2024, випуск 2, c. 67-73
Одержано 09.04.2024; Виправлено 12.05.2024; Прийнято 28.05.2024
Надруковано 09.06.2024; Вперше Online 14.06.2024
https://doi.org/10.34229/2707-451X.24.2.7
Попередня | ПОВНИЙ ТЕКСТ | Наступна
Застосування методу опорних векторів для визначення необхідності штучного поливу рослин на основі індукції флуоресценції хлорофілу
Інститут кібернетики імені В.М. Глушкова НАН України, Київ
Листування: Ця електронна адреса захищена від спам-ботів. Вам потрібно увімкнути JavaScript, щоб побачити її.
Вступ. Індукція флуоресценції хлорофілу (ІФХ) – це спосіб отримання додаткової інформації про стан рослин без їх пошкодження. ІФХ виникає при освітленні рослини у синьому спектрі світла. При цьому отримується так звана крива Каутського у червоному спектрі світла. В даний час існують роботи з визначення водного дефіциту на основі ІФХ з використанням нейронних мереж. Метод опорних векторів (SVM) – модель машинного навчання, здатна виконувати лінійну або нелінійну класифікацію, регресію і навіть знаходження викидів у даних. SVM може виступати альтернативою до нейронних мереж при аналізі вимірювань індукції флуоресценції хлорофілу.
Мета роботи – оцінити можливість визначення необхідності штучного поливу рослин сої на основі методу опорних векторів і порівняти ці результати з результатами, отриманими автором в більш-ранніх експериментах при аналізі ІФХ рослин цинії.
Результати. Здійснено дослідження SVM з використанням різних ядер, різних способів нормалізації вимірювань ІФХ, різних способів зменшення розмірності даних. Використовувалася реалізація SVM з бібліотеки Scikit-learn, клас SVR (Support Vector Regression). Експериментально встановлено найкраще ядро, найкращий спосіб нормалізації та спосіб формування вхідного вектора для методу опорних векторів з метою визначення необхідності штучного поливу.
Висновки. Дослідження методу опорних векторів з метою визначення необхідності штучного поливу на основі кривих ІФХ показало, що найкращий результат отримується при використанні поліноміального ядра четвертого степеня з використанням 10 точок кривої ІФХ, взятих нерівномірно за степеневою шкалою (степінь 1/8) з використанням мінімаксної нормалізації вимірювань ІФХ. Також показано, що SVM дає гірші результат при аналізі кривих ІФХ рослин сої ніж при аналізі вимірювань ІФХ цинії, що можна пояснити тим, що соя посухостійка рослина, а тому ІФХ у меншій мірі відображає дефіцит вологи у ґрунті.
Ключові слова: метод опорних векторів, індукція флуоресценції хлорофілу, зниження розмірності даних.
Цитувати так: Груша В.М. Застосування методу опорних векторів для визначення необхідності штучного поливу рослин на основі індукції флуоресценції хлорофілу. Cybernetics and Computer Technologies. 2024. 2. С. 67–73. https://doi.org/10.34229/2707-451X.24.2.7
Список літератури
1. Kalaji H.M, Schansker G., Ladle R.J. et al Frequently asked questions about in vivo chlorophyll fluorescence: practical issues. Photosynthesis Research. 2014. Vol. 122, Iss. 2. P. 121–158. https://doi.org/10.1007/s11120-014-0024-6
2. Kalaji H.M. et al. Frequently asked question about chlorophyll fluorescence, the sequel. Photosynthesis Research. 2017. Vol. 132, Iss. 1. P. 13 – 66. https://doi.org/10.1007/s11120-016-0318-y
3. Goltsev V., Zaharieva I., Chernev P., Kouzmanova M., Kalaji H.M., Yordanov I., Krasteva V., Alexandrov V., Stefanov D., Allkhverdiev S.I., Strasser R.J. Drought-induced modification of photosynthetic electron transport in intact leaves: Analysis and use of neural network as a tool for a rapid non-invasive estimation. Biochimica et Biophysica Acta. 2012. Vol. 1817, Iss. 8. P. 1490–1498. https://doi.org/10.1016/j.bbabio.2012.04.018
4. Zhou Ch., Mao J.D., Zhao H., Zhang B. Combining principle component analysis and a back-propagation network for classifying plant water stress based on images of chlorophyll fluorescence. Frontier research and Innovation in Optoelectronics technology and Industry. London: Taylor&Francis Group, 2019. P. 241–248.
5. Rybka K., Janaszek-Mankowska M., Siedlarz P., Mankowski D. Machine learning in determination of water saturation deficit in wheat leaves on basis of Chl a fluorescence parameters. Photosynthetica. 2019. Vol. 57, Iss. 1. P. 226–230. http://dx.doi.org/10.32615/ps.2019.017
6. Груша В. Інтелектуальна обробка даних від хлорофіл-флуорометричних сенсорів. Кібернетика та комп’ютерні технології. 2022. № 1. С. 42–48. https://doi.org/10.34229/2707-451X.22.1.5
7. Srivastava D.K., Bhambhu L. Data classification using support vector machine. Journal of Theoretical and Applied Information Technology. 2010. Vol 12, No. 1. https://www.jatit.org/volumes/Vol12No1/1Vol12No1.pdf
8. Scikit-learn: sklearn.svm. SVC. https://scikit-learn.org/stable/modules/generated/sklearn.svm.SVC.html (звернення: 25.03.2024).
9. Scikit-learn: sklearn.svm. SVR. https://scikit-learn.org/stable/modules /generated/sklearn.svm.SVR.html#sklearn. svm.SVR (звернення: 25.03.2024).
10. NumPy: numpy.poly. https://numpy.org/doc/stable/reference/generated/numpy.poly.html (звернення: 25.03.2024)
ISSN 2707-451X (Online)
ISSN 2707-4501 (Print)
Попередня | ПОВНИЙ ТЕКСТ | Наступна