Розробка системи моніторингу та управління кліматизалежними процесними ризиками на основі прихованих марковських моделей (на прикладі врожайності зернових культур)

Автор(и)

DOI:

https://doi.org/10.15587/1729-4061.2026.359355

Ключові слова:

приховані марковські моделі, ймовірнісний моніторинг ризиків, архітектура TO-BE, управління процесами

Анотація

Це дослідження зосереджено на кліматично залежних виробничих процесах, зокрема врожайності зернових культур, в умовах кліматичної мінливості та невизначеності в Північному Казахстані. Проблема, що розглядається, полягає в низькій ефективності детерміністичних підходів до моніторингу ризиків через обмежену прогностичну здатність та відсутність формалізованих критеріїв ризику, що призводить до ненадійного прийняття рішень в умовах невизначеності.

Результати включають розробку триетапної прихованої марковської моделі (S0–S2) та архітектури TO-BE для безперервного моніторингу ризиків та підтримки рішень. Модель дозволила ідентифікувати латентні кліматичні режими та ймовірнісну оцінку станів ризику на 2025 рік. Найвища ймовірність несприятливого режиму спостерігалася в Коргалжині (61,2%) та Єрейментау (58,8%), тоді як Аршали (42,9%) та Жакси (38,1%) показали помірний рівень ризику. Оцінка Брієра коливалася від 0,106 до 0,199, що підтверджує прийнятне калібрування ймовірнісних оцінок.

Ключовою особливістю цього підходу є представлення кліматично-залежних процесів як переходів між латентними ймовірнісними станами, що дозволяє фіксувати часові залежності (кліматичну пам'ять) та збереження несприятливих умов. На відміну від детермінованих моделей, запропонована структура дозволяє динамічно відстежувати ризики за допомогою постійно оновлюваних оцінок ймовірності, інтегрованих у цикл моніторингу.

Перевага цього підходу полягає в поєднанні ймовірнісного моделювання з операційною архітектурою, де ймовірності ризику служать формалізованими сигналами підтримки рішень. Результати можуть бути застосовані в системах раннього попередження та цифрових платформах моніторингу з використанням дистанційного зондування та Інтернету речей.

Біографії авторів

Dulat Kali, Astana IT University

Astana IT University

Nurzhamal Kashkimbayeva, Astana IT University

PhD

School of Software Engineering

Ayan Kemel, Astana IT University

Master of Science (Computer engineering and software)

School of Software Engineering

Botagoz Mirzagalikova, Astana IT University

Master of Science (Robotics)

