Πρόβλεψη σοδειάς βιομηχανικής τομάτας με μεθόδους μηχανικής μάθησης

Abstract

Μοντέλα πρόβλεψης χρησιμοποιούνται όλο και περισσότερο λόγω των εξελίξεων στον τομέα της επιστήμης των υπολογιστών. Η ευρεία διαθεσιμότητα δεδομένων σε συνδυασμό με αλγόριθμους Μηχανικής Μάθησης επιτρέπει τον συσχετισμό μεταξύ μεταβλητών και την ακριβή πρόβλεψη της παραγωγής. Δεδομένα που προέρχονται από τη καλλιέργεια βιομηχανικής ντομάτας, η ντομάτα αποτελεί παγκοσμίως σε συχνότητα παραγωγής αλλά και κατανάλωσης λαχανικό, μπορούν να χρησιμοποιηθούν με σκοπό την ακριβή πρόβλεψη της παραγωγής. Σε αυτή τη μελέτη αναπτύχθηκε ένα μοντέλο Μηχανικής Μάθησης, το οποίο μπορεί να προβλέπει την παραγωγή της καλλιέργειας βιομηχανικής ντομάτας κατά τη διάρκεια της καλλιέργειάς της, βασιζόμενο σε δεδομένα που έχουν προηγουμένως συλλεχθεί (απόδοση, υβρίδιο που καλλιεργείται και κλιματικές συνθήκες της περιοχής). Αυτά τα δεδομένα, τα οποία προέρχονται από 302 διαφορετικά χωράφια σε 6 περιοχές της δυτικής Πελοποννήσου στην Ελλάδα, από το 2019 έως το 2021, δημιουργούν ένα σύνολο από διαφορετικά χαρακτηριστικά και πάνω από 600 καταγραφές. Για την εύρεση του βέλτιστου αλγορίθμου για το εν λόγω σύνολο δεδομένων, δοκιμάστηκαν διαφορετικοί αλγόριθμοι σε περισσότερες από 10 μετρήσεις. Το μοντέλο πρόβλεψης αναπτύχθηκε χρησιμοποιώντας τον αλγόριθμο Ridge. Το τελικό μοντέλο προέβλεψε την παραγωγή της ντομάτας εντός της περιόδου καλλιέργειας, ενημερώνοντας την πρόβλεψη μηνιαίως με τη χρήση νέων δεδομένων καιρού για 11 χωράφια κατά την καλλιεργητική περίοδο του 2022, με τη διαφορά μεταξύ των προβλεπόμενων και των πραγματικών τιμών να κυμαίνεται από μόλις 6 έως 6,674 κιλά.