Short term soil moisture forecasts for potato crop farming: a machine learning approach - Archive ouverte HAL Accéder directement au contenu
Article Dans Une Revue Computers and Electronics in Agriculture Année : 2021

Short term soil moisture forecasts for potato crop farming: a machine learning approach

Prédiction hebdomadaire de la teneur en eau d'une campagne de culture de la pomme de terre par apprentissage supervisé

Amaury Dubois
  • Fonction : Auteur
  • PersonId : 1086418
Fabien Teytaud

Résumé

Agricultural decision-making is crucial for future yields. In the context of smart farming, grower combine information from sensors located close to their crops with agronomic models to help them to better understand their crops. Irrigation management is therefore based on extrapolation of data and/or agronomic model responses. This problem can be seen as a learning task for which machine learning techniques have proven their relevance in many and diverse applications. In this paper we place ourselves in the context of potato farming, a crop for which irrigation plays a crucial role. We model the problem of soil water potential prediction as a learning problem solved by supervised leaning algorithms. The problem appears to be difficult since there are several potential inputs, and several outputs to predict. Experiments are conducted on several scenarios with data acquired during 3 years. We demonstrate the possibility of applying feature selection method to automatically design models with features relevant to the problem at hand while having good performances. We have also demonstrated the relevance of the machine learning for this kind of problem, since the methods are able to correctly predict the next water potential values.
La prise de décision en matière d'agriculture est cruciale pour les rendements futurs. Dans le cadre de l'agriculture intelligente, les producteurs combinent les informations provenant de capteurs situés à proximité de leurs cultures avec des modèles agronomiques pour les aider à mieux comprendre leurs cultures. La gestion de l'irrigation est donc basée sur l'extrapolation des données et/ou des réponses des modèles agronomiques. Ce problème peut être considéré comme une tâche d'apprentissage pour laquelle les techniques d'apprentissage machine ont prouvé leur pertinence dans de nombreuses et diverses applications. Dans cet article, nous nous plaçons dans le contexte de la culture de la pomme de terre, une culture pour laquelle l'irrigation joue un rôle crucial. Nous modélisons le problème de la prédiction du potentiel hydrique du sol comme un problème d'apprentissage résolu par des algorithmes d'apprentissage supervisé. Le problème semble être difficile car il y a plusieurs entrées potentielles et plusieurs sorties à prévoir. Des expériences sont menées sur plusieurs scénarios avec des données acquises pendant 3 ans. Nous démontrons la possibilité d'appliquer la méthode de sélection des caractéristiques pour concevoir automatiquement des modèles avec des caractéristiques pertinentes pour le problème en question tout en ayant de bonnes performances. Nous avons également démontré la pertinence de l'apprentissage machine pour ce type de problème, puisque les méthodes sont capables de prédire correctement les prochaines valeurs de potentiel d'eau.
Fichier principal
Vignette du fichier
paper.pdf (1.06 Mo) Télécharger le fichier
Origine : Fichiers produits par l'(les) auteur(s)

Dates et versions

hal-03081945 , version 1 (18-12-2020)

Identifiants

Citer

Amaury Dubois, Fabien Teytaud, Sébastien Verel. Short term soil moisture forecasts for potato crop farming: a machine learning approach. Computers and Electronics in Agriculture, inPress, 180, ⟨10.1016/j.compag.2020.105902⟩. ⟨hal-03081945⟩
46 Consultations
219 Téléchargements

Altmetric

Partager

Gmail Facebook X LinkedIn More