The development of models for agriculture systems, especially for crop production, has supported the prediction of crop yields under various environmental change scenarios and the selection of better crop species or cultivar. Crop models could be used as tools for supporting reasonable nutrient management approaches for agricultural land. This paper outlines the simplified structure of main crop models (crop growth model, crop-soil model, and crop-soil-environment model) frequently used in agricultural systems and shows diverse application of their simulated results. Crop growth models such as LINTUL, SUCROS, could provide simulated data for daily growth, potential production, and photosynthesis assimilate partitioning to various organs with different physiological stages, and for evaluating crop nutrient demand. Crop-Soil models (DSSAT, APSIM, WOFOST, QUEFTS) simulate growth, development, and yields of crops; soil processes describing nutrient uptake from root zone; and soil nutrient supply capability, e.g., mineralization/decomposition of soil organic matter. The crop model built for the DSSAT family software has limitations in spatial variability due to its simulation mechanism based on a single homogeneous field unit. To introduce well-performing crop models, the potential applications for crop-soil-environment models such as DSSAT, APSIM, or even a newly designed model, should first be compared. The parameterization of various crops under different cultivation conditions like those of intensive farming systems common in Korea, shortened crop growth period, should be considered as well as various resource inputs.
Recently, transfer learning techniques with a base convolutional neural network (CNN) model have widely gained acceptance in early detection and classification of crop diseases to increase agricultural productivity with reducing disease spread. The transfer learning techniques based classifiers generally achieve over 90% of classification accuracy for crop diseases using dataset of crop leaf images (e.g., PlantVillage dataset), but they have ability to classify only the pre-trained diseases. This paper provides with an evaluation scheme on selecting an effective base CNN model for crop disease transfer learning with regard to the accuracy of trained target crops as well as of untrained target crops. First, we present transfer learning models called CDC (crop disease classification) architecture including widely used base (pre-trained) CNN models. We evaluate each performance of seven base CNN models for four untrained crops. The results of performance evaluation show that the DenseNet201 is one of the best base CNN models.
A split-plot designed experiment including four rice varieties and 10 nitrogen levels was conducted in 2003 at the Experimental Farm of Seoul National University, Suwon, Korea. Before heading, hyperspectral canopy reflectance (300-1100nm with 1.55nm step) and nine crop variables such as shoot fresh weight (SFW), leaf area index, leaf dry weight, shoot dry weight, leaf N concentration, shoot N concentration, leaf N density, shoot N density and N nutrition index were measured at 54 and 72 days after transplanting. Grain yield, total number of spikelets, number of filled spikelets and 1000-grain weight were measured at harvest. 14,635 narrow-band NDVIs as combinations of reflectances at wavelength ${\lambda}l\;and\;{\lambda}2$ were correlated to the nine crop variables. One NDVI with the highest correlation coefficient with a given crop variable was selected as the NDVI of the best fit for this crop variable. As expected, models to predict crop variables before heading using the NDVI of the best fit had higher $r^2$(>10\%)$ than those using common broad- band NDVI red or NDVI green. The models with the narrow-band NDVI of the best fit overcame broad- band NDVI saturation at high LAI values as frequently reported. Models using NDVIs of the best fit at booting showed higher predictive capacity for yield and yield component than models using crop variables.
Traditional manual identification of crop leaf diseases is challenging. Owing to the limitations in manpower and resources, it is challenging to explore crop diseases on a large scale. The emergence of artificial intelligence technologies, particularly the extensive application of deep learning technologies, is expected to overcome these challenges and greatly improve the accuracy and efficiency of crop disease identification. Crop leaf disease identification models have been designed and trained using large-scale training data, enabling them to predict different categories of diseases from unlabeled crop leaves. However, these models, which possess strong feature representation capabilities, require substantial training data, and there is often a shortage of such datasets in practical farming scenarios. To address this issue and improve the feature learning abilities of models, this study proposes a deep transfer learning adaptation strategy. The novel proposed method aims to transfer the weights and parameters from pre-trained models in similar large-scale training datasets, such as ImageNet. ImageNet pre-trained weights are adopted and fine-tuned with the features of crop leaf diseases to improve prediction ability. In this study, we collected 16,060 crop leaf disease images, spanning 12 categories, for training. The experimental results demonstrate that an impressive accuracy of 98% is achieved using the proposed method on the transferred ResNet-50 model, thereby confirming the effectiveness of our transfer learning approach.
