ترجمه فارسی مقاله یادگیری ماشین برای مدیریت پویای منطقه در کشاورزی هوشمند

چکیده

Digital agriculture is growing in popularity among professionals and brings together new opportunities along with pervasive use of modern data-driven technologies. Digital agriculture approaches can be used to replace all traditional agricultural system at very reasonable costs. It is very effective in optimising large-scale management of resources, while traditional techniques cannot even tackle the problem. In this paper, we proposed a dynamic management zone delineation approach based on Machine Learning clustering algorithms using crop yield data, elevation and soil texture maps and available NDVI data. Our proposed dynamic management zone delineation approach is useful for analysing the spatial variation of yield zones. Delineation of yield regions based on historical yield data augmented with topography and soil physical properties helps farmers to economically and sustainably deploy site-specific management practices identifying persistent issues in a field. The use of frequency maps is capable of capturing dynamically changing incidental issues within a growing season. The proposed zone management approach can help farmers/agronomists to apply variable-rate N fertilisation more effectively by analysing yield potential and stability zones with satellite-based NDVI monitoring.

چکیده به فارسی (ترجمه ماشینی)

کشاورزی دیجیتال در بین متخصصان محبوبیت در حال رشد است و فرصت های جدیدی را همراه با استفاده گسترده از فناوری های مدرن مبتنی بر داده ها به ارمغان می آورد.از رویکردهای کشاورزی دیجیتال می توان برای جایگزینی کلیه سیستم های کشاورزی سنتی با هزینه های بسیار مناسب استفاده کرد.این در بهینه سازی مدیریت در مقیاس بزرگ منابع بسیار مؤثر است ، در حالی که تکنیک های سنتی حتی نمی توانند با مشکل روبرو شوند.در این مقاله ، ما یک رویکرد تعیین کننده منطقه مدیریت پویا را بر اساس الگوریتم های خوشه بندی یادگیری ماشین با استفاده از داده های عملکرد محصول ، نقشه های ارتفاع و بافت خاک و داده های NDVI موجود پیشنهاد کردیم.رویکرد تعیین منطقه مدیریت پویا پیشنهادی ما برای تجزیه و تحلیل تنوع مکانی مناطق عملکرد مفید است.ترسیم مناطق بازده بر اساس داده های عملکرد تاریخی که با توپوگرافی و خصوصیات فیزیکی خاک تقویت شده است ، به کشاورزان کمک می کند تا از نظر اقتصادی و پایدار شیوه های مدیریتی خاص سایت را شناسایی کنند که موضوعات مداوم را در یک زمینه شناسایی می کنند.استفاده از نقشه های فرکانس قادر به ضبط موضوعات حادثه ای پویا در یک فصل رشد است.رویکرد مدیریت منطقه پیشنهادی می تواند با تجزیه و تحلیل مناطق پتانسیل و پایداری عملکرد با نظارت بر NDVI مبتنی بر ماهواره ، به کشاورزان/زراعت گرایان کمک کند تا لقاح N با نرخ متغیر را به طور مؤثرتری اعمال کنند.