Короткий опис(реферат):
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.
