Кукурузный аппарат: Аппарат для продажи кукурузы с варкой. Тележка купить в Москве | Для бизнеса

15.04.1982 alexxlab

Содержание

Аппарат для варки кукурузы Gastrorag DK-EC-40

Описание

Аппарат для кукурузы электрический настольный Gastrorag DK-EC-40 используется на предприятиях общественного питания и торговли быстрого приготовления кукурузных початков и зерен.
Включает в себя емкость, крышку емкости и подставку для емкости.

Особенности

Крышка емкости выполнена из термостойкого закаленного стекла; емкость имеет внутреннее и внешнее покрытие.Первое выполнено из нержавеющей стали, второе выполнено из элитной нержавеющей стали; подставка для емкости изготовлена из пластика.
Аппарат для варки кукурузы произведен из неразборной конструкции, а также его внутренняя и внешняя поверхность не обжигает руки.
Нагревающиеся части специально оснащены функцией сопротивления горению и безопасны.
Аппарат также имеет функцию автоматического подогрева.

Характеристики

Настольный
Терморегулятор +30. ..+110 °С
Функция подогрева
Перфорированная вставка
Вместимость: 8 кг зерна/40 початков
Материал корпуса — нержавеющая сталь

Остались вопросы по характеристикам или покупке ?

Наши специалисты с удовольствием Вас проконсультируют и помогут сделать правильный выбор

Позвоните
+7 (495) 123 34 44

Напишите на E-mail

Закажите обратный звонок

Купить товар в 1 клик

Время работы нашего магазина с 9:00 до 19:00, суббота c 10:00 до 18:00, воскресенье выходной.
Заказы онлайн круглосуточно
Адрес склада и офиса: Москва, Волоколамское шоссе, 142, офис 527 (как доехать)

№64309150 — прочая бытовая техника в Алматы — Маркет

О товаре

Состояние: Новый

Описание от продавца

Жүгеріні буға пісіру аппараты дайын бизнес Сіз небәрі 1 аптаның ишинде аппараттың құнын шығарып алуға мүмкиндігіңіз бар
Параварка для кукуруза, мясо, овощи
Готовый бизнес для всех! Прибыль 100%
Аппарат по изготовлению горячей кукурузы.
Такой бизнес не требует сильныx вложений. Окупается через неделю. Круглогодичный бизнес. Спешите.
Аппараты стоят 15000 тг
Аппараты со шкафчиками от 45000тг

Звоните прямо сейчас! ДОСТАВКА ПО ГОРОДУ!

Местоположение

Город: Алматы

Улица: Ул. Отеген батыра 11

Откуда взялся попкорн и как его лучше готовить

Вероник Гринвуд
BBC Future

25 апреля 2017

Автор фото, iStock

Обозреватель BBC Future рассказывает о лакомстве номер один среди киноманов и любителей диванного досуга — и делится секретами его приготовления.

Попкорн, это хрустящее кукурузное лакомство, сдобренное маслом и карамелью или солью, сегодня переживает пик своей популярности.

В среднем американец потребляет около 50 литровых стаканов попкорна в год, и даже в Великобритании, где традиционно большим спросом пользовались чипсы, продажи попкорна взлетели до небес.

В 2016 году исследовательская фирма Mintel выяснила, что уровень продаж попкорна в Соединенном Королевстве за последние пять лет вырос на 169%.

Интернет просто пестрит небылицами о происхождении воздушного лакомства. Можно прочитать, например, что коренные американцы принесли его на первый День благодарения или что американские колонисты ели его на завтрак.

Впрочем, реальная история попкорна намного интереснее.

Несомненно, жители Северной и Южной Америки ели попкорн задолго до появления на этих континентах европейцев.

Попкорн изготавливают из особой разновидности маиса, а не из обычной кукурузы, употребляемой в пищу в виде початков и не имеющей способности взрываться.

Археологи находили его во многих пещерах и древних жилищах на юго-западе США и в более южных районах.

Ботаник Томас Харпер Гудспид, основавший ботанический сад Калифорнийского университета, однажды получил в подарок от чилийского археолога древние зерна маиса.

Автор фото, iStock

Подпись к фото,

Попкорн взрывается благодаря твердой оболочке и влаге, глубоко спрятанной в каждом зернышке

«Как-то раз, сидя у себя дома в Беркли, я подумал: почему бы мне не провести эксперимент с этой кукурузой, собранной задолго до появления инков?», — пишет он в своей книге «Охотники за растениями в Андах» (Plant Hunters in the Andes).

«Я положил пару зерен в форму для выпечки пирогов и нагрел их на электрической плите. К моему большому удивлению, эта кукуруза, возраст которой около тысячи лет, вздулась и лопнула так же быстро, как и зерна из прошлогоднего урожая, которые можно купить в соседнем продуктовом магазине», — делится он впечатлениями.

Крепкие зернышки все эти годы оставались нетронутыми в своей твердой оболочке, которая у этой разновидности маиса в четыре раза прочнее, чем у остальных.

Попкорн «взрывается» благодаря прочности его кожицы, а также благодаря его способности быстро проводить тепло внутрь содержащего крахмал зерна.

При этом оболочка выдерживает нагрев до высокой температуры и не сгорает.

По мере повышения температуры вода внутри зерна превращается в пар и начинает давить на кожицу изнутри.

Давление возрастает, и когда при 200°C оно достигает значения, в девять раз превышающего атмосферное давление, оболочка рвется, давление выравнивается, и крахмал с паром вырываются наружу.

Ученые выяснили, что размер вздувшегося зерна можно удвоить, используя вакуумный насос, чтобы снизить давление воздуха в емкости, в которой нагреваются зерна.

Когда они начнут взрываться, их размер увеличится больше, чем обычно.

Сделать попкорн вполне возможно без каких-либо приспособлений — достаточно просто подержать кукурузный початок над огнем.

Однако существует мнение, что особая ценность этого лакомства заключается в зрелищности его приготовления.

В Китае, например, некоторые уличные торговцы до сих пор готовят попкорн у края дороги, используя для этого наглухо закрытый чугунный котел с зернами внутри.

Его вертят над огнем, и когда индикатор давления показывает, что время пришло, продавец набрасывает на его горлышко длинный холщовый мешок, а затем резким движением сбрасывает крышку.

Из-за перепада давления зернышки резко лопаются и выстреливают в мешок, словно маленькие пушечные ядра. (Видео можно посмотреть здесь.)

Автор фото, iStock

Подпись к фото,

Воздушная кукуруза стала популярной после изобретения передвижного аппарата для попкорна в 1885 году

Один из первых коммерческих автоматов для приготовления попкорна знакомым большинству из нас способом появился в 1885 году.

Его изобрел кондитер из штата Иллинойс по имени Чарльз Криторз, экспериментировавший с машиной для обжарки арахиса.

Причудливые устройства Криторза работали на крошечных паровых двигателях, а зерна кукурузы разогревались в смеси топленого свиного сала и сливочного масла.

Маленький механический клоун по имени Мистер Рости Тости вертел ручку, веселя публику.

В книге историка кулинарии Эндрю Смита «Попкорновая культура» (Popped Culture) рассказывается, как Криторз привез свой фургон с попкорном на Всемирную выставку 1893 года.

«Как позже заявила компания C Cretors Company, он и его помощники подзывали покупателей следующим образом: «Попробуйте новую сенсацию вкуса! Бесплатно! Попкорн, приготовленный в масле, — революционно новый метод, только что запатентованный! Пакетик попкорна бесплатно каждому!», — пишет Смит.

«Вокруг его фургона сразу же собрались люди. Клоун на верхушке машины по приготовлению попкорна крутил ручку без передышки», — продолжает он.

«По мере того как манящий запах попкорна с маслом распространялся по ярмарке, народу приходило все больше. Их привлекало не только лакомство, но и яркое шоу, которое предпринимателю удалось устроить благодаря паровым двигателям и забавному клоуну», — описывает Смит те события.

Компания Cretors Company до сих пор — ведущий производитель аппаратов для приготовления попкорна.

Сегодня попкорн пользуется популярностью и среди тех, кто предпочитает здоровую пищу.

Многие считают его соленым и жирным лакомством, которое обычно едят в кино или на карнавале.

Однако тем, что это цельнозерновой продукт с низким содержанием жира и соли (до того, как его начнут обжаривать или приправлять), мгновенно воспользовались маркетологи.

Автор фото, iStock

Подпись к фото,

Попкорн — это полезное низкокалорийное блюдо, если, конечно, не злоупотреблять солеными и сладкими добавками

Согласно отчету Mintel, продажи попкорна в Великобритании резко возросли именно благодаря его имиджу полезного продукта (если не учитывать тот факт, что воздушная кукуруза чаще всего продается с большим количеством добавок).

(Лучший способ получить именно то, что вам хочется, — это приготовить попкорн дома, используя специальный аппарат или просто на плите.)

Практика показывает, что подобными взрывными свойствами обладает не только кукуруза.

Оказывается, приготовить воздушное лакомство можно из многих зерен с твердой оболочкой, в том числе риса, пшеницы, ячменя и амаранта.

Впрочем, зерна этих растений увеличиваются в объеме не так сильно, как кукуруза.

Пойти в кино и заказать порцию воздушного амаранта? Звучит маловероятно. Попкорн прочно и надолго поселился в наших сердцах. И желудках.

Прочитать оригинал этой статьи на английском языке можно на сайте BBC Future.

Поддержка заказной печати кукурузный крахмал самоклеющийся мешок биоразлагаемый поли почтовый аппарат

Вопросы и ответы:
1. Вы являетесь производителем?
Да, мы являемся принтинг и упакованные мешоки производитель, а так же у нас есть собственная фабрика, которая находится в городе Дунгуань, гуандун с тех пор, как 1998.

