Machine Learning Based Crop Recommendation Using Tuned Classifiers and Ensemble Methods

किसानों को हमेशा से पता रहा है कि सही फसल का चुनाव सही परिस्थितियों पर निर्भर करता है। एक खेत जहाँ चावल की फसल फलती-फूलती है, वहाँ गेहूं विफल हो सकता है, इसलिए नहीं कि बीज अलग हैं, बल्कि इसलिए क्योंकि मिट्टी का रसायन और मौसम के पैटर्न पौधे की जरूरतों से मेल नहीं खाते। इन परिस्थितियों में मिट्टी में नाइट्रोजन, फास्फोरस और पोटेशियम जैसे पोषक तत्वों का संतुलन, साथ ही तापमान, आर्द्रता, वर्षा और मिट्टी की अम्लता शामिल है। सदियों तक, ये निर्णय अनुभव और अंतर्ज्ञान पर आधारित थे, लेकिन आज, कंप्यूटर इसमें मदद कर सकते हैं। मिट्टी और जलवायु के बारे में डेटा को मशीन लर्निंग मॉडल में फीड करके, सिस्टम यह भविष्यवाणी कर सकते हैं कि किसी विशिष्ट स्थान पर कौन सी फसल सबसे अच्छी तरह उगेगी। 'प्रिसिजन एग्रीकल्चर' (सटीक कृषि) के रूप में जानी जाने वाली यह पद्धति संसाधनों को बचाने, भूमि की रक्षा करने और खाद्य सुरक्षा सुनिश्चित करने का वादा करती है, विशेष रूप से उन किसानों के लिए जो महंगी गलतियाँ करने का खर्च नहीं उठा सकते।

हालाँकि, कंप्यूटर विज्ञान के क्षेत्र में एक सवाल लंबे समय से बना हुआ है: क्या कई अलग-अलग भविष्यवाणी मॉडलों को मिलाकर एक शक्तिशाली समूह बनाना वास्तव में एक एकल मॉडल को बेहतर बनाने से बेहतर काम करता है? मशीन लर्निंग की दुनिया में, इस समूह को 'एन्सेम्बल' (ensemble) कहा जाता है। विचार यह है कि यदि आप कई अलग-अलग विशेषज्ञों से उनकी राय मांगते हैं और उनका औसत लेते हैं, तो आपको एक व्यक्ति से पूछने की तुलना में बेहतर उत्तर मिलता है। लेकिन ढाका, बांग्लादेश के सिटी यूनिवर्सिटी के शोधकर्ताओं द्वारा किए गए इस शोध पत्र ने यह परीक्षण करने के लिए एक प्रयोग किया कि क्या यह नियम तब भी लागू होता है जब एकल विशेषज्ञ पहले से ही अत्यधिक प्रशिक्षित हो। वे जानना चाहते थे कि क्या कई मॉडलों को एक साथ चलाने की अतिरिक्त जटिलता आवश्यक थी, या क्या एक सावधानीपूर्वक ट्यून किया गया एकल मॉडल भी वही काम कर सकता था।

उत्तर खोजने के लिए, शोधकर्ताओं ने फसलों के बारे में दो बड़े सार्वजनिक डेटा संग्रहों से शुरुआत की। एक संग्रह में 22 विभिन्न प्रकार की फसलों के रिकॉर्ड थे, जबकि दूसरे में 51 प्रकार की फसलों का डेटा था। उन्होंने 2,200 रिकॉर्डों वाले छोटे, संतुलित संग्रह को चुना, जहाँ प्रत्येक 22 फसलों में से प्रत्येक 100 बार दिखाई देती थी। यह संतुलन महत्वपूर्ण था क्योंकि इसने यह सुनिश्चित किया कि कंप्यूटर मॉडल सबसे आम फसलों की ओर पक्षपाती न हों। इसके बाद उन्होंने इस डेटा पर पांच अलग-अलग प्रकार के कंप्यूटर एल्गोरिदम को प्रशिक्षित किया। इनमें एक सरल लीनियर मॉडल, एक विधि जो नजदीकी डेटा बिंदुओं को देखती है, निर्णय वृक्षों (decision trees) का एक बड़ा समूह, एक शक्तिशाली बूस्टिंग एल्गोरिदम जो अपनी गलतियों से सीखता है, और मानव मस्तिष्क की नकल करने के लिए डिज़ाइन किया गया एक न्यूरल नेटवर्क शामिल था।

