التنبؤ بإنتاجية المحاصيل باستخدام خوارزميات التعلم الآلي: مقارنة بين النهج الخطي وغير الخطي
DOI:
https://doi.org/10.59994/ajbtme.2024.1.1الملخص
يُعدّ التنبؤ بإنتاجية المحاصيل أمرًا بالغ الأهمية بالنسبة للمزارعين والقطاع الزراعي للحصول على نظرة ثاقبة لإنتاجية المحاصيل وعوائدها. مع التقدّم في التكنولوجيا والذكاء الاصطناعي، أصبح التنبؤ بإنتاجية المحاصيل باستخدام خوارزميات التعلم الآلي ابتكارًا مهمًا. تهدف هذه الدراسة إلى التنبؤ بإنتاجية المحاصيل باستخدام خوارزميات وتقنيات التعلم الآلي المختلفة. تم الحصول على مجموعة البيانات من Kaggle، وتمت معالجتها مسبقًا وتحليلها باستخدام خوارزميات خطية، مثل: Linear Regression وLASSO وRidge، بالإضافة إلى خوارزميات غير خطية، مثل: SVR وKNN Regressor وPolynomial Regression. تم حساب متوسط الخطأ التربيعي (MSE) لتقييم أداء الخوارزميات. كشفت مقارنة فاعلية الخوارزميات الخطية مقابل الخوارزميات غير الخطية في مجموعة البيانات أن الخوارزميات غير الخطية تفوقت على الخوارزميات الخطية، مما يشير إلى الطبيعة غير الخطية لمجموعة البيانات. ولذلك، يُوصى باستخدام خوارزميات التعلم الآلي غير الخطية مثل SVR وKNN Regressor وPolynomial Regression للحصول على دقة أفضل. من بين هذه، كان أداء KNN Regressor هو الأفضل مع MSE بقيمة 0.00025، يليه SVR والانحدار متعدد الحدود بقيم MSE تبلغ 0.00142 و0.0024، على التوالي.
الكلمات المفتاحية:
إنتاجية المحاصيل، التعلم الآلي، الانحدار SVR، الانحدار KNN، LASSO، Ridge، الانحدار متعدد الحدودالمراجع
Abbas, F., Afzaal, H., Farooque, A. A., & Tang, S. (2020). Crop yield prediction through proximal sensing and machine learning algorithms. Agronomy, 10(7), 1046. DOI: https://doi.org/10.3390/agronomy10071046
Bathla, G. (2020, November). Stock Price prediction using LSTM and SVR. In 2020 Sixth International Conference on Parallel, Distributed and Grid Computing (PDGC) (pp. 211-214). IEEE. DOI: https://doi.org/10.1109/PDGC50313.2020.9315800
Elavarasan, D., & Vincent, P. D. (2020). Crop yield prediction using deep reinforcement learning model for sustainable agrarian applications. IEEE access, 8, 86886-86901. DOI: https://doi.org/10.1109/ACCESS.2020.2992480
Dash, C. S. K., Behera, A. K., Dehuri, S., & Ghosh, A. (2023). An outliers detection and elimination framework in classification task of data mining. Decision Analytics Journal, 6, 100164. DOI: https://doi.org/10.1016/j.dajour.2023.100164
Hu, T., Zhang, X., Bohrer, G., Liu, Y., Zhou, Y., Martin, J., ... & Zhao, K. (2023). Crop yield prediction via explainable AI and interpretable machine learning: Dangers of black box models for evaluating climate change impacts on crop yield. Agricultural and Forest Meteorology, 336, 109458. DOI: https://doi.org/10.1016/j.agrformet.2023.109458
Iniyan, S., Varma, V. A., & Naidu, C. T. (2023). Crop yield prediction using machine learning techniques. Advances in Engineering Software, 175, 103326. DOI: https://doi.org/10.1016/j.advengsoft.2022.103326
Jhajharia, K., Mathur, P., Jain, S., & Nijhawan, S. (2023). Crop yield prediction using machine learning and deep learning techniques. Procedia Computer Science, 218, 406-417. DOI: https://doi.org/10.1016/j.procs.2023.01.023
Joseph, V. R., & Vakayil, A. (2022). SPlit: An optimal method for data splitting. Technometrics, 64(2), 166-176. DOI: https://doi.org/10.1080/00401706.2021.1921037
