Editorial Pertanian & Lingkungan
Open AccessOA2024
Pendekatan pengukuran destruktif dan non-destruktif serta penerapan model AI dalam pertanian presisi: sebuah tinjauan
Tinjauan ini mengkaji teknik pertanian presisi untuk estimasi kematangan buah, membandingkan pendekatan destruktif dan non-destruktif, serta menyoroti peran AI dan machine learning. Tinjauan ini mengidentifikasi indeks kematangan utama dan membahas fusi data serta arah penelitian selanjutnya.
Maidul Islam; Suraj Bijjahalli; Thomas Fahey; A. Gardi; R. Sabatini; D. Lambยท Precision Agricultureยท 2024ยท DOI 10.1007/s11119-024-10112-5
Masalah inti
Estimasi kualitas dan kematangan buah sebelum panen sangat penting bagi petani untuk menentukan waktu panen, kebutuhan penyimpanan, dan profitabilitas tanaman. Indikator kematangan buah di lapangan sangat bervariasi dan memerlukan data dengan resolusi spasiotemporal tinggi, yang dapat diperoleh dari sistem pertanian presisi kontemporer. Sistem ini semakin bergantung pada sensor mutakhir, spektrometri, dan teknik pencitraan yang dikombinasikan dengan algoritma Artificial Intelligence (AI) dan Machine Learning (ML) canggih. Artikel ini menyajikan tinjauan kritis terhadap teknik pertanian presisi untuk estimasi kematangan buah, dengan fokus pada pendekatan pengukuran destruktif dan non-destruktif serta penerapan ML di bidang ini.
Inovasi
Tinjauan ini melakukan analisis kritis terhadap kelebihan dan kekurangan berbagai teknik dengan menelaah artikel-artikel terbaru tentang metode non-destruktif untuk melihat tren kinerja dan penerapannya. Tinjauan ini mengkaji metode fusi data canggih untuk menggabungkan informasi dari beberapa sensor non-destruktif, yang semakin banyak digunakan untuk mengembangkan representasi kematangan buah yang lebih akurat untuk seluruh lahan. Hal ini dicapai dengan memasukkan algoritma AI seperti support vector machines, k-nearest neighbour, neural networks, dan clustering. Berdasarkan survei ekstensif terhadap penelitian yang baru diterbitkan, tinjauan ini mengidentifikasi indeks kematangan buah yang paling efektif: kandungan gula, keasaman, dan kekerasan.
Pendahuluan
Estimasi kualitas dan kematangan buah sebelum panen sangat penting bagi petani untuk menentukan waktu panen, kebutuhan penyimpanan, dan profitabilitas tanaman. Indikator kematangan buah di lapangan sangat bervariasi dan memerlukan data dengan resolusi spasiotemporal tinggi, yang dapat diperoleh dari sistem pertanian presisi kontemporer. Sistem ini semakin bergantung pada sensor mutakhir, spektrometri, dan teknik pencitraan yang dikombinasikan dengan algoritma Artificial Intelligence (AI) dan Machine Learning (ML) canggih. Artikel ini menyajikan tinjauan kritis terhadap teknik pertanian presisi untuk estimasi kematangan buah, dengan fokus pada pendekatan pengukuran destruktif dan non-destruktif serta penerapan ML di bidang ini.
Mengapa penting
Tinjauan ini ditutup dengan membahas implikasi temuan ini bagi petani, dengan menekankan bahwa metodologi Smart Agricultural kontemporer dapat diadopsi secara bertahap, dengan mempertimbangkan ketersediaan teknik non-destruktif dan penggunaan indeks kematangan buah yang efisien. Analisis kritis terhadap kelebihan dan kekurangan memberikan sumber daya yang berharga bagi petani untuk mengenali metodologi terkini. Penelitian selanjutnya harus mengatasi tantangan teknis yang teridentifikasi untuk lebih memajukan pertanian presisi dalam estimasi kematangan buah.
Siapa yang sebaiknya membaca
Pembaca Research Digest dan praktisi rumpun ini.
Membuka konten memberโฆ