MODERN DIGITAL TECHNOLOGIES IN CROP GROWING

Монографія. Зозуля О. Л.

Книга, формат 60х90/16., 396 стор.

Видавництво Прінтстор Груп.

м.Київ, 2025

УДК 633:581.1+577.21+ 631.11+004.8

ISBN 978-617-8652-10-4

DOI: 10.64011/978-617-8652-10-4

Автори: канд. біол. наук, Зозуля О. Л., ТОВ «Сингента Україна»;

д-р біол. наук, проф., акад. НАН України Швартау В. В., Інститут фізіології рослин і генетики НАН України;

Канд.техн.наук Гнатієнко Г. М., Київський національний університет імені Тараса Шевченка

Д-р техн. наук, проф. Снитюк В. Є., Київський національний університет імені Тараса Шевченка

канд. біол. наук Михальська Л. М., Інститут фізіології рослин і генетики НАН України;

Ковель О. Л., ТОВ «Сингента Україна»;

канд. фіз.-мат. наук, доц. Тмєнова Н. П., Київський національний університет імені Тараса Шевченка

Відповідальний редактор:

д-р біол. наук, проф., акад. НАН України В. В. Моргун, Інститут фізіології рослин і генетики НАН України

Рецензенти:

д-р біол. наук, проф., член-кор. НАН України Н. В. Заіменко,

Національний ботанічний сад ім. М. М. Гришка НАН України

д-р біол. наук, проф., член-кор. НААН України М.М. Мірошниченко

Національний науковий центр «Інститут ґрунтознавства та агрохімії імені О. Н. Соколовського»

Аннотація: У монографії розглянуто шляхи розробки та впровадження цифрових технологій у рослинництві. Розвиток систем регуляції функціонування агробіоценозів за впровадження цифрових технологій і штучного інтелекту сьогодні є основою для підвищення урожаїв, ефективності використання ресурсів у сільському господарстві, скорочення викидів парникових газів. А ще це напрям розвитку, який є привабливим для молоді. Створення і впровадження цифрових технологій у рослинництві дозволяє отримувати високі врожаї сільськогосподарських культур за оптимальних технологій вирощування, сприяє сталому розвитку України як однієї з чільних держав світу, яка є гарантом продовольчої безпеки.

Для фахівців у галузі біології рослин та рослинництва: наукових працівників, виробничників, викладачів і студентів.

Ключові слова: диджіноміка або цифрові технології, біоінформатика, рослинництво, оптимальні технології вирощування, економія ресурсів, продуктивність, пестициди, регулятори росту рослин, продовольча безпека.

ЦИТОВАНА ЛІТЕРАТУРА:

