Machine Learning Based Crop Recommendation Using Tuned Classifiers and Ensemble Methods

Boeren hebben altijd geweten dat het juiste gewas afhangt van de juiste omstandigheden. Een veld dat gedijt met rijst, kan falen met tarwe, niet omdat de zaden verschillend zijn, maar omdat de bodemchemie en de weerpatronen niet aansluiten bij de behoeften van de plant. Deze omstandigheden omvatten de balans van voedingsstoffen zoals stikstof, fosfor en kalium in de grond, samen met de temperatuur, luchtvochtigheid, neerslag en de zuurgraad van de bodem. Eeuwenlang berustte het nemen van deze beslissingen op ervaring en intuïtie, maar tegenwoordig kunnen computers helpen. Door gegevens over de bodem en het klimaat in machine learning-modellen te voeden, kunnen systemen voorspellen welk gewas het beste zal groeien op een specifieke locatie. Deze aanpak, bekend als precisielandbouw, belooft middelen te besparen, het land te beschermen en voedselzekerheid te garanderen, vooral voor boeren die het zich niet kunnen veroorloven om kostbare fouten te maken.

Er is echter een hardnekkige vraag gebleven in het vakgebied van de informatica: werkt het combineren van veel verschillende voorspellingsmodellen in één enkele, krachtige groep eigenlijk beter dan simpelweg één enkel model perfectioneren? In de wereld van machine learning wordt deze groep een ensemble genoemd. Het idee is dat als je verschillende experts om hun mening vraagt en het gemiddelde neemt, je een beter antwoord krijgt dan wanneer je slechts één expert vraagt. Maar dit onderzoek, uitgevoerd door onderzoekers aan de City University in Dhaka, Bangladesh, wilde testen of deze regel standhoudt wanneer de enkele expert al hoogopgeleid is. Ze wilden weten of de extra complexiteit van het naast elkaar draaien van meerdere modellen noodzakelijk was, of dat een enkel, zorgvuldig afgestemd model hetzelfde werk kon doen.

Om het antwoord te vinden, begonnen de onderzoekers met twee grote publieke collecties gegevens over gewassen. Eén collectie bevatte gegevens voor 22 verschillende soorten gewassen, terwijl de andere gegevens had voor aantal 51 soorten. Ze kozen de kleinere, evenwichtige collectie van 2.200 records, waarbij elke van de 22 gewassen precies 100 keer voorkwam. Dit evenwicht was cruciaal omdat het ervoor zorgde dat de computermodellen niet bevooroordeeld waren naar de meest voorkomende gewassen. Vervolgens trainden ze vijf verschillende soorten computeralgoritmen op deze gegevens. Deze omvatten een eenvoudig lineair model, een methode die kijkt naar nabijgelegen datapunten, een grote groep beslissingsbomen die samenwerken, een krachtig boosting-algoritme dat leert van zijn fouten, en een neuraal netwerk dat ontworpen is om het menselijk brein na te bootsen.

De onderzoekers testten deze vijf modellen eerst met hun standaardinstellingen om te zien hoe ze presteerden. De resultaten lieten zien dat de groep beslissingsbomen, bekend als een Random Forest, en het boosting-algoritme de sterkste kandidaten waren. Het neurale netwerk presteerde ook goed, terwijl de eenvoudigere modellen iets achterbleven. Vervolgens namen de onderzoekers de top drie presteerders en besteedden ze tijd aan het verfijnen van deze modellen. Dit proces hield in dat de interne instellingen van elk model werden aangepast, zoals hoe diep de beslissingsbomen konden groeien of hoe snel het neurale netwerk leerde, om elke bit aan mogelijke nauwkeurigheid eruit te persen. Ze gebruikten een rigoureuze methode om ervoor te zorgen dat ze de testgegevens niet onbedoeld de training zouden laten beïnvloeden, waarbij de gegevens strikt gescheiden bleven.

Na het perfectioneren van deze drie individuele modellen, bouwden de onderzoekers drie verschillende soorten ensembles. Ze creëerden een systeem waarbij de modellen stemmen over het antwoord, een systeem waarbij ze hun vertrouwensniveaus middelen, en een derde waarbij een meestermodel leert hoe het de voorspellingen van de anderen kan combineren. Ze stemden deze groepsystemen net zo zorgvuldig af als de individuele modellen. De uiteindelijke vergelijking onthulde een verrassende en praktische waarheid. Het enkele Random Forest-model bereikte, eenmaal perfect afgestemd, een nauwkeurigheid van 99,54 procent. De meest geavanceerde ensemble-systemen bereikten, na al hun afstemming, exact dezelfde score. Sterker nog, de complexe groepsystemen verbeterden het resultaat niet met zelfs maar een fractie van een procent.

De studie concludeert dat voor dit specifieke type landbouwdata het toevoegen van meer modellen aan de mix de voorspelling niet beter maakt. De onderzoekers ontdekten dat de data zelf een limiet heeft aan hoe nauwkeurig het voorspeld kan worden, en dat een enkel, goed gekalibreerd model die limiet even effectief kan bereiken als een massaal team van modellen. Deze bevinding is significant omdat het suggereert dat boeren en landbouworganisaties geen noodzaak hebben om te investeren in dure, complexe computersystemen die tientallen modellen tegelijkertijd draaien. In plaats daarvan kunnen ze vertrouwen op een enkel, lichtgewicht Random Forest-model dat gemakkelijker te installeren is, goedkoper is in gebruik en even nauwkeurig is. Het werk demonstreert dat in het streven naar betere gewasaanbevelingen, eenvoud en zorgvuldige afstemming net zo krachtig kunnen zijn als complexiteit.