School of Software Engineering

Zhuldyz Basheyeva, Astana IT University

PhD

School of Software Engineering

Посилання

  1. Karatayev, M., Clarke, M., Salnikov, V., Bekseitova, R., Nizamova, M. (2022). Monitoring climate change, drought conditions and wheat production in Eurasia: the case study of Kazakhstan. Heliyon, 8 (1), e08660. https://doi.org/10.1016/j.heliyon.2021.e08660
  2. Teleubay, Z., Yermekov, F., Rustembayev, A., Topayev, S., Zhabayev, A., Tokbergenov, I. et al. (2023). Comparison of Climate Change Effects on Wheat Production under Different Representative Concentration Pathway Scenarios in North Kazakhstan. Sustainability, 16 (1), 293. https://doi.org/10.3390/su16010293
  3. Schauberger, B., Jägermeyr, J., Gornott, C. (2020). A systematic review of local to regional yield forecasting approaches and frequently used data resources. European Journal of Agronomy, 120, 126153. https://doi.org/10.1016/j.eja.2020.126153
  4. Anderson, W., Shukla, S., Verdin, J., Hoell, A., Justice, C., Barker, B. et al. (2024). Preseason maize and wheat yield forecasts for early warning of crop failure. Nature Communications, 15 (1). https://doi.org/10.1038/s41467-024-51555-8
  5. van Klompenburg, T., Kassahun, A., Catal, C. (2020). Crop yield prediction using machine learning: A systematic literature review. Computers and Electronics in Agriculture, 177, 105709. https://doi.org/10.1016/j.compag.2020.105709
  6. Corcoran, E., Afshar, M., Curceac, S., Lashkari, A., Raza, M. M., Ahnert, S. et al. (2023). Current data and modeling bottlenecks for predicting crop yields in the United Kingdom. Frontiers in Sustainable Food Systems, 7. https://doi.org/10.3389/fsufs.2023.1023169
  7. Ceglar, A., Toreti, A. (2021). Seasonal climate forecast can inform the European agricultural sector well in advance of harvesting. Npj Climate and Atmospheric Science, 4 (1). https://doi.org/10.1038/s41612-021-00198-3
  8. Risbey, J. S., Squire, D. T., Black, A. S., DelSole, T., Lepore, C., Matear, R. J. et al. (2021). Standard assessments of climate forecast skill can be misleading. Nature Communications, 12 (1). https://doi.org/10.1038/s41467-021-23771-z
  9. Darra, N., Anastasiou, E., Kriezi, O., Lazarou, E., Kalivas, D., Fountas, S. (2023). Can Yield Prediction Be Fully Digitilized? A Systematic Review. Agronomy, 13 (9), 2441. https://doi.org/10.3390/agronomy13092441
  10. Romanovska, P., Schauberger, B., Gornott, C. (2023). Wheat yields in Kazakhstan can successfully be forecasted using a statistical crop model. European Journal of Agronomy, 147, 126843. https://doi.org/10.1016/j.eja.2023.126843
  11. Iizumi, T., Shin, Y., Kim, W., Kim, M., Choi, J. (2018). Global crop yield forecasting using seasonal climate information from a multi-model ensemble. Climate Services, 11, 13–23. https://doi.org/10.1016/j.cliser.2018.06.003
  12. Doi, T., Sakurai, G., Iizumi, T. (2020). Seasonal Predictability of Four Major Crop Yields Worldwide by a Hybrid System of Dynamical Climate Prediction and Eco-Physiological Crop-Growth Simulation. Frontiers in Sustainable Food Systems, 4. https://doi.org/10.3389/fsufs.2020.00084
  13. Iizumi, T., Takaya, Y., Kim, W., Nakaegawa, T., Maeda, S. (2021). Global Within-Season Yield Anomaly Prediction for Major Crops Derived Using Seasonal Forecasts of Large-Scale Climate Indices and Regional Temperature and Precipitation. Weather and Forecasting, 36 (1), 285–299. https://doi.org/10.1175/waf-d-20-0097.1
  14. Jin, H., Li, M., Hopwood, G., Hochman, Z., Bakar, K. S. (2022). Improving early-season wheat yield forecasts driven by probabilistic seasonal climate forecasts. Agricultural and Forest Meteorology, 315, 108832. https://doi.org/10.1016/j.agrformet.2022.108832
  15. Ding, H., Newman, M., Alexander, M. A., Wittenberg, A. T. (2019). Diagnosing Secular Variations in Retrospective ENSO Seasonal Forecast Skill Using CMIP5 Model‐Analogs. Geophysical Research Letters, 46 (3), 1721–1730. https://doi.org/10.1029/2018gl080598
  16. Bento, V. A., Russo, A., Dutra, E., Ribeiro, A. F. S., Gouveia, C. M., Trigo, R. M. (2022). Persistence versus dynamical seasonal forecasts of cereal crop yields. Scientific Reports, 12 (1). https://doi.org/10.1038/s41598-022-11228-2
