Uso de algoritmo de bosque aleatorio para recomendación de cultivos

Resumen

El método propuesto busca ayudar a Indian Pleasant a seleccionar el cultivo óptimo para producir en función de las características del suelo, así como de factores externos como la temperatura y las precipitaciones, mediante el uso de un sistema inteligente llamado Crop Recommender. La economía india se ve significativamente afectada por el sector agrícola. Ya sea públicamente o en secreto, la mayor parte de los indios dependen de la agricultura para ganarse la vida. Como resultado, es innegable que la agricultura es importante para el país. La mayoría de los agricultores indios creen que deben confiar en su intuición a la hora de decidir qué cultivo cultivar en una temporada determinada o simplemente emplear los métodos que han estado utilizando desde el principio de los tiempos. Se sienten más cómodos simplemente adhiriendo a las prácticas y estándares agrícolas convencionales que apreciando realmente cómo el rendimiento de los cultivos se ve influenciado por las condiciones climáticas y del suelo actuales. El agricultor puede perder dinero sin querer si toma una mala decisión, lo que perjudicaría tanto a él como a la industria agrícola circundante. Dado que el negocio agrícola es la base de todo el sistema lateral. Utilizando el algoritmo de aprendizaje automático, este problema se puede resolver. Una perspectiva crucial para identificar una solución práctica y viable al problema de la producción de cultivos es el aprendizaje automático (ML). El aprendizaje automático (ML) puede predecir un objetivo o resultado a partir de un conjunto de predictores mediante el aprendizaje supervisado. Se implementa un sistema de recomendación mediante árboles de decisión. Los principales objetivos de este sistema son brindar a los agricultores recomendaciones sobre los mejores cultivos para sembrar según su suelo y los patrones de lluvia locales. Hemos empleado la técnica Random Forest Machine Learning para pronosticar la cosecha. La predicción de cultivos consiste en evaluar la cosecha en función de datos históricos del pasado que incluyen elementos como temperatura, humedad, ph y lluvia. Nos brinda una imagen amplia de la mejor cosecha que se puede obtener a la luz de las condiciones climáticas actuales del campo. Estas predicciones se pueden realizar mediante Random Forest, una técnica de aprendizaje automático. Las predicciones de cultivos podrán alcanzar el nivel más alto de precisión, hasta el 90%. El algoritmo de bosque aleatorio logró una precisión de aproximadamente el 99,03%.