Аналіз сільськогосподарської продуктивності за допомогою моделі PaLM і супутникових зображень

Скорочена інформація про документ
dc.contributor.advisorЯйлимова, Ганна Олексіївна
dc.contributor.authorРиженко, Данііл Євгенович
dc.date.accessioned2025-06-16T08:11:21Z
dc.date.available2025-06-16T08:11:21Z
dc.date.issued2025
dc.description.abstractКвалiфiкацiйна робота містить: 62 стор., 11 рисунків, 2 таблиці, 11 джерел. У цій роботі досліджено підходи до прогнозування врожайності сільськогосподарських культур із використанням супутникових зображень, агрометеорологічних даних та мовних моделей. Метою дослідження є розробка гібридної моделі, що інтегрує різні джерела інформації для підвищення точності агропрогнозування. Об’єктом дослідження виступає врожайність зернових культур в Україні, а предметом — методи її прогнозування на основі екологічних, кліматичних і текстових даних. У роботі зібрано та оброблено понад 1800 просторово-часових спостережень за 2017–2023 роки. Реалізовано три моделі прогнозування: Random Forest, лінійну регресію та PaLM. Найточнішою виявилася модель Random Forest, однак PaLM показала кращі результати в інтерпретації та поясненні причин прогнозів. Запропоновано новий підхід до агроаналітики, що поєднує супутникові індекси, кліматичні параметри та генеративні можливості великих мовних моделей, зокрема PaLM. Результати демонструють потенціал LLM як ефективного інструмента для аналітики в сільському господарстві
dc.description.abstractotherThe qualification work contains: 62 pages, 11 figures, 2 tables, 11 sources. This work investigates approaches to forecasting crop yields using satellite images, agrometeorological data and language models. The research method is the development of a hybrid model that integrates sources of various information to increase the accuracy of agricultural forecasting. The object of the research is the yield of grain crops in Ukraine, and the subject is methods for its forecasting based on environmental, climatic and text data. The work collected and processed more than 1800 spatiotemporal observations for 2017–2023. Three forecasting models were implemented: Random Forest, linear regression and PaLM. The Random Forest model turned out to be the most accurate, however, PaLM showed the best results in interpretation and explains the reasons for the forecasts. A new approach to agroanalytics is proposed, based on satellite indices, climate parameters and generative capabilities of large language models, in particular PaLM. The results demonstrate the potential of LLM as an effective tool for analytics in agriculture.
dc.format.extent62 с.
dc.identifier.citationРиженко, Д. Є. Аналіз сільськогосподарської продуктивності за допомогою моделі PaLM і супутникових зображень : дипломна робота ... бакалавра : 113 Прикладна математика / Риженко Данііл Євгенович. – Київ, 2025. – 62 с.
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/74254
dc.language.isouk
dc.publisherКПІ ім. Ігоря Сікорського
dc.publisher.placeКиїв
dc.subjectпрогнозування врожайності
dc.subjectpalm
dc.subjectсупутникові дані
dc.subjectагроаналітика
dc.subjectмашинне навчання
dc.subjectгенеративні моделі
dc.subjectyield forecasting
dc.subjectpalm
dc.subjectsatellite data
dc.subjectagroanalytics
dc.subjectmachine learning
dc.subjectgenerative models
dc.titleАналіз сільськогосподарської продуктивності за допомогою моделі PaLM і супутникових зображень
dc.typeBachelor Thesis

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
Ryzhenko_bakalavr.pdf
Розмір:
1.39 MB
Формат:
Adobe Portable Document Format
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
8.98 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Бакалаврські роботи (ММАД)
Бакалаврські роботи