МЕТОД ПОПЕРЕДНЬОГО ОБРОБЛЕННЯ ДАНИХ ДЛЯ ПРОГНОЗУВАННЯ УРОЖАЙНОСТІ ЗЕРНОВИХ КУЛЬТУР У СИСТЕМІ ПРОГРАМУВАННЯ ВРОЖАЇВ

Автор(и)

  • Олексій ШОЛОХОВ, канд.фіз.-мат.наук Київський національний університет імені Тараса Шевченка, Київ, Україна Автор
  • Денис ПРОСЯНКІН, асп. Інститут телекомунікацій і глобального інформаційного простору НАН України, Київ, Україна Автор

DOI:

https://doi.org/10.17721/AIT.2025.2.06

Ключові слова:

оброблення даних, байєсівські мережі, агрометеорологічні дані, інтеграція даних, машинне навчання, програмування урожайності, сценарії.

Анотація

Вступ. Розроблено метод оброблення метеорологічних показників та агрономічних даних, в тому числі результатів польових дослідів, призначену для застосування у системі програмування врожаїв, зокрема, для прогнозного моделювання та розроблення сценаріїв агрохімічних заходів в умовах кліматичних змін. Її особливістю є те, що він дозволяє інтегрувати різнорідні дані, отримані з різних джерел і створювати набори інформативних показників, які відображають умови розвитку культур, що забезпечує більш повне представлення стану агроекосистем і підвищує якість отримуваних прогнозів. Метою роботи є розроблення методу оброблення даних у системі програмування врожаїв, який забезпечує врахування як часових залежностей, так і ієрархічності структури даних, адаптований до використання у системі програмування врожаїв. 

Методи. В процесі дослідження використано методи аналізу та синтезу, системного аналізу, експертного оцінювання, багатокритеріального аналізу, статистичні, аналізу часових рядів, байєсівський підхід, машинне навчання.

Результати. Розроблений метод забезпечує можливість адаптивного моделювання урожайності зернових культур, враховуючи особливості певної агрокліматичної зони. Це дозволило врахувати як часові залежності, так і опрацювати структуру даних «рослина → ділянка → господарство → регіон». Враховані лагові зв’язки між урожайністю поточного року та факторами попереднього періоду, що є особливо важливим під час використання багаторічних агрометеорологічних спостережень, оскільки дозволяє простежувати вплив кліматичних змін на певній території.

Висновки. Ефективність розробленого методу перевірена на даних польових дослідів. Розроблені математичні моделі забезпечили покращення якості прогнозів урожайності зернових культур майже на 10%. Використання методики інтелектуального аналізу даних, дозволило більш точно визначити вплив метеорологічних факторів на розвиток рослин на різних етапах агроценозу. Побудовані сценарії урожайності сільськогосподарських культур забезпечують поглиблений аналіз факторів, які вливають на розвиток рослин на різних етапах вегетації, що підвищує якість прогнозів за різних варіантів впливу керованих факторів та некерованих умов і, відповідно - підвищення урожайності та біологізацію процесів виробництва зернових культур. Розроблені метод, моделі та сценарії, призначені для інтеграції в систему програмування врожаю, але можуть бути використані й окремо. Їх використання створить умови для оптимізації агротехнологій, підвищивши ефективність виробництва зернових.

Завантажити

Дані для завантаження поки недоступні.

Біографії авторів

  • автор Олексій ШОЛОХОВ, канд.фіз.-мат.наук, афіліація Київський національний університет імені Тараса Шевченка, Київ, Україна

    ORCID ID: 0000-0002-8676-3724

  • автор Денис ПРОСЯНКІН, асп., афіліація Інститут телекомунікацій і глобального інформаційного простору НАН України, Київ, Україна

    ORCID ID: 0009-0000-4402-6921

Посилання

Ashfaq, M., Khan, I., Afzal, R. F., Shah, D., Ali, S. & Tahir, M. (2025). Enhanced wheat yield prediction through integrated climate and satellite data using advanced AI techniques. Scientific Reports, 15, 18093. https://doi.org/10.1038/s41598-025-02700-w

Bidjuk, P. I., Terent’jev, O. M., Prosjankina-Zharova, T. I., & Efendijev, V. V. (2017). Prognostic modeling of nonlinear non-stationary processes in crop production using SAS Enterprise Miner tools. Scientific News of NTUU KPI, 1, 24–36 [in Ukrainian]. https://doi.org/10.20535/1810-0546.2017.1.87423

Bilyaeva, I.M. (2015) Scientific justification and practical use of agrometeorological methods for predicting the yield of field crops under irrigation conditions. Taurida Scientific Herald, 94, 8-15. . https://www.tnv-agro.ksauniv.ks.ua/archives/94_2015/4.pdf

Cho, W., Lambert, D. M., Brorsen, B. W., Maples, C. H., Fornah, A. & Raun, W. R. (2023). A Bayesian approach for analyzing crop yield response data with limited treatments. Agrosystems, Geosciences & Environment, 6, e20358. https://doi.org/10.1002/agg2.20358

Cooper, M., Voss-Fels, K. P., Messina, C. D., Tang T. & Hammer, G. L. (2021). Tackling G × E × M interactions to close on-farm yield-gaps: creating novel pathways for crop improvement by predicting contributions of genetics and management to crop productivity Theoretical and Applied Genetics, 134, 1625–1644. https://doi.org/10.1007/s00122-021-03812-3

Corbeels, M., Berre, D., Rusinamhodzi, L., & Lopez-Ridaura, S. (2018). Can we use crop modelling for identifying climate change adaptation options? Agricultural and Forest Meteorology, 256, 46–52. https://doi.org/10.1016/j.agrformet.2018.02.026