Ачасов, А. Б., Седов, А. О., & Ачасова, А. О. (2016). Оцінка забур’яненості посівів соняшника за допомогою безпілотних літальних апаратів. Людина та довкілля. Проблеми неоекології, (3-4 (26)), 69–74. http://reproduct-endo.com/index.php/1992-4224/article/view/87442
Білан, С. М., & Гнатієнко, В. Г. (2023, Вересень). Модель прогнозування урожайності поля на основі градієнтного бустингу. У В. Є. Снитюк (Ред.), Міжнародний науковий симпозіум «ІНТЕЛЕКТУАЛЬНІ РІШЕННЯ». Обчислювальний інтелект (результати, проблеми, перспективи). Теорія прийняття рішень: праці міжнар. наук. симпозіуму (с. 116-119). Видавництво “Каравела”. https://intsol.knu.ua/wp-content/uploads/2023/11/Збірка-IntSol-2023_20_10_2023_2.pdf
Білоног, А. І., Бромот, Д. І., Гнатієнко, Г. М., & Снитюк, В. Є. (2022). Задача та нейромережна модель оптимізації структури посівних площ фермерського господарства. Енергетика і автоматика, (1), 23–36. http://doi.org/10.31548/energiya2022.01.023
Веселовський, І. В., Манько, Ю. П., Танчик, С. П., & Орел, Л. В. (1998). Бур’яни та заходи боротьби з ними. Київ: НМЦ Мін. АПК України.
Волошин, О. Ф. (2023). Нечітка математика: навч. посіб. У О. Ф. Волошин & В. О. Лавер (Ред.), Київ: Київський університет.
Гнатієнко В,& Гнатієнко, Г. Роль штучного інтелекту для підвищення продовольчої безпеки у світі // «Цифрова гуманістика: Інформаційні технології та інформаційне моделювання на сучасному етапі розвитку суспільства»: матеріали Всеукраїнської науково-практичної конференції, 4-5 червня 2024 року, м. Кропивницький. – С.18-22.
Гнатієнко, В. Г., Гнатієнко, Г. М., Зозуля, О. Л. & Снитюк, В. Є. (2024). Метод прогнозування врожайності сільськогосподарських культур з використанням мультифакторного аналізу та нейронних мереж. Науковий вісник Ужгородського університету. Серія «Математика і інформатика», 44(1), 93–105. https://doi.org/10.24144/2616-7700.2024.44(1).93-105
Гнатієнко Г. М., Гнатієнко В. Г., Зозуля О. Л., Іларіонов О. Є., Сисак К. Я. Деякі аспекти та перспективи застосування штучного інтелекту в освітніх процесах аграрного сектору економіки // Прикладні інформаційні системи та технології в цифровому суспільстві: зб. тез доповідей і наук. повідомл. учасників VIII Міжнародної науково-практичної конференції (Київ, 01 жовтня 2024 р.) / за заг. ред. В. Плескач, Є. Зайцева, О. Фендьо. К.: Київський нац. ун-т ім. Тараса Шевченка, 2024. С. 51-62.
Гнатієнко, Г. М., Домрачев, В. М., Єрмак, В. В., & Сайко, В. Г. (2020). Технології використання дронів у агрокібернетиці. У Ю. В. Крак, А. О. Пашко, В. В. Глушкова (Ред.), Ідеї академіка В. М. Глушкова і сучасні проблеми теоретичної кібернетики. Матеріали IX Всеукр. наук.-практ. конф. “Глушковські читання” (с.43-46) Київський нац. ун-т ім. Тараса Шевченка.
Гнатієнко, Г. М., Домрачев, В. М., & Сайко, В. Г. (2021). Застосування інтелектуальних технологій для цифрового моніторингу стану сільськогосподарських посівів. У В. Є. Снитюк (Ред.), Міжнародний науковий симпозіум «Інтелектуальні дослідження – С». Обчислювальний інтелект (результати, проблеми, перспективи). Теорія прийняття рішень: праці міжнар. наук. симпозіуму (с. 35-37). Видавець ФОП Піча Ю.В.
Гнатієнко, Г. М., & Снитюк, В. Є. (2008). Експертні технології прийняття рішень. Київ: ТОВ “Маклаут”.
Гнатієнко, Г. М., Снитюк, В. Є., Гнатієнко, В. Г. & Зозуля, О. Л. (2022, Вересень). Застосування моделей і методів штучного інтелекту при визначенні врожайності сільськогосподарських культур. У В. Плескач, В. Зосімов & М. Пирог (Ред.), Прикладні системи та технології в інформаційному суспільстві: зб. тез доповідей і наук. повідомл. учасників VI Міжнародної науково-практичної конференції (с. 90-98). Київський нац. ун-т ім. Тараса Шевченка. http://kist.ntu.edu.ua/konferencii/32_konf_2022.pdf#page=90
Зозуля, О. Л., Михальська, Л. М., Коваль, О. Л., & Швартау, В. В. (2020). Цифрові технології у рослинництві. Київ: ІФРГ НАН України & ТОВ Сингента.
Зозуля, О. Л., Гнатієнко, Г. М., Домрачев, В. М., Сайко, В. Г., & Філіппов, О. (2021, Вересень). Використання патернів зображення для оцінки ступеня пошкодження врожаю шкідниками. У В. Л. Плескач, І. І. Гарко, В. Л.Міронової (Ред.), Прикладні системи та технології в інформаційному суспільстві: зб. тез доповідей і наук. повідомл. учасників V Міжнародної науково-практичної конференції (с.80-83). Київський нац. ун-т ім. Тараса Шевченка.
Зозуля, О. Л., Швартау В. В., Михальська Л. М., Ковель О. Л., Гнатієнко Г. М., Снитюк В. Є., Домрачев В. М., & Тмєнова Н. П. (2023). У В. В. Моргун (Ред.), Сучасні методи цифрового моніторингу в рослинництві. Київ: Від А до Я.
Кринов, Е. Л. (1947). Спектральная отражательная способность природных образований.
Кулєшов, А. В., & Білик, М. О. (2008). Фітосанітарний моніторинг і прогноз: навчальний посібник. Харків: Еспада.
Литвинов, Б. М., & Зозуля, А.Л. (1992). Применение биологически активных веществ в защите растений от вредителей (Лекция). Харьков: Харьк.гос.аграр.ун-т.
Моргун, В. В., Швартау, В. В., & Киризий, Д. А. (2010). Физиологические основы формирования высокой продуктивности зерновых злаков. Физиология и биохимия культурных растений, 42(5). 371–392.
Моргун, В. В., Швартау, В. В., Коновалов, Д. В., Михальська, Л. М. & Скрипльов, В. О. Клуб 100 центнерів. (2022). Сучасні сорти та системи живлення і захисту пшениці озимої. Київ: Логос.
Оптимізація сільського господарства, облік сільськогосподарських процесів, робота з постачальниками та замовленнями, автоматизація аналізу підприємства, прогнозування продуктів. http://usu.kz/optimizatsiya_selskogo_hozyaystva.php
