Прогнозування врожайності рису з використанням байєсівського аналізу на богарних землях у топосекції Сумбінг-Сіндоро, Індонезія
Анотація
Оскільки на богарних рисових полях зазвичай бракує поживних речовин, вони часто страждають від посухи і потребують більше коштів для підтримки сільськогосподарських операцій, результати виробництва стають нестабільними і непередбачуваними. Це дослідження має на меті побудувати прогнози врожайності рису на богарних рисових полях у топосистемі Сумбінґ-Сіндоро, Центральна Ява, з використанням байєсівського методу для конкретної місцевості. Це дослідження є опитуванням з дослідницькою описовою методологією, що ґрунтується на даних польових і лабораторних досліджень. Аналіз моделі прогнозування з використанням методу нейронних мереж Байєса (BNN) на 12 географічних одиницях, точки вибірки були обрані навмисно. Були виміряні наступні змінні: ґрунт (рівень рН, органічний вуглець, загальний азот, доступний фосфор, доступний калій, типи ґрунтів, висота, схил) та клімат (кількість опадів, випаровування). Відповідно до використаного статистичного аналізу, модель BNN має найвищу точність із середньоквадратичним відхиленням (RMSE) 0,448 т/га, що порівняно з моделями MLR та SR вказує на найнижче відхилення помилки. Для отримання ідеального дизайну вибірки параметрів, розподіл параметрів було оптимізовано безпосередньо і одночасно за допомогою методу оптимізації, заснованого на оптимальності за Парето. За результатами тестування для груп з трьома параметрами найвищу точність показали 7 найкращих наборів даних (нахил, доступний P, випаровування, тип ґрунту, кількість опадів, органічний вуглець та рН). Коефіцієнт детермінації має найвище значення – 0,855, в той час як тест RMSE для моделі, що використовує 7 найкращих наборів даних, має найнижче значення похибки – 0,354 т/га та 18,71 % відповідно. Розробляючи прогнози врожайності рису для конкретної місцевості за допомогою байєсівського методу, фермери та аграрні практики можуть отримати вигоду від більш точних і надійних оцінок продуктивності культури
Ключові слова
сільськогосподарська стійкість; нейронна мережа Байєса (BNN); продовольча безпека; богарне рисове поле; прогнозування врожайності
[1] Abbaszadeh, P., Gavahi, K., Alipour, A., Deb, P., & Moradkhani, H. (2022). Bayesian multi-modeling of deep neural nets for probabilistic crop yield prediction. Agricultural and Forest Meteorology, 314, article number 108773. doi: 10.1016/j.agrformet.2021.108773.
[2] Abdalla, M., Hastings, A., Cheng, K., Yue, Q., Chadwick, D., Espenberg, M., Truu, J., Rees, R. M., & Smith, P. (2019). A critical review of the impacts of cover crops on nitrogen leaching, net greenhouse gas balance and crop productivity. Global Change Biology, 25(8), 2530-2543. doi: 10.1111/gcb.14644.
[3] Ali, F., Sarwar, A., Ilahi Bakhsh, F., Ahmad, S., Ali Shah, A., & Ahmed, H. (2023). Parameter extraction of photovoltaic models using atomic orbital search algorithm on a decent basis for novel accurate RMSE calculation. Energy Conversion and Management, 277, article number 116613. doi: 10.1016/j.enconman.2022.116613.
[4] Anupama, C.G., & Lakshmi, C. (2021). A comprehensive review on the crop prediction algorithms. Materials Today: Proceedings, 86. doi: 10.1016/j.matpr.2021.01.549.
[5] Babaee, M., Maroufpoor, S., Jalali, M., Zarei, M., & Elbeltagi, A. (2021). Artificial intelligence approach to estimating rice yield. Irrigation and Drainage, 70(4), 732-742. doi: 10.1002/ird.2566.
[6] Baldos, U.L.C., Viens, F.G., Hertel, T.W., & Fuglie, K.O. (2019). R&D spending, knowledge capital, and agricultural productivity growth: A Bayesian approach. American Journal of Agricultural Economics, 101(1), 291-310. doi: 10.1093/ajae/aay039.
