Application of Machine Learning Methods for Forecasting in the Agricultural Sector of the Economy
DOI:
https://doi.org/10.22213/2410-9304-2024-2-69-79Keywords:
production efficiency, production management, artificial intelligence, statistical analysis, smart agriculture, machine learningAbstract
This article is aimed at researching machine learning methods in the context of agriculture. Studying the issues of advanced mathematical method adaptation for the agricultural sector of the economy allows us to build effective management models and predict further development. The main purpose of this article is to analyze the application of advanced machine learning methods (linear regression, gradient boosting, random forest, neural networks (Deep Learning), Support Vector Machines (SVR), One-Class SVM, KNN, K-Means, principal component analysis (PCA)) in the agricultural sector in order to optimize production, increase the efficiency of agribusiness and predict parameters. Based on the analysis of key machine learning methods, conclusions regarding their applicability in agriculturewere drawn. A special emphasis in the study is placed on the development and improvement of a model for predicting agricultural yields using machine learning methods. For practical testing, a basic model based on RandomForestRegressor was chosen, which allows predicting yield, taking into account various factors such as weather conditions, fertilizer level, soil type and other significant aspects. As part of the study, an algorithm for performing calculations using Python is presented, which allows for model training, visualization of the influence of parameters and statistical analysis. During the testing process, the model was optimized using GridSearchCV, aimed at selecting optimal hyperparameters. The analysis revealed the possibility of model improvement, yet, at low statistical significance. The obtained research results show that it is possible to apply machine learning to improve the productivity of forecasting key parameters in agricultureeffectively.References
Zaman A., Maitra S. Crop modeling: a tool for agricultural research // MOJ Food Process Technol. 2018. № 6(4). pp. 350-353.
Mourtzinis S., Esker P.D., Specht J.E. Advancing agricultural research using machine learning algorithms // Scientific Reports. 2021. Vol. 11. P. 17879.
Ding Y., Wang L., Li Y., Li D. Model predictive control and its application in agriculture: A review // Computers and Electronics in Agriculture. 2018. Vol. 151. Pp. 104-117.
Kwaghtyo D. K., Eke C. I. Smart farming prediction models for precision agriculture: a comprehensive survey // Artificial Intelligence Review. 2023. Vol. 56. pp. 5729-5772.
Vavilova D. D. Development of an effective adaptive forecasting system based on the combination of neural network and genetic algorithm // Journal of Physics: Conference Series. II International Scientific Conference on Metrological Support of Innovative Technologies (ICMSIT II-2021). Krasnoyarsk, 2021. 32029. DOI: 10.1088/1742-6596/1889/3/032029.
Алферьев Д. А., Родионов Д. Г. Место современных информационных компьютерных технологий в управлении инновационной деятельностью промышленных предприятий // Вестник Алтайской академии экономики и права. 2020. № 9-2. С. 199-203.
Дмитриев Н. Д., Зайцев А. А. Математические методы в управлении промышленным производством // Фундаментальные и прикладные исследования в области управления, экономики и торговли: сборник трудов конференции. 2019. С. 208-212.
Зайцев А. А., Дмитриев Н. Д. Использование стресс-тестирования для повышения эффективности финансового планирования на предприятии // Цифровая экономика и Индустрия 4.0: новые вызовы: сборник статей конференции. 2019. С. 362-368.
Ходыревская В. Н., Припадчева И. В., Заикин Е. Н. Повышение эффективности управления сбытом готовой продукции на сельскохозяйственном предприятии // Вестник Курской государственной сельскохозяйственной академии. 2014. № 6. С. 11-13.
Файзуллин Р. В., Симченко О. Л., Чиченков И. И. Методика оценки эффективности использования ресурсов предприятиями агрохолдинга // Наука и инновации XXI века: сборник статей конференции. 2020. С. 306-310.
Кирица А. А. Техническая оснащенность и оценка уровня доходности сельскохозяйственных организаций Московской области // Агроинженерия. 2020. № 5. С. 43-48.
Трофимова Н. Н., Чиченков И. И., Домарацкая Е. А. Развитие сельского хозяйства в условиях экономической нестабильности // Modern Economy Success. 2020. № 6. С. 260-266.
Кубарский А. В., Трофимова Н. Н., Чиченков И. И. Перспективы использования KPI в сельском хозяйстве // Эпомен. 2021. № 52. С. 54-60.
Ильченко С. В., Дубаневич Л. Э., Кубарский А. В. Перспективы использования интеллектуального капитала в отечественном агробизнесе // Modern Economy Success. 2020. № 6. С. 237-243.
Krishnan S., Anand A.J., Prasanth N., Goundar S., Ananth C. Predictive Analytics in Smart Agriculture (1st ed.). CRC Press, 2023. 312 p.
Кетова К. В., Касаткина Е. В., Вавилова Д. Д. Кластеризация регионов Российской Федерации по уровню социально-экономического развития с использованием методов машинного обучения // Экономические и социальные перемены: факты, тенденции, прогноз. 2021. Т. 14. № 6. С. 70-85. DOI: 10.15838/esc.2021.6.78.4.
Cammarano D., van Evert F.K., Kempenaar C. Precision Agriculture: Modelling. Springer Cham, 2023. 301 p.
Талерчик С. М., Зайцев А. А., Шаванов М. В. Обеспечение экономической безопасности в контексте устойчивого инновационного развития агропромышленного комплекса в регионах России // Фундаментальные исследования. 2021. № 2. С. 57-65.
Тюленева А. В., Джой Е. С. Инновационная экономика и ее развитие в России // Экономика сегодня: современное состояние и перспективы развития (Вектор-2021): сборник материалов конференции. 2021. С. 287-291.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2024 Ринат Василович Файзуллин, Ольга Александровна Новикова
![Creative Commons License](http://i.creativecommons.org/l/by/4.0/88x31.png)
This work is licensed under a Creative Commons Attribution 4.0 International License.