Це застарівша версія, яка була опублікована 2026-05-06. Прочитайте найбільш нову версію.

ІНТЕЛЕКТУАЛЬНА ТЕХНОЛОГІЯ РОЗПОДІЛЕНОГО ПРОГНОЗУВАННЯ ВРОЖАЙНОСТІ СІЛЬСЬКОГОСПОДАРСЬКИХ КУЛЬТУР

Автор є членом редколегії видання, тому не брав участі у рецензуванні та прийнятті рішення щодо публікації цієї статті

Автор(и)

  • Владислав ГНАТІЄНКО, аспірант Київський національний університет імені Тараса Шевченка, Київ, Україна Автор
  • Віталій СНИТЮК, д-р техн. наук, проф. Київський національний університет імені Тараса Шевченка, Київ, Україна Автор

DOI:

https://doi.org/10.17721/AIT.2025.2.02

Ключові слова:

рослинництво, врожайність, вегетаційний індекс, розподілене прогнозування, моделі, фактори, експериментальна верифікація.

Анотація

Стаття представлена у форматі OnlineFirst, що передбачає дострокове розміщення матеріалів на сайті журналу перед їх остаточним друком в паперовому вигляді.

Стаття пройшла процедуру рецензування та прийнята до друку.

Стаття доступна для пошуку та цитування за її DOI, яке надалі залишається незмінним. Після того, як випуск буде надруковано в типографії, нове цитування можна робити, використовуючи інформацію про номер тому і номер сторінки, використовуючи те саме посилання DOI.

В с т у п . Прогнозування врожайності сільськогосподарських культур відіграє важливу роль у забезпеченні сталого розвитку світової економіки. Передбачення перевиробництва продукції сільського господарства чи продовольчих криз у певних країнах робить можливим завчасний перерозподіл продовольчих потоків та резервування відповідних ресурсів. На рівні окремих країн об’єктивізуються процеси прийняття рішень та вживаються заходи щодо підвищення врожайності рослин та недопущення можливих втрат. У статті пропонується технологія прогнозування врожайності, в основі якої лежать моделі, де вхідними факторами є показники якості ґрунту, типу та кількості шкідників стану рослин. Їх оптимізація визначається через врахування характеристик зовнішнього середовища та впливу людини.

М е т о д и . В основі дослідження лежать моделі ідентифікації залежності врожайності від певних факторів та методи їх структурної та параметричної ідентифікації й оптимізації.

Р е з у л ь т  а т и . Розроблено комплекс моделей для визначення врожайності рослин як залежностей від факторів, які є визначальними на етапі посіву; від типу та обсягу внесених добрив;  від технологій обробки рослин та умов зовнішнього середовища; від технологій та обсягу поливу. Запропоновано моделі для визначення вегетаційного індексу для кожного етапу впливу на рослини як залежності від впливів попередніх періодів. Розроблено інтегральну модель для прогнозування врожайності рослин як зважену суму моделей-залежностей врожайності від впливу на рослини протягом вегетаційного періоду, що дозволило суттєво зменшити середньостатистичну помилку прогнозування.

В и с н о в к и. Одержані в статті результати становлять методологічну базу технології розподіленого прогнозування врожайності сільськогосподарських культур. Необхідність дослідження визначається низькою точністю прогнозування врожайності рослин поля та узагальненими рекомендаціями щодо агровпливів на рослини. Використання пропонованих моделей дозволить диверсифікувати ризики рослинництва та підвищити обсяги виробництва сільськогосподарської продукції.

Завантажити

Дані для завантаження поки недоступні.

Біографії авторів

  • автор Владислав ГНАТІЄНКО, аспірант, афіліація Київський національний університет імені Тараса Шевченка, Київ, Україна

    ORCID ID: 0009-0000-2678-5158

  • автор Віталій СНИТЮК, д-р техн. наук, проф., афіліація Київський національний університет імені Тараса Шевченка, Київ, Україна

    ORCID ID: 0000-0002-5408-5279

Посилання

Aubakirova, G., Ivel, V., Gerassimova, Y., Moldakhmetov, S., & Petrov, P. (2022). Application of artificial neural network for wheat yield forecasting. Eastern-European Journal of Enterprise Technologies, 3(4), 31–39.

