Method of corn yield prediction per grain applying Fuzzy Cognitive Maps
This work investigates the approach for predicting corn yield per grain using Fuzzy Cognitive Maps (FCMs) and an expert approach to describe the degree of influence of one factor (concept) on another. FCMs is a modeling methodology based on operating experience. It includes the main advantages of fu...
Збережено в:
| Дата: | 2024 |
|---|---|
| Автори: | , , , , , , |
| Формат: | Стаття |
| Мова: | Ukrainian |
| Опубліковано: |
Scientific Centre for Aerospace Research of the Earth Institute of Geological Science National Academy of Sciences of Ukraine, Kyiv, Ukraine
2024
|
| Теми: | |
| Онлайн доступ: | https://ujrs.org.ua/ujrs/article/view/261 |
| Теги: |
Додати тег
Немає тегів, Будьте першим, хто поставить тег для цього запису!
|
| Назва журналу: | Ukrainian Journal of Remote Sensing of the Earth |
Репозитарії
Ukrainian Journal of Remote Sensing of the Earth| id |
uajuacgovua-article-261 |
|---|---|
| record_format |
ojs |
| institution |
Ukrainian Journal of Remote Sensing of the Earth |
| baseUrl_str |
|
| datestamp_date |
2024-07-25T19:52:49Z |
| collection |
OJS |
| language |
Ukrainian |
| topic |
Fuzzy Cognitive Maps decision making satellite and expert data corn yield prediction |
| spellingShingle |
Fuzzy Cognitive Maps decision making satellite and expert data corn yield prediction Popov, Mykhailo Tarariko, Oleksandr Alpert, Sofiia Kokhan, Svitlana Ilienko, Tetiana Andreiev, Artem Sybirtseva, Oksana Method of corn yield prediction per grain applying Fuzzy Cognitive Maps |
| topic_facet |
Fuzzy Cognitive Maps decision making satellite and expert data corn yield prediction нечіткі когнітивні карти прийняття рішень супутникові та експертні дані прогнозування врожаю кукурудзи |
| format |
Article |
| author |
Popov, Mykhailo Tarariko, Oleksandr Alpert, Sofiia Kokhan, Svitlana Ilienko, Tetiana Andreiev, Artem Sybirtseva, Oksana |
| author_facet |
Popov, Mykhailo Tarariko, Oleksandr Alpert, Sofiia Kokhan, Svitlana Ilienko, Tetiana Andreiev, Artem Sybirtseva, Oksana |
| author_sort |
Popov, Mykhailo |
| title |
Method of corn yield prediction per grain applying Fuzzy Cognitive Maps |
| title_short |
Method of corn yield prediction per grain applying Fuzzy Cognitive Maps |
| title_full |
Method of corn yield prediction per grain applying Fuzzy Cognitive Maps |
| title_fullStr |
Method of corn yield prediction per grain applying Fuzzy Cognitive Maps |
| title_full_unstemmed |
Method of corn yield prediction per grain applying Fuzzy Cognitive Maps |
| title_sort |
method of corn yield prediction per grain applying fuzzy cognitive maps |
| title_alt |
Метод прогнозування врожайності кукурудзи на зерно з використанням нечітких когнітивних карт |
| description |
This work investigates the approach for predicting corn yield per grain using Fuzzy Cognitive Maps (FCMs) and an expert approach to describe the degree of influence of one factor (concept) on another. FCMs is a modeling methodology based on operating experience. It includes the main advantages of fuzzy logic and neural networks. FCMs represent a graphical model that consists of nodes-concepts which are connected with edges. Nodes-concepts describing elements of the system and edges represent the cause relationships among these concepts. FCMs can be applied in different areas especially for precision agriculture, yield modeling and yield prediction. FCMs can be also applied to model complex systems and can be applied for forecasting tasks. FCMs are ideal tool for modeling dynamic systems. The main advantages and specific features of the proposed algorithm are Ourflexibility, simplicity and high adaptability to different conditions. In this work, FCM approach was chosen to categorize yield in corn. This proposed methodology can apply satellite and expert data for yield prediction. This developed FCM