கணினி பொறியியல் & தகவல் தொழில்நுட்ப இதழ்

இயந்திர கற்றல் அடிப்படையிலான மகசூல் கணிப்பு அமைப்பு

ஓம் மானே*, சந்திரிகா ஆர்.எல், தன்வீர் முங்கேகர், ப்ரீத்தி சாய் யெலிசெட்டி, பிந்து ஸ்ரீ மற்றும் ஜெய சுபலட்சுமி ஆர்

காட்டு புளுபெர்ரி தொழில் வடகிழக்கு அமெரிக்காவில் விவசாயத் துறையில் குறிப்பிடத்தக்க பங்களிப்பாளராக உள்ளது. இருப்பினும், கணிக்க முடியாத வானிலை, மண் மாறுபாடு மற்றும் பூச்சி தாக்குதல்கள் பயிர் விளைச்சலை கணிசமாக பாதிக்கலாம், இதனால் விவசாயிகள் மற்றும் பங்குதாரர்களுக்கு இழப்பு ஏற்படுகிறது. எனவே, துல்லியமான மற்றும் நம்பகமான பயிர் மகசூல் முன்கணிப்பு மாதிரிகளை உருவாக்குவது திறமையான வள ஒதுக்கீடு, மேம்படுத்தப்பட்ட பயிர் மேலாண்மை மற்றும் பயனுள்ள சந்தைப்படுத்தல் உத்திகளுக்கு முக்கியமானது. முடிவு மரம், நேரியல் பின்னடைவு, XGBoost, LightGBM, சீரற்ற காடுகள், AdaBoost, ஹிஸ்டோகிராம் கிரேடியண்ட் பூஸ்டிங் மற்றும் CatBoost போன்ற இயந்திர கற்றல் வழிமுறைகள் சமீபத்திய ஆண்டுகளில் பயிர் விளைச்சலைக் கணிப்பதற்கான சிறந்த திறனைக் காட்டியுள்ளன. இந்த வழிமுறைகள் பெரிய தரவுத்தொகுப்புகளை பகுப்பாய்வு செய்யலாம், வடிவங்களை அடையாளம் கண்டு, துல்லியமான கணிப்புகளை உருவாக்கலாம், பயிர்களின் மேலாண்மை, எதிர்கால விளைச்சல் மற்றும் வணிகமயமாக்கல் பற்றிய அத்தியாவசிய நுண்ணறிவுகளை விவசாயிகளுக்கு வழங்குகின்றன. இந்த ஆய்வில் உருவாக்கப்பட்ட மாதிரிகள், விவசாயிகள் மற்றும் பங்குதாரர்களுக்கு பயிர் திட்டமிடல் மற்றும் வள ஒதுக்கீடு பற்றிய தகவலறிந்த முடிவுகளை எடுக்க உதவும், காட்டு புளுபெர்ரி தொழிலின் செயல்திறன் மற்றும் நிலைத்தன்மையை மேம்படுத்துகிறது. கூடுதலாக, சந்தை முன்னறிவிப்பாளர்கள் காட்டு அவுரிநெல்லிகளுக்கான எதிர்கால தேவையை கணிக்க இந்த மாதிரிகளைப் பயன்படுத்தலாம், இது பயனுள்ள சந்தைப்படுத்தல் உத்திகளை உருவாக்க உதவுகிறது. முடிவில், இயந்திரக் கற்றல் வழிமுறைகளைப் பயன்படுத்துவதன் மூலம் துல்லியமான மற்றும் நம்பகமான பயிர் மகசூல் முன்கணிப்பு மாதிரிகளை உருவாக்குவது விவசாயத் துறையில், குறிப்பாக வானிலை மாறுபாடு மற்றும் பிற காரணிகளால் பாதிக்கப்படக்கூடிய காட்டு அவுரிநெல்லிகள் போன்ற தொழில்களில் பெரிய தாக்கத்தை ஏற்படுத்த வாய்ப்புள்ளது.