:
Ridge algorithm
Yield prediction
Data analysis
Agriculture
Machine learning algorithms
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
5.7
论文数:
2.5K
被引数:
2.5K
机构
引用论文
.png){kind=icon}
Fuzzy decision support system for improving the crop productivity and efficient use of fertilizers提高作物产量和肥料有效利用的模糊决策支持系统
PREAI
分享收藏Prediction of Processing Tomato Yield Using a Crop Growth Model and Remotely Sensed Aerial Images
PREAI
分享收藏
查看更多内容