Ce livre explore l'intersection de l'apprentissage automatique (ML), de l'intelligence artificielle (AI) et de l'agriculture, en se concentrant sur l'amélioration des pratiques agricoles grâce à des solutions basées sur les données. Il commence par une évaluation des systèmes de fertilisation et d'irrigation, en abordant les défis d'intégration et les composants essentiels tels que les capteurs, les interfaces de communication et les mécanismes de fertilisation. Le livre souligne la difficulté de sélectionner les modèles appropriés en raison de l'abondance des options, ce qui entraîne des retards et des coûts plus élevés. Pour y remédier, il compare les modèles de fertilisation et d'irrigation sur la base d'indicateurs de performance tels que la précision, le coût, la complexité et l'évolutivité. Elle propose également des améliorations telles que la fusion de modèles pour améliorer les performances du système et réduire les efforts de validation. La thèse présente le cadre "MSMRBEF" pour la surveillance des sols, qui utilise un traitement d'ensemble bioinspiré et des algorithmes génétiques pour recommander des cultures en fonction des conditions environnementales. Le modèle "LEIFMCY", une solution à faible coût basée sur l'IdO pour l'analyse du rendement du coton, est présenté, optimisant les rendements des cultures grâce à la surveillance des sols en temps réel et à l'analyse prédictive.
Bitte wählen Sie Ihr Anliegen aus.
Rechnungen
Retourenschein anfordern
Bestellstatus
Storno