Exploración de enfoques de aprendizaje automático para la predicción de rendimiento de arroz en la parte oriental de Tamilnadu
Autores: Joshua, Vinson; Priyadharson, Selwin Mich; Kannadasan, Raju
Idioma: Inglés
Editor: MDPI
Año: 2021
Acceso abierto
Artículo científico
2021
Exploración de enfoques de aprendizaje automático para la predicción de rendimiento de arroz en la parte oriental de Tamilnadu
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Agronomía y Ciencia de los Cultivos
Palabras clave
Agricultura
Agricultores
Predicción de rendimiento de cultivos
Métodos de aprendizaje automático
Zona del Delta del Cauvery
Algoritmo GRNN
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 22
Citaciones: Sin citaciones
La agricultura es la base principal de sustento que actúa como pilar de cualquier país. Hay varios cambios a los que se enfrentan los agricultores debido a diversos factores como la escasez de agua, precios indefinidos debido a la oferta y la demanda, incertidumbres climáticas y predicciones inexactas de cultivos. La predicción del rendimiento de los cultivos, especialmente del arroz, es una tarea compleja debido a su dependencia de varios factores como el genotipo del cultivo, factores ambientales, prácticas de manejo y sus interacciones. Los investigadores solían predecir el rendimiento del arroz utilizando enfoques estadísticos, pero no lograron obtener una precisión más alta debido a varios factores. Por lo tanto, se demuestra que los métodos de aprendizaje automático como la regresión de vectores de soporte (SVR), las redes neuronales de regresión general (GRNN), las redes neuronales funcionales de base radial (RBFNN) y las redes neuronales de retropropagación (BPNN) son capaces de predecir con precisión el rendimiento del arroz para la Zona Delta del Cauvery (CDZ), que se encuentra en la parte oriental de Tamil Nadu, en el sur de la India. El rendimiento de cada modelo desarrollado se examina utilizando métricas de evaluación como el coeficiente de determinación (R), el error cuadrático medio (RMSE), el error absoluto medio (MAE), el error cuadrático medio (MSE), el error porcentual absoluto medio (MAPE), el coeficiente de variación (CV) y el error cuadrático medio normalizado (NMSE). Los resultados observados muestran que el algoritmo GRNN ofrece métricas de evaluación superiores como los valores de R, RMSE, MAE, MSE, MAPE, CV y NSME alrededor de 0.9863, 0.2295, 0.1290, 0.0526, 1.3439, 0.0255 y 0.0136, respectivamente, lo que garantiza una predicción precisa del rendimiento de los cultivos en comparación con otros métodos. Finalmente, se compara el rendimiento del modelo GRNN con otros modelos disponibles en varios estudios de la literatura, y se encuentra que es alto al comparar la precisión de la predicción utilizando métricas de evaluación.
Descripción
La agricultura es la base principal de sustento que actúa como pilar de cualquier país. Hay varios cambios a los que se enfrentan los agricultores debido a diversos factores como la escasez de agua, precios indefinidos debido a la oferta y la demanda, incertidumbres climáticas y predicciones inexactas de cultivos. La predicción del rendimiento de los cultivos, especialmente del arroz, es una tarea compleja debido a su dependencia de varios factores como el genotipo del cultivo, factores ambientales, prácticas de manejo y sus interacciones. Los investigadores solían predecir el rendimiento del arroz utilizando enfoques estadísticos, pero no lograron obtener una precisión más alta debido a varios factores. Por lo tanto, se demuestra que los métodos de aprendizaje automático como la regresión de vectores de soporte (SVR), las redes neuronales de regresión general (GRNN), las redes neuronales funcionales de base radial (RBFNN) y las redes neuronales de retropropagación (BPNN) son capaces de predecir con precisión el rendimiento del arroz para la Zona Delta del Cauvery (CDZ), que se encuentra en la parte oriental de Tamil Nadu, en el sur de la India. El rendimiento de cada modelo desarrollado se examina utilizando métricas de evaluación como el coeficiente de determinación (R), el error cuadrático medio (RMSE), el error absoluto medio (MAE), el error cuadrático medio (MSE), el error porcentual absoluto medio (MAPE), el coeficiente de variación (CV) y el error cuadrático medio normalizado (NMSE). Los resultados observados muestran que el algoritmo GRNN ofrece métricas de evaluación superiores como los valores de R, RMSE, MAE, MSE, MAPE, CV y NSME alrededor de 0.9863, 0.2295, 0.1290, 0.0526, 1.3439, 0.0255 y 0.0136, respectivamente, lo que garantiza una predicción precisa del rendimiento de los cultivos en comparación con otros métodos. Finalmente, se compara el rendimiento del modelo GRNN con otros modelos disponibles en varios estudios de la literatura, y se encuentra que es alto al comparar la precisión de la predicción utilizando métricas de evaluación.