Розробка нейромережевої моделі для прогнозування впливу фосфору на врожайність ярої пшениці
DOI:
https://doi.org/10.15587/1729-4061.2023.292849Ключові слова:
нейромережева модель прогнозування, прогнозування врожайності, дані про фосфор, нейронні мережіАнотація
Розроблено нейронну мережу для прогнозування впливу фосфору на врожайність ярої пшениці. Основна увага приділяється нейронній мережі, включаючи її структуру, параметри, методи навчання та результати, пов'язані з впливом фосфору на врожайність ярої пшениці. А також представлений алгоритм розробки моделі нейронної мережі.
Дослідження було проведено з метою задоволення критичної потреби у розробці нейронної мережі для прогнозування впливу фосфору на врожайність ярої пшениці в Республіці Казахстан.
Для аналізу даних були використані вхідні дані, що охоплюють період з 2012 по 2022 рік, включаючи кліматичні показники, регіональні особливості та внесення фосфору. Цільовою змінною є врожайність ярої пшениці. Для забезпечення точності дослідження дані були попередньо оброблені та стандартизовані, а також було проведено аналіз викидів та відхилень. Розроблена нейронна мережа була навчена і протестована до отримання кращих результатів. В якості метрики оцінки якості прогнозування була використана середньоквадратична помилка (Mean Squared Error). Додатково були розглянуті такі показники, як середня абсолютна помилка та коефіцієнт детермінації.
Результати дослідження показали MSE у розмірі 7.12, що вказує на те, що модель добре узгоджується з даними та робить точні прогнози, що також свідчить про його практичну значимість. Кореляційний аналіз ознак показав, що внесення фосфору та врожайність ярої пшениці мають позитивну залежність. Ці результати можуть бути дуже корисними для сільського господарства та аграрних підприємств, оскільки дозволяють оптимізувати внесення фосфору в грунт і підвищити врожайність пшениці
Посилання
- Nedic, V., Despotovic, D., Cvetanovic, S., Despotovic, M., Babic, S. (2014). Comparison of classical statistical methods and artificial neural network in traffic noise prediction. Environmental Impact Assessment Review, 49, 24–30. doi: https://doi.org/10.1016/j.eiar.2014.06.004
- Hasanzadehshooiili, H., Lakirouhani, A., Medzvieckas, J. (2012). Superiority of artificial neural networks over statistical methods in prediction of the optimal length of rock bolts. Journal of Civil Engineering and Management, 18 (5), 655–661. doi: https://doi.org/10.3846/13923730.2012.724029
- Аkanova, A., Ospanova, N., Sharipova, S., Мauina, G., Abdugulova, Z. (2022). Development of a thematic and neural network model for data learning. Eastern-European Journal of Enterprise Technologies, 4 (2 (118)), 40–50. doi: https://doi.org/10.15587/1729-4061.2022.263421
- Zhang, L., Huang, Z., Liu, W., Guo, Z., Zhang, Z. (2021). Weather radar echo prediction method based on convolution neural network and Long Short-Term memory networks for sustainable e-agriculture. Journal of Cleaner Production, 298, 126776. doi: https://doi.org/10.1016/j.jclepro.2021.126776
- Rodríguez, S., Gualotuña, T., Grilo, C. (2017). A System for the Monitoring and Predicting of Data in Precision Agriculture in a Rose Greenhouse Based on Wireless Sensor Networks. Procedia Computer Science, 121, 306–313. doi: https://doi.org/10.1016/j.procs.2017.11.042
- Aggarwal, P., Shirsath, P., Vyas, S., Arumugam, P., Goroshi, S., Aravind, S. et al. (2020). Application note: Crop-loss assessment monitor – A multi-model and multi-stage decision support system. Computers and Electronics in Agriculture, 175, 105619. doi: https://doi.org/10.1016/j.compag.2020.105619
- Kansiime, M. K., Rwomushana, I., Mugambi, I., Makale, F., Lamontagne-Godwin, J., Chacha, D. et al. (2020). Crop losses and economic impact associated with papaya mealybug (Paracoccus marginatus) infestation in Kenya. International Journal of Pest Management, 69 (2), 150–163. doi: https://doi.org/10.1080/09670874.2020.1861363
- Zhang, Q., Wang, K., Han, Y., Liu, Z., Yang, F., Wang, S. et al. (2022). A crop variety yield prediction system based on variety yield data compensation. Computers and Electronics in Agriculture, 203, 107460. doi: https://doi.org/10.1016/j.compag.2022.107460
