Search Results - "урожайность сельскохозяйственных культур"

Source: Наукові вісті КПІ; № 1 (2017): ; 24-36
Научные вести КПИ; № 1 (2017): ; 24-36
Research Bulletin of the National Technical University of Ukraine "Kyiv Politechnic Institute"; № 1 (2017): Engineering; 24-36

Subject Terms: 2. Zero hunger, 0301 basic medicine, 0303 health sciences, 03 medical and health sciences, Нестационарный процесс, Регрессионная модель, Урожайность сельскохозяйственных культур, Прогнозирование, Система поддержки принятия решений, SAS Enterprise Miner, Нестаціонарний процес, Регресійна модель, Урожайність сільськогосподарських культур, Прогнозування, Система підтримки прийняття рішень, Non-stationary processes, Regressive model, Agricultural crop yield, Prediction, Decision support systems, Information technology, system analisys and control, Інформаційні технології, системний анаілз та керування, 15. Life on land, Информационные технологии, системный анализ и управление

File Description: application/pdf

Access URL: http://bulletin.kpi.ua/article/download/87423/pdf_181
http://bulletin.kpi.ua/article/view/87423
http://bulletin.kpi.ua/article/download/87423/pdf_181
http://bulletin.kpi.ua/article/view/87423

View record at OpenAIRE Full Text Finder

20

Academic Journal

Current Trends in Crop Yield Forecasting Based on the Use of Econometric Models ; Современные направления прогнозирования урожайности сельскохозяйственных культур на основе использования эконометрических моделей

Authors: M. Yu. Arkhipova, A. I. Smirnov, М. Ю. Архипова, А. И. Смирнов

Contributors: This research was funded by the RFBR grant No. 18-010-00564 «Current trends and socio-economic consequences of the development of digital technologies in Russia», Исследование выполнено при поддержке гранта РФФИ №18-010-00564 «Современные тенденции и социально-экономические последствия развития цифровых технологий в России»

Source: Voprosy statistiki; Том 27, № 5 (2020); 65-75 ; Вопросы статистики; Том 27, № 5 (2020); 65-75 ; 2658-5499 ; 2313-6383

Subject Terms: сельскохозяйственный анализ, econometric modeling, crop yield, environmental factors, agricultural analysis, эконометрическое моделирование, урожайность сельскохозяйственных культур, экологические факторы

File Description: application/pdf

Relation: https://voprstat.elpub.ru/jour/article/view/1198/794; Basso F. et al. Evaluating environmental sensitivity at the basin scale through the use of geographic information systems and remotely sensed data: an example covering the Agri basin (Southern Italy) // Catena. 2000. Vol. 40. No. 1. P. 19-35.; Salvati L. et al. Exploring the relationship between agricultural productivity and land degradation in a dry region of Southern Europe // New Medit. 2010. Vol. 9. No. 1. P. 35-40.; Pantazi X.E. et al. Wheat yield prediction using machine learning and advanced sensing techniques // Computers and Electronics in Agriculture. 2016. Vol. 121. P. 57-65.; Anders U., Korn O. Model selection in neural networks // Neural networks. 1999. Vol. 12. No. 2. P. 309-323.; De la Casa A. et al. Soybean crop coverage estimation from NDVI images with diff erent spatial resolution to evaluate yield variability in a plot // I SPRS journal of photogrammetry and remote sensing. 2018. Vol. 146. P. 531-547.; Bajracharya D. Econometric Modeling Vs Artifi cial Neural Networks: A Sales Forecasting Comparison. 2011.; Demuth H.B. et al. Neural network design. Martin Hagan. 2014.; Dharmadhikari N.L. Economic Modeling of Agricultural Production in North Dakota Using Transportation Analysis and Forecasting: дис. - North Dakota State University. 2018.; Haghverdi A., Washington-Allen R.A., Leib B.G. Prediction of cotton lint yield from phenology of crop indices using artifi cial neural networks // Computers and Electronics in Agriculture. 2018. Vol. 152. P. 186-197.; Jordanova N. Soil magnetism: Applications in pedology, environmental science and agriculture. Academic Press. 2016.; Molnar C. Interpretable Machine Learning-A Guide for Making Black Box Models Explainable. Leanpub, np. 2018.; Moshiri S., Cameron N. Neural network versus econometric models in forecasting infl ation // Journal of forecasting. 2000. Vol. 19. No. 3. P. 201-217.; Pхldaru R., Roots J., Viira A.H. Estimating econometric model of average total milk cost: A support vector machine regression approach // Economics and rural development. 2005. Vol. 1. No. 1. P. 23-31.; Ranjan R. et al. Irrigated pinto bean crop stress and yield assessment using ground based low altitude remote sensing technology // Information Processing in Agriculture. 2019. Vol. 6. No. 4. Р. 502-514.; Zhang C. et al. Machine-learned prediction of annual crop planting in the US Corn Belt based on historical crop planting maps //Computers and Electronics in Agriculture. 2019. Vol. 166. Р. 104989.; Zhang L., Lei L., Yan D. Comparison of two regression models for predicting crop yield // 2010 IEEE International Geoscience and Remote Sensing Symposium. Ieee, 2010. Р. 1521-1524.; Архипова М.Ю., Александрова Е.А. Исследование характера связи инновационной и экспортной активности российских предприятий // Прикладная эконометрика. 2014. № 38 (4). С. 88-101; Мхитарян В.С. и др. Анализ данных: учебник для академического бакалавриата. Сер. 58 Бакалавр. Академический курс (1-е изд.). М.: Изд-во Юрайт, 2017. 490 с.; Ширяев В.И. Финансовые рынки. Нейронные сети, хаос и нелинейная динамика: Учебное пособие / В.И. Ширяев. М.: Либроком, 2013. 232 с.; https://voprstat.elpub.ru/jour/article/view/1198

Availability: https://voprstat.elpub.ru/jour/article/view/1198
https://doi.org/10.34023/2313-6383-2020-27-5-65-75

View record from BASE

Search Tools:

Refine Results

Format

Subject

Publisher

Published in

Source

Collection

Year of Publication