Оптимізація структури посівних площ сільськогосподарських культур на регіональному рівні. http://npcz-rivne.ucoz.ua/II_NET_conferen/khomich.pdf
Наумова, Н. А. (1935). О прогнозе появления Phytophthora infestans D.В. На картофеле. Защита растений, 3, 12–14.
Наумова, Н. А. (1965). Фитофтора картофеля. Львів: Колос.
Піковська, О. (2017, 15 серпня). Щільність грунту за різних систем його обробітку. https://propozitsiya.com/ua/shchilnist-gruntu-za-riznyh-system-yogo-obrobitku
Покозій, Й. Т., Писаренко, В. М., & Довгань, С.В. (2010). Моніторинг шкідників сільськогосподарських культур. Київ: Аграрна освіта.
Поляков, И. Я., Сергеев, Г. Е., Полоскина, Ф. М., Макарова, Л. А., Копанева, Л. М., Танский, В. И., & Ченкин, А. Ф. Л., Колос, 1975, 239 с.
Поляков, И. Я., Персов, М. П., & Смирнов, В.А. Прогноз развития вредителей и болезней сельскохозяйственных культур. Л., Колос, 1984, 320 c.
Саати, Т. Л. (2015). Об измерении неосязаемого. Подход к относительным измерениям на основе главного собственного вектора матрицы парных сравнений. Cloud of science, 2(1), 5-39.
Саати, Т. Л. (2016). Относительное измерение и его обобщение в принятии решений. Почему парные сравнения являются ключевыми в математике для измерения неосязаемых факторов. Cloud of science, 3(2), 171–262.
Тараріко, О. Г., Сиротенко, О. В., Ільєнко, Т. В., & Кучма Т. Л. (2019). Агроекологічний супутниковий моніторинг. Київ: Аграр. наука.
Формування оптимальних співвідношень земельних угідь як основа сталого природокористування. http://eco.com.ua/content/formuvannya-optimalnikh-spivvidnoshen-zemelnikhugid-yak-osnova-stalogo-prirodokoristuvannya
Al-Gaadi, K. A., Hassaballa, A. A., Tola, E., Kayad, A. G., Madugundu, R., Alblewi, B. & Assiri, F. (2016). Prediction of Potato Crop Yield Using Precision Agriculture Techniques. PLoS One, 11(9), Article e0162219. http://doi.org/10.1371/journal.pone.0162219
Amani, I., Fischer, R. A., & Reynolds, M. P. (1996). Evaluation of canopy temperature as a screening tool for heat tolerance in spring wheat. Journal of Agronomy and Crop Science, 176(2), 119–129. https://doi.org/10.1111/j.1439-037X.1996.tb00454.x
Amankulova, K., Farmonov, N., Mukhtorov, U., & Mucsi, L. (2023). Sunflower crop yield prediction by advanced statistical modeling using satellite-derived vegetation indices and crop phenology. Geocarto international, 38(1). Article 2197509. https://doi.org/10.1080/10106049.2023.2197509
Antonevych, M., Tmienova, N., & Snytyuk, V. (2021). Models and evolutionary methods for objects and systems clustering. IntSol, 3018, 37–47. https://ceur-ws.org/Vol-3018/Paper_4.pdf
Anusha, P. V., Anuradha, C., Murty, P. S. R. C., & Kiran, C. S. (2019). Detecting Outliers in High Dimensional Data Sets using Z-Score Methodology. International Journal of Innovative Technology and Exploring Engineering, 9(1), 48–53. https://doi.org/10.35940/ijitee.A3910.119119
Aroraa, G., & Chilberto, J. (2019). Hands-On Design Patterns with C# and. NET Core: Write clean and maintainable code by using reusable solutions to common software design problems. Packt Publishing Ltd.
Ayeneh, A., Van Ginkel, M., Reynolds, M. P., & Ammar, K. (2002). Comparison of leaf, spike, peduncle and canopy temperature depression in wheat under heat stress. Field Crops Research, 79(2-3), 173–184. https://doi.org/10.1016/S0378-4290(02)00138-7
Balota, M., Payne, W. A., Evett, S. R., & Peters, T. R. (2008). Morphological and physiological traits associated with canopy temperature depression in three closely related wheat lines. Crop Science, 48(5), 1897–1910. https://doi.org/10.2135/cropsci2007.06.0317
Baret, F., & Guyot, G. (1991). Potentials and limits of vegetation indices for LAI and APAR assessment. Remote sensing of environment, 35(2-3), 161–173. https://doi.org/10.1016/0034-4257(91)90009-U
Barnes, E. M., Clarke, T. R., Richards, S. E., Colaizzi, P. D., Haberland, J., Kostrzewski, M., Waller, P., Choi, C., Riley, E., Thompson, T., Lascano, R. J., Li, H., & Moran, M. S. (2000, July). Coincident detection of crop water stress, nitrogen status and canopy density using ground based multispectral data. In Proceedings of the fifth international conference on precision agriculture, Bloomington, MN, USA, 1619(6).
Bi, L., Wally, O., Hu, G., Tenuta, A. U., Kandel, Y. R., & Mueller, D. S. (2023). A Transformer-Based Approach for Early Prediction of Soybean Yield Using Time-Series Images. Frontiers in Plant Science. 18. Article 1173036. https://doi.org/10.3389/fpls.2023.1173036
Bilan, S., Gaina, G., Vlasenko, O., Sutyk, O., & Roiko, Y. (2023). Methods for Automatically Determining the Level of Disease Damage to Plant Leaves from Their Raster Image. IT&I, 3624, 106–115. https://ceur-ws.org/Vol-3624/Paper_10.pdf
Bilan, S., Hnatiienko, V., Ilarionov, O., & Krasovska, H. (2023). The Technology of Selection and Recognition of Information Objects on Images of the Earth’s Surface Based on Multi-Projection Analysis. IntSol, 3538, 23–28. https://ceur-ws.org/Vol-3538/Paper_3.pdf
Bishop, C. M., & Nasrabadi, N. M. (2006). Pattern recognition and machine learning, 4(4), 738. New York: Springer.
Braga-Neto, U. (2020). Fundamentals of pattern recognition and machine learning (pp. 1-286). Cham, Switzerland: Springer. https://doi.org/10.1007/978-3-031-60950-3
Buschmann, C., & Nagel, E. (1993). In vivo spectroscopy and internal optics of leaves as basis for remote sensing of vegetation. International Journal of Remote Sensing, 14(4), 711–722. https://doi.org/10.1080/01431169308904370
