2022, випуск 1, c. 19-27

Одержано 13.01.2022; Виправлено 03.02.2022; Прийнято 28.06.2022

Надруковано 30.06.2022; Вперше Online 03.08.2022

https://doi.org/10.34229/2707-451X.22.1.3

Попередня  |  ПОВНИЙ ТЕКСТ  |  Наступна

 

УДК 519.67

Застосування технології штучних нейронних мереж для прогнозування втрат врожаю соняшника

О.Л. Зозуля 1,   В.М. Домрачев 2 ORCID ID favicon Big,   В.В. Третиник 3 * ORCID ID favicon Big

1 ТОВ «Сингента»

2 Київський національний університет імені Тараса Шевченка

3 НТУУ «КПІ ім. Ігоря Сікорського»

* Листування: Ця електронна адреса захищена від спам-ботів. Вам потрібно увімкнути JavaScript, щоб побачити її.

 

Вступ. Штучні нейронні мережі (ШНМ) завоювали популярність як ефективний інструмент  пропонування рішень для широкого спектру різноманітних біологічних досліджень та сільськогосподарської сфери. Їхня ефективність випливає із здібностей моделювати складні зв’язки між даними спостережень із датчиків і прогнозованими змінними, не покладаючись на припущення щодо структури моделі. Отже вони можуть передбачити реальну природу нелінійного відношення між вхідними та вихідними даними. Прогнозування врожайності є серйозною задачею в  землеробстві пов'язаною з прийняттям найкращих методів управління, ціноутворення та безпеки.

Для прогнозування врожайності сільськогосподарських культур розроблено різноманітні методи та методики у сільському господарстві. Прогнозування врожайності вимагає контролю за багатьма параметрами, включаючи рН вмісту вологи, органічний склад ґрунту, загальний азот та органічний вуглець, що ускладнює процес прогнозування.

Мета. З'ясувати та обґрунтувати можливість прогнозувати імовірні втрати фермером врожаю соняшника на основі аналізу розподілу індексу вегетації на полі.

Результати. Вплив параметрів, що характеризують урожай, на його втрати є, але чітку регресійну залежність побудувати неможливо. Тому для побудови моделі використовується технологія штучних нейронних мереж. Модель формується у вигляді алгоритму, на вході якого задаються вхідні параметри (значення вегетаційного індексу на початку дослідження, зміна значення індексу за період дослідження, вологість насіння на спостережуваній ділянці, відсоток спостережуваної площі від площі поля), на виході отримуємо відсоток можливих втрат врожаю. Алгоритм автоматично транслюється в програму мовою програмування C++ (або іншою мовою програмування), що дозволяє на практиці моделювати можливі втрати врожаю фермера залежно від його дій щодо вирощування сільськогосподарських культур.

 

Ключові слова: соняшник, машинне навчання, штучні нейронні мережі, прогнозна модель.

 

Цитувати так: Zozulya O., Domrachev V., Tretynyk V. Application of Artificial Neural Network Technology for Prediction of Sunflower Harvest Losses. Cybernetics and Computer Technologies. 2022. 1. P. 19–27. https://doi.org/10.34229/2707-451X.22.1.3

 

Список літератури

           1.     Зозуля О.Л. Цифрові технології у рослинництві. Київ, 2020. 72 с.

           2.     Снитюк В.Е., Мирошник О.Н. Моделирование и прогнозирование процессов на рынке недвижимости. Черкассы, 2014. 332 с.

           3.     Pantazi X., Moshou D., Bochtis D. Intelligent Data Mining and Fusion Systems in Agriculture. Academic Press Elsevier Inc., London, 2020. 319 p. https://doi.org/10.1016/B978-0-12-814391-9.00001-7

           4.     Хайкин C. Нейронные сети. Диалектика, 2020. 1104 с.

           5.     Tadeusiewicz R., Chaki R., Chaki N. Exploring Neural Networks with C #. New York CRC Press, 2015. 296 р. https://doi.org/10.1201/b17332

           6.     Sugomori Y., Kaluza B., Soares F.M., Souza A.M.F. Deep Learning: Practical Neural Networks with Java. Packt Publishing, 2017. 721 р.

           7.     Livshin I. Artificial Neural Networks with Java: Tools for Building Neural Network Applications. APress. 2019. 575 р. https://doi.org/10.1007/978-1-4842-4421-0

           8.     Virender S. C ++ Neural Networks and Fuzzy Logic. Amazon Digital Services, Inc., 2015. 447 p.

 

 

ISSN 2707-451X (Online)

ISSN 2707-4501 (Print)

Попередня  |  ПОВНИЙ ТЕКСТ  |  Наступна

 

 

 

© Вебсайт та оформлення. 2019-2022,

Інститут кібернетики імені В.М. Глушкова НАН України,

Національна академія наук України.