2. Каков ваш ассортимент?
Полиэтиленовые пакеты, ПП мешки, полиэтиленовые пакеты, ПВХ-пакеты, стоьте вверх мешок из полиуретана с открытыми порами мешки сумки для покупок, в виде буквы т
Полиэтиленовые пакеты, пакеты из пузырчатой пленки, застежки-молнии, пластиковые сумки, полиэтиленовая пленка, термоусадочная пленка и
Сплетенный мешок. Наши продукты используются для упаковки игрушки, garmentsvented полиэтиленовые пакеты, карты, очки, и так далее

3. Какой у вас минимальный размер заказа (МРЗ)?
Как правило, наш минимальный заказ составляет 10000 шт. ~ 20000 шт. Но мы также можем сделать продукты для вас если ваше количество не достигает наше минимальное количество заказа. Что касается у нас есть наш минимальный объем бизнес в одном заказе.

Таким образом, до тех пор, пока вы платите нам минимальный объем бизнеса, даже если ваше количество меньше, чем 10000 шт, мы также можем сделать мешки для вас согласно вашему требованию.

4. Есть ли у вас Товары в наличии для продажи?
Да. На самом деле, у нас есть много видов сумок, если товар есть на складе в продаже.

5. Какое у вас информацию я должен сообщить вам, если я хочу получить полную цитату?
Тип Мешка
Размер
Материал
Толщина
Цвета печати
Кол-во

6. В тех случаях, когда мы создаем наш собственный дизайн художественного произведения, какие форматы доступны для вас?
Популярный формат: документы в форматах AI, JPEG, CDR,PSD

7. Каким образом Вы осуществляете отгрузку товаров?

По морю
Экспресс-почтой. Как EMS, DHL, FedEx, EMS, и т. д.), пожалуйста, сообщите нам.
Воздушным транспортом

Мотылек кукурузный | справочник Пестициды.ru

Сводные данные
Благоприятная t (^оC)	+ 23 + 28
Мин. t развития (^оC)	16
Оптим. влажность воздуха, %	95 – 100
Плодовитость (шт)	10 – 1200
Генераций в год	1 – 2
Яйцо (мм)	0,3 – 0,48
Личинка (мм)	20 – 25
Куколка (мм)	18 – 20
Размах крыльев (мм)	26 – 32
Порог вредоносности	в фазе 6-8 листьев и после взметывания метелок и устанавливается при обнаружении 1-2 гусениц на растение или 18 % растений с кладками яиц

Морфология

Имаго. Бабочка с размахом крыльев 26–32 мм. Передние крылья от буровато-серых до коричневых с двумя широкими светлыми зубчатыми перевязями и темным пятном в передней части. Окраска задних крыльев варьирует от серовато-желтых до охряных с достаточно широкой срединной перевязью.^[1]

Усики нитевидные с ресничками. Лоб круглый. Губные щупики в 2–2,5 раза длиннее диаметра глаз.

[5]

Половой диморфизм. Разнополые особи отличаются строением половых органов. Вторичные половые признаки:

Самец. Голени средних ног тонкие, покрыты мелкими чешуйками с зубчатой вершиной.^[5]

Яйцо. Мутно-кремовое, плоскоовальное. Длина 0,30–0,48 мм.^[1]

Кладка содержит 10–15 и более яиц, налегающих друг на друга черепицеобразно и залитых специальными быстро затвердевающими выделениями, придающими кладке сходство с каплей стеарина.^[4]

Личинка (гусеница). Длина 20–25 мм. Тело серо-желтое с красным оттенком и темной продольной полосой вдоль спины. Голова и щиток темно-бурые.^[1]

Куколка. Длина 18–20 мм. Покровы желто-коричневые с четырьмя шипиками крючковидной формы на кремастере.^[1]

Фенология развития (в сутках)
Превращение	Полное
Яйцо (эмбрион)	3 – 14
Личинка	14 – 60
Куколка	10 – 50

Развитие

Имаго. Лет бабочек первого поколения наблюдается с июня до середины июля.

Второе поколение летает с конца августа до середины сентября. Активны имаго ночью и в сумерки. Днем сидят на растениях с нижней стороны листьев с крышеобразно сложенными крыльями. Для развития половых продуктов бабочкам необходимо дополнительное питание и капельная влага. Недостаток влаги приводит к уменьшению численности вредителя.

Бабочки способны к активным перелетам на расстояние до 2–3 км.^[1]

Период спаривания. Самка откладывают яйца через 3–5 дней после выхода из куколки. За 15–25 дней откладывается 10–1200 штук яиц, в среднем по 25–400 яиц кучками по 5–40, обычно по 10–15 штук на нижней стороне листьев.^[1]

Яйцо. Эмбрион развивается от 3 до 14 дней. Оптимальные условия развития создаются при влажности воздуха 95–100%. Минимальная влажность, при которой возможно развитие вредителя – 70%. Температурные границы развития 18–30 °C.^[4]

Личинка (гусеница) спустя несколько дней после отрождения проникает в черешки, влагалища, соцветия и верхушки стеблей. Позднее личинки расползаются по всему растению, исключая приземные органы, и внедряются внутрь стеблей.

Гусеницы первого возраста заселяют верхнюю и среднюю часть растений. В средних возрастах они сосредотачиваются внутри стеблей, в которых выгрызают полости и ходы с отверстиями. Характерным признаком повреждения является буровая мука, высыпающаяся из прогрызенных отверстий.

В одном стебле можно обнаружить сразу несколько гусениц. Поврежденные стебли нередко наклоняются и обламываются. Гусеницы переходят на неповрежденные растения.

Длительность развития гусениц варьирует в зависимости от климата и погодных условий от 14 дней до 2 месяцев. Температурный оптимум + 23 + 28 °C. Оптимальная относительная влажность – 80%.

Осенью гусеницы пятого возраста сосредотачиваются в нижней части стеблей и остаются зимовать.^[4]

Весной они мигрируют из сухих стеблей в более влажные части растений. Весеннее окукливание наблюдается при переходе среднесуточной температуры через + 15 °C.^[1]

Куколка. Коконы располагаются внутри стеблей. Для нормального окукливания весной требуются осадки или высокая влажность воздуха и температура выше + 16 °C. Куколка развивается в течение 10–25 дней, а при неблагоприятных условиях – до 50 дней.^[4]

Имаго после выхода из куколки необходимо дополнительное питание. Копуляционное поведение сильно зависит от влажности окружающего воздуха.^[4]

Особенности развития

Наиболее благоприятны для развития вида территории со средней температурой июля – августа выше 20°C и количеством осадков 200–300 мм.^[4]

На юге лесной зоны и в северных районах степей годичное развитие протекает только в одном поколении. Эта территория в западной части заселена формами со средним по величине пахучим аппаратом самцов, в восточной части встречаются формы с крупным пахучим аппаратом.

В степной зоне развивается частичное (факультативное) второе поколение. Вред наносится ксерофильной формой без пахучего аппарата и различными переходными формами.

В западной части предгорий Северного Кавказа развивается два полных поколения. Пахучий аппарат у самцов отсутствует, но раса стеблевого мотылька этого региона предъявляет повышенные требования к влагообеспеченности.^[4]

Морфологически близкие виды

По морфологии (внешнему виду) имаго к описанному виду близок Щавелевый мотылек (Ostrinia palustralis). Основные отличия: передние крылья желтые с широкими красноватыми полосами; задние крылья желто-серые с широкой каймой.^[5]

Стеблевой мотылек (Ostrinia nubitalis) характеризуется сложной популяционной структурой. В различных климатических зонах ареала вредителя установлено существование форм, имеющих четкие особенности в строении пахучего аппарата на голенях средних ног самцов. Эти формы могут рассматриваться некоторыми систематиками как самостоятельные виды:

Щетинконогий мотылек (Ostrinia scapulatis) – пахучий аппарат крупный.

Ostrinia narynensis – аппарат средних размеров.

Ostrinia persica – пахучий аппарат отсутствует.

Генетической преграды между данными видами не существует, распространение разбросанное. Географическое распределение данных формзависит от количества осадков во время копуляционного периода у бабочек первого (перезимовавшего) поколения.^[4]

Географическое распространение

Мотылек стеблевой распространен в европейской части России на севере до 60 ° с.ш., на Северном Кавказе, юге Западной Сибири, в Балтии, Беларуси, Украине, Молдавии, Закавказье, Казахстане, в горах и оазисах Средней Азии. Ареал вредителя охватывает Европу (на север до Южной Финляндии), Северную Африку, Ближний Восток, Иран, Афганистан, Северную Америку.^[4]

Вредоносность

Мотылек стеблевой – широкий полифаг. Список кормовых растений насчитывает 250 видов. Предпочитает кукурузу, на которой повреждает стебли, листья и початки.

На юге лесной зоны вредитель сосредотачивается на конопле и хмеле. В степной зоне – на кукурузе и просе, реже на двудольных растениях. В западной части предгорий Северного Кавказа наблюдается большое разнообразие повреждаемых растений.

