Esta investigación actual tiene como objetivo crear un sistema integral de vanguardia que integre la agrupación de suelos no supervisada con la detección de anomalías basada en el reconocimiento de patrones con la intención de revolucionar la agricultura de precisión. La mayoría de las técnicas convencionales de clasificación del suelo no tienen en cuenta la variación dinámica en las propiedades del suelo y son incapaces de detectar condiciones anómalas que afectan la productividad agrícola. Al incorporar la aplicación de algoritmos de agrupamiento incremental adaptativo y técnicas de análisis basadas en patrones, esta investigación introduce una mejor solución que puede clasificar el suelo de manera dinámica de acuerdo con varios atributos, además de la detección de valores atípicos a partir de patrones definidos. La nueva arquitectura continúa la investigación previa en agrupamiento auto-incremental para la clasificación dinámica del suelo y detección de anomalías industriales al agregar un marco de dos fases: un algoritmo de aprendizaje no supervisado sofisticado de alto nivel para la clasificación dinámica del suelo que aprende a adaptarse a nuevas muestras de suelo y condiciones ambientales, y un sistema sofisticado de reconocimiento de patrones de alto nivel que detecta condiciones anómalas del suelo a través de cambios temporales en los parámetros del suelo. Se anticipa que esta fusión mejorará la precisión de la clasificación en un 15-20% respecto a los enfoques existentes y disminuirá la detección de anomalías falsos positivos en más del 30%, permitiendo así a los agricultores tomar decisiones más precisas en la agricultura de precisión basadas en datos más confiables.
Beulah et al. (Wed,) estudiaron esta cuestión.