論文の概要: Crop recommendation with machine learning: leveraging environmental and economic factors for optimal crop selection

• arxiv url: http://arxiv.org/abs/2505.21201v1
• Date: Tue, 27 May 2025 13:47:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-28 17:05:58.68683
• Title: Crop recommendation with machine learning: leveraging environmental and economic factors for optimal crop selection
• Title（参考訳）: 機械学習による作物推薦 : 最適な作物選択のための環境・経済要因の活用
• Authors: Steven Sam, Silima Marshal DAbreo,
• Abstract要約: 農業はインドにおける食料生産、経済成長、雇用の主な源となっている。 作物レコメンデーションシステムのような計算ツールの採用は、農家が生産性の低下に対処するための新しい方法を提供する。 本研究では、15州に19の作物を栽培する環境・経済要因を用いてランダムフォレストとSVMモデルの開発と評価を行った。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Agriculture constitutes a primary source of food production, economic growth and employment in India, but the sector is confronted with low farm productivity and yields aggravated by increased pressure on natural resources and adverse climate change variability. Efforts involving green revolution, land irrigations, improved seeds and organic farming have yielded suboptimal outcomes. The adoption of computational tools like crop recommendation systems offers a new way to provide insights and help farmers tackle low productivity. However, most agricultural recommendation systems in India focus narrowly on environmental factors and regions, limiting accurate predictions of high-yield, profitable crops. This study uses environmental and economic factors with 19 crops across 15 states to develop and evaluate Random Forest and SVM models using 10-fold Cross Validation, Time-series Split, and Lag Variables. The 10-fold cross validation showed high accuracy (RF: 99.96%, SVM: 94.71%) but raised overfitting concerns. Introducing temporal order, better reflecting real-world conditions, reduced performance (RF: 78.55%, SVM: 71.18%) in the Time-series Split.To further increase the model accuracy while maintaining the temporal order, the Lag Variables approach was employed, which resulted in improved performance (RF: 83.62%, SVM: 74.38%) compared to the 10-fold cross validation approach. Overall, the models in the Time-series Split and Lag Variable Approaches offer practical insights by handling temporal dependencies and enhancing its adaptability to changing agricultural conditions over time. Consequently, the study shows the Random Forest model developed based on the Lag Variables as the most preferred algorithm for optimal crop recommendation in the Indian context.
• Abstract（参考訳）: 農業はインドにおける食料生産、経済成長、雇用の主な源となっているが、農業生産性の低下に直面しており、天然資源への圧力が増し、気候変動の変動が悪化している。 グリーン革命、土地の灌水、改良された種子、有機農業を含む努力は、最適以下の結果をもたらした。 作物レコメンデーションシステムのような計算ツールの採用は、農家が生産性の低下に対処するための新しい方法を提供する。 しかし、インドのほとんどの農業レコメンデーションシステムは、環境要因や地域に限定し、高収率で利益率の高い作物の正確な予測を制限している。 本研究では,15州に19の作物を栽培する環境・経済要因を用いて,10倍のクロスバリデーション,時系列分割,ラグ変数を用いたランダムフォレストとSVMモデルの開発と評価を行った。 10倍のクロス検証は高い精度(RF: 99.96%、SVM: 94.71%)を示したが、過度な懸念が持ち上がった。 時間順の導入、現実世界の条件の反映の改善、時間順の維持によるモデル精度の向上(RF: 78.55%、SVM: 71.18%)、そして10倍のクロスバリデーションアプローチ(RF: 83.62%、SVM: 74.38%)によるパフォーマンス向上(RF: 83.62%、SVM: 74.38%)が実現された。 全体として、時系列分割とラグ変数アプローチのモデルは、時間的依存関係を扱い、時間とともに変化する農業条件への適応性を高めることで、実践的な洞察を提供する。 その結果,インドにおける最適な作物選好アルゴリズムとして,ラグ変数に基づくランダムフォレストモデルを開発した。

