Big data аналітика для сезонних секторів роботи: інтеграція технік машинного навчання

Автор(и)

DOI:

https://doi.org/10.15587/1729-4061.2024.315066

Ключові слова:

сезонні моделі врожаю, випадковий ліс, пошук по сітці, SHAP, LIME, кластерний аналіз, прогнозна модель, мінливість клімату, місцеве сільське господарство, точність моделі

Анотація

У цьому дослідженні розглядається завдання прогнозування тривалості сезону вирощування рису, що має вирішальне значення для планування сільського господарства в тропічних регіонах. Мінливість клімату та час сезону створюють невизначеність у прийнятті рішень, і, хоча машинне навчання широко використовується в сільському господарстві, зберігається прогалина в інтеграції просторово-часових даних для точного прогнозування тривалості сезону та аналізу специфічних для регіону моделей під впливом опадів. Використовуючи поєднання алгоритмів випадкового лісу з оптимізацією за гіперпараметрами (пошук у сітці) і методів кластеризації, таких як PCA, K-Means та ієрархічна кластеризація, у цьому дослідженні аналізуються ключові характеристики, такі як початок сезону (ПС), кінець сезону (КС), і їх показники значимості (sig_sos і sig_eos). Результати виявили сильну кореляцію (0,98) між ПС і КС, з оптимальним вегетаційним періодом від 93 до 207 дня (113,82 дня). Модель випадкового лісу, оптимізована за допомогою пошуку по сітці, досягла MSE 28,9474 і R2 0,8636, демонструючи видатний прогнозний результат. Аналіз SHAP і LIME визначив ПС і КС як найвпливовіші предиктори, тоді як кластерний аналіз виділив три окремі групи сезонів вегетації, що характеризуються коливаннями кількості опадів і сезонною стабільністю. Ці результати підкреслюють важливість розуміння локальних сільськогосподарських умов і дають практичну інформацію для оптимізації графіків посіву, розподілу ресурсів і стратегій адаптації до клімату. Завдяки інтеграції передових методів машинного навчання з просторово-часовими даними це дослідження закладає основу для підвищення стійкості та сталості сільського господарства в умовах мінливості клімату

