Registration Number
0826U004666, PhD dissertation
Status
Доктор філософії
Date
26-08-2026
popup.evolution
.
Title
Intelligent Models for Crop Yield Forecasting Based on Machine Learning Methods
Author
Maksym S. Havryliuk,
popup.head Petro M. Hrytsiuk
popup.opponent Andrii S. Sverstyuk
popup.opponent Andrii V. Morozov
popup.review Viktor V. Zhukovskyi
popup.review Yuriy V. Turbal
popup.rada
National University of Water and Environmental Engineering
Description
Дисертація присвячена розробленню та дослідженню інтелектуальних моделей прогнозування врожайності на основі методів машинного та глибинного навчання з урахуванням агрокліматичних чинників. Актуальність дослідження зумовлена зростанням кліматичної мінливості, підвищенням частоти екстремальних погодних явищ, просторовою неоднорідністю агрокліматичних умов та необхідністю побудови стійких прогнозних оцінок урожайності для підтримки управлінських рішень у рослинництві. У роботі сформульовано та розв’язано науково-прикладну задачу побудови інтелектуальних моделей прогнозування врожайності, яка охоплює підготовку агрокліматичних даних, формування інформативного ознакового простору, побудову прогнозних і класифікаційних моделей, оцінювання ризику низької врожайності та оптимізаційний аналіз параметрів вегетації. Програмну реалізацію отриманих результатів здійснено у вигляді інформаційно-аналітичної системи «Пшениця України».
Метою дисертаційної роботи є розроблення інтелектуальних моделей прогнозування врожайності на основі методів машинного та глибинного навчання для підвищення точності, стійкості та інформативності прогнозних оцінок в умовах мінливості агрокліматичних чинників. Об’єктом дослідження є процеси інтелектуального аналізу, моделювання та прогнозування врожайності за умов багатофакторного впливу агрокліматичного середовища. Предметом дослідження є методи, моделі та програмні засоби побудови інтелектуальних моделей прогнозування врожайності, що базуються на підготовці агрокліматичних даних, формуванні інформативного ознакового простору, застосуванні методів машинного та глибинного навчання, оцінюванні ризиків і оптимізації параметрів вегетації.
Наукова новизна одержаних результатів полягає в тому, що удосконалено метод формування агрокліматичного ознакового простору для моделей прогнозування врожайності шляхом просторової агрегації кліматичних даних, побудови трендових залишків і зонального групування областей України; удосконалено методичний підхід до прогнозування врожайності шляхом переходу від числового до класифікаційного прогнозування; набули подальшого розвитку методи ендогенного та екзогенного класифікаційного прогнозування врожайності на основі моделей машинного навчання; удосконалено методику підбору гіперпараметрів прогнозних моделей шляхом поєднання решіткового пошуку з аналізом групи TOP-3 конфігурацій, відібраних за метрикою F1 на валідаційній вибірці; набули подальшого розвитку теоретико-прикладні підходи до застосування рекурентних нейронних мереж GRU та LSTM у задачах прогнозування врожайності; уперше розроблено метод формування нелінійних ознак кумулятивного кліматичного впливу на основі синтезу ознак другого порядку; удосконалено методичні засади оцінювання ризику низької врожайності на основі ідентифікації розподілів трендових залишків і квантильних оцінок ризику; набули подальшого розвитку засоби програмної реалізації інтелектуальних моделей прогнозування врожайності в інформаційно-аналітичній системі. У результаті дослідження сформовано відтворювану агрокліматичну матрицю ознак для 18 областей України, обґрунтовано доцільність переходу від абсолютних значень урожайності до трендових залишків як цільової змінної, виконано агрокліматичне групування областей України з виділенням степової, лісостепової та західної зон, що дало змогу збільшити обсяг навчальних вибірок і підвищити стійкість моделей. Побудовано та порівняно ендогенні й екзогенні класифікаційні моделі машинного навчання, а також рекурентні нейромережеві моделі прогнозування. Показано, що для коротких і слабко автокорельованих рядів трендових залишків збільшення складності моделі не гарантує поліпшення якості прогнозу, тоді як використання зовнішніх агрокліматичних і режимних змінних істотно підвищує точність класифікації. Розроблено підхід до оцінювання ризику низької врожайності на основі статистичного та квантильного аналізу трендових залишків, а також підхід до визначення сприятливої температурної траєкторії вегетації. Окремо показано можливість застосування прогнозних моделей для оцінювання втрат урожайності за умов зовнішніх шоків. Практичне значення одержаних результатів полягає в тому, що розроблені інтелектуальні моделі, методи формування агрокліматичних вибірок, підходи до оцінювання ризику та програмні засоби можуть бути використані для прогнозування врожайності, оцінювання агрокліматичних ризиків і підтримки прийняття управлінських рішень у рослинництві. Інформаційно-аналітична система «Пшениця України» забезпечує автоматизацію підготовки даних, формування ознак, побудови прогнозних моделей, оцінювання ризиків, оптимізації параметрів вегетації, візуалізації результатів, сценарного аналізу та формування аналітичних звітів. Одержані результати можуть бути використані аграрними підприємствами, науково-дослідними установами, органами регіонального управління та в освітньому процесі закладів вищої освіти.
Registration Date
2026-08-17
popup.nrat_date
2026-08-17 / 2026-08-29
