Бидай өнімділігіне әсер етуші факторларды машиналық оқытумен анықтаудың моделі-Reference-Cited by-同舟云学术

Бидай өнімділігіне әсер етуші факторларды машиналық оқытумен анықтаудың моделі

Published:2024-06-30 Issue:2 Volume:147 Page:17-31
ISSN:3007-0163
Container-title:Bulletin of L.N. Gumilyov Eurasian National University. Mathematics, computer science, mechanics series
language:
Short-container-title:mathmc

Author:

Тәжібай Ләззат^ORCID,Мурзабекова Гульден^ORCID,Стыбаев Ғани^ORCID,Муратова Гульжан^ORCID

Abstract

Экономикалық өсуді ынталандыру үшін өсімдік шаруашылығы Қазақстан экономикасының негізі болып табылады. Өнімділікті болжау ауылшаруашылық жоспарлау мен басқарудың маңызды аспектісі болғандықтан, болжаудың заманауи әдістері мен модельдері маңызды рөл атқарады. Дақылдардың өнімділігі дақылдарды өсіру аймағының климаттық жағдайларына байланысты. Ауа-райының бидай өнімділігіне әсерін болжау үшін заманауи интеллектуалды әдістерді, соның ішінде машиналық оқыту әдістерін қолдана отырып модельдеу жоғары тиімділікке ие. Метеодеректер мен машиналық оқыту (ML) әдістеріне негізделген модельдер өнімділікті болжау кезінде уақытты едәуір қысқартуға және ауа-райының өнімділікке әсерін анықтауға мүмкіндік береді. Бұл мақалада қолда бар деректер негізінде дақылдардың өнімділігін болжау үшін заманауи машиналық оқыту алгоритмдері қолданылды. Қарастырылып отырған алгоритмдерге салыстырмалы талдау жүргізілді. Сызықтық алгоритм, шешімдер ағаштары және бустинг алгоритмдерінің әдістеріне негізделген ML модельдері қолданылды. Өнімділік Ақмола облысы Ақкөл ауданының метеодеректеріне сүйене отырып болжанған.

Publisher

L. N. Gumilyov Eurasian National University

Reference17 articles.

1. Koshkarov A. V., Koshkarova T. A. Tekhnologii sbora i analiza dannyh v cifrovom sel'skom hozyajstve: bar'ery i usloviya dlya vnedreniya i ispol'zovaniya. [Koshkarov A.V., Koshkarova T.A. Technologies for collecting and analyzing data in digital agriculture: barriers and conditions for implementation and use], Sovremennaya nauka: aktual'nye problemy teorii i praktiki. Seriya: Estestvennye i Tekhnicheskie Nauki [Modern science: current problems of theory and practice. Series: Natural and Technical Sciences]. 2018. №05. P. 100-104.

2. Zayac O.A., Nazarova YU.N., Strizhakova E.A., Pen'kova R.I. Tekhnologii Big Data v sel'skom hozyajstve. [Zayats O.A., Nazarova Yu.N., Strizhakova E.A., Penkova R.I. Big Data technologies in agriculture], Fundamental research. 2022. №7. P. 35-40.

3. Xu X., Gao P., Zhu X., Guo W., Ding J., Li C., Wu X. Design of an integrated climatic assessment indicator (ICAI) for wheat production: a case study in Jiangsu Province, China, Ecological Indicators. 2019. Vol. 101. P. 943-953.

4. Alpaydin E. Introduction to Machine Learning, The MIT Press. Cambridge. 2014. 3rd edition. p. 3-4. [Electronic resource]. URL: url{https://dl.matlabyar.com/siavash/ML/Book/Ethem%20Alpaydin-Introduction%20to%20Machine%20Learning-The%20MIT%20Press%20(2014).pdf} (Accessed: 20.02.2024).

5. Van K. T., Kassahun A., Catal C. Crop yield prediction using machine learning: A systematic literature review, Computers and Electronics in Agriculture. 2020. Vol. 177. P. 105709. DOI: url{https://doi.org/10.1016/j.compag.2020.105709}.