Agrartechnologie

Abstrakt

Leistungsanalyse von Regressions-Maschinenlernalgorithmen zur Vorhersage der Abflusszeit

Marwan Khan und Sanam Noor

Weltweit werden 70 % des Wassers in der Landwirtschaft verbraucht, wobei 50 % des Wassers aufgrund schlecht geplanter und ineffizienter Bewässerungssysteme verloren gehen. Präzisionsbewässerungssysteme werden seit langem auf Ebene einzelner landwirtschaftlicher Betriebe eingesetzt. Bisher wurde nur sehr selten versucht, das überschüssige Bewässerungswasser eines Betriebs auf einem anderen Betrieb zu verwenden. In dieser Untersuchung befassen wir uns mit dem Problem der Vorhersage der Abflusszeit zwischen zwei Betrieben. Wir schlagen ein Abflusszeitmodell vor, das Bewässerungstiefe, Bodenfeuchtigkeit und Pflanzenstadium (CN) sowie Konzentrationszeit als Eingabeparameter akzeptiert und die Abflusszeit schätzt. Maschinelle Lernalgorithmen, d. h. multiple lineare Regression (MLR), künstliches neuronales Netzwerk-Levenberg-Marquardt (LMA-ANN), Entscheidungsbäume/Regressionsbäume (DT/RT) und kleinste quadratische Support-Vektor-Regression (LS-SVR), wurden zu Lern- und Vorhersagezwecken verwendet. Diese Algorithmen wurden verglichen, um den besten Algorithmus zur Vorhersage der Abflusszeit für die Bewässerung auszuwählen. Versuchsergebnisse zeigen, dass der Regressionsbaum in Bezug auf den höchsten R-Quadrat-Wert und den niedrigsten mittleren quadratischen Fehler die besten Ergebnisse liefert. Während MLR das schlechteste Ergebnis in Bezug auf den kleinsten R-Quadrat-Wert und den größten mittleren quadratischen Fehler zeigt. Der Algorithmus Regression Tree wird auf der Grundlage der Regressionsfehlermetriken/Leistungsbewertungsparameter als hervorragend eingestuft, ANN-LMA als zweitgut, LS-SVR als drittmittelmäßig und MLR als schlecht. Daher wird dringend empfohlen, dass der Regressionsbaum ein idealer maschineller Lern-Regressionsalgorithmus ist, der auf dem Wireless Sensor Network (WSN)-Knoten zur Vorhersage der Abflusszeit eingesetzt werden kann.