Revista de Engenharia da Computação e Tecnologia da Informação

Sistema de previsão de rendimento baseado em aprendizagem automática

Om Mane*, Chanthrika RL, Tanvir Mungekar, Preethi Sai Yelisetty, Bindhu Sree e Jaya Subalakshmi R

A indústria do mirtilo selvagem contribui significativamente para o setor agrícola no nordeste dos Estados Unidos. No entanto, as condições climáticas imprevisíveis, a variabilidade do solo e as infestações por pragas podem afectar significativamente o rendimento das culturas, levando a perdas para os agricultores e para as partes interessadas. Por conseguinte, o desenvolvimento de modelos precisos e credíveis de previsão do rendimento das culturas é fundamental para uma alocação eficiente dos recursos, uma melhor gestão das culturas e estratégias de comercialização eficazes. Os algoritmos de aprendizagem automática, como a árvore de decisão, regressão linear, XGBoost, LightGBM, floresta aleatória, AdaBoost, aumento do gradiente do histograma e CatBoost, têm mostrado um grande potencial para a previsão do rendimento agrícola nos últimos anos. Estes algoritmos podem analisar grandes conjuntos de dados, identificar padrões e criar projeções precisas, oferecendo aos agricultores informações essenciais sobre a gestão das culturas, rendimentos futuros e comercialização. Os modelos desenvolvidos neste estudo podem permitir aos agricultores e às partes interessadas tomar decisões informadas sobre o planeamento das culturas e a atribuição de recursos, melhorando a eficiência e a sustentabilidade da indústria do mirtilo selvagem. Além disso, os analistas de mercado podem utilizar estes modelos para prever a procura futura de mirtilos silvestres, auxiliando no desenvolvimento de estratégias de marketing eficazes. Em conclusão, o desenvolvimento de modelos precisos e fiáveis ​​de previsão do rendimento das culturas através da aplicação de algoritmos de aprendizagem automática tem a perspectiva de ter um grande impacto no campo da agricultura, particularmente para indústrias como os mirtilos silvestres, que são vulneráveis. ​​à variabilidade climática e outros factores.