Кроме того, мотылек стеблевой успешно развивается на овощных, бобовых, злаковых, овощных, технических, масличных и многих других культурах.^[4]

Экономический порог вредоносности стеблевого (кукурузного) мотылька на посевах кукурузы определяется в фазе 6–8 листьев и после взметывания метелок и устанавливается при обнаружении 1–2 гусениц на растение или 18 % растений с кладками яиц.^[6]

Пестициды

Химические пестициды:

Опрыскивание в процессе вегетации:

Инсектицид широкого спектра действия:

Биологические пестициды:

Опрыскивание в процессе вегетации:^[3]

Меры борьбы

Агротехнические меры борьбы

Уничтожение крупностебельных сорняков.
Глубокая зяблевая вспашка полей.^[1]

Химические меры борьбы

Своевременная обработка инсектицидами класса пиретроидов, фосфорорганических соединений.^[2]

Биологические меры борьбы

Своевременная обработка биологическими пестицидами.^[2]

Кроме того, при написании статьи использовалась следующие источники:^[7]

Как правильно выбрать аппарат для приготовления попкорна, чтобы не ошибиться?

Воздушная кукуруза сегодня стала одним из главных атрибутов просмотра кино, но также является и прекрасным угощением для большой компании. Готовится попкорн достаточно быстро и сразу в больших количествах, особенно, если будет использоваться специальное оборудование. Подбирая аппарат для приготовления попкорна нужно учитывать несколько важных критериев, от которых зависит его работа.

Принцип действия устройства

Практически не изменился механизм работы попкорницы с того времени, как она была впервые изобретена в 1885-ом году. Первый прибор был паровым, современные модели работают за счет электричества.

Принцип действия прибора достаточно простой:

Внутрь наливается небольшое количество масла, насыпаются кукурузные зерна.
Добавляются дополнительные ингредиенты – сахар либо соль, различные ароматические добавки и антипригарный агент.
Разогревается устройство до 200-400 градусов (данный показатель зависит от конкретной модели и может иметь значительные различия).
Лопается зерно под воздействием горячего пара.

Есть модели, конструкция которых позволяет готовому продукту пересыпаться в отдельную емкость. Встречаются и такие виды, где воздушная кукуруза, после полного приготовления, остается в отсеке, куда первоначально были засыпаны зерна.

Конструкция прибора

Попкорница, в зависимости от конкретной модели, может отличаться комплектацией. В большинстве случаев это машинка небольшого размера, идеально подходящая для домашнего использования.

Представляет собой прибор вращающуюся платформу, оборудованную защитной крышкой. Она бывает полностью прозрачной, что позволяет постоянно наблюдать за процессом приготовления и быстро определить степень готовности лакомства. В данных моделях готовый продукт будет оставаться в чаше, в которую насыпались зерна.

Сегодня есть достаточно много различных типов аппаратов. Для домашнего использования выбираются компактные модели, которые легко разместить даже на небольшой кухне. Внешне они похожи на кастрюлю или напоминают пароварку.

Но наибольшей популярностью пользуются модели, выполненные в ретро стиле. У них цельный корпус, внутри находится котел. В таких машинках после приготовления попкорн вываливается в отдельную чашу. Это дает возможность наслаждаться угощением и не ждать, пока полностью лопнут все засыпанные внутрь зерна.

Есть и другой вид – крупногабаритные промышленные машины. Такие варианты похожи на полноценные духовые шкафы и не имеют никакого интересного дополнительного декора. К тому же они занимают много места, поэтому совершенно не подходят для домашнего использования.

Критерии выбора

Подбирая аппарат для приготовления попкорна, необходимо обращать внимание на следующие параметры:

Габариты. Обязательно учитываются собственные потребности. Не лучшим вариантом будет сразу приобретать крупногабаритную напольную модель, которая занимает много места. Если готовиться воздушная кукуруза будет крайне редко и в небольших количествах, вполне достаточно подобрать компактный прибор.
Производительность. Этот параметр зависит от размеров аппарата. В продаже сегодня представлены как миниатюрные машины, так и настоящие гиганты, рассчитанные на промышленное производство. Попкорница размером 20х20х20 см в час готовит около 1 кг лакомства. Устройства, габариты которых около 50х50х80 см – за это же время производят более 6 кг продукта.
Функциональность. Практически все устройства имеют примерно одинаковую функциональность – готовят не только сладкую, но и соленую воздушную кукурузу. Есть варианты, в которых не обязательно использовать масло.
Дизайн. Внешний вид устройств может иметь значительные отличия. Подбирать конкретный вариант нужно с учетом собственных предпочтений и пожеланий. Есть небольшие приборы, внешне похожие на кастрюлю или оригинальные изделия, выполненные в форме футбольного мяча и т.д.

Обязательно нужно учитывать гарантию от производителя. Сегодня можно найти компактные бюджетные изделия, но есть большая вероятность, что прослужат они не очень долго. Желательно останавливать выбор на варианте, на который производитель дает гарантию от 1 года и до 5 лет. Такие изделия более надежные и характеризуются длительным сроком службы.

Статья создана по материалам маркетплейса Сатом.ру.

Выяснилось, как утилизируют севший в кукурузное поле аэробус

+ A —

Легенда станет мусором

Самолет, который стал легендой и при определенных обстоятельствах мог бы перевоплотиться в музейный экспонат, скоро исчезнет не только с радаров, но и с лица Земли. Знаменитый А321, пропахавший кукурузное поле в 2019 году, уже фактически приказал долго жить. Расследование авиакатастрофы заканчивается, поэтому «груда металлолома» будет утилизирована.

Для кого-то это списанное имущество, для кого-то — боевая в прошлом машина, а для кого-то — уже практически сакральный объект: первый в России самолет, совершивший более чем жесткую посадку, после которой никто из пассажиров и экипажа не расстался с жизнью. 233 человека остались целыми и невредимыми. И тем не менее дни крылатой машины сочтены.

Как рассказал генеральный директор «Уральских авиалиний» Сергей Скуратов, со дня на день будут подписаны документы о завершении расследования. После этого Следственный комитет даст разрешение на утилизацию пассажирского самолета. «Он сейчас никому не нужен. Стоит на специализированной площадке в аэропорту Жуковского», — уточнил Скуратов.

Все, что можно было в нем изучить и проверить, следственными органами уже изучено и проверено. И все же немного жаль, что аэробус, вошедший в историю, сгинет среди металлолома и позже станет частью креплений какого-нибудь панельного дома. Возможно ли было его куда-нибудь пристроить? На сегодняшний день в одном только столичном регионе десяток музеев под открытым небом, где демонстрируются летательные аппараты. Вот только А321 не вписывается в их ряды. Он, во-первых, слишком современный, во-вторых, не отечественный, а в-третьих, уже с подпорченным «фасадом», его не только покорежила посадка, но и распиливали вдоль и поперек во время расследования.

— Европейские лайнеры гражданской авиации этой серии — главные конкуренты популярных американских среднемагистральных «Боингов», — рассказывает авиамеханик Сергей Волков. — В них впервые были использованы некоторые инновационные методики — цифровые экраны контроля за бортовыми системами, управление ручкой-джойстиком, а не штурвалом и так далее. В теории его можно было бы отдать на изучение в Университет гражданской авиации или любое авиационное училище.

Однако в «Уральских авиалиниях» считают это нецелесообразным — будущим пилотам есть на чем учиться. Да и транспортировка железной птицы слишком дорого могла бы обойтись. ЧП в Жуковском и так уже влетело в копейку страховщикам. Выплата по КАСКО составит $46,1 млн.

Поэтому об этом самолете многие причастные хотели бы забыть как о страшном сне. Многие, но не все. Некоторые пассажиры признавались в своих интервью, что с удовольствием еще раз взглянули бы на аэробус, в котором они пережили страх смерти и радость второго рождения. А командир воздушного судна Дамир Юсупов, награжденный звездой Героя России, отзывается о родном лайнере как о друге. Сейчас он летает по всем направлениям на Airbus A319, 320 и 321.

Кстати, в 2022 году начнутся съемки художественного фильма Сарика Андреасяна о происшествии под Жуковским. Сам Дамир выступит консультантом картины. Только вот для этих съемок настоящий А321 опять-таки не понадобится. Ему найдут замену в виде нового лайнера.

Опубликован в газете «Московский комсомолец» №28660 от 8 ноября 2021

Заголовок в газете: Легенда станет мусором

границ | Прогнозирование урожайности кукурузы с помощью машинного обучения

Введение

Сельское хозяйство и связанные с ним отрасли, обеспечивающие 11% общей занятости в США, считаются важным источником экономики США, валовой внутренний продукт (ВВП) США в 2017 г. составил 1,053 триллиона долларов ( Центр экономических исследований Министерства сельского хозяйства США, 2019). Прогнозирование урожайности имеет большое значение, поскольку может дать понимание и информацию для улучшения управления урожаем, экономической торговли, мониторинга производства продуктов питания и глобальной продовольственной безопасности.В прошлом фермеры полагались на свой опыт и прошлые исторические данные для прогнозирования урожайности и принятия важных решений по выращиванию урожая на основе прогнозов. Однако появление в последние годы новых технологий, таких как имитационные модели сельскохозяйственных культур и машинное обучение, а также способность анализировать большие данные с помощью высокопроизводительных вычислений привели к более точным прогнозам урожайности (Drummond et al., 2003; Vincenzi et al. al., 2011; González Sánchez et al., 2014; Jeong et al., 2016; Pantazi et al., 2016; Cai et al., 2017; Члингарян и др., 2018; Крейн-Дреш, 2018; Бассо и Лю, 2019; Shahhosseini et al., 2019c).

Прогнозирование производства сельскохозяйственных культур отличается от прогноза, поскольку оно требует интерпретации будущих наблюдений только с использованием прошлых данных (Griffiths et al., 2010; Johnson, 2014; Brockwell and Davis, 2016; Cai et al., 2017). В предыдущих исследованиях рассматривались все данные для прогнозирования, а следующая задача — рассмотреть частичные данные, поскольку они лучше отражают реальность, если мы собираемся использовать модель прогноза для информирования фермеров и лиц, принимающих решения.Также интересен масштаб прогноза. Тем не менее, мы не знаем, являются ли прогнозы более точными в более мелком (округ) масштабе или масштабе (сельскохозяйственный округ). Предыдущее исследование Сакамото и соавт. (2014) и Peng et al. (2018) предложили лучшую точность прогноза для шкалы курса по сравнению с более мелкой шкалой.