Carter, M. R., Ravlin, F. W., & McManus, M. L. (1992). Effect of defoliation on gypsy moth phenology and capture of male moths in pheromone-baited traps. Environmental entomology, 21(6), 1308–1318. https://doi.org/10.1093/ee/21.6.1308
Castrignanò, A., Wong, M. T. F., Stelluti, M., De Benedetto, D., & Sollitto, D. (2012). Use of EMI, gamma-ray emission and GPS height as multi-sensor data for soil characterisation. Geoderma, 175, 78–89. https://doi.org/10.1016/j.geoderma.2012.01.013
Chen, C. J., Huang, Y. Y., Li, Y. S., Chang, C. Y., & Huang, Y. M. (2020). An AIoT based smart agricultural system for pests detection. IEEE access, 8, 180750-180761. https://doi.org/10.1109/ACCESS.2020.3024891
Cohen, Y., & Alchanatis, V. (2018). Spectral and spatial methods for hyperspectral and thermal image-analysis to estimate biophysical and biochemical properties of agricultural crops. In Biophysical and biochemical characterization and plant Species studies (pp. 73-101). CRC Press. https://doi.org/10.1201/9780429431180
Coleman, G., Salter, W., & Walsh, M. (2022). OpenWeedLocator (OWL): an open-source, low-cost device for fallow weed detection. Scientific Reports, 12(1), Article 170. https://doi.org/10.1038/s41598-021-03858-9
Condit, H. R. (1970). The spectral reflectance of American soils. Photogrammetric Engineering.
Dammer, K. -H., Wollny, J., & Giebel, A. (2006). Ermittlung des Blattflächenindex (LAI) in Getreideschlagen zur Festlegung der Aufwandmenge bei der sensorgestutzten Fungizidapplikation. Mitteilungen aus der Biolgischen Bundesanstalt fur Land-und Forstwirtscchaft, (Vol. 400, pp. 69-79).
Deering, D. W. (1978). Rangeland reflectance characteristics measured by aircraft and spacecraft sensors [PhD thesis]. College Station, TX: Texas A&M University.
Deering, D. W., Rouse, W. J. Jr., Haas, R. H., & Schell J. A. (1975). Measuring forage production of grazing units from Landsat MSS data. In Proceedings of 10th international symposium on remote sensing of environment. ERIM, 1169-1178.
Dennerley, C., Huang, J., Nielson, R., Sefton, M., & Triantafilis, J. (2018). Identifying soil management zones in a sugarcane field using proximal sensed electromagnetic induction and gamma‐ray spectrometry data. Soil Use and Management, 34(2), 219–235. https://doi.org/10.1111/sum.12410
Elavarasan, D., & Vincent, P. M. D. (2020). Crop Yield Prediction Using Deep Reinforcement Learning Model for Sustainable Agrarian Applications. IEEE Access, 8, 86886-86901. https://doi.org/10.1109/ACCESS.2020.2992480
Eyal, Z., & Blum, A. (1989). Canopy temperature as a correlative measure for assessing host response to Septoria tritici blotch of wheat. Plant Disease, 73(6), 468–471.
Fadamiro, H. Y., Ciborowski, J., & Hock, H. (2003). Integrated pest management manual for Minnesota apple orchards. Minnesota Department of Agriculture, St. Paul, MN.
Fuchs, M. (1990). Infrared measurement of canopy temperature and detection of plant water stress. Theoretical and Applied Climatology, 42(4), 253–261. https://doi.org/10.1007/BF00865986
Gao, B. C. (1996). NDWI—A normalized difference water index for remote sensing of vegetation liquid water from space. Remote sensing of environment, 58(3), 257–266. https://doi.org/10.1016/S0034-4257(96)00067-3
Genty, B., Briantais, J. M., & Baker, N. R. (1989). The relationship between the quantum yield of photosynthetic electron transport and quenching of chlorophyll fluorescence. Biochimica et Biophysica Acta (BBA)-General Subjects, 990(1), 87–92. https://doi.org/10.1016/S0304-4165(89)80016-9
Genty, B., Harbinson, J., & Baker, N. R. (1990). Relative quantum efficiencies of the two photosystems of leaves in photorespiratory and non-respiratory conditions. Plant Physiol. Biochem., 28(1), 1–10.
Genty, B., Harbinson, J., Briantais, J. M., & Baker, N. R. (1990). The relationship between non-photochemical quenching of chlorophyll fluorescence and the rate of photosystem 2 photochemistry in leaves. Photosynthesis research, 25, 249–257. https://doi.org/10.1007/BF00033166
Gitelson, A. A. (2004). Wide dynamic range vegetation index for remote quantification of biophysical characteristics of vegetation. Journal of plant physiology, 161(2), 165–173. https://doi.org/10.1078/0176-1617-01176
Gitelson, A. A., Kaufman, Y. J., Stark, R., & Rundquist, D. (2002). Novel algorithms for remote estimation of vegetation fraction. Remote sensing of environment, 80(1), 76–87. https://doi.org/10.1016/S0034-4257(01)00289-9
Gitelson, A., & Merzlyak, M. N. (1994). Quantitative estimation of chlorophyll-a using reflectance spectra: Experiments with autumn chestnut and maple leaves. Journal of Photochemistry and Photobiology B: Biology, 22(3), 247–252. https://doi.org/10.1016/1011-1344(93)06963-4
Gonzalez-Dugo, V., Zarco-Tejada, P., Berni, J. A., Suarez, L., Goldhamer, D., & Fereres, E. (2012). Almond tree canopy temperature reveals intra-crown variability that is water stress-dependent. Agricultural and Forest Meteorology, 154, 156–165. https://doi.org/10.1016/j.agrformet.2011.11.004
Gonzalez-Dugo, V., Zarco-Tejada, P., Nicolás, E., Nortes, P. A., Alarcón, J. J., Intrigliolo, D. S., & Fereres, E. J. P. A. (2013). Using high resolution UAV thermal imagery to assess the variability in the water status of five fruit tree species within a commercial orchard. Precision Agriculture, 14, 660–678. https://doi.org/10.1007/s11119-013-9322-9
