Concepts de base
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.
Résumé
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.
Stats
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.
Citations
"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."