Прогнозування урожайності рису на богарних землях у мусонній тропічній зоні Яви, Індонезія з використанням машинного навчання

Абдул Азіз, . Комаріах, Ажарі Різал, Мухаммад Різкі Ромадхон, Мухамад Мустангін
Отримано: 06.03.2025 Доопрацьовано: 06.08.2025 Прийнято: 27.08.2025
Взято з Том 28, № 8, 2025 Сторінки: 165-178
Завантажити статтю Читати статтю

Анотація

Вирощування рису на богарних землях у тропічних районах Яви, Індонезія, що знаходяться під впливом мусонних дощів, ускладнюється через нестачу поживних речовин, непередбачуваність опадів та обмежені інвестиції в сільське господарство, що призводить до коливань врожайності. Метою цього дослідження було розроблення точної моделі прогнозування врожайності рису з використанням машинного навчання, адаптованого до конкретних топологічних послідовностей у Центральній Яві. Застосовано комплекс польових та лабораторних методів, заснованих на опитуваннях, з урахуванням кліматичних, ґрунтових, соціально-економічних та агроменеджментних змінних із 87 цільових точок відбору проб. Аналіз за допомогою баєсівських нейронних мереж (BNN) показав помірну точність (R² = 0,840; RMSE = 0,442), однак точність суттєво підвищувалась при адаптації моделей до категорій за висотою, досягаючи R² до 0,999. Для низинних полів найбільший вплив мала наявність доступного фосфору (P); у зонах середньої висоти ключовими чинниками були кількість опадів, стать, освіта та сорт насіння; для високогірних районів – ухил, доступний фосфор, стать і сівозміна. Аналіз Парето підтвердив ідентифікацію цих основних детермінант урожайності у кожному топосліді. Інтеграція методів BNN і Парето дозволила створити високоточну, локалізовану модель прогнозування. Робота довела, що адаптація моделей машинного навчання до агроекологічних зон за висотою покращує їхню ефективність і практичне застосування. Результати є особливо цінними для аграрних стейкґолдерів – зокрема для політиків, дорадчих служб і фермерів, які можуть використати прогностичні дані для оптимізації управління богарним рисівництвом в умовах змінного клімату

Ключові слова

аграрна стійкість; баєсівська нейронна мережа (BNN); продовольча безпека; аналіз Парето; точне землеробство

