Надіслати статтю
вул. Інститутська 11, м. Хмельницький, 29016
visnyk.khnu@khmnu.edu.ua
(0382) 67-51-08

КЛАСИФІКАЦІЙНІ МЕТОДИ ПРОГНОЗУВАННЯ ВРОЖАЙНОСТІ

CLASSIFICATION METHODS OF THE YIELD FORECASTING

Сторінки: 209–216. Номер: №3, 2022 (309)
Автори:
ГРИЦЮК П. М.
Національний університет водного господарства та природокористування, м. Рівне
https://orcid.org/0000-0002-3683-4766
e-mail: p.m.hrytsiuk@nuwm.edu.ua
БАБИЧ Т. Ю.
Національний університет водного господарства та природокористування, м. Рівне
https://orcid.org/0000-0001-6927-7313
e-mail: t.iu.babych@nuwm.edu.ua
КРАСЬКО Б. В.
Національний університет водного господарства та природокористування, м. Рівне
e-mail: krasko_ak21@nuwm.edu.ua
Petro Hrytsiuk, Tetiana Babych, Bohdan Krasko
The National University of Water and Environmental Engineering, Rivne
DOI: https://www.doi.org/10.31891/2307-5732-2022-309-3-209-210

Анотація мовою оригіналу

Аналіз врожайності пшениці за останні 20 років показує, що врожайність у всіх областях України зростає. Це є результатом зростання інвестиційної привабливості галузі зерновиробництва та значних інвестицій, які надійшли у галузь. Однак, тенденція до зростання супроводжується значними коливаннями врожайності, причиною яких здебільшого є погодно-кліматичні фактори. Найбільш помітним є вплив кліматичних факторів для степових регіонів України. В роботі запропоновано класифікаційний підхід до прогнозування врожайності пшениці з врахуванням погодно-кліматичних факторів та використанням методів машинного навчання. Для побудови комп’ютерних моделей було використано набір даних врожайності пшениці у чотирьох областях степової зони України за період 2000 – 2021 роки та відповідні значення 12 метеофакторів. Числові значення врожайності були перетворені у бінарну змінну, яка набуваєе лише двох значень: «0» (низька врожайність) чи «1» (висока врожайність). Для моделювання бінарних даних використано probit- та logit-моделі, результуючі значення яких можуть трактуватися як імовірність значного перевищення врожайністю трендового значення. Точність побудованих моделей перевищує 80%.
Клювові слова: інвестиції, модель.

Розширена анотація англійською  мовою

Analysis of wheat yields over the past 20 years shows that wheat  yield are growing in all regions of Ukraine. This is a result of the growing investment attractiveness of the grain industry and the significant investments made in the industry. However, the upward trend is accompanied by significant fluctuations in wheat yields, which are mostly caused by weather and climatic factors. The most noticeable is the climatic factors influence for the steppe regions of Ukraine. The paper proposes a classification approach to forecasting wheat yield taking into account weather and climatic factors and the use of machine learning methods. A set of wheat yield data in four regions of the steppe zone of Ukraine for the period 2000-2021 and the corresponding values of 12 meteorological factors were used to build computer models. Cross-validation with division into 10 groups was used to build and test of models. Numerical values of wheat yield were converted into a binary variable, which acquires only two values: “0” (low yield) or “1” (high yield). If the value of wheat yield exceeding over the trend value is greater than the specified threshold value, the new value of binary variable is 1, otherwise the binary variable value is 0.
Two models are constructed to classify the excess of yield over the trend value, which are based on the regression logit and regression probit. The obtained model values can be interpreted as the probability of a significant excess of yield over the trend value. Both models provide high quality classification with a slight advantage of the logit model. The aggregate classification quality of both models exceeds 88%, which is a good result for such a complex task as modeling the dependence of yield on meteorological factors in a small sample.
Keywords: investing, model

