Рекомендаційна система по веденню сільського господарства
Автор: Кійко Василь Юрійович
Кваліфікаційний рівень: магістр
Спеціальність: Системи і методи прийняття рішень
Інститут: Інститут комп'ютерних наук та інформаційних технологій
Форма навчання: денна
Навчальний рік: 2022-2023 н.р.
Мова захисту: українська
Анотація: На Землі кожна частина планети має свій певний клімат. Він визначається такими компонентами як атмосфера, гідросфера, кріосфера, земна поверхня та біосфера. Атмосфера є найбільш мінливою частиною системи клімату, адже рух і склад газів в атмосфері піддається впливу природних і антропогенних факторів, внаслідок чого може радикально змінюватись. Для кожного з нас, коли звучить слово «клімат», перше що спадає на думку – температура повітря та кількість опадів. Насправді вони і є одними з основних факторів для визначення конкретного клімату на певній ділянці.[1] Відповідно до досліджень та моніторингу, який проводиться постійно різними науковими інституціями, починаючи з кінця 19 століття, середня температура планети збільшилась на 1 градус Цельсія. Здавалося б, для людини така зміна температури нічого не означає, навпаки, ми можемо спостерігати значений ріст кількості населення планети. Але у природі все інакше – бачимо, як тануть льодовики, змінюються течії, збільшується кількість посух і повеней. Таким самим чином ці зміни впливають на сільське господарство – посухи знищують посіви, збільшується кількість комах та шкідників. Враховуючи збільшення населення Землі, проблеми в галузі сільського господарства можуть мати критичніші наслідки ніж здається на перший погляд. [2] Існує ряд підходів до вирішення проблеми з якою ми стикнулись. Серед них можна виділити дві групи – боротьба з причиною або допомога в існуючих реаліях. Перший тип полягає у тому, що вчені та агрономи намагаються застосувати різні рішення для усунення чинників чи сповільнення процесу зміни клімату. Це, наприклад, використання певних сортів рослин, у яких краще відбувається процес фотосинтезу, за рахунок чого зменшується кількість вуглекислого газу в атмосфері, підбір видів корму, що який впливає на травну систему так, що вони виділяють менше метану. Цим займаються організації, які із залученням інвестицій створюють повноцінні плани по відновленню та роботі на ділянках. [3] Паралельно існує підхід, який допомагає аграрній галузі в існуючих реаліях. Тут активно залучаються технології, з допомогою яких ведеться «точне господарство» – чіткий розрахунок скільки добрив потрібно внести у який час, дрони та датчики збирають інформацію в реальному часі, дані із супутників допомагають відстежувати зміни погоди та дозволяють швидко реагувати на них. Тут також активно залучається методи машинного навчання, адже щодня агрономи мають доступ до великої кількості інформації, що дозволяє навчати моделі та нейронні мережі для отримання різної корисної інформації, як наприклад прогноз врожайності, автоматичне внесення добавок, надання рекомендацій по часу та кількості посіву. [4] В дана магістерській кваліфікаційній роботі було розглянуто проблему, описану вище, а саме ведення сільського господарства у змінних кліматичних умовах із залученням машинного навчання. В процесі роботи було проаналізовано існуючі системи, які використовують різні технології для вирішення поставлених задач, визначено їх сильні та слабкі сторони. Провівши системний аналіз з використанням методу аналізу ієрархій та побудувавши дерева рішень, визначив генеральну мету та тип системи – рекомендаційна система. З використанням засобів UML побудував концептуальну модель системи, яка включає діаграми варіантів використання, класів, діяльності, послідовності, станів та розгортання. Далі обрав методи, на основі яких функціонуватиме система – рекомендації формуватимуть на основі даних користувача та раніше заготовленої інформації про рослини. Дані користувача – це дані про погоду та про ділянку. На основі погодних даних відбуватиметься прогнозування температур на певний час вперед з використанням алгоритму прогнозування сезонних часових рядів SARIMA [5]. З використанням алгоритму Random forest [6] відбуватиметься навчання моделей для класифікації погодних умов та типу ділянки, використовуючи отриманий прогноз температур та внесені дані про ділянку. Для програмної реалізації використано мову програмування Python з використанням фреймворку Flask та бібліотеки алгоритмів машинного навчання scikitlearn. Зберігання даних реалізовано з допомогою СУБД MySQL. В результаті виконання магістерської кваліфікаційної роботи створено рекомендаційну систему по веденню сільського господарства, яка надає варіанти рослин для вирощування на заданій земельній ділянці користувача, з врахуванням погодних умов на основі попередніх спостережень користувача на цій ділянці. Об’єкт дослідження – процес надання рекомендацій по веденню сільського господарства з допомогою методів машинного навчання. Предмет дослідження – використання методів машинного навчання для формування рекомендацій по веденню сільського господарства. Мета дослідження – створення системи видачі рекомендацій по веденню сільського господарства з допомогою методів машинного навчання. Результатом виконання магістерської роботи є спроектована та реалізована рекомендаційна система по веденню сільського господарства з допомогою методів машинного навчання, яка спрямована на допомогу агрономам у виборі того типу і виду рослин, що дадуть найкращий врожай на обраній території за мінливих природніх умов. Ключові слова – рекомендаційна система, сільське господарство, прогнозування часових рядів, SARIMA, класифікація, random forest. Перелік використаних літературних джерел. 1. All about climate | National Geographic Society. National Geographic: веб-сайт. URL: https://education.nationalgeographic.org/resource/all-about-climate (дата звернення: 13.11.2022). 2. Climate Change | American Society of Agronomy. Home - Agronomy | American Society of Agronomy: веб-сайт. URL: https://www.agronomy.org/about-agronomy/climate-change/ (дата звернення: 13.11.2022). 3. Climate-Smart Agriculture. World Bank: веб-сайт. URL: https://www.worldbank.org/en/topic/climate-smart-agriculture (дата звернення: 13.11.2022). 4. Towards Future Farming: How Artificial Intelligence is transforming the Agriculture Industry - Wipro. Wipro | Digital, Technology, Business Solutions: веб-сайт. URL: https://www.wipro.com/holmes/towards-future-farming-how-artificial-intelligence-is-transforming-the-agriculture-industry/ (дата звернення: 13.11.2022). 5. Athanasopoulos G., Hyndman R. J. Forecasting: Principles and Practice. 2-ге вид. Melbourne, Australia : Monash University, 2018. 380 с. (дата звернення: 13.11.2022). 6. ProjectPro. 7 Types of Classification Algorithms in Machine Learning. ProjectPro: веб-сайт. URL: https://www.projectpro.io/article/7-types-of-classification-algorithms-in-machine-learning/435 (дата звернення: 13.11.2022).