Aktives Lernen kann den Annotationsaufwand für die Optimierung von Deep-Learning-Modellen in der Präzisionslandwirtschaft reduzieren, indem die informativsten Bilder für die Annotation ausgewählt werden.
Durch den Einsatz von Convolutional Neural Networks können standortspezifische Stickstoff-Ertragskurven generiert werden, um Managementzonen mit ähnlicher Düngereaktivität zu identifizieren. Mithilfe von Counterfactual Explanations können die Einflussfaktoren auf die Zonenzugehörigkeit erklärt werden.
Durch den Einsatz des state-of-the-art Objekterkennungsmodells Faster R-CNN können Cannabis-Samenvarietäten präzise erkannt und klassifiziert werden, was für die Landwirtschaftsindustrie von entscheidender Bedeutung ist.
Durch den Einsatz von Deep Learning und pixelbasierten Machine Learning-Methoden können Lavendelfelder präzise segmentiert werden, um die Bewirtschaftung von Lavendel im Kontext des Klimawandels zu unterstützen.
Maschinelle Lernmodelle können die Reiserträge auf Distriktebene in Indien mehrere Monate vor der Ernte mit einer vernünftigen Genauigkeit vorhersagen, wobei Klimareanalyse- und Satellitendaten als Prädiktoren verwendet werden.