Рекомендаційна система по веденню сільського господарства

Abstract

На Землі кожна частина планети має свій певний клімат. Він визначається такими компонентами як атмосфера, гідросфера, кріосфера, земна поверхня та біосфера. Атмосфера є найбільш мінливою частиною системи клімату, адже рух і склад газів в атмосфері піддається впливу природних і антропогенних факторів, внаслідок чого може радикально змінюватись. Для кожного з нас, коли звучить слово «клімат», перше що спадає на думку – температура повітря та кількість опадів. Насправді вони і є одними з основних факторів для визначення конкретного клімату на певній ділянці.[1] Відповідно до досліджень та моніторингу, який проводиться постійно різними науковими інституціями, починаючи з кінця 19 століття, середня температура планети збільшилась на 1 градус Цельсія. Здавалося б, для людини така зміна температури нічого не означає, навпаки, ми можемо спостерігати значений ріст кількості населення планети. Але у природі все інакше – бачимо, як тануть льодовики, змінюються течії, збільшується кількість посух і повеней. Таким самим чином ці зміни впливають на сільське господарство – посухи знищують посіви, збільшується кількість комах та шкідників. Враховуючи збільшення населення Землі, проблеми в галузі сільського господарства можуть мати критичніші наслідки ніж здається на перший погляд. [2] Існує ряд підходів до вирішення проблеми з якою ми стикнулись. Серед них можна виділити дві групи – боротьба з причиною або допомога в існуючих реаліях. Перший тип полягає у тому, що вчені та агрономи намагаються застосувати різні рішення для усунення чинників чи сповільнення процесу зміни клімату. Це, наприклад, використання певних сортів рослин, у яких краще відбувається процес фотосинтезу, за рахунок чого зменшується кількість вуглекислого газу в атмосфері, підбір видів корму, що який впливає на травну систему так, що вони виділяють менше метану. Цим займаються організації, які із залученням інвестицій створюють повноцінні плани по відновленню та роботі на ділянках. [3] Паралельно існує підхід, який допомагає аграрній галузі в існуючих реаліях. Тут активно залучаються технології, з допомогою яких ведеться «точне господарство» – чіткий розрахунок скільки добрив потрібно внести у який час, дрони та датчики збирають інформацію в реальному часі, дані із супутників допомагають відстежувати зміни погоди та дозволяють швидко реагувати на них. Тут також активно залучається методи машинного навчання, адже щодня агрономи мають доступ до великої кількості інформації, що дозволяє навчати моделі та нейронні мережі для отримання різної корисної інформації, як наприклад прогноз врожайності, автоматичне внесення добавок, надання рекомендацій по часу та кількості посіву. [4] В дана магістерській кваліфікаційній роботі було розглянуто проблему, описану вище, а саме ведення сільського господарства у змінних кліматичних умовах із залученням машинного навчання. В процесі роботи було проаналізовано існуючі системи, які використовують різні технології для вирішення поставлених задач, визначено їх сильні та слабкі сторони. Провівши системний аналіз з використанням методу аналізу ієрархій та побудувавши дерева рішень, визначив генеральну мету та тип системи – рекомендаційна система. З використанням засобів UML побудував концептуальну модель системи, яка включає діаграми варіантів використання, класів, діяльності, послідовності, станів та розгортання. Далі обрав методи, на основі яких функціонуватиме система – рекомендації формуватимуть на основі даних користувача та раніше заготовленої інформації про рослини. Дані користувача – це дані про погоду та про ділянку. На основі погодних даних відбуватиметься прогнозування температур на певний час вперед з використанням алгоритму прогнозування сезонних часових рядів SARIMA [5]. З використанням алгоритму Random forest [6] відбуватиметься навчання моделей для класифікації погодних умов та типу ділянки, використовуючи отриманий прогноз температур та внесені дані про ділянку. Для програмної реалізації використано мову програмування Python з використанням фреймворку Flask та бібліотеки алгоритмів машинного навчання scikitlearn. Зберігання даних реалізовано з допомогою СУБД MySQL. В результаті виконання магістерської кваліфікаційної роботи створено рекомендаційну систему по веденню сільського господарства, яка надає варіанти рослин для вирощування на заданій земельній ділянці користувача, з врахуванням погодних умов на основі попередніх спостережень користувача на цій ділянці. Об’єкт дослідження – процес надання рекомендацій по веденню сільського господарства з допомогою методів машинного навчання. Предмет дослідження – використання методів машинного навчання для формування рекомендацій по веденню сільського господарства. Мета дослідження – створення системи видачі рекомендацій по веденню сільського господарства з допомогою методів машинного навчання. Результатом виконання магістерської роботи є спроектована та реалізована рекомендаційна система по веденню сільського господарства з допомогою методів машинного навчання, яка спрямована на допомогу агрономам у виборі того типу і виду рослин, що дадуть найкращий врожай на обраній