Präzise Vorhersage der Reiserträge auf Distriktebene in Indien mithilfe von Maschinellem Lernen und Klimareanalyse-Daten

Keskeiset käsitteet

Maschinelle Lernmodelle können die Reiserträge auf Distriktebene in Indien mehrere Monate vor der Ernte mit einer vernünftigen Genauigkeit vorhersagen, wobei Klimareanalyse- und Satellitendaten als Prädiktoren verwendet werden.

Tiivistelmä

Die Studie untersucht die Machbarkeit von auf maschinellem Lernen basierenden Modellen zur Vorhersage der Reiserträge auf Distriktebene in Indien mehrere Monate vor der Ernte. Dafür wurden 19 verschiedene Maschinelle Lernmodelle wie CatBoost, LightGBM und Extremely Randomized Trees auf 20 Jahre Klima-, Satelliten- und Ertragsdaten von 247 reisanbauenden Distrikten in Indien trainiert.
Die Ergebnisse zeigen, dass die Reiserträge mit einer vernünftigen Genauigkeit vorhergesagt werden können, mit Out-of-Sample-Werten für R2, MAE und MAPE von bis zu 0,82, 0,29 und 0,16. Diese Ergebnisse übertreffen die in der Literatur berichteten Testleistungen für Reisertragsmodellierung in anderen Kontexten und Ländern.
Die SHAP-Wertanalyse ergab, dass wichtige Einflussfaktoren auf die Reiserträge Temperatur, Bodenwasservolumen und Blattflächenindex sind. Insbesondere höhere Temperaturen im August korrelieren mit höheren Erträgen, vor allem wenn der Blattflächenindex im August ebenfalls hoch ist.
Basierend auf den Ergebnissen wurde ein Proof-of-Concept-Dashboard entwickelt, mit dem Benutzer leicht erforschen können, welche Distrikte möglicherweise einen Anstieg oder Rückgang der Erträge im Vergleich zum Vorjahr erleben werden. Das Dashboard zeigt, dass das Modell in einigen Regionen besser abschneidet als in anderen.
Die Studie unterstreicht das Potenzial, dass Entscheidungsträger maschinelle Lernansätze zur Reisertragsvorhersage in landwirtschaftliche Frühwarnsysteme aufnehmen könnten, um zeitnahe Erntevorhersagen auf rollierender Basis zu liefern und landwirtschaftliche Entscheidungsträger in die Lage zu versetzen, fundierte Entscheidungen über Bewässerungsplanung, Düngereinsatz und Ernteplanung zu treffen, um die Erträge und den Ressourceneinsatz zu optimieren.

Tilastot

Die Temperatur im August korreliert positiv mit den Reiserträgen.
Ein höherer Blattflächenindex im August verstärkt den positiven Einfluss der Temperatur im August auf die Reiserträge.

Lainaukset

"Maschinelle Lernmodelle können die Reiserträge auf Distriktebene in Indien mehrere Monate vor der Ernte mit einer vernünftigen Genauigkeit vorhersagen."
"Wichtige Einflussfaktoren auf die Reiserträge sind Temperatur, Bodenwasservolumen und Blattflächenindex."
"Höhere Temperaturen im August korrelieren mit höheren Erträgen, vor allem wenn der Blattflächenindex im August ebenfalls hoch ist."

Tärkeimmät oivallukset

Feasibility of machine learning-based rice yield prediction in India at the district level using climate reanalysis data

by Djavan De Cl... klo arxiv.org 03-14-2024

https://arxiv.org/pdf/2403.07967.pdf

Syvällisempiä Kysymyksiä

Wie können die Ergebnisse dieser Studie in andere Kulturen und Regionen übertragen werden?

Die Ergebnisse dieser Studie zur Vorhersage von Reiserträgen mittels maschinellem Lernen und Klimadaten können auf andere Kulturen und Regionen übertragen werden, indem ähnliche Datensätze und Modelle verwendet werden. Zunächst sollten vergleichbare Klimadaten und Satellitendaten für die jeweilige Region gesammelt werden. Anschließend können die gleichen maschinellen Lernmodelle trainiert und validiert werden, um die Vorhersagegenauigkeit für Reiserträge in anderen Gebieten zu testen. Durch Anpassung der Modelle an die spezifischen agronomischen Bedingungen und Erntezyklen anderer Kulturen können die Ergebnisse auf verschiedene Regionen übertragen werden.

Welche zusätzlichen Datenquellen könnten die Vorhersagegenauigkeit der Reiserträge weiter verbessern?

Um die Vorhersagegenauigkeit der Reiserträge weiter zu verbessern, könnten zusätzliche Datenquellen wie Bodenanalysen, Luftfeuchtigkeitsdaten, Windgeschwindigkeiten, Sonneneinstrahlung und sozioökonomische Daten einbezogen werden. Bodenanalysen könnten Informationen über Nährstoffgehalt und Bodenqualität liefern, die sich direkt auf die Erträge auswirken. Luftfeuchtigkeitsdaten und Windgeschwindigkeiten könnten helfen, Trockenheitsstress und andere Umweltfaktoren zu berücksichtigen. Sonneneinstrahlungsdaten könnten die Photosyntheseaktivität und das Pflanzenwachstum beeinflussen. Sozioökonomische Daten könnten Einblicke in landwirtschaftliche Praktiken, Technologienutzung und Marktfaktoren bieten, die die Ernteerträge beeinflussen.

Wie können die Reisertragsvorhersagen in ein ganzheitliches System zur Unterstützung landwirtschaftlicher Entscheidungen integriert werden?

Die Reisertragsvorhersagen können in ein ganzheitliches System zur Unterstützung landwirtschaftlicher Entscheidungen integriert werden, indem sie mit anderen landwirtschaftlichen Daten und Entscheidungshilfesystemen verknüpft werden. Zum Beispiel könnten die Vorhersagen in bestehende Agrarinformationsdienste oder landwirtschaftliche Beratungsprogramme integriert werden, um den Landwirten rechtzeitige und präzise Informationen zur Verfügung zu stellen. Darüber hinaus könnten die Vorhersagen genutzt werden, um Versicherungsprodukte für Landwirte zu entwickeln, die sie vor Ernteausfällen aufgrund von Wetterereignissen schützen. Durch die Integration der Reisertragsvorhersagen in ein umfassendes landwirtschaftliches Entscheidungssystem können Landwirte fundiertere Entscheidungen in Bezug auf Anbau, Bewässerung, Düngung und Ernteplanung treffen.