Principal Component Regression for Crop Yield Estimation

این کتاب تخمین عملکرد محصول را در گجرات مرکزی، به ویژه با توجه به توسعه مدل‌های رگرسیون چندگانه و مدل‌های رگرسیون مؤلفه اصلی (PCR) با استفاده از پارامترهای اقلیمی به عنوان متغیرهای مستقل و عملکرد محصول به عنوان متغیر وابسته، برجسته می‌کند. متعاقباً نتایج رگرسیون خطی چندگانه (MLR) و PCR را مقایسه می‌کند و اهمیت PCR را برای تخمین عملکرد محصول مورد بحث قرار می‌دهد. در این زمینه، کتاب همچنین تجزیه و تحلیل مؤلفه اصلی (PCA) را پوشش می‌دهد، یک روش آماری که برای کاهش تعدادی از متغیرهای همبسته به تعداد کمتری از متغیرهای غیر همبسته به نام مؤلفه‌های اصلی (PC) استفاده می‌شود. این کتاب برای دانشجویان و محققینی که کار خود را در زمینه آب و هوا و کشاورزی شروع می‌کنند، با تمرکز بر مدل‌های تخمینی مفید خواهد بود. جریان فصل‌ها، خوانندگان را در مسیری هموار، در درک اقلیم و آب و هوا و تأثیر تغییرات آب و هوا می‌برد و به تدریج به سمت تکنیک‌های کاهش مقیاس و در نهایت به سمت توسعه مدل‌های رگرسیون مؤلفه‌های اصلی و اعمال همان‌ها برای تخمین عملکرد محصول پیش می‌رود. p>

This book highlights the estimation of crop yield in Central Gujarat, especially with regard to the development of Multiple Regression Models and Principal Component Regression (PCR) models using climatological parameters as independent variables and crop yield as a dependent variable. It subsequently compares the multiple linear regression (MLR) and PCR results, and discusses the significance of PCR for crop yield estimation. In this context, the book also covers Principal Component Analysis (PCA), a statistical procedure used to reduce a number of correlated variables into a smaller number of uncorrelated variables called principal components (PC). This book will be helpful to the students and researchers, starting their works on climate and agriculture, mainly focussing on estimation models. The flow of chapters takes the readers in a smooth path, in understanding climate and weather and impact of climate change, and gradually proceeds towards downscaling techniques and then finally towards development of principal component regression models and applying the same for the crop yield estimation.