関連論文リスト

• Crop Yield Time-Series Data Prediction Based on Multiple Hybrid Machine Learning Models [6.10631040784366]
  本研究では,収穫量の時系列データ予測に焦点を当てた。 世界経済における農業の重要性と社会安定を考えると、この研究は長年にわたって複数の作物、複数の地域、データを含むデータセットを用いている。 収率予測には、線形回帰、ランダムフォレスト、グラディエントブースト、XGBoost、KNN、決定木、バッグング回帰といった複数のハイブリッド機械学習モデルが採用されている。
  論文  参考訳（メタデータ） (2025-01-21T23:41:33Z)
• Anticipatory Understanding of Resilient Agriculture to Climate [66.008020515555]
  本稿では,リモートセンシング,深層学習,作物収量モデリング,食品流通システムの因果モデリングを組み合わせることで,食品のセキュリティホットスポットをよりよく識別する枠組みを提案する。 我々は、世界の人口の大部分を供給している北インドの小麦パンバスケットの分析に焦点をあてる。
  論文  参考訳（メタデータ） (2024-11-07T22:29:05Z)
• Sparsity, Regularization and Causality in Agricultural Yield: The Case of Paddy Rice in Peru [0.0]
  本研究は,ペルー各地の水田収量の正確な予測モデルを構築するために,農業国勢調査データとリモートセンシング時系列を統合した。 スパースレグレッションとElastic-Net正規化技術を利用して、重要リモートセンシング変数間の因果関係を同定する。
  論文  参考訳（メタデータ） (2024-09-25T19:16:54Z)
• Efficient Localized Adaptation of Neural Weather Forecasting: A Case Study in the MENA Region [62.09891513612252]
  地域レベルのダウンストリームタスクに特化して、リミテッド・エリア・モデリングに焦点を合わせ、モデルをトレーニングします。 我々は,気象予報が水資源の管理,農業,極度の気象事象の影響軽減に重要であるという,気象学的課題からMENA地域を考察する。 本研究では,パラメータ効率のよい微調整手法,特にローランド適応(LoRA)とその変種を統合することの有効性を検証することを目的とした。
  論文  参考訳（メタデータ） (2024-09-11T19:31:56Z)
• Learning-based agricultural management in partially observable environments subject to climate variability [5.5062239803516615]
  農業経営は、作物の収量、経済的な利益性、環境の持続可能性において中心的な役割を担っている。 我々は、深層強化学習(DRL)とリカレントニューラルネットワーク(RNN)を統合する革新的なフレームワークを導入する。 本研究は,極度の気象条件下での新たな最適政策を得るために,エージェント再訓練の必要性を照らすものである。
  論文  参考訳（メタデータ） (2024-01-02T16:18:53Z)
• Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
  農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。 私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。 主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
  論文  参考訳（メタデータ） (2023-09-12T13:28:06Z)
• Evaluating Digital Agriculture Recommendations with Causal Inference [0.9213852038999553]
  本稿では,デジタルツールが農業成績指標に与える影響を実証的に評価するための観察因果推論フレームワークを提案する。 ケーススタディとして,数値気象予測に基づく綿の最適播種時間推薦システムの設計と実装を行った。 バックドア基準を用いて, 播種勧告が収量に与える影響を同定し, 線形回帰, マッチング, 逆確率スコア重み付け, メタラーナーを用いて推定した。
  論文  参考訳（メタデータ） (2022-11-30T12:20:08Z)
• Risk-averse Stochastic Optimization for Farm Management Practices and Cultivar Selection Under Uncertainty [8.427937898153779]
  目的プログラミング関数における条件付き値-リスクを用いた不確実性の下で最適化フレームワークを開発する。 ケーススタディとして、USコーンベルトの25箇所に作物モデルを構築しました。 その結果,提案モデルが気象と最適決定との間に有意な関係を生じさせることが示唆された。
  論文  参考訳（メタデータ） (2022-07-17T01:14:43Z)
• Learning from Data to Optimize Control in Precision Farming [77.34726150561087]
  特集は、統計的推論、機械学習、精密農業のための最適制御における最新の発展を示す。 衛星の位置決めとナビゲーションとそれに続くInternet-of-Thingsは、リアルタイムで農業プロセスの最適化に使用できる膨大な情報を生成する。
  論文  参考訳（メタデータ） (2020-07-07T12:44:17Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。