Predictive Modeling of Nonlinear Non-Stationary Processes in Crop Production Using Tools of SAS Enterprise Miner

Petro Bidyuk, Oleksandr Terentiev, Tetyana Prosyankina-Zharova, Vladyslav Efendiev

Abstract


Blackground. The issue of providing the increase of production of main agricultural crops inUkraine under conditions of environmental management requires the use of modern scientific approaches. The complexity of solving this problem lies in the lack of practical experience of applying modern information-analytical systems, where different methods for analysis and modeling of nonlinear non-stationary processes in crop production would be implemented simultaneously. The proposed methodology has the advantage of using the tools of SAS Enterprise Miner – software where a wide range of techniques are implemented, that should be used for predictive modeling of main agricultural crops according to the performed research.

Objective. The goal of the study is in application of the integrated methods of analysis and predictive modeling of non-stationary processes for agricultural crop yield prediction using SAS Enterprise Miner tools.

Methods. To solve the problems stated the following approaches were used: systems analysis, regression analysis, gradient boosting, probabilistic modeling and decision trees. The methodology for developing of crop yield prediction under influence of various groups of factors was offered, and the possibility of their use in decision support systems in agriculture was substantiated.

Results. Based on the analysis of the works of domestic and foreign scientists it was proposed to improve methodology of development of yield prediction of main agricultural crops using integrated analysis methods, which were implemented in the system of SAS Enterprise Miner. The analysis of the obtained results was performed.

Conclusions. Winter wheat and corn yield prediction was performed for the Forest-Steppe Zone using the developed methodic. Different methods of construction of models for prediction of the non-stationary processes were applied; the choice of the worthiest one was reasonably proved. Advanced information technologies, including SAS Enterprise Miner, were used for automatization the process of selecting the optimal model for investigated crop yield prediction.


Keywords


Non-stationary processes; Regressive model; Agricultural crop yield; Prediction; Decision support systems; SAS Enterprise Miner

References


O.V. Sobkevich et al., Resource Potential of Agrarian Sphere: Problems and Tasks of Effective Use. Kyiv, Ukraine: NISS, 2013 (in Ukrainian).

National Paradigm of Sustainable Development of Ukraine, B. Paton, Ed. Kyiv, Ukraine: Institute of Environmental Economics and Sustainable Development, 2016 (in Ukrainian).

The Official Website “Ukraine-NATO. Program NATO “Science for Peace and Security” [Online]. Available: http://ukraine-nato.mfa.gov.ua/ua/about-nato/science-for-peace

The Official Website of the Group on Earth Observations [Online]. Available: https://www.earthobservations.org/geoss.php

Program-Technic Complex Control Agro [Online]. Available: http://control.ua/index.php/reseniya/selskoe-khozyajstvo/control-agro

N.N. Kussul et al., “Regression models for assessing crop yields according to the MODIS”, Sovremennye Problemy Distancionnogo Zondirovanija Zemli iz Kosmosa, vol. 9, no. 1, pp. 95–107, 2012 (in Ukrainian).

Outer Space in the Service of Agrarian [Online]. Available: http://www.agroprofi.com.ua/statti/1115-kosmichnij-prostir-na-sluzhbi-agrarija.html

The Official Website of SAS [Online]. Available: http://www.sas.com

The Official Website of State Statistics Service of Ukraine [Online]. Available: http://www.ukrstat.gov.ua/

S.О. Dovgiy et аl., Environmental Monitoring Using Satellite Images of Satellite NOAA. Kyiv, Ukraine: Ponomarenko EV, 2013 (in Ukrainian).

S.O. Dovgiy et al., Decision Support Systems Based on Statistical and Probabilistic Methods. Kyiv, Ukraine: Logos, 2014 (in Ukrainian).

P.I. Bidyuk el al., Applied Statistics. Vinnytsya, Ukraine: PP TD Edelweiss & Co, 2013 (in Ukrainian).

О. Тrofymchuk et al. “Probabilistic and statistical uncertainties in the Decision Support Systems”, Visnyk NU “L'vivs'ka Politekhnika”, no. 826, pp. 237–248, 2015 (in Ukrainian).

E. Bradley et al., “Least angle regression”, The Annals of Statistics, vol. 32, no. 2, pp. 407–499, 2004. Available: http://projecteuclid.org/euclid.aos/1083178935. doi:10.1214/009053604000000067

H. Abdi, “Partial least square regression (PLS regression)”, Encyclopedia for Research Methods for the Social Sciences, pp. 792–795, 2003. Available: https://www.utdallas.edu/~herve/Abdi-PLS-pretty.pdf. doi: 10.1002/wics.051

J.H. Friedman “Greedy function approximation: a gradient boosting machine”, The Annals of Statistics, vol. 29, no. 5, pp. 1189–1232, 2001. Available: http://www.jstor.org/stable/2699986

P.I. Bidyuk and N.V. Kuznetzova. “The basic stages of building and examples of using Bayesian Networks”, Systemni Doslidzhennya ta Informatsiyni Tekhnolohiyi, no. 4, pp. 26–39, 2007 (in Ukrainian).

