Machine learning-based prediction of rice yield from rain feeding in monsoonal tropical area of Java, Indonesia

Abstract

Rainfed rice cultivation in monsoonal tropical areas of Java, Indonesia, is challenged by nutrient deficiencies, unpredictable rainfall amounts, and limited agricultural investment, leading to fluctuating yields. The purpose of this study was to develop a precise rice yield prediction model using machine learning tailored to specific toposequences in Central Java. A combination of survey-based field and laboratory methods was employed, integrating climate, soil, socio-economic, and land management variables from 87 targeted sampling points. Machine learning analysis using Bayesian Neural Networks (BNN) demonstrated moderate accuracy with R2 = 0.840 and RMSE = 0.442 overall, but accuracy improved significantly when models were adjusted to elevation-specific categories, achieving R2 values up to 0.999. Lowland paddy field predictions were most influenced by available phosphorus (P), while rainfall, gender, education, and seed variety were key factors in medium-altitude zones; slope, available P, gender, and cropping patterns were dominant in highland areas. Pareto analysis supported the identification of these key yield determinants in each toposequence. The integration of BNN and Pareto approaches enabled the creation of a high-precision, location-specific yield prediction model. This work demonstrated that tailoring machine learning models to elevation-based agroecological zones enhances their performance and practical application. The findings are particularly valuable for agricultural stakeholders including policymakers, extension services, and farmers, who can leverage these predictive insights to optimise rainfed rice management practices and improve productivity under variable climatic conditions.

Вирощування рису на богарних землях у тропічних районах Яви, Індонезія, що знаходяться під впливом мусонних дощів, ускладнюється через нестачу поживних речовин, непередбачуваність опадів та обмежені інвестиції в сільське господарство, що призводить до коливань врожайності. Метою цього дослідження було розроблення точної моделі прогнозування врожайності рису з використанням машинного навчання, адаптованого до конкретних топологічних послідовностей у Центральній Яві. Застосовано комплекс польових та лабораторних методів, заснованих на опитуваннях, з урахуванням кліматичних, ґрунтових, соціально-економічних та агроменеджментних змінних із 87 цільових точок відбору проб. Аналіз за допомогою баєсівських нейронних мереж (BNN) показав помірну точність (R² = 0,840; RMSE = 0,442), однак точність суттєво підвищувалась при адаптації моделей до категорій за висотою, досягаючи R² до 0,999. Для низинних полів найбільший вплив мала наявність доступного фосфору (P); у зонах середньої висоти ключовими чинниками були кількість опадів, стать, освіта та сорт насіння; для високогірних районів – ухил, доступний фосфор, стать і сівозміна. Аналіз Парето підтвердив ідентифікацію цих основних детермінант урожайності у кожному топосліді. Інтеграція методів BNN і Парето дозволила створити високоточну, локалізовану модель прогнозування. Робота довела, що адаптація моделей машинного навчання до агроекологічних зон за висотою покращує їхню ефективність і практичне застосування. Результати є особливо цінними для аграрних стейкґолдерів – зокрема для політиків, дорадчих служб і фермерів, які можуть використати прогностичні дані для оптимізації управління богарним рисівництвом в умовах змінного клімату.