  17. Lou, J., Newman, M., Hoell, A. (2023). Multi-decadal variation of ENSO forecast skill since the late 1800s. Npj Climate and Atmospheric Science, 6 (1). https://doi.org/10.1038/s41612-023-00417-z
  18. Rahmati, M., Amelung, W., Brogi, C., Dari, J., Flammini, A., Bogena, H. et al. (2024). Soil Moisture Memory: State‐Of‐The‐Art and the Way Forward. Reviews of Geophysics, 62 (2). https://doi.org/10.1029/2023rg000828
  19. O’Connell, E., O’Donnell, G., Koutsoyiannis, D. (2023). On the Spatial Scale Dependence of Long‐Term Persistence in Global Annual Precipitation Data and the Hurst Phenomenon. Water Resources Research, 59 (4). https://doi.org/10.1029/2022wr033133
  20. Ho, M., Lall, U., Cook, E. R. (2018). How Wet and Dry Spells Evolve across the Conterminous United States Based on 555 Years of Paleoclimate Data. Journal of Climate, 31 (16), 6633–6647. https://doi.org/10.1175/jcli-d-18-0182.1
  21. Mehrabi, Z., Ramankutty, N. (2019). Synchronized failure of global crop production. Nature Ecology & Evolution, 3 (5), 780–786. https://doi.org/10.1038/s41559-019-0862-x
  22. Hewamalage, H., Ackermann, K., Bergmeir, C. (2022). Forecast evaluation for data scientists: common pitfalls and best practices. Data Mining and Knowledge Discovery, 37 (2), 788–832. https://doi.org/10.1007/s10618-022-00894-5
  23. Petropoulos, T., Benos, L., Berruto, R., Miserendino, G., Marinoudi, V., Busato, P. et al. (2025). Interpretable Machine Learning for Legume Yield Prediction Using Satellite Remote Sensing Data. Applied Sciences, 15 (13), 7074. https://doi.org/10.3390/app15137074
  24. Jabed, Md. A., Azmi Murad, M. A. (2024). Crop yield prediction in agriculture: A comprehensive review of machine learning and deep learning approaches, with insights for future research and sustainability. Heliyon, 10 (24), e40836. https://doi.org/10.1016/j.heliyon.2024.e40836
  25. Gold, D. F., Gupta, R. S., Reed, P. M. (2024). Exploring the Spatially Compounding Multi‐Sectoral Drought Vulnerabilities in Colorado’s West Slope River Basins. Earth’s Future, 12 (11). https://doi.org/10.1029/2024ef004841
  26. Lenssen, N. J. L., Goddard, L., Mason, S. (2020). Seasonal Forecast Skill of ENSO Teleconnection Maps. Weather and Forecasting, 35 (6), 2387–2406. https://doi.org/10.1175/waf-d-19-0235.1
  27. Ryssaliyeva, L., Salnikov, V., Lin, Z., Raimbekova, Z. (2025). Seasonal Sensitivity of Drought Indices in Northern Kazakhstan: A Comparative Evaluation and Selection of Optimal Indicators. Sustainability, 17 (21), 9413. https://doi.org/10.3390/su17219413
  28. Nurgaliyeva, S., Amangali, M., Basheyeva, Z., Kashkimbayeva, N., Amantayev, D. (2025). Design and evaluation of an intelligent waste monitoring system based on RGIS integration for smart cities. Eastern-European Journal of Enterprise Technologies, 4 (9 (136)), 70–78. https://doi.org/10.15587/1729-4061.2025.337033
  29. Zhao, Y., Potgieter, A. B., Zhang, M., Wu, B., Hammer, G. L. (2020). Predicting Wheat Yield at the Field Scale by Combining High-Resolution Sentinel-2 Satellite Imagery and Crop Modelling. Remote Sensing, 12 (6), 1024. https://doi.org/10.3390/rs12061024
  30. Becker-Reshef, I., Barker, B., Whitcraft, A., Oliva, P., Mobley, K., Justice, C., Sahajpal, R. (2023). Crop Type Maps for Operational Global Agricultural Monitoring. Scientific Data, 10 (1). https://doi.org/10.1038/s41597-023-02047-9
Розробка системи моніторингу та управління кліматизалежними процесними ризиками на основі прихованих марковських моделей (на прикладі врожайності зернових культур)

##submission.downloads##

Опубліковано

2026-04-30

Як цитувати

Kali, D., Kashkimbayeva, N., Kemel, A., Mirzagalikova, B., & Basheyeva, Z. (2026). Розробка системи моніторингу та управління кліматизалежними процесними ризиками на основі прихованих марковських моделей (на прикладі врожайності зернових культур). Eastern-European Journal of Enterprise Technologies, 2(3 (140), 15–26. https://doi.org/10.15587/1729-4061.2026.359355

Номер

Том 2 № 3 (140) (2026): Процеси управління

Розділ

Процеси управління

Ліцензія

Авторське право (c) 2026 Dulat Kali, Nurzhamal Kashkimbayeva, Ayan Kemel, Botagoz Mirzagalikova, Zhuldyz Basheyeva

Creative Commons License

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.