Анализ временного соответствия между уровнем механизации и урожайностью в Эритрее

Обложка


Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Доступ платный или только для подписчиков

Аннотация

Обоснование. Динамика сельскохозяйственного производства направлена на прогрессивное повышение уровня механизации и максимизацию эффективности. Понимание взаимосвязи между механизацией и урожайностью сельскохозяйственных культур имеет важное значение для повышения производительности.

Цель работы — оценка временного сходства между урожайностью сельскохозяйственных культур и уровнем механизации (УМ-LOM). Особое внимание уделено влиянию УМ на урожайность сельскохозяйственных культур с течением времени.

Методы. В исследовании использовалась метод наименьших квадратов (МНК) с эффектом взаимодействия для анализа тренда и динамической трансформации временной шкалы (DTW), для анализа сходства паттернов. Для оценки эффективности определения DTW-расстояния между последовательностями использовались описательная статистика — стандартное отклонение, среднее, минимальное и максимальное значения — наряду с показателями ошибок, в частности, абсолютной средней ошибки (MAE) и среднеквадратичной ошибки (RMSE).

Результаты. Анализ МНК выявил почти параллельные наклоны линий тренда (наклоны 0,038 и 0,053 процента). Анализ DTW показал значительное временное выравнивание, с 44,4% идеального совпадения и оценкой сходства 34 (34 оптимальных пути в 28 парах наборов данных). Соответствующие значения метрик оценки производительности — стандартное отклонение, среднее, минимум и максимум были рассчитаны как 7,56x10⁻³, 1,08x10⁻², 1,42x10⁻⁵ и 3,22x10⁻²; значения MAE и RMSE были вычислены как 6,33x10⁻³ и 7,56x10⁻³ соответственно. На основе этих значений были использованы среднее сходство, согласованность, качество трансформации и ошибки для оценки уровня сходства. Наборы данных продемонстрировали высокий уровень сходства и согласованного выравнивания (на основе низких средних DTW-расстояний, стандартного отклонения и ошибок), несмотря на некоторые случаи плохой трансформации.

Заключение. Временное сходство в УМ и урожайности показало, что урожайность зерновых культур значительно зависит от колебаний в УМ. Сельскохозяйственная продуктивность может выиграть от механизации за счёт внедрения современных технологий, улучшения поддерживающих политик и интеграции устойчивых практик.

Полный текст

Доступ закрыт

Об авторах

Тесфит Асрат Медхн

Mai-Nefhi College of Engineering and Technology; Российский государственный аграрный университет – МСХА имени К.А. Тимирязева; Addey Agricultural and Food Cooperative

Автор, ответственный за переписку.
Email: noahtesas@gmail.com
ORCID iD: 0009-0002-4371-1323
SPIN-код: 9344-9472

аспирант кафедры эксплуатации машинно-тракторного парка

Эритрея, Асмара; Москва, Россия; Будапешт, Венгрия

Александр Григорьевич Левшин

Российский государственный аграрный университет – МСХА имени К.А. Тимирязева

Email: alevshin@rgau-msha.ru
ORCID iD: 0000-0001-8010-4448
SPIN-код: 1428-5710

д-р техн. наук, профессор

Россия, Москва

Саймон Гебрехивет Теклай

Mai-Nefhi College of Engineering and Technology; New Mexico State University

Email: gtsimon1994@gmail.com
ORCID iD: 0009-0002-3336-0523

научный сотрудник магистратуры (кандидат в магистратуру) программы водных наук и управления; кафедра животноводства и пастбищных наук; колледж сельского хозяйства, потребительских и экологических наук

