Prediction Approaches for Smart Cultivation: A Comparative Study مناهج التنبؤ للزراعة الذكية: دراسة مقارنة Approches de prédiction pour la culture intelligente : une étude comparative Enfoques de predicción para el cultivo inteligente: un estudio comparativo

Crop cultivation is one of the oldest activities of civilization. For a long time, crop production was carried out based on knowledge passed from generation to generation. However, due to the rapid growth in the human population of the world, human knowledge-based cultivation is not enough to meet the demanding need. To address this issue, the usage of machine learning-based tools has been studied in this paper. An experiment has been carried out over 0.3 million data. This dataset identifies 46 prominent parameters for cultivation, which is collected from the Department of Agriculture Extension, Bangladesh. Comparison between neural networks and numbers of machine learning algorithms has been carried out in this research. It is observed that the neural network outperforms the other methods by maintaining an average prediction accuracy of 96.06% for six different crops. Other contemporary machine learning algorithms, namely, support vector machine, random forest, and logistic regression, have average prediction accuracy of around 68.9%, 91.2%, and 62.39%, respectively. زراعة المحاصيل هي واحدة من أقدم أنشطة الحضارة. لفترة طويلة، تم إنتاج المحاصيل على أساس المعرفة التي تنتقل من جيل إلى جيل. ومع ذلك، نظرًا للنمو السريع في عدد السكان في العالم، فإن الزراعة القائمة على المعرفة البشرية لا تكفي لتلبية الحاجة الملحة. لمعالجة هذه المشكلة، تمت دراسة استخدام الأدوات القائمة على التعلم الآلي في هذه الورقة. تم إجراء تجربة على أكثر من 0.3 مليون بيانات. تحدد مجموعة البيانات هذه 46 معيارًا بارزًا للزراعة، والتي يتم جمعها من وزارة الإرشاد الزراعي، بنغلاديش. تم إجراء مقارنة بين الشبكات العصبية وأعداد خوارزميات التعلم الآلي في هذا البحث. لوحظ أن الشبكة العصبية تتفوق على الطرق الأخرى من خلال الحفاظ على متوسط دقة التنبؤ بنسبة 96.06 ٪ لستة محاصيل مختلفة. تتمتع خوارزميات التعلم الآلي المعاصرة الأخرى، وهي آلة دعم المتجهات والغابات العشوائية والانحدار اللوجستي، بمتوسط دقة تنبؤ يبلغ حوالي 68.9 ٪ و 91.2 ٪ و 62.39 ٪ على التوالي. La culture est l'une des plus anciennes activités de la civilisation. Pendant longtemps, la production végétale a été réalisée sur la base de connaissances transmises de génération en génération. Cependant, en raison de la croissance rapide de la population humaine dans le monde, la culture basée sur la connaissance humaine ne suffit pas à répondre au besoin exigeant. Pour résoudre ce problème, l'utilisation d'outils basés sur l'apprentissage automatique a été étudiée dans cet article. Une expérience a été réalisée sur plus de 0,3 million de données. Cet ensemble de données identifie 46 paramètres importants pour la culture, qui sont collectés auprès du Department of Agriculture Extension, Bangladesh. La comparaison entre les réseaux de neurones et le nombre d'algorithmes d'apprentissage automatique a été réalisée dans cette recherche. On observe que le réseau neuronal surpasse les autres méthodes en maintenant une précision de prédiction moyenne de 96,06 % pour six cultures différentes. D'autres algorithmes d'apprentissage automatique contemporains, à savoir la machine vectorielle de support, la forêt aléatoire et la régression logistique, ont une précision de prédiction moyenne d'environ 68,9 %, 91,2 % et 62,39 %, respectivement. El cultivo es una de las actividades más antiguas de la civilización. Durante mucho tiempo, la producción de cultivos se llevó a cabo a partir de conocimientos transmitidos de generación en generación. Sin embargo, debido al rápido crecimiento de la población humana en el mundo, el cultivo basado en el conocimiento humano no es suficiente para satisfacer la exigente necesidad. Para abordar este problema, en este documento se ha estudiado el uso de herramientas basadas en el aprendizaje automático. Se ha llevado a cabo un experimento sobre 0,3 millones de datos. Este conjunto de datos identifica 46 parámetros prominentes para el cultivo, que se recopilan del Departamento de Extensión Agrícola de Bangladesh. En esta investigación se ha llevado a cabo una comparación entre las redes neuronales y el número de algoritmos de aprendizaje automático. Se observa que la red neuronal supera a los otros métodos al mantener una precisión de predicción promedio del 96.06% para seis cultivos diferentes. Otros algoritmos de aprendizaje automático contemporáneos, a saber, la máquina de vectores de soporte, el bosque aleatorio y la regresión logística, tienen una precisión de predicción promedio de alrededor del 68,9%, 91,2% y 62,39%, respectivamente.