Работа посвящена сравнительному анализу моделей прогнозирования урожайности сельскохозяйственных культур. Сравнивались многоуровневые тренды и авторегрессионные модели. В качестве исходных данных в работе использованы ряды урожайности различных сельскохозяйственных культур (пшеница, ячмень, овес) по трем муниципальным (Иркутский, Усольский, Черемховский) и одному агроландшафтному (Юго-Восточный лесостепной) районам за 1996-2023 гг. Исходная обработка данных состояла в построении многоуровневых трендов выбранных характеристик. При этом из значений исходного ряда выделены последовательности локальных максимумов и минимумов. В качестве функции тренда использовано логистическое выражение. Выбор функции основан на оценке точности по коэффициенту детерминации R2, значимости уравнений и его коэффициентов по F-критерию Фишера и t-статистике Стьюдента. Кроме этих критериев, дополнительно определено число благоприятных и неблагоприятных событий. После завершения статистической обработки урожайности сельскохозяйственных культур эти характеристики подвергались моделированию с помощью авторегрессионного анализа. Для рядов, обладающих значимым высоким первым коэффициентом автокорреляции (R1>0.70), построены уравнения авторегрессии с оценкой их точности и значимости. Для сравнения результатов, прилученных на основании многоуровневых трендов и авторегрессионных моделей временных рядов, рассчитаны значения ретроспективного прогноза на 2023 год. Расчетные значения сопоставлены с фактическими данными, определены их относительные погрешности. Установлено, что потенциал многоуровневых трендов значительно шире, чем у авторегрессионных зависимостей. Во-первых, можно прогнозировать разные уровни для усредненных, благоприятных и неблагоприятных условий в отличие от авторегрессионных уравнений, позволяющих получать прогностические результаты с упреждением один год. Сравнительные результаты согласно относительной погрешности и ретроспективному прогнозу показали преимущество многоуровневых трендовых моделей. Между тем некоторые ряды не могут быть описаны многоуровневыми трендами, но характеризуются значимыми авторегрессионными уравнениями. Поэтому выбор той или иной модели нужно обосновывать особенностями изменчивости рядов.
Сайт https://scinetwork.ru (далее – сайт) работает по принципу агрегатора – собирает и структурирует информацию из публичных источников в сети Интернет, то есть передает полнотекстовую информацию о товарных знаках в том виде, в котором она содержится в открытом доступе.
Сайт и администрация сайта не используют отображаемые на сайте товарные знаки в коммерческих и рекламных целях, не декларируют своего участия в процессе их государственной регистрации, не заявляют о своих исключительных правах на товарные знаки, а также не гарантируют точность, полноту и достоверность информации.
Все права на товарные знаки принадлежат их законным владельцам!
Сайт носит исключительно информационный характер, и предоставляемые им сведения являются открытыми публичными данными.
Администрация сайта не несет ответственность за какие бы то ни было убытки, возникающие в результате доступа и использования сайта.
Спасибо, понятно.