Підхід і модель прогнозування врожайності озимої пшениці на основі машинного навчання
DOI:
https://doi.org/10.31734/agroengineering2024.28.182Ключові слова:
прогнозування, врожайність, озима пшениця, алгоритм XGBoost, модель, машинне навчанняАнотація
Проведено аналіз предметної галузі та наукової літератури щодо використання інтелектуальних підходів до прогнозування та планування діяльності в сільському господарстві. Обґрунтовано доцільність використання машинного навчання для прогнозування процесів у сільському господарстві. Обґрунтовано модель прогнозування врожайності озимої пшениці на основі використання історичних даних, алгоритмів машинного навчання та врахування особливостей процесів і використання ресурсів у сільському господарстві. Запропонований підхід до прогнозування врожайності озимої пшениці ґрунтується на використанні історичних даних та алгоритмів машинного навчання, які враховують особливості виконуваних процесів та ресурсів, задіяних у сільському господарстві. Вибір ефективної моделі прогнозу врожайності озимої пшениці базується на розробленому алгоритмі, який передбачає системне виконання семи етапів. Для підготовки даних використано інтелектуальні алгоритми аналізу, які забезпечують оцінку взаємозв’язків між факторами, що впливають на врожайність озимої пшениці.
На основі якісно підготовлених даних обґрунтовано модель прогнозу врожайності озимої пшениці, здійснивши оцінку точних показників. Для дослідження обрано три алгоритми (система найменших квадратів (OLS), посилення градієнта (XGBoost) і лінійна регресія з поліноміальними характеристиками. У результаті були створені окремі моделі, порівняні за показниками якості. На основі результатів виявлено, що найкращою моделлю є модель посилення градієнта (XGBoost). Він має найнижчі значення з усіх показників якості - MSE, RMSE, MAE і R-квадрат. Подальші дослідження необхідно проводити в напрямку створення інтелектуальної інформаційної системи планування процесів у сільському господарстві з модулем прогнозування врожайності озимої пшениці на основі обґрунтованої нами моделі.
Посилання
Benos, L., Tagarakis, A., Dolias, G., Berruto, R., Kateris, D., Bochtis D. (2021). Machine Learning in Agriculture. A Comprehensive Updated Review. Sensors. 21 (11):3758.
Elbasi, E., Zaki, C., Topcu, A. E., Abdelbaki, W., Zreikat, AI., Cina, E., Shdefat, A., Saker, L. (2023). Crop Prediction Model Using Machine Learning Algorithms. Applied Sciences. 13(16):9288.
Gilliland, M. (2020). The value added by machine learning approaches in forecasting. International Journal of Forecasting, Volume 36, Issue 1. pp. 161-166.
Hrynevych, O, Blanco Canto, M, Jiménez García, M. (2022). Tendencies of Precision Agriculture in Ukraine. Disruptive Smart Farming Tools as Cooperation Drivers. Agriculture. 12(5):698.
Hua Leong, F., Farn Haur, C. (2002). Deep Learning-Based Text Recognition of Agricultural Regulatory Document. In: Bădică, C., Treur, J., Benslimane, D., Hnatkowska, B., Krótkiewicz, M. (eds) Advances in Computational Collective Intelligence. ICCCI 2022. Communications in Computer and Information Science, vol 1653. Springer, Cham.
Kamilaris, A., Prenafeta-Boldú, F. (2018). Deep learning in agriculture: A survey. Computers and Electronics in Agriculture, Volume 147, pp. 70-90.
Koval, N., Tryhuba, A., Kondysiuk, I., Тryhuba, I., Boiarchuk, O., Rudynets, M., Grabovets, V., Onyshchuk ,V. (2021). Forecasting the Fund of Time for Performance of Works in Hybrid Projects Using Machine Training Technologies, Proceedings of the 3nd International Workshop on Modern Machine Learning Technologies and Data Science Workshop. Proc. 3rd International Workshop (MoMLeT&DS 2021). Volume I: Main Conference. Lviv-Shatsk, Ukraine, June 5-6, 2021. Pp. 196-206.
