Rapid global population growth underscores the need for digitally enabled agricultural systems that support sustainable food production and data-driven resource management for farmers and stakeholders. The adoption of Internet of Things (IoT) technologies, capable of capturing real-time environmental (e.g., temperature, humidity) and operational (e.g., irrigation) parameters, is a crucial step toward enabling advanced applications such as AI-based yield forecasting. However, the effectiveness of such models is often constrained by limited data availability, particularly in dynamic farm environments where IoT observations must be accumulated over multiple growing seasons. In this study, we deployed IoT sensors in strawberry production polytunnels over two growing seasons to collect data on water usage, internal and external temperature and humidity, soil moisture, soil temperature, and photosynthetically active radiation. These observations were combined with manually recorded yield data spanning four seasons. To address gaps in IoT data for the two seasons without sensor coverage, we developed an AI-based backcasting approach that synthesizes missing sensor observations using historical weather data from a nearby station and existing polytunnel measurements. We then trained AI-based yield forecasting models using both real and synthetic datasets. In this retrospective evaluation, results show that incorporating synthetic data improved yield forecasting accuracy, with models trained on the combined dataset outperforming those using only real sensor, weather, and yield data.

Bản dịch tiếng Việt:

Sự tăng trưởng dân số toàn cầu nhanh chóng nhấn mạnh sự cần thiết của các hệ thống nông nghiệp được hỗ trợ kỹ thuật số nhằm hỗ trợ sản xuất lương thực bền vững và quản lý tài nguyên dựa trên dữ liệu cho nông dân và các bên liên quan. Việc áp dụng công nghệ Internet of Things (IoT), có khả năng nắm bắt các thông số môi trường (ví dụ: nhiệt độ, độ ẩm) và vận hành (ví dụ: tưới tiêu) theo thời gian thực, là một bước quan trọng để hỗ trợ các ứng dụng tiên tiến như dự báo năng suất dựa trên AI. Tuy nhiên, hiệu quả của các mô hình như vậy thường bị hạn chế do nguồn dữ liệu hạn chế, đặc biệt là trong môi trường trang trại năng động, nơi các quan sát IoT phải được tích lũy qua nhiều mùa sinh trưởng. Trong nghiên cứu này, chúng tôi đã triển khai các cảm biến IoT trong các hầm trồng dâu tây trong hai mùa trồng trọt để thu thập dữ liệu về việc sử dụng nước, nhiệt độ và độ ẩm bên trong và bên ngoài, độ ẩm của đất, nhiệt độ đất và bức xạ hoạt động quang hợp. Những quan sát này được kết hợp với dữ liệu năng suất được ghi lại thủ công trong bốn mùa. Để giải quyết những khoảng trống trong dữ liệu IoT trong hai mùa không có cảm biến, chúng tôi đã phát triển phương pháp dự báo ngược dựa trên AI để tổng hợp các quan sát cảm biến còn thiếu bằng cách sử dụng dữ liệu thời tiết lịch sử từ một trạm gần đó và các phép đo đa đường hầm hiện có. Sau đó, chúng tôi đã đào tạo các mô hình dự báo lợi nhuận dựa trên AI bằng cách sử dụng cả bộ dữ liệu thực và tổng hợp. Trong đánh giá hồi cứu này, kết quả cho thấy rằng việc kết hợp dữ liệu tổng hợp đã cải thiện độ chính xác của dự báo sản lượng, với các mô hình được đào tạo trên tập dữ liệu kết hợp hoạt động tốt hơn những mô hình chỉ sử dụng dữ liệu cảm biến, thời tiết và sản lượng thực.

Document Ready

Click below to load the full PDF document natively.