Имитационное моделирование сельскохозяйственных культур имеет разумную точность прогнозирования, но из-за навыков пользователя, требований к калибровке данных, длительного времени выполнения и ограничений хранения данных его не так легко применить, как модели машинного обучения (ML) (Drummond et al., 2003; Puntel et al., 2016; Shahhosseini et al., 2019c). С другой стороны, ML широко применяется для решения различных задач, включая экологическое прогнозное моделирование, из-за его способности иметь дело с линейными и нелинейными отношениями, ненормальными данными и качеством результатов, а также значительно меньшим временем выполнения (De Ат и Фабрициус, 2000).

Как правило, контролируемое обучение подразделяется на задачи регрессии и классификации в зависимости от типа переменных ответа.Многие исследования касались задач регрессии, в которых переменная ответа является непрерывной, с машинным обучением для решения экологической проблемы (James et al., 2013). Эти исследования включают, помимо прочего, прогнозы урожайности (Drummond et al., 2003; Vincenzi et al., 2011; González Sánchez et al., 2014; Jeong et al., 2016; Pantazi et al., 2016; Cai et al. ., 2017; Chlingaryan et al., 2018; Crane-Droesch, 2018; Basso, Liu, 2019; Khaki and Wang, 2019; Shahhosseini et al., 2019c; Emirhüseyinolu, Ryan, 2020; Khaki et al., 2020), качество урожая (Hoogenboom et al., 2004; Karimi et al., 2008; Mutanga et al., 2012; Shekoofa et al., 2014; Qin et al., 2018; Ansarifar and Wang, 2019; Khaki et al. al., 2019; Lawes et al., 2019; Moeinizade et al., 2019), управление водными ресурсами (Mohammadi et al., 2015; Feng et al., 2017; Mehdizadeh et al., 2017), управление почвами (Johann et al. al., 2016; Morellos et al., 2016; Nahvi et al., 2016) и др.

Исследования показывают, что одну модель машинного обучения может превзойти «комитет» отдельных моделей, который называется ансамблем машинного обучения (Zhang and Ma, 2012).Доказано, что ансамблевое обучение эффективно, поскольку оно может уменьшить смещение, дисперсию или и то, и другое, а также способно лучше улавливать основное распределение данных, чтобы делать более точные прогнозы, если базовые учащиеся достаточно разнообразны (Dietterich, 2000; Pham and Olafsson, 2019a; Pham and Olafsson, 2019b; Shahhosseini et al., 2019a; Shahhosseini et al., 2019b). Использование ансамблевого обучения в экологических проблемах становится все более распространенным; например, мешковина и специально случайный лес (Vincenzi et al., 2011; Mutanga et al., 2012; Фукуда и др., 2013; Jeong et al., 2016), бустинг (De’ath, 2007; Heremans et al., 2015; Belayneh et al., 2016; Stas et al., 2016; Sajedi-Hosseini et al., 2018) и суммирование ( Conţiu and Groza, 2016; Cai et al., 2017; Shahhosseini et al., 2019a), являются одними из приложений для ансамблевого обучения в сельском хозяйстве. Несмотря на то, что в области сельского хозяйства были проведены исследования с использованием некоторых ансамблевых методов, насколько нам известно, нет исследования для сравнения эффективности ансамблевого обучения для решения экологических проблем, особенно когда в данных есть временная и пространственная корреляция. .

В этой статье мы разрабатываем алгоритмы машинного обучения для прогнозирования урожайности кукурузы в трех штатах кукурузного пояса США (Иллинойс, Индиана и Айова) с использованием данных с 2000 по 2018 год. Эти три штата вместе производят почти 50% всей кукурузы, произведенной в США. США, экономическая стоимость которых составляет 20 миллиардов долларов в год (NASS, 2019). В 2019 году кукуруза была самой крупной культурой, производимой в Соединенных Штатах (Capehart and Proper, 2019), и с растущим движением в сторону этанола для замены бензина в автомобилях почти необходимо увеличить объем производимой кукурузы.Следовательно, прогноз урожайности кукурузы в важных штатах-производителях кукурузы в США может дать ценную информацию для принятия решений.

Таким образом, мы проектируем несколько ансамблевых моделей ML и ML, используя блокированную последовательную процедуру (Cerqueira et al., 2017; Oliveira et al., 2019), чтобы генерировать прогнозы вне пакета и оценивать их эффективность при прогнозировании урожайности кукурузы. Кроме того, мы исследуем влияние полной или частичной информации о погоде в течение сезона при прогнозировании урожайности. Прогнозы делаются в трех шкалах: на уровне округа, сельскохозяйственного района и штата, а прогнозы на уровне штата сравниваются с прогнозами USDA NASS.Кроме того, предлагается методика расчета частичной зависимости предложенной ансамблевой модели, которая может количественно оценить предельное влияние изменения каждой входной характеристики на прогнозы, сделанные с помощью ансамблевой модели ML. На основе вычисленных частичных зависимостей предлагается мера для расчета важности входных характеристик из модели оптимизированного взвешенного ансамбля, которая ранжирует входные характеристики на основе вариаций в их графиках частичных зависимостей (PDP). Этот анализ может помочь определить приоритетность сбора данных в будущем и проинформировать агрономов для объяснения причин высоких или низких уровней урожайности в некоторые годы.

Остальная часть этого документа организована следующим образом. Данные и методологии описаны в Материалы и методы . Результаты и обсуждение посвящен результатам производительности модели, обсуждениям и потенциальным улучшениям. Наконец, статья завершается выводами Заключение .

Материалы и методы

Разработанные модели машинного обучения нацелены на прогнозирование урожайности кукурузы в трех штатах кукурузного пояса США с набором данных, включающим экологические (почва и погода) и переменные управления для двух различных сценариев; полное знание сезонной погоды, частичное знание сезонной погоды (до 1 августа ^st) и трех шкал; уезд, сельскохозяйственный район и уровень штата.Мы выбрали три основных производственных штата кукурузы в кукурузном поясе США для изучения вопросов нашего исследования, учитывая также вычислительную сложность разработанных ансамблевых моделей.

Входные данные, используемые для управления машинным обучением, были примерно такими же, как те, которые использовались для прогнозирования модели сельскохозяйственных культур (APSIM) в этом регионе (Archontoulis and Licht, 2019). Они были выбраны, потому что все они имеют агрономическое значение для прогнозов урожайности (Archontoulis et al., 2019). Данные содержат несколько параметров почвы с разрешением 5 км (Soil Survey Staff et al., 2019), данные о погоде с разрешением 1 км (Thornton et al., 2012), данные об урожайности в различных масштабах (NASS, 2019) и управленческую информацию на уровне штата (NASS, 2019).

Набор данных

Исторически наблюдаемая урожайность кукурузы на уровне округа была получена от Национальной службы сельскохозяйственной статистики Министерства сельского хозяйства США (NASS, 2019) за 2000–2018 годы. Был разработан набор данных, содержащий наблюдаемую информацию об урожайности кукурузы, управлении (численность растений и дата посадки) и характеристиках окружающей среды (погода и почва).

● Население растений : популяция растений, измеренная в растениях на акр, загружена из USDA NASS

● Прогресс посева (дата посадки) : еженедельный кумулятивный процент посевов кукурузы с течением времени в каждом штате (NASS, 2019)

● Погода : 7 погодных характеристик, агрегированных еженедельно, загруженных из Daymet (Торнтон и др., 2012)

● Ежедневная минимальная температура воздуха в градусах Цельсия.

● Максимальная дневная температура воздуха в градусах Цельсия.

● Ежедневное общее количество осадков в миллиметрах в день

● Коротковолновое излучение в ваттах на квадратный метр

● Давление водяного пара в паскалях

● Эквивалент воды в снеге в килограммах на квадратный метр

● Длина дня в секундах в день

● Почва : В этом исследовании учитывались следующие характеристики почвы: органическое вещество почвы, содержание песка, содержание глины, pH почвы, объемная плотность почвы, точка увядания, полевой урожай, точка насыщения и гидравлическая проводимость.Поскольку эти характеристики меняются по профилю почвы, мы использовали разные значения для разных слоев почвы, в результате чего было получено 180 характеристик для характеристик почвы в выбранных местах, загруженных из Web Soil Survey (Soil Survey Staff et al., 2019)

● Урожайность : Годовые данные об урожайности кукурузы, загруженные из Национальной службы сельскохозяйственной статистики Министерства сельского хозяйства США (NASS, 2019)

Разработанный набор данных состоит из 5342 наблюдений за среднегодовой урожайностью кукурузы в 293 округах трех штатов Кукурузного пояса и 597 исходных данных. упомянутые выше особенности.Причина выбора этих компонентов в качестве пояснительных признаков заключается в том, что факторы, влияющие на урожайность, в основном — это окружающая среда, генотип и менеджмент. Характеристики погоды и почвы были включены в набор данных для учета компонента окружающей среды, а также управления, но поскольку нет общедоступного набора данных о генотипах, влияние генотипа на показатели урожайности не рассматривается. В этом исследовании мы использовали множество входных параметров, которые, вероятно, с меньшей вероятностью будут доступны в других частях мира.В этом случае мы рекомендуем использовать общедоступные почвенные или погодные базы данных с привязкой к сетке, используемые для построения глобальных моделей растениеводства (Rosenzweig et al., 2013; Hengl et al., 2014; Elliott et al., 2015; Han et al., 2019).

