ВИКОРИСТАННЯ МЕТОДІВ DATA MINING ДЛЯ ІНФОРМАЦІЙНО-АНАЛІТИЧНОЇ СИСТЕМИ ПРОГНОЗУВАННЯ ВРОЖАЙНОСТІ СІЛЬСЬКОГОСПОДАРСЬКИХ КУЛЬТУР

Мокан О. А., науковий керівник Густера О. М. к. е. н., старший викладач кафедри комп’ютерних наук

Рослинництво є однією з найважливіших галузей економіки, оскільки за рахунок нього населення забезпечують важливими продуктами харчування, переробну промисловість сировиною для виробництва продуктів харчування, тваринництво – кормами для різних видів сільськогосподарських тварин. Воно надає робочі місця для мільйонів людей, включаючи фермерів, садівників, технічних працівників та інші професії. Вирощування рослин є важливим, оскільки відіграє важливу роль у глобальній економіці і є одним з ключових експортних продуктів для багатьох країн, забезпечуючи значні доходи для економіки.

В останні роки рослинництво, як і інші галузі сільського господарства впроваджують сучасні технології вирощування рослин, які базуються на прийняті рішень на основі обробки великих обсягів інформації, зібраних із різних джерел, така індустрія в літературі має назву Precision Agriculture. В цій роботі ми розглянемо основні джерела інформації та методи її аналізу.

Для аналітиків у галузі рослинництва дані можуть передаватися із лабораторій (аналізи ґрунту, води, добрив тощо), із безпілотних літальних апаратів (дронів), супутників, погодних станцій та різноманітних сенсорів, а також дані генетичного аналізу рослин і їх захворювань.

Вчені виділяють [1] шість основних категорій датчиків ґрунту: датчики вологи, датчики температури, датчики pH, датчики поживних речовин, датчики шкідників і датчики забруднюючих речовин. Кожен із датчиків має як свої переваги так і недоліки.

У сільському господарстві дрони, які також називають безпілотними літальними апаратами, змінили практику ведення сільського господарства, запропонувавши фермерам суттєву економію коштів, підвищення ефективності роботи та підвищення прибутковості. Протягом останніх десятиліть тема сільськогосподарських дронів привернула значну увагу науковців. Комплексний огляд літератури [2] дозволив узагальнити та структурувати наявну академічну літературу та виявити сучасні тенденції досліджень і гарячі точки. Цей аналіз показує, що дистанційне зондування, точне землеробство, глибоке навчання, машинне навчання та Інтернет речей є критично важливими темами, пов’язаними з сільськогосподарськими дронами.

Нині популярності набули дослідження комп’ютерного зору задля для виявлення стресу/хвороб на культурах, листі, фруктах і овочах [3]. Комп’ютерний алгоритм обробляє фотографії та шукає ознаки хвороби, такі як зміна кольору листя, пошкодження, деформації та інші. Після аналізу результатів, система може попередити про можливість поширення захворювання.

Зайвий раз вказує на актуальність вивчення методів машинного навчання у рослинництві стаття, де автори аналізували публікації у сільському господарстві на вищевказану тему і виявили, що за період із 2018 по 2020 роки 78 % публікацій були пов’язані із технологіями та захистом рослин та ґрунтознавством, решта фокусувалися на управлінні водними ресурсами та тваринництві. Також дослідники виявили, що найбільш популярним джерелом даних для статей з рослинництва слугували

Дані, отримані від дистанційного зондування, були найпоширенішими в підкатегорії прогнозування врожайності. Дистанційне зондування, у свою чергу, в першу чергу ґрунтувалося на даних, отриманих із супутників (40,6% від загальної кількості досліджень, опублікованих у цій підкатегорії) і, у другу чергу, від БПЛА (23,2% від загальної кількості досліджень, опублікованих у цій підкатегорії).

Що стосується виявлення захворювань, червоно-зелено-сині (RGB) зображення є найбільш звичайними вхідними даними для алгоритмів машинного навчання (у 62% публікацій). Зазвичай такі методи глибокого навчання, як згорткові нейронні мережі (CNN), реалізуються з наміром навчити класифікатор відрізняти зображення, що зображують здорове листя, наприклад, від заражених. CNN використовують певні операції для перетворення зображень RGB таким чином, щоб покращити бажані функції.

Також ці дослідники [4] вказують, що найбільш популярними культурами для досліджень методами машинного навчання були кукурудза, пшениця та рис, а найбільш популярними алгоритмами – штучні нейроні мережі, які досліджувалися більш, ніж у половині статей, розглянутих авторами.

З усіх галузей промисловості сільське господарство найбільше залежить від умов навколишнього середовища. Дистанційне зондування, дрони, лабораторні аналізи та датчики стали потужними інструментами для фермерів, щоб відстежувати ріст врожаю та зміни навколишнього середовища в режимі реального часу. Ці технології дозволяють вести точне землеробство, де фермери можуть оптимізувати витрати сільськогосподарських культур, такі як вода, добрива та пестициди, що сприяє більш ефективному використанню ресурсів і підвищенню врожайності. Перспективи використання цих технологій у сільському господарстві є не тільки багатообіцяючими, але й важливими для сталого виробництва продуктів харчування, оскільки населення світу продовжує зростати, а зміна клімату створює серйозні проблеми для сільського господарства.

Загалом аналіз даних відіграє вирішальну роль у точному землеробстві, надаючи фермерам інформацію, необхідну для прийняття обґрунтованих рішень щодо вирощування врожаю. Використовуючи потужність сучасних технологій і методів аналізу даних, фермери можуть оптимізувати свої методи ведення сільського господарства, щоб збільшити врожайність, зменшити відходи та підвищити прибутковість.

СПИСОК ВИКОРИСТАНИХ ДЖЕРЕЛ

1. Yin, H., Cao, Y., Marelli, B., Zeng, X., Mason, A. J., & Cao, C. (2021). Soil sensors and plant wearables for smart and precision agriculture. Advanced Materials, 33(20), 2007764.
2. Rejeb, A., Abdollahi, A., Rejeb, K., & Treiblmaier, H. (2022). Drones in agriculture: A review and bibliometric analysis. Computers and Electronics in Agriculture, 198, 107017.
3. Shin, J., Mahmud, M., Rehman, T. U., Ravichandran, P., Heung, B., & Chang, Y. K. (2023). Trends and Prospect of Machine Vision Technology for Stresses and Diseases Detection in Precision Agriculture. AgriEngineering, 5(1), 20-39.
4. Benos, L., Tagarakis, A. C., Dolias, G., Berruto, R., Kateris, D., & Bochtis, D. (2021). Machine learning in agriculture: A comprehensive updated review. Sensors, 21(11), 3758.