[7] Basso, B., & Liu, L. (2019). Seasonal crop yield forecast: Methods, applications, and accuracies. Advances in Agronomy, 154, 201-255. doi: 10.1016/bs.agron.2018.11.002.
[8] Batta, M. (2020). Machine Learning Algorithms - A review. International Journal of Science and Research IJSR, 9(1), 381-386. doi: 10.21275/ART20203995.
[9] BPS Provinsi Jawa Tengah. (2018). Luas Panen, Produksi, dan Produktivitas Padi Ladang Menurut Kabupaten/ Kota di Provinsi Jawa Tengah (Kuintal/Hektar). Retrieved from https://jateng.bps.go.id/indicator/53/55/1/padiladang.html.
[10] Chakraborty, S., & Newton, A.C. (2011). Climate change, plant diseases and food security: An overview. Plant Pathology, 60(1), 2-14. doi: 10.1111/j.1365-3059.2010.02411.x.
[11] Chhogyel, N., Kumar, L., Bajgai, Y., & Hasan, M.K. (2020). Perception of farmers on climate change and its impacts on agriculture across various altitudinal zones of Bhutan Himalayas. International Journal of Environmental Science and Technology, 17, 3607-3620. doi: 10.1007/s13762-020-02662-8.
[12] Drury, B., Valverde-Rebaza, J., Moura, M.F., & de Andrade Lopes, A. (2017). A survey of the applications of Bayesian networks in agriculture. Engineering Applications of Artificial Intelligence, 65, 29-42. doi: 10.1016/j.engappai.2017.07.003.
[13] Estiningtyas, W., & Syakir, M. (2018). Pengaruh perubahan iklim terhadap produksi padi di lahan tadah Hujan. Jurnal Meteorologi Dan Geofisika, 18(2), 83-93. doi: 10.31172/jmg.v18i2.406.
[14] Hafezi, R., Akhavan, A.N., Pakseresht, S., & Wood, D.A. (2021). Global natural gas demand to 2025: A learning scenario development model. Energy, 224, article number 120167. doi: 10.1016/j.energy.2021.120167.
[15] He, Z.C., Huo, S.L., Li, E., Cheng, H.T., & Zhang, L.M. (2022). Data-driven approach to characterize and optimize properties of carbon fiber non-woven composite materials. Composite Structures, 297, article number 115961. doi: 10.1016/j.compstruct.2022.115961.
[16] Khaki, S., & Wang, L. (2019). Crop yield prediction using deep neural networks. Frontiers in Plant Science, 10, article number 621. doi: 10.3389/fpls.2019.00621.
[17] Liu, J., Goering, C.E., & Tian, L. (2001). A neural network for setting target corn yields. Transactions of the ASAE, 44(3), 705-713. doi: 10.13031/2013.6097.
[18] Liu, S., Wang, X., Liu, M., & Zhu, J. (2017). Towards better analysis of machine learning models: A visual analytics perspective. Visual Informatics, 1(1), 48-56. doi: 10.1016/j.visinf.2017.01.006.
[19] Lotulung, A. (2020). Kementan prediksi nilai konsumsi pangan naik di 2020. Retrieved from https://money. kompas.com/read/2019/12/31/181626826/kementan-prediksi-nilai-konsumsi-pangan-naik-di-2020.
[20] M, T.S., & B, J. (2021). Adaptive lemuria: A progressive future crop prediction algorithm using data mining. Sustainable Computing: Informatics and Systems, 31, article number 100577. doi: 10.1016/j.suscom.2021.100577.
[21] Ma, Y., Zhang, Z., Kang, Y., & Özdoğan, M. (2021). Corn yield prediction and uncertainty analysis based on remotely sensed variables using a Bayesian neural network approach. Remote Sensing of Environment, 259, article number 112408. doi: 10.1016/j.rse.2021.112408.
[22] Maricar, M.A. (2019). Analisa perbandingan nilai akurasi moving average dan exponential smoothing untuk sistem peramalan pendapatan pada Perusahaan XYZ. Jurnal Sistem Dan Informatika, 13(2), 36-45.
[23] Murniati, K., Mulyo, J.H., Irham, I., & Hartono, S. (2017). Efisiensi teknis usaha tani padi organik lahan sawah tadah hujan di kabupaten tanggamus provinsi Lampung. Jurnal Penelitian Pertanian Terapan, 14(1), 31-38. doi: 10.25181/jppt.v14i1.139.