Предварительная обработка данных

Задачи предварительной обработки данных были выполнены перед обучением моделей машинного обучения. Во-первых, данные за 2016–2018 гг. Были зарезервированы в качестве тестового подмножества, а оставшиеся данные использовались для построения моделей. Во-вторых, все входные переменные были масштабированы и преобразованы в диапазон от 0 до 1, чтобы величина некоторых функций не вводила в заблуждение модели машинного обучения.В-третьих, были созданы новые функции, которые учитывают годовые тенденции урожайности, и, наконец, был выполнен случайный выбор функций на основе леса, чтобы избежать переобучения при обучении модели.

Построение признаков для годовых тенденций

Рисунки 1A, B показывают тенденцию к увеличению урожайности кукурузы в исследуемых регионах. Эта тенденция обусловлена улучшенной генетикой (сортами), улучшенным управлением и другими технологическими достижениями, такими как сельскохозяйственное оборудование (диапазон увеличения урожайности был от 32 до 189 кг / га / год).Поскольку во входных переменных нет характеристики, которая могла бы объяснить эту наблюдаемую тенденцию, мы решили добавить новые функции к разработанному набору данных, которые могут объяснить тенденцию

Рисунок 1 Тенденции доходности USDA в 2000-2016 гг. 1 (A) урожая кукурузы в год для всех округов. 1 (B) урожая кукурузы в округах Айова.

Температура — один из многих факторов, влияющих на исторический рост урожайности. Другими факторами являются изменения погоды (осадки), увеличение плотности растений, улучшенная генетика, улучшенная технология посадки и улучшения в управлении почвой и урожаем с течением времени.Поскольку недостаточно информации, чтобы разделить вклад каждого фактора с доступными данными, мы просто рассмотрели все эти факторы как один фактор в этом исследовании.

Два измерения были сделаны для учета тенденции доходности.

1) Для наблюдения за трендом урожайности кукурузы была создана новая функция (yield_trend). Для каждого местоположения была построена модель линейной регрессии, поскольку тенденции для каждого сайта, как правило, различаются. Независимые и зависимые переменные этой модели линейной регрессии состояли из года ( YEAR ) и доходности ( Y ), соответственно.i, test = b0i + b1iYEARi, test). Значение тренда ( Ŷ _i ), вычисленное для каждого местоположения ( i ), которое добавляется к набору данных в качестве новой функции, показано в следующем уравнении.

2) Кроме того, была построена еще одна новая переменная (yield_avg), которая определяет средний доход за каждый год для каждого состояния при рассмотрении данных обучения. Процедура нахождения среднего значения доходности каждого состояния ( j ) в качестве значений нового признака математически показана в уравнении (2).

yield_avgj = average (yieldj) (2)

Следует отметить, что соответствующие значения этой характеристики для невидимых тестовых наблюдений рассчитываются следующим образом. Последний учебный год (2015) в каждом штате используется в качестве базового, а среднее приращение средней доходности каждого штата используется как мера увеличения средней доходности в масштабе штата. Следующее уравнение демонстрирует расчет значений вновь созданного объекта для невидимых тестовых наблюдений состояния j (2016–2018 годы).

yieldavgj, t = среднее (yieldj, 2015) [1 + среднее (yieldavgj, n − yieldavgj, n − 1yieldavgj, n − 1)] t − 2015 (3)

, где j показывает каждое состояние, t обозначает тестовый год (2016–2018), а n представляет учебный год, начинающийся с 2001 года.

Трехэтапный выбор характеристик

Как упоминалось ранее, разработанный набор данных имеет небольшое отношение наблюдения к характеристикам (5,342 / 597), что может привести к переобучению обучающих данных из-за их разреженности и большого количества входных переменных, а построенные модели могут плохо обобщаться на невидимые наблюдения.Чтобы решить эту проблему, мы проводим трехэтапную процедуру выбора функций, чтобы выбрать только лучшие входные переменные для включения в нашу модель и уменьшить размеры набора данных. С этой целью сначала был проведен отбор признаков на основе экспертных знаний. Погодные особенности на период после сбора урожая и до посадки были удалены. Кроме того, были удалены данные о совокупном ходе посадки за несколько недель до посадки, поскольку они не содержали никакой информации. Это уменьшило количество независимых переменных с 597 до 383.На втором этапе была проведена процедура выбора признака важности перестановки на основе алгоритма обучения случайного леса. В частности, 80 наиболее важных входных характеристик, ранжированных по важности перестановки случайной модели леса, построенной на обучающем наборе, были включены в обучающий набор данных. Заключительным этапом выбора функции был выбор функции на основе фильтра на основе значений корреляции Пирсона. В этой процедуре, предполагая линейные отношения между независимыми переменными, признаки, которые были сильно коррелированы (с корреляцией Пирсона выше 0.9), и из каждой пары линейно зависимых признаков в наборе данных остался только один признак. Это может быть оправдано тем фактом, что, когда две характеристики сильно коррелированы, они почти одинаково влияют на переменную ответа; следовательно, один из них избыточен. Этот трехэтапный процесс изображен на Рисунке 2. Следует отметить, что построенные характеристики для годовых тенденций урожайности были сохранены в наборе данных анализа.

Рисунок 2 Трехэтапный выбор функции, выполняемый для выбора независимых переменных с наиболее полезной информацией.Количество функций было уменьшено с 597 до 72.

Настройка гиперпараметров и выбор модели

Перекрестная проверка методом обхода вперед

Оптимизация гиперпараметров моделей машинного обучения может повысить точность прогнозирования и обобщаемость обученных моделей. Традиционно k-кратная перекрестная проверка используется для поиска лучших значений гиперпараметров с использованием только обучающих данных. Однако предположение о том, что данные являются независимыми и одинаково распределенными (IID), не выполняется для наборов данных временных рядов, и игнорирование этого предположения приведет к схеме перекрестной проверки, которая плохо имитирует тестовое распределение (Bergmeir et al., 2018). Хайндман и Атанасопулос (2018) представили процедуру прямой перекрестной проверки для анализа временных рядов. В этом методе определяется набор наборов проверки, каждый из которых состоит из данных за один момент времени. Обучающий набор состоит из всех моментов времени, которые произошли перед каждым проверочным наблюдением. Поэтому будущие наблюдения не используются в прогнозировании. Следовательно, чтобы оптимизировать значения гиперпараметров моделей машинного обучения и выбрать лучшие модели только с использованием обучающего набора, используется вариант перекрестной проверки с прямым ходом, представленный в Hyndman and Athanasopoulos (2018), где обучающая часть каждой складки предполагается, что они имеют одинаковый размер.Это предположение было сделано с целью сократить время вычислений после наблюдения за результатами прогноза при использовании процедуры перекрестной проверки, предложенной Хайндманом и Атанасопулосом (2018). В каждом случае размер обучающего набора предполагается равным 8 годам, а следующий год считается набором для проверки.

Байесовский поиск

Предполагая неизвестное базовое распределение, байесовская оптимизация намеревается аппроксимировать неизвестную функцию с помощью суррогатных моделей, таких как гауссовский процесс.Байесовская оптимизация в основном отличается от других методов поиска тем, что включает предварительное представление о базовой функции и обновляет ее новыми наблюдениями. Это различие делает байесовский поиск для настройки гиперпараметров быстрее, чем исчерпывающий поиск по сетке, при этом находит лучшее решение по сравнению со случайным поиском. Байесовская оптимизация собирает экземпляры с наибольшим объемом информации на каждой итерации, соблюдая баланс между исследованием (изучением неопределенных гиперпараметров) и эксплуатацией (сбором наблюдений по гиперпараметрам, близким к оптимуму) (Snoek et al., 2012). Таким образом, байесовский поиск был выбран в качестве метода поиска с настройкой гиперпараметров в рамках процедуры перекрестной проверки вперед. Байесовская оптимизация проводится с целью минимизации среднеквадратичной ошибки обучения (MSE) в пространстве поиска, состоящем из значений гиперпараметров, и с использованием древовидного подхода оценки Parzen (TPE), который использует правило Байеса для построения суррогатной модели (Bergstra et al. , 2011).

Анализируемые модели

Хорошо работающие ансамблевые модели требуют, чтобы базовые учащиеся демонстрировали определенный элемент «разнообразия» в своих прогнозах наряду с сохранением хорошей производительности индивидуально (Brown, 2017).Поэтому был выбран и обучен набор различных моделей, включая линейную регрессию, регрессию LASSO, экстремальное усиление градиента (XGBoost), LightGBM и случайный лес. Случайный лес использует ансамбли полностью выросших деревьев и, следовательно, имеет более низкую систематическую ошибку и более высокую дисперсию. Иными словами, повышение градиента итеративно строится на слабых учениках, которые, как правило, находятся на противоположном конце компромисса смещения / дисперсии. Линейная регрессия также добавляется в качестве эталона, а регрессия LASSO включена благодаря внутреннему выбору функций.Кроме того, было построено несколько моделей двухуровневого суммирования ансамбля, а также ансамбль среднего и экспоненциально взвешенного среднего (EWA), которые оценивались на тестовых невидимых наблюдениях. Кроме того, была предложена оптимизированная модель взвешенного ансамбля, которая учитывает как смещение, так и дисперсию прогнозов, которая может использовать прогнозирование вне пакета для поиска оптимальных весов при создании оптимальных взвешенных ансамблей. Упомянутые модели могут иметь дело с функциями, которые имеют линейную или нелинейную корреляцию с переменной отклика.

