Machine learning voor het adviseren van meststoffen in Ghana

Maïs is een belangrijk basisvoedsel in Ghana en Sub-Saharaans Afrika (SSA), maar de opbrengsten blijven laag door beperkingen in de bodemvruchtbaarheid, inefficiënt kunstmestgebruik en algemene aanbevelingen die geen rekening houden met lokale variabiliteit. Hoewel mechanistische modellen zoals QUEFTS het inzicht in de relatie tussen gewas en voedingsstoffen verbeteren, wordt hun toepassing beperkt door de grote hoeveelheid data die nodig is en de gebrekkige integratie van risico's voor boeren en sociaaleconomische realiteiten. Deze scriptie evalueert machine learning (ML) als een complementaire aanpak voor locatie specifieke bemestingsadviezen voor maïs in Ghana. Met behulp van veldproefgegevens van meerdere seizoenen en locaties werd Random Forest (RF) getraind om de opbrengst, agronomische efficiëntie en onzekerheid te voorspellen. RF verklaarde tot 81% van de opbrengstvariatie, met stikstofbemesting, neerslag, temperatuur, organische koolstof in de bodem en bulkdichtheid als belangrijkste factoren. Veldvalidatie toonde aan dat op ML gebaseerde aanbevelingen locatie specifieker en kosteneffectieve waren dan conventionele methoden, met name in de Guinee-savanne en de overgangszone tussen bos en savanne. Kortom, machine learning biedt flexibele, data gestuurde en risicobewuste beslissingsondersteuning die de productiviteit, winstgevendheid en veerkracht van kleinschalige maïsteeltsystemen kan verbeteren.