작물 생육모형은 기존의 경험적 작물모형과는 달리 벼의 생장과정을 모의 할 수 있는 장점이 있다. 이러한 작물생육 모형들은 80년대 후반부터 적극적으로 국내도입이 이루어 졌다. 유럽에서 개발된 MACROS로 부터 시작하여 이후 Oryza1 및 Oryza2000 모형과 북미에서 개발된 DSSAT 계열의 모형인 CERES-RICE 모형을 도입하게 되었다. 각각의 모형들은 최초에는 단순히 품종수 적합 후 특정지역에의 수량을 모의하는데 활용되었으나 2000년대에 이르러서는 국내에 적합한 작물모형으로 발전시킬 수 있는 단계에 이르게 되었다. 그러나, 작물생육모형을 기후변화 영향평가를 위한 용도로 주로 사용하였고 실용적인 수준에서의 활용은 미미하였다. 일부 농가 적용을 위한 시도가 있었으나 널리 활용되지는 못하였다. 이러한 활용상의 문제점은 기상자료의 공간해상도가 문제가 가장 크며, 그 다음으로는 각 지역별이 품종에 대한 품종모수 자료가 부족하기 때문이다. 이러한 활용상의 문제점을 극복하기 위해서는 기상관측의 공간해상력을 높이기 위한 관측소의 확대 또는 공간 내삽법이 필요할 것으로 생각된다. 또한 신품종이 일정 재배면적 이상 확대될 경우 이에 대해 품종모수를 적합할 제도적 기술적 방법이 필요하다. 작물모형의 활용 확대를 위해서는 기상 또는 토양 분야와도 연결이 필요하다. 이를 위해서는 군락의 증산 속도와 토양모형에 정보가 필요하며 이는 군락 광합성 관련 부분과 토양 특성에 대해서 새로운 접근이 필요함을 의미한다.
Suresh, K.P.;Kiran, G. Ravi;Giridhar, K.;Sampath, K.T.
Asian-Australasian Journal of Animal Sciences
/
제25권4호
/
pp.462-470
/
2012
The availability and efficient use of the feed resources in India are the primary drivers to maximize productivity of Indian livestock. Feed security is vital to the livestock management, extent of use, conservation and productivity enhancement. Assessment and forecasting of livestock feed resources are most important for effective planning and policy making. In the present study, 40 years of data on crop production, land use pattern, rainfall, its deviation from normal, area under crop and yield of crop were collected and modeled to forecast the likely production of feed resources for the next 20 years. The higher order auto-regressive (AR) models were used to develop efficient forecasting models. Use of climatic variables (actual rainfall and its deviation from normal) in combination with non-climatic factors like area under each crop, yield of crop, lag period etc., increased the efficiency of forecasting models. From the best fitting models, the current total dry matter (DM) availability in India was estimated to be 510.6 million tonnes (mt) comprising of 47.2 mt from concentrates, 319.6 mt from crop residues and 143.8 mt from greens. The availability of DM from dry fodder, green fodder and concentrates is forecasted at 409.4, 135.6 and 61.2 mt, respectively, for 2030.
Accurate field crop classification is essential for various agricultural applications, yet existing methods face challenges due to diverse crop types and complex field conditions. This study aimed to address these issues by combining support vector machine (SVM) models with multi-seasonal unmanned aerial vehicle (UAV) images, texture information extracted from Gray Level Co-occurrence Matrix (GLCM), and RGB spectral data. Twelve high-resolution UAV image captures spanned March-October 2021, while field surveys on three dates provided ground truth data. We focused on data from August (-A), September (-S), and October (-O) images and trained four support vector classifier (SVC) models (SVC-A, SVC-S, SVC-O, SVC-AS) using visual bands and eight GLCM features. Farm maps provided by the Ministry of Agriculture, Food and Rural Affairs proved efficient for open-field crop identification and served as a reference for accuracy comparison. Our analysis showcased the significant impact of hyperparameter tuning (C and gamma) on SVM model performance, requiring careful optimization for each scenario. Importantly, we identified models exhibiting distinct high-accuracy zones, with SVC-O trained on October data achieving the highest overall and individual crop classification accuracy. This success likely stems from its ability to capture distinct texture information from mature crops.Incorporating GLCM features proved highly effective for all models,significantly boosting classification accuracy.Among these features, homogeneity, entropy, and correlation consistently demonstrated the most impactful contribution. However, balancing accuracy with computational efficiency and feature selection remains crucial for practical application. Performance analysis revealed that SVC-O achieved exceptional results in overall and individual crop classification, while soybeans and rice were consistently classified well by all models. Challenges were encountered with cabbage due to its early growth stage and low field cover density. The study demonstrates the potential of utilizing farm maps and GLCM features in conjunction with SVM models for accurate field crop classification. Careful parameter tuning and model selection based on specific scenarios are key for optimizing performance in real-world applications.