model consists of nodes that represent the main concepts affecting yield, (such as potassium (K), humus, phosphorus (P), pH, nitrogen (N) and moisture contents, temperature, NDVI (Normalized Difference Vegetation Index), LAI (Leaf Area Index)). Potassium, P, pH, N and humus are expert data and temperature, moisture, NDVI and LAI are satellite data. Directed edges of FCMs show the cause-effect relationships between the concepts and yield. The main purpose of this study was to determine corn yield level using FCMs. Our model was applied for yield class prediction between three possible categories (low, middle and high) for three different experts. It was shown, that proposed algorithm can solve the problem of corn yield prediction. It should be noted that this algorithm can be applied for yield prediction of other agricultural crops. |
| publisher |
Scientific Centre for Aerospace Research of the Earth Institute of Geological Science National Academy of Sciences of Ukraine, Kyiv, Ukraine |
| publishDate |
2024 |
| url |
https://ujrs.org.ua/ujrs/article/view/261 |
| work_keys_str_mv |
AT popovmykhailo methodofcornyieldpredictionpergrainapplyingfuzzycognitivemaps AT tararikooleksandr methodofcornyieldpredictionpergrainapplyingfuzzycognitivemaps AT alpertsofiia methodofcornyieldpredictionpergrainapplyingfuzzycognitivemaps AT kokhansvitlana methodofcornyieldpredictionpergrainapplyingfuzzycognitivemaps AT ilienkotetiana methodofcornyieldpredictionpergrainapplyingfuzzycognitivemaps AT andreievartem methodofcornyieldpredictionpergrainapplyingfuzzycognitivemaps AT sybirtsevaoksana methodofcornyieldpredictionpergrainapplyingfuzzycognitivemaps AT popovmykhailo metodprognozuvannâvrožajnostíkukurudzinazernozvikoristannâmnečítkihkognítivnihkart AT tararikooleksandr metodprognozuvannâvrožajnostíkukurudzinazernozvikoristannâmnečítkihkognítivnihkart AT alpertsofiia metodprognozuvannâvrožajnostíkukurudzinazernozvikoristannâmnečítkihkognítivnihkart AT kokhansvitlana metodprognozuvannâvrožajnostíkukurudzinazernozvikoristannâmnečítkihkognítivnihkart AT ilienkotetiana metodprognozuvannâvrožajnostíkukurudzinazernozvikoristannâmnečítkihkognítivnihkart AT andreievartem metodprognozuvannâvrožajnostíkukurudzinazernozvikoristannâmnečítkihkognítivnihkart AT sybirtsevaoksana metodprognozuvannâvrožajnostíkukurudzinazernozvikoristannâmnečítkihkognítivnihkart |
| first_indexed |
2024-07-26T04:03:16Z |
| last_indexed |
2024-07-26T04:03:16Z |
| _version_ |
1818541022643224576 |
| spelling |
uajuacgovua-article-2612024-07-25T19:52:49Z Method of corn yield prediction per grain applying Fuzzy Cognitive Maps Метод прогнозування врожайності кукурудзи на зерно з використанням нечітких когнітивних карт Popov, Mykhailo Tarariko, Oleksandr Alpert, Sofiia Kokhan, Svitlana Ilienko, Tetiana Andreiev, Artem Sybirtseva, Oksana Fuzzy Cognitive Maps decision making satellite and expert data corn yield prediction нечіткі когнітивні карти прийняття рішень супутникові та експертні дані прогнозування врожаю кукурудзи This work investigates the approach for predicting corn yield per grain using Fuzzy Cognitive Maps (FCMs) and an expert approach to describe the degree of influence of one factor (concept) on another. FCMs is a modeling methodology based on operating experience. It includes the main advantages of fuzzy logic and neural networks. FCMs represent a graphical model that consists of nodes-concepts which are connected with edges. Nodes-concepts describing elements of the system and edges represent the cause relationships among these concepts. FCMs can be applied in different areas especially for precision agriculture, yield modeling and yield prediction. FCMs can be also applied to model complex systems and can be applied for forecasting tasks. FCMs are ideal tool for modeling dynamic systems. The main advantages and specific features of the proposed algorithm are