Штучний інтелект

Анотація: На сучасному етапі при побудові моделей прогнозування використовуються сучасні методи математичного моделювання, провідну роль у яких відіграють методи машинного навчання та технології штучних нейронних мереж. Кліматичні фактори відіграють вирішальну роль у коливанні врожайності сільськогосподарських культур. Для аналізу їхнього впливу на врожайність пшениці використано методи машинного навчання, зокрема лінійні та нелінійні регресійні моделі. Основною метою дослідження було порівняння лінійних і нелінійних регресійних моделей з різною кількістю параметрів. Враховуючи складні зміни економічних механізмів, які відбулися в українському сільському господарстві за останні тридцять років, ми приходимо до розуміння того, що статистичні дослідження можна проводити лише на даних після 2000 року. Дослідження базується на даних про середньомісячну температуру та кількість опадів у період вегетації пшениці (квітень–червень) за 2000–2021 роки. Дані були згруповані за агрокліматичними зонами, що дозволяє враховувати природно-кліматичні особливості регіонів, а також для підвищення точності моделювання. Результати дослідження підтверджують, що врахування нелінійного впливу кліматичних факторів, таких як квадрати змінних і їхні добутки, значно підвищує точність прогнозування врожайності. Нелінійні моделі продемонстрували майже вдвічі вищу ефективність порівняно з лінійними, що підтверджується значеннями коефіцієнта детермінації (R²). Збільшення кількості параметрів у моделях також позитивно вплинуло на їхню якість, хоча основну роль відіграли саме нелінійні взаємозв’язки. Отримані моделі дозволяють прогнозувати врожайність пшениці з горизонтом у три місяці, що забезпечує їх практичну цінність для аграрного сектора. Запропонований підхід може бути адаптований для інших сільськогосподарських культур і використаний у різних агрокліматичних зонах, сприяючи підвищенню ефективності управлінських рішень в умовах змін клімату.

Ключові слова: урожайність, кліматичні фактори, машинне навчання.

Посилання:

1. M. Ashfaq, I. Khan, A. Alzahrani, M. U. Tariq, H. Khan and A. Ghani. (2024) Accurate Wheat Yield Prediction Using Machine Learning and Climate-NDVI Data Fusion. IEEE Access, Vol. 12, pp. 40947-40961. [Online]. Available: https://doi.org/10.1109/ACCESS.2024.3376735.
2. D. Muller, A. Jungandreas, F. Koch, F. Shirhorn. (2016) The impact of climate change on wheat production in Ukraine. Report on agricultural policy (APD).
3. Petro Hrytsiuk, Maksym Havryliuk. (2024) Modeling of the nonlinear impact of climatic factors on wheat yield using machine learning techniques. 19th International Conference ICTERI-2024, Lviv, 16-21 September 2024.
4. Ali, M.A.; Hassan, M.; Mehmood, M.; Kazmi, D.H.; Chishtie, F.A.; Shahid, I. (2022) The Potential Impact of Climate Extremes on Cotton and Wheat Crops in Southern Punjab, Pakistan. Sustainability, Vol. 14, p. 1609. https://doi.org/10.3390/su14031609.
5. Agatha Popescu, Toma Adrian Dinu, Elena Stoian and Valentin Serban. (2023) Climate Change and its Impact on Wheat, Maize and Sunflower Yield in Romania in the Period 2017-2021. Scientific Papers Series Management, Economic Engineering in Agriculture and Rural Development, Vol. 23(1).
6. Özden C., Karadoğan N. (2024) Wheat Yield Prediction for Turkey Using Statistical Machine Learning and Deep Learning Methods. PAKISTAN JOURNAL OF AGRICULTURAL SCIENCES, Vol. 61(1), pp.1-7.
7. Fiorentini, M., Schillaci, C., Denora, M., Zenobi, S., Deligios, P., Orsini, R., Santilocchi, R., Perniola, M., Montanarella, L., & Ledda, L. (2024). A machine learning modeling framework for Triticum turgidum subsp. durum Desf. yield forecasting in Italy. Agronomy Journal, Vol. 116, pp. 1050–1070. [Online]. Available: https://doi.org/10.1002/agj2.21279.
8. Navid Mahdizadeh Gharakhanlou, Liliana Perez. (2024) From data to harvest: Leveraging ensemble machine learning for enhanced crop yield predictions across Canada amidst climate change. Science of The Total Environment. Vol. 951, p. 175764. [Online]. Available: https://doi.org/10.1016/j.scitotenv.2024.175764.
9. McKinney, W. (2018) Python for Data Analysis. O’Reilly Media.
10. Schierhorn, F., Hofmann, M., Gagalyuk, T. et al. (2021) Machine learning reveals complex effects of climatic means and weather extremes on wheat yields during different plant developmental stages. Climatic Change, Vol. 169(39). [Online]. Available: https://doi.org/10.1007/s10584-021-03272-0.
11. P. Hrytsiuk, T. Babych, S. Baranovsky, M. Havryliuk. (2023) Assessing of Climate Impact on Wheat Yield using Machine Learning Techniques. CEUR Workshop Proceedings, 3513, pp. 314–329.
12. Iqbal N, Shahzad MU, Sherif E-SM, Tariq MU, Rashid J, Le T-V, Ghani A. (2024) Analysis of Wheat-Yield Prediction Using Machine Learning Models under Climate Change Scenarios. Sustainability. Vol. 16(16), p. 6976. [Online]. Available: https://doi.org/10.3390/su16166976.