L. Breiman et al., Classification and Regression Trees.Florida: CRC Press, 2000.

Website of BayesFusion, LLC [Online]. Available: http://www.bayesfusion.com/genie-modeler


GOST Style Citations


  1. Ресурсний потенціал аграрної сфери: проблеми та завдання ефективного використання / О.В. Собкевич, В.М. Русан, А.Д. Юрченко, О.В. Ковальова – К.: НІСД, 2013. – 76 с.
     
  2. Національна парадигма сталого розвитку України / За заг. ред. академіка НАН України, д.т.н., проф. Б.Є. Патона. – К.: ДУ “Інститут економіки природокористування та сталого розвитку Національної академії наук України”, 2012. – 72 с.
     
  3. Офіційний сайт “Україна-НАТО”. Програма НАТО “Наука заради миру та безпеки”. – Режим доступу: http:// ukraine-nato.mfa.gov.ua/ua/about-nato/science-for-peace
     
  4. Офіційний сайт “Group on Earth observations”. – Режим доступу: https://www.earthobservations.org/geoss.php
     
  5. Програмно-технический комплекс Control Agro. – Режим доступа: http://control.ua/index.php/reseniya/selskoe-khozyajstvo/control-agro
     
  6. Регрессионные модели оценки урожайности сельскохозяйственных культур по данным MODIS / Н.Н. Куссуль, А.Н. Кравченко, С.В. Скакун и др. // Современные проблемы дистанционного зондирования Земли из космоса. – 2012. – 9, № 1. – С. 95–107.
     
  7. Космічний простір на службі аграрія. – Режим доступу: http://www.agroprofi.com.ua/statti/1115-kosmichnij-prostir-na-sluzhbi-agrarija.html.
     
  8. Офіційний сайт корпорації SAS. – Режим доступу: http://www.sas.com
     
  9. Офіційний сайт державної служби статистики України. – Режим доступу: http://www.ukrstat.gov.ua/
     
  10. Моніторинг навколишнього середовища з використанням космічних знімків супутника NОAA / За. ред. д-ра фіз.-мат. наук, чл.-кор. НАН України, проф. С.О. Довгого; Ін-т телекомунікацій і глобал. інформ. простору НАН України, Нац. аерокосм. ун-т ім. М.Є. Жуковського “ХАІ”. – К.: Пономаренко Є.В., 2013. – 316 с.
     
  11. Довгий С.О., Бідюк П.І., Трофимчук О.М. Системи підтримки прийняття рішень на основі статистично-ймовірнісних методів / НАН України, Ін-т телекомунікацій і глобал. інформ. простору. – К.: Логос, 2014. – 418 с.
     
  12. Бідюк П.І., Терентьєв О.М., Просянкіна-Жарова Т.І. Прикладна статистика. – Вінниця: ПП “ТД “Едельвейс і К”, 2013. – 288 с.
     
  13. Ймовірнісно-статистичні невизначеності в системах підтримки прийняття рішень / О. Трофимчук, П. Бідюк, О. Ко­жухівська, А. Кожухівський // Вісник НУ “Львівська політехніка”. – 2015. – № 826. – С. 237–248.
     
  14. Least angle regression / E. Bradly, H. Trevor, I. Johnstone, R. Tibshirani // The Annals of Statistics. – 2004. –  32, № 2. – P. 407–499. – Available: http://projecteuclid.org/euclid.aos/1083178935
     
  15. Abdi H. Partial least square regression (PLS regression) // Encyclopedia for Research Methods for the Social Sciences. – 2003. – P. 792–795. – Available: https://www.utdallas.edu/~herve/Abdi-PLS-pretty.pdf
     
  16. Friedman J.H. Greedy function approximation: a gradient boosting machine / // The Annals of Statistics. – 2001. – 29, № 5. – P. 1189–1232. – Available: http://www.jstor.org/stable/2699986
     
  17. Бідюк П., Кузнєцова Н. Основні етапи побудови і приклади застосування мереж Байєса // Системні дослідження та інформ. технології. – 2007. – № 4. – С. 26–39.
     
  18. Classification and Regression Trees / L. Breiman, J. Friedman, R. Olshen, C. Stone. – Florida: CRC Press, 2000. – 360 p.
     
  19. Сайт BayesFusion, LLC. – Режим доступу: http://www.bayesfusion.com/genie-modeler




DOI: http://dx.doi.org/10.20535/1810-0546.2017.1.87423

Refbacks

  • There are currently no refbacks.


Copyright (c) 2017 NTUU KPI