RETRACTED ARTICLE: Efficient agricultural yield prediction using metaheuristic optimized artificial neural network using Hadoop framework

Die niedrig aufgelösten Satellitenbilder werden umfassend zur Überwachung von Feldfrüchten und zur Ertragsprognose verwendet, was eine wichtige Rolle in den operativen Systemen spielt. Eine Kombination aus hoher zeitlicher Häufigkeit und einer erweiterten Abdeckung war mit geringeren Kosten pro Flächeneinheit verbunden, was die Bilder zu einer auf nationaler und regionaler Ebene praktischen Wahl macht. Es gibt verschiedene quantitative und qualitative Ansätze für niedrig aufgelöste Satellitenbilder, die für den primären Vorhersagewert des endgültigen Ertrags von Feldfrüchten verwendet werden können. An der Ertragsprognose, die auf Umwelt- und Satellitendaten beruht, wird jedoch sehr wenig gearbeitet. Der Umgang mit solchen Satellitenbildern kann aufgrund großer Datenmengen sehr schwierig sein. Big Data-Analysen sind effizient im Umgang mit einer großen Menge an Daten, die für die Vorhersage landwirtschaftlicher Erträge generiert werden. Bei dieser Arbeit wird ein neuronales Netzwerk zur Vorhersage und zur Leistungssteigerung eingesetzt; eine bevölkerungsbezogene, schrittweise Lerntechnik wird zur Optimierung der Gewichte vorgeschlagen. Die Ergebnisse des Experiments haben bewiesen, dass die vorgeschlagene Methode bessere Ergebnisse im Vergleich zu den anderen Methoden liefert.