Search

To evaluate the potential of a machine-learning approach in the assessment of quantitative changes in the tractor diesel-engine oil during exploitation, this study aspired to propose a machine-learning regression method to reduce the frequency of expensive and time–consuming engine oil sampling. The input engine-oil datasets with fresh engine oil (Samples A) and with the engine oil subsequent to 250 working hours (Samples B) were sampled for twelve elements in a two–year exploitation study at the Belje company. The field data collection was performed having deployed six heavy, four–wheel-drive FENDT 930 Vario agricultural tractors, each monitored for 1,500 working hours, during which an engine oil was sampled every 250 working hours. The evaluated machine-learning prediction methods, based on a tenfold cross–validation, achieved a moderately high prediction accuracy, with a slightly higher coefficient of determination (R2), in the range of 0.51–0.73, for the Samples B, than those in the range of 0.49–0.64 for the Samples A. These results strongly suggest that none of the machine learning methods constantly achieved high prediction accuracy and that the selection of optimal machine-learning models should be mandatory, having also confirmed a high potential of machine-learning methods in the detection of quantitative changes in tractor diesel-engine oil during exploitation., Kako bi bio procijenjen potencijal pristupa strojnoga učenja u evaluaciji kvantitativnih promjena u ulju dizelskoga motora traktora tijekom eksploatacije, ova studija je imala za cilj predložiti regresijsku metodu strojnoga učenja kako bi se smanjila učestalost skupoga i dugotrajnog uzorkovanja motornoga ulja. Ulazni skupovi podataka motornoga ulja sa svježim motornim uljem (Uzorci A) i s motornim uljem nakon 250 radnih sati (Uzorci B) uzorkovani su za dvanaest elemenata u dvogodišnjoj eksploatacijskoj studiji u Belju d. d. Prikupljanje podataka na terenu obavljeno je na šest teških poljoprivrednih traktora FENDT 930 Vario s pogonom na sva četiri kotača, od kojih je svaki praćen 1500 radnih sati, pri čemu je svakih 250 radnih sati uzorkovano motorno ulje. Procijenjene metode predviđanja strojnoga učenja temeljene na desetorostrukoj unakrsnoj validaciji postigle su umjereno visoku točnost predviđanja, s višim koeficijentom determinacije (R2) u rasponu 0,51–0,73 za uzorke B negoli u rasponu 0,49–0,64 za uzorke A. Ovi rezultati snažno sugeriraju da niti jedna metoda strojnoga učenja nije dosljedno postigla visoku točnost predviđanja i da bi odabir optimalnih modela strojnoga učenja trebao biti obvezan, a istovremeno potvrđuju visok potencijal metoda strojnoga učenja u otkrivanju kvantitativnih promjena u ulju dizelskoga motora traktora tijekom eksploatacije.

Cilj je ovog istraživanja ustanoviti mogućnosti korištenja ARKOD podataka za potrebe geoprostornih analiza sa satelitskim snimkama, posebno Sentinel-3 satelitske misije Europske svemirske agencije. Njihovo je povezivanje nužno za studije pogodnosti poljoprivrednog zemljišta za uzgoj pojedinih kultura, odnosno za eventualnu regionalizaciju i komasaciju poljoprivrednog zemljišta, pri čemu se ARKOD podaci koriste za kalibraciju podataka daljinskih istraživanja. Područje istraživanja obuhvaćalo je kontinentalnu biogeoregiju Republike Hrvatske uz sedmogodišnje razdoblje istraživanja od 2015. do 2021. godine. Analiza iskoristivosti ARKOD podataka za korištenje u analizama sa Sentinel-3 satelitskim snimkama provedena je u odnosu na pet stupnjeva filtriranja ARKOD podataka prema kriterijima: 1.) višestruke evidencije različitih kultura za istu ARKOD česticu u jednoj godini, 2.) minimalne površine ARKOD čestice od 6,75 ha, 3.) soje kao registrirane poljoprivredne kulture, 4.) indeksa oblika ARKOD čestice većeg od 0,5 te 5.) uzastopne registracije soje kao uzgajane poljoprivredne kulture dvije godine zaredom na istoj ARKOD čestici. Rezultati ovog istraživanja upućuju da bi se revidiranjem definicije ARKOD čestice na način da sadrži samo jednu poljoprivrednu kulturu postigla znatno veća iskoristivost ARKOD podataka u geoprostornim analizama sa satelitskim snimkama te bi se vrlo vjerojatno i olakšao postupak kontrole dodjele poljoprivrednih poticaja. Regionalizacija i komasacija poljoprivrednog zemljišta najcjelovitija su rješenja za okrupnjavanje poljoprivrednog zemljišta te uspostavu ARKOD čestica pravilnih geometrijskih oblika. Konačno, ovi rezultati upućuju kako je nužno pronaći stvarni uzrok pojave evidencije iste kulture na istoj ARKOD čestici dvije ili više godina zaredom, čime se izravno sprječava dugoročno degradiranje kvalitete tla i onečišćenje okoliša uslijed neizbježnog povećanja aplicirane količine poljoprivrednih inputa., The aim of this study was to determine the possibilities of using ARKOD data for geospatial analysis with satellite imagery, in particular from the European Space Agency's Sentinel-3 satellite mission. Their overlay is necessary for studies on the suitability of cultivated areas for certain crops, as a basis for the eventual regionalization and consolidation of agricultural areas, using ARKOD data for the calibration of remote sensing data. The study area covered the continental biogeoregion of the Republic of Croatia, with a sevenyear study period from 2015 to 2021. The analysis of the usability of ARKOD data for use in analyzes with Sentinel-3 satellite imagery was carried out in relation to five stages of filtering ARKOD data according to the criteria: 1) multiple records of different crops for the same ARKOD plot in one year, 2) minimum ARKOD plot area of 6.75 ha, 3) soybean as a registered agricultural crop, 4) ARKOD plot shape index greater than 0.5, and 5) consecutive registration of soybean as a cultivated agricultural crop in two consecutive years on the same ARKOD plot. The results of this study suggest that revising the definition of the ARKOD parcel to include only one agricultural crop would significantly improve the use of ARKOD data in geospatial analyzes with satellite imagery and would very likely facilitate the process of controlling the allocation of agricultural incentives. Regionalization and consolidation of agricultural land are the most complete solutions for the establishment of ARKOD plots with regular geometric shapes. Finally, these results indicate that it is necessary to find the real cause of the occurrence of records of the same crop on the same ARKOD plots for two or more years in a row, which directly degrades the quality of the soil in the long term and pollutes the environment due to the inevitable increase in the amount of agricultural inputs used.