Біографії авторів

Roni Yunis, Universitas Mikroskil

Assistant Professor

Department of Information Systems

Arwin Halim, Universitas Mikroskil

Assistant Professor

Department of Informatics

Irpan Adiputra Pardosi, Universitas Mikroskil

Assistant Professor

Department of Informatics

Посилання

  1. El Bilali, H., Henri Nestor Bassole, I., Dambo, L., Berjan, S. (2020). Climate change and food security. The Journal “Agriculture and Forestry,” 66 (3). https://doi.org/10.17707/agricultforest.66.3.16
  2. Molotoks, A., Smith, P., Dawson, T. P. (2020). Impacts of land use, population, and climate change on global food security. Food and Energy Security, 10 (1). https://doi.org/10.1002/fes3.261
  3. Favas, C., Cresta, C., Whelan, E., Smith, K., Manger, M. S., Chandrasenage, D. et al. (2024). Exploring food system resilience to the global polycrisis in six Asian countries. Frontiers in Nutrition, 11. https://doi.org/10.3389/fnut.2024.1347186
  4. Adesete, A. A., Olanubi, O. E., Dauda, R. O. (2022). Climate change and food security in selected Sub-Saharan African Countries. Environment, Development and Sustainability, 25 (12), 14623–14641. https://doi.org/10.1007/s10668-022-02681-0
  5. Javadi, A., Ghahremanzadeh, M., Sassi, M., Javanbakht, O., Hayati, B. (2022). Economic evaluation of the climate changes on food security in Iran: application of CGE model. Theoretical and Applied Climatology, 151 (1-2), 567–585. https://doi.org/10.1007/s00704-022-04289-w
  6. Sirsat, M. S., Mendes-Moreira, J., Ferreira, C., Cunha, M. (2019). Machine Learning predictive model of grapevine yield based on agroclimatic patterns. Engineering in Agriculture, Environment and Food, 12 (4), 443–450. https://doi.org/10.1016/j.eaef.2019.07.003
  7. Apat, S. K., Mishra, J., Srujan Raju, K., Padhy, N. (2022). State of the Art of Ensemble Learning Approach for Crop Prediction. Next Generation of Internet of Things, 675–685. https://doi.org/10.1007/978-981-19-1412-6_58
  8. Chlingaryan, A., Sukkarieh, S., Whelan, B. (2018). Machine learning approaches for crop yield prediction and nitrogen status estimation in precision agriculture: A review. Computers and Electronics in Agriculture, 151, 61–69. https://doi.org/10.1016/j.compag.2018.05.012
  9. Sharma, A., Jain, A., Gupta, P., Chowdary, V. (2021). Machine Learning Applications for Precision Agriculture: A Comprehensive Review. IEEE Access, 9, 4843–4873. https://doi.org/10.1109/access.2020.3048415
  10. Çeliktopuz, E. (2024). A Detailed Examination of Türkiye’s Projected Precipitation and Growth Season Trends under Climate Change Condition. Black Sea Journal of Agriculture, 7 (3), 215–223. https://doi.org/10.47115/bsagriculture.1416956
  11. Nainggolan, D., Abay, A. T., Christensen, J. H., Termansen, M. (2023). The impact of climate change on crop mix shift in the Nordic region. Scientific Reports, 13 (1). https://doi.org/10.1038/s41598-023-29249-w
  12. Benos, L., Tagarakis, A. C., Dolias, G., Berruto, R., Kateris, D., Bochtis, D. (2021). Machine Learning in Agriculture: A Comprehensive Updated Review. Sensors, 21 (11), 3758. https://doi.org/10.3390/s21113758
  13. Sharma, P., Dadheech, P., Aneja, N., Aneja, S. (2023). Predicting Agriculture Yields Based on Machine Learning Using Regression and Deep Learning. IEEE Access, 11, 111255–111264. https://doi.org/10.1109/access.2023.3321861
  14. Ip, R. H. L., Ang, L.-M., Seng, K. P., Broster, J. C., Pratley, J. E. (2018). Big data and machine learning for crop protection. Computers and Electronics in Agriculture, 151, 376–383. https://doi.org/10.1016/j.compag.2018.06.008
  15. Mavume, A. F., Banze, B. E., Macie, O. A., Queface, A. J. (2021). Analysis of Climate Change Projections for Mozambique under the Representative Concentration Pathways. Atmosphere, 12 (5), 588. https://doi.org/10.3390/atmos12050588
  16. Mishra, B., Busetto, L., Boschetti, M., Laborte, A. G., Nelson, A. (2023). Data underlying the research on RICA: Rice Crop Calendar for Asia. 4TU.ResearchData. https://doi.org/10.4121/13468929
  17. CMIP6 Climate Projections (2021). Climate Data Store. https://doi.org/10.24381/cds.c866074c
  18. Guo, X., Hao, P. (2021). Using a Random Forest Model to Predict the Location of Potential Damage on Asphalt Pavement. Applied Sciences, 11 (21), 10396. https://doi.org/10.3390/app112110396
  19. Fernandez-Gonzalez, P., Bielza, C., Larranaga, P. (2019). Random Forests for Regression as a Weighted Sum of k-Potential Nearest Neighbors. IEEE Access, 7, 25660–25672. https://doi.org/10.1109/access.2019.2900755
  20. Zaib, R., Ourabah, O. (2023). Large Scale Data Using K-Means. Mesopotamian Journal of Big Data, 2023, 36–45. https://doi.org/10.58496/mjbd/2023/006
  21. Shajalal, M., Boden, A., Stevens, G. (2024). ForecastExplainer: Explainable household energy demand forecasting by approximating shapley values using DeepLIFT. Technological Forecasting and Social Change, 206, 123588. https://doi.org/10.1016/j.techfore.2024.123588
  22. Bhandary, A., Dobariya, V., Yenduri, G., Jhaveri, R. H., Gochhait, S., Benedetto, F. (2024). Enhancing Household Energy Consumption Predictions Through Explainable AI Frameworks. IEEE Access, 12, 36764–36777. https://doi.org/10.1109/access.2024.3373552
  23. Chicco, D., Warrens, M. J., Jurman, G. (2021). The coefficient of determination R-squared is more informative than SMAPE, MAE, MAPE, MSE and RMSE in regression analysis evaluation. PeerJ Computer Science, 7, e623. https://doi.org/10.7717/peerj-cs.623
Big data аналітика для сезонних секторів роботи: інтеграція технік машинного навчання

##submission.downloads##

Опубліковано

2024-12-27

Як цитувати

Yunis, R., Halim, A., & Pardosi, I. A. (2024). Big data аналітика для сезонних секторів роботи: інтеграція технік машинного навчання . Eastern-European Journal of Enterprise Technologies, 6(4 (132), 46–56. https://doi.org/10.15587/1729-4061.2024.315066

Номер

Том 6 № 4 (132) (2024): Математика та кібернетика - прикладні аспекти

Розділ

Математика та кібернетика - прикладні аспекти

Ліцензія

Авторське право (c) 2024 Roni Yunis, Arwin Halim, Irpan Adiputra Pardosi

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.

Ліцензійний договір – це документ, в якому автор гарантує, що володіє усіма авторськими правами на твір (рукопис, статтю, тощо).
Автори, підписуючи Ліцензійний договір з ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР», мають усі права на подальше використання свого твору за умови посилання на наше видання, в якому твір опублікований. Відповідно до умов Ліцензійного договору, Видавець ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР» не забирає ваші авторські права та отримує від авторів дозвіл на використання та розповсюдження публікації через світові наукові ресурси (власні електронні ресурси, наукометричні бази даних, репозитарії, бібліотеки тощо).
За відсутності підписаного Ліцензійного договору або за відсутністю вказаних в цьому договорі ідентифікаторів, що дають змогу ідентифікувати особу автора, редакція не має права працювати з рукописом.
Важливо пам’ятати, що існує і інший тип угоди між авторами та видавцями – коли авторські права передаються від авторів до видавця. В такому разі автори втрачають права власності на свій твір та не можуть його використовувати в будь-який спосіб.