農業におけるデータマイニング

農業において、データマイニングとは、データサイエンスの技術を使用して大量の農業データを分析することです。センサー、ドローン、衛星画像などの最近の技術の進歩により、土壌の健康、気象パターン、作物の成長、害虫の活動に関する大量のデータを収集できるようになりました。データを分析することで、農業の効率を向上させ、パターンと傾向を特定し、問題を早期に発見して潜在的な損失を最小限に抑えることができます。また、環境への影響をより深く理解するためにも使用できます。^[1]

データマイニングは、農業において、収穫後の関連決定に重要な果実欠陥検出アルゴリズムを強化するために使用できます。たとえば、潜在的市場の特定や輸出 保険会社向けのレポートの強化などです。開発中のデータ収集方法の開発は、表面欠陥に応じて果実を分類するための実用的なデータを生成するために使用されます。^[2]一例として、データマイニングは、化学散布による果実の欠陥検出に適用されています。散布はさまざまな種類の果実にさまざまな欠陥を引き起こす可能性があるためです。このデータは、散布日や化学情報などの文書化を必要とする法律に広範囲に準拠するのに役立ちます。たとえば、リンゴのさび病など、果実の腐敗を防ぐために殺菌剤の散布がよく使用されるため、法律の要件は正当化されます。^[3]現在、この知識の多くは、定性的および定量的なデータ収集方法ではなく、逸話的な証拠に基づいています。そのため、データマイニングの実践を園芸研究に適用する取り組みが行われています。^[4]

ワインの発酵過程における代謝変化は、ワイン関連産業の生産性とワインの品質に影響を与えます。k -meansアルゴリズム^[5]などのデータサイエンス技術や、ブラスターリングの概念に基づく分類技術^[6]は、これらの代謝過程の研究に使用され、3日間発酵した後でも発酵結果を予測することに成功しています。これらの方法は、発酵の代謝プロファイルに従ってワインを分類するものであり、従来のワイン分類システムとは異なります。詳細については、ウィキペディアのワインの分類を参照してください。実験データに基づいて、科学者はこれが望ましくない発酵結果を診断し、発酵の初期段階で介入を計画するための貴重なツールであると提案しています。^[7]

グループデータ処理法（GMDH ）型ネットワークと遺伝的アルゴリズムの進化的方法を組み合わせて、羽毛粉と家禽内臓粉のタンパク質、脂肪、灰分含有量に基づく代謝エネルギーを予測しました。発表された文献からのデータサンプルを収集し、 GMDH型ネットワークモデルのトレーニングに使用しました。GMDH型ネットワークと遺伝的アルゴリズムの進化的方法を組み合わせた新しいアプローチは、家禽飼料サンプルの化学物質含有量に基づく代謝エネルギーを予測するために使用できます。^[8]また、 GMDH型ネットワークは、代謝エネルギー、タンパク質、アミノ酸などの食事栄養素から家禽のパフォーマンスを正確に推定できることも報告されています。^[9]

農場での病気の検出は、他の動物への汚染を減らすことで農場の生産性にプラスの影響を与えることができます。さらに、病気の早期発見により、農家は症状が現れたらすぐに感染した動物を治療し隔離することができます。豚が発する咳などの音を分析して病気を検出することができます。現在、農場に設置されたマイクを介して豚の音をモニターし、検出可能なさまざまな音を区別できる計算システムが開発されています。^[10]

ポリメラーゼ連鎖反応-一本鎖コンフォメーション多型（PCR -SSCP）法を用いて、イランのバロチ雄羊の成長ホルモン（GH）、レプチン、カルパイン、カルパスタチンの 多型を判定した。人工ニューラルネットワーク（ANN）モデルは、GH、レプチン、カルパイン、カルパスタチンの多型、出生時体重、出生型を入力パラメータとして子羊の平均日増体量（ADG）を予測するために開発された。結果は、ANNモデルが、特定の遺伝子多型、出生時体重、出生型を前提として子羊の成長をADGの観点から予測するためのデータパターンを識別するのに適したツールであることを明らかにした。PCR -SSCPアプローチとANNベースのモデル分析のプラットフォームは、分子マーカー支援選択および育種プログラムで使用して、羊の生産効率を向上させるスキームを設計することができるかもしれない。^[11]

市場に出荷される前にリンゴは検査され、欠陥のあるものは取り除かれます。しかし、リンゴの味と見た目を損なう目に見えない欠陥もあります。目に見えない欠陥の例としては、水芯があります。これはリンゴの内部障害で、果実の寿命に影響を与える可能性があります。軽度または中程度の水芯を持つリンゴはより甘いですが、中程度から重度の水芯を持つリンゴは、リンゴほど長く保存できません。さらに、重度の水芯を持つ数個の果実が、リンゴのバッチ全体を台無しにする可能性があります。このため、リンゴがベルトコンベア上を移動している間に果実のX線写真を撮る計算システムが研究されています。このシステムは、撮影した写真を（データマイニング技術によって）分析し、果実に水芯が含まれている可能性を推定することもできます。^[12]

パキスタンの農業研究者による最近の研究では、綿花栽培の収穫量を最大化するために農薬使用を奨励する政策がとられた結果、危険なほどの農薬使用量の増加につながったことがわかった。これらの研究では、パキスタンにおける農薬使用量と作物収穫量の間には負の相関関係があることが報告されている。その結果、農薬の過剰使用（または乱用）が農家に経済的、環境的、社会的に悪影響を及ぼしている。綿花のデータマイニングにより、害虫調査データと気象記録から、農薬使用量を最適化（削減）する方法がわかる。データのクラスタリングにより、農法と農薬使用の動態に興味深いパターンが明らかになり、農薬乱用の理由の特定に役立った。^[13]

パキスタンのさまざまな政府機関は、綿花の生育を監視するために、数十年にわたって害虫調査や農業および気象データを記録してきました。記録された綿花害虫調査データの大まかな推定値は約 150 万件で、増加しています。記録された主要な農業気象データは、完全な画像を提供するためにデジタル化、統合、標準化されたことがなく、したがって意思決定をサポートできません。そのため、農業データ ウェアハウスが必要です。新しいパイロット農業拡張データ ウェアハウスを作成し、クエリとデータ マイニングによる分析を行ったところ、間違った時期に散布された農薬、正しい理由で使用された間違った農薬、農薬の使用と曜日の時間的関係など、いくつかの興味深い発見がありました。^[14]

人工ニューラルネットワークベースのモデルと感度分析および最適化アルゴリズムを組み合わせたプラットフォームは、ブロイラー鶏のトレオニンに対する反応に関する公開データを統合するのにうまく使用されました。コンパイルされたデータセットからの体重増加と飼料効率に関する人工ニューラルネットワークモデルの分析は、食事中のタンパク質濃度がトレオニン濃度よりも重要であることを示唆しました。結果は、18.69%のタンパク質と0.73%のトレオニンを含む食事が最適な体重増加につながる可能性がある一方で、最適な飼料効率は18.71%のタンパク質と0.75%のトレオニンを含む食事で達成できる可能性があることを明らかにしました。^[15]

Springer の Precision Agriculture や Elsevier の Computers and Electronics in Agriculture など、 精密農業に関するジャーナルがあります。ただし、これらのジャーナルは農業におけるデータマイニングに特化しているわけではありません。