Soil fertility is pivotal for agricultural productivity, and iron (Fe) is a critical micro- nutrient essential for a successful crop development. This study investigates a potential of ensemble machine-learning methods in geospatial prediction of soil Fe in Croatia. Using a dataset of 686 soil samples, three individual machine-learning methods, including the extreme gradient boosting (XGB), support vector machine (SVM), and Cubist, as well as their ensemble, were evaluated for the soil Fe predi- ction. The ensemble method outperformed the individual models, exhibiting a higher prediction accuracy expressed by the coefficient of determination (R2 = 0.578), with a lower root-mean-square error (RMSE = 0.837) and the mean absolute error (MAE = 0.550). The soil clay content emerged as the most influential predictor, followed by the sand content, pH values, and select bioclimatic variables. This study’s results demonstrate the effectiveness of ensemble machine learning in an accurate predicti- on of soil Fe content and contribute to an informed decision-making in sustainable agricultural land-use planning and management. By including the complementary machine-learning methods into an ensemble with the representative environmental covariates, a geospatial prediction aids to a reliable comprehension of soil proper- ties and their spatial variability., Plodnost tla ključna je za produktivnost poljoprivredne proizvodnje, a željezo (Fe) je ključni mikroelement nužan za uspješan razvoj usjeva. Ova studija istražuje potencijal kombinacije metoda strojnoga učenja u geoprostornome predviđanju Fe u tlu u Hrvatskoj. Korištenjem skupa podataka od 686 uzoraka tla, tri pojedinačne metode strojnoga učenja, uključujući extreme gradient boosting (XGB), support vector machine (SVM) i Cubist, kao i njihova kombinacija, evaluirani su za predviđanje Fe u tlu. Metoda kombinacije nadmašila je pojedinačne modele, pokazujući veću točnost predviđanja izraženu koeficijentom determinacije (R2 = 0,578), s nižom srednjom kvadratnom pogreškom (RMSE = 0,837) i srednjom apsolutnom pogreškom (MAE = 0,550). Sadržaj gline u tlu pokazao se najutjecajnijim prediktorom, a slijede ga sadržaj pijeska, pH vrijednosti i odabrane bioklimatske varijable. Rezultati ove studije pokazuju učinkovitost kombinacije strojnoga učenja u točnome predviđanju sadržaja Fe u tlu, čime doprinose informiranomu donošenju odluka u planiranju i upravljanju održivim poljoprivrednim zemljištem. Uključivanjem komplementarnih metoda strojnoga učenja u skup s reprezentativnim ekološkim kovarijatama, geoprostorno predviđanje pomaže pri pouzdanomu razumijevanju svojstava tla i njihove prostorne varijabilnosti.