Эритрея, Асмара; Лас-Крусес, США

Список литературы

  1. Srivastava A, Goering C, Rohrbach R, Buckmaster D. Engineering principles of agricultural machines. American Society of Agricultural and Biological Engineers; 2006.
  2. Andrew W. Handbook of farm, dairy and food machinery engineering. New York: Elsevier; 2013.
  3. Medhn TA, Teklay SG, Mengstu MT. Analysis of the Level of Agricultural Mechanization in Eritrea Based on USDA Data Sources. European Journal of Agriculture and Food Sciences. 2023;5(6):39–46. doi: 10.24018/ejfood.2023.5.6.664
  4. Abdullatif AAD, Mastrenko NA, Balabanov VI. The results of optimization of the harvesting complex for cleaning are given in the conditions of the Syrian Arab Republic. Agricultural Engineering. 2018;(1 (83)):48–51. doi: 10.26897/1728-7936-2018-1-48-51 EDN: YPMTST
  5. Maistrenko NA, Uvarov VP, Levshin AG, et al. Unification of calculations of productivity of transport and transport and technological equipment. Engineering technologies and systems. 2020;30(4):637–58. doi: 10.15507/2658-4123.030.202004.637-658
  6. Sysoev AM, Erokhin MN, Izmailov AYu, et al. Proposals for Amendments to the Federal Register of Crop Production Technologies (System of Technologies) Taking into Account the Functional Capabilities of the Family of New Agricultural Trucks. Moscow: Vserossiyskiy nauchno-issledovatelskiy institut mekhanizatsii selskogo khozyaystva; 2011.
  7. Bello SR. Agricultural Machinery & Mechanization: Basic Concepts. DPS Dominion publishing services Nigeria; 2012.
  8. Hanayem A, Almohamed S, Alassaf A, Majdalawi M. Socioeconomic Analysis of Soil-Less Farming System — An Comparative Evidence from Jordan, The Middle East. Int J Food Agric Econ. 2022;10: 205–23.
  9. Eritrea Overview: Development news, research, data | World Bank [Internet]. [cited 2023 Feb 9]. Available from: https://www.worldbank.org/en/country/eritrea/overview
  10. Amongo RMC, Onal MKS, Larona MVL, et al. Level of Agricultural Mechanization in Oriental Mindoro, Laguna and Quezon, Philippines Using the Modified Agricultural Mechanization Index for Lowland Rice. Philippine Journal of Agricultural and Biosystems Engineering. 2018; XIV:55–71.
  11. Kiru OK. The agricultural mechanization in Africa: micro-level analysis of state, drivers and effects. In: 6th African Conference of Agricultural Economists. Abuja: Research in agricultural & applied economics; 2019. p. 1–30.
  12. Li W, Wei X, Zhu R, Guo K. Study on factors affecting the agricultural mechanization level in China based on structural equation modeling. Sustainability (Switzerland). 2019;11(1).
  13. Sharma V, Irmak A, Kabenge I, Irmak S. Application of GIS and geographically weighted regression to evaluate the spatial non-stationarity relationships between precipitation vs. Irrigated and rainfed maize and soybean yields. Trans ASABE. 2011;54(3):953–72.
  14. Larrabee B, Scott HM, Bello NM. Ordinary Least Squares Regression of Ordered Categorical Data: Inferential Implications for Practice. 2014. doi: 10.1007/s13253-014-0176-z
  15. John K. M. Kuwornu. Irrigation access and per capita consumption expenditure in farm households: Evidence from Ghana. J Dev Agric Econ. 2012;4(3). doi: 10.5897/JDAE11.105
  16. Ma W, Renwick A, Grafton Q. Farm machinery use, off-farm employment and farm performance in China. Australian Journal of Agricultural and Resource Economics. 2018;62(2):279–98. doi: 10.1111/1467-8489.12249
  17. Tsinaslanidis PE. Subsequence dynamic time warping for charting: Bullish and bearish class predictions for NYSE stocks. Expert Syst Appl. 2018;94:193–204. doi: 10.1016/j.eswa.2017.10.055
  18. Vayer T, Tavenard R, Chapel L, et al. Time Series Alignment with Global Invariances. arXiv. 2020. doi: 10.48550/arXiv.2002.03848
  19. Sakoe H. Dynamic Programming Algorithm Optimization for Spoken Word Recognition. IEEE Trans Acoust. 1978;(1):43.
  20. Cohen S, Luise G, Terenin A, et al. Aligning Time Series on Incomparable Spaces. In: Proceedings of the 24th International Conference on Artificial Intelligence and Statistics (AISTATS) 2021, San Diego, California, USA. PMLR; 2021;130.
  21. Halperin T, Ephrat A, Peleg S. Dynamic Temporal Alignment of Speech to Lips. 2018.
  22. Shokoohi Y. M, Hu B, Jin H, et al. Generalizing DTW to the multi-dimensional case requires an adaptive approach. Data Min Knowl Discov. 2017;31(1):1–31. doi: 10.1007/S10618-016-0455-0/FIGURES/20
  23. Kovâcs-Vajna ZM. A fingerprint verification system based on triangular matching and dynamic time warping. IEEE Trans Pattern Anal Mach Intell. 2000;22(11):1266. doi: 10.1109/34.888711
  24. Ruiz AP, Flynn M, Large J, et al. The great multivariate time series classification bake off: a review and experimental evaluation of recent algorithmic advances. Data Min Knowl Discov. 2021 Mar 1;35(2):401–49. doi: 10.1007/s10618-020-00727-3
  25. Cassisi C, Montalto P, Aliotta M, et al. Similarity Measures and Dimensionality Reduction Techniques for Time Series Data Mining. In: Advances in Data Mining Knowledge Discovery and Applications.InTech; 2012.
  26. Maus V, Câmara G, Cartaxo R, et al. A Time-Weighted Dynamic Time Warping method for land use and land cover mapping. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing. 2016;9(8):3729–3739. doi: 10.1109/JSTARS.2016.2517118
  27. Belgiu M, Zhou Y, Marshall M, Stein A. Dynamic time warping for crops mapping. International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences — ISPRS Archives. 2020;43(B3):947–51. doi: 10.5194/ISPRS-ARCHIVES-XLIII-B3-2020-947-2020
  28. Mohamedi DM. Assessing the transferability of random forest and time-weighted dynamic time warping for agriculture mapping. 2019.
  29. Rafif R, Kusuma SS, Saringatin S, et al. Crop intensity mapping using dynamic time warping and machine learning from multi-temporal planetscope data. Land (Basel). 2021;10(12).
  30. USDA ERS — International Agricultural Productivity [Internet]. 2023 [cited 2023 Mar 6]. Available from: https://www.ers.usda.gov/data-products/international-agricultural-productivity
  31. Sebastian R. About Feature Scaling and Normalization [Internet]. 2014 [cited 2024 Sep 26]. Available from: https://sebastianraschka.com/Articles/2014_about_feature_scaling.html
  32. Keane M, Neal T. Climate change and U.S. agriculture: Accounting for multidimensional slope heterogeneity in panel data. Quant Econom [Internet]. 2020;11(4):1391–429. [cited 2024 Jun 25] Available from: https://onlinelibrary.wiley.com/doi/full/10.3982/QE1319
  33. Miao X, Zhao D, Lin B, et al. A Differential Protection Scheme Based on Improved DTW Algorithm for Distribution Networks with Highly-Penetrated Distributed Generation. IEEE Access. 2023; 11:40399–411. doi: 10.1109/ACCESS.2023.3269298