This study suggests the yield forecast models for autumn chinese cabbage and radish using crop growth and development information. For this, we construct 24 alternative yield forecast models and compare the predictive power using root mean square percentage errors. The results shows that the predictive power of model including crop growth and development informations is better than model which does not include those informations. But the forecast errors of best forecast models exceeds 5%. Thus it is important to establish reliable data and improve forecast models.
Kim, Kwang Soo;Kim, Do-Gyeom;Kim, Sey Hyun;Hwang, Grim;Jeong, Haneul
한국농림기상학회:학술대회논문집
/
한국농림기상학회 2011년도 학술발표회
/
pp.12-14
/
2011
Crop growth simulation models have been developed as research and management tools. When these models are needed to incorporate new knowledge on phenology and physiology of crops, programming languages have been used for development and documentation of these models. However, researchers may have limited skill in programming languages. Furthermore, software developer may find it challenging to improve the crop models because documentation of the models are rarely available. The Unified Modeling Language (UML) can provide a simple approach for development and documentation of model. A template for implementation of the model can be obtained using the UML, which would facilitate code re-use and model improvement.
Crop diseases affect crop production, more than 30 billion USD globally. We proposed a classification study of crop species and diseases using deep learning algorithms for corn, cucumber, pepper, and strawberry. Our study has three steps of species classification, disease detection, and disease classification, which is noteworthy for using captured images without additional processes. We designed deep learning approach of deep learning convolutional neural networks based on Mask R-CNN model to classify crop species. Inception and Resnet models were presented for disease detection and classification sequentially. For classification, we trained Mask R-CNN network and achieved loss value of 0.72 for crop species classification and segmentation. For disease detection, InceptionV3 and ResNet101-V2 models were trained for nodes of crop species on 1,500 images of normal and diseased labels, resulting in the accuracies of 0.984, 0.969, 0.956, and 0.962 for corn, cucumber, pepper, and strawberry by InceptionV3 model with higher accuracy and AUC. For disease classification, InceptionV3 and ResNet 101-V2 models were trained for nodes of crop species on 1,500 images of diseased label, resulting in the accuracies of 0.995 and 0.992 for corn and cucumber by ResNet101 with higher accuracy and AUC whereas 0.940 and 0.988 for pepper and strawberry by Inception.
본 웹사이트에 게시된 이메일 주소가 전자우편 수집 프로그램이나
그 밖의 기술적 장치를 이용하여 무단으로 수집되는 것을 거부하며,
이를 위반시 정보통신망법에 의해 형사 처벌됨을 유념하시기 바랍니다.
[게시일 2004년 10월 1일]
이용약관
제 1 장 총칙
제 1 조 (목적)
이 이용약관은 KoreaScience 홈페이지(이하 “당 사이트”)에서 제공하는 인터넷 서비스(이하 '서비스')의 가입조건 및 이용에 관한 제반 사항과 기타 필요한 사항을 구체적으로 규정함을 목적으로 합니다.
제 2 조 (용어의 정의)
① "이용자"라 함은 당 사이트에 접속하여 이 약관에 따라 당 사이트가 제공하는 서비스를 받는 회원 및 비회원을
말합니다.
② "회원"이라 함은 서비스를 이용하기 위하여 당 사이트에 개인정보를 제공하여 아이디(ID)와 비밀번호를 부여
받은 자를 말합니다.
