Метод прогнозування врожайності сільськогосподарських культур з використанням мультифакторного аналізу та нейронних мереж

В. Г. Гнатієнко; Г. М. Гнатієнко; О. Л. Зозуля; В. Є. Снитюк

doi:10.24144/2616-7700.2024.44(1).93-105

Автор(и)

В. Г. Гнатієнко Київський нацiональний унiверситет iм. Т. Шевченка, Україна https://orcid.org/0009-0000-2678-5158
Г. М. Гнатієнко Київський національний університет ім. Т. Шевченка, Україна https://orcid.org/0000-0002-0465-5018
О. Л. Зозуля ТОВ «Сингента», Україна https://orcid.org/0000-0003-3500-3423
В. Є. Снитюк Київський національний університет ім. Т. Шевченка, Україна https://orcid.org/0000-0002-9954-8767

DOI:

https://doi.org/10.24144/2616-7700.2024.44(1).93-105

Ключові слова:

сільськогосподарські культури, десикація, прогнозування, супутникові дані, кліматичні показники, вегетаційні індекси, нейронні мережі

Анотація

Дослідження присвячене розробці інтелектуальної технології прогнозування врожайності з використанням супутникових, геоінформаційних даних та кліматичних показників. Використання сучасних методів машинного навчання надає представникам аграрного сектору стратегічні переваги, дозволяючи знижувати ризики від надмірного використання пестицидів та сприяти сталому розвитку сільського господарства. У статті пропонується здійснювати оптимізацію процесу переджнивного підсушування рослин з метою прискорення достигання і полегшення збирання врожаю (десикацію) соняшнику, використовуючи моделювання обсягів можливих втрат врожаю на основі даних, одержаних в період вегетації культури. Така пропозиція є актуальною, оскільки її використання забезпечує підвищення точності прогнозів та ефективність управлінських рішень разом із зменшенням витрат на обробку полів.

Посилання

Khaki, S., & Wang, L. (2019). Crop yield prediction using deep neural networks. Front. Plant Sci., 10, 621.

Paudel, D., Boogaard, H., A. de Wit, Janssen, S., Osinga, S., Pylianidis, C., & Athanasiadis, I. N. (2021). Machine learning for large-scale crop yield forecasting. Agric. Syst., 187, 103016. https://doi.org/10.1016/j.agsy.2020.103016

Elavarasan„ D., & Vincent, P. M. D. (2020). Crop Yield Prediction Using Deep Reinforcement Learning Model for Sustainable Agrarian Applications. IEEE Access, 8, 86886–86901. https://doi.org/10.1109/ACCESS.2020.2992480

Al-Gaadi, K. A., Hassaballa,A. A., Tola, E., Kayad, A. G., Madugundu, R., Alblewi, B., & Assiri, F. (2016). Prediction of Potato Crop Yield Using Precision Agriculture Techniques. PLoS One, 11(9). https://doi.org/10.1371/journal.pone.0162219

Zozulia, O. L. (2023). Modern methods of digital monitoring in crop production: Monograph. Kyiv: Vid A do Ya [in Ukranian].

Anusha, P. V., Anuradha, C., Murty, P. S. R. C., & Kiran, C. S. (2019). Detecting Outliers in High Dimensional Data Sets using Z-Score Methodology. International Journal of Innovative Technology and Exploring Engineering, 9(1), 48–53. https://doi.org/10.35940/ijitee.A3910.119119

Jiao, L., Huo, L., Hu, C., & Tang, P. (2020). Refined Unet: Unet-Based Refinement Network for Cloud and Shadow Precise Segmentation. Remote Sensing, 12(12), 2001. https://doi.org/10.3390/rs12122001

Ke, G., Meng, Q., Finley, T., Wang, T., Chen, W., Ma, W., Ye, Q., & Liu, T.-Y. (2017). Lightgbm: A highly efficient gradient boosting decision tree. 31st Conference on Neural Information Processing Systems (NIPS 2017). Long Beach. CA: USA.

Bilan, S., Hnatiienko, V., Ilarionov, O., & Krasovska, H. (2023). The Technology of Selection and Recognition of Information Objects on Images of the Earth’s Surface Based on Multi-Projection Analysis. CEUR Workshop Proceedings. Selected Papers of the III International Scientific Symposium “Intelligent Solutions” (IntSol-2023). Symposium Proceedings Kyiv — Uzhhorod: Ukraine.

Hnatiienko, H., Domrachev, V., & Saiko, V. (2021). Monitoring the condition of agricultural crops based on the use of clustering methods. 15th International Conference Monitoring of Geological Processes and Ecological Condition of the Environment. Monitoring. https://doi.org/10.3997/2214-4609.20215K2049