Прогнозирование урожайности сельскохозяйственных культур с использованием машинного обучения: систематический обзор литературы

Машинное обучение является важным инструментом поддержки принятия решений при прогнозировании урожайности сельскохозяйственных культур, включая принятие решений о том, какие культуры выращивать и какие действия предпринимать в течение вегетационного периода. В исследованиях по прогнозированию урожайности сельскохозяйственных культур применялось несколько алгоритмов машинного обучения. В настоящем исследовании был выполнен систематический обзор литературы (SLR) с целью выявления и обобщения алгоритмов и признаков, использованных в исследованиях по прогнозированию урожайности. В соответствии с критериями поиска из шести электронных баз данных было отобрано 567 релевантных публикаций, из которых на основе критериев включения и исключения для дальнейшего анализа были выбраны 50 исследований. Эти исследования были тщательно изучены; проанализированы использованные методы и признаки, а также предложены направления дальнейших исследований. Согласно результатам анализа, наиболее часто используемыми признаками являются температура, количество осадков и тип почвы, а наиболее широко применяемым алгоритмом в этих моделях — искусственные нейронные сети. После анализа 50 публикаций, посвящённых машинному обучению, был проведён дополнительный поиск в электронных базах данных для выявления исследований по глубокому обучению; было найдено 30 таких публикаций и выделены применённые алгоритмы глубокого обучения. Согласно результатам дополнительного анализа, наиболее широко используемым алгоритмом глубокого обучения в этих исследованиях являются свёрточные нейронные сети (CNN); другими широко применяемыми алгоритмами являются сети с долговременной краткосрочной памятью (LSTM) и глубокие нейронные сети (DNN).