Наукові доповіді Національного університету біоресурсів і природокористування України

Нейромережеве прогнозування шкідливості клопа-шкідливої черепашки на пшениці озимій в Україні

Микола Доля, Віталій Лисенко, Тарас Лендєл, Катерина Наконечна, Людмила Гуменюк
Завантажити статтю
Анотація

Захист пшениці від її шкідників безпосередньо впливає на продовольчу безпеку країни. Тому метою досліджень було створення за роками прогнозних моделей для оцінок шкідливості клопа-шкідливої черепашки. Шкідливість клопа-шкідливої черепашки розглядали в залежності від наступних показників: чисельність шкідника, показник природнього середовища (число Волфа) та гідротермічного коефіцієнту зволоження (ГТК). Доведено, що стосовно зазначеного шкідника існує математична невизначеність інформаційних потоків, а тома для прогнозування використовувалась математика штучних нейронних мереж із структурою «багатошаровий перцептрон». Наведено результати дослідження шкідливості клопа-шкідливої черепашки для пшениці озимої в Україні матеріалів, що включає прогноз фітосанітарного стану агроценозів України та рекомендації з оцінки розподілу шкідливості клопа-шкідливої черепашки за роками спостереження (1996-2023 роки) для Одеської області. Зазначено, що цей розподіл відповідає нормальному закону із математичним очікуванням 25%, що підтверджується результатами спостережень для інших регіонів Степової Зони. Виконано аналіз зв’язку між чисельністю клопа-шкідливої черепашки, числом Вольфа та накопиченої інтегрованої температурно-вологістної характеристики навколишнього середовища. Визначено, що шкідливість клопа-шкідливої черепашки характеризується затухаючою періодичною складовою із періодом 10-12 років. Наведений результат свідчить про вплив шкідливості клопа-шкідливої черепашки поточного року на наступний через 10-12 років. За результатами прогнозування наведено залежності шкідливості клопа-шкідливості черепашки від її чисельності та числа Вольфа. При цьому враховувалась накопичена інтегрована температурно-вологістна характеристика навколишнього середовища. Отримані результати досліджень рекомендуються до врахування для організації проведення планових технологічних операцій захисту зернових колосових культур

Ключові слова

захист рослин, штучні нейронні мережі, багатошаровий перцептрон, число Вольфа, математичне очікування

ЦИТУВАТИ
Dolia, M., Lysenko, V., Lendiel, T., Nakonechna, K., & Humeniuk, L. (2024). Neuron network prediction of damage of E. integriceps bug on winter wheat in Ukraine. Scientific Reports of the National University of Life and Environmental Sciences of Ukraine, 20(4),96-105. https://doi.org/10.31548/dopovidi/3.2024.96
Використані джерела

[1] Aubakirova, G., Ivel, V., Gerassimova, Y., Moldakhmetov, S., & Petrov, P. (2022). Application of artificial neural network for wheat yield forecasting. Eastern-European Journal of Enterprise Technologies, 3(4(117)), 31-39. doi: 10.15587/1729-4061.2022.259653.

[2] Borovska, T., Hryshyn, D., Severilov, V., Kolesnyk, I., & Shestakevych, T. (2020). Searchless intelligent system of modern production control. In 2020 IEEE 15th International Conference on Computer Sciences and Information Technologies (CSIT) (pp. 291-296). Zbarazh: IEEE. doi: 10.1109/CSIT49958.2020.9321842.

[3] Critchley, B.R. (1998). Literature review of sunn pest Eurygaster integriceps Put. (Hemiptera, Scutelleridae). Crop Protection, 17(4), 271-287. doi: 10.1016/S0261-2194(98)00022-2.

[4] Dizlek, H., & Özer, M.S. (2024). A study to clarify whether sunn pest (Eurygaster integriceps) increases amylase activity in wheat. Heliyon, 10(10), article number e30870. doi: 10.1016/j.heliyon.2024.e30870.

[5] Edde, P.A. (2021). Field crop arthropod pests of economic importance. Cambridge: Academic Press. doi: 10.1016/B978-0-12-818621-3.09992-4.

[6] Gürsoy, S., Mutlu, Ç., Urğun, M., Kolay, B., Karaca, V., & Duman, M. (2012). The effect of ridge planting and earliness of durum wheat varieties on sunn pest (Eurygaster spp.) damage and grain yield. Crop Protection, 38, 103-107. doi: 10.1016/j.cropro.2012.03.004.

