Ефективність методів статистичного аналізу даних у прогнозуванні врожаїв пшениці озимої на регіональному рівні за даними супутникового моніторингу

Abstract

Здійснено аналіз ефективності статистичної обробки даних супутникового моніторингу та врожайності пшениці озимої на регіональному рівні для одержання прогнозованих рівнів урожайності в Херсонській області методами лінійної регресії та штучних нейронних мереж. Вихідні дані, застосовувані для побудови прогностичних моделей, включають регіональні рівні врожайності пшениці озимої за період 2012-2019 рр. (згідно звітів Державної статистичної служби України) і результати обчислення величин вегетаційних індексів у програмі QGIS 3.10 за супутниковими знімками MODIS Terrain NDVI/EVI з роздільною здатністю 250 м. Регресійний аналіз виконували за допомогою програми BioStat v7, штучні нейронні мережі будували, навчали та тестували у програмі Tiberius. Обидва методи статистичної обробки даних є прийнятними для одержання надійних прогностичних моделей урожайності пшениці озимої в досліджуваному регіоні за величинами нормалізованого диференційного (NDVI) та поліпшеного (EVI) вегетаційних індексів із 95% рівнем достовірності. Встановлено, що застосування штучних нейронних мереж із двома типами нейронів (лінійним і нелінійним) істотно поліпшувало точність і надійність прогнозування врожаїв зерна пшениці озимої при використанні даних NDVI, про що свідчать величини коефіцієнтів детермінації (95,46% для нейронних мереж і 89,72% для лінійної регресії) та середньої абсолютної похибки (2,63% і 5,70%). Не доведено суттєвої переваги нейронних мереж у прогнозуванні врожаїв культури на регіональному рівні за величинами EVI, оскільки величини коефіцієнтів детермінації (88,47% для нейронних мереж і 88,72% для лінійної регресії) та середньої абсолютної похибки (5,29% і 6,52%) за обох методів прогнозування виявилися дуже близькими. Таким чином, абсолютної переваги штучних нейронних мереж над лінійною регресією для одержання надійних прогнозів регіонального рівня врожайності пшениці озимої не доведено, хоча в конкретних випадках вони забезпечують дещо вищий рівень точності. Недоліком методу є неможливість одержання рівняння прогнозу, яке є доступним у разі регресійного моделювання врожайності.