Rice yield prediction using Bayesian analysis on rainfed lands in the Sumbing-Sindoro Toposequence, Indonesia

Abstract

Since rainfed rice fields typically lack nutrients, frequently experience drought, and require more fund to support farming operations, the production results become erratic and unpredictable. This research aims to construct location-specific rice yield predictions in the rainfed rice fields among the Sumbing-Sindoro Toposequence, Central Java, using a Bayesian method. This study is a survey with an exploratory descriptive methodology based on data from both field and laboratory research. Prediction model analysis using the Bayesian Neural Network (BNN) method on 12 geographical units, sampling spots were selected with intention. The following variables were measured: soil (pH level, Organic-C, Total-N, Available-P, Available-K, soil types, elevation, slope) and climate (rainfall, evapotranspiration). According to the statistical analysis used, the BNN model's performance has the highest accuracy, with an RMSE value of 0.448 t/ ha, which compares to the MLR and SR models, indicating the lowest error deviation. To obtain the ideal parameter sampling design, parameter distribution is directly and simultaneously optimised using an optimisation technique based on Pareto optimality. The top 7 data sets (slope, available-P, evapotranspiration, soil type, rainfall, organic-C, and pH) yielded the highest accuracy based on the test results for the three-parameter groups. The coefficient of determination has the highest value, 0.855, while the RMSE test for the model using the top 7 data set has the lowest error value at 0.354 t/ha and 18.71%, respectively. By developing location-specific rice yield predictions using a Bayesian method, farmers and agricultural practitioners can benefit from more accurate and reliable estimates of crop productivity.

Оскільки на богарних рисових полях зазвичай бракує поживних речовин, вони часто страждають від посухи і потребують більше коштів для підтримки сільськогосподарських операцій, результати виробництва стають нестабільними і непередбачуваними. Це дослідження має на меті побудувати прогнози врожайності рису на богарних рисових полях у топосистемі Сумбінґ-Сіндоро, Центральна Ява, з використанням байєсівського методу для конкретної місцевості. Це дослідження є опитуванням з дослідницькою описовою методологією, що ґрунтується на даних польових і лабораторних досліджень. Аналіз моделі прогнозування з використанням методу нейронних мереж Байєса (BNN) на 12 географічних одиницях, точки вибірки були обрані навмисно. Були виміряні наступні змінні: ґрунт (рівень рН, органічний вуглець, загальний азот, доступний фосфор, доступний калій, типи ґрунтів, висота, схил) та клімат (кількість опадів, випаровування). Відповідно до використаного статистичного аналізу, модель BNN має найвищу точність із середньоквадратичним відхиленням (RMSE) 0,448 т/га, що порівняно з моделями MLR та SR вказує на найнижче відхилення помилки. Для отримання ідеального дизайну вибірки параметрів, розподіл параметрів було оптимізовано безпосередньо і одночасно за допомогою методу оптимізації, заснованого на оптимальності за Парето. За результатами тестування для груп з трьома параметрами найвищу точність показали 7 найкращих наборів даних (нахил, доступний P, випаровування, тип ґрунту, кількість опадів, органічний вуглець та рН). Коефіцієнт детермінації має найвище значення – 0,855, в той час як тест RMSE для моделі, що використовує 7 найкращих наборів даних, має найнижче значення похибки – 0,354 т/га та 18,71 % відповідно. Розробляючи прогнози врожайності рису для конкретної місцевості за допомогою байєсівського методу, фермери та аграрні практики можуть отримати вигоду від більш точних і надійних оцінок продуктивності культури.