• ВХОД

    •  

    Полное описание


     Анализ применения моделей машинного обучения для оценки урожайности риса и пшеницы для сезонов хариф и раби в Индии: исследование 44 районов в 10 штатах = Analysis of the application of machine learning models to assess the yield of rice and wheat for the harif and rabi seasons in India: a study of 44 districts in 10 states / В. А. Жданов, Д. В. Каплин, М. Г. Акимов [и др.]. - Текст : непосредственный // Искусственный интеллект. Теория и практика : научно-практический междисциплинарный журнал. - 2023. - N 2. - С. 47-61. - Библиогр. в конце ст. - ISSN 2949-3250.
    (Шифр в БД У5375/2023/2)
    ГРНТИ УДК
    28.23.25004.85
    68.29.23631.55:004.8
    РУБ ИИ
    04.07
    07.08

    Рубрики:
    Машинное обучение
    Искусственный интеллект -- Применение в сельском хозяйстве

    Кл.слова (ненормированные): машинное обучение -- ансамбли моделей -- регрессионная модель -- трудоёмкость традиционной оценки -- оценка урожайности -- планирование урожая
    Аннотация: Сельское хозяйство на протяжении веков было основой экономики Индии, обеспечивая средства к существованию для миллионов людей и стимулируя экономический рост. Оценка урожайности является важнейшим аспектом сельскохозяйственного планирования и управления, в том числе и для задачи страхования урожая фермеров. Традиционные методы оценки урожайности, принятые в Республике Индия, основаны на проведение значительного количество экспериментов по резке урожая (Crop Cut Experiments, CCE), отнимают много времени, дороги и трудоёмки. Регрессионные модели, основанные на метеоданных, данных дистанционного зондирования Земли и методах машинного обучения (ML) позволяют существенно снизить количество необходимых ССЕ. В этой статье описывается процесс оценки урожайности посредством регрессионных моделей, основанных на методах машинного обучения (ML), а также ансамблей, собранных из моделей обоих типов. Использовались ML - модели, основанные на следующих методах: Deep Neural Networks (DNN), Random Forest, Extra Trees, Catboost, K Near Neighbours, Linear Regression. Для каждого сочетания “сезон - район - культура” строились отдельные наборы моделей и ансамблей. Урожайность оценивалась в 44 районах из штатов Andhra pradesh, Haryana, Jharkhand, Madhya Pradesh, Odisha, Tamil Nadu, Uttar Pradesh, Bihar, Rajasthan. Было создано 276 моделей машинного обучения, собрано 92 ансамбля моделей. Наилучший коэффициент детерминации составил 0,94. Минимальная средняя ошибка составила 6%. Наилучшим образом проявили себя модели, основанные на деревьях решений - Random Forest и Catboost. В большинстве случаев удалось улучшить метрики за счет применения методов ансамблирования.
    Доп. точки доступа:
    Жданов, Владимир Александрович
    Каплин, Дмитрий Владимирович
    Акимов, Михаил Геннадьевич
    Антонов, Алексей Петрович
    Мальченко, Виталий Анатольевич

    Экз-ры полностью У5375/2023/2
    Имеются экземпляры в отделах: всего 1 : ПНТ (1)
    Свободны: ПНТ (1)
    Заказаны экз-ры для отделов: ХРЦ



    Заказ фрагмента документа ₽