Kunanets, N., Vasiuta, O., Boiko, N. (2019). Advanced technologies of big data research in distributed information systems. 14th International Scientific and Technical Conference on Computer Sciences and Information Technologies (CSIT), vol. 3, 71–76, September 2019.
Liakos, K., Busato, P., Moshou, D., Pearson, S., Bochtis, D. (2018). Machine Learning in Agriculture. A Review. Sensors 2018, 18, 2674.
Lycett, M., Marcos, E., Storey, V. (2007). Model-driven systems development: An introduction. European Journal of Information Systems. 16. 10.1057/palgrave.ejis.3000684.
Mohd, J., Abid, H., Pratap Singh, R., Rajiv, S. (2022). Enhancing smart farming through the applications of Agriculture 4.0 technologies. International Journal of Intelligent Networks, Volume 3, pp. 150-164.
Nawarecki, E., Kluska-Nawarecka, S., Wilk-Kołodziejczyk, D., Śnieżyński, B., Legień, G. (2018). Integrated Multi-functional LPR Intelligent Information System.
Precision Farming Market. Market & Market's, 2023. Retrieved from https://www.marketsandmarkets.com/Market-Reports/precision-farming-market-1243.html
Shahbandeh, M. Global market size of smart farming 2021-2027. Statista, 2023. Retrieved from https://www.statista.com/statistics/720062/market-value-smart-agriculture-worldwide/
Shiqiang, Zh., Ting ,Y., Tao, X., Hongyang, Ch., Schahram, D., Sylvain, G., Deniz, G., Ekram, H., Yaochu, J., Feng, L. et al. (2023). Intelligent Computing. The Latest Advances, Challenges, and Future. Intell Comput. 2:0006.
Тryhuba, A., Boyarchuk, V., Tryhuba, I., Ftoma, O, Padyuka, R., Rudynets, M. (2020). Forecasting the Risk of the Resource Demand for Dairy Farms Basing on Machine Learning. Proceedings of the 2nd International Workshop on Modern Machine Learning Technologies and Data Science (MoMLeT+DS 2020). Volume I: Main Conference. Lviv-Shatsk, Ukraine, June 2-3. Pp. 327-340.
Tryhuba, A., Kondysiuk, I., Tryhuba, I., Boiarchuk, O., Tatomyr, A. (2022). Intellectual information system for formation of portfolio projects of motor transport enterprises. CEUR Workshop Proceedings, 3109, pp. 44–52.
Vyklyuk, Y., Radovanovic, M., Pasichnyk, V., Kunanets ,N., Sydor, P. (2018). Forecasting of forest fires in portugal using parallel calculations and machine learning. Proceedings of the XVIII International Conference on Data Science and Intelligent Analysis of Information, June 4–7, 2018, Kyiv, Ukraine. Pp. 39-49.
Yaganteeswarudu, A., Saroj Kumar, B., Aruna, V. (2023). Smart farming using artificial intelligence. A review Engineering Applications of Artificial Intelligence. Volume 120, 105899.
Yan-e, D. (2011). Design of Intelligent Agriculture Management Information System Based on IoT. Fourth International Conference on Intelligent Computation Technology and Automation, Shenzhen, China, 2011. Pp. 1045-1049.
Yurynets, R., Yurynets, Z., Grzebyk, M., Kokhan, M., Kunanets, N., Shevchenko, M. (2022). Neural Network Modeling of the Social and Economic. Investment and Innovation Policy of the State, Proceedings of the 4nd International Workshop on Modern Machine Learning Technologies and Data Science Workshop MoMLeT&DS 2022. Leiden, The Netherlands. Pp. 252-262.
Zahmatkesh, Z., Goharian, E. (2018). Comparing Machine Learning and Decision Making Approaches to Forecast Long Lead Monthly Rainfall. The City of Vancouver, Canada. Hydrology. 5(1):10.
Zhelyeznyak, A., Ptashnyk, V. (2022). Modelling the architecture of a planning system for agricultural enterprises. Selected Papers from the Xth International Conference «Information technologies in energy and agro-industrial complex», ITEA 2021, October 6-8, 2021. Pp. 32-37.
