Прогнозирование сельскохозяйственных данных при помощи нейронных сетей

Нейронные сети используются для прогнозирования данных и регрессивных целей.

Мы покажем, как использовать Нейронные сети Statistica для прогнозирования урожая лука.

Исходные данные представлены в таблице:

Таблица 1

Задача поиска регрессионной модели урожайности лука была выполнена с помощью нейронной сети. Входными данными был набор чисел (x, y), где x - плотность на м2, а y - средняя урожайность лука.

Построение нейронной сети в программе Statistica.

Шаг 1. Откройте файл данных. Выберете Анализ -> Автоматизированные нейронные сети. Задайте тип анализа Регрессия. Нажмите кнопку ОК.

Шаг 2. Нажмите на кнопку Переменные, чтобы задать переменные анализа. Установите опцию Подходящие переменные – программа определит тип переменных автоматически и отфильтрует их.

Задайте непрерывные целевые переменные – Урожай лука, в качестве входных – Плотность посева. Правильно настроенная панель выглядит так:

Шаг 3. Нажмите на кнопку ОК, чтобы перейти на диалог задания моделей. Выглядит он следующим образом.

Здесь можно настраивать основные параметры модуля Автоматизированные Нейронные Сети. Это мощный инструмент, избавляющий пользователя от необходимости создания сетей самостоятельно.

Шаг 4. Нажмите на кнопку Обучить для того, чтобы начать обучение. По его окончании будет отображено окно результатов. Выглядит оно следующим образом.

Шаг 5. Нажмите на кнопку Итоги моделей. Полученные модели имеют следующие параметры:

Здесь отображаются итоги обучения моделей. Характеристикой работы модели является производительность - это значение корреляции между откликом модели и исходными данными.

Шаг 6. Перейдем на вкладку Итоги анализа и нажмем на кнопку Статистики прогноза. Будет отображена таблица результатов работы моделей в терминах описаний. Результаты таковы.

В результате применения модуля Нейронные сети Statistica была построена модель, способная довольно точно давать прогноз урожая лука.

Она показала приемлемый уровень ошибки и пригодна для применения в реальной ситуации.

Данный пример можно обобщить на урожайность других культур.

Также можно использовать различные дополнительные предикторы, включая внесенные удобрения, культивация, орошение и тд.

Построенные модели можно внедрять в практику, определять оптимальные режимы внесения удобрений, оптимизировать технологический процесс.

В начало