Штучні нейромережі для прогнозування чисельності шкідників польових культур
DOI:
https://doi.org/10.31548/dopovidi.3(109).2024.022Ключові слова:
нейронні мережі, машинне навчання, прогнозування, польові культури, сільське господарствоАнотація
Щороку перед господарствами постає проблема забезпечення необхідного розвитку та росту польових культур у зв’язку з високою ймовірністю ураження польових культур окремими видами шкідників. Шкідники можуть значно погіршити розвиток сільськогосподарських культур, якщо не контролювати їх популяцію. Це зменшить урожай. Для забезпечення певного рівня виробництва польових культур необхідно вжити комплекс заходів щодо зниження ризику втрат врожаю та оптимізації витрат на захист росту рослин. Ключовим елементом ефективного управління сільськогосподарськими угіддями є надійне прогнозування чисельності шкідників за допомогою штучних нейронних мереж та їх відповідної конфігурації. Такий підхід дозволить зменшити втрати врожаю та зберегти екосистему окремого регіону. Достовірне прогнозування чисельності шкідників гарантовано створює умови для мінімізації витрат на вирощування сільськогосподарських культур.
Однак машинне навчання можна реалізувати лише за наявності відповідних результатів моніторингу чисельності шкідників та факторів, що впливають на зміни. Ці фактори включають сонячну активність, температуру та вологість. Такі дослідження були проведені та сформовані вибірки. Для прогнозування використовувалися нейронні мережі різної структури, такі як радіальна базисна функція та багатошаровий персептрон. Результати прогнозування свідчать про достатньо високу точність, що значно підвищить ефективність виробництва.
Посилання
Nitta, A., Natarajan, V., Reddy, A. J., & Rakesh, T. (2024). Impact of Climate Change on Pest Biology, Behaviour and Their Distributions. International Journal of Environment and Climate Change, 14(4), 46–56. https://doi.org/10.9734/ijecc/2024/v14i44094
Rakhonde, G.Y., Ahale, S., Reddy, N.K., Purushotham, P., Deshkar, A. (2024). Big Data Analytics for Improved Weather Forecasting and Disaster Management. In: Pandey, K., Kushwaha, N.L., Pande, C.B., Singh, K.G. (eds) Artificial Intelligence and Smart Agriculture. Advances in Geographical and Environmental Sciences. Springer, Singapore. https://doi.org/10.1007/978-981-97-0341-8_9
Wang, R., Li, R., Chen, T., Zhang, J., Xie, C., Qiu, K., Chen, P., Du, J., Chen, H., Shao, F., Hu, H. and Liu, H. (2022), An automatic system for pest recognition and forecasting. Pest Manag Sci, 78: 711-721. https://doi.org/10.1002/ps.6684
Boopathi, T., Rathna Kumar, A. L. & Sujatha, M. (2022). Seasonal incidence and effect of weather parameters on insect pests of linseed: seasonal incidence and effect of weather parameters on insect pests of linseed. Journal of Oilseeds Research, 39(2). https://doi.org/10.56739/jor.v39i2.141714
Wang Xianfeng, Zhang Chuanlei, Zhang Shanwen, Zhu Yihai. Forecasting of cotton diseases and pests based on adaptive discriminant deep belief network[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(14): 157-164. DOI: 10.11975/j.issn.1002-6819.2018.14.020
Hongguo Zhang, Binbin He, Jin Xing, Minghong Lu. Deep spatial and temporal graph convolutional network for rice planthopper population dynamic forecasting. Computers and Electronics in Agriculture. Volume 210, 2023, https://doi.org/10.1016/j.compag.2023.107868.
Xai, T., Meng, H. & Yao, J. A forecasting method of forest pests based on the rough set and PSO-BP neural network. Neural Comput & Applic 25, 1699–1707 (2014). https://doi.org/10.1007/s00521-014-1658-1
Piou, Cyril & Marescot, Lucile. (2023). Spatiotemporal risk forecasting to improve locust management. Current Opinion in Insect Science. 56. 101024. 10.1016/j.cois.2023.101024.
Rahman, S. M., & Ravi, G. (2022). Role of Artificial Intelligence in Pest Management. Current Topics in Agricultural Sciences Vol. 7, 64–81. https://doi.org/10.9734/bpi/ctas/v7/2141B
Zhang, Hongguo & He, Binbin & Xing, Jin & Lu, Minghong (2023). Deep spatial and temporal graph convolutional network for rice planthopper population dynamic forecasting. 210. 107868. 10.1016/j.compag.2023.107868.
Everitt, B. S., & Howell, D. C. (2021). Encyclopedia of Statistics in Behavioral Science–Volume 2. John Wiley & Sons, Ltd.
Biecek, P., & Burzykowski, T. (2021). Explanatory model analysis: explore, explain, and examine predictive models. Chapman and Hall/CRC.
Pham, H. (Ed.). (2023). Springer handbook of engineering statistics. Springer Nature.
Lysenko, V., Lendiel, T., Bolbot, I., & Nakonechnyy, I. (2022, October). Neural Network Structures for Energy-efficient Control of Energy Flows in Greenhouse Facilities. In 2022 IEEE 9th International Conference on Problems of Infocommunications, Science and Technology (PIC S&T) (pp. 21-26). IEEE.
