Machine Learning Based Crop Recommendation Using Tuned Classifiers and Ensemble Methods

Landwirte haben schon immer gewusst, dass die richtige Frucht von den richtigen Bedingungen abhängt. Ein Feld, das mit Reis prächtig gedeiht, könnte bei Weizen versagen – nicht weil die Samen unterschiedlich sind, sondern weil die Bodenchemie und die Wetterlagen nicht zu den Bedürfnissen der Pflanze passen. Zu diesen Bedingungen gehören das Gleichgewicht von Nährstoffen wie Stickstoff, Phosphor und Kalium im Boden sowie Temperatur, Luftfeuchtigkeit, Niederschlag und der Säuregehalt des Bodens. Über Jahrhende basierte diese Entscheidungsfindung auf Erfahrung und Intuition, doch heute können Computer helfen. Indem man Daten über den Boden und das Klima in maschinelle Lernmodelle einspeist, können Systeme vorhersagen, welche Nutzpflanze an einem bestimmten Ort am besten wachsen wird. Dieser Ansatz, bekannt als Präzisionslandwirtschaft, verspricht Ressourcen zu sparen, das Land zu schützen und die Ernährungssicherheit zu gewährleisten, insbesondere für Landwirte, die sich kostspielige Fehler nicht leisten können.

Dennoch blieb eine hartnäckige Frage im Bereich der Informatik bestehen: Funktioniert die Kombination vieler verschiedener Vorhersagemodelle zu einer einzigen, leistungsstarken Gruppe tatsächlich besser, als einfach nur ein einzelnes Modell zu perfektionieren? In der Welt des maschinellen Lernens wird diese Gruppe als Ensemble bezeichnet. Die Idee ist, dass man eine bessere Antwort erhält, wenn man mehrere verschiedene Experten nach ihrer Meinung fragt und den Durchschnitt bildet, als wenn man nur einen einzigen fragt. Doch diese Arbeit, durchgeführt von Forschern der City University in Dhaka, Bangladesch, zielte darauf ab, zu testen, ob diese Regel auch dann gilt, wenn der einzelne Experte bereits hochtrainiert ist. Sie wollten wissen, ob die zusätzliche Komplexität, mehrere Modelle nebeneinander laufen zu lassen, notwendig war oder ob ein einzelnes, sorgfältig abgestimmtes Modell die Aufgabe genauso gut bewältigen konnte.

Um die Antwort zu finden, begannen die Forscher mit zwei großen öffentlichen Datensammlungen über Nutzpflanzen. Eine Sammlung enthielt Aufzeichnungen für 22 verschiedene Arten von Nutzpflanzen, während die andere Daten für 51 Arten besaß. Sie wählten die kleinere, ausgewogene Sammlung mit 2.200 Datensätzen, in der jede der 22 Nutzpflanzen genau 100 Mal vorkam. Diese Balance war entscheidend, da sie sicherstellte, dass die Computermodelle nicht zugunsten der am häufigsten vorkommenden Nutzpflanzen voreingenommen waren. Sie trainierten daraufhin fünf verschiedene Arten von Computeralgorithmen auf diesen Daten. Dazu gehörten ein einfaches lineares Modell, eine Methode, die auf nahegelegenen Datenpunkten basiert, eine große Gruppe von Entscheidungsbäumen, die zusammenarbeiten, ein leistungsstarker Boosting-Algorithmus, der aus seinen Fehlern lernt, und ein neuronales Netz, das das menschliche Gehirn nachahmt.

Die Forscher testeten diese fünf Modelle zuerst mit ihren Standardeinstellungen, um zu sehen, wie sie abschnitten. Die Ergebnisse zeigten, dass die Gruppe von Entscheidungsbäumen, bekannt als Random Forest, und der Boosting-Algorithmus die stärksten Anwärter waren. Das neuronale Netz schnitt ebenfalls gut ab, während die einfacheren Modelle etwas zurückblieben. Als Nächstes nahmen das Team die drei besten Performer und widmete sich der Feinabstimmung dieser Modelle. Dieser Prozess beinhaltete das Anpassen der internen Einstellungen jedes Modells, wie etwa wie tief die Entscheidungsbäume wachsen konnten oder wie schnell das neuronale Netz lernte, um das letzte Quäntchen an Genauigkeit herauszupressen. Sie verwendeten eine strenge Methode, um sicherzustellen, dass sie nicht unbeabsichtigt die Testdaten beeinflussten, indem sie die Daten strikt getrennt hielten.

Nachdem sie diese drei einzelnen Modelle perfektioniert hatten, bauten die Forscher drei verschiedene Arten von Ensembles auf. Sie erstellten ein System, in dem die Modelle über die Antwort abstimmen, ein weiteres, bei dem sie ihre Konfidenzniveaus mitteln, und ein drittes, bei dem ein Master-Modell lernte, die Vorhersagen der anderen zu kombinieren. Sie optimierten diese Gruppensysteme genauso sorgfältig wie die Einzelmodelle. Der abschließende Vergleich offenbarte eine überraschende und praktische Wahrheit. Das einzelne Random-Forest-Modell erreichte, nachdem es perfekt abgestimmt worden war, eine Genauigkeit von 99,54 Prozent. Die komplexesten Ensemble-Systeme erreichten nach all ihrer Feinabstimmung exakt denselben Wert. Tatsächlich verbesserten die komplexen Gruppensysteme das Ergebnis nicht einmal um einen Bruchteil eines Prozents.

Die Studie kommt zu dem Schluss, dass für diese spezifische Art von Agrardaten das Hinzufügen weiterer Modelle zur Mischung die Vorhersage nicht besser macht. Die Forscher fanden heraus, dass die Daten selbst eine Grenze haben, wie genau sie vorhergesagt werden können, und ein einzelnes, gut kalibriertes Modell dieses Limit ebenso effektiv erreichen kann wie ein massives Team von Modellen. Dieser Befund ist bedeutsam, da er darauf hindeutet, dass Landwirte und landwirtschaftliche Organisationen nicht in teure, komplexe Computersysteme investieren müssen, die Dutzende von Modellen gleichzeitig ausführen. Stattdessen können sie sich auf ein einzelnes, leichtgewichtiges Random-Forest-Modell verlassen, das einfacher zu installieren, kostengünstiger im Betrieb und ebenso genau ist. Die Arbeit zeigt, dass im Streben nach besseren Empfehlungen für Nutzpflanzen Einfachheit und sorgfältige Abstimmung genauso kraftvoll sein können wie Komplexität.