Szántóföldi növények operatív termésbecslése gépi tanulással = Operational crop yield estimation for field crops using machine learning

Kovács, Attila Viktor (2026) Szántóföldi növények operatív termésbecslése gépi tanulással = Operational crop yield estimation for field crops using machine learning. LÉGKÖR: AZ ORSZÁGOS METEOROLÓGIAI INTÉZET SZAKMAI TÁJÉKOZTATÓJA, 71 (1). pp. 20-27. ISSN 0133-3666

Preview

Text LEGKOR_2026_1_3-Kovacs.pdf - Published Version Download (3MB) | Preview

Abstract

A mezőgazdasági termés időben történő előrejelzése kulcsfontosságú nemcsak az élelmezés-biztonság, az agrárgazdasági tervezés és a klímakockázatok kezelése szempontjából, hanem a piaci döntések – például az értékesítés időzítése vagy a nemzetközi árupiaci folyamatokra való reagálás – szempontjából is, hiszen ez utóbbi esetben konkrét, pénzben mérhető, rövidtávú hatása lehet. A hagyományos statisztikai becslések mellett egyre nagyobb teret nyernek a gépi tanuláson alapuló módszerek, amelyek képesek a mezőgazdasági és a meteorológiai adatok komplex kapcsolatainak feltárására. Vizsgálatunk célja az volt, hogy több növénykultúrára (őszi búza, kukorica, napraforgó) építsünk olyan gépi tanulási alapú modellt, amely a vegetációs idő-szak során folyamatosan frissülő bemeneti adatok (5 és 8 napos hőmérséklet- és csapadékmutatók, talajnedvesség, műholdas vegetációs indexek) alapján ad megbízható termés-előrejelzést. Az eredmények alapján nem a legtöbb prediktort tartalmazó modell adja a legjobb teljesítményt, és a leginformatívabb prediktorváltozók növénykultúránként jelentősen eltérnek. A fejlesztés során célunk egy operatív, valós idejű előrejelző rendszer létrehozása volt. | Timely forecasting of agricultural yields is crucial not only for food security, agricultural economic planning, and the management of climate risks, but also for market decisions - such as timing sales or responding to international commodity-market dynamics – since in the latter case it can have a concrete, monetarily measurable short-term impact. Alongside traditional statistical estimates, machine-learning methods are gaining increasing prominence, as they are capable of uncovering the complex relationships between agricultural and meteorological data. The goal of our study was to develop machine-learning-based models for multiple crop types (winter wheat, maize, sunflower) that can provide reliable yield forecasts based on continuously updated input data throughout the growing season (5- and 8-day temperature and precipitation indicators, soil moisture, and satellite-derived vegetation indices). Our results show that the model incorporating the largest number of predictors does not necessarily deliver the best performance, and that the most informative predictor variables differ substantially between crop types. During the development, our goal was to create an operational, real-time forecasting system.

Actions (login required)

Edit Item