Tamil Nadu के रिसर्चर्स ने गेम-चेंजिंग हाई-एक्यूरेसी क्रॉप प्रेडिक्शन मॉडल बनाया

CHENNAI.चेन्नई: तमिलनाडु के रिसर्चर्स ने एक फसल भविष्यवाणी मॉडल बनाया है जो मिट्टी के न्यूट्रिएंट्स और मौसम के हालात के बीच आपसी संबंध को ध्यान में रखकर लगभग 98 परसेंट एक्यूरेसी देता है। उनका कहना है कि इस कमी ने लंबे समय से पुराने सिस्टम को कमजोर किया है।

चेन्नई के VIT के स्कूल ऑफ़ कंप्यूटर साइंस एंड इंजीनियरिंग के साइंटिस्ट्स और कन्याकुमारी के कोलेबोरेटर्स ने एक नया क्लासिफिकेशन फ्रेमवर्क प्रपोज़ किया है, जिसे स्ट्रक्चर्ड फ़ीचर कोरिलेशन एनालिसिस का इस्तेमाल करके फसल की सलाह के फैसलों को बेहतर बनाने के लिए डिज़ाइन किया गया है। उनके नतीजे साइंटिफिक रिपोर्ट्स जर्नल में पब्लिश हुए हैं।

फसल चुनना किसानों के लिए एक ज़रूरी फैसला बना हुआ है, खासकर उन इलाकों में जहाँ बारिश अनियमित होती है, मिट्टी में बदलाव होता है और तापमान में उतार-चढ़ाव होता है। जबकि मौजूदा भविष्यवाणी सिस्टम स्टैंडर्ड क्लासिफिकेशन टेक्नीक पर निर्भर करते हैं, रिसर्च टीम ने पाया कि ज़्यादातर मॉडल खेती के वैरिएबल का अलग-अलग आकलन करते हैं, और यह नज़रअंदाज़ करते हैं कि नाइट्रोजन, फॉस्फोरस, पोटैशियम, बारिश और नमी जैसे फैक्टर एक-दूसरे को कैसे प्रभावित करते हैं।

लेखकों ने पेपर में कहा, "हमारी स्टडी मौजूदा फसल भविष्यवाणी सिस्टम में एक बड़ी कमी, फ़ीचर्स के बीच कोरिलेशन एनालिसिस की कमी को दूर करती है।

क्लासिफिकेशन से पहले फ़ीचर रिलेशनशिप को निकालकर और इंटीग्रेट करके, भविष्यवाणी की परफॉर्मेंस काफी बेहतर हो जाती है।" रिसर्चर्स ने एक तरीका बताया जिसे वे फ़ीचर कोरिलेशन स्क्वायर-बेस्ड नियरेस्ट नेबर (FCSNN) कहते हैं। यह सिस्टम सबसे पहले मिट्टी के न्यूट्रिएंट्स, pH लेवल, बारिश, नमी और टेम्परेचर जैसे खेती के इनपुट को स्टैंडर्ड बनाता है।

फिर यह स्टैटिस्टिकल तरीकों का इस्तेमाल करके एक कोरिलेशन मैट्रिक्स बनाता है ताकि यह पता चल सके कि ये वेरिएबल्स कैसे इंटरैक्ट करते हैं। रिफाइंड डेटासेट का इस्तेमाल बाद में सबसे सही फसल को क्लासिफाई करने के लिए किया जाता है।

मॉडल को पब्लिकली अवेलेबल फसल रिकमेंडेशन डेटासेट का इस्तेमाल करके टेस्ट किया गया, जिसमें चावल, मक्का, कपास, नारियल, केला, कॉफी और दालों सहित 22 फसलों के 2,200 रिकॉर्ड शामिल थे। हर फसल कैटेगरी में 100 रिकॉर्ड थे, जिससे बैलेंस्ड इवैल्यूएशन कंडीशन पक्की हुईं।

स्टडी के मुताबिक, प्रपोज़्ड सिस्टम ने 97.9 परसेंट एक्यूरेसी हासिल की, जो डिसीजन ट्री, नाइव बेयस, लॉजिस्टिक रिग्रेशन, रैंडम फॉरेस्ट, XGBoost और कन्वेंशनल k-नियरेस्ट नेबर मॉडल जैसे बड़े पैमाने पर इस्तेमाल होने वाले क्लासिफायर से बेहतर परफॉर्म करता है। एरर रेट 2.1 परसेंट बताया गया।

ऑथर्स ने नोट किया कि सबसे पास के पड़ोसियों की सही संख्या चुनना बहुत ज़रूरी था। पेपर में कहा गया, "एम्पिरिकल टेस्टिंग से पता चला कि चार पड़ोसियों की वैल्यू से सबसे एक जैसे नतीजे मिले।"

एग्रीकल्चर एक्सपर्ट्स का कहना है कि यह फ्रेमवर्क प्रैक्टिकल तौर पर काम का है, खासकर तमिलनाडु जैसे राज्यों के लिए जहां किसानों को मौसम में बदलाव और रिसोर्स की कमी के बीच फसल के फैसले लेने पड़ते हैं। यह मॉडल डिस्ट्रिक्ट और स्टेट लेवल पर फैसला लेने वालों को मौजूदा मिट्टी और मौसम की स्थिति के साथ फसल की प्लानिंग को अलाइन करने में मदद कर सकता है।

रिसर्चर्स ने बताया कि भविष्य के काम में फसल की सलाह को और बेहतर बनाने के लिए सेंसर-बेस्ड सिस्टम का इस्तेमाल करके रियल-टाइम फील्ड डेटा कलेक्शन शामिल हो सकता है।