[7] Khaki, S., & Wang, L. (2019). Crop yield prediction using deep neural networks. Frontiers in Plant Science, 10, article number 621. doi: 10.3389/fpls.2019.00621.

[8] Lykhovyd, P. (2023). Mathematical model of winter wheat productivity in the rainfed conditions of the South of Ukraine depending on the crop’s varietal traits. Technical and Technological Aspects of Development and Testing of New Machinery and Technologies for Agriculture of Ukraine, 1(32(46)), 121-128. doi: 10.31473/2305-5987-2023-1-32(46)-10.

[9] Lysenko, V., Lendiel, T., Bolbot, I., & Nakonechnyy, I. (2022). Neural network structures for energy-efficient control of energy flows in greenhouse facilities. In IEEE 9th International Conference on Problems of Infocommunications, Science and Technology (pp. 21-26). Kharkiv: IEEE. doi: 10.1109/PICST57299.2022.10238512.

[10] Map of solar insolation of Ukraine. (n.d.). Retrieved from https://www.artenergy.com.ua/novosti/karta-solnechnoi-insoliatsii-ukrainy.

[11] Mehrabadi, M., Bandani, A.R., Allahyari, M., & Serrão, J.E. (2012). The Sunn pest, Eurygaster integriceps Puton (Hemiptera: Scutelleridae) digestive tract: Histology, ultrastructure and its physiological significance. Micron, 43(5), 631-637. doi: 10.1016/j.micron.2011.11.008.

[12] Motie, J.B., Saeidirad, M.H., & Jafarian, M. (2023). Identification of Sunn-pest affected (Eurygaster Integriceps put.) wheat plants and their distribution in wheat fields using aerial imaging. Ecological Informatics, 76, article number 102146. doi: 10.1016/j.ecoinf.2023.102146.

[13] Phytosanitary status of agricultural plants (according to the State Production and Consumer Service). (2024). Retrieved from https://minagro.gov.ua/napryamki/roslinnictvo/pidgotovka-i-provedennya-vesnyano-polovih-robit/pidgotovka-do-provedennya-polovih-robit/fitosanitarni-stan-silskogospodarskih-roslin.

[14] Rogovskii, I., Sivak, I., Shatrov, R., & Nadtochiy, O. (2024). Agroengineering studies of tillage and harvesting parameters in soybean cultivation. Engineering of Rural Development, 23, 965-970. doi: 10.22616/ERDev.2024.23.TF195.

[15] Rogovskii, I.L. (2021). Models of formation of engineering management alternatives in methods of increasing grain production in agricultural enterprises. Machinery & Energetics, 12(1), 137-146. doi: 10.31548/Machenergy2021.01.137.

[16] Sabanci, K., Aslan, M.F., Ropelewska, E., Unlersen, M.F., & Durdu, A. (2022). A novel convolutional-recurrent hybrid network for sunn pest-damaged wheat grain detection. Food Analytical Methods, 15(6), 1748-1760. doi: 10.1007/s12161-022-02251-0.

[17] Sakhnenko, V., & Sakhnenko, D. (2018). The optimization of modern measures of winter wheat protection from pests in the Forest-Steppe region of Ukraine. Scientific Messenger of LNU of Veterinary Medicine and Biotechnologies. Series: Agricultural Sciences, 20(89), 17-21. doi: 10.32718/nvlvet8903.

[18] Suárez-Varela, J., et al. (2022). Graph neural networks for communication networks: Context, use cases and opportunities. IEEE Network, 37(3), 146-153. doi: 10.1109/MNET.123.2100773.

[19] Tam, P., Song, I., Kang, S., Ros, S., & Kim, S. (2022). Graph neural networks for intelligent modelling in network management and orchestration: a survey on communications. Electronics, 11(20), article number 3371. doi: 10.3390/electronics11203371.

[20] Tregub, V., Korobiichuk, I., Klymenko, O., Byrchenko, A., & Rzeplińska-Rykała, K. (2020). Neural network control systems for objects of periodic action with non-linear time programs. In Automation 2019: Progress in Automation, Robotics and Measurement Techniques (pp. 155-16). Cham: Springer. doi: 10.1007/978-3-030-13273-6_16.

[21] Zaiets, N., Shtepa, V., Pavlov, P., Elperin, I., & Hachkovska, M. (2019). Development of a resource-process approach to increasing the efficiency of electrical equipment for food production. Eastern-European Journal of Enterprise Technologies, 4(5/8(101), 59-65. doi: 10.15587/1729-4061.2019.181375.