Линейная регрессия

Предполагая линейную связь между предикторами и переменной ответа, нормальное распределение остатков (нормальность), отсутствие корреляции между предикторами (отсутствие мультиколлинеарности) и аналогичную дисперсию ошибки между предикторами (гомоскедастичность), предсказывает линейную регрессию. количественный ответ, основанный на нескольких переменных-предикторах. Модель множественной линейной регрессии имеет следующий вид (James et al., 2013).

Y = β0 + β1X1 + β2X2 +… + βpXp + ϵ (4)

, в котором Y — переменная отклика, X _j — независимые переменные, β _j — коэффициенты и ϵ — член ошибки.pXip) 2 (5)

, где ŷ _i — прогноз для y _i .

Регрессия LASSO

Оператор наименьшего абсолютного сжатия и выбора (LASSO) — это метод регуляризации, который позволяет исключить некоторые переменные, установив их коэффициент равным нулю (James et al., 2013). Штрафной член (| β _i |) добавляется к модели линейной регрессии в LASSO, которая может уменьшать коэффициенты до нуля (регуляризация L1).i) 2 + λΣj = 1p | βj | (6)

, где λ — параметр усадки, который необходимо определить перед выполнением задачи обучения.

XGBoost и LightGBM

Повышение градиента, метод ансамбля на основе дерева, делает прогнозы путем последовательного комбинирования моделей слабого прогнозирования. Другими словами, повышение градиента предсказывает, извлекая уроки из ошибок, сделанных предыдущими предсказателями. В этом исследовании мы использовали две относительно новые и быстрые реализации повышения градиента: XGBoost и LightGBM.XGBoost, предложенный в 2016 году, способен обрабатывать разреженные данные и использует алгоритм аппроксимации, взвешенный квантильный набросок, для определения разбиений и ускорения процесса обучения (Chen and Guestrin, 2016). LightGBM от Microsoft, опубликованный в 2017 году, представил две идеи по повышению производительности и сокращению времени вычислений. Во-первых, односторонняя выборка на основе градиента помогает выбрать наиболее информативные наблюдения. Во-вторых, Exclusive Feature Bundling (EFB) использует преимущества разреженности данных и объединяет аналогичные входные функции (Ke et al., 2017).

Случайный лес

Агрегирование начальной загрузки (Bagging) — это еще одна основанная на дереве модель ансамбля, которая пытается уменьшить дисперсию прогнозов и, следовательно, увеличивает обобщаемость модели путем создания нескольких деревьев из обучающих данных с использованием выборки с заменой (Breiman, 1996) . Случайный лес — это особый случай ансамбля пакетов, в котором каждое дерево зависит от случайного значения, количества предикторов, выбранных в качестве кандидатов на разбиение на каждой итерации. (Брейман, 2001).Это делает случайный лес лучше, чем мешкование, поскольку случайный лес декоррелирует деревья. Кроме того, случайный лес использует наблюдения, не включенные в самонастраиваемую выборку (нестандартные наблюдения), для вычисления частоты ошибок (Cutler et al., 2007).

Стекированное обобщение

Стекированное обобщение направлено на минимизацию ошибки обобщения некоторых моделей машинного обучения путем выполнения как минимум еще одного уровня обучающей задачи с использованием выходных данных базовых моделей машинного обучения в качестве входных данных и фактических значений отклика некоторой части набора данных ( данные обучения) в качестве выходных данных (Wolpert, 1992).Обобщение с накоплением предполагает, что данные являются IID, и выполняет перекрестную проверку k крат для генерации прогнозов вне пакета для набора проверки для каждой кратности. В совокупности предсказания k out-of-bag создают новый обучающий набор для обучающей задачи второго уровня с тем же размером исходного обучающего набора (Cai et al., 2017). Однако здесь предположение IID данных не выполняется, и мы не можем использовать перекрестную проверку k раз для генерации прогнозов вне пакета.Чтобы обойти эту проблему, была использована заблокированная последовательная процедура (Cerqueira et al., 2017; Oliveira et al., 2019) для генерации входных данных сложного метода обобщения только с использованием прошлых данных (см. Рисунок 3).

Рисунок 3 Создание прогнозов «вне сумки» с заблокированной последовательной процедурой.

Эту процедуру описывают следующие шаги:

a. Считайте первые 8 лет обучением, а следующий год — набором для валидации.

г. Обучите каждого базового ученика на тренировочных данных и сделайте прогнозы для набора проверки (прогнозы вне сумки).

г. Запишите прогнозы отсутствия из сумки и переместите наборы для обучения и проверки на год вперед.

г. Повторяйте (а) — (с), пока не дойдете до конца исходной обучающей выборки.

Здесь следует отметить, что размер сгенерированной матрицы прогнозов вне пакета меньше, чем размер исходного обучающего набора, поскольку он не включает данные за первые 8 лет в наборы проверки.

В качестве модели прогнозирования второго уровня были выбраны четыре модели машинного обучения, в результате чего были получены четыре модели обобщения с накоплением:

1.Сложенная регрессия: линейная регрессия как модель второго уровня

2. Сложенная регрессия LASSO: регрессия LASSO как модель второго уровня

3. Сложенный случайный лес: случайный лес как модель второго уровня

4. Сложенный LightGBM: LightGBM как второй модель уровня

Предлагаемый оптимизированный взвешенный ансамбль

Оптимизированный взвешенный ансамбль может быть создан с помощью модели оптимизации. Из-за компромисса между смещением и дисперсией прогноза оптимизированный ансамбль должен иметь возможность прогнозировать с наименьшими возможными смещениями и дисперсией. ij) 2s.t.Σj = 1kwj = 1wj≥0, ∀j = 1,…, k. (8)

где w _j — веса, соответствующие базовой модели j ( j = l,…, k ), n — общее количество экземпляров ( n меньше, чем количество исходных наблюдений обучающего набора, потому что первые 8 лет обучающих данных никогда не были включены в набор проверки), y _i — истинное значение наблюдения i , а ŷ _ij — прогноз наблюдения i по базовой модели j .Поскольку другие модели ансамблевого обучения, такие как наложение, строго требуют, чтобы данные были IID, и что предлагаемая модель не имеет такого требования, мы ожидаем, что эта модель превзойдет ансамбли наложения, а также базовые модели.

Средний ансамбль

Средний ансамбль — это средневзвешенное значение прогнозов «вне сумки», сделанных базовыми учащимися, когда все они имеют одинаковый вес ( w _j = 1/ k ). Когда базовые модели машинного обучения достаточно разнообразны, средний ансамбль может работать лучше, чем каждый из базовых учеников (Brown, 2017).

Экспоненциально взвешенный средний ансамбль (EWA)

Экспоненциально взвешенный средний ансамбль отличается от других методов создания ансамбля, поскольку он не требует прогнозов вне пакета, а требует ошибок вне пакета. Фактически, веса для каждой модели можно вычислить, используя ее прошлые результаты. В этом случае мы находим ошибку предсказания «вне сумки», сделанную каждым базовым учеником ML, и вычисляем их соответствующие веса следующим образом (Cesa-Bianchi and Lugosi, 2006).i) 2n (10)

, где y _i обозначает фактические значения, ŷ _i — прогнозы, а n обозначает количество точек данных.

Относительная среднеквадратичная ошибка (RRMSE)

Относительная среднеквадратическая ошибка (или нормализованная среднеквадратичная ошибка) — это RMSE, нормализованная средним из фактических значений и часто выражаемая в процентах. Предпочтительны более низкие значения RRMSE.

Средняя ошибка смещения (MBE)

Средняя ошибка смещения (MBE) — это мера для описания среднего смещения в прогнозе.

Средняя точность по направлению (MDA)

Средняя точность по направлению (MDA) обеспечивает метрику для определения вероятности того, что модель прогнозирования может определить правильное направление временных рядов (Cicarelli, 1982; Schnader and Stekler, 1990). В то время как другие показатели, такие как RMSE, RRMSE и MBE, имеют решающее значение для оценки эффективности прогноза, направленное движение прогноза важно для понимания захвата тенденции. Этот показатель обычно используется в экономических и макроэкономических исследованиях.t − yt − 1) n (13)

, где y _t и ŷ _t — фактические значения и прогноз на момент времени t , 1 — индикаторная функция, а sign (· ) обозначает знаковую функцию.

Результаты и обсуждение

После представления численных результатов разработанных моделей прогнозирования ML и сравнения их с литературой, в этом разделе обсуждается влияние сезонной информации о погоде на качество прогнозов путем сравнения точности прогнозов разработанных моделей ансамбля на различные подмножества сезонной информации о погоде.Кроме того, мы предлагаем подход для расчета частичной зависимости входных характеристик от прогнозов, сделанных оптимизированной взвешенной ансамблевой моделью, и интерпретации последующих графиков частичной зависимости. Более того, разработан и реализован метод вычисления важности входных характеристик на основе частичной зависимости для поиска наиболее влиятельных независимых переменных для оптимизированного взвешенного ансамбля.

Численные результаты

Разработанные модели машинного обучения оценивались по двум различным сценариям: полное знание сезонной погоды и частичное знание сезонной погоды (обсуждается в Частичное знание сезонной информации о погоде ).Кроме того, результаты были агрегированы в различных масштабах на уровне округа, сельскохозяйственного района и штата. Модели работают на компьютере, оснащенном процессором Intel E5-2640 v3 с тактовой частотой 2,6 ГГц и 128 ГБ оперативной памяти (время вычислений см. В таблице 1).

Таблица 1 Время обучения и прогнозирования разработанных моделей машинного обучения.

Таблица 2 суммирует производительность моделей ML с учетом полных данных о погоде в сезон в масштабе округа.

Таблица 2 Сводная информация о производительности разработанных моделей на уровне округа.

