Детальная информация

ВКР посвящена применению методов машинного обучения для предсказания параметров распыления инсектицидов с использованием беспилотных летательных аппаратов (БПЛА). Цель исследования --- построение и сравнение регрессионных моделей для прогнозирования площади покрытия и диаметра капель на основе агрегированных и аугментированных данных из открытых научных источников. В работе были использованы модели множественной линейной регрессии (MLR), регрессии опорных векторов (SVR), случайного леса (RF), градиентного бустинга (GBR), XGBoost и CatBoost. В результате CatBoost продемонстрировал наивысшую точность и стабильность. RF и GBR также показали хорошие, но уже менее устойчивые результаты. У XGBoost были отмечены признаки переобучения. MLR и SVR показали самые худшие результаты. Самыми важными признаками для обеих задач прогнозирования выступили объём распыления и скорость полёта. Также значительное влияние оказали режим атомизации, число форсунок и объём бака. Областью применения результатов являются агроинженерные системы, использующие БПЛА для обработки посевов. Модели машинного обучения показали высокую эффективность при наличии корректно подготовленных данных. Разработанные рекомендации могут быть использованы при проектировании систем поддержки агротехнологических решений.

This thesis is devoted to the application of machine learning methods for predicting insecticide spray parameters using unmanned aerial vehicles (UAVs). The aim of the study is to build and compare regression models for predicting coverage area and droplet diameter based on aggregated and augmented data from open scientific sources. The study used multiple linear regression (MLR), support vector regression (SVR), random forest (RF), gradient boosting (GBR), XGBoost, and CatBoost models. As a result, CatBoost demonstrated the highest accuracy and stability. RF and GBR also showed good, but less stable results. XGBoost showed signs of overfitting. MLR and SVR showed the worst results. The most important features for both prediction tasks were spray volume and flight speed. The atomization mode, number of nozzles, and tank volume also had a significant impact. The results can be applied to agricultural engineering systems that use UAVs for crop treatment. Machine learning models showed high efficiency when correctly prepared data was available. The recommendations developed can be used in the design of systems to support agricultural technology solutions.

• Сравнение моделей эффективности инсектицида
  • Введение
  • 1. Теоретические и методические основы исследования
  • 2. Этапы подготовки и анализа данных
  • 3. Сравнительный анализ моделей
  • Заключение
  • Список использованных источников