A quick appraisal of Machine learning techniques in different aspects of rice cultivation

Technische Samenvatting: Een Snelle Beoordeling van Machine Learning-technieken in Verschillende Aspecten van Rijstcultuur

Probleemstelling
Rijst (Oryza sativa L.) is een cruciaal mondiaal basisvoedsel dat meer dan de helft van de wereldbevolking ondersteunt en significant bijdraagt aan voedselzekerheid (SDG 2). Traditionele cultivatiemethoden zijn echter vaak tijdrovend, onnauwkeurig en gevoelig voor menselijke fouten, en hebben moeite om dynamische uitdagingen zoals klimaatverandering, waterschaarste en bevolkingsgroei aan te pakken. Hoewel Machine Learning (ML) is opgekomen als een krachtig instrument voor het analyseren van big data in de landbouw (afkomstig van satellieten, UAV's en IoT), is de toepassing ervan over de verschillende facetten van rijstcultuur ongelijkmatig. Bestaande literatuur richt zich vaak op specifieke niches (bijv. ziekte detectie of opbrengstvoorspelling), maar er is een gebrek aan uitgebreide, vergelijkende beoordelingen met betrekking tot hoe ML-methoden zijn verdeeld en toegepast over het volledige spectrum van de rijstcultuur. Deze studie beoogt dit gat te vullen door de kwantiteit en kwaliteit van het ML-gebruik over verschillende aspecten van rijstteelt te beoordelen.

Methodologie
De auteurs voerden een systematische review uit van onderzoeksartikelen gepubliceerd tussen 2020 en 2025.

• Databronnen: Artikelen werden opgehaald uit Science Direct en Google Scholar met zoekopdrachten die "(rice of paddy)" combineerden met "(Machine Learning OF Artificial Intelligence)."
• Selectieproces: Van een initiële pool van 600 topgerangschikte artikelen werden duplicaten verwijderd, wat 411 artikelen overliet. Na een diepgaande beoordeling van abstracts, conclusies en methodologieën—waarbij boekhoofstukken, conferentieverslagen en niet-rijstsonspecifieke papers werden uitgesloten—werden 343 artikelen geselecteerd voor de definitieve analyse.
• Classificatie: De 343 artikelen werden gecategoriseerd in 14 verschillende aspecten van rijstcultuur: Gewasverbetering (CI), Gewaskantering (CM), Contaminatie, Gewasmonitoring, Ziektebeheer (DM), Bemestingsbeheer (FM), Landbouwmachines (FMa), Broeikasgassen (GHG), Irrigatiebeheer (IM), Insectenbeheer, Post-Harvest (PH), Zaadwetenschap, Onkruidbeheer (WM) en Opbrengstvoorspelling (YF).
• Analyse: De auteurs extraheerden gegevens over publicatiejaar, tijdschrift, software en specifieke gebruikte ML-modellen. Modellen werden geclassificeerd in 11 categorieën: Convolutional Neural Networks (CNN), Decision Trees (DT), Deep Neural Networks (DNN), Ensemble-methoden, K-Nearest Neighbours (KNN), Neural Networks (NN), Regressie, Random Forest (RF), Recurrent Neural Networks (RNN), Support Vector Machines (SVM) en Overige.
• Metrieken: Om de intensiteit van het gebruik per onderzoeksgebied te beoordelen, werd de frequentie van het gebruik van een specifiek model gedeeld door het totaal aantal papers in die categorie (bijv. "gebruiken per paper").

Belangrijkste Bijdragen en Resultaten

1. Ongelijke Verdeling van Onderzoeksvolume:
   Het onderzoek identificeerde een aanzienlijk onbalans in het onderzoeksvolume. Opbrengstvoorspelling (56 papers), Ziektebeheer (49 papers), Post-Harvest (42 papers) en Gewasmonitoring (34 papers) zijn de meest intensief onderzochte gebieden. Daarentegen zijn Irrigatiebeheer (13), Landbouwmachines (12), Broeikasgassen (11), Zaadwetenschap (11), Insectenbeheer (8) en Onkruidbeheer (8) aanzienlijk ondervertegenwoordigd.

