Z veseljem sporočamo, da je bil v reviji Sensors (MDPI) objavljen znanstveni članek z naslovom “The Future of Vineyard Irrigation: AI-Driven Insights from IoT Data. Študija izkorišča tehnologiji interneta stvari (IoT) in umetne inteligence (UI) z namenom prispevati k trajnostnim kmetijskim praksam z izboljšanjem upravljanja namakanja.
Avtorji: Simona Stojanova, Mojca Volk, Gregor Balkovec, Andrej Kos in Emilija Stojmenova Duh
Povezava do članka: Klikni za ogled
Kaj raziskuje članek?
Raziskava proučuje vpliv integracije interneta stvari (IoT) in napovednih modelov, ki temeljijo na umetni inteligenci (UI), na izboljšanje upravljanja namakanja. Prikazuje, kako je mogoče tehnike globokega učenja (DL) učinkovito uporabiti v agrookoljskih kontekstih. Konkretno predstavi model strojnega učenja (ML), ki temelji na dolgi kratkoročni spominski mreži (LSTM), zasnovan za napovedovanje prihodnjih potreb po namakanju z uporabo raznolikih podatkovnih nizov, zbranih na manjšem komercialnem vinogradu na jugozahodu Idaha, Združene države Amerike (ZDA).
Podatkovni niz vključuje:
- vsebnost vlage v tleh
- podnebne spremenljivke: temperatura zraka, relativna zračna vlaga, sončno sevanje, hitrost in smer vetra
- zgodovinski podatki o namakanju
S to analizo raziskava prinaša več pomembnih zaključkov:
- Tehnike globokega učenja so učinkovitejše od tradicionalnih modelov strojnega učenja pri obdelavi časovno zaporednih podatkov, kar vodi v boljše rezultate.
- Učinkovitost LSTM modela je bila odvisna od števila vhodnih podatkov, kar pomeni, da lahko večja raznolikost podatkov pozitivno vpliva na delovanje modela.
- Za razliko od številnih drugih raziskav je poudarek namenjen dejavniku namakanja in njegovi napovedi, ne pa drugim vplivnim dejavnikom.
Z razvojem, učenjem in testiranjem LSTM modela smo dosegli ravnotežje med enostavnostjo in učinkovitostjo modela ter visoko natančnostjo napovedovanja. Zmanjšana kompleksnost modela omogoča enostavno implementacijo, zaradi česar je primeren za uporabo v praksi. Delo dokazuje, da je mogoče učinkovito napovedovanje potreb po namakanju doseči brez zapletenih analiz, kar kmetom ponuja učinkovito rešitev.
