La eficiencia en el uso de la entrada para los sistemas de producción de arroz en la India: un enfoque de aprendizaje automático
Autores: Bhoi, Priya Brata; Wali, Veeresh S.; Swain, Deepak Kumar; Sharma, Kalpana; Bhoi, Akash Kumar; Bacco, Manlio; Barsocchi, Paolo
Idioma: Inglés
Editor: MDPI
Año: 2021
Acceso abierto
Artículo científico
Categoría
Ciencias Agrícolas y Biológicas
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 50
Citaciones: Sin citaciones
Esta investigación ilustra la eficiencia técnica del estado de cultivo de arroz en toda la India obtenido a través de un enfoque de frontera estocástica. Los resultados sugieren que la eficiencia técnica media varía de 0,64 en Gujarat a 0,95 en Odisha. Se encontró que insumos como mano de obra humana, mano de obra mecánica, fertilizantes, riego e insecticidas determinaban el rendimiento en el cultivo de arroz en toda la India (excepto en Chhattisgarh). La ineficiencia en la producción de arroz en Punjab, Bihar, Bengala Occidental, Andhra Pradesh, Tamil Nadu, Kerala, Assam, Gujarat y Odisha en 2016-2017 fue causada por ineficiencia técnica debido a un mal manejo de los insumos, como sugieren los valores significativos de U y v del modelo de frontera estocástica. Además, la mayoría de los grupos de granjas en el estudio operaban en el grupo de alta eficiencia (80-90% de eficiencia técnica). No se puede visualizar un patrón específico de uso de insumos a través de medidas descriptivas para dar alguna implicación política específica. Por lo tanto, se probaron algoritmos de aprendizaje automático basados en los parámetros de entrada en los datos para predecir la clase de eficiencia de los agricultores para cada estado. La mayor precisión media de 0,80 para los modelos de todos los estados se logró en los modelos de bosques aleatorios. Entre los diversos estados de la India, el mejor modelo de predicción de bosque aleatorio basado en la precisión se ajustó a los datos de entrada de Bihar (0,91), seguido de Uttar Pradesh (0,89), Andhra Pradesh (0,88), Assam (0,88) y Bengala Occidental (0,86). Por lo tanto, el estudio proporciona una técnica para la clasificación y predicción del grupo de eficiencia de un agricultor a partir de los niveles de uso de insumos en el cultivo de arroz para cada estado en el estudio. El estudio utiliza el conjunto de datos de entrada DES para clasificar y predecir el grupo de eficiencia del agricultor, ya que otros modelos de aprendizaje automático en agricultura han utilizado principalmente datos de satélite, imágenes espectrales y propiedades del suelo para detectar enfermedades, malezas y cultivos.
Descripción
Esta investigación ilustra la eficiencia técnica del estado de cultivo de arroz en toda la India obtenido a través de un enfoque de frontera estocástica. Los resultados sugieren que la eficiencia técnica media varía de 0,64 en Gujarat a 0,95 en Odisha. Se encontró que insumos como mano de obra humana, mano de obra mecánica, fertilizantes, riego e insecticidas determinaban el rendimiento en el cultivo de arroz en toda la India (excepto en Chhattisgarh). La ineficiencia en la producción de arroz en Punjab, Bihar, Bengala Occidental, Andhra Pradesh, Tamil Nadu, Kerala, Assam, Gujarat y Odisha en 2016-2017 fue causada por ineficiencia técnica debido a un mal manejo de los insumos, como sugieren los valores significativos de U y v del modelo de frontera estocástica. Además, la mayoría de los grupos de granjas en el estudio operaban en el grupo de alta eficiencia (80-90% de eficiencia técnica). No se puede visualizar un patrón específico de uso de insumos a través de medidas descriptivas para dar alguna implicación política específica. Por lo tanto, se probaron algoritmos de aprendizaje automático basados en los parámetros de entrada en los datos para predecir la clase de eficiencia de los agricultores para cada estado. La mayor precisión media de 0,80 para los modelos de todos los estados se logró en los modelos de bosques aleatorios. Entre los diversos estados de la India, el mejor modelo de predicción de bosque aleatorio basado en la precisión se ajustó a los datos de entrada de Bihar (0,91), seguido de Uttar Pradesh (0,89), Andhra Pradesh (0,88), Assam (0,88) y Bengala Occidental (0,86). Por lo tanto, el estudio proporciona una técnica para la clasificación y predicción del grupo de eficiencia de un agricultor a partir de los niveles de uso de insumos en el cultivo de arroz para cada estado en el estudio. El estudio utiliza el conjunto de datos de entrada DES para clasificar y predecir el grupo de eficiencia del agricultor, ya que otros modelos de aprendizaje automático en agricultura han utilizado principalmente datos de satélite, imágenes espectrales y propiedades del suelo para detectar enfermedades, malezas y cultivos.