Как показано в таблице 2, исходя из базовых моделей машинного обучения, случайный лес дает наименьшую ошибку прогнозирования на основе индексов RMSE и RRMSE. Результаты MBE показывают, что линейная регрессия и регрессия LASSO — единственные модели прогнозирования, которые переоценивают истинные значения, а другие модели ML недооценивают урожайность. Кроме того, предсказания случайного леса не так предвзяты, как другие базовые обучающиеся, основанные на значениях MBE.

Ансамблевые модели обеспечивают лучшую производительность по сравнению с базовыми учащимися.Предлагаемый оптимизированный взвешенный ансамбль и средний ансамбль являются наиболее точными моделями с RRMSE 9,5%, что улучшает ошибку прогнозирования лучшего базового ученика (случайный лес) примерно на 8%. Сложенный LASSO дает наименее предвзятые прогнозы (MBE 53 кг / га), в то время как другие ансамблевые модели также превзошли базовых учащихся с точки зрения предвзятости (см. Рисунок 4).

Рис. 4 Графики X – Y некоторых разработанных моделей; Оптимизированный взвешенный ансамбль и Средний ансамбль сделали прогнозы ближе к диагональной линии; интенсивность цвета показывает накопление точек данных.

Видно, что взвешенные ансамбли (оптимизированный взвешенный ансамбль, средний ансамбль и экспоненциально взвешенный ансамбль) превосходят базовые обучающиеся и составные ансамбли. Это можно объяснить требованием IID к моделям стекирования. Хотя случайная k-кратная перекрестная проверка была заменена блокированной последовательной процедурой для генерации прогнозов вне пакета, похоже, что составные ансамблевые модели не будут работать так же хорошо, как взвешенные ансамблевые модели для наборов данных, не относящихся к IID. Что касается средней направленной точности (MDA) 2018 года на основе 2017 года, накопленная регрессия предсказала правильное направление урожайности кукурузы в 60% случаев, в то время как прогнозы оптимизированной взвешенной ансамблевой модели верны в 57% случаев.

Оценка эффективности разработанных моделей машинного обучения при прогнозировании тестовых наблюдений за разные годы предполагает, что модели взвешенного ансамбля более точны, чем другие модели для 2016–2018 годов (см. Рисунок 5). Более того, почти все модели предсказывали данные за 2017 год с наименьшей ошибкой, а данные за 2016 год — с наибольшей ошибкой предсказания. Рисунок 5 дополнительно доказывает, что взвешенные ансамбли могут лучше использовать разнообразие базовых учащихся, чем составные ансамбли.

Рис. 5 Эффективность моделей машинного обучения при прогнозировании тестовых наблюдений в разные годы.

Производительность предлагаемой нами оптимизированной модели взвешенного ансамбля также сравнивается с моделями, разработанными в аналогичных исследованиях, в которых пытались использовать машинное обучение для прогнозирования урожайности кукурузы в США. Jeong et al. (2016) смогли предсказать урожай кукурузы в США с 30-летними данными, используя случайный лес с прогнозируемой среднеквадратичной среднеквадратичной среднеквадратичной среднеквадратической среднеквадратической среднеквадратичной ошибки 16,7%; в то время как Crane-Droesch (2018) может достичь ошибки прогноза USDA кукурузы вне пакета, равной 13.4% использовали полупараметрическую нейронную сеть с набором данных, состоящим из информации за 1979–2016 годы. Kim et al. (2019) разработали модель, которая предсказывала образцы вне пакета для перекрестной проверки с RRMSE 7,9% (таблица 3). Следует отметить, что из-за не-IID-природы наборов данных прогнозирования урожайности не совсем уместно демонстрировать нестандартные ошибки перекрестной проверки в качестве оценок истинной ошибки. Представленная ошибка нашей модели получена в результате тестирования разработанной модели на невидимых наблюдениях будущих лет.

Таблица 3 Сравнение ошибки прогноза предложенной модели (оптимизированный взвешенный ансамбль) с литературой. Значения ошибок некоторых исследований были переведены из разных единиц в кг / га, чтобы получить одну и ту же единицу.

Основываясь на результатах, цель анализа может сделать одну или несколько моделей более выгодными по сравнению с другими. Например, если целью является прогноз урожайности кукурузы с наименьшей ошибкой прогноза, следует выбирать модели взвешенного ансамбля; тогда как в случае, если целью является определение правильного направления прогноза, можно выбрать суммированную регрессию LASSO.Однако общие характеристики взвешенных ансамблевых моделей с наименьшей ошибкой предсказания и приемлемым смещением и довольно высокой вероятностью определения правильного направления прогноза лучше, чем у других моделей.

Таблица 4 суммирует эффективность разработанных моделей при агрегировании прогнозов на уровне сельскохозяйственных районов и штатов. Общая убранная площадь использовалась в качестве меры для расчета средневзвешенной урожайности на уровне округа для получения урожайности кукурузы на уровне сельскохозяйственных районов и штата.Результаты соответствуют прогнозам на уровне округа и оптимизированным взвешенным ансамблям и средним ансамблям, а также суммированным LightGBM, опережающим базовых учащихся и других ансамблевых моделей с точки зрения ошибки прогнозирования (RRMSE). Результаты средней направленной точности немного отличаются от анализа на уровне округа, и причина, по-видимому, в меньшем количестве точек данных. Линейная регрессия и LASSO, по-видимому, являются единственными базовыми обучающимися, которые переоценивают урожайность и имеют более высокую вероятность предсказания в правильном направлении прогноза.

Таблица 4 Сводная информация о производительности модели на уровне штата и сельскохозяйственного района.

Частичное знание информации о погоде в сезон 1

^улица, 1 июля ^улица, 1 августа ^улица, 1 сентября ^улица и 1 октября ^улица.Настройка гиперпараметров и выбор модели выполнялись отдельно при рассмотрении каждого сценария. На рисунке 6 показано RRMSE ансамблевых прогнозов при наличии частичной сезонной информации о погоде. Как видно из рисунка, хотя прогнозы становятся более точными с появлением более свежих данных о погоде, приличные прогнозы могут быть сделаны на основе взвешенных ансамблевых моделей уже 1 июня, ^,. Это очень важный результат, потому что рыночная цена кукурузы в этот период обычно высока (из-за неопределенности погоды), и поэтому знание урожайности может быть очень ценным.Кроме того, рисунок 6 дополнительно подтверждает, что модели взвешенного ансамбля работают лучше, чем суммирование ансамблей, даже с учетом всех частичных сценариев погоды.

Рисунок 6 Оценка ансамблей машинного обучения при наличии частичных сезонных знаний о погоде. Ось X показывает информацию о погоде в сезон с момента посадки до июня, июля, августа, сентября или октября.

Графики частичной зависимости оптимизированного взвешенного ансамбля

В литературе есть обширные исследования (Dietterich, 2000; Shahhosseini et al., 2019a; Shahhosseini et al., 2019b), демонстрирующий превосходство более сложных моделей машинного обучения, таких как модели ансамбля и нейронных сетей. Однако этим моделям «черного ящика» не хватает интерпретируемости более простых моделей, и сделать из них выводы труднее. Фридман (2001) представил графики частичной зависимости (PDP), чтобы объяснить зависимость различных входных характеристик от прогнозов, сделанных в процессе обучения с учителем. PDP отображает влияние изменения конкретной входной характеристики на ее предельное распределение на прогнозируемые значения.km (16)

Следовательно, графики частичной зависимости (PDP) входных характеристик были подготовлены после расчета оценок частичной зависимости предложенной модели ансамбля (см. рисунок 7). Как предполагают PDP, увеличение некоторых погодных характеристик, таких как давление водяного пара (22-я неделя) и количество осадков (21-я и 41-я недели), приведет к прогнозированию более низких урожаев кукурузы с помощью оптимизированной модели взвешенного ансамбля. С другой стороны, более высокая минимальная температура на 19 900 29 9 9 30 30 неделе года и более высокая коротковолновая радиация (29 неделя) приводят к более высоким прогнозируемым урожаям.Наконец, более ранний прогресс посадки до 19 ^{-й 9 930 недели года (более высокий совокупный прогресс посадки в процентах) приведет к более низким прогнозам, в то время как прогнозы почти безразличны к изменениям наиболее важных свойств почвы. Интересна «неделя», когда особенность оказывает сильное влияние на урожайность. Характеристики построенной модели (, например, минимальная температура ) наиболее чувствительны в разные периоды времени, а некоторые периоды — до посева культур.Это говорит о том, что условия перед посадкой важны для точных прогнозов урожайности, и оправдывает наш подход к использованию погодных данных перед посадкой.}

Рис. 7 Графики частичной зависимости (PDP) предложенного ансамбля оптимизированных средневзвешенных значений для некоторых влиятельных входных функций управления и среды.

Особенность Важность

Понимание данных — одна из целей построения моделей машинного обучения. Многие модели, такие как дерево решений, случайный лес и повышение градиента, имеют естественные способы количественной оценки важности входных функций.Однако интерпретировать функции для более сложных моделей, таких как ансамбли и модели глубокой нейронной сети, сложнее, что делает эти модели черным ящиком. Здесь представлен подход к оценке относительного влияния каждой входной функции для этих моделей черного ящика, особенно для ансамблевых моделей. Этот метод основан на частичной зависимости входных функций. По сути, из PDP можно вывести, что входные функции, которые имеют большую вариативность в PDP, имеют большее влияние на окончательные прогнозы, сделанные с помощью модели машинного обучения (Greenwell et al. i (xij), вычисленной ранее в уравнении (16), мы можем определить важность функций следующим образом.i (xij)] 2 (17)

В таблице 5 представлены результаты важности характеристик для 20 основных входных переменных, найденных с помощью оптимизированной модели взвешенного ансамбля. Основываясь на предложенном методе важности признаков, построенные признаки для захвата тренда доходности, а именно yield_trend и yield_avg, являются наиболее важными функциями. Все другие характеристики из 20 основных входных переменных включали погодные параметры вместе с совокупным прогрессом посева до 19 ^{-й 9 030 недели в году. Кроме того, похоже, что погода в период с 18 по 24 недели (1 мая, ^,, 1 июня, ^,) имеет большее значение по сравнению с погодой в другие периоды года.}

Таблица 5 Важность функции из оптимизированного взвешенного ансамбля: 20 основных входных функций.