③ "회원 아이디(ID)"라 함은 회원의 식별 및 서비스 이용을 위하여 자신이 선정한 문자 및 숫자의 조합을
말합니다.
④ "비밀번호(패스워드)"라 함은 회원이 자신의 비밀보호를 위하여 선정한 문자 및 숫자의 조합을 말합니다.
제 3 조 (이용약관의 효력 및 변경)
① 이 약관은 당 사이트에 게시하거나 기타의 방법으로 회원에게 공지함으로써 효력이 발생합니다.
② 당 사이트는 이 약관을 개정할 경우에 적용일자 및 개정사유를 명시하여 현행 약관과 함께 당 사이트의
초기화면에 그 적용일자 7일 이전부터 적용일자 전일까지 공지합니다. 다만, 회원에게 불리하게 약관내용을
변경하는 경우에는 최소한 30일 이상의 사전 유예기간을 두고 공지합니다. 이 경우 당 사이트는 개정 전
내용과 개정 후 내용을 명확하게 비교하여 이용자가 알기 쉽도록 표시합니다.
제 4 조(약관 외 준칙)
① 이 약관은 당 사이트가 제공하는 서비스에 관한 이용안내와 함께 적용됩니다.
② 이 약관에 명시되지 아니한 사항은 관계법령의 규정이 적용됩니다.
제 2 장 이용계약의 체결
제 5 조 (이용계약의 성립 등)
① 이용계약은 이용고객이 당 사이트가 정한 약관에 「동의합니다」를 선택하고, 당 사이트가 정한
온라인신청양식을 작성하여 서비스 이용을 신청한 후, 당 사이트가 이를 승낙함으로써 성립합니다.
② 제1항의 승낙은 당 사이트가 제공하는 과학기술정보검색, 맞춤정보, 서지정보 등 다른 서비스의 이용승낙을
포함합니다.
제 6 조 (회원가입)
서비스를 이용하고자 하는 고객은 당 사이트에서 정한 회원가입양식에 개인정보를 기재하여 가입을 하여야 합니다.
제 7 조 (개인정보의 보호 및 사용)
당 사이트는 관계법령이 정하는 바에 따라 회원 등록정보를 포함한 회원의 개인정보를 보호하기 위해 노력합니다. 회원 개인정보의 보호 및 사용에 대해서는 관련법령 및 당 사이트의 개인정보 보호정책이 적용됩니다.
제 8 조 (이용 신청의 승낙과 제한)
① 당 사이트는 제6조의 규정에 의한 이용신청고객에 대하여 서비스 이용을 승낙합니다.
② 당 사이트는 아래사항에 해당하는 경우에 대해서 승낙하지 아니 합니다.
- 이용계약 신청서의 내용을 허위로 기재한 경우
- 기타 규정한 제반사항을 위반하며 신청하는 경우
제 9 조 (회원 ID 부여 및 변경 등)
① 당 사이트는 이용고객에 대하여 약관에 정하는 바에 따라 자신이 선정한 회원 ID를 부여합니다.
② 회원 ID는 원칙적으로 변경이 불가하며 부득이한 사유로 인하여 변경 하고자 하는 경우에는 해당 ID를
해지하고 재가입해야 합니다.
③ 기타 회원 개인정보 관리 및 변경 등에 관한 사항은 서비스별 안내에 정하는 바에 의합니다.
제 3 장 계약 당사자의 의무
제 10 조 (KISTI의 의무)
① 당 사이트는 이용고객이 희망한 서비스 제공 개시일에 특별한 사정이 없는 한 서비스를 이용할 수 있도록
하여야 합니다.
② 당 사이트는 개인정보 보호를 위해 보안시스템을 구축하며 개인정보 보호정책을 공시하고 준수합니다.
③ 당 사이트는 회원으로부터 제기되는 의견이나 불만이 정당하다고 객관적으로 인정될 경우에는 적절한 절차를
거쳐 즉시 처리하여야 합니다. 다만, 즉시 처리가 곤란한 경우는 회원에게 그 사유와 처리일정을 통보하여야
합니다.
제 11 조 (회원의 의무)
① 이용자는 회원가입 신청 또는 회원정보 변경 시 실명으로 모든 사항을 사실에 근거하여 작성하여야 하며,
허위 또는 타인의 정보를 등록할 경우 일체의 권리를 주장할 수 없습니다.
