Keresés

Keresési eredmények

• A növényprodukciós döntéstámogatás fejlődése: termésmodellek, precíziós adatintegráció és mesterséges intelligencia

  151-170

  Nyéki Anikó

  Megtekintések száma:

  1

  Jelen tanulmány szakirodalmi-szintetizáló áttekintésként mutatja be a növényprodukciós döntéstámogatás fejlődését a folyamat-alapú termésmodellezéstől a precíziós adatforrásokon át a mesterséges intelligencia és a hibrid modellek alkalmazásáig. Célja annak összehasonlító értelmezése, hogy a DSSAT, WOFOST és AquaCrop típusú modellek, a szenzoros, távérzékelési és hozamtérképezési adatok, valamint az AI-alapú módszerek milyen döntési helyzetekben és feltételek mellett növelik a termesztési döntések megbízhatóságát. Az áttekintés fő megállapítása, hogy a döntéstámogatás gyakorlati értéke nem egyetlen modell vagy technológia alkalmazásából, hanem a tudományosan megalapozott modellek, minőségellenőrzött helyspecifikus adatok és értelmezhető, adaptív algoritmusok integrációjából származik. A tanulmány következtetése szerint a hazai alkalmazhatóság kulcsa a helyi kalibráció, a tartamkísérleti és üzemi adatbázisok erősítése, valamint a felhasználói kompetenciák fejlesztése.

• A mesterséges intelligencia felhasználása a növénytermesztési kísérletekben

  47-66

  Berzsenyi Zoltán

  Megtekintések száma:

  43

  Az összefüggések megértése a termés, a talajtulajdonságok, az időjárás és az input applikáció között fontos a mezőgazdasági produkció optimalizálásához. A fenntartható intenzifikáció célja, hogy növeljük a produktivitást és az inputfelhasználás hatékonyságát, miközben fokozzuk a mezőgazdasági rendszerek rugalmasságát a kedvezőtlen környezeti tényezőkre a javított menedzsmenten és technológián keresztül. A mesterséges intelligencia (AI) a precíziós gazdálkodásban (PA) lehetővé teszi a gazdálkodóknak, hogy nagyon célirányos és pontos termesztési eljárásokat használjanak a helyspecifikus agroklimatikus szántóföldi mérések alapján. A legújabb fejlesztések az érzékelésben, a gépi tanulásban (ML) és a modellezésben lehetőséget kínálnak az új digitális technológiákra, hogy megvalósítsuk a fenntartható intenzifikációt.
  Az újabb tudományos publikációk áttekintése alapján bemutattuk a digitális technológia alkalmazását a növénytermesztési kísérletekben három területen: (i) növény- és talajtulajdonságok folyamatos monitorozása, (ii) termésreakció térbeni és időbeni variabilitásának vizsgálata és (iii) gépi tanulás (ML) modellek felhasználása a termés előrejelzésére. Levonható az a következtetés, hogy az adatok varianciájának analízise, felhasználva a statisztikai és gépi tanulás megközelítéseket, segíthet azonosítani és megérteni azokat a termesztési eljárásokat, melyek optimalizálják a termést.

• Mesterséges intelligencia (MI) a precíziós mezőgazdaságban

  87-104

  Dorogházi Ottó

  Megtekintések száma:

  38

  A mesterséges intelligencia (MI) alapú technológiák az agrárium új korszakát nyitják meg, különösen a precíziós mezőgazdaság területén. A tanulmány célja, hogy szemléletes áttekintést adjon arról, miként alkalmazható az MI a hozambecslésben, a növényállapot-monitorozásban és a kártevők, betegségek előrejelzésében. A vizsgált kutatások alapján világossá válik: azok az országok és gazdálkodók, akik időben felismerik ezen technológiák jelentőségét, hosszú távon versenyelőnybe kerülnek.
  A tanulmány rávilágít arra, hogy a magyar mezőgazdaság is egyre inkább kiszolgáltatottá válik az időjárási szélsőségeknek, munkaerőhiánynak és a piaci nyomásnak. A korszerű MI-alapú eszközök automatizálják a döntéseket, emlett pontosabb, gyorsabb és költséghatékonyabb termelést is lehetővé tesznek. Ehhez azonban nemcsak eszközök kellenek, hanem érthető tudásanyag, gyakorlati példák és esettanulmányok, amelyek megmutatják, hogyan működik ez magyaroszági körülmények között.
  A jövő kulcsa tehát nem pusztán a technológiában, hanem a megértésben rejlik. Ezért is elengedhetetlen az áttekintő munkák szerepe, amelyek hidat képeznek a tudomány és a gazdálkodói gyakorlat között. A dolgozatban bemutatott módszerek, algoritmusok és adatelemzési példák alapot adhatnak hazai esettanulmányok és döntéstámogató rendszerek kidolgozásához, amelyek közvetlenül segítik majd a termelőket a gyakorlati döntéseikben.