Інтеграція методів машинного та глибинного навчання для прогнозування врожайності соняшника

Анотація

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.