АЛМА БАҚТАРЫНЫҢ ӨНІМДІЛІГІН БОЛЖАУ ЖҮЙЕСІНІҢ МОДЕЛІ
https://doi.org/10.53360/2788-7995-2026-3(23)-30
Аңдатпа
Қазақстанның таулы және тау бөктеріндегі аймақтарында алма бақтарының өнімділігін болжау өзекті мәселе болып қала береді: дәстүрлі агрономиялық әдістер субъективті, ал компьютерлік көру әдістері өңір үшін қолжетімді емес репрезентативті оқыту деректерін қажет етеді. Жұмыста Іле Алатауының тау бөктеріндегі микрозонаға арналған Апорт сортының (Malus domestica cv. Aport) өнімділігін болжайтын ақпараттық жүйенің архитектурасы және оның түсіндірілетін жартылай механистік есептеу өзегі ұсынылған. Өзек гүлдену, жемістің түйінденуі, жемістің өсуі және өнімнің қалыптасуы кезеңдерін сипаттайтын төрт буынды фенологиялық каскад түрінде іске асырылған; әрбір параметр шығу тегімен, белгісіздік диапазонымен және құрылымдық сәйкестендірілу деңгейімен сипатталған, ал жемістің өсуін сипаттайтын логистикалық функция маусым ішіндегі масса жинақталу траекториясын береді және модельдің қазіргі нұсқасында өнімділіктің қорытынды теңдеуіне кірмей, перспективалық модуль болып қалады. Параметрлік белгісіздік Монте-Карло әдісімен бағаланды: базалық температураның 1°C өзгеруі гүлденудің есептік басталу мерзімін 5-8 тәулікке жылжытады, ал өнімділік болжамының өзгергіштігі негізінен түйіндену коэффициенті мен екпе құрылымына тәуелді. «Алмалы» шаруашылығының (Алматы облысы) деректері бойынша PARAM BILIM суперкомпьютерінде жүргізілген демонстрациялық есептеу 11,05 т/га мәнін және 95 % параметрлік белгісіздік аралығының ± 2,15 т/га шамасын берді; есептеу бір далалық нүкте бойынша параметрленген (n = 1), демонстрациялық сипатта және тәуелсіз валидацияланған өндірістік болжам емес. Ұсынылған архитектура бақтың цифрлық егізіне кейіннен біріктірудің негізі ретінде қарастырылады.
Авторлар туралы
Ш. Ж. СеиловҚазақстан
Шахмаран Жүрсінбекұлы Сеилов – т.ғ.к., компьютерлік және бағдарламалық инженерия кафедрасының профессоры
010008, Қазақстан Республикасы, Астана қ., Қ. Сәтбаев көшесі, 2
Б. Ш. Жүрсінбек
Қазақстан
Бибінұр Шахмаранқызы Жүрсінбек – компьютерлік және бағдарламалық инженерия кафедрасының докторанты
010008, Қазақстан Республикасы, Астана қ., Қ. Сәтбаев көшесі, 2
А. А. Кременчуцкий
Қазақстан
Анатолий Анатольевич Кременчуцкий – т.ғ.к., Л.Н. Гумилев атындағы ЕҰУ-нің IndiaKazakhstan Centre of Excellence in ICT директоры
010008, Қазақстан Республикасы, Астана қ., Қ. Сәтбаев көшесі, 2
С. Ж. Қазыбаева
Қазақстан
Сәуле Жамбылқызы Қазыбаева – а.ш.ғ.к., ҚР ҰААҒА академигі
050060, Қазақстан Республикасы, Алматы қ., Гагарин даңғылы, 238/5
А. К. Майданов
Қазақстан
Адиль Кокенович Майданов – магистр, компьютерлік және бағдарламалық инженерия кафедрасының оқытушысы
010008, Қазақстан Республикасы, Астана қ., Қ. Сәтбаев көшесі, 2
Әдебиет тізімі
1. Fruit yield prediction and estimation in orchards: a state-of-the-art comprehensive review for both direct and indirect methods / L. He et al // Computers and Electronics in Agriculture. – 2022. – Vol. 195. – Art. 106812. https://doi.org/10.1016/j.compag.2022.106812.
2. Tree crop yield estimation and prediction using remote sensing and machine learning: a systematic review / C. Trentin et al // Smart Agricultural Technology. – 2024. – Vol. 9. – Art. 100556. https://doi.org/10.1016/j.atech.2024.100556.
3. Decision support systems for agriculture 4.0: survey and challenges / Z. Zhai et al // Computers and Electronics in Agriculture. – 2020. – Vol. 170. – Art. 105256. https://doi.org/10.1016/j.compag.2020.105256.
4. Digital twins in smart farming / C. Verdouw et al // Agricultural Systems. – 2021. – Vol. 189. – Art. 103046. https://doi.org/10.1016/j.agsy.2020.103046.
5. Unusually warm winter seasons may compromise the performance of current phenology models – predicting bloom dates in young apple trees with PhenoFlex / E. Fernandez et al // Agricultural and Forest Meteorology. – 2022. – Vol. 322. – Art. 109020. https://doi.org/10.1016/j.agrformet.2022.109020.
6. Identifying fire blight-resistant Malus sieversii rootstocks grafted with cultivar «Aport» using monitoring data / A. Taskuzhina et al // Horticulturae. – 2024. – Vol. 10, № 10. – Art. 1052. https://doi.org/10.3390/horticulturae10101052.