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать
2. Рис. 1. Для более эффективного анализа значения УМ были смещены по горизонтали на один год, при этом использовались соответствующие данные по урожайности за 1993–2020 годы. Пунктирная линия обозначает стандартизированную урожайность, а сплошная линия — УМ.

Скачать (84KB)
Метаданные
3. Рис. 2. Сходство трендов УМ (красная сплошная линия) и урожайности сельскохозяйственных культур (тёмная пунктирная линия) за период 1993–2020 годов.

Скачать (86KB)
Метаданные
4. Рис. 3. Сопоставление расстояний по методу ДТВ подразумевает повторение или сжатие точек для минимизации расстояния между ними.

Скачать (217KB)
Метаданные
5. Рис. 4. Оптимальный путь сходства УМ и урожайности сельскохозяйственных культур за период с 1993 по 2020 годы.

Скачать (450KB)
Метаданные
6. Рис. 1. Для более эффективного анализа значения УМ были смещены по горизонтали на один год, при этом использовались соответствующие данные по урожайности за 1993–2020 годы. Пунктирная линия обозначает стандартизированную урожайность, а сплошная линия — УМ.

Скачать (160KB)
Метаданные
7. Рис. 2. Сходство трендов УМ (красная сплошная линия) и урожайности сельскохозяйственных культур (тёмная пунктирная линия) за период 1993–2020 годов.

Скачать (150KB)
Метаданные
8. Рис. 3. Сопоставление расстояний по методу ДТВ подразумевает повторение или сжатие точек для минимизации расстояния между ними.

Скачать (252KB)
Метаданные
9. Рис. 4. Оптимальный путь сходства УМ и урожайности сельскохозяйственных культур за период с 1993 по 2020 годы.

Скачать (582KB)
Метаданные

© Эко-Вектор, 2025


 СМИ зарегистрировано Федеральной службой по надзору в сфере связи, информационных технологий и массовых коммуникаций (Роскомнадзор).
Регистрационный номер и дата принятия решения о регистрации СМИ: ПИ № ФС 77 - 81900 выдано 05.10.2021.