Аннотації

Інтеграція методів машинного та глибинного навчання для прогнозування врожайності соняшника

Автор(и):
Гнатієнко В. Г., Гнатієнко Г. М.
Автор(и) (англ)
Hnatiienko V., Hnatiienko H.
Дата публікації:

20.11.2024

Анотація (укр):

Практичний досвід прогнозування врожайності показує, що це складна багатофакторна задача, яка вимагає точних та надійних методів вирішення. Використання машинного та глибинного навчання є ключовим у досягненні кращих результатів у цифровій агрономії. Стаття присвячена побудові інтелектуальної системи прогнозування врожайності соняшника. На основі аналізу наукових публікацій та практичного досвіду, узагальнено основні проблеми обробки даних і запропоновано схеми їх вирішення. Основні етапи роботи включали дослідження поточного стану цифрової агрономії, вибір підходу, розробку методу обробки інформації, програмну реалізацію моделі та тестування. Ключовими викликами стали обмеженість наборів даних та складність вибору оптимального підходу для уникнення перенавчання. Поєднання різних методів аналізу дозволило створити потужну систему, яка переважає традиційні підходи, хоча потребує більше даних для навчання. Висновки дослідження показують, що методи машинного та глибинного навчання, такі як LightGBM і U-Net, разом із запропонованими методами обробки даних, досягають високої точності у прогнозуванні. Модель продемонструвала здатність до узагальнення знань на нові поля та до побудови детальних карт врожайності. Подальші дослідження включають розробку методу для генерації комбінацій варіантів догляду за рослинами, адаптацію методів комп’ютерного зору з оптимізованими алгоритмами для зменшення обчислювальної складності та розширення функціоналу системи з включенням аспектів кібербезпеки. Запропонована система значно підвищить ефективність прогнозування врожайності соняшника, сприяючи розвитку цифрової агрономії.

Анотація (рус):

Анотація (англ):

Practical experience in yield forecasting demonstrates that it is a complex multifactorial task requiring precise and reliable methods for resolution. The use of machine learning and deep learning is crucial for achieving better results in digital agronomy. This paper is dedicated to the development of an intelligent system for sunflower yield forecasting. Based on the analysis of scientific publications and practical experience, the main issues of data processing are summarized, and schemes for their resolution are proposed. The main stages of the work included the study of the current state of digital agronomy, the selection of an approach, the development of a data processing method, the software implementation of the model, and testing. The key challenges were the limited data sets and the complexity of choosing the optimal approach to avoid overfitting. Combining different analysis methods allowed the creation of a powerful system that surpasses traditional approaches, though it requires more data for training. The study's conclusions show that machine learning and deep learning methods, such as LightGBM and U-Net, along with the proposed data processing methods, achieve high accuracy in forecasting. The model demonstrated the ability to generalize knowledge to new fields and to build detailed yield maps. Further research includes the development of a method for generating combinations of plant care options, the adaptation of computer vision methods with optimized algorithms to reduce computational complexity, and the expansion of the system's functionality to include cybersecurity aspects. The proposed system significantly enhances the efficiency of sunflower yield forecasting, contributing to the development of digital agronomy.

Література:

