Evaluation of Some Supervised Machine Learning Techniques for the Prediction of Soil Macro-Nutrients for Cash Crop Production
Notice bibliographique
Résumé
The prediction of soil macro-nutrients level is critical for optimizing cash crop production, ensuring both economic viability and sustainable agricultural practices.Researchers have used several machine learning models to predict the nutrients for the good yield of the crops; however, the supply and demand based on nutrients that provide the good yield cannot be met.Based on this shortfall, this study aims to evaluate some machine learning techniques for predicting soil nutrient for cash crop production.The dataset was sourced from "Nigeria Soils Data" on Africa Geoportal and includes soil samples collected from various locations across Nigeria.The data were preprocessed to handle missing values, feature engineering to transform spectral data using Principal Component Analysis (PCA), normalization of data features, and the splitting of the dataset.Each model was trained on the preprocessed data and assessed using Mean Absolute Error (MAE), Mean Squared Error (MSE), Root Mean Squared Error (RMSE), and R² score.The performance evaluation results for MAE, MSE, R² , RMSE under Nitrogen are: 0.029078, 0.002053, 0.710939, 0.045315 respectively.The result emphasizes the superior performance of Random Forest (RF) as it outperforms the remaining models within the metrics of MAE, MSE, R² , RMSE even after employing approaches to improve individual model performance through bagging methods.These insights can help agricultural stakeholders determine which approaches to employ, leading to enhance crop production and promote more eco-friendly agricultural methods.
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 | 0,004 | 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) | 0,001 | 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 ».