Разработанную здесь структуру можно распространить на другие штаты США. Кроме того, можно добавить больше входных функций, таких как прогнозируемые данные о погоде и внесение азотных удобрений по округам, что может привести к еще более высокой точности прогнозов. Это то, что нужно изучить в будущем, наряду с процедурами прогнозирования урожайности кукурузы с более широкими характеристиками вводимых ресурсов. Кроме того, разработанные модели машинного обучения могут быть использованы для понимания ключевых факторов, которые определяют межгодовую изменчивость урожайности и, следовательно, для информирования селекционеров и агрономов.

Заключение

Руководствуясь необходимостью прогнозировать урожайность как можно раньше и в разных масштабах, а также сравнивать эффективность ансамблевого обучения для решения экологических проблем, особенно при наличии временных и пространственных корреляций в данных, мы разработали машинное обучение. основанная на системе основа для прогнозирования урожайности кукурузы с использованием данных о погоде, почве, численности растений и дате посадки.

Несколько ансамблевых моделей были спроектированы с использованием блокированной последовательной процедуры для генерации прогнозов «вне пакета».Кроме того, была предложена оптимизированная модель взвешенного ансамбля, которая учитывает как смещение, так и дисперсию прогнозов, и использует прогнозы вне пакета для поиска оптимального веса для объединения нескольких базовых учащихся. В прогнозах учитывались два погодных сценария: полное знание сезонной погоды и частичное знание сезонной погоды (информация о погоде до 1 июня ^st, 1 июля ^st, 1 августа ^st, 1 сентября ^st, и 1 октября ^st) и три шкалы: уровни округа, сельскохозяйственного района и штата.Результаты прогнозирования сценария частичной межсезонной погоды продемонстрировали, что достаточные прогнозы урожайности кукурузы могут быть сделаны уже 1 ^st июня. Сравнивая предложенную модель с существующими в литературе моделями, было продемонстрировано, что предложенная оптимизированная ансамблевая модель способна делать улучшенные прогнозы урожайности по сравнению с существующими моделями на основе ML. Кроме того, средневзвешенные ансамбли были лидерами среди всех разработанных моделей машинного обучения, а составные ансамблевые модели не могли работать благоприятно из-за не-IID-природы набора данных.Кроме того, предлагается метод поиска частичной зависимости и, следовательно, важности характеристик оптимизированной взвешенной модели ансамбля, который может найти предельный эффект изменения каждой входной переменной на прогнозы по ансамблю и ранжировать входные характеристики на основе изменчивости их графиков частичной зависимости. (PDP). Предлагаемая здесь процедура нахождения частичной зависимости и важности признаков для оптимизированной взвешенной модели ансамбля может быть легко применена к другим моделям ансамбля.

Это исследование имеет несколько ограничений, которые указывают на направления будущих исследований.Во-первых, было показано, что составные ансамблевые модели страдают от не-IID-природы данных, и заблокированная последовательная процедура не может помочь этим моделям предсказывать лучше, чем базовые обучающиеся. Дальнейшая работа над процедурой перекрестной проверки для создания улучшенных прогнозов вне пределов сумки, которые лучше имитируют тестовые наблюдения, может рассматриваться как направление будущих исследований. Во-вторых, производительность ансамблевого моделирования зависит от разнообразия выбранных базовых моделей машинного обучения, и поиск достаточно разнообразных моделей является проблемой, которую необходимо решить.Следовательно, количественное определение разнообразия базовых моделей с целью выбора более разнообразных моделей для создания более эффективных ансамблей можно рассматривать как рекомендации будущих исследований. Наконец, добавление дополнительных функций ввода, таких как прогнозируемые данные о погоде и вводы азотных удобрений по округам, может улучшить производительность модели. В будущем можно будет провести исследование того, какие дополнительные функции следует собрать, и можно будет провести анализ на основе модели прогнозирования.

Заявление о доступности данных

Необработанные данные, подтверждающие выводы этой статьи, будут предоставлены авторами без излишних оговорок любому квалифицированному исследователю.

Вклад авторов

Ведущий автор — MS. Он провел исследование и написал первый черновик рукописи. GH обеспечивает финансирование этого исследования, наблюдает за исследованием, просматривает и редактирует рукопись. SA предоставляет данные и руководство для исследования. Он также просматривает и редактирует рукопись.

Конфликт интересов

Авторы заявляют, что исследование проводилось в отсутствие каких-либо коммерческих или финансовых отношений, которые могли бы быть истолкованы как потенциальный конфликт интересов.

Благодарности

Работа частично поддержана Национальным научным фондом в рамках программ LEAP HI и GOALI (номер гранта 1830478) и программы EAGER (номер гранта 1842097). Эта работа также была частично поддержана Институтом растениеводства Университета штата Айова.

Сноски

Спектрорадиометр среднего разрешения

Ссылки

Ансарифар, Дж., Ван, Л. (2019). Новые алгоритмы обнаружения мультиэффектов и разнонаправленных эпистатических взаимодействий. Биоинформатика 35 (24), 5078–5085.

PubMed Аннотация | Google Scholar

Archontoulis, S., Licht, M. (2019). Новая функция регионального масштаба добавлена в FACTS (новости блога ICM, Университет штата Айова).

Google Scholar

Архонтулис, С. В., Кастеллано, М. Дж., Лихт, М. А., Николс, В., Баум, М., Хубер, И. и др. (2020). Прогнозирование урожайности сельскохозяйственных культур и динамики азота почвенно-растительного происхождения в кукурузном поясе США. Crop Sci. 60 (2), 721–738.doi: 10.1002 / csc2.20039

CrossRef Полный текст | Google Scholar

Basso, B., Liu, L. (2019). Глава четвертая — Сезонный прогноз урожайности: методы, применения и точность. Adv. Агрон. 154, 201– 255. doi: 10.1016 / bs.agron.2018.11.002

CrossRef Полный текст | Google Scholar

Belayneh, A., Adamowski, J., Khalil, B., Quilty, J. (2016). Связывание методов машинного обучения с вейвлет-преобразованиями, а также подходами бутстрапа и бустинга для прогнозирования засухи. Атмос. Res. 172-173, 37–47. doi: 10.1016 / j.atmosres.2015.12.017

CrossRef Полный текст | Google Scholar

Бергмейр, К., Хиндман, Р. Дж., Ку, Б. (2018). Примечание о достоверности перекрестной проверки для оценки предсказания авторегрессионных временных рядов. Comput. Stat Data Anal. 120, 70–83. doi: 10.1016 / j.csda.2017.11.003

CrossRef Полный текст | Google Scholar

Bergstra, J. S., Bardenet, R., Bengio, Y., Kégl, B. (2011). «Алгоритмы для оптимизации гиперпараметров», в Достижения в системах обработки нейронной информации , 2546–2554.http://papers.nips.cc/.

Google Scholar

Болтон, Д. К., Фридл, М. А. (2013). Прогнозирование урожайности с использованием растительных индексов дистанционного зондирования и показателей фенологии сельскохозяйственных культур. Agric. Для. Meteorol. 173, 74–84. doi: 10.1016 / j.agrformet.2013.01.007

CrossRef Полный текст | Google Scholar

Броквелл, П. Дж., Дэвис, Р. А. (2016). Введение в временные ряды и прогнозирование (Springer).

Google Scholar

Браун, Г.(2017). «Ансамблевое обучение», в Энциклопедия машинного обучения и интеллектуального анализа данных . Ред. Саммут, К., Уэбб, Г. И. (Бостон, Массачусетс: Springer, США), 393–402.

Google Scholar

Цай, Ю., Мур, К., Пеллегрини, А., Эльхаддад, А., Лессель, Дж., Таунсенд, К. и др. (2017). Прогнозы урожайности — статистическая модель высокого разрешения для внутрисезонных прогнозов кукурузы в США. Документ, представленный на осеннем собрании 2017 г. . (Gro Intelligence, Inc.).

Google Scholar

Cerqueira, V., Торго, Л., Пинто, Ф., Соарес, К. (2017). Арбитражный ансамбль для прогнозирования временных рядов (Cham).

Google Scholar

Cesa-Bianchi, N., Lugosi, G. (2006). Предсказание, обучение и игры (Издательство Кембриджского университета).

Google Scholar

Чен, Т., Гестрин, К. (2016). XGBoost: масштабируемая система повышения качества дерева . В материалах 22-й международной конференции acm sigkdd по открытию знаний и интеллектуальному анализу данных (стр.785–794).

Google Scholar

Члингарян, А., Суккари, С., Уилан, Б. (2018). Подходы машинного обучения для прогнозирования урожайности и оценки состояния азота в точном земледелии: обзор. Comput. Электрон. Agric. 151, 61–69. doi: 10.1016 / j.compag.2018.05.012

CrossRef Полный текст | Google Scholar

Cicarelli, J. (1982). Новый метод оценки точности экономических прогнозов. J. Макроэкономика 4 (4), 469–475.doi: 10.1016 / 0164-0704 (82) -9