Прогнозирование урожайности в Эфиопии с использованием градиентной регрессии
DOI: 10.21293/1818-0442-2024-27-3-125-129
☷
- О ТУСУРе
- Абитуриентам
-
Студентам
- Первокурсникам
- Расписание занятий
- Система дистанционного обучения
- Научно-образовательный портал
- Библиотека
- Групповое проектное обучение
- Журнал посещаемости
- Журнал успеваемости
- Клубы по интересам
- Спорт в ТУСУРе
- Профком студентов
- Содействие трудоустройству
- Облачное хранилище ТУСУРа
- Поддержка студенческих семей
- Поддержка участников СВО и их детей
- Многофункциональный центр
- Аспирантам
-
Сотрудникам
- Телефонный справочник
- Расписание занятий
- Система дистанционного обучения
- Научно-образовательный портал
- Библиотека
- Журнал посещаемости
- Журнал успеваемости
- Генератор рабочих программ
- Генератор ОПОП
- Генератор ИПРП
- Показатели эффективности труда ППС
- Спорт в ТУСУРе
- Профком сотрудников
- Облачное хранилище ТУСУРа
- Выпускникам
- Партнёрам
Аннотация: В настоящее время алгоритмы и методы машинного обучения используются во многих областях исследований для достижения практических и продуктивных решений. Сельское хозяйство является одной из отраслей, где влияние является значительным, особенно в области прогнозирования урожайности и выбора сельскохозяйственных культур, что имеет решающее значение для обеспечения продовольственной безопасности и совершенствования методов ведения сельского хозяйства. В такой стране, как Эфиопия, где экономика в значительной степени зависит от сельского хозяйства и, в частности, от фермерства в целом, использование возможностей искусственного интеллекта и машинного обучения имеет решающее значение. Однако использование этих технологий в сельском хозяйстве Эфиопии остается ограниченным, главным образом, из-за отсутствия хорошо организованных и цифровых наборов данных и технологических достижений. Целью данного исследования является повышение точности прогнозирования урожайности сельскохозяйственных культур в Эфиопии и предоставление информации, которая может помочь фермерам и политикам повысить урожайность сельскохозяйственных культур. В этом исследовании была разработана модель прогнозирования урожайности сельскохозяйственных культур на основе исторических данных, которая включает такие факторы, как тип культуры, количество осадков, температура, площадь посева, производство и пестициды. Среди алгоритмов, рассмотренных в этом исследовании, регрессия с ускорением градиента достигла самого высоко-го значения R-квадрата – 90% по сравнению с другими, что свидетельствует о его наилучшей прогностической способности. Однако в исследовании также признаются контекстуальные преимущества других алгоритмов, подчеркивая важность выбора моделей, подходящих для конкретных наборов данных и целей. Точность и эффективность сельскохозяйственного планирования и распределения ресурсов в Эфиопии могут быть значительно повышены за счет использования методов машинного обучения для прогнозирования производства сельскохозяйственных культур.
Ключевые слова: Урожайность сельскохозяйственных культур, алгоритмы машинного обучения, продовольственная безопасность, Эфиопия
Библиография статьи:
Мекеча Б. Б. Прогнозирование урожайности в Эфиопии с использованием градиентной регрессии / Б. Б. Мекеча, А. В. Горбатов // Доклады Томского государственного университета систем управления и радиоэлектроники. – 2024. – Т. 27, № 3. – С. 125–129. DOI: 10.21293/1818-0442-2024-27-3-125-129
Авторы и правообладатели:
- Мекеча Б. Б. , Университета науки и технологий МИСИС (Москва, Россия)
- Горбатов А. В. , Университета науки и технологий МИСИС (Москва, Россия)
- 1. Agriculture and Food Security. [Электронный ресурс]. – URL: https://www.usaid.gov/ethiopia/agricultureand-food-secrity, free (дата обращения: 24.07.2024).
- 2. Taffesse A.S. Crop production in Ethiopia: Regional Patterns and Trends / A.S. Taffesse, P.A. Dorosh, S. Asrat. – University of Pennsylvania Press eBooks, 2014. – https://doi.org/10.97 83/9780812208610.53.