- Murakami, K., Shimoda, S., Kominami, Y., Nemoto, M., Inoue, S. (2021). Prediction of municipality-level winter wheat yield based on meteorological data using machine learning in Hokkaido, Japan. PLOS ONE, 16 (10), e0258677. doi: https://doi.org/10.1371/journal.pone.0258677
- Tian, H., Wang, P., Tansey, K., Zhang, J., Zhang, S., Li, H. (2021). An LSTM neural network for improving wheat yield estimates by integrating remote sensing data and meteorological data in the Guanzhong Plain, PR China. Agricultural and Forest Meteorology, 310, 108629. doi: https://doi.org/10.1016/j.agrformet.2021.108629
- Sharma, S., Kaur, G., Singh, P., Alamri, S., Kumar, R., Siddiqui, M. H. (2022). Nitrogen and potassium application effects on productivity, profitability and nutrient use efficiency of irrigated wheat (Triticum aestivum L.). PLOS ONE, 17 (5), e0264210. doi: https://doi.org/10.1371/journal.pone.0264210
- Alvarez, R., De Paepe, J. L., Gimenez, A., Recondo, V., Pagnanini, F., Mendoza, M. R. et al. (2019). Using a nitrogen mineralization index will improve soil productivity rating by artificial neural networks. Archives of Agronomy and Soil Science, 66 (4), 517–531. doi: https://doi.org/10.1080/03650340.2019.1626984
- Alvarez, R., Steinbach, H. S. (2017). Modeling Soil Test Phosphorus Changes under Fertilized and Unfertilized Managements Using Artificial Neural Networks. Agronomy Journal, 109 (5), 2278–2290. doi: https://doi.org/10.2134/agronj2017.01.0014
- Niedbała, G., Nowakowski, K., Rudowicz-Nawrocka, J., Piekutowska, M., Weres, J., Tomczak, R. J. et al. (2019). Multicriteria Prediction and Simulation of Winter Wheat Yield Using Extended Qualitative and Quantitative Data Based on Artificial Neural Networks. Applied Sciences, 9 (14), 2773. doi: https://doi.org/10.3390/app9142773
- Maya Gopal, P. S., Bhargavi, R. (2019). A novel approach for efficient crop yield prediction. Computers and Electronics in Agriculture, 165, 104968. doi: https://doi.org/10.1016/j.compag.2019.104968
- Tang, X., Liu, H., Feng, D., Zhang, W., Chang, J., Li, L., Yang, L. (2022). Prediction of field winter wheat yield using fewer parameters at middle growth stage by linear regression and the BP neural network method. European Journal of Agronomy, 141, 126621. doi: https://doi.org/10.1016/j.eja.2022.126621
- Pantazi, X. E., Moshou, D., Alexandridis, T., Whetton, R. L., Mouazen, A. M. (2016). Wheat yield prediction using machine learning and advanced sensing techniques. Computers and Electronics in Agriculture, 121, 57–65. doi: https://doi.org/10.1016/j.compag.2015.11.018
- Han, J., Zhang, Z., Cao, J., Luo, Y., Zhang, L., Li, Z., Zhang, J. (2020). Prediction of Winter Wheat Yield Based on Multi-Source Data and Machine Learning in China. Remote Sensing, 12 (2), 236. doi: https://doi.org/10.3390/rs12020236
- Bureau of National Statistics. Agency for Strategic Planning and Reforms of the Republic of Kazakhstan. Available at: https://stat.gov.kz/en/
- National Hydrometeorological Service of Kazakhstan. Available at: https://www.kazhydromet.kz/en/
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2023 Saltanat Sharipova, Akerke Аkanova, Nazira Ospanova
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.
Ліцензійний договір – це документ, в якому автор гарантує, що володіє усіма авторськими правами на твір (рукопис, статтю, тощо).
Автори, підписуючи Ліцензійний договір з ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР», мають усі права на подальше використання свого твору за умови посилання на наше видання, в якому твір опублікований. Відповідно до умов Ліцензійного договору, Видавець ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР» не забирає ваші авторські права та отримує від авторів дозвіл на використання та розповсюдження публікації через світові наукові ресурси (власні електронні ресурси, наукометричні бази даних, репозитарії, бібліотеки тощо).
За відсутності підписаного Ліцензійного договору або за відсутністю вказаних в цьому договорі ідентифікаторів, що дають змогу ідентифікувати особу автора, редакція не має права працювати з рукописом.
Важливо пам’ятати, що існує і інший тип угоди між авторами та видавцями – коли авторські права передаються від авторів до видавця. В такому разі автори втрачають права власності на свій твір та не можуть його використовувати в будь-який спосіб.
