RMIT-students maskininlärningsmodell stärker jordbrukare

Vietnam är världens näst största kaffeexportör och står för mer än hälften av den globala Robusta-tillförseln. Kaffeproduktionen under skördeåret 2022/23 förväntas uppgå till 29,75 miljoner påsar, varav Robusta står för mer än 95 %.

I Internationella kaffeorganisationens årsrapport för 2021/2022 rankades Vietnam först i kaffeodlingsproduktivitet med 2,4 ton/ha. Kaffeproduktionen i Vietnam består av Robusta-, Arabica-, Cherri-, Moka- och Culi-bönor, vilka är de mest populära kaffebönorna som odlas i Vietnam.

Priserna på jordbruksprodukter i allmänhet och priserna på kaffebönor i synnerhet är dock ofta instabila och kan fluktuera kraftigt under högskördeperioder, vilket avsevärt påverkar jordbrukarnas inkomster och orsakar skador på ekonomin .

Från vänster till höger: Studenter vid RMIT fakulteten för naturvetenskap , teknik och teknik: Lam Tin Dieu, Nguyen Hai Minh Trang, Nguyen Phuong Nam (översta raden), Le Ngoc Nguyen Thuan, Doan Chanh Thong (nedre raden)

Från vänster till höger: Studenter vid RMIT fakulteten för naturvetenskap, teknik och teknik: Lam Tin Dieu, Nguyen Hai Minh Trang, Nguyen Phuong Nam (översta raden), Le Ngoc Nguyen Thuan, Doan Chanh Thong (nedre raden)

För att undersöka en lösning på detta problem, tränade och utvärderade en grupp sistaårsstudenter vid kandidatprogrammet i informationsteknologi vid fakulteten för naturvetenskap, teknik och teknik, inklusive Nguyen Hai Minh Trang, Doan Chanh Thong, Le Ngoc Nguyen Thuan, Nguyen Phuong Nam och Lam Tin Dieu, under en period av fyra månader sex maskininlärningsmodeller (ML) för att förutsäga kaffepriser, vilket kan hjälpa vietnamesiska jordbrukare att fatta välgrundade beslut om sina grödor och planera därefter, optimera vinster och minimera förluster.

"Vi utvecklade sex ML-modeller, nämligen LSTM, GRU, ARIMA, SARIMA, SVM och RF, baserat på historiska data över kaffepriser, bensinpriser, temperatur och nederbörd, för att förutsäga Robusta-kaffepriser i Lam Dong-provinsen och fann att RF-modellen, som använde hela datamängden, var den mest effektiva", sa Trang.

Bland de 6 maskininlärningsmodellerna ger RF-modellen, som använder hela datamängden, de bästa resultaten.

"RF kan införliva rikare datamängder och hantera icke-linjära samband. Dessutom har bränslepriset visat sig vara en betydande prediktor och överträffar alla andra testade funktioner tillsammans."

Teamet betonade att modellen har potential för ytterligare förbättring genom att studera och införliva effekterna av grödor, marknadstrender och geopolitiska händelser på jordbrukspriser.

Varje teammedlem mötte olika utmaningar under projektet, såsom brist på djupgående förståelse för olika ML-modeller, att effektivt kommunicera komplexiteten i vad de gjorde inom AI-området, eller att hantera tid och kommunikation när de arbetade på distans. Men genom att investera betydande tid i forskning, fördjupa sig i AI- och ML-relaterade forskningsartiklar och förbättra sina tekniska och samarbetsfärdigheter, förbättrade de sina AI-forskningsfärdigheter för verkliga problem och kunde utveckla teamets forskning till verkliga produkter.

”Den största utmaningen för oss kretsade kring datainsamling och integration”, delade Thuan.

”Även om modellutvecklingen var ganska enkel, utgjorde den betydande tidsinvestering som krävdes för datainsamling och integration en enorm utmaning för oss. Varje teammedlem genomgick en serie lärande och framsteg inom både sina tekniska färdigheter och projektkoordinering, från djupgående forskning till att driva innovation och komma på nya lösningar.”

Vid tidpunkten för studien var Nam baserad i Hanoi och hade ett heltidsjobb. För att förhindra förseningar och potentiella störningar sa Nam att teamet höll veckomöten och upprätthöll regelbunden kommunikation, både för att motivera varandra att hålla sig till planen och för att slutföra den tilldelade arbetsbelastningen.

Teamets slutprojekt övervakades noggrant av fakultetsmedlemmar från School of Science, Engineering and Technology, RMIT Vietnam. Projektresultaten presenterades nyligen vid ett prestigefyllt internationellt evenemang – den 8:e IEEE/ACIS International Conference on Big Data, Cloud Computing and Data Science Engineering (BCD 2023) – med forskare, vetenskapsmän, ingenjörer och experter inom områdena Big Data, Cloud Computing och Data Science.

Studenten Nguyen Phuong Nam demonstrerar hur webbplatsen för simulering av kaffepriser fungerar

Teamet planerar att förfina modellerna baserat på feedback från konferenspresentationerna, och även utforska andra metoder för att förbättra noggrannheten och tillämpbarheten av sina förutsägelser.

"Vi planerar att fördjupa oss ytterligare i banbrytande tekniker och nya metoder inom detta område för att ytterligare stärka de forskningsresultat som teamet har uppnått", sa Thong.

”Dessutom planerar vi att samarbeta med andra experter inom området och utforska potentiella partnerskap för att utöka omfattningen och effekten av gruppens forskningsresultat.”

Teamet planerar att fortsätta iterera och uppgradera forskningen så att den kan ge praktiska bidrag till det ständigt föränderliga området Big Data och AI från just din forskning.

Källänk: https://thanhnien.vn/mo-hinh-may-hoc-cua-sinh-vien-rmit-tiep-them-suc-manh-cho-nong-dan-185240201181300139.htm