Om Mane*, Chanthrika RL, Tanvir Mungekar, Preethi Sai Yelisetty, Bindhu Sree und Jaya Subalakshmi R
Die Wildheidelbeerindustrie leistet einen bedeutenden Beitrag zum Agrarsektor im Nordosten der USA. Unvorhersehbare Wetterbedingungen, Bodenvariabilität und Schädlingsbefall können jedoch die Ernteerträge erheblich beeinträchtigen und zu Verlusten für Landwirte und Interessenvertreter führen. Daher ist die Entwicklung präziser und glaubwürdiger Modelle zur Vorhersage von Ernteerträgen für eine effiziente Ressourcenzuweisung, ein verbessertes Erntemanagement und effektive Marketingstrategien von entscheidender Bedeutung. Algorithmen für maschinelles Lernen wie Entscheidungsbaum, lineare Regression, XGBoost, LightGBM, Random Forest, AdaBoost, Histogramm-Gradienten-Boosting und CatBoost haben in den letzten Jahren großes Potenzial für die Vorhersage von Ernteerträgen gezeigt. Diese Algorithmen können große Datensätze analysieren, Muster erkennen und genaue Prognosen erstellen und Landwirten wichtige Einblicke in das Erntemanagement, zukünftige Erträge und die Vermarktung bieten. Die in dieser Studie entwickelten Modelle können Landwirten und Interessenvertretern ermöglichen, fundierte Entscheidungen über die Ernteplanung und Ressourcenzuweisung zu treffen und so die Effizienz und Nachhaltigkeit der Wildheidelbeerindustrie zu verbessern. Darüber hinaus können Marktprognostiker diese Modelle verwenden, um die zukünftige Nachfrage nach Wildheidelbeeren vorherzusagen und so die Entwicklung effektiver Marketingstrategien zu unterstützen. Zusammenfassend lässt sich sagen, dass die Entwicklung präziser und zuverlässiger Modelle zur Vorhersage von Ernteerträgen durch die Anwendung maschineller Lernalgorithmen voraussichtlich große Auswirkungen auf den Bereich der Landwirtschaft haben wird, insbesondere in Branchen wie dem Anbau von Wildheidelbeeren, die anfällig für Wetterschwankungen und andere Faktoren sind.
English 
Spanish 
Chinese 
Russian 
French 
Japanese 
Portuguese 
Hindi