शोधकर्ताओं ने सबसे पहले इन पांच मॉडलों का उनके मानक सेटिंग्स के साथ परीक्षण किया ताकि यह देखा जा सके कि वे कैसा प्रदर्शन करते हैं। परिणामों ने दिखाया कि निर्णय वृक्षों का समूह, जिसे रैंडम फॉरेस्ट (Random Forest) कहा जाता है, और बूस्टिंग एल्गोरिदम सबसे मजबूत दावेदार थे। न्यूरल नेटवर्क ने भी अच्छा प्रदर्शन किया, जबकि सरल मॉडल थोड़े पीछे रह गए। इसके बाद, टीम ने शीर्ष तीन प्रदर्शन करने वालों को लिया और उन्हें 'फाइन-ट्यूनिंग' (बारीकी से सुधारने) में समय बिताया। इस प्रक्रिया में प्रत्येक मॉडल की आंतरिक सेटिंग्स को समायोजित करना शामिल था, जैसे कि निर्णय वृक्ष कितने गहरे हो सकते हैं या न्यूरल नेटवर्क कितनी तेजी से सीखता है, ताकि सटीकता के हर संभव अंश को निकाला जा सके। उन्होंने एक कठोर पद्धति का उपयोग किया ताकि यह सुनिश्चित किया जा सके कि वे अनजाने में परीक्षण डेटा को प्रशिक्षण को प्रभावित न करने दें, जिससे डेटा पूरी तरह से अलग रहे।

इन तीन व्यक्तिगत मॉडलों को पूर्ण करने के बाद, शोधकर्ताओं ने तीन अलग-अलग प्रकार के एन्सेम्बल बनाए। उन्होंने एक ऐसी प्रणाली बनाई जहाँ मॉडल उत्तर पर मतदान करते हैं, एक अन्य जहाँ वे अपने विश्वास स्तरों का औसत निकालते हैं, और तीसरा जहाँ एक मास्टर मॉडल दूसरों की भविष्यवाणियों को मिलाने का तरीका सीखता है। उन्होंने इन समूह प्रणालियों को भी उतनी ही सावधानी से ट्यून किया जितना कि एकल मॉडलों को किया गया था। अंतिम तुलना ने एक आश्चर्यजनक और व्यावहारिक सत्य प्रकट किया। एक बार पूरी तरह से ट्यून किए गए एकल रैंडम फॉरेस्ट मॉडल ने 99.54 प्रतिशत की सटीकता प्राप्त की। सबसे परिष्कृत एन्सेम्बल सिस्टम भी, सभी ट्यूनिंग के बाद, ठीक उसी स्कोर तक पहुँचे। वास्तव में, जटिल समूह प्रणालियों ने परिणाम में एक प्रतिशत के एक अंश तक भी सुधार नहीं किया।

अध्ययन निष्कर्ष निकालता है कि इस विशिष्ट प्रकार के कृषि डेटा के लिए, मिश्रण में अधिक मॉडल जोड़ने से भविष्यवाणी बेहतर नहीं होती है। शोधकर्ताओं ने पाया कि डेटा में स्वयं एक सीमा है कि कितनी सटीकता से इसकी भविष्यवाणी की जा सकती है, और एक एकल, अच्छी तरह से कैलिब्रेटेड मॉडल उस सीमा तक उतनी ही प्रभावी ढंगता से पहुँच सकता है जितना कि मॉडलों की एक विशाल टीम। यह निष्कर्ष महत्वपूर्ण है क्योंकि यह सुझाव देता है कि किसानों और कृषि संगठनों को दर्जनों मॉडलों को एक साथ चलाने वाले महंगे, जटिल कंप्यूटर सिस्टम में निवेश करने की आवश्यकता नहीं है। इसके बजाय, वे एक एकल, हल्के रैंडम फॉरेस्ट मॉडल पर भरोसा कर सकते हैं जो स्थापित करने में आसान, चलाने में सस्ता और उतना ही सटीक है। यह कार्य प्रदर्शित करता है कि बेहतर फसल सिफारिशों की खोज में, जटिलता के बजाय सरलता और सावधानीपूर्वक ट्यूनिंग भी उतनी ही शक्तिशाली हो सकती है।