La prévision des rendements agricoles est un élément essentiel pour la gestion des exploitations agricoles, impactant directement la sécurité alimentaire, la planification économique et la durabilité des ressources. Cette étude a intégré des données de télédétection et des approches d'apprentissage automatique pour développer un cadre de modélisation avancé du rendement du curcuma pour les cultures de curcuma cultivées dans la zone d'étude. Les paramètres d'entrée comprenaient des indices de végétation, la texture du sol et des variables météorologiques et hydrologiques. Les résultats ont montré que le modèle de réseau de neurones à rétropropagation (BPNN) (R2 = 0,96) surpassait les autres modèles utilisés dans cette étude pour prédire le rendement du curcuma. L'analyse de sensibilité a également mis en évidence que le rendement du curcuma était très sensible à l'indice de végétation par différence normalisée (NDVI), à l'indice de stress hydrique (MSI) et aux précipitations. Cette approche de modélisation a fourni un outil fiable pour l'estimation précoce des rendements à la phase de maturité avec une déviation de 0,86 % par rapport au rendement réel du curcuma, aidant les agriculteurs et les décideurs à optimiser les pratiques de gestion des cultures et à améliorer les processus de prise de décision. Cette étude a présenté une approche holistique pour une innovation agricole évolutive basée sur les données, contribuant à des systèmes de production de cultures efficaces et durables.
Un étude a étudié cette question.