- 3. Mekecha B.B. Analyzing climate and agricultural factors for yield prediction of key cereal crops in Ethiopia: A visual analysis (1995–2021) // Modelling and Data Analysis. – 2024. – Vol. 14 (1). – P. 196–208.
- 4. Guo Z. Smallholder Maize yield estimation using satellite data and machine learning in Ethiopia / Z. Guo, J. Chamberlin, L. You // Crop and Environment. – 2023. – Vol. 2(4). – P. 165–174. DOI:10.1016/j.crope.2023.07.002.
- 5. Shiferaw H. Crop Yield Estimation of Teff (Eragrostis tef Zuccagni) Using Geospatial Technology and Machine Learning Algorithm in the Central Highlands of Ethiopia / H. Shiferaw, T. Getachew, H. Sewnet, L. Tamene // Sustainable Agriculture Research. – 2022. – Vol. 11 (1). – P. 34. https://doi.org/10.5539/ sar.v11n1p34
- 6. Araújo S.O. Machine learning applications in agriculture: Current trends, challenges, and future perspectives / S.O. Araújo et al. // Agronomy. – 2023. – Vol. 13 (12). – P. 2976. DOI: 10.3390/agronomy13122976.
- 7. Dawn N. Implementation of Artificial Intelligence, Machine Learning, and Internet of Things (IoT) in revolutionizing Agriculture: A review on recent trends and challenges / N. Dawn, T. Ghosh, S. Ghosh, A.Saha, P. Mukherjee, S. Sarkar, S. Guha, Tanmay sanyal // International Journal of Experimental Research and Review. – 2023. – Vol. 30. – P. 190–218.
- 8. Liben F. Site-specific fertilizer recommendation using data driven machine learning enhanced wheat productivity and resource use efficiency / F. Liben, W. Abera, M.T. Chernet, M. Ebrahim, A. Tilaye, T. Erkossa, T.D. Degefie, P. Mponela, J. Kihara, L. Tamene // Field Crops Research. – 2024. – Vol. 313. – P. 109413.
- 9. Ayalew A.T. Prediction of Crop Yield by Support Vector Machine Coupled with Deep Learning Algorithm Procedures in Lower Kulfo Watershed of Ethiopia / A.T. Ayalew, T.K. Lohani // Journal of Engineering. – 2023. – P. 1–8. https://doi.org/10.11 55/2023/6675523.
- 10. Tefera H.A. Implementation of IoT and machine learning for smart farming monitoring system / H.A. Tefera, H. Dong-Jun, K. Njagi // International Journal of Sciences: Basic and Applied Research. – 2020. – Vol. 52 (1). – P. 6–77.
- 11. Yang M. Seasonal prediction of crop yields in Ethiopia using an analog approach / M. Yang, G. Wang, Sh. Wu, P. Block, et al. // Agricultural and Forest Meteorology. – 2023. – Vol. 331. – P. 109347.
- 12. Mann M. Predicting high-magnitude, low-frequency crop losses using machine learning: an application to cereal crops in Ethiopia / M. Mann, J.M. Warner, A. Malik // Climatic Change. – 2019. – No. 154 (1–2). – P. 211–227. DOI: 10.1007/s10584-019-02432-7.
- 13. Central Statistical Agency (CSA). 1996–2022. Agricultural Sample Survey. Vol. 1: Report on Area and Production of Major Crops (Private Peasant Holdings, Meher Season), 1994/95 (1987 E.C.). Statistical Bulletin, Addis Ababa. – URL: https://www.statsethiopia.gov.et/our-survey-reports, free/ (дата обращения: 10.11.2024).
- 14. Food and Agriculture Organization of the United Nations,1996–2022. FAOSTAT statistical database. – URL: http://www.fao.org/faostat/en/#data, free (дата обращения: 10.11.2024).
- 15. World Bank. (1996–2022). Climate Change Knowledge Portal. World Bank. – URL: https://climateknowledgeportal.worldbank.org, free (дата обращения: 10.11.2024).
-2026-1_%D0%BA%D0%BE%D0%BF%D0%B8%D1%8F.jpg)
Адрес редакции
Подписка на обновления
