با همکاری انجمن مهندسان مکانیک ایران

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی کارشناسی ارشد، گروه مدیریت بهره‌وری، دانشکده مهندسی صنایع، دانشگاه علم و صنعت ایران، تهران، ایران

2 گروه مدیریت بهره‌وری، دانشکده مهندسی صنایع، دانشگاه علم و صنعت ایران، تهران، ایران

3 گروه مهندسی سیستم‌های هوشمند، دانشکده مهندسی صنایع، دانشگاه علم و صنعت ایران، تهران، ایران

چکیده

پیش‌بینی عملکرد محصول یکی از مسائل مهم در حوزه‌ی کشاورزی می‌باشد و به عوامل مختلفی از جمله شرایط آب‌وهوایی، ویژگی‌های خاک، ویژگی‌های محصول و برنامه‌های مدیریتی وابسته می‌باشد. پیش‌بینی دقیق عملکرد محصول می‌تواند در تصمیم‌گیری‌ها و بهینه‌سازی فرآیندها به کشاورزان و صنایع وابسته به کشاورزی کمک نماید و در نهایت منجر به افزایش تولید شود. نیشکر یکی از مهم‌ترین محصولات استراتژیک کشاورزی و منبع تأمین شکر در جهان می‌باشد. هدف پژوهش حاضر پیش‌بینی و بررسی عوامل مؤثر بر میزان شکر استحصالی از نیشکر در مزارع شرکت کشت‌وصنعت نیشکر امیرکبیر با استفاده از الگوریتم‌های یادگیری ماشین می‌باشد. داده‌های جمع‌آوری شده برای این پژوهش مربوط به بازه زمانی سال‌های 1396-1389 شامل 3223 نمونه می‌باشد که شامل چهار مجموعه داده آب‌وهوایی، محصول، خاک و مدیریت مزرعه می‌باشد. برای مدل‌سازی پژوهش از الگوریتم‌های جنگل تصادفی، آدابوست، تقویت گرادیان حداکثری و ماشین بردار پشتیبان استفاده شده و در محیط ژوپیترنوت‌بوک پایتون پیاده‌سازی شده‌اند. مدل جنگل تصادفی با صحت 2/92% برای پیش‌بینی شکر استحصالی در بین مدل‌های ارائه شده بهترین عملکرد را دارد.

