The Implementation of Machine Learning and Deep Learning Algorithms for Crop Yield Prediction in Agriculture

---

Bulletin of TUIT: Management and Communication Technologies
Nodir Rahimov, Dilmurod Khasanov 
2023.Vol-2(4) 
The Implementation of Machine Learning and Deep Learning Algorithms for Crop Yield Prediction 
in Agriculture 
Nodir Rahimov 
1
1 
Software Engineering, Tashkent University of Information Technologies, 
[e-mail] 
Dilmurod Khasanov 
2 
2 
Software Engineering, Tashkent University of Information Technologies, 
[e-mail]

 
 
Abstract. In most Asian countries, since economy of the country rely on agriculture, in such countries, the 
agricultural system is one of the most important sectors. Crop yield prediction is a crucial task in agriculture 
that can help farmers make informed decisions and optimize their crop production. Accurate predictions can 
help farmers better plan their resources and reduce waste, ultimately leading to higher profits and a more 
sustainable agricultural industry. This article presents a comprehensive study on the utilization of machine 
learning and deep learning techniques to predict the crop yield in agriculture, implemented and compared 
some AI algorithms based on a given dataset. To this end, dynamic analyses data have been collected for crop 
yield prediction and used to construct a regression prediction model using a multivariate regression (MR), a 
deep neural network (DNN), multiple linear regression (MLR), gradient boosting regressor tree (GBRT) to 
analyze a range of agricultural factors that impact wheat crop yields. These factors include soil moisture, 
temperature, rainfall, and crop growth stages. The model is trained on a large dataset of wheat crop yields and 
corresponding agricultural factors, allowing it to learn patterns and make accurate predictions. The 
experiments conducted on the dataset demonstrate the effectiveness of the proposed model. The model 
outperforms traditional statistical methods for crop yield prediction and achieves an accuracy of up to 90%. 
The results show that the use of both deep learning and machine learning techniques can significantly improve 
the accuracy of crop yield prediction in agriculture. The proposed approach has the potential to revolutionize 
the agricultural industry by providing farmers and agricultural organizations with a more accurate and efficient 
means of predicting crop yields. This, in turn, can help reduce waste and optimize resources, leading to a more 
sustainable and profitable agricultural industry. The model can be integrated into existing agricultural systems 
and can be used to make timely and informed decisions about crop management.