Моделирование урожайности зерновых культур сельскохозяйственных регионов c использованием технологий компьютерного зрения
DOI:
https://doi.org/10.17059/ekon.reg.2022-2-20Аннотация
В статье рассматриваются новые направления моделирования урожайности зерновых культур в сельскохозяйственных регионах России на основе использования дистанционных возможностей получения информации о состоянии полей. Предлагаемый подход позволяет найти новые решения в разработке системы показателей, обосновании методологических платформ и моделей для получения более точных прогнозных оценок по сравнению с традиционными регрессионными моделями за счет использования системы компьютерного зрения в качестве дополнительного источника информации. Статистическая значимость спутниковых фотоснимков полей для повышения точности моделей прогнозирования урожайности сельскохозяйственных культур подтверждается проверкой соответствующей статистической гипотезы. Значительный интерес в исследовании представляет сравнение классических эконометрических инструментов с различными нейросетевыми моделями с точки зрения нахождения оптимальной модели, позволяющей повысить точность прогнозных оценок. Апробация предлагаемого инструментария проводилась на данных по 100 сельскохозяйственным полям, расположенным в муниципальных образованиях 43 регионов России, которые были выбраны пропорционально объему продукции растениеводства данного региона. Проведенное исследование показало преимущество нейросетевой модели по смешанным данным по сравнению с другими нейросетевыми моделями (многослойный персептрон и свёрточная нейронная сеть), а также с традиционными регрессионными моделями. Нейросетевая модель по смешанным данным в условиях неопределенности и большого количества данных различной природы позволила получить более точные прогнозные оценки по сравнению с другими классами моделей. Также было показано, что несмотря на то, что экологические факторы оказывают разное влияние на урожайность сельскохозяйственных культур, их необходимо учитывать наряду с социально-экономическими характеристиками. Использование новых моделей и типов данных, отличных от классической табличной информации, может давать существенное преимущество в точности прогнозирования и объяснении решающих факторов. Результаты проведенного анализа могут использоваться в исследованиях и мониторинге развития сельскохозяйственного производства региональных муниципальных образований, определения потребностей в ресурсах, необходимых для успешного ведения хозяйства, а также при разработке отраслевых и комплексных проектов и программ развития агрокомплекса.
Библиографические ссылки
Anders, U. & Korn, O. (1999). Model selection in neural networks. Neural networks, 12(2), 309–323. DOI: 10.1016/S0893–6080(98)00117–8.
Anisova, S. N., Sokolova, S. A. & Lebedev, A. T. (1995). Perechen predelno dopustimykh kontsentratsiy i orientirovochno bezopasnykh urovney vozdeystviya vrednykh veshchestv dlya vody rybokhozyaystvennykh vodoemov [List of maximum permissible concentrations and approximately safe impact levels of hazardous substances for water of fishery water bodies]. Moscow: TOO “Medinor”, 220. (In Russ.)
Arkhipova, M. Yu. & Smirnov, A. I. (2020). Current Trends in Crop Yield Forecasting Based on the Use of Econometric Models. Voprosy statistiki, 27(4), 88–101. (In Russ.)
Bajracharya, D. (2011). Econometric Modeling vs Artificial Neural Networks: A Sales Forecasting Comparison. Retrieved from: http://docplayer.net/14695913-Econometric-modeling-vs-artificial-neural.html (Date of access: 19.05.2020).
Basso, F., Bove, E., Dumontet, S., Ferrara, A., Pisante, M., Quaranta, G. & Taberner, M. (2000). Evaluating environmental sensitivity at the basin scale through the use of geographic information systems and remotely sensed data: an example covering the Agri basin (Southern Italy). Catena, 40(1), 19–35. DOI: 10.1016/S0341–8162(99)00062–4.
de la Casa, A., Ovando, G., Bressanini, L., Martinez, J., Diaz, G. & Miranda, C. (2018). Soybean crop coverage estimation from NDVI images with different spatial resolution to evaluate yield variability in a plot. ISPRS journal of photogrammetry and remote sensing, 146, 531–547. DOI: 10.1016/j.isprsjprs.2018.10.018.
Demuth, H. B., Beale, M. H., De Jess, O. & Hagan, M. T. (2014). Neural network design. Martin Hagan. Retrieved from: https://hagan.okstate.edu/NNDesign.pdf.
Dharmadhikari, N. L. (2018). Economic Modeling of Agricultural Production in North Dakota Using Transportation Analysis and Forecasting. Doctoral dissertation. North Dakota State University. Retrieved from: https://clck.ru/3Ragzp
Goodfellow, I., Bengio, Y. & Courville, A. (2016). Deep learning. MIT Press. Retrieved from: http://www.deeplearningbook.org/ (Date of access: 19.05.2020).
