Neural networks in agricultural and environmental monitoring

Английский. Recently, some new computing technologies have been used in modelling applications (artificial neural networks, fuzzy systems, expert systems, genetic algorithms, etc.). The artificial neural networks are the most important among these technologies. In this work, we provide rudiments of neural networks and analyse properties, advantages and limitations of this technique. We also describe some of the more common applications of neural networks in agrometeorological and environmental modelling. Neural networks exhibit the capability to map the input/output relationship and to make an internal function of phenomena from the example data. Moreover, neural networks perform well in complex non-linear problems and when inputs are incomplete or affected by measurement errors. These characteristics are very useful in agrometeorological and environmental modelling. The review of neural network applications points out the advantages of this technique compared to traditional analytical approaches

итальянский. Tra i nuovi sistemi di elaborazione delle conoscenze recentemente applicati nel settore modellistico (reti neurali artificiali, sistemi fuzzy, sistemi esperti, algoritmi genetici, ecc.), le reti neurali artificiali rappresentano l'applicazione di maggior successo. Questo lavoro, dopo aver fornito alcune nozioni di base sulle tecniche neuronali, analizza le caratteristiche, i vantaggi e i limiti di queste tecniche e descrive alcune delle principali applicazioni nel settore agrometeorologico e ambientale. Il lavoro evidenzia la capacita' delle reti neurali di mappare le relazioni tra input e output, ovvero di costruirsi un modello interno delle relazioni tra le grandezze che partecipano a un dato fenomeno, a partire dai dati sperimentali che vengono forniti loro come esempio; questa caratteristica consente di evitare la definizione a priori di un modello analitico da adattare ai dati sperimentali. Inoltre, le reti neurali hanno la capacita' di operare bene anche in presenza di fenomeni non lineari e quando i dati sperimentali sono incompleti o affetti da errori; queste proprieta' sono molto utili nella modellizzazione di molti fenomeni di interesse agrometeorologico e ambientale. Gli esempi applicativi passati in rassegna evidenziano le potenzialita' delle reti neurali rispetto al tradizionale approccio analitico