7. Apple varieties from Kazakhstan and their relation to foreign cultivars assessed with RosBREED 10K SNP array / D. Gritsenko et al // European Journal of Horticultural Science. – 2022. – Vol. 87, № 1. – Art. 6. https://doi.org/10.17660/eJHS.2022/006.
8. Genetic diversity of apple cultivars growing in Kazakhstan / M.E. Omasheva et al // Russian Journal of Genetics. – 2018. – Vol. 54, № 2. – P. 176-187. https://doi.org/10.1134/S1022795418020138.
9. Lidar-based tree recognition and platform localization in orchards / J.P. Underwood et al // Journal of Field Robotics. – 2015. – Vol. 32, № 8. – P. 1056-1074. https://doi.org/10.1002/rob.21607.
10. Mapping almond orchard canopy volume, flowers, fruit and yield using lidar and vision sensors / J.P. Underwood et al // Computers and Electronics in Agriculture. – 2016. – Vol. 130. – P. 83-96. https://doi.org/10.1016/j.compag.2016.09.014.
11. Sapkota R. Comparing YOLOv8 and Mask R-CNN for instance segmentation in complex orchard environments / R. Sapkota, D. Ahmed, M. Karkee // Artificial Intelligence in Agriculture. – 2024. – Vol. 13. – P. 84-99. https://doi.org/10.1016/j.aiia.2024.07.001.
12. Digital twins in agriculture and forestry: a review / A.C. Tagarakis et al // Sensors. – 2024. – Vol. 24, № 10. – Art. 3117. https://doi.org/10.3390/s24103117.
13. A comprehensive overview of the spatial and temporal variability of apple bud dormancy release and blooming phenology in Western Europe / J.-M. Legave et al // International Journal of Biometeorology. – 2013. – Vol. 57, № 2. – P. 317-331. https://doi.org/10.1007/s00484-012-0551-9.
14. Agroclimatic requirements and phenological responses to climate change of local apple cultivars in northwestern Spain / A. Delgado et al // Scientia Horticulturae. – 2021. – Vol. 283. – Art. 110093. https://doi.org/10.1016/j.scienta.2021.110093.
15. Petri J.L. Consequences of insufficient winter chilling on apple tree bud-break / J.L. Petri, G.B. Leite // Acta Horticulturae. – 2004. – Vol. 662. – P. 53-60. https://doi.org/10.17660/ActaHortic.2004.662.4.
16. Sheffield C.S. Perfect syncarpy in apple (Malus × domestica «Summerland McIntosh») and its implications for pollination, seed distribution and fruit production (Rosaceae: Maloideae) / C.S. Sheffield, R.F. Smith, P.G. Kevan // Annals of Botany. – 2005. – Vol. 95, № 4. – P. 583-591. https://doi.org/10.1093/aob/mci058.
17. A flexible sigmoid function of determinate growth / X. Yin et al // Annals of Botany. – 2003. – Vol. 91, № 3. – P. 361-371. https://doi.org/10.1093/aob/mcg029.
18. Fruit growth patterns of four apple cultivars using nonlinear growth models / P. Zadravec et al // European Journal of Horticultural Science. – 2014. – Vol. 79, № 2. – P. 52-59. https://doi.org/10.1079/ejhs.2014/4258554.
19. Sensitivity analysis of environmental models: a systematic review with practical workflow / F. Pianosi et al // Environmental Modelling & Software. – 2016. – Vol. 79. – P. 214-232. https://doi.org/10.1016/j.envsoft.2016.02.008.
20. Chicco D. The coefficient of determination R-squared is more informative than SMAPE, MAE, MAPE, MSE and RMSE in regression analysis evaluation / D. Chicco, M.J. Warrens, G. Jurman // PeerJ Computer Science. – 2021. – Vol. 7. – Art. e623. https://doi.org/10.7717/peerj-cs.623.
21. Saldaña-Villota T.M. Comparison of statistical indices for the evaluation of crop models performance / T.M. Saldaña-Villota, J.M. Cotes-Torres // Revista Facultad Nacional de Agronomía Medellín. – 2021. – Vol. 74, № 3. – P. 9675-9684. https://doi.org/10.15446/rfnam.v74n3.93562.
22. The potential of low-cost IoT-enabled agrometeorological stations: a systematic review / C.M. Al Kalaany et al // Sensors. – 2025. – Vol. 25, № 19. – Art. 6020. https://doi.org/10.3390/s25196020.
Рецензия
Дәйектеу үшін:
Сеилов Ш.Ж., Жүрсінбек Б.Ш., Кременчуцкий А.А., Қазыбаева С.Ж., Майданов А.К. АЛМА БАҚТАРЫНЫҢ ӨНІМДІЛІГІН БОЛЖАУ ЖҮЙЕСІНІҢ МОДЕЛІ. Шәкәрім Университетінің Хабаршысы. Техникалық ғылымдар сериясы. 2026;(3(23)):321-331. https://doi.org/10.53360/2788-7995-2026-3(23)-30
For citation:
Seilov Sh.Zh., Zhursinbe B.Sh., Kremenchutsky A.A., Kazybayeva S.Zh., Maidanov A.K. MODEL OF A YIELD FORECASTING SYSTEM FOR APPLE ORCHARDS. Bulletin of Shakarim University. Technical Sciences. 2026;(3(23)):321-331. (In Russ.) https://doi.org/10.53360/2788-7995-2026-3(23)-30
JATS XML