Haghverdi, A., Washington-Allen, R. A. & Leib, B. G. (2018). Prediction of cotton lint yield from phenology of crop indices using artificial neural networks. Computers and Electronics in Agriculture, 152, 186–197. DOI: 10.1016/j.compag.2018.07.021.
Jordanova, N. (2016). Soil magnetism: Applications in pedology, environmental science and agriculture. Academic Press, 466.
Keskar, N. S., Mudigere, D., Nocedal, J., Smelyanskiy, M. & Tang, P. T. P. (2016). On large-batch training for deep learning: Generalization gap and sharp minima. arXiv preprint arXiv:1609.04836. Retrieved from: https://arxiv.org/pdf/1609.04836.pdf
Kung, H. Y., Kuo, T. H., Chen, C. H. & Tsai, P. Y. (2016). Accuracy analysis mechanism for agriculture data using the ensemble neural network method. Sustainability, 8(8), 735. DOI: 10.3390/su8080735.
Masters, D. & Luschi, C. (2018). Revisiting small batch training for deep neural networks. Pp. 29–43. arXiv preprint arXiv:1804.07612.
Mkhitaryan, V. S. (2017). Analiz dannykh: uchebnik dlya akademicheskogo bakalavriata [Data Analysis: An Academic Undergraduate Textbook]. Moscow: Urait, 490. (In Russ.)
Molnar C. (2018). Interpretable Machine Learning. A Guide for Making Black Box Models Explainable. Retrieved from: https://christophm.github.io/interpretable-ml-book/interpretable-ml.pdf.
Moshiri, S. & Cameron, N. (2000). Neural network versus econometric models in forecasting inflation. Journal of forecasting, 19(3), 201–217. DOI: 10.1002/(SICI)1099–131X(200004)19:33.3.CO;2-W.
Osovskiy, S. (2004). Neyronnye seti dlya obrabotki informatsii [Neural networks for data processing]. Moscow: Finansy i statistika, 343. (In Russ.)
Pantazi, X. E., Moshou, D., Alexandridis, T., Whetton, R. L. & Mouazen, A. M. (2016). Wheat yield prediction using machine learning and advanced sensing techniques. Computers and Electronics in Agriculture, 121, 57–65. DOI: 10.1016/j.compag.2015.11.018.
Põldaru, R., Roots, J. & Viira, A. H. (2005). Estimating econometric model of average total milk cost: A support vector machine regression approach. Economics and rural development, 1(1), 23–31.
Ranjan, R., Chandel, A. K., Khot, L. R., Bahlol, H. Y., Zhou, J., Boydston, R. A. & Miklas, P. N. (2019). Irrigated pinto bean crop stress and yield assessment using ground based low altitude remote sensing technology. Information Processing in Agriculture, 6(4), 502–514. DOI: 10.1016/j.inpa.2019.01.005.
Salvati, L. (2010). Exploring the relationship between agricultural productivity and land degradation in a dry region of Southern Europe. New Medit, 9(1), 35–40.
Shilenko, N. A., Sokolova, S. A., Anisova, S. N., Lesnikov, L. A., Lebedev, A. T. & Semionova, I. V. (1999). Perechen rybokhozyaystvennykh normativov predelno-dopustimykh kontsentratsiy (PDK) i orientirovochno bezopasnykh urovney vozdeystviya (OBUV) vrednykh veshchestv dlya vody vodnykh obektov, imeyushchikh rybokhozyaystvennoe znachenie [The List of Fishery Standards: Maximum Permissible Concentrations (MPC) and Tentatively Safe Levels of Exposure (SLE) of Harmful Substances to Water of Water Bodies of Fishery Importance]. M.: VNIRO, 304. (In Russ.)
Shiryaev, V. I. (2013). Finansovye rynki. Neyronnye seti, khaos i nelineynaya dinamika: Uchebnoe posobie [Financial Markets: Neural Networks, Chaos, and Nonlinear Dynamics]. Moscow: Librocom, 232. (In Russ.)
Vlasyuk, P. А. (1969). Biologicheskie elementy v zhiznedeyatelnosti rasteniy [Biological Elements in the Life Activity of Plants]. Kiev: Naukova dumka, 516. (In Russ.)
Zhang, C., Di, L., Lin, L. & Guo, L. (2019). Machine-learned prediction of annual crop planting in the US Corn Belt based on historical crop planting maps. Computers and Electronics in Agriculture, 166, 104989. DOI: 10.1016/j.compag.2019.104989.
Zhang, L., Ji, L., Lei, L. & Yan, D. (2010). Comparison of two regression models for predicting crop yield. In: 2010 IEEE International Geoscience and Remote Sensing Symposium (pp. 1521–1524). IEEE.
Загрузки
Опубликован
Как цитировать
Выпуск
Раздел
Лицензия
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
