Меню
Том 2 № 31 (2026) / 2026-07-01 / Көрілім саны: 122
Авторлар
Кілтті сөздер
DOI сілтемесі:
Қалай дәйексөз келтіруге болады
Ауыл шаруашылығы өнімділігін дәл болжау дәлме-дәл егіншілік пен тұрақты азық-түлік өндірісінде маңызды рөл атқарады. Бұл зерттеуде Қазақстанның әртүрлі фосфор енгізу деңгейлері мен метеорологиялық жағдайларында жаздық бидай өнімділігін болжауға арналған гибридті Dense-LSTM нейрондық желі моделі ұсынылды.
Деректер жиыны 2000–2022 жылдар аралығында жиналған аймақтық аграрлық және метеорологиялық бақылаулар негізінде қалыптастырылды. Деректер сапасы мен модель тұрақтылығын арттыру мақсатында бірнеше алдын ала өңдеу әдістері қолданылды, соның ішінде медиана негізінде жетіспейтін мәндерді толтыру, ауытқуларды өңдеу және MinMax пен StandardScaler тәсілдері арқылы белгілерді қалыпқа келтіру.
Ұсынылған гибридті архитектура ауыл шаруашылығы деректеріндегі бейсызық байланыстар мен уақыттық тәуелділіктерді анықтау үшін Dense және LSTM қабаттарын біріктірді. Модель өнімділігі MSE, RMSE, MAE және R² метрикалары арқылы бағаланып, Linear Regression, Random Forest және Gradient Boosting сияқты дәстүрлі машиналық оқыту әдістерімен салыстырылды.
Эксперимент нәтижелері кіріс белгілері кеңістігіне фосфорға қатысты көрсеткіштерді енгізу болжау дәлдігін арттырғанын көрсетті. Бағаланған тәсілдердің ішінде StandardScaler қалыпқа келтіруімен бірге қолданылған ұсынылған гибридті нейрондық желі MSE = 7.36 нәтижесімен ең жоғары болжау өнімділігін көрсетті.
Алынған нәтижелер Қазақстанның агроклиматтық жағдайларында ауыл шаруашылығы өнімділігін болжау міндеттері үшін гибридті терең оқыту архитектураларының қолдануға жарамдылығын дәлелдейді және дәлме-дәл егіншілік жүйелерінде экологиялық және агрономиялық факторларды біріктірудің маңыздылығын көрсетеді.