Agrotecnología

Abstracto

Análisis del rendimiento de algoritmos de aprendizaje automático de regresión para la predicción del tiempo de escorrentía

Marwan Khan y Sanam Noor

En todo el mundo, el 70 por ciento del agua se utiliza en prácticas agrícolas, en las cuales el 50% del agua se pierde debido a un sistema de riego ineficiente y mal planificado. El sistema de riego de precisión se ha utilizado durante mucho tiempo a escala de granjas individuales. Hasta ahora, se han realizado trabajos muy raros para utilizar el exceso de agua de riego de una granja en otra granja. En esta investigación, abordamos el problema de predecir el tiempo de escorrentía entre dos granjas. Proponemos un modelo de tiempo de escorrentía que acepta la profundidad de riego, la humedad del suelo y la etapa del cultivo (CN) y el tiempo de concentración como parámetros de entrada y estimamos el tiempo de escorrentía. Se han utilizado algoritmos de aprendizaje automático, es decir, regresión lineal múltiple (MLR), red neuronal artificial-Levenberg Marquardt (LMA-ANN), árboles de decisión/árbol de regresión (DT/RT) y regresión vectorial de soporte de mínimos cuadrados (LS-SVR) para fines de aprendizaje y predicción. Se ha realizado una comparación entre estos algoritmos para elegir el mejor algoritmo para la predicción del tiempo de escorrentía de riego. Los resultados experimentales muestran que el árbol de regresión supera los resultados en términos de valor R-cuadrado más alto y error cuadrático medio más bajo. Mientras que MLR muestra el peor resultado en términos de menor valor R cuadrado y mayor error cuadrático medio. El árbol de regresión de los algoritmos ocupa el primer lugar entre los mejores, ANN-LMA ocupa el segundo lugar entre los buenos, LS-SVR ocupa el tercer lugar entre los aceptables y MLR ocupa el último lugar entre los malos en función de las métricas de error de regresión/parámetros de evaluación del rendimiento. Por lo tanto, se sugiere firmemente que el árbol de regresión es un algoritmo de regresión de aprendizaje automático ideal para implementar en el nodo de la red de sensores inalámbricos (WSN) para la predicción del tiempo de escorrentía.