Jadwal Sholat

Memuat jadwal sholat…

Editorial Pertanian & Lingkungan

Open AccessOA2022

Metode statistik dan machine learning untuk prediksi hasil panen dalam konteks pertanian presisi

Random forest mencapai R² 0,85 untuk jagung dan 0,94 untuk kedelai, mengungguli regresi linear berganda (R² 0,40 dan 0,45) dalam memprediksi hasil panen dari data tanah dan topografi resolusi tinggi. Machine learning menunjukkan potensi untuk mengidentifikasi area berproduktivitas tinggi tanpa peta hasil panen yang sudah ada.
H. Burdett; C. Wellen· Precision Agriculture· 2022· DOI 10.1007/s11119-022-09897-0

Masalah inti

Memahami hubungan antara hasil panen, sifat tanah, dan karakteristik topografi sangat penting untuk pengelolaan pertanian presisi. Penelitian ini menjawab kebutuhan untuk mengukur hubungan tersebut menggunakan data resolusi tinggi dan teknik analisis lanjutan. Dilakukan di Southwestern Ontario, Kanada—wilayah yang masih sedikit diteliti terkait dampak pertanian presisi dan machine learning terhadap hubungan sifat tanah dan hasil panen—penelitian ini membandingkan beberapa metode untuk memprediksi hasil panen pada skala sub-lahan (2 m). Dataset terdiri atas 145.500 observasi hasil panen jagung dan kedelai, beserta karakteristik topografi dan hara tanah meliputi pH, bahan organik tanah (OM), kapasitas tukar kation (CEC), fosfor uji tanah, seng (Zn), kalium (K), elevasi, dan indeks kebasahan topografi. Tujuannya adalah mengidentifikasi teknik yang mampu menghubungkan sifat tanah dengan hasil panen secara akurat dan mengevaluasi kinerja prediksinya.

Inovasi

Penelitian ini menggunakan dataset multi-lahan dari Southwestern Ontario, Kanada, yang berisi 145.500 observasi hasil panen jagung dan kedelai, atribut topografi, dan sifat hara tanah. Delapan atribut dipertimbangkan: pH, OM, CEC, fosfor, Zn, K, elevasi, dan indeks kebasahan topografi. Empat metode prediktif dibandingkan: regresi linear berganda (MLR), artificial neural network (ANN), decision tree, dan random forest. Model dilatih dan dievaluasi menggunakan eksperimen cross-validation untuk menilai kemampuannya memprediksi hasil panen dari karakteristik tanah dan topografi. Kinerja diukur menggunakan koefisien determinasi (). Data resolusi tinggi memungkinkan analisis pada skala sub-lahan 2 m, sehingga variabilitas di dalam lahan dapat dinilai secara rinci.
Pendahuluan
Memahami hubungan antara hasil panen, sifat tanah, dan karakteristik topografi sangat penting untuk pengelolaan pertanian presisi. Penelitian ini menjawab kebutuhan untuk mengukur hubungan tersebut menggunakan data resolusi tinggi dan teknik analisis lanjutan. Dilakukan di Southwestern Ontario, Kanada—wilayah yang masih sedikit diteliti terkait dampak pertanian presisi dan machine learning terhadap hubungan sifat tanah dan hasil panen—penelitian ini membandingkan beberapa metode untuk memprediksi hasil panen pada skala sub-lahan (2 m). Dataset terdiri atas 145.500 observasi hasil panen jagung dan kedelai, beserta karakteristik topografi dan hara tanah meliputi pH, bahan organik tanah (OM), kapasitas tukar kation (CEC), fosfor uji tanah, seng (Zn), kalium (K), elevasi, dan indeks kebasahan topografi. Tujuannya adalah mengidentifikasi teknik yang mampu menghubungkan sifat tanah dengan hasil panen secara akurat dan mengevaluasi kinerja prediksinya.

Mengapa penting

Hasil menunjukkan bahwa teknik machine learning, khususnya random forest, efektif memprediksi hasil panen dari sifat tanah dan topografi pada skala sub-lahan. Nilai yang tinggi pada random forest menunjukkan bahwa model ini dapat menangkap hubungan nonlinear kompleks yang tidak dapat ditangani MLR. Kemampuan model random forest memprediksi hasil panen pada lahan yang tidak digunakan untuk pelatihan menyiratkan bahwa model dapat diterapkan pada lahan tanpa peta hasil panen yang sudah ada, asalkan lahan tersebut memiliki hubungan sifat tanah dan hasil panen yang serupa. Namun, variasi keberhasilan cross-validation menegaskan perlunya kehati-hatian saat melakukan ekstrapolasi ke lahan baru. Identifikasi atribut signifikan (misalnya pH, OM, CEC) memberikan wawasan untuk pengelolaan pertanian presisi, meskipun ketidakpastian dalam kepentingan atribut perlu diteliti lebih lanjut. Secara keseluruhan, penelitian ini mendukung penggunaan machine learning untuk aplikasi pertanian presisi, terutama untuk mengidentifikasi area berproduktivitas tinggi dan menjadi dasar pengelolaan spesifik lokasi.

Siapa yang sebaiknya membaca

Pembaca Research Digest dan praktisi rumpun ini.

Membuka konten member…