Candidate of Physical and Mathematical Sciences, Associate Professor, Department of Higher Mathematics and Informatics
кандидат физико-математических наук, доцент кафедры высшей математики и информатики
The article gives information about the attempt made to select configurations, train and test artificial neural networks for predicting yields of grain crops considering of climate changes. Peculiarities of agricultural production require constant improvement of methods for analyzing crop yields, time series, and longterm climatic characteristics. Preliminary statistical evaluation of the considered time series made it possible to identify certain patterns. Time series were divided into four intervals: for building a network, its training, testing and control. During the construction of artificial neural networks, three models were used: MLP - multilayer perceptron, RBF - r adial basis functions and GRNN - g eneralized regression neural network. Based on the results of the construction, the best model was chosen. The sum of active air temperatures and the sum of precipitation for the growing season was used for artificial neural networks at the input, and the crop yield was used at the output. The use of sets of neural systems, generated automatically, contributed to the effective forecasting of crop yields based on the analysis of climate data. As a result, according to the selected model, a yield forecast was made for the coming years considering climatic characteristics.
Сделана попытка выбора конфигураций, обучения и тестирования искусственных нейронных сетей (ИНС) для прогнозирования урожайности зерновых культур с учетом динамики изменения климатических характеристик. Особенности аграрного производства требуют постоянного совершенствования методов анализа урожайности сельскохозяйственных культур и временных рядов, многолетних природно-климатических характеристик. Предварительное статистическое оценивание рассмотренных временных рядов позволило выявить определенные закономерности. Временные ряды разбиваются на четыре интервала: для построения сети, ее обучения, тестировании и контроля. В ходе построения ИНС воспользовались тремя моделями: MLP - м ногослойный персептрон, RBF - р адиальные базисные функции и GRNN - обобщенно-регрессионная нейронная сеть. По результатам построения выбрана наилучшая модель. На входе ИНС использовалась сумма активных температур воздуха и сумма осадков за период вегетации, а на выходе - урожайность сельскохозяйственной культуры. Применение совокупностей нейронных систем, автоматизировано генерируемых, способствовало эффективному прогнозированию урожайности зерновых культур на основе анализа климатических данных. В итоге по отобранной модели ИНС проводился прогноз урожайности на предстоящие годы с учетом природно-климатических характеристик.