[24] Novia, R.A., & Satriani, R. (2020). Analisis efisinesi teknis usahatani padi sawah tadah hujan di kabupaten Banyumas. Mediagroediagro, 16(1), 48-59. doi: 10.31942/mediagro.v16i1.3389.
[25] Pant, J., Pant, R.P., Singh, M.K., Singh, P., & Pant, H. (2021). Analysis of agricultural crop yield prediction using statistical techniques of machine learning. Materials Today: Proceedings, 46(20), 10922-10926. doi: 10.1016/j. matpr.2021.01.948.
[26] Rahayu, W. (2014). Ketersediaan pangan pokok pada rumah tangga petani padi sawah irigasi dan tadah hujan di kabupaten Karanganyar. Jurnal Sosial Ekonomi Pertanian, 7(1), 45-51.
[27] Ruminta, R., Wahyudin, A., & Sakinah, S. (2017). Respon pertumbuhan dan hasil tanaman padi terhadap jarak tanam pada lahan tadah hujan dengan menggunakan pengairan intermittent. Agrin, 21(1), 46-58. doi: 10.20884/1.agrin.2017.21.1.338.
[28] Semenova, E., Williams, D.P., Afzal, A.M., & Lazic, S.E. (2020). A Bayesian neural network for toxicity prediction. Computational Toxicology, 16, article number 100133. doi: 10.1016/j.comtox.2020.100133.
[29] Sinaga, Y.P.A., Razali, R., & Sembiring, M. (2014). Evaluasi kesesuaian lahan untuk padi sawah tadah hujan (Oryza Sativa L.) di kecamatan muara kabupaten tapanuli utara. Jurnal Agroekoteknologi Universitas Sumatera Utara, 2(3), 1042-1048.
[30] Singh Boori, M., Choudhary, K., Paringer, R., & Kupriyanov, A. (2022). Machine learning for yield prediction in Fergana valley, Central Asia. Journal of the Saudi Society of Agricultural Sciences, 22(2), 107-120. doi: 10.1016/j. jssas.2022.07.006.
[31] Son, N.T., Chen, C.F., Cheng, Y.S., Toscano, P., Chen, C.R., Chen, S.L., Tseng, K.H., Syu, C.H., Guo, H.Y., & Zhang, Y.T. (2022). Field-scale rice yield prediction from Sentinel-2 monthly image composites using machine learning algorithms. Ecological Informatics, 69, article number 101618. doi: 10.1016/j.ecoinf.2022.101618.
[32] Van Klompenburg, T., Kassahun, A., & Catal, C. (2020). Crop yield prediction using machine learning: A systematic literature review. Computers and Electronics in Agriculture, 177, article number 105709. doi: 10.1016/j. compag.2020.105709.
[33] Velmurugan, P., Kannagi, A., & Varsha, M. (2021). Superior fuzzy enumeration crop prediction algorithm for big data agriculture applications. Materials Today: Proceedings, 81(2), 112-117. doi: 10.1016/j.matpr.2021.02.578.
[34] Vojnov, B., Ja´cimovi´c, G., Ja´cimovi´c, J., Dan, S., Šeremeši´c, Š., Pezo, L., Lončar, B., De Krsti´ckrsti´c, Ð,. Vuji´c, S.V., & Cupina, B. (2022). The effects of winter cover crops on maize yield and crop performance in semiarid conditions — Artificial neural network approach. Agronomy, 12(11), article number 2670. doi: 10.3390/ agronomy12112670.
[35] Wang, Y., Satake, A., Sano, S., & Furutani, S. (2020). Stable adaptive estimation for speed-sensorless induction motor drives: A geometric approach. In Proceedings – 2020 International Conference on Electrical Machines, ICEM 2020 (pp. 1232-1238). doi: 10.1109/ICEM49940.2020.9270926.
[36] Wihardjaka, A., Pramono, A., & Sutriadi, M.T. (2020). Peningkatan produktivitas padi sawah tadah hujan melalui penerapan teknologi adaptif dampak perubahan iklim. Jurnal Sumberdaya Lahan, 14(1), article number 25.