2. Dominantie van Specifieke Algoritmen:

• CNN (Convolutional Neural Networks): CNN is het meest prominente instrument over het algemeen, gebruikt in 303 gevallen over de studies heen. Het is de dominante methode in Ziektebeheer (1,73 gebruik/paper), Landbouwmachines (1,75 gebruik/paper), Zaadwetenschap (1,45 gebruik/paper) en Gewasverbetering (1,11 gebruik/paper). Echter, het gebruik ervan is opvallend laag in Opbrengstvoorspelling (0,34 gebruik/paper) en Contaminatie (0,04 gebruik/paper).
• Random Forest (RF) & SVM: Dit zijn de op één na en de derde meest gebruikte modellen over het algemeen. RF is bijzonder sterk in Opbrengstvoorspelling, Bemestingsbeheer en de schatting van Broeikasgassen. SVM wordt veel gebruikt in Post-Harvest en Opbrengstvoorspelling.
• Ensemble-methoden: Deze worden het meest frequent toegepast in Opbrengstvoorspelling (0,68 gebruik/paper), maar zijn onderbenut in andere categorieën.
• Onderbenutte Modellen: RNN's worden zelden gebruikt (slechts 25 keer in totaal), en verschijnen alleen in Opbrengstvoorspelling, Ziektebeheer, Gewasmonitoring en Bemestingsbeheer, waarschijnlijk door het tekort aan tijdreeksgegevens in de beoordeelde studies.

3. Categorie-specifieke Bevindingen:

• Ziektebeheer: Leunt zwaar op geavanceerde CNN-architecturen (bijv. ResNet, EfficientNet, YOLO-varianten) voor beeldclassificatie en detectie.
• Opbrengstvoorspelling: Ondanks het hoogste aantal papers, leunt het minder op CNN's en meer op Ensemble-methoden, RF en Regressie. De auteurs merken op dat dit aangeeft dat er potentieel is voor het integreren van geavanceerde beeldanalyse (CNN) in de opbrengstvoorspelling.
• Gewasverbetering: Gebruikt een mix van CNN, RF en SVM, met enkele nieuwe fusies van CNN en Graph Neural Networks (GNN).
• Irrigatie en Onkruidbeheer: Deze cruciale beheersgebieden vertonen een lage adoptie van geavanceerde ML-technieken, waarbij ze vertrouwen op minder modellen en lagere onderzoeksvolumes.

Betekenis en Claims
Het artikel claimt een "snelle beoordeling" te bieden die een "grote kloof" in de toepassing van ML-methoden over de verschillende aspecten van de rijstcultuur aan het licht brengt. De auteurs stellen dat hoewel ML snel vordert, de toepassing ervan suboptimaal is in kritieke beheersgebieden zoals irrigatie, onkruidbestrijding, insectenbeheer en bemesting.

De studie benadrukt dat:

• Er een onbalans bestaat: Er is een discrepantie tussen de hoeveelheid onderzoek (bijv. hoog in opbrengstvoorspelling) en de verfijning van de gebruikte methoden (bijv. laag CNN-gebruik in opbrengstvoorspelling).
• Optimalisatiepotentieel: Het verbeteren van het ML-gebruik in onderbediende gebieden (irrigatie, onkruid, insecten) zou de rijstproductie en duurzaamheid aanzienlijk kunnen optimaliseren.
• Barrières: De ongelijke verdeling kan worden toegeschreven aan de aard van de inputvariabelen, een gebrek aan computationele faciliteiten, of onvoldoende domeinkennis bij onderzoekers.
• Toekomstige Scope: De auteurs suggereren dat toekomstig onderzoek meta-analyses moet bevatten die de nauwkeurigheid van modellen vergelijken, databronnen moet uitbreiden (bijv. Scopus, Web of Science) en de specifieke afhankelijke/onafhankelijke variabelen moet onderzoeken.

Het artikel concludeert dat hoewel ML een weg biedt om de uitdagingen van de wereldwijde voedselzekerheid aan te pakken, een meer gebalanceerde en verfijnde toepassing van deze instrumenten over alle aspecten van de rijstcultuur noodzakelijk is om het volledige potentieel ervan te benutten.