Ourflexibility, simplicity and high adaptability to different conditions. In this work, FCM approach was chosen to categorize yield in corn. This proposed methodology can apply satellite and expert data for yield prediction. This developed FCM model consists of nodes that represent the main concepts affecting yield, (such as potassium (K), humus, phosphorus (P), pH, nitrogen (N) and moisture contents, temperature, NDVI (Normalized Difference Vegetation Index), LAI (Leaf Area Index)). Potassium, P, pH, N and humus are expert data and temperature, moisture, NDVI and LAI are satellite data. Directed edges of FCMs show the cause-effect relationships between the concepts and yield. The main purpose of this study was to determine corn yield level using FCMs. Our model was applied for yield class prediction between three possible categories (low, middle and high) for three different experts. It was shown, that proposed algorithm can solve the problem of corn yield prediction. It should be noted that this algorithm can be applied for yield prediction of other agricultural crops. У даній роботі розглядається підхід до прогнозування врожайності кукурудзи на зерно за допомогою нечітких когнітивних карт (FCM) та експертний підхід для опису ступеня впливу одних факторів (концептів) на інші. FCMs – це методологія моделювання, заснована на досвіді. Вона включає в себе основні переваги нечіткої логіки та нейронних мереж. FCM являють собою графічну модель, яка складається із вузлів-концептів, що з’єднані ребрами. Вузли-концепти описують елементи системи, а ребра виражають зв’язки між цими концептами. FCM можна застосовувати в різних сферах, особливо для точного землеробства, моделювання та прогнозування врожайності. FCM також можна застосовувати для моделювання складних систем та використовувати в задачах прогнозування. FCM є ідеальним інструментом для моделювання динамічних систем. Основними перевагами та особливостями запропонованого алгоритму є гнучкість, простота та висока адаптованість до різноманітних умов. У цій роботі для класифікації врожайності кукурудзи було обрано підхід FCM. Ця запропонована методологія може використовувати супутникові та експертні дані для прогнозування врожайності. Розроблена модель FCM складається із вузлів, які представляють основні концепти, що впливають на врожайність, такі як: вміст калію (K), гумусу, фосфору (P), pH, вміст азоту (N), вологи, температура, NDVI (нормалізований диференційний вегетаційний індекс), LAI (індекс листкової поверхні). Калій, фосфор, pH, азот та гумус є експертними даними, а температура, вологість, NDVI і LAI є супутниковими даними. Орієнтовані ребра FCM відображають причинно-наслідкові зв’язки між концептами та врожайністю. Основною метою даного дослідження було визначити рівень врожайності кукурудзи за допомогою нечітких когнітивних карт. Наша модель була застосована для прогнозування класу врожайності між трьома можливими категоріями (низька, середня та висока) для трьох різних експертів. Було показано, що запропонований алгоритм може вирішувати задачу прогнозування врожайності кукурудзи.Слід зазначити, що даний алгоритм можна застосовувати для прогнозу врожайності інших сільськогосподарських культур. Слід зазначити, що даний алгоритм можна застосовувати для прогнозу врожайності інших сільськогосподарських культур. Scientific Centre for Aerospace Research of the Earth Institute of Geological Science National Academy of Sciences of Ukraine, Kyiv, Ukraine 2024-06-30 Article Article application/pdf https://ujrs.org.ua/ujrs/article/view/261 10.36023/ujrs.2024.11.2.261 Ukrainian journal of remote sensing; Vol. 11 No. 2 (2024); 4-12 Украинский журнал дистанционного зондирования Земли; Том 11 № 2 (2024); 4-12 Український журнал дистанційного зондування Землі; Том 11 № 2 (2024); 4-12 2313-2132 uk https://ujrs.org.ua/ujrs/article/view/261/272 Copyright (c) 2024 Ukrainian journal of remote sensing |