वैश्विक और क्षेत्रीय फसल उपज भविष्यवाणियों के लिए रैंडम फॉरेस्ट्स

फसल उपज की सटीक भविष्यवाणियाँ क्षेत्रीय और वैश्विक स्तर पर प्रभावी कृषि और खाद्य नीतियों विकसित करने के लिए महत्वपूर्ण हैं। हमने रैंडम फॉरेस्ट्स (RF) नामक मशीन लर्निंग विधि का मूल्यांकन किया, जो कि जलवायु और जीव भौतिकीय चर के प्रति फसल उपज की प्रतिक्रियाओं की भविष्यवाणी करने की क्षमता की तुलना में कई रैखिक प्रतिगमन (MLR) के बेंचमार्क का उपयोग करता है। हम ने विभिन्न स्रोतों और क्षेत्रों से फसल उपज डेटा का उपयोग किया मॉडल प्रशिक्षण और परीक्षण के लिए: 1) ग्रिडेड वैश्विक गेहूं अनाज उपज, 2) पिछले तीस सालों में अमेरिकी काउंटियों से मक्का अनाज उपज, और 3) उत्तर-पूर्वी तट क्षेत्र से आलू कंद और मक्का साइलेज उपज। RF को फसल उपज की भविष्यवाणी करने में अत्यधिक सक्षम पाया गया और इसने सभी प्रदर्शन सांख्यिकी में MLR बेंचमार्क से बेहतर प्रदर्शन किया। उदाहरण के लिए, रूट मीन्स स्क्वायर एरर (RMSE) सभी परीक्षण मामलों में RF मॉडलों के साथ औसत देखी गई उपज का 6% से 14% के बीच था जबकि ये मान MLR मॉडलों के लिए 14% से 49% के बीच थे। हमारे परिणाम दिखाते हैं कि RF क्षेत्रीय और वैश्विक स्तर पर उच्च सटीकता और सटीकता, उपयोग में आसानी, और डेटा विश्लेषण में उपयोगिता के लिए फसल उपज की भविष्यवाणियों के लिए एक प्रभावी और बहुपरकारी मशीन लर्निंग विधि है। RF चरम अंत या प्रशिक्षण डेटा की सीमाओं से परे प्रतिक्रियाओं की भविष्यवाणी करते समय सटीकता में कमी ला सकता है।