VolgendeVolgende gids
AI in voorspelling van de verspreiding van natuurbranden
Toepassingen
ToepassingenGIDS
AI-voorspelling van de gewasopbrengst voorspelt hoeveel een veld of regio zal oogsten door te leren van satellietbeelden, weer- en bodemgegevens.
Luister naar deze gidsAI-verteld · ~2 min
Het is van belang voor de voedselzekerheid en helpt boeren, handelaars en overheden vooruit te plannen en te reageren op droogte of tekorten.
Gewasopbrengstmodellen kunnen beelden, het weer, bodeminformatie en historische opbrengsten combineren. Landsat en Sentinel-2 leveren multispectrale waarnemingen waaruit vegetatie-indices kunnen worden afgeleid. NDVI gebruikt rood en nabij-infrarood reflectievermogen om vegetatiesignalen samen te vatten; het is geen directe meting van de geoogste opbrengst. Voorspellen vóór de oogst laat het toekomstige weer en de gewasontwikkeling onbekend, waarbij de onzekerheid afhangt van de voorsprongstijd en de beschikbare invoer. Evalueer modellen op apart gehouden jaren of regio's en zorg ervoor dat de kenmerken daadwerkelijk beschikbaar waren op de voorspellingsdatum. Het gebruik van gerealiseerd toekomstig weer zou een veronderstelde operationele voorspelling veranderen in een andere retrospectieve taak. Labels kunnen gemeente- of regionale gemiddelden vertegenwoordigen, wat schattingen voor individuele percelen niet automatisch valideert.
Regeringen schatten halverwege het seizoen de nationale graanproductie in om de import en de voedselhulpreserves te plannen
Oogstverzekeraars gebruiken satellietopbrengstschattingen om verliezen op te sporen en de uitbetalingen aan boeren te versnellen
Grondstofhandelaren voorspellen regionale oogsten om te anticiperen op prijsbewegingen in tarwe of maïs
Boeren identificeren slecht presterende zones binnen een veld om zich te richten op kunstmest en irrigatie
Onderzoek verkent aanvullende gegevens en combinaties van proceskennis met lerend vermogen. Beoordeel het gewas, de regio, de voorspellingsdatum en de doelschaal apart, inclusief ongewone hitte- of droogte-omstandigheden. Een model dat voornamelijk is geëvalueerd op gewone jaren of regionale gemiddelden heeft extra bewijs nodig voor gebruik in extreme jaren of op individuele percelen.
Gratis nieuwsbrief
Drie verifieerde AI-verhalen elke weekdagmorgen, geschreven in eenvoudig Engels. Gratis voor altijd, geen advertenties.
Eén e-mail elke weekdag. Afmelden met één klik. We verkopen of delen je adres nooit.
Test jezelf
Directe feedback op elke antwoord, en een deelbare certificaat met een verifieerbare ID zodra je een cursus hebt afgerond.
Ondersteun gratis AI-onderwijs. AI Understanding is een 501(c)(3) non-profit — geen advertenties, geen betaalmuur, nooit. Doe een donatie
AI-voorspelling van de gewasopbrengst voorspelt hoeveel een veld of regio zal oogsten door te leren van satellietbeelden, weer- en bodemgegevens. Het is van belang voor de voedselzekerheid en helpt boeren, handelaars en overheden vooruit te plannen en te reageren op droogte of tekorten.
NDVI vergelijkt de reflectie van nabij-infrarood- en rood licht om te meten hoe groen en gezond de vegetatie is, een belangrijk signaal van de toestand van het gewas.
Voorspellen vóór de oogst betekent dat belangrijke toekomstige omstandigheden zoals late regenval of hitte nog onbekend zijn, waardoor het foutenbereik groter wordt.
Een temporele holdout is nuttig, maar een operationele voorspelling moet ook kenmerken vermijden die niet beschikbaar waren op het moment van afgifte.
Aardobservatiesatellieten zoals Sentinel-2 en Landsat leveren de multispectrale beelden waaruit vegetatie-indices worden berekend.
Uit simulatie afgeleide agronomische informatie levert extra voorspellende kenmerken op, met verbeteringen gemeten in de setting van de studie.
Blijf leren
Er zijn meer handleidingen voor dit onderwerp geselecteerd
VolgendeVolgende gids
AI in voorspelling van de verspreiding van natuurbranden
Toepassingen