Supporting of Crop Yield Prediction Using Machine Learning Algorithm Techniques

Dieses Kapitel befasst sich mit der Anwendung maschineller Lernalgorithmen zur Vorhersage der Ernteerträge in der indischen Landwirtschaft, einem Sektor, der für die Wirtschaft des Landes und die Ernährungssicherheit von entscheidender Bedeutung ist. Die Studie beginnt mit der Erhebung von Daten aus verschiedenen Quellen, einschließlich der Kaggle-Website, die sich auf Schlüsselpflanzen wie Reis, Baumwolle und Mais konzentriert. Die Phase der Datenvorverarbeitung umfasst die Kodierung kategorischer Variablen, die Standardisierung von Merkmalen und die Aufteilung des Datensatzes in Trainings- und Testsätze. Das Kapitel bewertet verschiedene Modelle des maschinellen Lernens, einschließlich Linearer Regression, Support Vector Machine (SVM), Decision Tree und Neuronaler Netzwerke, unter Verwendung von Metriken wie R2-Score, RMSE und MAE. Die Ergebnisse zeigen, dass lineare Regression und SVM-Modelle die höchste Genauigkeit erreichen, mit R2-Werten von etwa 85% bzw. 89,8%. Die Studie untersucht auch die Auswirkungen von Boden- und Niederschlagsdaten auf die Modellleistung und stellt fest, dass die Einbeziehung dieser Faktoren die Vorhersagegenauigkeit verbessern kann. Das Kapitel schließt mit der Diskussion des Potenzials des maschinellen Lernens zur Optimierung der Ernteerträge und der Notwendigkeit weiterer Forschung zur Verbesserung der Genauigkeit von Vorhersagemodellen in der Landwirtschaft.