ఆగ్రోటెక్నాలజీ

నైరూప్య

రన్‌ఆఫ్ టైమ్ ప్రిడికేషన్ కోసం రిగ్రెషన్-మెషిన్ లెర్నింగ్ అల్గారిథమ్‌ల పనితీరు విశ్లేషణ

మార్వాన్ ఖాన్ మరియు సనమ్ నూర్

ప్రపంచవ్యాప్తంగా 70 శాతం నీరు వ్యవసాయ పద్ధతుల్లో ఉపయోగించబడుతోంది, ఇందులో 50% నీరు సరైన ప్రణాళిక మరియు అసమర్థమైన నీటిపారుదల వ్యవస్థ కారణంగా పోతుంది. ఖచ్చితమైన నీటిపారుదల వ్యవస్థ చాలా కాలంగా వ్యక్తిగత పొలాల స్థాయిలో ఉపయోగించబడింది. ఒక పొలంలో ఉన్న మితిమీరిన సాగునీటిని మరో పొలంలో వినియోగించుకోవడంలో చాలా అరుదైన పని ఇప్పటివరకు జరిగింది. ఈ పరిశోధనలో, మేము రెండు పొలాల మధ్య ప్రవాహ సమయాన్ని అంచనా వేసే సమస్యను పరిష్కరిస్తాము. మేము నీటిపారుదల లోతు, నేల తేమ మరియు పంట దశ (CN) మరియు ఏకాగ్రత సమయాన్ని ఇన్‌పుట్ పారామీటర్‌లుగా అంగీకరించే రన్‌ఆఫ్ టైమ్ మోడల్‌ను ప్రతిపాదిస్తున్నాము మరియు రన్‌ఆఫ్ సమయాన్ని అంచనా వేస్తాము. మెషిన్ లెర్నింగ్ అల్గారిథమ్‌లు అంటే, మల్టిపుల్ లీనియర్ రిగ్రెషన్ (MLR), ఆర్టిఫిషియల్ న్యూరల్ నెట్‌వర్క్-లెవెన్‌బర్గ్ మార్క్వార్డ్ (LMA-ANN), డెసిషన్ ట్రీస్/రిగ్రెషన్ ట్రీ (DT/RT) మరియు లీస్ట్ స్క్వేర్ సపోర్ట్ వెక్టర్ రిగ్రెషన్ (LS-SVR) నేర్చుకోవడం కోసం ఉపయోగించబడ్డాయి. మరియు అంచనా ప్రయోజనాల. నీటిపారుదల ప్రవాహ సమయ అంచనా కోసం ఉత్తమ అల్గారిథమ్‌ను ఎంచుకోవడానికి ఈ అల్గారిథమ్‌ల మధ్య పోలిక చేయబడింది. ప్రయోగాత్మక ఫలితాలు రిగ్రెషన్ ట్రీ అత్యధిక R-స్క్వేర్ విలువ, అత్యల్ప సగటు స్క్వేర్ ఎర్రర్ పరంగా ఫలితాలను చూపుతాయి. MLR కనీసం R-స్క్వేర్ విలువ పరంగా అధ్వాన్నమైన ఫలితాన్ని చూపుతుంది, అత్యధికం అంటే స్క్వేర్ ఎర్రర్. అల్గారిథమ్‌ల రిగ్రెషన్ ట్రీ మొదటి-అత్యుత్తమ ర్యాంక్‌ను పొందింది, ANN-LMA రెండవ-మంచి ర్యాంక్, LS-SVR మూడవ-ఫెయిర్ ర్యాంక్ మరియు MLR రిగ్రెషన్ ఎర్రర్ మెట్రిక్‌లు/పనితీరు మూల్యాంకన పారామితుల ఆధారంగా చివరి-పేలవమైన ర్యాంక్‌ను పొందింది. అందువల్ల రిగ్రెషన్ ట్రీ అనేది రన్‌ఆఫ్ సమయం యొక్క అంచనా కోసం వైర్‌లెస్ సెన్సార్ నెట్‌వర్క్ (WSN) నోడ్‌లో అమలు చేయడానికి ఒక ఆదర్శవంతమైన మెషీన్ లెర్నింగ్-రిగ్రెషన్ అల్గారిథమ్ అని గట్టిగా సూచించబడింది.