Тип публикации: статья из журнала
Год издания: 2025
Ключевые слова: predictive analytics, machine learning, knowledge management, decision making, agriculture, agro-industrial complex, resource optimization, прогнозная аналитика, машинное обучение, управление знаниями, принятие решений, сельское хозяйство, апк, оптимизация ресурсов
Аннотация: Целью данного исследования является демонстрация применения методов машинного обучения для поддержки управленческих решений в сельском хозяйстве, в частности, для оптимизации выбора сельскохозяйственных культур. Гипотеза исследования заключается в том, что использование прогнозной аналитики на основе агроклиматических данных и параПоказать полностьюметров почвы позволяет значительно повысить эффективность планирования и снизить риски в АПК. В работе использован набор данных, включающий информацию о содержании азота, фосфора, калия, температуре, влажности, уровне pH и количестве осадков. Проведена тщательная предобработка данных, включая стандартизацию и обработку выбросов. Для решения задачи классификации применялись модели Decision Tree, Random Forest, CatBoost и XGBoost. Достигнутые результаты показывают высокую предсказательную способность моделей, при этом ключевыми факторами, влияющими на выбор культуры, были выявлены - содержание азота, калия и количество осадков. Полученные рекомендации направлены на внедрение системы мониторинга в реальном времени, расширение набора данных и повышение интерпретируемости моделей для формирования обоснованных управленческих решений. The aim of this study is to demonstrate the application of machine learning methods to support management decisions in agriculture, specifically to optimize crop selection. The study hypothesis is that the use of predictive analytics based on agroclimatic data and soil parameters can significantly improve planning efficiency and reduce risks in the agricultural sector. The study utilized a dataset including information on nitrogen, phosphorus, and potassium content, temperature, moisture, pH, and precipitation. Thorough data preprocessing, including standardization and outlier processing, was performed. Decision models were used to solve the classification problem: Tree, Random Forest, CatBoost, and XGBoost. The results demonstrate the high predictive power of the models, with nitrogen and potassium content and precipitation identified as key factors influencing crop selection. The resulting recommendations are aimed at implementing a real-time monitoring system, expanding the dataset, and improving the interpretability of the models to support informed management decisions.
Журнал: Глобальный научный потенциал
Выпуск журнала: № 7
Номера страниц: 468-471
ISSN журнала: 19979355
Место издания: Санкт-Петербург
Издатель: МОО ФРНК