Література

  1. Грицюк П.М., Бачишина Л.Д. Вплив зміни кліматичних умов на динаміку врожайності зернових в Україні // Економіка України. – 2016, № 6 (655), с.68 – 75
  2. Lee and M. J. Connaughton. Effects of Weather on Wheat Yields. – Irish Journal of Agricultural Research. – Vol. 8, No. 3, Dec., 1969. pp. 349-357.
  3. Даніель Мюллер, Анне Юнгандреас, Фрідріх Кох та ін. Вплив кліматичних змін на виробництво пшениці в Україні. Німецько-український агрополітичний ліалог. – Київ, 2016. – 45с.
  4. Кернасюк Ю.В. Адаптація до кліматичних змін: економіка технологій поливу. – Економічний гектар. 03.06.2020. http://agro-business.com.ua/agro/ekonomichnyi-hektar/item/17754-adaptatsiia-do-klimatychnykh-zmin-ekonomika-tekhnolohii-polyvu.html
  5. О.О. Кривошеїн, Л.П. Однолєток, Л.П. Дзюба. Оцінка впливу погодних умов та організаційно-технологічних заходів на урожайність озимої пшениці за її кліматичним потенціалом. – Наукові праці УкрНДГМІ, 2016, Вип. 269. – с.151-158
  6. Кобченко Ю.Ф., Кобченко О.Ю., Резуненко В.А. Вплив погодних факторів на формування урожаю зернових культур у Харківській області. – Вісник Харківського національного університету. – 2014, №1098. – с.86-91
  7. Kurt Heil, Anna Lehner and Urs Schmidhalter. Influence of Climate Conditions on the Temporal Development of Wheat Yields in a Long-Term Experiment in an Area with Pleistocene Loess. – Climate 2020, 8, 100, 17p. mdpi.com/journal/climate
  8. Beillouin D, Schauberger B,Bastos A, Ciais P, Makowski D. 2020 Impact of extreme weather conditions on European crop production in 2018. – Phil. R. Soc. B 375. https://doi.org/10.1098/rstb.2019.0510
  9. Konduri V., Vandal T., Ganguly S., Ganguly A. Data science for weather impacts on crop yield. Sustain. Food Syst., Vol. 4, May 2020
  10. Державна служба статистики України. http://www.ukrstat.gov.ua/
  11. Клебан Ю.В. Дослідження способів трансформації даних в контексті підвищення ефективності моделей кредитного скорингу. Нейронечіткі технології моделювання в економіці. Науково-аналітичний журнал. Київ, 2019. №8. С.94-123.
  12. Fawcett, Tom. An Introduction to ROC Analysis. Pattern Recognition Letters. 27 (8) (2011). P. 861–874
  13. Климатический монитор http://www.pogodaiklimat.ru/
  14. Berrar, D. Cross-Validation. Encycl. Bioinform. Comput. Biol. 2019, 1, 542–545. URL: https://www.researchgate.net/publication/324701535_Cross-Validation

References

  1. Hrytsiuk P.M., Bachyshyna L.D. Vplyv zminy klimatychnyh umov na dynamiku vrozhaynosty zernovyh v Ukraini // Economicka Ukrainy. – 2016, № 6 (655), p.68 – 75
  2. Lee and M. J. Connaughton. Effects of Weather on Wheat Yields. – Irish Journal of Agricultural Research. – Vol. 8, No. 3, Dec., 1969. pp. 349-357.
  3. Daniel Muller, Anne Yunhandreas, Fridrih Koch et al. Vplyv klimatychnyh zmin na vyrobnyctvo pshenyci v Ukraini. Nimecko-ukrainsky ahropolitychny dialoh. – Kyiv, 2016. – 45p.
  4. Kernasiuk Yu.V. Adaptaciya do klimatychnyh zmin: economika tehnolohiy polyvu. – Ekonomichny hektar. 03.06.2020. http://agro-business.com.ua/agro/ekonomichnyi-hektar/item/17754-adaptatsiia-do-klimatychnykh-zmin-ekonomika-tekhnolohii-polyvu.html
  5. O. Kryvoshein, L.P. Odnoletok, L.P. Dzyuba. Ocinka vplyvu pohodnyh umov ta orhanizaciyno-tehnolohichnyh zahodiv na urozhaynist ozymoi pshenyci za ii klimatychnym potencialom. – Naukovi praci UkrNDHMI, 2016, Vyp. 269. – с.151-158.
  6. Kobchenko Yu.F., Kobchenko O.Yu., Rezunenko V.A. Vplyv pohodnyh factoriv na formuvannia urozhayu zernovyh kultur u Harkivskiy oblasti. – Visnyk Harkivskoho nacionalnoho universytetu. – 2014, №1098. – p.86-91
  7. Kurt Heil, Anna Lehner and Urs Schmidhalter. Influence of Climate Conditions on the Temporal Development of Wheat Yields in a Long-Term Experiment in an Area with Pleistocene Loess. – Climate 2020, 8, 100, 17p. www.mdpi.com/journal/climate
  8. Beillouin D, Schauberger B,Bastos A, Ciais P, Makowski D. 2020 Impact of extreme weather conditions on European crop production in 2018. – Phil. Trans. R. Soc. B 375. https://doi.org/10.1098/rstb.2019.0510
  9. Konduri V., Vandal T., Ganguly S., Ganguly A. Data science for weather impacts on crop yield. Front. Sustain. Food Syst., Vol. 4, May 2020
  10. Derzhavna sluzhba statystyky Ukrainy. http://www.ukrstat.gov.ua/
  11. Kleban Yu.V. Doslidzhennia sposobiv transformacii danyh v kontexti pidvyshchennia efektyvnosti modeley kredytnoho skorynhu. Neyronechitki tehnolohii modeluvannia v ekonomici. Naukovo-analitychny zhurnal. Kyiv, 2019. №8. p.94-123.
  12. Fawcett, Tom. An Introduction to ROC Analysis. Pattern Recognition Letters. 27 (8) (2011). P. 861–874
  13. Klimaticheskiy monitor http://www.pogodaiklimat.ru/
  14. Berrar, D. Cross-Validation. Encycl. Bioinform. Comput. Biol. 2019, 1, 542–545. URL: https://www.researchgate.net/publication/324701535_Cross-Validation

Post Author: Горященко Сергій

Translate