Il prossimoProssima guida
L'intelligenza artificiale nella previsione della diffusione degli incendi
Applicazioni
GUIDA alle applicazioni
La previsione della resa del raccolto tramite intelligenza artificiale prevede la quantità di raccolto di un campo o di una regione apprendendo dalle immagini satellitari, dalle condizioni meteorologiche e dai dati del suolo.
Ascolta questa guidaNarrato dall'IA · ~2 min
It matters for food security, helping farmers, traders, and governments plan ahead and respond to drought or shortages.
Crop-yield models can combine imagery, weather, soil information, and historical yields. Landsat and Sentinel-2 provide multispectral observations from which vegetation indices can be derived. NDVI uses red and near-infrared reflectance to summarize vegetation signals; it is not a direct measurement of harvested yield. Forecasting before harvest leaves future weather and crop development unknown, with uncertainty depending on lead time and available inputs. Evaluate models on held-out years or regions and ensure the features were actually available at the forecast date. Using realized future weather would turn a supposed operational forecast into a different retrospective task. Labels may represent county or regional averages, which do not automatically validate estimates for individual fields.
I governi stimano la produzione nazionale di cereali a metà stagione per pianificare le importazioni e le riserve di aiuti alimentari
Gli assicuratori del raccolto utilizzano stime satellitari della resa per rilevare le perdite e accelerare i pagamenti agli agricoltori
I trader di materie prime prevedono i raccolti regionali per anticipare i movimenti dei prezzi del grano o del mais
Agricoltori che identificano le zone con scarse prestazioni all’interno di un campo per indirizzare fertilizzanti e irrigazione
Research explores additional data and combinations of process knowledge with learning. Assess the crop, region, prediction date, and target scale separately, including unusual heat or drought conditions. A model evaluated mainly on ordinary years or regional averages needs further evidence for extreme-year or individual-field use.
Newsletter gratuita
Tre storie verificate sull'IA ogni mattina nei giorni feriali, scritte in un inglese semplice. Gratuito per sempre, senza pubblicità.
Un'email ogni giorno feriale. Disiscriviti con un clic. Non vendiamo né condividiamo mai il tuo indirizzo.
Mettiti alla prova
Feedback immediato su ogni risposta e un certificato condivisibile con un ID verificabile una volta superato un corso.
Sostieni l'istruzione gratuita sull'IA. AI Understanding è un'organizzazione non profit 501(c)(3) — nessun annuncio, nessun paywall, mai. Fai una donazione
La previsione della resa del raccolto tramite intelligenza artificiale prevede la quantità di raccolto di un campo o di una regione apprendendo dalle immagini satellitari, dalle condizioni meteorologiche e dai dati del suolo. È importante per la sicurezza alimentare, poiché aiuta gli agricoltori, i commercianti e i governi a pianificare in anticipo e rispondere alla siccità o alle carenze.
L’NDVI confronta la riflettanza del vicino infrarosso e della luce rossa per valutare quanto sia verde e sana la vegetazione, un segnale chiave delle condizioni del raccolto.
Fare previsioni prima del raccolto significa che le principali condizioni future, come le piogge tardive o il caldo, sono ancora sconosciute, ampliando il range di errore.
Temporal holdout is useful, but an operational forecast must also avoid features that were not available at issuance.
I satelliti per l'osservazione della Terra come Sentinel-2 e Landsat forniscono le immagini multispettrali da cui vengono calcolati gli indici di vegetazione.
Simulation-derived agronomic information supplies additional predictor features, with improvements measured in the study's setting.
Continua a imparare
Altre guide selezionate per questo argomento
Il prossimoProssima guida
L'intelligenza artificiale nella previsione della diffusione degli incendi
Applicazioni