Haboudane, D., Miller, J. R., Pattey, E., Zarco-Tejada, P. J., & Strachan, I. B. (2004). Hyperspectral vegetation indices and novel algorithms for predicting green LAI of crop canopies: Modeling and validation in the context of precision agriculture. Remote sensing of environment, 90(3), 337–352. https://doi.org/10.1016/j.rse.2003.12.013
Haboudane, D., Miller, J. R., Tremblay, N., Zarco-Tejada, P. J., & Dextraze, L. (2002). Integrated narrow-band vegetation indices for prediction of crop chlorophyll content for application to precision agriculture. Remote sensing of environment, 81(2-3), 416–426. https://doi.org/10.1016/S0034-4257(02)00018-4
Hastie, T., Tibshirani, R., Friedman, J. H., & Friedman, J. H. (2009). The elements of statistical learning: data mining, inference, and prediction (Vol. 2). Springer.
Hawkesford, M. J., & Whalley, W.R. 2021. Advances in understanding of nitrogen (N) uptake by plant roots. In P. Gregory (Ed.) Understanding and improving crop root function (pp. 303-320). UK Burleigh Dodds. https://doi.org/10.1201/9781003048015
Herbst, R. (2002). Bodenschätzung, geoelektrische Sondierung und pedostatistische Modellierung als Basis von digitalen of-Bodenkarten im Präzisien Landbau. In: R. Horn, J. Lamp, B. Sattelmacher (Hrsg.), Dissertation Kiel, Schriftenreihe für Pflanzenernährung und Bodenkunde.
Hnatiienko, H., Domrachev, V., & Saiko, V. (2021). Monitoring the condition of agricultural crops based on the use of clustering methods. European Association of Geoscientists & Engineers, 2021(1), 1–5. https://doi.org/10.3997/2214-4609.20215K2049
Hnatiienko, H., Gaina, G., Ilarionov, O., Snytyuk, V., & Tmienova, N. (2023). Methods of Identifying the Correlation of Ukrainian Scientific Paradigms Based on the Study of Defended Dissertations. In IT&I Workshops (pp. 64-75). Taras Shevchenko National University of Kyiv. https://ceur-ws.org/Vol-3646/Paper_7.pdf
Hnatiienko, H., Hnatiienko, O., Tmienova, N., & Snytyuk, V. (2023). Mathematical Model of Management of the Corporate Culture of the Organizational System. In CEUR Workshop Proceedings (Vol. 3624, pp. 250-265). Taras Shevchenko National University of Kyiv. https://ceur-ws.org/Vol-3624/Paper_21.pdf
Hnatiienko, H., Ilarionov, O., Myrutenko, L., Vlasenko, O., & Gamotska, S. (2022). An Intelligent Cloud-based System for Conduction of an Enrollment Campaign. In ITS (pp. 161-176). Taras Shevchenko National University of Kyiv. https://ceur-ws.org/Vol-3503/paper15.pdf
Hnatiienko, H., Kudin, V., Onyshchenko, A., Snytyuk, V., & Kruhlov, A. (2020, October). Greenhouse Gas Emission Determination Based on the Pseudo-Base Matrix Method for Environmental Pollution Quotas Between Countries Allocation Problem. In 2020 IEEE 2nd International Conference on System Analysis & Intelligent Computing (SAIC) (pp. 1-8). IEEE. https://doi.org/10.1109/SAIC51296.2020.9239125
Hnatiienko, H. & Snytyuk V. (2019). A posteriori determination of expert competence under uncertainty. Information Technologies and Security, 2577, 82–99. https://ceur-ws.org/Vol-2577/paper8.pdf
Hnatiienko, H., Snytyuk, V., & Suprun, O. (2018, November). Application of decision-making methods for evaluation of complex information system functioning quality. In Selected Papers of the XVIII International Scientific and Practical Conference “Information Technologies and Security”(ITS 2018) (pp. 56-65).
Hnatiienko, H., Snytyuk, V., Tmienova, N. & Voloshyn, O. (2021). Application of expert decision-making technologies for fair evaluation in testing problems. Information Technologies and Security, 2859, 46–60. https://ceur-ws.org/Vol-2859/paper5.pdf.
Hnatiienko, H., Snytyuk, V., Tmienova, N., Zatonatskiy, D., & Zhylinska, O. (2022). Mathematical Support of the Task of Determining the Strategic Directions of Development and Priorities of the Organization. In IT&I (pp. 169-184). Taras Shevchenko National University of Kyiv. https://ceur-ws.org/Vol-3347/Paper_15.pdf
Hnatiienko, H., Tmienova, N., & Kruglov, A. (2020, June). Methods for determining the group ranking of alternatives for incomplete expert rankings. In Shkarlet, S., Morozov, A., Palagin, A. (Eds), International scientific-practical conference (pp. 217-226). Cham: Springer International Publishing. https://doi.org/10.1007/978-3-030-58124-4_21
Hnatiienko, V., & Hnatiienko, H. (2024). Integration of machine learning and deep learning methods for sunflower yield prediction. Management of Development of Complex Systems, 59, 225–234, https://doi.org/10.32347/2412-9933.2024.59.225-234
Hnatiienko, V., Hnatiienko, H., Yermak, V., & Zozulia, O. (2022). Problems, Features of Software Implementation and Development Perspectives of Some Problems of Digital Agronomy. In Snytyuk V. (Eds.), Information Technology and Implementation (Satellite): Conference Proceedings (pp. 62-66). Publisher Individual entrepreneur Picha Y.V.
Hnatiienko, V. H., Hnatiienko, H. M., Zozulia, O. L., & Snytyuk, V. Y. (2024). Method of forecasting yield of agricultural crops using multifactor analysis and neural networks. Scientific Bulletin of Uzhhorod University. Series of Mathematics and Informatics, 44(1), 93–105. https://doi.org/10.24144/2616-7700.2024.44(1).93-105
Hossain, D., Nilwong, S., Tran, D. D., & Capi, G. (2019, February). A faster r-cnn approach for partially occluded robot object recognition. In 2019 Third IEEE International Conference on Robotic Computing (IRC). IEEE, 568-573. https://doi.org/10.1109/IRC.2019.00116
