1 January 2019 in Mathematical machines and systems
7 April 2026 in Таврійський науковий вісник. Серія: Технічні науки
У статті розв’язується актуальна задача математичного моделювання процесів прийняття рішень щодо внесення мінеральних добрив в умовах стохастичної невизначеності кліматичних факторів. Актуальність дослідження зумовлено потребою в переході від статичних нормативних рекомендацій до адаптивних систем, здатних враховувати нелінійну реакцію агроценозів на погодні стреси. Традиційні підходи, що оперують середніми багаторічними показниками, в умовах підвищеної варіабельності клімату призводять до прийняття економічно неефективних рішень. Запропоновано комплексний методологічний підхід, що поєднує методи інтелектуального аналізу даних, машинне навчання та теорію ризиків. Модель базується на інтеграції різнорідних відкритих даних: статистики FAO та метеорологічних сервісів Open-Meteo. Реалізовано процедуру формування простору ознак, де дози добрив представлено вектором мас діючої речовини u = (N, P, K) що дозволяє врахувати агрономічний закон мінімуму Лібіха. Стохастичність середовища формалізовано через систему індексів (GDD, SDD, сумарні опади), а технологічний рівень регіону – через латентну змінну CTL, що усуває помилкову екстраполяцію трендів. Як ядро прогнозування врожайності обґрунтовано використання градієнтного бустингу (XGBoost), здатного відтворювати ефекти насичення. Математично формалізовано процедуру корекції зміщення прогнозу при переході від логарифмічного простору до натуральних величин з використанням властивостей логнормального розподілу, що забезпечує незміщеність економічних оцінок. Розроблено алгоритм економіко-ризикової оптимізації на основі критерію Mean-Variance. Результати експерименту підтвердили високу адекватність моделі: алгоритм XGBoost забезпечив R2 > 0.91 на тестовій вибірці, суттєво перевершивши лінійну регресію (R2 ≈ 0.63), яка не здатна відтворити закон спадної віддачі. Сценарний аналіз показав, що врахування ризику дозволяє знизити ймовірність критичних збитків у посушливі роки на 30–40%. Запропонований підхід створює теоретичне підґрунтя для розробки інтелектуальних систем підтримки прийняття рішень (DSS).
1 January 2021 in Mathematical machines and systems
The issue of product safety is acute in many countries and companies. Indeed, every year a large number of people catch various diseases after using products contaminated with harmful sub-stances. To increase food safety, there should be implemented some technologies which would enable quick testing of products and, using the obtained knowledge, to prevent appearance of harmful substances. Biosensor technologies which are utilized for conducting quick tests for agricultural purposes are being nowadays actively developed in the world. The use of data min-ing technologies can provide the identification of new knowledge about the nature and depend-ence of various harmful substances on external factors. The article considers the issues of con-struction and testing of forecasting technology, including analysis of existing solutions, search for forecasting models, usage of Data Mining methods to find qualitatively new knowledge and hypotheses, and hypothesis testing as well. The first section of the article provides an overview of existing models and methods, formulas for calculating the risk of aflatoxin. The second sec-tion contains a brief description of the data collection system which consists of a data ware-house, sensors and a mobile application as a data source. The results of data mining obtained after the use of Data Mining methods are presented in the third section of the paper. As a result, there was obtained a hypothesis of the effect on the appearance of mycotoxins in crops. Confir-mation or refutation of the hypothesis was performed by testing it using OLAP-technologies. The results of the hypothesis test are presented in the last section. The main result of the work was obtaining a data analysis system ready for testing in real conditions. However, it should be noted that there is a need for more extensive testing on large amounts of data which can be ac-cumulated over several years of observations.