DEVELOPMENT OF A PREDICTIVE MODEL FOR SHORT-CYCLE SALAD VEGETABLE YIELD: CASE STUDY OF HIGHLAND RESEARCH AND DEVELOPMENT INSTITUTE (HRDI) IN PA PAE, MAE TAENG, CHIANG MAI
Article Sidebar
Main Article Content
Abstract
The current research was aimed to develop a predictive model for short-cycle salad crops in the Highland Research and Development Institute (HRDI), Pa Pae, Mae Taeng District, Chiang Mai. In addition, it was aimed to decrease the inconsistent problem between production volume and market demand by utilizing the CRISP-DM process and multiple linear regression techniques for data analysis. Based on production and environmental data between 2018 to 2020, the research results were indicated that the developed model displayed 65.04% of the variation in yield (R-squared = 0.6504), with a Root Mean Squared Error (RMSE) of 68.73 kilograms and a Mean Absolute Error (MAE) of 55.33 kilograms. Statistically significant factors affecting yield included maximum temperature, minimum temperature, and the number of farmers. While humidity and wind speed showed no significant impact. The model could assist farmers and relevant officials in planning production to better align with market demand. Further studies should explore additional environmental factors affecting crop yield and compare predictive models to improve forecasting accuracy. Expanding the study to other crops or cultivating areas would enhance the model’s adaptability and broader agricultural applications.
Downloads
Article Details
Copyright Notice
The copyright of research articles published in the VRU Research and Development Journal Science and Technology Journal belongs to the Research and Development Institute, Valaya Alongkorn Rajabhat University under the Royal Patronage. Reproduction of the content, in whole or in part, is prohibited without prior written permission from the university.
Responsibility
The content published in the VRU Research and Development Journal Science and Technology Journal is the sole responsibility of the author(s). The journal does not assume responsibility for errors arising from the printing process.
References
ปิยะพร แซ่ลิ้ม, วิวรรณ กาญจนวจี, พัชนา สุวรรณแสน, และณพฐ์ โสภีพันธ์. (2562). การพยากรณ์ผลผลิตข้าวหอมมะลิ ในจังหวัดนครราชสีมา. วารสารวิจัยวิทยาศาสตร์และเทคโนโลยี มหาวิทยาลัยราชภัฏนครราชสีมา, 4(2), 25-37.
พัชรา ศรีพระบุ. (2565). การวิเคราะห์การถดถอยพหุคูณแบบขั้นตอนของปัจจัยพยากรณ์ที่ส่งผลต่อการตัดสินใจเลือกใช้บริการท่าเรือสินค้าทั่วไป. วารสารวิศวกรรมศาสตร์และนวัตกรรม, 15(3), 154-163.
วีรศักดิ์ ฟองเงิน, วรปภา อารีราษฎร์, และเผด็จ พรหมสาขา ณ สกลนคร. (2560). การพยากรณ์ปริมาณน้ำในเขื่อนกิ่วลม โดยใช้เทคนิคเหมืองข้อมูล. วารสารวิทยาการจัดการสมัยใหม่, 10(2), 121-131.
ศศิธร คงอุดมทรัพย์, และพงศิษฏ์ ทวิชพงศ์ธร. (2564). ความแม่นยำของการใช้แบบจำลองการถดถอยพหุคูณในการวิเคราะห์ฐานข้อมูลที่ได้จากการสุ่มแบบมีเงื่อนไขเพื่อการคาดการณ์ผลการเรียนของนักเรียนนายเรือ. วารสารวิชาการโรงเรียนนายเรือด้านวิทยาศาสตร์และเทคโนโลยี, 4(1), 76-88.
สถาบันวิจัยและพัฒนาพื้นที่สูง (สวพส.). (2563). วัตถุประสงค์ ภารกิจหลัก อำนาจหน้าที่. สืบค้นจาก https://www.hrdi.or.th/About/Introduce
สมฤดี กลิ่นหอม, สุพิชญาไพจิตต์, ปัณณวุฒิ ปิ่นสวาสดิ์, และเยาวลักษณ์ เกิดปั้น. (2566). ก ารประยุกต์การเรียนรู้ของเครื่องในการพยากรณ์ปริมาณผลผลิตพืชเศรษฐกิจในโซ่อุปทานภาคเกษตรกรรม พื้นที่ระเบียงเศรษฐกิจภาคกลาง –ภาคตะวันตก. วารสารวิทยาศาสตร์และเทคโนโลยีนอร์ทเทิร์น, 4(3), 63-76.
อธิศา ปานคง, และเพ็ญนภา ปาละปิน. (2561). ปัจจัยที่เป็นอุปสรรคในการปลูกพืชหมุนเวียนในพื้นที่เกษตรกรรม อำเภอบ้านดุง จังหวัดอุดรธานี. การประชุมวิชาการและนำเสนอผลงานระดับชาติด้านมนุษยศาสตร์และสังคมศาสตร์ ครั้งที่ 1 ประจำปีการศึกษา 2561 (น. 383-390). มหาวิทยาลัยราชภัฏสวนสุนันทา.
Joshua, S. V., Priyadharson, A. S. M., Kannadasan, R., Khan, A. A., Lawanont, W., Khan, F. A., Rehman, A. U., & Ali, M. J. (2022). Crop yield prediction using machine learning approaches on a wide spectrum. Computers, Materials & Continua, 72(3), 5663-5679. https://doi.org/10.32604/cmc.2022.027178
Khade, S., Malaye, V., Mhase, S., Shitole, A., & Shirsath, S. (2023). Crop yield prediction using machine learning. International Journal of Advanced Research in Science, Communication and Technology (IJARSCT), 3(1), 202-204. https://doi.org/10.48175/ijarsct-8584
Panigrahi, B., Kathala, K. C. R., & Sujatha, M. (2023). A machine learning-based comparative approach to predict the crop yield using supervised learning with regression models. Procedia Computer Science, 218, 2684-2693. https://doi.org/10.1016/j.procs.2023.01.241
Reddy, D. J., & Kumar, M. R. (2021). Crop yield prediction using machine learning algorithms. In Proceedings of the Fifth International Conference on Intelligent Computing and Control Systems (ICICCS 2021) (pp. 1466-1470). https://doi.org/10.1109/ICICCS51141.2021.9432236
Venugopal, A., S, A., Mani, J., Mathew, R., & Williams, V. (2021). Crop yield prediction using machine learning algorithms. International Journal of Engineering Research & Technology (IJERT), 9(13), 87-91.
