АНАЛИЗ И ПРОГНОЗ УРОЖАЙНОСТИ КУКУРУЗЫ ИСКУССТВЕННОЙ НЕЙРОННОЙ СЕТЬЮ
Вестник Курганской ГСХА. 2025. № 3 (55). С. 3–10
Vestnik Kurganskoj GSHA. 2025; (3-55): 3–10
Научная статья
УДК 551.501(470.64) EDN: DYZHBK
Код ВАК 4.1.1
АНАЛИЗ И ПРОГНОЗ УРОЖАЙНОСТИ КУКУРУЗЫ ИСКУССТВЕННОЙ НЕЙРОННОЙ СЕТЬЮ
Руслан Мусарбиевич Бисчоков1, Рамета Езидовна Шокумова2
1, 2 Кабардино-Балкарский государственный аграрный университет имени В. М. Кокова,
Нальчик, Россия
1 rusbis@mail.ru, https://orcid.org/0000-0001-6694-319X
2 rameta77777@mail.ru
Аннотация. Цель – разработка искусственной нейронной сети для прогнозирования урожайности кукурузы с учетом изменения
средней температуры воздуха и осадков в вегетационный период. В работе используется методика оценки адекватности временных
рядов. Для проведения статистического оценивания по определению однородности и стационарности использованы критерии Диксона,
Смирнова-Граббса, Стьюдента и Фишера. Разработка компьютерных моделей производилась построением искусственных нейронных
сетей с исходными данными эмпирических рядов: на входе значения средней температуры воздуха и осадков за вегетационный период,
разбитый на три интервала, а на выходе – урожайность культуры. Разработка проходит в 4 этапа: классификация, тестирование, обуче
ние и прогнозирование. Используются модули: MLP – многослойный персептрон, GRNN – обобщенно-регрессионная, RBF – радиальная
базисная функция. Построение и классификация искусственной нейронной сети производится подачей на входе значений средней тем
пературы воздуха и осадков, а на выходе полученное значение сравнивается с урожайностью и определяется остаток по данным первых
20 лет. Из построенных сценариев путем обучения нейронной сети по данным следующих 6 лет производится отбор 10 оптимальных
моделей по всем модулям. Контрольные оценки позволяют из отобранных выбирать 5 моделей, для которых остатки близки к нулю.
Последним этапом осуществляются прогнозирование урожайности кукурузы и сравнение с данными последних 6 лет. Вычисление про
гнозных значений можно осуществить по 5 отобранным моделям и затем определить наиболее оптимальную, по которой в последующем
проводить расчеты. Результатом исследования является построение оптимальных искусственных нейронных сетей для прогнозирование
значения урожайности кукурузы на предстоящие 5 лет.
Ключевые слова: средняя температура воздуха, осадки, однородность, стационарность, анализ и прогноз урожайности, компью
терная модель, искусственная нейронная сеть.
Благодарности: работа финансировалась за счет средств бюджета ФГБОУ ВО «Кабардино-Балкарский государственный аграрный
университет имени В. М. Кокова». Дополнительных грантов на проведение или руководство данным конкретным исследованием полу
чено не было.
Для цитирования: Бисчоков Р.М., Шокумова Р.Е. Анализ и прогноз урожайности кукурузы искусственной нейронной сетью // Вест
ник Курганской ГСХА. 2025. № 3(55). С. 3–10. EDN: DYZHBK.
Scientific article
ANALYSIS AND FORECASTING OF CORN YIELD BY ARTIFICIAL NEURAL NETWORK
Ruslan M. Bischokov1, Rameta E. Schokumova2
1, 2 Kabardino-Balkarian State Agricultural University named after V.M. Kokov, Nalchik, Russia
1 rusbis@mail.ru, https://orcid.org/0000-0001-6694-319X
2 rameta77777@mail.ru
Abstract. The purpose is to develop an artificial neural network for predicting corn yields, taking into account changes in average air tem
perature and precipitation during the growing season. The paper uses a methodology for assessing the adequacy of time series. The criteria of
Dixon, Smirnov-Grubbs, Student and Fisher were used to carry out statistical evaluation to determine uniformity and stationarity. The development
of computer models was carried out by building artificial neural networks with the initial data of empirical series as follows at the input, the values
of the average air temperature and precipitation during the growing season, divided into three intervals, and at the output, the crop yield. The de
velopment takes place in 4 stages: classification, testing, training and forecasting. The following modules are used: MLP – multilayer perceptron,
GRNN – generalized regression, RBF – radial basis function. The construction and classification of an artificial neural network is performed by
entering the values of the average air temperature and precipitation at the input, and at the output the value obtained is compared with the yield
and the remainder is determined based on the data of the first 20 years. Based on the data from the next 6 years, 10 optimal models for all the
modules are selected from the constructed scenarios by training the neural network. The control estimates allow for choosing 5 models from the
selected ones, for which the remainders are close to zero. The last stage is corn yields forecasting and their comparing with the data from the
last 6 years. The forecast values can be calculated using five selected models and then the most optimal one can be determined for subsequent
calculations. The result of the study is the construction of optimal artificial neural networks for forecasting corn yield values for the next 5 years.
Keywords: average air temperature, precipitation, uniformity, stationarity, yield analysis and forecasting, computer model, artificial neural
network.
Acknowledgments: the work was funded by the budget of the Kabardino-Balkarian State Agrarian University named after V.M. Kokov.
No additional grants were received to conduct or direct this particular study.
