Abstrakt

Ein Vergleich zwischen Langzeit-Kurzzeitgedächtnis und Hidden-Markov-Modell zur Vorhersage der Maisproduktion in Nigeria

Nkemnole EB*, Adoghe VO

Aufgrund des Bevölkerungswachstums und der Importbeschränkungen erlebt Mais, ein wichtiges Getreide in Afrika, einen Nachfrageboom. Vor diesem Hintergrund konzentriert sich die Studie darauf, herauszufinden, wie der Maisanbau in Nigeria mit verschiedenen Klimafaktoren, insbesondere Niederschlag und Temperatur, interagiert. In diesem Zusammenhang werden das Hidden Markov Model (HMM) und das Long Short-Term Memory Neural Network (LSTM) verglichen, um ihre Leistung zu bewerten. Zur Bewertung der Modelle werden verschiedene Leistungsindikatoren wie Korrelation, mittlerer absoluter prozentualer Fehler (MAPE), Standardfehler des Mittelwerts (SEM) und mittlerer quadratischer Fehler (MSE) verwendet. Die Ergebnisse zeigen, dass das HMM besser abschneidet als das LSTM, wobei ein RMSE von 1,21 und ein MAPE von 12,98 eine bessere Leistung zeigen. Basierend auf diesem Ergebnis wird das HMM dann verwendet, um den Maisertrag unter Berücksichtigung der Auswirkungen von Temperatur und Niederschlag vorherzusagen. Die Schätzungen unterstreichen die Möglichkeit zur Steigerung des lokalen Ertrags, indem sie ein günstiges Umfeld für den Maisanbau in Nigeria aufzeigen. Diese Studien bieten nützliche Erkenntnisse und unterstützen die nigerianische Regierung bei ihren Bemühungen, die inländische Maisproduktion zu steigern.