Agrotechnologie

Abstrait

Analyse des performances des algorithmes de régression-apprentissage automatique pour la prédiction du temps d'écoulement

Marwan Khan et Sanam Noor

Français Dans le monde, 70 pour cent de l'eau est utilisée dans les pratiques agricoles, dans lesquelles 50 % de l'eau est perdue en raison d'un système d'irrigation mal planifié et inefficace. Le système d'irrigation de précision est utilisé depuis longtemps à l'échelle des fermes individuelles. Très peu de travaux ont été réalisés jusqu'à présent pour utiliser l'excès d'eau d'irrigation d'une ferme dans une autre ferme. Dans cette recherche, nous abordons le problème de la prédiction du temps de ruissellement entre deux fermes. Nous proposons un modèle de temps de ruissellement qui accepte la profondeur d'irrigation, l'humidité du sol, le stade de la culture (CN) et le temps de concentration comme paramètres d'entrée et estime le temps de ruissellement. Des algorithmes d'apprentissage automatique, c'est-à-dire la régression linéaire multiple (MLR), le réseau neuronal artificiel-Levenberg Marquardt (LMA-ANN), les arbres de décision/arbre de régression (DT/RT) et la régression vectorielle de support des moindres carrés (LS-SVR) ont été utilisés à des fins d'apprentissage et de prédiction. Une comparaison a été faite entre ces algorithmes pour choisir le meilleur algorithme pour la prédiction du temps de ruissellement de l'irrigation. Les résultats expérimentaux montrent que l'arbre de régression surpasse les résultats en termes de valeur R-carré la plus élevée, d'erreur quadratique moyenne la plus faible. Alors que MLR montre le pire résultat en termes de valeur R-carré la plus faible et d'erreur quadratique moyenne la plus élevée. Les algorithmes Regression tree sont classés premier-exceptionnel, ANN-LMA est classé deuxième-bon, LS-SVR est classé troisième-passable et MLR est classé dernier-médiocre sur la base des mesures d'erreur de régression/paramètres d'évaluation des performances. Par conséquent, il est fortement suggéré que l'arbre de régression est un algorithme d'apprentissage automatique-régression idéal à déployer sur le nœud Wireless Sensor Network (WSN) pour la prédiction du temps d'écoulement.