For citation: Bischokov R.M., Shokumova R.E. Analysis and forecasting of corn yield by artificial neural network // Vestnik Kurganskoj
GSHA. 2025; (3-55): 3–10. EDN: DYZHBK. (In Russ).
Vestnik Kurganskoj GSHA. 2025; (3-55): 3–10
Научная статья
УДК 551.501(470.64) EDN: DYZHBK
Код ВАК 4.1.1
АНАЛИЗ И ПРОГНОЗ УРОЖАЙНОСТИ КУКУРУЗЫ ИСКУССТВЕННОЙ НЕЙРОННОЙ СЕТЬЮ
Руслан Мусарбиевич Бисчоков1, Рамета Езидовна Шокумова2
1, 2 Кабардино-Балкарский государственный аграрный университет имени В. М. Кокова,
Нальчик, Россия
1 rusbis@mail.ru, https://orcid.org/0000-0001-6694-319X
2 rameta77777@mail.ru
Аннотация. Цель – разработка искусственной нейронной сети для прогнозирования урожайности кукурузы с учетом изменения
средней температуры воздуха и осадков в вегетационный период. В работе используется методика оценки адекватности временных
рядов. Для проведения статистического оценивания по определению однородности и стационарности использованы критерии Диксона,
Смирнова-Граббса, Стьюдента и Фишера. Разработка компьютерных моделей производилась построением искусственных нейронных
сетей с исходными данными эмпирических рядов: на входе значения средней температуры воздуха и осадков за вегетационный период,
разбитый на три интервала, а на выходе – урожайность культуры. Разработка проходит в 4 этапа: классификация, тестирование, обуче
ние и прогнозирование. Используются модули: MLP – многослойный персептрон, GRNN – обобщенно-регрессионная, RBF – радиальная
базисная функция. Построение и классификация искусственной нейронной сети производится подачей на входе значений средней тем
пературы воздуха и осадков, а на выходе полученное значение сравнивается с урожайностью и определяется остаток по данным первых
20 лет. Из построенных сценариев путем обучения нейронной сети по данным следующих 6 лет производится отбор 10 оптимальных
моделей по всем модулям. Контрольные оценки позволяют из отобранных выбирать 5 моделей, для которых остатки близки к нулю.
Последним этапом осуществляются прогнозирование урожайности кукурузы и сравнение с данными последних 6 лет. Вычисление про
гнозных значений можно осуществить по 5 отобранным моделям и затем определить наиболее оптимальную, по которой в последующем
проводить расчеты. Результатом исследования является построение оптимальных искусственных нейронных сетей для прогнозирование
значения урожайности кукурузы на предстоящие 5 лет.
Ключевые слова: средняя температура воздуха, осадки, однородность, стационарность, анализ и прогноз урожайности, компью
терная модель, искусственная нейронная сеть.
Благодарности: работа финансировалась за счет средств бюджета ФГБОУ ВО «Кабардино-Балкарский государственный аграрный
университет имени В. М. Кокова». Дополнительных грантов на проведение или руководство данным конкретным исследованием полу
чено не было.
Для цитирования: Бисчоков Р.М., Шокумова Р.Е. Анализ и прогноз урожайности кукурузы искусственной нейронной сетью // Вест
ник Курганской ГСХА. 2025. № 3(55). С. 3–10. EDN: DYZHBK.
Scientific article
ANALYSIS AND FORECASTING OF CORN YIELD BY ARTIFICIAL NEURAL NETWORK
Ruslan M. Bischokov1, Rameta E. Schokumova2
1, 2 Kabardino-Balkarian State Agricultural University named after V.M. Kokov, Nalchik, Russia
1 rusbis@mail.ru, https://orcid.org/0000-0001-6694-319X
2 rameta77777@mail.ru
Abstract. The purpose is to develop an artificial neural network for predicting corn yields, taking into account changes in average air tem
perature and precipitation during the growing season. The paper uses a methodology for assessing the adequacy of time series. The criteria of
Dixon, Smirnov-Grubbs, Student and Fisher were used to carry out statistical evaluation to determine uniformity and stationarity. The development
of computer models was carried out by building artificial neural networks with the initial data of empirical series as follows at the input, the values
of the average air temperature and precipitation during the growing season, divided into three intervals, and at the output, the crop yield. The de
velopment takes place in 4 stages: classification, testing, training and forecasting. The following modules are used: MLP – multilayer perceptron,
GRNN – generalized regression, RBF – radial basis function. The construction and classification of an artificial neural network is performed by
entering the values of the average air temperature and precipitation at the input, and at the output the value obtained is compared with the yield
and the remainder is determined based on the data of the first 20 years. Based on the data from the next 6 years, 10 optimal models for all the
modules are selected from the constructed scenarios by training the neural network. The control estimates allow for choosing 5 models from the
selected ones, for which the remainders are close to zero. The last stage is corn yields forecasting and their comparing with the data from the
last 6 years. The forecast values can be calculated using five selected models and then the most optimal one can be determined for subsequent
calculations. The result of the study is the construction of optimal artificial neural networks for forecasting corn yield values for the next 5 years.
Keywords: average air temperature, precipitation, uniformity, stationarity, yield analysis and forecasting, computer model, artificial neural
network.
Acknowledgments: the work was funded by the budget of the Kabardino-Balkarian State Agrarian University named after V.M. Kokov.
No additional grants were received to conduct or direct this particular study.
For citation: Bischokov R.M., Shokumova R.E. Analysis and forecasting of corn yield by artificial neural network // Vestnik Kurganskoj
GSHA. 2025; (3-55): 3–10. EDN: DYZHBK. (In Russ).
