Агротехника

Абстрактный

Анализ эффективности алгоритмов регрессионного машинного обучения для прогнозирования времени стока

Марван Хан и Санам Нур

Во всем мире 70 процентов воды используется в сельскохозяйственных практиках, в которых 50% воды теряется из-за неправильно спланированной и неэффективной системы орошения. Система точного орошения уже давно используется в масштабах отдельных ферм. До сих пор очень редко проводилась работа по использованию избыточной оросительной воды одной фермы в другой. В этом исследовании мы решаем проблему прогнозирования времени стока между двумя фермами. Мы предлагаем модель времени стока, которая принимает глубину орошения, влажность почвы и стадию урожая (CN) и время концентрации в качестве входных параметров и оценивает время стока. Алгоритмы машинного обучения, такие как множественная линейная регрессия (MLR), искусственная нейронная сеть Левенберга-Марквардта (LMA-ANN), деревья решений/дерево регрессии (DT/RT) и регрессия опорных векторов наименьших квадратов (LS-SVR), использовались для целей обучения и прогнозирования. Было проведено сравнение между этими алгоритмами, чтобы выбрать лучший алгоритм для прогнозирования времени стока орошения. Экспериментальные результаты показывают, что дерево регрессии превосходит результаты с точки зрения самого высокого значения R-квадрата, самой низкой среднеквадратической ошибки. В то время как MLR показывает худший результат с точки зрения самого низкого значения R-квадрата, самой высокой среднеквадратической ошибки. Алгоритмы Дерево регрессии ранжируется первым-выдающимся, ANN-LMA ранжируется вторым-хорошим, LS-SVR ранжируется третьим-удовлетворительным, а MLR ранжируется последним-плохим на основе метрик ошибки регрессии/параметров оценки производительности. Следовательно, настоятельно рекомендуется, чтобы дерево регрессии было идеальным алгоритмом машинного обучения-регрессии для развертывания на узле беспроводной сенсорной сети (WSN) для прогнозирования времени стока.