Machine Learning Applications on Agricultural Datasets for Smart Farm Enhancement

Table 1.
Details about culture time-series in the Istat dataset.
Crop type
Year
Province
Altitude
Tot. Area
Cult. Area
Tot. Prod.
Tot. Harvest
Temp. (Avg)
Apple
2006
Torino
239
928
866
264,240
264,240
7.6
Apple
2006
Vercelli
130
26
26
4686
4686
10
Temp. (Max)
Temp. (Min)
Tot. Rain.
Phosph. Minerals
Potash Minerals
Organic Fert.
Organic Comp.
12.6
2.5
623
22,312
130,651
11,731
491,498
14.7
5.3
644
1404
47,612
96,244
280,932
The dataset portion employed for this work consists of 17 tables, one for each crop type considered
and, for each of them, there is the cumulative value of each attribute for 124 italian province calculated on
the time-series between 2006 and 2017; in this way, there are 17
×
124
×
12 = 25,296 considered records.
CNR (National Research Council) dataset: it is a structured agrarian dataset, but values are
often incomplete or only partially ordered, concerning scientific and technical information from
agricultural and biological studies on crops and horticultural species [
42
]. Some useful data have
already undergone transformations and measurements (Table
2
).
The four considered attributes are as follows:
•
Date, which indicates the date of detection and calculation
•
LAI value(leaf area index), which measures the leaf area per soil surface unit
•
Evapotranspiration (ETc) and its reference value (ETo) calculated with the Penman–Monteith method
•
Evapotranspiration ratio (ETc/ETo), which represents a useful culture coefficient evaluator.

---

Machines