Jabed, M. 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, e40836. https://doi.org/10.1016/j.heliyon.2024.e40836

Jensen, F. V. (2001). Bayesian networks and decision graphs. Cham: Springer. https://doi.org/10.1007/978-1-4757-3502-4

Kocian, A., Massa, D., Cannazzaro, S., Incrocci, L., Di Lonardo, S., Milazzo, P., & Chessa, S. (2020). Dynamic Bayesian network for crop growth prediction in greenhouses. Computers and Electronics in Agriculture, 169, 105167. https://doi.org/10.1016/j.compag.2019.105167

Kontseba, S., Lishchuk, R., Skurtol, S., Rodashchuk, H., & Vasylchenko, I. (2021). Forecasting of agricultural production volumes using methods of data mining. Systemni doslidzhennia ta informatsiini tekhnolohii, 1, 87–97. [in Ukrainian]. https://doi.org/10.20535/SRIT.2308-8893.2021.1.07

Kussul, N., Drozd, S., & Yailymova, H. (2023). Forecast of yield of major crops in Ukraine in war conditions 2022 based on MODIS and Sentinel-2 satellite data. In 11th International Conference on Advanced Information and Communication Technology (ICAIIT) (pp. 89–95). IEEE. http://dx.doi.org/10.25673/101923

Kussul, N., Shelestov, A., Yailymov, B., Yailymova, H., Lemoine, G., Deininger, K. (2025). Assessment of war-induced agricultural land use changes in Ukraine using machine learning applied to Sentinel satellite data. International Journal of Applied Earth Observation and Geoinformation. 140. 104551, https://doi.org/10.1016/j.jag.2025.104551

Mahmood, T., Ahmed, T., & Trethowan, R. (2022). Genotype x Environment x Management (GEM) reciprocity and crop productivity. Frontiers in Agronomy, 4, 800365. https://doi.org/10.3389/fagro.2022.800365

Rivière, P., Dawson, J. C., Goldringer, I., & David, O. (2015). Hierarchical Bayesian modeling for flexible experiments in decentralized participatory plant breeding. Crop Science, 55, 1053–1067. https://doi.org/10.2135/cropsci2014.07.0497

Salakpi, E. E., Hurley, P. D., Muthoka, J. M., Bowell, A., Oliver, S., & Rowhani, P. (2022). A dynamic hierarchical Bayesian approach for forecasting vegetation condition. Natural Hazards and Earth System Sciences, 22, 2725–2749. https://doi.org/10.5194/nhess-22-2725-2022

Shahhosseini, M., Hu, G., Huber, I., & Archontoulis, S. V. (2021). Coupling machine learning and crop modeling improves crop yield prediction in the US Corn Belt. Scientific Reports, 11, 1606. https://doi.org/10.1038/s41598-020-80820-1

Spirtes, P., Glymour, C., & Scheines, R. (1993). Causation, Prediction and Search. Cham: Springer. https://doi.org/10.1007/978-1-4612-2748-9

Trofymchuk, O., Bidiuk, P., Prosyankina-Zharova, T., Terentiev, O. (2019). Decision support systems for modelling, forecasting and risk estimation. Beau Bassin: LAP Lambert Academic Publishing.

Valleggi, L., Scutari, M., & Stefanini, F. M. (2023). Learning Bayesian networks with heterogeneous agronomic data sets via mixed-effect models and hierarchical clustering. arXiv. https://doi.org/10.48550/arXiv.2308.06399

Wang, A. X., Tran, C., Desai, N., Lobell, D., & Ermon, S. (2018). Deep Transfer Learning for Crop Yield Prediction with Remote Sensing Data. In Proceedings of the 1st ACM SIGCAS Conference on Computing and Sustainable Societies (COMPASS ’18) (Article 50, pp. 1–5). Association for Computing Machinery. https://doi.org/10.1145/3209811.3212707

Yan, Y., Wang, Y., Li, J., Zhang, J., & Mo, X. (2025). Crop yield time-series data prediction based on multiple hybrid machine learning models. arXiv. https://doi.org/10.48550/arXiv.2502.10405

Zhao, C., Liu, B., Piao, S., Wang, X., Lobell, D. B., Huang, Y., Huang, M., Yao, Y., Bassu, S., Ciais, P., Durand, J.-L., Elliott, J., Ewert, F., Janssens, I. A., Li, T., Lin, E., Liu, Q., Martre, P., Müller, C., Peng, S., Peñuelas, J., Ruane, A. C., Wallach, D., Wang, T., Wu, D., Liu, Z., Zhu, Y., Zhu, Z., & Asseng, S. (2017). Temperature increase reduces global yields of major crops in four independent estimates. Proceedings of the National Academy of Sciences, 114(35), 9326–9331. https://doi.org/10.1073/pnas.1701762114

Опубліковано

2026-05-06 – оновлено 2026-10-16

Версії

Номер

Розділ

Інформаційна аналітика та аналітика даних

Як цитувати

МЕТОД ПОПЕРЕДНЬОГО ОБРОБЛЕННЯ ДАНИХ ДЛЯ ПРОГНОЗУВАННЯ УРОЖАЙНОСТІ ЗЕРНОВИХ КУЛЬТУР У СИСТЕМІ ПРОГРАМУВАННЯ ВРОЖАЇВ. (2026). Сучасні інформаційні технології, 1(2(5). https://doi.org/10.17721/AIT.2025.2.06 (Original work published 2026)