Lysenko, V., Zaiets, N., Dudnyk, A., Lendiel, T., & Nakonechna, K. (2022). Intelligent Algorithms for the Automation of Complex Biotechnical Objects. In Advanced Control Systems (pp. 365-395). River Publishers.
Dudnyk, A., Lysenko, V., Zaets, N., Komarchuk, D., Lendiel, T., & Yakymenko, I. (2018, October). Intelligent control system of biotechnological objects with fuzzy controller and noise filtration unit. In 2018 International Scientific-Practical Conference Problems of Infocommunications. Science and Technology (PIC S&T) (pp. 586-590). IEEE.
Lysenko, V., Bolbot, I., Lendiel, T., Koval, V., & Nakonechnyy, I. (2022, November). Genetic algorithm in optimization problems for greenhouse facilities. In 2022 IEEE 17th International Conference on Computer Sciences and Information Technologies (CSIT) (pp. 185-188). IEEE.
Mikhailenko, I. M., & Timoshin, V. N. (2020). Intelligent real-time management of agrotechnologies. In Software Engineering Perspectives in Intelligent Systems: Proceedings of 4th Computational Methods in Systems and Software 2020, Vol. 2 4 (pp. 491-504). Springer International Publishing.
Essien, A., & Giannetti, C. (2020). A deep learning model for smart manufacturing using convolutional LSTM neural network autoencoders. IEEE Transactions on Industrial Informatics, 16(9), 6069-6078.
Rai, R., Tiwari, M. K., Ivanov, D., & Dolgui, A. (2021). Machine learning in manufacturing and industry 4.0 applications. International Journal of Production Research, 59(16), 4773-4778.
Dogan, A., & Birant, D. (2021). Machine learning and data mining in manufacturing. Expert Systems with Applications, 166, 114060.
Espejo-Garcia, B., Mylonas, N., Athanasakos, L., & Fountas, S. (2020). Improving weeds identification with a repository of agricultural pre-trained deep neural networks. Computers and Electronics in Agriculture, 175, 105593.
Saleem, M. H., Potgieter, J., & Arif, K. M. (2021). Automation in agriculture by machine and deep learning techniques: A review of recent developments. Precision Agriculture, 22(6), 2053-2091.
Kurumatani, K. (2020). Time series forecasting of agricultural product prices based on recurrent neural networks and its evaluation method. SN Applied Sciences, 2(8), 1434.
Viswanatha, V., Ramachandra, A. C., Hegde, P. T., Reddy, M. R., Hegde, V., & Sabhahit, V. (2023, June). Implementation of Smart Security System in Agriculture fields Using Embedded Machine Learning. In 2023 International Conference on Applied Intelligence and Sustainable Computing (ICAISC) (pp. 1-6). IEEE.
Lovesum, J., & Prince, B. (2023). A study on experimental analysis of best fit machine learning approach for smart agriculture. SN Computer Science, 4(2), 187.
N. A. Pasichnyk, S. A. Shvorov, O. A. Opryshko, A. Dudnyk, B. Oksana and D. S. Komarchuk, "Prospective of Camouflage Ground Objects to Counter UAVs," 2023 IEEE 7th International Conference on Methods and Systems of Navigation and Motion Control (MSNMC), Kyiv, Ukraine, 2023, pp. 1-6, doi: 10.1109/MSNMC61017.2023.10328960.
N. Kiktev, A. Dudnyk, N. Pasichnyk, O. Opryshko, D. Komarchuk "Use of Neuron Networks for Planning the Correct Selection of Plant Samples in Precision Agriculture Technologies" (2023) CEUR Workshop Proceedings, 3538, pp. 126 - 135, https://www.scopus.com/inward/record.uri?eid=2-s2.0-85178316188&partnerID=40&md5=201c95a78d7abd539ebbb9f3f09f35f8
N. Kiktev, A. Dudnyk, O. Opryshko, D. Komarchuk, K.Witaszek "Using Neural Networks to Identify Technological Stress Using the Example of Crop Compaction" DTESI 2023: Proceedings of the 8th International Conference on Digital Technologies in Education, Science and Industry, December 06–07, 2023, Almaty, Kazakhstan, https://ceur-ws.org/Vol-3680/S3Paper11.pdf
Map of solar insolation of Ukraine. Electronic resource: https://www.artenergy.com.ua/novosti/karta-solnechnoi-insoliatsii-ukrainy , date of access June 14, 2024.
Phytosanitary status of agricultural plants (according to the State Production and Consumer Service). Electronic resource: https://minagro.gov.ua/napryamki/roslinnictvo/pidgotovka-i-provedennya-vesnyano-polovih-robit/pidgotovka-do-provedennya-polovih-robit/fitosanitarni-stan-silskogospodarskih-roslin, date of access June 14, 2024.
Завантаження
Опубліковано
Номер
Розділ
Ліцензія
Стосунки між правовласниками і користувачами регулюються на умовах ліцензії Creative Commons Із Зазначенням Авторства – Некомерційна – Поширення На Тих Самих Умовах 4.0 Міжнародна (CC BY-NC-SA 4.0):https://creativecommons.org/licenses/by-nc-sa/4.0/deed.uk
Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:
- Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
- Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
- Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису роботи, як до подання цього рукопису до редакції, так і під час його редакційного опрацювання, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи (див.The Effect of Open Access).
