Forecasting Ginger Harvest Yields: A Comparative Study of Double Exponential Smoothing and Long Short-Term Memory Models
Notice bibliographique
Résumé
Ginger, a vital herbal commodity, experiences low yield rates, necessitating intensive cultivation and rigorous evaluation by farmers to ensure financial viability and alignment with market demands.This study was conducted to devise a harvest forecasting system that supports decision-making through minimal error rates by comparing double exponential smoothing (DES) and long short-term memory (LSTM) forecasting methods.The efficacy of these methods was assessed through a series of trials, analyzing data collected from 2015 to 2019, comprising 250 datasets.The evaluation focused on two primary metrics: the Mean Absolute Percentage Error (MAPE) and the Root MSE (RMSE), to determine the precision of forecast models.It was observed that the LSTM model outperformed the DES method, yielding a MAPE of 38.99% and an RMSE of 1244.85432, in contrast to the DES method which resulted in a MAPE of 43.49% and an RMSE of 12997.34261, at an alpha level of 0.4 and an optimal beta of 0.1.Given these findings, the LSTM model is recommended for the forecast of ginger yields due to its superior accuracy and lower standard error compared to the DES method.This comparative analysis underscores the importance of selecting appropriate forecasting models to enhance agricultural planning and productivity, particularly in crops with fluctuating yields such as ginger.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».