Bidiuk, P. I., Terentiev, O. M., Prosiankina-Zharova, T. I., & Efendiiev, V. V. (2017). Predictive modeling of nonlinear nonstationary processes in crop production using SAS Enterprise Miner tools. Scientific Bulletin of the National Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute", 1(111), 24–36 [in Ukrainian]. https://doi.org/10.20535/1810-0546.2017.1.87423

Bulakevych, S., & Kachanovskyi, O. (2018). Monitoring the condition of winter wheat farmland using Sentinel satellite data and artificial intelligence systems. Modern Achievements of Geodetic Science and Production, 1, 59–63 [in Ukrainian]. http://nbuv.gov.ua/UJRN/sdgn_2018_1_15

Hnatiienko, H. M., & Skubii, O. A. (2023). Methodology for applying comprehensive functional diagnostics of agricultural crop conditions. In Snytiuk V. Ye. (Ed.), International Scientific Symposium "INTELLIGENT SOLUTIONS-C". Computational Intelligence (results, problems, prospects). Decision-Making Theory: Proceedings of the International Scientific Symposium, September 28, 2023, Kyiv–Uzhgorod, Ukraine (pp. 54–57). Karavela [in Ukrainian]. https://intsol.knu.ua/wp-content/uploads/2023/11/%D0%97%D0%B1%D1%96%D1%80%D0%BA%D0%B0-IntSol-2023_20_10_2023_2.pdf

Hnatiienko, V., & Hnatiienko, H. (2024). Integration of machine learning and deep learning methods for sunflower yield prediction. Management of Development of Complex Systems, 59, 225–234. https://doi.org/10.32347/2412-9933.2024.59.225-234

Hnatiienko, V. H., & Snytiuk, V. Ye. (2024). Intelligent analysis and forecasting of desiccation efficiency based on satellite imagery. In Proceedings of the 1st International Scientific and Practical Conference "Information Systems and Technologies: Results and Prospects", March 6, 2024 (pp. 340–343). Faculty of Information Technologies, Taras Shevchenko National University of Kyiv [in Ukrainian]. https://4281e11e-3087-4068-8229-9c59c844d3c7.usrfiles.com/ugd/016074_8fc56ecbbfa94cde874eedd872f3780e.pdf

Hrytsiuk, P. M. (2010). Application of artificial neural networks for long-term forecasting of grain yields. Modeling of Regional Economy, 1, 37–46 [in Ukrainian].

Hrytsiuk, P. M. (2011). Dynamic and stochastic methods of modeling and forecasting the grain production system of Ukraine [Doctoral dissertation abstract]. Kyiv National Economic University named after Vadym Hetman [in Ukrainian].

Hu, Y., Wang, Q., & Shen, X. (2022). Analogue ensemble averaging method for bias correction of 2-m temperature of the medium-range forecasts in China. Atmosphere, 13 (12), 2097. https://doi.org/10.3390/atmos13122097

Huz, M. M., Chukhlib, A. V., & Symonenko, O. I. (2024). Modeling and forecasting sunflower yield based on correlation and regression analysis of climatic factors. Efektyvna Ekonomika, 8 [in Ukrainian]. https://doi.org/10.32702/2307-2105.2024.8.37

Kaplin, S. O. (2007). Influence of water supply levels, fertilizers, and plant density on yield and quality of high-oleic sunflower [PhD dissertation abstract]. Kherson State Agrarian University [in Ukrainian].

Klymko, O. H., & Fedchenko, N. P. (2015). Application of economic and mathematical modeling to crop yield levels. Economics and Region, 3(52), 127–132 [in Ukrainian].

Lorenz, E. N. (1969). The predictability of a flow which possesses many scales of motion. Tellus, 21(3), 289–307.

Lykhovyd, P. V., Vozhehova, R. A., Hranovska, L. M., & Sharii, V. O. (2024). Mathematical model for forecasting maize yield depending on the normalized difference vegetation index under irrigation conditions. Bulletin of Agricultural Science, 102(3), 74–80 [in Ukrainian]. https://doi.org/10.31073/agrovisnyk202403-11

Maidanovych, N., & Saidakh, R. (2021). Application of VHI vegetation indices for forecasting crop yields. Technical and Technological Aspects of Development and Testing of New Machinery and Technologies for Agriculture of Ukraine, 29(43), 126–134 [in Ukrainian]. https://tta.org.ua/article/view/250722

Mykhailovskyi, V. V., Adamenko, T. I., & Kulbida, M. I. (2014). Quantitative forecasting of crop yields using satellite observations. Bulletin of the Odessa State Environmental University, 17, 46–50 [in Ukrainian]. http://nbuv.gov.ua/UJRN/Vodeu_2014_17_7

Olvach, V. I. (2009). Forecasting and planning grain crop yields in the grain production subcomplex of Sumy region. Bulletin of the Eastern European University of Economics and Management. Series: Economics and Management, 1(5), 149–156 [in Ukrainian].

