Вирощування сільськогосподарських культур у сучасних умовах є комплексним завданням і практично поєднує у собі практики досвіду та новітні методи, зокрема інформаційні технології, що охоплює поняття “розумне землеробство”. Важливим чинником стабільної прогнозованої врожайності є рівень вологості ґрунтів, який є результатом змін таких кліматичних чинників, як температура повітря, кількість опадів, вітряність тощо. Запропоновано методику опрацювання реальних історичних показників змін клімату певної географічної ділянки з подальшим тренуванням та застосуванням моделей машинного навчання для прогнозування вологості ґрунтів. Для побудови моделі машинного навчання вибрано і досліджено алгоритми: алгоритм регресійних дерев, випадкового лісу, лінійної регресії, алгоритми М5Р та алгоритм K*. Розроблено структуру кліматичних даних для навчання моделі із метою подальшого прогнозування вологості ґрунтів з урахуванням температури і вологості повітря, температури і вологості ґрунту, кількості опадів, кількості прямої та розсіяної сонячної радіації, швидкості вітру. Джерела інформації вибрано із відкритих розподілених світових ресурсів. Розроблено архітектуру та створено програмну систему прогнозування вологості ґрунтів на основі алгоритмів машинного навчання із застосуванням фреймворку Spring Framework, бібліотеки WEKA та Java FX з можливістю вибирати та досліджувати вибрані алгоритми. Виконано експерименти та наведено результати тривалості навчання моделей. Найменше часу навчання потребують алгоритми регресійних дерев та лінійної регресії. Здійснено порівняння алгоритмів за критеріями: швидкість навчання, швидкість перехресного тестування, швидкість прогнозування, показники ефективності тестування для реальних історичних даних. Отримані результати дадуть змогу оцінити та вибрати найкращі моделі машинного навчання для проєктування інформаційно-аналітичної системи “розумне землеробство” для прогнозування вологості ґрунтів.
[1] Araújo, S. O., Peres, R. S., Barata, J., Lidon, F., & Ramalho, J. C. (2021). Characterising the Agriculture 4.0 Landscape – Emerging Trends, Challenges and Opportunities. Agronomy, 11(4), 2‑37. https://doi.org/10.3390/agronomy11040667
[2] Dawn, N., Ghosh, T., Ghosh, S., Saha, A., Mukherjee, P., Sarkar, S., Guha, S., & Sanyal, T. (2023). Implementation of Artificial Intelligence, Machine Learning, and Internet of Things (IoT) in revolutionizing Agriculture: A review on recent trends and challenges. International Journal of Experimental Research and Review, 30, 190–218. https://doi.org/10.52756/ijerr.2023.v30.018
[3] Singh, A., Gaurav, K. (2023). Deep learning and data fusion to estimate surface soil moisture from multi-sensor satellite images. Sci Repб 13, 2251. https://doi.org/10.1038/s41598-023-28939-9
[4] Li, Q., Li, Z., Shangguan, W., Wang, X., Li, L. & Yu, F. (April 2022). Improving soil moisture prediction using a novel encoder-decoder model with residual learning. Computers and Electronics in Agriculture, 195, April 2022. 106816. https://doi.org/10.1016/j.compag.2022.106816
[5] Ren, Y., Ling, F., & Wang, Y. (2023). Research on Provincial-Level Soil Moisture Prediction Based on Extreme Gradient Boosting Model. Agriculture, 13(5), 927. https://doi.org/10.3390/agriculture13050927
[6] Jiang, K., Pan, Z., Pan, F., Teuling, A. J., Han, G., An, P., Chen, X., ..., & Dong, Z. (16 June 2023). Combined influence of soil moisture and atmospheric humidity on land surface temperature under different climatic background. iScience, 26(6), 106837. https://doi.org/10.1016/j.isci.2023.106837
[7] Ariyanto, D. P., Qudsi, Z. A., Sumani, Dewi, W. S., Rahayu, & Komariah. (2021). The dynamic effect of air temperature and air humidity toward soil temperature in various lands coverat KHDTK Gunung Bromo, Karanganyar – Indonesia, IOP Conf. Ser. Earth Environ. Sci., 724, 1, 012003. https://DOI10.1088/1755-1315/724/1/012003
[8] Gikunda, P. K. & Jouandeau, N. (2019). Modern CNNs for IoT Based Farms. Communications in Computer and Information Science, 1026, 68‑79. https://doi.org/10.48550/arXiv.1907.0777
[9] International Soil Moisture Network – [Електронний ресурс]. Retrieved from: https://ismn.earth/en/
[10] Free Weather API – [Електронний ресурс]. Retrieved from: https://open-meteo.com/
[11] Frank, E., Hall, M. A., Witten, I. H. (2016). The WEKA Workbench. In Online Appendix for Data Mining: Practical Machine Learning Tools and Techniques, Morgan Kaufmann, 4th ed.; Elsevier: San Francisco, CA, USA, 1‑128.
[12] Torgo, L. (2011). Regression Trees. In: Sammut, C., Webb, G.I. (eds) Encyclopaedia of Machine Learning. Springer, Boston, MA. https://doi.org/10.1007/978-0387-30164-8711
[13] Ziqiu, Kang , Cagatay, Catal, Bedir, Tekinerdogan. (2020). Machine learning applications in production lines: A systematic literature review. Computers & Industrial Engineering, 149, 106773. https://doi.org/10.1016/j.cie.2020.106773
[14] KDAG IIT KGP Linear Regression h- [Електронний ресурс]. Retrieved from: https://kdagiit.medium.com/linear-regression-ba3fe4ba38c0
[15] Jaiswal, Jitendra, Samikannu, Rita (2017). Application of Random Forest Algorithm on Feature Subset Selection and Classification and Regression, Conference: 2017 World Congress on Computing and Communication Technologies (WCCCT), 65-68. https://doi.org/10.1109/WCCCT.2016.25
[16] Everingham, Y., Sexton, J., & Skocaj, D. (2016). Accurate prediction of sugarcane yield using a random forest algorithm Agron. Sustain. Dev. 36: 27. https://doi.org/10.1007/s13593-016-0364-z
[17] Hasup Song, Hasup Song, Injong Gi, Jihyuk Ryu, Yonghwan Kwon, Jongpil Jeong. (2023). Production Planning Forecasting System Based on M5P Algorithms and Master Data in Manufacturing Processes. Appl. Sci., 13(13), 7829. https://doi.org/10.3390/app13137829
[18] Goksu Tuysuzoglu, Kokten Ulas, Birant & Derya Birant Rainfall. (2023). Prediction Using an Ensemble Machine Learning Model Based on K-Stars, Sustainability, , 15(7), 5889. https://doi.org/10.3390/su15075889