Детальная информация

Данная работа посвящена разработке интеллектуальной системы для прогнозирования роста растений и моделирования условий их оптимального развития с применением современных методов машинного обучения. В качестве предмета исследования рассматриваются алгоритмы и нейросетевые модели для анализа агрономических, климатических и визуальных данных растений. В ходе исследования были поставлены и решены следующие задачи: 1. Анализ существующих подходов и современных технологий в области прогнозирования роста и диагностики состояния растений. 2. Разработка методики сбора, подготовки и обработки агрономических, климатических и визуальных данных. 3. Создание программного решения, объединяющего модули рекомендаций сельскохозяйственных культур и диагностики заболеваний растений. 4. Реализация, обучение и валидация моделей машинного обучения и глубокого обучения, включая сверточные нейронные сети (CNN) для анализа изображений и рекуррентные сети (LSTM) для временных рядов. 5. Разработка интерактивного веб-приложения для агрономов и проведение экспериментальных исследований точности системы. В работе применялись методы классического и глубокого машинного обучения (Random Forest, XGBoost, SVM, CNN, LSTM) и инструменты для интеграции различных типов данных. Разработка велась на базе открытого проекта PlantGrowthAI, с последующей доработкой, интеграцией и обучением моделей на актуальных датасетах (PlantVillage, Crop Recommendation Dataset и др.). В результате был создан программный комплекс с гибридной архитектурой, показавший высокую точность (до 99,5% для классификации культур и 96,5% для диагностики заболеваний по изображениям). Разработан интуитивно понятный веб-интерфейс, позволяющий специалистам без технической подготовки получать агрономические рекомендации и проводить экспресс-диагностику. Проведен анализ практической применимости системы, определены ее сильные и слабые стороны, а также сценарии дальнейшего развития. Область применения результатов - цифровое сельское хозяйство, агротехническое консультирование, фермерские хозяйства, научные исследования в области агроинформатики. Выводы: Созданная система отличается высокой точностью, масштабируемостью и возможностью интеграции в существующие агротехнические процессы, что способствует снижению потерь урожая и повышению эффективности сельскохозяйственного производства. Информационные технологии: В процессе работы были использованы языки программирования Python, фреймворки TensorFlow и Scikit-learn, облачные сервисы для хранения и обработки данных, а также базы данных открытых агрономических и климатических данных.

This work is devoted to the development of an intelligent system for plant growth prediction and modeling optimal conditions for their development using modern machine learning methods. The research focuses on algorithms and neural network models for analyzing agronomic, climatic, and visual plant data. The following tasks were set and solved during the research: 1. Analysis of current approaches and technologies in plant growth prediction and plant disease diagnostics. 2. Development of methodologies for collecting, preparing, and processing agronomic, climatic, and visual data. 3. Creation of a software solution combining crop recommendation and plant disease diagnosis modules. 4. Implementation, training, and validation of machine learning and deep learning models, including convolutional neural networks (CNN) for image analysis and recurrent neural networks (LSTM) for time series analysis. 5. Development of an interactive web application for agronomists and conducting experimental accuracy studies of the system. The work uses both classical and deep learning methods (Random Forest, XGBoost, SVM, CNN, LSTM) and tools for integrating heterogeneous data types. The system was built on the basis of the open project PlantGrowthAI, followed by further development, integration, and training on up-to-date datasets (PlantVillage, Crop Recommendation Dataset, etc.). As a result, a software complex with a hybrid architecture was developed, demonstrating high accuracy (up to 99.5% for crop classification and 96.5% for disease diagnosis by images). A user-friendly web interface was created, allowing specialists without technical background to receive agronomic recommendations and perform express diagnostics. Practical applicability of the system was analyzed, its strengths and weaknesses identified, and directions for further development outlined. Application area — digital agriculture, agro-consulting, farming enterprises, research in agroinformatics. Conclusions: The developed system demonstrates high accuracy, scalability, and the potential for integration into existing agrotechnical processes, contributing to yield loss reduction and increased efficiency of agricultural production. Information technologies: During the work, Python programming language, TensorFlow and Scikit- learn frameworks, cloud services for data storage and processing, and open-source agronomic and climatic data repositories were used.