території за мінливих природніх умов.On Earth, each part of the planet has its specific climate. It is determined by such components as the atmosphere, hydrosphere, cryosphere, earth’s surface, and biosphere. The atmosphere is the most changeable part of the climate system, because the movement and composition of gases in the atmosphere is influenced by natural and anthropogenic factors, and as a result, can change radically. For each of us, when the word "climate" sounds, the first thing that comes to mind is air temperature and precipitation. In fact, they are one of the main factors for determining the specific climate in a particular area. According to research and monitoring conducted by various scientific institutions since the late 19th century, the average temperature of the planet has increased by 1 degree Celsius. It would seem that such a temperature change does not mean anything for humans, on the contrary, we can observe a significant increase in the world's population. But in nature everything is different - we see how glaciers melt, currents change, and the number of droughts and floods increases. In the same way, these changes affect agriculture - droughts destroy crops, and the number of insects and pests increases. Given the increasing world population, problems in the field of agriculture may have more critical consequences than it seems at first glance. [2] There are several approaches to solving the problem we are facing. Among them, two groups can be distinguished - the fight against the cause or help in the existing realities. The first type is that scientists and agronomists try to apply different solutions to eliminate the factors or slow down the process of climate change. This is, for example, the use of certain varieties of plants that have a better photosynthesis process, thereby reducing the amount of carbon dioxide in the atmosphere, the selection of feed types that affect the digestive system so that they emit less methane. This is done by organizations that, with the involvement of investments, create full-fledged plans for the restoration and work on the sites. [3] In parallel, there is an approach that helps the agricultural sector in the existing realities. Here, technologies are actively involved, with the help of which "precision farming" is conducted - a clear calculation of how much fertilizer should be applied at what time, drones and sensors collect information in real time and data from satellites help to track weather changes and allow you to quickly respond to them. Machine learning methods are also actively involved here, because agronomists have access to a large amount of information everyday that allows them to train models and neural networks to obtain various useful information, such as yield forecasts, automatic application of additives, providing recommendations on the time and amount of sowing. [4] In this master's thesis, the problem described above was considered, namely agriculture in variable climatic conditions using machine learning. In the process, existing systems that use different technologies to solve the tasks were analyzed, and their strengths and weaknesses were identified. After conducting a system analysis using the hierarchy analysis method and building decision trees, I determined the general goal and type of system - a recommendation system. Using UML tools, he built a conceptual model of the system, which includes diagrams of use cases, classes, activities, sequences, states, and deployment. Then he chose the methods based on which the system will function - recommendations will be formed based on user data and previously prepared information about plants. User data is data about the weather and the site. Based on weather data, temperatures will be forecasted for a certain time ahead using the SARIMA seasonal time series forecasting algorithm [5]. Using the Random forest algorithm [6], models will be trained to classify weather conditions and site type using the obtained temperature forecast and the entered site data. For a software implementation, the Python programming language is used with the Flask framework and the sci-kit learn library of machine learning algorithms. Data storage is implemented using MySQL DBMS. As a result of the master's qualification work, a recommendation system for agriculture was created, which provides options for plants for growing on a given user's land plot, considering weather conditions based on previous user observations on this site. The object of research - the process of providing recommendations for agriculture using machine learning methods. The subject of research - the use of machine learning methods to generate recommendations for agriculture. The purpose of the study is to create a system for issuing recommendations for agriculture using machine learning methods. The result of the master's work is a designed and implemented recommendation system for agriculture using machine learning methods, which aims to help agronomists in choosing the type and species of plants that will give the best yield in the selected area under changing environmental conditions.