Система інтелектуального аналізу параметрів вирощування агрокультур

Abstract

У роботі розроблено систему, що поєднує технології сховищ даних та інтелектуального аналізу для управлінських рішень у сфері агровиробництва. Об’єкт дослідження. Процеси вирощування агрокультур у сучасному сільському господарстві. Предмет дослідження. Система аналітичної обробки аграрних даних на основі сховища даних, OLAP та методів Data Mining для оцінювання й прогнозування врожайності агрокультур. Мета роботи. Обгрунтувати й перевірити на практиці підхід до поєднання сховища даних, OLAP і Data Mining для отримання пояснюваних моделей врожайності та їх використання у прийнятті управлінських рішень. Використані методи. Багатовимірний аналіз, класифікація, пошук асоціативних правил, кластеризація, візуалізація результатів. Вихідні дані. державна агростатистика, кліматичні та грунтові показники, інтегровані у тематичне сховище даних. Наукова складова. Досліджено поєднання OLAP-кубів із Data Mining для кількісної оцінки внеску факторів (регіон, культура) у варіації врожайності. Рекомендації щодо впровадження результатів. Використати побудоване сховище та OLAP-моделі для регулярного моніторингу, алгоритму класифікації, асоціативного аналізу і кластеризації для періодичного перегляду карти ризиків. Ключові результати. Застосування комплексного підходу поглиблює розуміння структури агроданих і створює основу для підвищення ефективності агровиробництва.

The work presents the development of a system that combines data warehouse technologies and data mining methods to support managerial decision-making in agricultural production. Object of study. Processes of crop cultivation in modern agriculture. Subject of study. The analytical data processing system based on a data warehouse, OLAP, and Data Mining methods for evaluating and forecasting crop yields. Purpose of the work. To substantiate and experimentally verify an approach that integrates a data warehouse, OLAP, and Data Mining for building explainable yield models and applying them in decision-making processes. Methods used. Multidimensional analysis, classification, association rule mining, clustering, and visualization of results. Input data. State agricultural statistics, climatic and soil indicators integrated into a thematic data warehouse. Scientific novelty. The combination of OLAP cubes and Data Mining methods has been explored to quantitatively assess the contribution of factors to yield. Recommendations for implementation. The developed data warehouse and OLAP models can be used for regular monitoring, while classification, association, and clustering algorithms can support periodic review of regional risk and potential maps. Key results. The integrated approach deepens the understanding of agricultural data structure and forms a foundation for improving the efficiency of agricultural production.