Novedoso marco de aprendizaje estadístico híbrido combinado con Random Forest y algoritmo de optimización de Grasshopper para predecir el uso de pesticidas en campos de golf
Autores: Grégoire, Guillaume; Fortin, Josée; Ebtehaj, Isa; Bonakdari, Hossein
Idioma: Inglés
Editor: MDPI
Año: 2022
Acceso abierto
Artículo científico
2022
Novedoso marco de aprendizaje estadístico híbrido combinado con Random Forest y algoritmo de optimización de Grasshopper para predecir el uso de pesticidas en campos de golf
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Ciencias Agrícolas y Biológicas Generales
Palabras clave
Pesticidas
Fertilizantes
Campos de golf
Aprendizaje automático
SVM
RF
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 25
Citaciones: Sin citaciones
El mantenimiento de campos de golf requiere el uso de varios insumos, como pesticidas y fertilizantes, que pueden ser dañinos para la salud humana o el medio ambiente. Comprender los factores asociados con el uso de pesticidas en campos de golf puede ayudar a los administradores de campos de golf a reducir su dependencia de estos productos. En este estudio, utilizamos una base de datos de aproximadamente 14,000 aplicaciones de pesticidas en la provincia de Quebec, Canadá, para desarrollar un enfoque novedoso de aprendizaje automático híbrido para predecir el uso de pesticidas en campos de golf. Creamos este modelo propuesto, llamado RF-SVM-GOA, acoplando una máquina de vectores de soporte (SVM) con bosque aleatorio (RF) y el algoritmo de optimización de saltamontes (GOA). Aplicamos RF para manejar la amplia gama de conjuntos de datos y GOA para encontrar la configuración óptima de SVM. Consideramos cinco variables dependientes diferentes: región, ID del campo de golf, número de hoyos, año y área tratada, como variables de entrada. Los resultados experimentales confirmaron que el enfoque híbrido desarrollado RF-SVM-GOA fue capaz de estimar el total de ingrediente activo (AIT) con un alto nivel de precisión (R = 0.99; MAE = 0.84; RMSE = 0.84; NRMSE = 0.04). Comparamos los resultados producidos por el modelo RF-SVM-GOA desarrollado con los de cuatro técnicas basadas en árboles, incluidos M5P, árbol aleatorio, árbol de poda de error reducido (REP tree) y RF, así como con los de dos técnicas no basadas en árboles, incluido la estructura general del método de manejo de datos de grupo (GSGMDH) y la regresión polinómica evolutiva (EPR). Los resultados computacionales mostraron que la precisión del enfoque propuesto RF-SVM-GOA fue mayor, superando a los otros métodos. Analizamos la sensibilidad para encontrar las variables más efectivas en la predicción de AIT. Los resultados indicaron que el área tratada es la variable más efectiva en la predicción de AIT. Los resultados del estudio actual proporcionan un método para aumentar la sostenibilidad de la gestión de campos de golf.
Descripción
El mantenimiento de campos de golf requiere el uso de varios insumos, como pesticidas y fertilizantes, que pueden ser dañinos para la salud humana o el medio ambiente. Comprender los factores asociados con el uso de pesticidas en campos de golf puede ayudar a los administradores de campos de golf a reducir su dependencia de estos productos. En este estudio, utilizamos una base de datos de aproximadamente 14,000 aplicaciones de pesticidas en la provincia de Quebec, Canadá, para desarrollar un enfoque novedoso de aprendizaje automático híbrido para predecir el uso de pesticidas en campos de golf. Creamos este modelo propuesto, llamado RF-SVM-GOA, acoplando una máquina de vectores de soporte (SVM) con bosque aleatorio (RF) y el algoritmo de optimización de saltamontes (GOA). Aplicamos RF para manejar la amplia gama de conjuntos de datos y GOA para encontrar la configuración óptima de SVM. Consideramos cinco variables dependientes diferentes: región, ID del campo de golf, número de hoyos, año y área tratada, como variables de entrada. Los resultados experimentales confirmaron que el enfoque híbrido desarrollado RF-SVM-GOA fue capaz de estimar el total de ingrediente activo (AIT) con un alto nivel de precisión (R = 0.99; MAE = 0.84; RMSE = 0.84; NRMSE = 0.04). Comparamos los resultados producidos por el modelo RF-SVM-GOA desarrollado con los de cuatro técnicas basadas en árboles, incluidos M5P, árbol aleatorio, árbol de poda de error reducido (REP tree) y RF, así como con los de dos técnicas no basadas en árboles, incluido la estructura general del método de manejo de datos de grupo (GSGMDH) y la regresión polinómica evolutiva (EPR). Los resultados computacionales mostraron que la precisión del enfoque propuesto RF-SVM-GOA fue mayor, superando a los otros métodos. Analizamos la sensibilidad para encontrar las variables más efectivas en la predicción de AIT. Los resultados indicaron que el área tratada es la variable más efectiva en la predicción de AIT. Los resultados del estudio actual proporcionan un método para aumentar la sostenibilidad de la gestión de campos de golf.