ТОПЫРАҚ ӨНІМДІЛІГІН БОЛЖАУ

Бұл зерттеу жобасы ауыл шаруашылығы ғылымы саласындағы кешенді мета-анализ ретінде қызмет етеді, атап айтқанда дақылдардың өнімділігін болжауға бағытталған. Бұл әрекет ауыл шаруашылығының өнімділігін болжаудың әртүрлі әдістемелері мен үлгілерін зерттеген әртүрлі зерттеулер мен мақалалардың нәтижелерін салыстыруды және синтездеуді қамтиды. Бұл жанжақты шолудың мақсаты әртүрлі зерттеулердегі дақылдардың өнімділігін болжауға дәйекті түрде әсер ететін тенденцияларды, әдістемелерді және негізгі факторларды анықтау болып табылады. Ол Әртүрлі зерттеулердің әдістемелерін синтездейді, Векторлық Машиналарды (SVM), Кездейсоқ Ормандарды (RF) Және Конволюциялық Нейрондық Желілерді (CNN) Қолдау сияқты машиналық оқыту (ML) әдістеріне баса назар аударады. Бұл зерттеулер жоғары ажыратымдылықтағы спутниктік суреттерді NDVI, EVI және LAI сияқты экологиялық көрсеткіштермен біріктіреді. Топырақтың химиялық қасиеттері (рн, қоректік заттар) және спутниктік деректер әртүрлі дақылдардың өнімділігін болжауды жақсарту үшін пайдаланылды.
Нәтижелер әртүрлі модельдердің жер үсті және жер асты деректерінің кеңістіктік және уақыттық өзгергіштігін өңдеудегі салыстырмалы тиімділігін көрсетеді, қоршаған орта мен топырақтың әртүрлі жағдайларында болжау дәлдігін жақсартады.
Осы теориялық талдау арқылы зерттеу ауыл шаруашылығы саясатын оңтайландыруға және ресурстарды басқаруға көмектесетін маңызды ақпаратты ұсына отырып, ауыл шаруашылығы мониторингі мен болжамын өзгерту үшін озық аналитикалық модельдердің әлеуетін көрсетеді.

1. Statistical Estimation of Crop Yields for the Midwestern United States Using Satellite Images, Climate Datasets, and Soil Property Maps / N. Kim et al // Korean Journal of Remote Sensing. – 2016. – № 32(4). – Р. 383-401.

2. Kim N. Machine Learning Approaches to Corn Yield Estimation Using Satellite Images and Climate Data: A Case of Iowa State / N. Kim, Y.-W. Lee // Journal of the Korean Society of Surveying, Geodesy, Photogrammetry and Cartography. – 2016. – № 34(4). – Р. 383-390.

3. Chang J. Identifying Factors for Corn Yield Prediction Models and Evaluating Model Selection Methods / J. Chang, D.E. Clay // Korean Journal of Crop Science. – 2005. – № 50(4). – Р. 268-275.

4. Boosted random forest / Y. Mishina et al // IEICE Transactions on Information and Systems. – 2005. – № E98.D(9). – Р. 1630-1636. https://doi.org/10.1587/transinf.2014OPP0004.

5. Li.Y. Regional segmentation of field images based on convolutional neural network for rice combine harvester. / Y. Li., M. Iida, M. Suguri, R. Masuda // Journal of the Japanese Society of Agricultural Machinery and Food Engineers. – 2020. – № 82(1). – Р. 47-56. https://doi.org/10.11357/jsamfe.82.1_47.

6. Park H. Satellite-based cabbage and radish yield prediction using deep learning in Kangwon-do / H. Park, Y. Lee, S. Park // Korean Journal of Remote Sensing. – 2023. – Vol. 39. – Р. 1031-1042. https://koreascience.kr/article/JAKO202331857673593.page.

7. Sung J.H. Rice yield prediction based on the soil chemical properties using neural network model / J.H. Sung, D.H. Lee // Journal of Biosystems Engineering. – 2004. – № 29(2). – Р. 123-135.

8. Relationships between global climate indices and rain-fed crop yields in highland of SouthCentral Java, Indonesia / B.D.A. Nugroho et al // Journal of Geography (Chigaku Zasshi). – 2013. – № 122(3). – Р. 438-447. https://doi.org/10.5026/jgeography.122.438.

9. Purwanto M.Y.J. Crop yield prediction by stress day indices under both excessive and deficient soil water conditions / M.Y.J. Purwanto, S. Hardjoamidjojo, R. Nakamura, N. Kubo // Journal of Irrigation Engineering and Rural Planning. – 1993. – № 25. – Р. 31-41. https://doi.org/10.11408/jierp1982.1993.25_31.

10. Jun S.H. A differential evolution based support vector clustering / S.H. Jun // Journal of the Korean Institute of Intelligent Systems. – 2007. – № 17(5). – Р. 679-683. https://doi.org/10.5391/JKIIS.2007.17.5.679.