  1. Al-Gaadi, K. A., Hassaballa, A. A., Tola, E., Kayad, A. G., Madugundu, R., Alblewi, B., Assiri, F. (2016). Prediction of Potato Crop Yield Using Precision Agriculture Techniques. PLoS One, 11(9):e0162219. doi: 10.1371/journal.pone.0162219. PMID: 27611577; PMCID: PMC5017787.
  2. Paudel, D., Boogaard, H., Wit, A. de, Janssen, S., Osinga, S., Pylianidis, C., Athanasiadis, I. N. (2021). Machine learning for large-scale crop yield forecasting. Agric. Syst., 187, 103016, 10.1016/j.agsy.2020.103016.
  3. Khaki, S. & Wang, L. (2019). Crop yield prediction using deep neural networks. Front. Plant Sci., 10, 621.
  4. Elavarasan, D. & Vincent, P. M. D. (2020). Crop Yield Prediction Using Deep Reinforcement Learning Model for Sustainable Agrarian Applications. IEEE Access, 8, 86886-86901, doi: 10.1109/ACCESS.2020.2992480
  5. Box, George, Jenkins, Gwilym. Time Series Analysis: Forecasting and Control
  6. Oliver, M. A., Webster, R. (2014). A tutorial guide to geostatistics: Computing and modelling variograms and kriging. https://doi.org/10.1016/j.catena.2013.09.006
  7. Cropwise: офіційний веб-сайт. URL: https://www.cropwise.com/
  8. Climate FieldView: офіційний веб-сайт. URL: https://www.climatefieldview.com.ua/
  9. Xarvio: офіційний веб-сайт. URL: https://www.xarvio.com/ua/uk.html
  10. Zozulya, O. L., Shvartau, V. V., Mikhalska, L. M., Kovel, O. L., Hnatiienko, H. M., Snytyuk, V. Y., Domrachev, V. M., Tmienova, N. P. (2024). Kyiv : From A to Z. Modern methods of digital monitoring in crop production: Monograph, 254.
  11. Hnatiienko, Vladyslav, Snytyuk, Vitaliy. (2024). Intellectual analysis and prediction of desiccation efficiency based on satellite images. Materials of the 1st International Scientific and Practical Conference "Information Systems and Technologies: Results and Prospects", Kyiv, Ukraine. K.: FIT KNUTSH, P. 340–343.
  12. Ke, G., Meng, Q., Finley, T., Wang, T., Chen, W., Ma, W., Ye, Q., & Liu, T.-Y. (2017). Lightgbm: A highly efficient gradient boosting decision tree. NeurIPS, 30:3146–3154.
  13. Xi, X. (2023). The role of LightGBM model in management efficiency enhancement of listed agricultural companies. Applied Mathematics and Nonlinear Sciences.
  14. Anusha, P. V., Anuradha, C., Murty, P. S. R. C. & Kiran, C. S. (2019). Detecting Outliers in High Dimensional Data Sets using Z-Score Methodology. International Journal of Innovative Technology and Exploring Engineering, 9(1), 48-53. https://doi.org/10.35940/ijitee.A3910.119119.
  15. Ronneberger, Olaf, Fischer, Philipp, Brox, Thomas. (2015). U-Net: Convolutional Networks for Biomedical Image Segmentation.
  16. Rifat, Kurban. (2023). Gaussian of Differences: A Simple and Efficient General Image Fusion Method
  17. Jiao, L., Huo, L., Hu, C. & Tang, P. (2020). Refined Unet: Unet-Based Refinement Network for Cloud and Shadow Precise Segmentation. Remote Sensing, 12 (12). doi:10.3390/rs12122001.
  18. Waleed, Alsabhan, Turky, Alotaiby, Basil, Dudin. (2022). Detecting Buildings and Nonbuildings from Satellite ImagesUsing U-Net. Computational Intelligence and Neuroscience, 4831223. https://doi.org/10.1155/2022/4831223
  19. Hnatiienko, H. M., Snytyuk, V. Y., Hnatiienko, V. H., Zozulya, O. L. (2022). Application of models and methods of artificial intelligence in determining the yield of agricultural crops. Applied systems and technologies in the information society: coll. theses of reports and sciences. reported participants of the VI International Scientific and Practical Conference/ by general ed. V. Pleskach, V. Zosimov, M. Pyrog // Kyiv: Kyiv national. University named after Taras Shevchenko, P. 90–98.
  20. Bilan, Stepan, Hnatiienko, Vladyslav, Ilarionov, Oleh & Krasovska, Hanna. (2023). The Technology of Selection and Recognition of Information Objects on Images of the Earth's Surface Based on Multi-Projection Analysis. CEUR Workshop Proceedings, 3538, 23. Selected Papers of the III International Scientific Symposium “Intelligent Solutions”. Symposium Proceedings Kyiv – Uzhhorod, Ukraine, September 27-28.