This study investigated a crop and soil classification applying the Random Forest machine learning algorithm based on the red-green-blue (RGB) and multispectral sensor imaging deploying an unmanned aerial vehicle (UAV). The study area covered two 10 x 10 m subsets of a maize-sown agricultural parcel near Koška. The highest overall accuracy was obtained in the combination of the red edge (RE), near-infrared (NIR), and normalized difference vegetation index (NDVI) in both subsets, with a 99.8% and 91.8% overall accuracy, respectively. The conducted analysis proved that the RGB camera obtained sufficient accuracy and was an acceptable solution to the soil and vegetation classification. Additionally, a multispectral camera and spectral analysis allowed for a more detailed analysis, primarily of the spectrally similar areas. Thus, this procedure represents a basis for both the crop density calculation and weed detection while deploying an unmanned aerial vehicle. To ensure crop classification effectiveness in practical application, it is necessary to further integrate the weed classes in the current vegetation class and separate them into crop and weed classes., U ovoj studiji istražena je klasifikacija usjeva i tla korištenjem algoritma strojnoga učenja Random Forest, temeljenoga na crveno-zeleno-plavoj (RGB) i multispektralnoj kameri integriranoj na bespilotnome zrakoplovu. Područje istraživanja obuhvaćalo je dva podskupa poljoprivredne čestice kukuruza dimenzija 10 x 10 m u blizini Koške. Najveća ukupna točnost klasifikacije postignuta je u kombinaciji rubnoga crvenog (RE), bliskoga infracrvenog (NIR) kanala i indeksa normalizirane vegetacijske razlike (NDVI) u oba podskupa, s ukupnom točnošću od 99,8 %, odnosno 91,8 %. Provedena analiza pokazala je da je RGB kamera postigla dovoljnu točnost i da je prihvatljivo rješenje za klasifikaciju tla i vegetacije. Međutim, multispektralna kamera i spektralna analiza omogućile su detaljniju analizu, prvenstveno za spektralno slična područja. Ovaj je postupak temelj i za izračun gustoće usjeva i za otkrivanje korova s pomoću bespilotnih zrakoplova. Kako bi se osigurala učinkovitost klasifikacije usjeva u praktičnoj primjeni, potrebno je dodatno uključiti klase korova u trenutačnu klasu vegetacije i podijeliti ih na klase usjeva i korova.

The relationship between cropland suitability and the surrounding environmental factors has an important role in understanding and adjusting agricultural land management systems to natural cropland suitability. In this study, the relationship between soybean cropland suitability, determined by a novel machine learningbased approach, and three major environmental factors in continental Croatia was evaluated. These constituted of two major land cover classes (forests and urban areas), utilized soybean growth seasons per agricultural parcels during a 2017–2020 study period and soil types. The sensitivity analysis in geographic information system (GIS) using a raster overlay method, along with auxiliary spatial processing, was performed. The proximity of soybean agricultural parcels to forests showed a high correlation with suitability values, indicating a potential benefit of implementing agroforestry in land management plans. A notable amount of suitable agricultural parcels for soybean cultivation, which were previously not utilized for soybean cultivation was observed. A disregard of crop rotations was also noted, with the same soybean parcels within the study period in three and four years. This analysis showed considerable potential in understanding the effects of environmental factors on cropland suitability values, leading to more efficient land management policies and future suitability studies., Odnos između pogodnosti poljoprivrednoga zemljišta i okolnih čimbenika okoliša ima važnu ulogu u razumijevanju i prilagodbi sustava upravljanja poljoprivrednim zemljištem prirodnoj razini pogodnosti. U ovoj studiji procijenjen je odnos između pogodnosti poljoprivrednoga zemljišta za uzgoj soje, utvrđene suvremenim pristupom temeljenom na strojnome učenju, i triju čimbenika okoliša u kontinentalnoj Hrvatskoj. Njih su činile dvije najzastupljenije klase zemljišnoga pokrova (šume i urbana područja), broj sezone uzgoja soje po poljoprivrednim česticama tijekom razdoblja istraživanja od 2017. do 2020. te vrste tla. Provedena je analiza osjetljivosti u geografskome informacijskom sustavu (GIS) metodom rasterskoga preklapanja, uz dopunske prostorne analize. Blizina poljoprivrednih čestica soje šumama pokazala je visoku korelaciju s vrijednostima pogodnosti, što ukazuje na potencijalnu korist od implementacije agrošumarstva u planove upravljanja zemljištem. Detektirana je značajna količina visoko pogodnih poljoprivrednih čestica za uzgoj soje, koje se tijekom razdoblja istraživanja nisu koristile za njezin uzgoj. Uočeno je i zanemarivanje plodoreda, na kojima je soja uzgajana uzastopno tijekom triju ili četiriju godina. Ova analiza pokazala je značajan potencijal u razumijevanju učinaka čimbenika okoliša na pogodnost poljoprivrednoga zemljišta, što dovodi do učinkovitijih politika upravljanja zemljištem i budućih studija prikladnosti.