Kheir, A., Nangia, V., Elnashar, A., Devakota, M., Omar, M., Feike, T., & Govind, A. (2024). Developing automated machine learning approach for fast and robust crop yield prediction using a fusion of remote sensing, soil, and weather dataset. Environmental Research Communications. DOI: https://doi.org/10.1088/2515-7620/ad2d02
Kumar, Y. J. N., Spandana, V., Vaishnavi, V. S., Neha, K., & Devi, V. G. R. R. (2020, June). Supervised machine learning approach for crop yield prediction in agriculture sector. In 2020 5th International Conference on Communication and Electronics Systems (ICCES) (pp. 736-741). IEEE. DOI: https://doi.org/10.1109/ICCES48766.2020.9137868
Manjunath, M. C., & Palayyan, B. P. (2023). An Efficient Crop Yield Prediction Framework Using Hybrid Machine Learning Model. Revue d'Intelligence Artificielle, 37(4). DOI: https://doi.org/10.18280/ria.370428
Maulud, D., & Abdulazeez, A. M. (2020). A review on linear regression comprehensive in machine learning. Journal of Applied Science and Technology Trends, 1(2), 140-147. DOI: https://doi.org/10.38094/jastt1457
Morales, A., & Villalobos, F. J. (2023). Using machine learning for crop yield prediction in the past or the future. Frontiers in Plant Science, 14, 1128388. DOI: https://doi.org/10.3389/fpls.2023.1128388
Müller, A. C., & Guido, S. (2016). Introduction to machine learning with Python: a guide for data scientists. " O'Reilly Media, Inc.".
Öngelen, G., & İnkaya, T. (2023). LOF weighted KNN regression ensemble and its application to a die manufacturing company. Sādhanā, 48(4), 246. DOI: https://doi.org/10.1007/s12046-023-02283-0
Paudel, D., Boogaard, H., de Wit, A., Janssen, S., Osinga, S., Pylianidis, C., & Athanasiadis, I. N. (2021). Machine learning for large-scale crop yield forecasting. Agricultural Systems, 187, 103016. DOI: https://doi.org/10.1016/j.agsy.2020.103016
Rashid, M., Bari, B. S., Yusup, Y., Kamaruddin, M. A., & Khan, N. (2021). A comprehensive review of crop yield prediction using machine learning approaches with special emphasis on palm oil yield prediction. IEEE access, 9, 63406-63439. DOI: https://doi.org/10.1109/ACCESS.2021.3075159
Shafi, U., Mumtaz, R., Anwar, Z., Ajmal, M. M., Khan, M. A., Mahmood, Z., ... & Jhanzab, H. M. (2023). Tackling food insecurity using remote sensing and machine learning based crop yield prediction. IEEE Access. DOI: https://doi.org/10.1109/ACCESS.2023.3321020
Shahhosseini, M., Hu, G., Huber, I., & Archontoulis, S. V. (2021). Coupling machine learning and crop modeling improves crop yield prediction in the US Corn Belt. Scientific reports, 11(1), 1606. DOI: https://doi.org/10.1038/s41598-020-80820-1
Siddiqi, S., Qureshi, F., Lindstaedt, S., & Kern, R. (2023). Detecting Outliers in Non-IID Data: A Systematic Literature Review. IEEE Access. 70333-70352. DOI: https://doi.org/10.1109/ACCESS.2023.3294096
Van Klompenburg, T., Kassahun, A., & Catal, C. (2020). Crop yield prediction using machine learning: A systematic literature review. Computers and Electronics in Agriculture, 177, 105709. DOI: https://doi.org/10.1016/j.compag.2020.105709