The application of nonlinear neuron networks for modeling grain sorghum yields under conditions of the Southern Ukrainian Steppe

  • M. O. Boiko
Keywords: sorghum hybrids, yield, sowing time, crop stand density, neuron networks, modeling

Abstract

At present the problem of applying artificial neuron networks for modeling and forecasting crop yields is important but not investigated properly. The most powerful and efficient methods of nonlinear modeling and forecasting of the processes and phenomena under study are artificial neuron networks (ANN).According to the research results (2013–2015) we have created a multiple regression model of the yield formation of grain sorghum hybrids depending on four factors (climatic conditions, sowing times, hybrid composition and crop stand density). The results show, that the variation of the standard deviation index of the yield depends mainly on the climatic conditions of the year and the sowing time, and it depends less on the hybrid composition and the crop stand density.The multiple correlation considering nonlinear regularities of the impact of the factors on the yields of grain sorghum hybrids was 0,86. Having estimated the sensitivity of the neuron networks we ranked the factors on the impact of the yield dynamics of grain sorghum hybrids: the first place – the sowing time, the impact coefficient is 4,94; the second place – the years of the research (climatic conditions) – 3,15; the third place – the hybrid – 1,38; the fourth place – the crop stand density – 1,22, these data prove the availability of nonlinear regularities of the yield formation of grain sorghum hybrids and validate the results of dispersion analysis and regression modeling.

References

Xianjun N. Research of Data Mining Based on Neural Networks / N. Xianjun // World Academy of Science, Engineering and Technology. – 2008. – № 39. – P. 381–384.

Арзамасцев А.А. Алгоритм самоорганизации структуры искусственной нейронной сети в процессе ее обучения / А.А. Арзамасцев // Вестник Тамбовского университета. – 2007. – Т. 12, № 1. – С. 105–106. – (Серия: Естественные и технические науки).

Бахметова Н.А. Моделирование технологических процессов с помощью нейронных сетей / Н.А. Бахметова, С.В. Токарев // Современные наукоемкие технологии. – 2008. – № 2. – С. 87.

Васильев В.И. Имитационное управление неопределенными объектами / В.И. Васильев, В.В. Коноваленко, Ю.И. Горелов. – К.: Наукова думка, 1989. – 216 с.

Владимирский Б.М. Нейронные сети как источник идей и инструмент моделирования процессов самоорганизации и управления / Б.М. Владимирский // Экономический вестник Ростовского государственного университета. – 2006. – Т. 4, № 4. – С. 14.

Горбань А.Н. Нейроинформатика и ее приложения [Електронний ресурс] / А.Н. Горбань // Открытые системы. – 1998. – № 4. – Режим доступу: http://www.osp.ru/os/1998/04/05.htm

Крючин О.В. Использование технологии искусственных нейронных сетей для прогнозирования временных рядов на примере валютных пар / О.В. Крючин // Вестник Тамбовского университета. – 2010. – Т. 15, № 1. – 312. – (Серия: Естественные и технические науки).

Манжула В.Г. Нейронные сети Кохонена и нечеткие нейронные сети в интеллектуальном анализе данных / В.Г. Манжула,

Д.С. Федяшов // Фундаментальные исследования. – 2011. – № 4. – С. 108–114.

Пичура В.И. Применение интеллектуальных искусственных нейронных сетей для прогнозирования химических показателей оросительной воды / В.И. Пичура // Водное хозяйство России: проблемы, технологии, управление: научно-практический журнал. – Екатеринбург, 2012. – № 2. – С. 17–28.

Уоссермен Ф. Нейрокомпьютерная техника / Ф. Уоссермен. – М.: Мир, 1992. – 184 с.

References

Xianjun, N. (2008). Research of Data Mining Based on Neural Networks. World Academy of Science, Engineering and Technology. № 39, 381–384.

Arzamastsev, A.A. (2007). Algoritm samoorganizatsii struktury iskusstvennoy neyronnoy seti v protsesse yeye obucheniya. Vestnik Tambovskogo universiteta. Seriya: Yestestvennyye i tekhnicheskiye nauki. 12, № 1. 105–106.

Bakhmetova, N.A., Tokarev, S.V. (2008). Modelirovaniye tekhnologicheskikh protsessov s pomoshch'yu neyronnykh setey. Sovremennyye naukoyemkiye tekhnologii. № 2, 87.

Vasil'yev, V.I., Konovalenko, V.V., Gorelov, Yu.I. (1989). Imitatsyonnoye upravleniye neopredelennymi ob''yektami. K.: Naukova dumka, 216.

Vladimirskiy, B.M. (2006). Neyronnyye seti kak istochnik idey i instrument modelirovaniya protsessov samoorganizatsii i upravleniya. Ekonomicheskiy vestnik Rostovskogo gosudarstvennogo universiteta. 4, № 4, 14.

Gorban' A.N. (1998). Neyroinformatika i yeye prilozheniya. Otkrytyye sistemy. № 4. – [Elektronnyi resurs]. – Rezhym dostupu: http://www.osp.ru/os/1998/04/05.htm.

Kryuchin, O.V. (2010). Ispol'zovaniye tekhnologii iskustvennykh neyronnykh setey dlya prognozirovaniya vremennykh ryadov na primere valyutnykh par. Vestnik Tambovskogo universitete. Seriya: Yestestvennyye i tekhnicheskiye nauki. 15, № 1, 312.

Manzhula, V.G., Fedyashov, D.S. (2011). Neyronnyye seti Kokhonena i nechetkiye neyronnyye seti v intelektual'nom analize dannykh. Fundamental'nyye issledovaniya. № 4, 108–114.

Pichura, V.I. (2012). Primeneniye intelektual'nykh iskustvennykh neyronnykh setey dlya prognozirovaniya khimicheskikh pokazateley orositel'noy vody. Vodnoye khozyaystvo Rossii: problemy, tekhnologii, upravleniye. Nauchno-prakticheskiy zhurnal. Yekaterinburg, № 2, 17–28.

Uossermen, F. (1992). Neyrokomp'yuternaya tekhnika. M.: Mir,– 184.

Section
Economics sciences