  1. Bal, S.K., Sandeep, V.M., Kumar, P.V., Rao, A.V.M.S., Pramod, V.P., Manikandan, N., Rao, C.S., Singh, N.P., & Bhaskar, S. (2022). Assessing impact of dry spells on the principal rainfed crops in major dryland regions of India. Agricultural and Forest Meteorology, 313, article number 108768. doi: 10.1016/j.agrformet.2021.108768.
  2. Bazrafshan, O., Ehteram, M., Moshizi, Z.G., & Jamshidi, S. (2022). Evaluation and uncertainty assessment of wheat yield prediction by multilayer perceptron model with bayesian and copula bayesian approaches. Agricultural Water Management, 273, article number 107881. doi: 10.1016/J.AGWAT.2022.107881.
  3. Bremner, J.M., & Mulvaney, C.S. (1982). Nitrogen – total. In A.L. Page (Ed.), Methods of soil analysis: Part 2. Chemical and microbiological properties (595-624). Madison, WI: American Society of Agronomy and Soil Science Society of America. doi: 10.2134/agronmonogr9.2.2ed.c31.
  4. Dewi, W.S., Romadhon, M.R., Amalina, D.D., & Aziz, A. (2022). Paddy soil quality assessment to sustaining food security. IOP Conference Series: Earth and Environmental Science, 1107, article number 012051. doi: 10.1088/1755-1315/1107/1/012051.
  5. Din, N. M. U., Assad, A., Dar, R. A., Rasool, M., Sabha, S. U., Majeed, T., Islam, Z. U., Gulzar, W., & Yaseen, A. (2024). RiceNet: A deep convolutional neural network approach for classification of rice varieties. Expert Systems with Applications, 235, 121214. https://doi.org/10.1016/j.eswa.2023.121214
  6. ESRI. (2022). GIS software for mapping and spatial analytics. Retrieved from https://www.esri.com/en-us/home
  7. 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.
  8. Hengl, T., Nussbaum, M., Wright, M.N., Heuvelink, G.B.M., & Gräler, B. (2018). Random forest as a generic framework for predictive modeling of spatial and spatio-temporal variables. PeerJ, 9, article number e11088.
  9. Indonesian Agricultural Assembly and Modernization Agency. (2005). Chemical analysis of soil, plants, water, and fertilizers. Retrieved from https://repository.pertanian.go.id/server/api/core/bitstreams/77f52e6b-6a13-48bc-96d1-d6a35025d793/content
  10. Jackson, M.L. (1973). Soil chemical analysis. Prentice Hall of India.
  11. Jeong, S., Ko, J., & Yeom, J.M. (2022). Predicting rice yield at pixel scale through synthetic use of crop and deep learning models with satellite data in South and North Korea. Science of The Total Environment, 802, article number 149726. doi: 10.1016/j.scitotenv.2021.149726.
  12. Kadir, M.K.A., Ayob, M.Z., & Miniappan, N. (2015). Wheat yield prediction: Artificial neural network based approach. In 2014 4th International conference on engineering technology and technopreneuship (ICE2T) (pp. 161-165). Kuala Lumpur: IEEE. doi: 10.1109/ICE2T.2014.7006239.
  13. 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.
  14. Moeletsi, M.E., Walker, S., & Hamandawana, H. (2013). Comparison of the Hargreaves and Samani equation and the Thornthwaite equation for estimating dekadal evapotranspiration in the Free State Province, South Africa. Physics and Chemistry of the Earth, 66, 4-15. doi: 10.1016/j.pce.2013.08.003.
  15. Mou, L., Liang, L., Gao, Z., & Wang, X. (2022). A multi-scale anomaly detection framework for retinal OCT images based on the Bayesian neural network. Biomedical Signal Processing and Control, 75, article number 103619. doi: 10.1016/j.bspc.2022.103619.
  16. Olsen, S.R., Cole, C.V., Watanabe, F.S., & Dean, L.A. (1954). Estimation of available phosphorus in soils by extraction with sodium bicarbonate (USDA Circular No. 939). Washington: U.S. Government Printing Office.
  17. Pant, J., Pant, R.P., Singh, M.K., Singh, D.P., & Pant, H. (2021). Analysis of agricultural crop yield prediction using statistical techniques of machine learning. Materials Today: Proceedings, 46, 10922-10926. doi: 10.1016/j.matpr.2021.01.948.
  18. Paudel, D., Boogaard, H., de Wit, A., Janssen, S., Osinga, S., Pylianidis, C., & Athanasiadis, I.N. (2021). Machine learning for large-scale crop yield forecasting. Agricultural Systems, 187, article number 103016. doi: 10.1016/j.agsy.2020.103016.
  19. Paudel, D., Boogaard, H., de Wit, A., van der Velde, M., Claverie, M., Nisini, L., Janssen, S., Osinga, S., & Athanasiadis, I.N. (2022). Machine learning for regional crop yield forecasting in Europe. Field Crops Research, 276, article number 108377. doi: 10.1016/j.fcr.2021.108377.
  20. Qian, J., Zhao, H., Wang, X., Wang, T., Feng, Z., Cao, C., Li, X., & Zhang, A. (2025). Declining suitability for conversion of drylands to paddy fields in Northeast China: Impact of future climate and socio-economic changes. Geography and Sustainability, 6(1), article number 100199. doi: 10.1016/j.geosus.2024.05.004.
  21. Supriyadi, S., Ustiatik, R., Mukti, B., Minardi, S., Widijanto, H., & Sakti, M.B.G. (2022). Soil quality status under Hazton’s paddy farming: A case study in Banyumas Regency, Indonesia. SAINS TANAH – Journal of Soil Science and Agroclimatology, 19(2), 123-131. doi: 10.20961/STJSSA.V19I2.58375.
  22. Takeda, N., López-Galvis, L., Pineda, D., Castilla, A., Takahashi, T., Fukuda, S., & Okada, K. (2019). Evaluation of water dynamics of contour-levee irrigation system in sloped rice fields in Colombia. Agricultural Water Management, 217, 107-118. doi: 10.1016/J.AGWAT.2019.02.032.
  23. Thomas, G.W. (1982). Exchangeable cations. In A.L. Page (Ed.), Methods of soil analysis: Part 2. Chemical and microbiological properties (pp. 159-165). Madison, WI: American Society of Agronomy and Soil Science Society of America. doi: 10.2134/agronmonogr9.2.2ed.c9.
  24. Tu, T., et al. (2023). Methods and experiments for collecting information and constructing models of bottom-layer contours in paddy fields. Computers and Electronics in Agriculture, 207, article number 107719. doi:10.1016/j.compag.2023.107719.
  25. 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.
  26. Velmurugan, P., Kannagi, A., & Varsha, M. (2023). 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.
  27. Wadoux, A.M. J.-C., Minasny, B., & McBratney, A.B. (2020). Machine learning for digital soil mapping: Applications, challenges and suggested solutions. Earth-Science Reviews, 210, article number 103359. doi: 10.1016/j.earscirev.2020.103359.
  28. Wahyunto, et al. (2016). Technical guidelines for land suitability assessment for strategic agricultural commodities at a semi-detailed level on a scale of 1:50,000. Retrieved from https://repository.pertanian.go.id/handle/123456789/20342.
  29. Walkley, A., & Black, I.A. (1934). An examination of the Degtjareff method for determining soil organic matter, and a proposed modification of the chromic acid titration method. Soil Science, 37(1), 29-38. doi: 10.1097/00010694-193401000-00003.
  30. Yue, X., Li, Z., Li, H., Wang, F., & Jin, S. (2022). Multi-temporal variations in surface albedo on Urumqi glacier No.1 in Tien Shan, under arid and semi-arid environment. Remote Sensing, 14(4), article number 808. doi: 10.3390/rs14040808.
  31. Zhang, J., Jing, X., Song, X., Zhang, T., Duan, W., & Su, J. (2023). Hyperspectral estimation of wheat stripe rust using fractional order differential equations and Gaussian process methods. Computers and Electronics in Agriculture, 206, 107671. https://doi.org/10.1016/j.compag.2023.107671
Aziz, A., Komariah, Rizal, A., Romadhon, M.R., & Mustangin, M. (2025). Machine learning-based prediction of rice yield from rain feeding in monsoonal tropical area of Java, Indonesia. Scientific Horizons, 28(8), 165-178. https://doi.org/10.48077/scihor8.2025.165