Pashchenko, R. E., & Mariushko, M. V. (2022). Forecasting crop yield levels using fuzzy description of influencing factors and crop condition indicators. Control, Navigation and Communication Systems, 3(69), 78–87 [in Ukrainian].

Popov, M. O., Tarariko, O. H., Alpert, S. I., Kokhan, S. S., Ilienko, T. V., Andreiev, A. A., & Sybyrtseva, O. M. (2024). A method for forecasting grain maize yield using fuzzy cognitive maps. Ukrainian Journal of Remote Sensing, 11(2), 4–12 [in Ukrainian]. https://doi.org/10.36023/ujrs.2024.11.2.261

Ranjitha, G., Savita, B., Babar, S. R., Yadahalli, V. G., & Awaradi, M. (2025). Studies on the impact of iron and zinc nutrition on growth and quality of linseed (Linum usitatissimum L.). International Journal of Research in Agronomy, 8(2S), 216–219. https://doi.org/10.33545/2618060X.2025.v8.i2Sd.2568

Saubhagya, S., Tilakaratne, C., Lakraj, P., & Mammadov, M. (2024). Granger causality-based forecasting model for rainfall at Ratnapura area, Sri Lanka: A deep learning approach. Forecasting, 6(4), 1124–1151. https://doi.org/10.3390/forecast6040056

Semenova, I. H. (2014). Modeling winter wheat yield in the steppe zone of Ukraine using vegetation indices. Ukrainian Hydrometeorological Journal, 15, 117–124 [in Ukrainian]. http://www.irbis-nbuv.gov.ua/cgi-bin/irbis_nbuv/cgiirbis_64.exe?I21DBN=LINK&P21DBN=UJRN&Z21ID=&S21REF=10&S21CNR=20&S21STN=1&S21FMT=ASP_meta&C21COM=S&2_S21P03=FILA=&2_S21STR=Uggj_2014_15_19

Symonenko, O. I. (2016). Dynamic econometric models for forecasting winter wheat yield based on the assessment of natural and climatic characteristics. Scientific Herald of NULES of Ukraine.Series: Economy, agrarian management, business, 249, 363–372 [in Ukrainian]. https://doi.org/10.15587/1729-4061.2022.259653

Ucak, A. B., & Secme, H. (2021). Determination of irrigation time using plant water stress index values of second crop sunflower in semi-arid climate conditions. Turkish Journal of Agriculture – Food Science and Technology, 9(12), 2289–2295. https://doi.org/10.24925/turjaf.v9i12.2289-2295.4641

Zholobak, H. M., Yakymchuk, V. H., Sakhatskyi, O. I., Sukhanov, K. Yu., Riabokonenko, O. D., & Fedorovskyi, O. D. (2010). Modeling and forecasting in environmental management tasks (on the example of winter wheat yield assessment). Reports of the National Academy of Sciences of Ukraine, 4, 164–168 [in Ukrainian]. https://nasplib.isofts.kiev.ua/handle/123456789/29548

Zozulia, O. L., Shvartau, V. V., Mykhalska, L. M., Kovel, O. L., Hnatiienko, H. M., Snytiuk, V. Ye., Domrachev, V. M., & Tmienova, N. P. (2023). Modern methods of digital monitoring in crop production [Monograph].Vid A do Ya [in Ukrainian].

Опубліковано

2026-05-06

Версії

Номер

Розділ

Прикладні інформаційні системи та технології

Як цитувати

ІНТЕЛЕКТУАЛЬНА ТЕХНОЛОГІЯ РОЗПОДІЛЕНОГО ПРОГНОЗУВАННЯ ВРОЖАЙНОСТІ СІЛЬСЬКОГОСПОДАРСЬКИХ КУЛЬТУР: Автор є членом редколегії видання, тому не брав участі у рецензуванні та прийнятті рішення щодо публікації цієї статті. (2026). Сучасні інформаційні технології, 1(2(5). https://doi.org/10.17721/AIT.2025.2.02