РОЗПОДІЛЕНЕ ПРОГНОЗУВАННЯ ВРОЖАЙНОСТІ СОНЯШНИКА НА ОСНОВІ ПРОСТОРОВОГО АНАЛІЗУ ТА МАШИННОГО НАВЧАННЯ
DOI:
https://doi.org/10.15407/dopovidi2025.04.017Ключові слова:
супутникові дані, кліматичні показники, машинне навчання, аналіз великих даних, вегета- ційні індекси, ФАО, прогнозування втрат, десикаціяАнотація
Дослідження присвячено розробленню інтелектуальної системи прогнозування врожайності з використанням супутникових та геоінформаційних даних і кліматичних показників. Впровадження сучасних інформаційних технологій, зокрема методів машинного навчання та аналізу великих даних, надає фахівцям аграрного сектору стратегічні переваги, що дає можливість знижувати ризики надмірного використання пестицидів і сприяти сталому розвитку сільського господарства. Це дослідження спрямоване на оптимізацію використання десикантів на соняшнику шляхом моделювання обсягів можливих втрат врожаю на основі одержаних у період вегетації культури даних. Використання цифрових рішень є актуальним для рослинництва, оскільки забезпечує підвищення точності прогнозів та ефективності управлінських рішень, сприяючи зменшенню витрат та збільшенню продуктивності агрофітоценозів.
Завантаження
Посилання
Schwartau, V. V. (2024). Biological factors affecting food security in Ukraine: According to the materials of sci- entific report at the meeting of the Presidium of NAS of Ukraine, February 7, 2024. Visn. Nac. Acad. Nauk Ukr., No. 4, pp. 15-24 (in Ukrainian). https://doi.org/10.15407/visn2024.04.015
Hnatiienko, V. H., Hnatiienko, H. M., Zozulya, O. L. & Snytyuk, V. Ye. (2024). Method of forecasting yield of agricultural crops using multifactor analysis and neural networks. Scientific Bulletin of Uzhhorod University. Series of Mathematics and Informatics, 44, No. 1, pp. 93-105 (in Ukrainian). https://doi.org/10.24144/2616- 7700.2024.44(1).93-105
Khaki, S. & Wang, L. (2019). Crop yield prediction using deep neural networks. Front. Plant Sci., 10, 621. https:// doi.org/10.3389/fpls.2019.00621
Paudel, D., Boogaard, H., de Wit, A., Janssen, S., Osinga, S., Pylianidis, C. & Athanasiadis, I. N. (2021). Ma- chine 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, pp. 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). Predic- tion of potato crop yield using precision agriculture techniques. PLoS ONE, 11(9), e0162219. https://doi. org/10.1371/journal.pone.0162219
Zozulia, O. L., Schwartau, V. V., Mykhalska, L. M., Kovel, O. L., Hnatienko, H. M., Snitiuk, V. E., Domrachev, V. M.
& Tmenova, N. P. (2023). Modern methods of digital monitoring in crop production. Kyiv, Vid A do Ya (in Ukrainian).
Anusha, P. V., Anuradha, Ch., Murty, P. S. R. C. & Kiran, Ch. S. (2019). Detecting outliers in high dimensional data sets using z-score methodology. Int. J. Innov. Technol. Explor. Eng., 9, No. 1, pp. 48-53. https://doi. org/10.35940/ijitee.A3910.119119
Jiao, L., Huo, L., Hu, C. & Tang, P. (2001). Refined UNet: UNet-based refinement network for cloud and shadow precise segmentation. Remote Sens., 12, No. 12. https://doi.org/10.3390/rs12122001
Ke, G., Meng, Q., Finley, T., Wang, T., Chen, W., Ma, W., Ye, Q. & Liu, T.-Y. (2017, December). LightGBM: A highly efficient gradient boosting decision tree. Proceeding of the 31st Conference on Neural information pro- cessing systems 30 (NIPS 2017), (pp. 3146-3154), Long Beach, CA, USA.
Bilan, S., Hnatiienko, V., Ilarionov, O. & Krasovska, H. (2023, September). The technology of selection and recognition of information objects on images of the earth’s surface based on multi-projection analysis. Proceed- ings of the 3th International Scientific Symposium “Intelligent Solutions” (IntSol-2023), (pp. 23-32), Kyiv — Uzhhorod, Ukraine.
Hnatiienko, H., Domrachev, V. & Saiko, V. (2021). Monitoring the condition of agricultural crops based on the use of clustering methods. Proceeding of the 15th International Conference Monitoring of geological processes and ecological condition of the environment, Vol. 2021 (pp. 1-5), Kyiv, Ukraine. https://doi.org/10.3997/2214- 4609.20215K2049
Hnatiienko, V. & Snytyuk, V. (2024, October). Site-specific forecasting of agricultural crop yield as a technology and service. Proceedings of the 8th International Scientific and Practical Conference Applied information sys- tems and technologies in the digital society (AISTDS 2024), (pp. 44-55). Kyiv, Ukraine.
Hnatiienko, V. & Hnatiienko, H. (2024). Integration of machine learning and deep learning methods for sun- flower yield prediction. Management of Development of Complex Systems, 59, pp. 225-234. https://doi. org/10.32347/2412-9933.2024.59.225-234
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2025 Доповіді Національної академії наук України
Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