Huete, A. R. (1988). A soil-adjusted vegetation index (SAVI). Remote sensing of environment, 25(3), 295–309. https://doi.org/10.1016/0034-4257(88)90106-X
Hwang, Y. H. (2018). C# Machine Learning Projects: Nine real-world projects to build robust and high-performing machine learning models with C. Packt Publishing Ltd.
Idso, S. B., Jackson, R. D., Pinter Jr, P. J., Reginato, R. J., & Hatfield, J. L. (1981). Normalizing the stress-degree-day parameter for environmental variability. Agricultural meteorology, 24, 45–55. https://doi.org/10.1016/0002-1571(81)90032-7
Iizumi, T., Shin, Y., Kim, W., Kim, M., & Choi, J. (2018). Global crop yield forecasting using seasonal climate information from a multi-model ensemble. Climate Services, 11, 13-23. https://doi.org/10.1016/j.cliser.2018.06.003
Jackson, R. D., Idso, S. B., Reginato, R. J., & Pinter Jr, P. J. (1981). Canopy temperature as a crop water stress indicator. Water resources research, 17(4), 1133–1138. https://doi.org/10.1029/WR017i004p01133
Jackson, R. D., Kustas, W. P., & Choudhury, B. J. (1988). A reexamination of the crop water stress index. Irrigation science, 9, 309–317. https://doi.org/10.1007/BF00296705
Jensen, J. R. (2015). Introductory Digital Image Processing: A Remote Sensing Perspective (Pearson Series in Geographic Information Science) 4th Edition. Pearson.
Jeong, J. H., Resop, J. P., Mueller, N. D., Fleisher, D. H., Yun, K., Butler, E. E., … & Kim, S. H. (2016). Random forests for global and regional crop yield predictions. PloS one, 11(6), Article e0156571. https://doi.org/10.1371/journal.pone.0156571
Jiao, L., Huo, L., Hu, C., & Tang, P. (2020). Refined UNet: UNet-based refinement network for cloud and shadow precise segmentation. Remote Sensing, 12(12), Article 2001. https://doi.org/10.3390/rs12122001
Kalnicky, D. J., & Singhvi, R. (2001). Field portable XRF analysis of environmental samples. Journal of hazardous materials, 83(1-2), 93–122. https://doi.org/10.1016/S0304-3894(00)00330-7
Katimbo, A., Rudnick, D. R., DeJonge, K. C., Lo, T. H., Qiao, X., Franz, T. E., Nakabuye, H. N., & Duan, J. (2022). Crop water stress index computation approaches and their sensitivity to soil water dynamics. Agricultural Water Management, 266, Article 107575. https://doi.org/10.1016/j.agwat.2022.107575
Kautsky, H., & Zedlitz, W. (1941). Fluoreszenzkurven von chloroplasten-grana. Naturwissenschaften, 29(7), 101–102. https://doi.org/10.1007/BF01468767
Kautsky, H., Appel, W., & Amann, H. (1960). Chlorophyllfluoreszenz und Kohlensäureassimilation. XIII. Die Fluoreszenkurve und die Photochemie der Pflanze. Biochem. Zeit, 322, 277–292.
Kautsky, H., & Hirsch, A. (1931). Neue Versuche zur Kohlenstoff-assimilation. Naturwissenenschaften 19.
Kautsky, H., & Hirsch, A. (1934). Chlorophyllfluoreszenz und Kohlensäureassimilation. I. Das Fluoreszenzverhalten grüner Pflanzen. Biochem. Z, 274, 423–434.
Ke, G., Meng, Q., Finley, T., Wang, T., Chen, W., Ma, W., Ye, Q., & Liu, T. Y. (2017). Lightgbm: A highly efficient gradient boosting decision tree. Advances in neural information processing systems, 30, 3146–3154.
Khaki, S., & Wang, L. (2019). Crop yield prediction using deep neural networks. Frontiers in plant science, 10, Article 621. https://doi.org/10.3389/fpls.2019.00621
Khaki, S., Wang, L., & Archontoulis, S. V. (2020). A CNN-RNN framework for crop yield prediction. Frontiers in Plant Science, 10, Article 1750. https://doi.org/10.3389/fpls.2019.01750
Kirillov, A., Mintun, E., Ravi, N., Mao, H., Xiao, T., Whitehead, S., Berg, A. C., Lo, W.-Y., Rolland, C., Gustafson, L., Dollár, P., & Girshick, R. (2023, April). Segment anything. In Proceedings of the IEEE/CVF international conference on computer vision, 4015-4026. https://doi.org/10.48550/arXiv.2304.02643
Kirilyuk, V. S., Norkin, V. I., & Domrachev, V. N. (2002). A Nonparametric index approach for estimating subjects of financial market by profitability-risk criterion by example of commercial banks. Journal of Automation and Information Sciences, 34(12). https://doi.org/10.1615/JAutomatInfScien.v34.i12.40
Kitajima, M. B. W. L., & Butler, W. L. (1975). Quenching of chlorophyll fluorescence and primary photochemistry in chloroplasts by dibromothymoquinone. Biochimica et Biophysica Acta (BBA)-Bioenergetics, 376(1), 105–115. https://doi.org/10.1016/0005-2728(75)90209-1
Kolodiazhnyi, K. (2020). Hands-On Machine Learning with C++: Build, train, and deploy end-to-end machine learning and deep learning pipelines. Packt Publishing Ltd.
Kuang, B., Mahmood, H. S., Quraishi, M. Z., Hoogmoed, W. B., Mouazen, A. M., & van Henten, E. J. (2012). Sensing soil properties in the laboratory, in situ, and on-line: a review. Advances in agronomy, 114, 155–223. https://doi.org/10.1016/B978-0-12-394275-3.00003-1
Kurban, R. (2023). Gaussian of differences: a simple and efficient general image fusion method. Entropy, 25(8), Article 1215. https://doi.org/10.3390/e25081215
Kussul, N., Shelestov, A., Yailymov, B., Yailymova, H., Lavreniuk, M., Shumilo, L., & Bilokonska, Y. (2020, May). Crop monitoring technology based on time series of satellite imagery. In 2020 IEEE 11th International Conference on dependable systems, services and technologies (DESSERT). IEEE, 346-350. https://doi.org/10.1109/DESSERT50317.2020.9125031
