Журнал компьютерной инженерии и информационных технологий

Система прогнозирования урожайности на основе машинного обучения

Ом Мане*, Чантрика Р.Л., Танвир Мунгекар, Прити Саи Елисетти, Биндху Шри и Джая Субалакшми Р.

Индустрия дикой черники вносит значительный вклад в сельскохозяйственный сектор на северо-востоке США. Однако непредсказуемые погодные условия, изменчивость почвы и заражение вредителями могут существенно повлиять на урожайность, что приведет к потерям для фермеров и заинтересованных сторон. Поэтому разработка точных и надежных моделей прогнозирования урожайности имеет решающее значение для эффективного распределения ресурсов, улучшенного управления урожаем и эффективных маркетинговых стратегий. Алгоритмы машинного обучения, такие как дерево решений, линейная регрессия, XGBoost, LightGBM, случайный лес, AdaBoost, градиентный бустинг гистограммы и CatBoost, продемонстрировали большой потенциал для прогнозирования урожайности в последние годы. Эти алгоритмы могут анализировать большие наборы данных, выявлять закономерности и создавать точные прогнозы, предлагая фермерам важные сведения об управлении урожаем, будущей урожайности и коммерциализации. Модели, разработанные в этом исследовании, могут позволить фермерам и заинтересованным сторонам принимать обоснованные решения о планировании урожая и распределении ресурсов, повышая эффективность и устойчивость индустрии дикой черники. Кроме того, прогнозисты рынка могут использовать эти модели для прогнозирования будущего спроса на дикую чернику, помогая в разработке эффективных маркетинговых стратегий. В заключение следует отметить, что разработка точных и надежных моделей прогнозирования урожайности сельскохозяйственных культур с применением алгоритмов машинного обучения может оказать большое влияние на сферу сельского хозяйства, особенно на такие отрасли, как выращивание дикой черники, которая уязвима к изменчивости погоды и другим факторам.