کلیدواژه‌ها

موضوعات

  1. Balakrishnan, N., & Muthukumarasamy, G. (2016). Crop production-ensemble machine learning model for prediction. International Journal of Computer Science and Software Engineering, 5, 148.
  2. Bocca, F. F., & Rodrigues, L. H. A. (2016). The effect of tuning, feature engineering, and feature selection in data mining applied to rainfed sugarcane yield modelling. Computers and Electronics in Agriculture, 128, 67-76. https://doi.org/10.1016/j.compag.2016.08.015.
  3. Brownlee, J. (2020a). How to Develop Your First XGBoost Model in Python with scikit-learn. https://machinelearningmastery.com/develop-first-xgboost-model-python-scikit-learn/.
  4. Brownlee, J. (2020b). A Gentle Introduction to XGBoost for Applied Machine Learning. https://machinelearningmastery.com/gentle-introduction-xgboost-applied-machine-learning/.
  5. Brownlee, J. (2020c). Extreme Gradient Boosting (XGBoost) Ensemble in Python. https://machinelearningmastery.com/extreme-gradient-boosting-ensemble-in-python/.
  6. Charoen-Ung, , & Mittrapiyanuruk, P. (2018). Sugarcane Yield Grade Prediction using random forest with forward feature selection and hyper-parameter tuning. Pages 33-42. International Conference on Computing and Information Technology: Springer. https://doi.org/10.1007/978-3-319-93692-5_4
  7. de Oliveira, M. P. G., Bocca, F., & Rodrigues, L. H. A. (2017). From spreadsheets to sugar content modeling: A data mining approach. Computers and Electronics in Agriculture, 132, 14-20. https://doi.org/10.1016/j.compag.2016.11.012
  8. Everingham, Y., Sexton, J., Skocaj, D., & Inman-Bamber, G. (2016). Accurate prediction of sugarcane yield using a random forest algorithm. Agronomy for Sustainable Development, 36, 27. https://doi.org/10.1007/s13593-016-0364-z
  9. Ferraro, D. O., Rivero, D. E., & Ghersa, C. M. (2009). An analysis of the factors that influence sugarcane yield in Northern Argentina using classification and regression trees. Field Crops Research, 112, 149-157. https://doi.org/10.1016/j.fcr.2009.02.014
  10. Freund, Y., & Schapire, R. E. (1997). A decision-theoretic generalization of on-line learning and an application to boosting. Journal of Computer and System Sciences, 55, 119-139. https://doi.org/10.1006/jcss.1997.1504
  11. Han, J., Kamber, M., & Pei, J. (2019). Data mining: concepts and techniques, 3rd Niaze danesh. Tehran.
  12. Liakos, K. G., Busato, P., Moshou, D., Pearson, S., & Bochtis, D. (2018). Machine learning in agriculture: A review. Sensors, 18, 2674. https://doi.org/10.3390/s18082674
  13. Medar, R. A., Rajpurohit, V. S., & Ambekar, A. (2019). Sugarcane Crop Yield Forecasting Model Using Supervised Machine Learning. International Journal of Intelligent Systems and Applications, 11, 11. https://doi.org/10.5815/ijisa.2019.08.02
  14. Palanivel, K., & Surianarayanan, C. (2019). An approach for prediction of crop yield using machine learning and big data techniques. International Journal of Computer Engineering and Technology, 10, 110-118. https://ssrn.com/abstract=3555087
  15. Pande, A., Purohit, S., Jadhav, S., & Shah, K. (2019). Optimum Crop Prediction using Data Mining and Machine Learning Techniques. International Journal for Research in Applied Science and Engineering Technology, 7, 2392-2396. https://doi.org/10.22214/ijraset.2019.3436
  16. Rajeswari, S., Suthendran, K., & Rajakumar, K. (2017). A smart agricultural model by integrating IoT, mobile and cloud-based big data analytics. Pages 1-5. 2017 International Conference on Intelligent Computing and Control (I2C2): IEEE. https://doi.org/10.1109/I2C2.2017.8321902
  17. Ramesh, D., & Vardhan, B. V. (2013). Data mining techniques and applications to agricultural yield data. International Journal of Advanced Research in Computer and Communication Engineering, 2, 3477-3480.
  18. Shooshtari, M. B., Ahmadian, S., & Asfiaa, G. (2008). Sugarcane in Iran. Aeeizh. Tehran.
  19. Sishodia, R. P., Ray, R. L., & Singh, S. K. (2020). Applications of remote sensing in precision agriculture: A review. Remote Sensing, 12, https://doi.org/10.3390/rs12193136
  20. The Sugar Market. (n.d.). About Retrieved from https://www.isosugar.org/sugarsector/sugar
  21. Thuankaewsing, S., Khamjan, S., Piewthongngam, K., & Pathumnakul, S. (2015). Harvest scheduling algorithm to equalize supplier benefits: A case study from the Thai sugar cane industry. Computers and Electronics in Agriculture, 110, 42-55. https://doi.org/10.1016/j.compag.2014.10.005
  22. Van Klompenburg, T., Kassahun, A., & Catal, C. 2020. Crop yield prediction using machine learning: A systematic literature review. Computers and Electronics in Agriculture, 177, 105709. https://doi.org/10.1016/j.compag.2020.105709
  23. Veenadhari, S., Misra, B., & Singh, C. (2011). Soybean productivity modelling using decision tree algorithms. International Journal of Computer Applications, 27, 11-15.
  24. Veenadhari, S., Misra, B., & Singh, C. (2014). Machine learning approach for forecasting crop yield based on climatic parameters. Pages 1-5. 2014 International Conference on Computer Communication and Informatics: IEEE. https://doi.org/10.1109/ICCCI.2014.6921718
  25. Walton, J. The 5 Countries That Produce the Most Sugar. https://www.investopedia.com/articles/investing/101615/5-countries-produce-most-sugar.asp
  26. Zakidizaji, H., Bahrami, H., Monjezi, N., & Shiekhdavoodi, M. (2019). Modeling of the variables that influence sugarcane yield using C5. 0 and QUEST decision tree algorithms. Journal of Agricultural Machinery, 9(2), 469-484. https://doi.org/10.22067/jam.v9i2.69712
CAPTCHA Image