Lakhno, V., Kasatkin, D., Buriachok, V., Palekha, Y., Saiko, V., & Damrachev, V. (2018). It support in decision-making with regard to infra-red grain drying management. Journal of Theoretical and Applied Information Technology, 96(22), 7587–7598.
Levy, O., & Goldberg, Y. (2014, June). Linguistic regularities in sparse and explicit word representations. In Proceedings of the eighteenth conference on computational natural language learning (pp. 171-180). https://aclanthology.org/W14-1618.pdf
Lin, F., Crawford, S., Guillot, K., Zhang, Y., Chen, Y., Yuan, X., Chen, L., Williams, S., Minvielle, R., Xiao, X., Gholson, D., Ashwell, N., Setiyono, T., Tubana, B., Peng, L., Bayoumi, M., & Tzeng, N. F. (2023). Mmst-vit: Climate change-aware crop yield prediction via multi-modal spatial-temporal vision transformer. In Proceedings of the IEEE/CVF International Conference on Computer Vision (pp. 5774-5784). https://doi.org/10.48550/arXiv.2309.09067
Liu, H., Lee, S. H., & Saunders, C. (2014). Development of a machine vision system for weed detection during both of off-season and in-season in broadacre no-tillage cropping lands. American Journal of Agricultural and Biological Sciences, 9(2), 174–193. https://doi.org/10.3844/ajabssp.2014.174.193
Liu, Q., Dou, F., Yang, M., Amdework, E., Wang, G., & Bi, J. (2023, January). Customized Positional Encoding to Combine Static and Time-varying Data in Robust Representation Learning for Crop Yield Prediction (pp. 6094-6102). IJCAI. https://www.ijcai.org/proceedings/2023/0676.pdf
MacHardy, W. E. (1996). Apple scab: biology, epidemiology, and management. St. Paul, MN: Am. Phytopathol.
McCaffrey, J. (2014). Neural networks using C# succinctly. Syncfusion, Inc., Morrisville, NJ (USA).
Muirhead-Thompson, R. C. (2012). Trap responses of flying insects: the influence of trap design on capture efficiency. Academic Press.
Olivares-Villegas, J. J., Reynolds, M. P., & McDonald, G. K. (2007). Drought-adaptive attributes in the Seri/Babax hexaploid wheat population. Functional Plant Biology, 34(3), 189–203. https://doi.org/10.1071/FP06148
Oliver, M. A., & Webster, R. (2014). A tutorial guide to geostatistics: Computing and modelling variograms and kriging. Catena, 113, 56-69. https://doi.org/10.1016/j.catena.2013.09.006
Opti-Sciences Dark Adaptation Application Note. www.optisci.com
Opti-Sciences Plant Stress Guide. www.optisci.com
Orchards. p.11 « LOCATION OF STUDY: Southern Minnesota.
Pantazi, X. E., Moshou, D., & Bravo, C. (2016). Active learning system for weed species recognition based on hyperspectral sensing. Biosystems Engineering, 146, 193–202. https://doi.org/10.1016/j.biosystemseng.2016.01.014
Paudel, D., Boogaard, H., de Wit, A., Janssen, S., Osinga, S., Pylianidis, C., & Athanasiadis, I. N. (2021). Machine learning for large-scale crop yield forecasting. Agricultural Systems, 187, Article 103016. https://doi.org/10.1016/j.agsy.2020.103016
Pikus, F. G. (2023). Hands-On Design Patterns with C++: Solve common C++ problems with modern design patterns and build robust applications. Packt Publishing Ltd.
Pinty, B., & Verstraete, M. M. (1992). GEMI: a non-linear index to monitor global vegetation from satellites. Vegetatio, 101, 15–20. https://doi.org/10.1007/BF00031911
PRODUCT FACT SHEET: NDWI – EUROPE Version 1 (Dec. 2011). NDWI: Normalized Difference Water Index. https://edo.jrc.ec.europa.eu/documents/factsheets/factsheet_ndwi.pdf
Prajapati, S., Qureshi, S., Rao, Y., Nadkarni, S., Retharekar, M., & Avhad, A. (2023, May). Plant disease identification using deep learning. In 2023 4th International Conference for Emerging Technology (INCET) (pp. 1-5). IEEE. https://doi.org/10.1109/INCET57972.2023.10170463
Reynolds, M. P. (2001). Application of physiology in wheat breeding. In M.P. Reynolds, J.I. Ortiz-Monasterio, & A. McNab (Eds.). CIMMYT.
Reynolds, M. P., Pask, A. J. D., & Mullan, D. M. (Eds.) (2012). Physiological breeding I: interdisciplinary approaches to improve crop adaptation. CIMMYT.
Reynolds, M. P., Slafer, G. A., Foulkes, J. M., Griffiths, S., Murchie, E. H., Carmo-Silva, E., Asseng, S., Chapman, S. C., Sawkins, M., Gwyn, J., & Flavell, R. B. (2022). A wiring diagram to integrate physiological traits of wheat yield potential. Nature Food, 3(5), 318–324. https://doi.org/10.1038/s43016-022-00512-z
Rice, R. E., Weakley, C. V., & Jones, R. A. (1984). Using degree-days to determine optimum spray timing for the oriental fruit moth (Lepidoptera: Tortricidae). Journal of economic entomology, 77(3), 698–700. https://doi.org/10.1093/jee/77.3.698
Rim, P., Saha, S., & Rim, M. (2022). Caltechfn: Distorted and partially occluded digits. In Proceedings of the Asian Conference on Computer Vision (pp. 189-206). ACCV. https://openaccess.thecvf.com/content/ACCV2022W/MLCSA/papers/Rim_CaltechFN_Distorted_and_Partially_Occluded_Digits_ACCVW_2022_paper.pdf
Robson, A., Rahman, M. M., & Muir, J. (2017). Using worldview satellite imagery to map yield in avocado (Persea americana): A case study in Bundaberg, Australia. Remote Sensing, 9(12), Article 1223. https://doi.org/10.3390/rs9121223
Rock, G. C., Stinner, R. E., Bacheler, J. E., Hull, L. A., & Hogmire Jr, H. W. (1993). Predicting geographical and within-season variation in male flights of four fruit pests. Environmental Entomology, 22(4), 716–725. https://doi.org/10.1093/ee/22.4.716
Ronneberger, O., Fischer, P., & Brox, T. (2015). U-net: Convolutional networks for biomedical image segmentation. In Medical image computing and computer-assisted intervention–MICCAI 2015: 18th international conference, Munich, Germany, October 5-9, 2015, proceedings, part III 18 (pp. 234-241). Springer international publishing. https://doi.org/10.1007/978-3-319-24574-4_28