② 당 사이트가 관계법령 및 개인정보 보호정책에 의거하여 그 책임을 지는 경우를 제외하고 회원에게 부여된
ID의 비밀번호 관리소홀, 부정사용에 의하여 발생하는 모든 결과에 대한 책임은 회원에게 있습니다.
③ 회원은 당 사이트 및 제 3자의 지적 재산권을 침해해서는 안 됩니다.
제 4 장 서비스의 이용
제 12 조 (서비스 이용 시간)
① 서비스 이용은 당 사이트의 업무상 또는 기술상 특별한 지장이 없는 한 연중무휴, 1일 24시간 운영을
원칙으로 합니다. 단, 당 사이트는 시스템 정기점검, 증설 및 교체를 위해 당 사이트가 정한 날이나 시간에
서비스를 일시 중단할 수 있으며, 예정되어 있는 작업으로 인한 서비스 일시중단은 당 사이트 홈페이지를
통해 사전에 공지합니다.
② 당 사이트는 서비스를 특정범위로 분할하여 각 범위별로 이용가능시간을 별도로 지정할 수 있습니다. 다만
이 경우 그 내용을 공지합니다.
제 13 조 (홈페이지 저작권)
① NDSL에서 제공하는 모든 저작물의 저작권은 원저작자에게 있으며, KISTI는 복제/배포/전송권을 확보하고
있습니다.
② NDSL에서 제공하는 콘텐츠를 상업적 및 기타 영리목적으로 복제/배포/전송할 경우 사전에 KISTI의 허락을
받아야 합니다.
③ NDSL에서 제공하는 콘텐츠를 보도, 비평, 교육, 연구 등을 위하여 정당한 범위 안에서 공정한 관행에
합치되게 인용할 수 있습니다.
④ NDSL에서 제공하는 콘텐츠를 무단 복제, 전송, 배포 기타 저작권법에 위반되는 방법으로 이용할 경우
저작권법 제136조에 따라 5년 이하의 징역 또는 5천만 원 이하의 벌금에 처해질 수 있습니다.
제 14 조 (유료서비스)
① 당 사이트 및 협력기관이 정한 유료서비스(원문복사 등)는 별도로 정해진 바에 따르며, 변경사항은 시행 전에
당 사이트 홈페이지를 통하여 회원에게 공지합니다.
② 유료서비스를 이용하려는 회원은 정해진 요금체계에 따라 요금을 납부해야 합니다.
제 5 장 계약 해지 및 이용 제한
제 15 조 (계약 해지)
회원이 이용계약을 해지하고자 하는 때에는 [가입해지] 메뉴를 이용해 직접 해지해야 합니다.
제 16 조 (서비스 이용제한)
① 당 사이트는 회원이 서비스 이용내용에 있어서 본 약관 제 11조 내용을 위반하거나, 다음 각 호에 해당하는
경우 서비스 이용을 제한할 수 있습니다.
- 2년 이상 서비스를 이용한 적이 없는 경우
- 기타 정상적인 서비스 운영에 방해가 될 경우
② 상기 이용제한 규정에 따라 서비스를 이용하는 회원에게 서비스 이용에 대하여 별도 공지 없이 서비스 이용의
일시정지, 이용계약 해지 할 수 있습니다.
제 17 조 (전자우편주소 수집 금지)
회원은 전자우편주소 추출기 등을 이용하여 전자우편주소를 수집 또는 제3자에게 제공할 수 없습니다.
제 6 장 손해배상 및 기타사항
제 18 조 (손해배상)
당 사이트는 무료로 제공되는 서비스와 관련하여 회원에게 어떠한 손해가 발생하더라도 당 사이트가 고의 또는 과실로 인한 손해발생을 제외하고는 이에 대하여 책임을 부담하지 아니합니다.
제 19 조 (관할 법원)
서비스 이용으로 발생한 분쟁에 대해 소송이 제기되는 경우 민사 소송법상의 관할 법원에 제기합니다.
[부 칙]
1. (시행일) 이 약관은 2016년 9월 5일부터 적용되며, 종전 약관은 본 약관으로 대체되며, 개정된 약관의 적용일 이전 가입자도 개정된 약관의 적용을 받습니다.