References:

  1. Al-Gaadi, K. A., Hassaballa, A. A., Tola, E., Kayad, A. G., Madugundu, R., Alblewi, B., Assiri, F. (2016). Prediction of Potato Crop Yield Using Precision Agriculture Techniques. PLoS One, 11(9):e0162219. doi: 10.1371/journal.pone.0162219. PMID: 27611577; PMCID: PMC5017787.
  2. Paudel, D., Boogaard, H., Wit, A. de, Janssen, S., Osinga, S., Pylianidis, C., Athanasiadis, I. N. (2021). Machine learning for large-scale crop yield forecasting. Agric. Syst., 187, 103016, 10.1016/j.agsy.2020.103016.
  3. Khaki, S. & Wang, L. (2019). Crop yield prediction using deep neural networks. Front. Plant Sci., 10, 621.
  4. Elavarasan, D. & Vincent, P. M. D. (2020). Crop Yield Prediction Using Deep Reinforcement Learning Model for Sustainable Agrarian Applications. IEEE Access, 8, 86886-86901, doi: 10.1109/ACCESS.2020.2992480
  5. Box, George, Jenkins, Gwilym. Time Series Analysis: Forecasting and Control
  6. Oliver, M. A., Webster, R. (2014). A tutorial guide to geostatistics: Computing and modelling variograms and kriging. https://doi.org/10.1016/j.catena.2013.09.006
  7. Cropwise: офіційний веб-сайт. URL: https://www.cropwise.com/
  8. Climate FieldView: офіційний веб-сайт. URL: https://www.climatefieldview.com.ua/
  9. Xarvio: офіційний веб-сайт. URL: https://www.xarvio.com/ua/uk.html
  10. Zozulya, O. L., Shvartau, V. V., Mikhalska, L. M., Kovel, O. L., Hnatiienko, H. M., Snytyuk, V. Y., Domrachev, V. M., Tmienova, N. P. (2024). Kyiv : From A to Z. Modern methods of digital monitoring in crop production: Monograph, 254.
  11. Hnatiienko, Vladyslav, Snytyuk, Vitaliy. (2024). Intellectual analysis and prediction of desiccation efficiency based on satellite images. Materials of the 1st International Scientific and Practical Conference "Information Systems and Technologies: Results and Prospects", Kyiv, Ukraine. K.: FIT KNUTSH, P. 340–343.
  12. Ke, G., Meng, Q., Finley, T., Wang, T., Chen, W., Ma, W., Ye, Q., & Liu, T.-Y. (2017). Lightgbm: A highly efficient gradient boosting decision tree. NeurIPS, 30:3146–3154.
  13. Xi, X. (2023). The role of LightGBM model in management efficiency enhancement of listed agricultural companies. Applied Mathematics and Nonlinear Sciences.
  14. Anusha, P. V., Anuradha, C., Murty, P. S. R. C. & Kiran, C. S. (2019). Detecting Outliers in High Dimensional Data Sets using Z-Score Methodology. International Journal of Innovative Technology and Exploring Engineering, 9(1), 48-53. https://doi.org/10.35940/ijitee.A3910.119119.
  15. Ronneberger, Olaf, Fischer, Philipp, Brox, Thomas. (2015). U-Net: Convolutional Networks for Biomedical Image Segmentation.
  16. Rifat, Kurban. (2023). Gaussian of Differences: A Simple and Efficient General Image Fusion Method
  17. Jiao, L., Huo, L., Hu, C. & Tang, P. (2020). Refined Unet: Unet-Based Refinement Network for Cloud and Shadow Precise Segmentation. Remote Sensing, 12 (12). doi:10.3390/rs12122001.
  18. Waleed, Alsabhan, Turky, Alotaiby, Basil, Dudin. (2022). Detecting Buildings and Nonbuildings from Satellite ImagesUsing U-Net. Computational Intelligence and Neuroscience, 4831223. https://doi.org/10.1155/2022/4831223
  19. Hnatiienko, H. M., Snytyuk, V. Y., Hnatiienko, V. H., Zozulya, O. L. (2022). Application of models and methods of artificial intelligence in determining the yield of agricultural crops. Applied systems and technologies in the information society: coll. theses of reports and sciences. reported participants of the VI International Scientific and Practical Conference/ by general ed. V. Pleskach, V. Zosimov, M. Pyrog // Kyiv: Kyiv national. University named after Taras Shevchenko, P. 90–98.
  20. Bilan, Stepan, Hnatiienko, Vladyslav, Ilarionov, Oleh & Krasovska, Hanna. (2023). The Technology of Selection and Recognition of Information Objects on Images of the Earth's Surface Based on Multi-Projection Analysis. CEUR Workshop Proceedings, 3538, 23. Selected Papers of the III International Scientific Symposium “Intelligent Solutions”. Symposium Proceedings Kyiv – Uzhhorod, Ukraine, September 27-28.