Hacia la mejora del rendimiento del sistema de predicción de cultivos para la agricultura de precisión utilizando el...

Área de la Ciencia:

• Ciencias Agrícolas Ciencias Agrícolas
• Ciencia de datos Ciencia de datos.
• Aprendizaje automático Aprendizaje automático.

Sus antecedentes:

• La agricultura de precisión mejora la rentabilidad de los cultivos a través de una agricultura eficiente.
• La predicción precisa de los cultivos es vital para la toma de decisiones agrícolas en la India.
• Los sistemas existentes a menudo descuidan las correlaciones de características, lo que afecta la precisión de la predicción.

Objetivo del estudio:

• Desarrollar un sistema inteligente de predicción de cultivos con alta precisión.
• Para abordar la brecha de correlaciones de características no consideradas en los modelos existentes.
• Para ayudar a los agricultores en la selección de cultivos óptimos para el cultivo.

Principales métodos:

• Se propuso un enfoque novedoso basado en el Cuadrado de Correlación de Características del Vecino Más Cercano (FCSNN).
• El método FCSNN extrae las correlaciones entre las características de los cultivos.
• El sistema utiliza un algoritmo de vecino más cercano para la predicción del tipo de cultivo.

Principales resultados:

• El enfoque propuesto de FCSNN fue entrenado y probado en un conjunto de datos agrícolas de referencia.
• El método FCSNN demostró un rendimiento superior en comparación con los sistemas de predicción de cultivos existentes.
• La consideración de las correlaciones de características mejoró significativamente la precisión de la predicción.

Conclusiones:

• El enfoque FCSNN ofrece un método más preciso para la predicción de cultivos.
• La integración del análisis de correlación de características es crucial para mejorar los modelos de predicción agrícola.
• Este sistema puede ayudar significativamente a los agricultores y a los responsables políticos en la India.