Төртінші нөмірге барлық бағыттар бойынша мақалалар қабылдау аяқталды.

Приём статей в четвёртый номер по всем направлениям закрыт.

Submissions for the fourth issue are now closed across all subject areas.

Preview

Вестник Университета Шакарима. Серия технические науки

Вестник Университета Шакарима. Серия технические науки

Расширенный поиск

МОДЕЛЬ СИСТЕМЫ ПРОГНОЗИРОВАНИЯ УРОЖАЙНОСТИ ЯБЛОНЕВЫХ САДОВ

https://doi.org/10.53360/2788-7995-2026-3(23)-30

Аннотация

Прогнозирование урожайности яблоневых садов в горно-предгорных зонах Казахстана остаётся открытой задачей: классические агрономические методы субъективны, а методы компьютерного зрения требуют репрезентативных обучающих выборок, отсутствующих для региона. Предложены архитектура информационной системы прогнозирования урожайности и её интерпретируемое полумеханистическое расчётное ядро для сорта Апорт (Malus domestica cv. Aport) в микрозоне предгорий Заилийского Алатау. Ядро реализовано как четырёхзвенный фенологический каскад (цветение, завязывание плодов, рост плода, формирование урожая); каждый параметр снабжён явным провенансом, диапазоном неопределённости и оценкой структурной идентифицируемости, а логистическая функция роста плода в текущей версии в итоговое уравнение урожайности не входит, оставаясь перспективным модулем. По результатам Монте-Карло-оценки неопределённости и анализа чувствительности изменение базовой температуры на 1°C смещает расчётную дату начала цветения на 5-8 суток, тогда как разброс расчётной урожайности определяется преимущественно завязываемостью и структурой насаждения. Демонстрационный прогон на данных хозяйства «Алмалы» (Алматинская область) даёт 11,05 т/га при 95% интервале параметрической неопределённости ± 2,15 т/га; он выполнен при параметризации по одной полевой точке (n = 1) и не является независимо валидированным производственным прогнозом. Архитектура рассматривается как основа для последующей интеграции в цифровой двойник сада.

Об авторах

Ш. Ж. Сеилов
Евразийский национальный университет им. Л.Н. Гумилева
Казахстан

Шахмаран Журсинбекович Сеилов – к.т.н., профессор кафедры компьютерной и программной инженерии

010008, Республика Казахстан, г. Астана, ул. К. Сатпаева, 2



Б. Ш. Журсинбек
Евразийский национальный университет им. Л.Н. Гумилева
Казахстан

Бибинур Шахмарановна Журсинбек – докторант кафедры компьютерной и программной инженерии

010008, Республика Казахстан, г. Астана, ул. К. Сатпаева, 2



А. А. Кременчуцкий
Евразийский национальный университет им. Л.Н. Гумилева
Казахстан

Анатолий Анатольевич Кременчуцкий – к.т.н., директор India-Kazakhstan Centre of Excellence in ICT 

010008, Республика Казахстан, г. Астана, ул. К. Сатпаева, 2



С. Ж. Казыбаева
ТОО «Казахский НИИ плодоовощеводства»
Казахстан

Сауле Жамбуловна Казыбаева – к.с.-х.н., академик НААН РК

050060, Республика Казахстан, г. Алматы, проспект Гагарина, 238/5



А. К. Майданов
Евразийский национальный университет им. Л.Н. Гумилева
Казахстан

Адиль Кокенович Майданов – магистр, преподаватель кафедры компьютерной и программной инженерии

010008, Республика Казахстан, г. Астана, ул. К. Сатпаева, 2



Список литературы

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

Для цитирования:


Сеилов Ш.Ж., Журсинбек Б.Ш., Кременчуцкий А.А., Казыбаева С.Ж., Майданов А.К. МОДЕЛЬ СИСТЕМЫ ПРОГНОЗИРОВАНИЯ УРОЖАЙНОСТИ ЯБЛОНЕВЫХ САДОВ. Вестник Университета Шакарима. Серия технические науки. 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

Просмотров: 12

JATS XML


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 2788-7995 (Print)
ISSN 3006-0524 (Online)
X