Rosyara, U. R., Vromman, D., & Duveiller, E. (2008). Canopy temperature depression as an indication of correlative measure of spot blotch resistance and heat stress tolerance in spring wheat. Journal of Plant Pathology, 103-107. http://www.jstor.org/stable/41998465
Rouse Jr, J. W., Haas, R. H., Deering, D. W., Schell, J. A., & Harlan, J. C. (1974). Monitoring the vernal advancement and retrogradation (green wave effect) of natural vegetation. Remote Sensing Center, Texas A&M Univ.
Rouse, J. W., Haas, R. H., Schell, J. A., & Deering D. W. (1973, December). Monitoring Vegetation Systems in the Great Plains with ERTS. In S. C. Freden, E. P. Mercanti & M. A. Becker (Eds.). Third ERTS Symposium, Paper A20 (pp. 307-319). Texas A&M University.
Saint Pierre, C., Crossa, J., Manes, Y., & Reynolds, M. P. (2010). Gene action of canopy temperature in bread wheat under diverse environments. Theoretical and Applied Genetics, 120(6), 1107–1117. https://doi.org/10.1007/s00122-009-1238-4
Sapkota, R., Meng, Z., Churuvija, M., Du, X., Ma, Z., & Karkee, M. (2024). Comprehensive performance evaluation of yolo11, yolov10, yolov9 and yolov8 on detecting and counting fruitlet in complex orchard environments. Authorea Preprints. https://doi.org/10.36227/techrxiv.172954111.18265256/v2
Schowengerdt, R. A. (2006). Remote sensing: models and methods for image processing. Elsevier.
Schwabe, W. F. S. (1980). Weather favouring apple scab infection in South Africa. Phytophylactica, 12(4), 219–222.
Schwambe, W. F. S. (1982). Wetting and temperature requirements for apple leaf infection by Venturia inaequalis in South Africa. Phytophylactica, 12(2), 69–80. https://doi.org/ 10.1111/j.1744-7348.1982.tb01408.x
Shirzadifar, A., Bajwa, S., Mireei, S. A., Howatt, K., & Nowatzki, J. (2018). Weed species discrimination based on SIMCA analysis of plant canopy spectral data. Biosystems Engineering, 171, 143–154. https://doi.org/10.1016/j.biosystemseng.2018.04.019
Soriano-Disla, J. M., Janik, L. J., Viscarra Rossel, R. A., Macdonald, L. M., & McLaughlin, M. J. (2014). The performance of visible, near-, and mid-infrared reflectance spectroscopy for prediction of soil physical, chemical, and biological properties. Applied spectroscopy reviews, 49(2), 139–186. https://doi.org/10.1080/05704928.2013.811081
Thenkabail, P. S., Lyon, J. G., & Huete, A. (Eds.) (2018). Advances in hyperspectral remote sensing of vegetation and agricultural crops. In Fundamentals, sensor systems, spectral libraries, and data mining for vegetation (pp. 3-37). CRC press. https://doi.org/10.1201/9781315164151
Thomasson, J. A., Wang, T., Wang, X., Collett, R., Yang, C., & Nichols, R. L. (2018, May). Disease detection and mitigation in a cotton crop with UAV remote sensing. In Autonomous Air and Ground Sensing Systems for Agricultural Optimization and Phenotyping III (Vol. 10664, pp. 150-156). SPIE. https://doi.org/10.1117/12.2307018
Tmienova, N., & Snytyuk, V. (2020, October). Method of deformed stars for global optimization. In 2020 IEEE 2nd International Conference on System Analysis & Intelligent Computing (SAIC). IEEE, 1-4. https://doi.org/10.1109/SAIC51296.2020.9239208
Tsyganok, V., Kadenko, S., Andriychuk, O., & Roik, P. (2017). Usage of multicriteria decision‐making support arsenal for strategic planning in environmental protection sphere. Journal of Multi‐Criteria Decision Analysis, 24(5-6), 227–238. https://doi.org/10.1002/mcda.1616
Tucker, C. J. (1979). Red and photographic infrared linear combinations for monitoring vegetation. Remote sensing of Environment, 8(2), 127–150. https://doi.org/10.1016/0034-4257(79)90013-0
Tubaileh, A. S., Sammis, T. W., & Lugg, D. G. (1986). Utilization of thermal infrared thermometry for detection of water stress in spring barley. Agricultural Water Management, 12(1-2), 75-85. https://doi.org/10.1016/0378-3774(86)90007-7
Voloshin, A. F., Gnatienko, G. N., & Drobot, E. V. (2003). A Method of Indirect Determination of Intervals of Weight Coefficients of Parameters for Metricized Relations Between Objects. Journal of Automation and Information Sciences, 35(3). https://doi.org/10.1615/JAutomatInfScien.v35.i3.30
Weakley, C. V., Zalom, F. G., & Rice, R. E. (1984). Monitoring Oriental fruit moth development with degree-days. UC Div. Sci. Publ, Article 7157.
Wierzchon, S. T., & Kłopotek, M. A. (2015). Algorithms of Cluster Analysis. Institute of Computer Science Polish Academy of Sciences.
Wu, W. (2014). The generalized difference vegetation index (GDVI) for dryland characterization. Remote Sensing, 6(2), 1211–1233. https://doi.org/10.3390/rs6021211
Wulder, M. A., Loveland, T. R., Roy, D. P., Crawford, C. J., Masek, J. G., Woodcock, C. E., Allen, R. G., Anderson, M. C., Belward, A. S., Cohen, W. B., Dwyer, J., Erb, A., Gao F., Griffiths, P., Helder, D., Hermosilla, T., Hipple, J. D., Hostert, P., Hughes, M. J., Huntington, J., Johnson, D. M., Kennedy, R., Kilic, A., Li, Z., Lymburner, L., McCorkel, J., Pahlevan, N., Scambos, T. A., Schaaf, C., Schott, J. R., Sheng, Y., Storey, J., Vermote E., Vogelmann, J., White, J. C., Wynne, R. H., & Zhu, Z. (2019). Current status of Landsat program, science, and applications. Remote sensing of environment, 225, 127–147. https://doi.org/10.1016/j.rse.2019.02.015