Вплив агро- і метеофакторів на урожайність соняшника

Анатолій Борисович Кулик, Валентина Лісовська, Ольга Мельник, Надія Щекань
Отримано: 07.11.2025 Доопрацьовано: 02.03.2026 Прийнято: 25.03.2026 Опубліковано: 06.04.2026
Взято з Том 29, № 1, 2026 Сторінки: 66-78
Завантажити статтю Читати статтю

Анотація

Соняшник є однією з провідних олійних культур України, а стабільність його врожайності має важливе економічне та продовольче значення. В умовах посилення кліматичної мінливості актуалізується потреба в кількісному аналізі впливу агротехнічних і метеорологічних факторів на формування врожаю. Метою дослідження була кількісна оцінка ролі агротехнічних і кліматичних чинників у формуванні урожайності соняшника з використанням статистичних методів аналізу. Емпіричну базу дослідження становили дані за 2007-2024 рр., що включали показники урожайності соняшника, рівні внесення мінеральних і органічних добрив, а також метеорологічні характеристики (температура ґрунту у травні, кількість опадів, дефіцит насичення повітря вологою, гідротермічний коефіцієнт Селянінова, швидкість вітру, кількість ясних днів у вегетаційний період). У роботі застосовано описову статистику, критерій Шапіро-Вілка, кореляційний аналіз Пірсона і Спірмена, а також багатофакторну лінійну регресію. Результати дослідження свідчили, що середній рівень урожайності за період становив 25,65 ц/га зі стандартним відхиленням 5,91 ц/га. Найбільш стабільний і статистично значущий вплив на урожайність соняшника мав рівень внесення мінеральних добрив, для якого зафіксовано помірно сильний позитивний зв’язок (r=0,656). Серед метеофакторів найбільш помітний позитивний зв’язок виявлено для швидкості вітру (r=0,512). Перевірка на мультиколінеарність за допомогою коефіцієнта інфляції дисперсії підтвердила коректність моделі, оскільки значення для більшості змінних не перевищували 4, а максимальний показник склав 5,17 для мінеральних добрив. Аналіз підкреслив ключову роль агротехнічного управління, оскільки вплив таких факторів, як гідротермічний коефіцієнт Селянінова (r=0,083) та дефіцит вологи (r=0,092), виявився слабким у межах парного аналізу. Практична цінність результатів полягає у можливості використання розроблених регресійних моделей для прогнозування продуктивності соняшника та оптимізації систем мінерального живлення з метою мінімізації ризиків, зумовлених несприятливими метеорологічними чинниками

Ключові слова

агрометеорологічні показники; гідротермічний коефіцієнт Селянінова; мультиколінеарність; кореляційний аналіз; лінійна регресія; коефіцієнт інфляції дисперсії

  1. Acir, N. (2025). Predicting soil fertility in semi-arid agroecosystems using interpretable machine learning models: A sustainable approach for data-sparse regions. Sustainability, 17(16), article number 7547. doi: 10.3390/su17167547.
  2. Amankulova, K., Farmonov, N., Mukhtorov, U., & Mucsi, L. (2023). Sunflower crop yield prediction by advanced statistical modeling using satellite-derived vegetation indices and crop phenology. Geocarto International, 38(1), article number 2197509. doi: 10.1080/10106049.2023.2197509.
  3. Anton, F.G., Joița-Păcureanu, M., Contescu, L., Cergan, M., Partal, E., & Pintilia, S. (2025). Sunflower production of some genotypes in years 2022, 2023 and 2024, in Romania. Scientific Papers. Series A. Agronomy, 68(1), 246-253.
  4. Baranskyi, D. (2024). Managing sunflower growth in the changing climate and fluctuating moisture levels of the Western forest-steppe. Bulletin of Lviv National Environmental University. Series Agronomy, 28, 57-66. doi: 10.31734/agronomy2024.28.057.
  5. Beteri, J., Lyimo, J.G., & Msinde, J.V. (2024). The influence of climatic and environmental variables on sunflower planting season suitability in Tanzania. Scientific Reports, 14, article number 3906. doi: 10.1038/s41598-023-49581-5.
  6. Chekhova, I.V. (2022). Peculiarities of oilseeds market functioning in Ukraine. Scientific and Technical Bulletin of the Institute of Oilseed Crops NAAS, 32, 154-161. doi: 10.36710/IOC-2022-32-15.
  7. Cvejić, S., Hrnjaković, O., Jocković, M., Kupusinac, A., Doroslovački, K., Gvozdenac, S., Jocić, S., & Miladinović, D. (2023). Oil yield prediction for sunflower hybrid selection using different machine learning algorithms. Scientific Reports, 13, article number 17611. doi: 10.1038/s41598-023-44999-3.
  8. Debaeke, P., Attia, F., Champolivier, L., Dejoux, J.F., Micheneau, A., Al Bitar, A., & Trépos, R. (2023). Forecasting sunflower grain yield using remote sensing data and statistical models. European Journal of Agronomy, 142, article number 126677. doi: 10.1016/j.eja.2022.126677.
  9. Furmanets, M., & Furmanets, Y. (2025). Productivity of sunflower under different tillage and fertilization systems in the Western Forest-Steppe of Ukraine. Agro-Business Today. Retrieved from https://agro-business.com.ua/agro/ahronomiia-sohodni/item/31616-produktyvnist-soniashnyku-za-riznykh-system-obrobitku-gruntu-i-udobrennia-v-zakhidnomu-lisostepu-ukrainy.html.
  10. Georgieva, V., Kazandjiev, V., Georgiev, S., Rashev, S., Valkova, D., Mihova, G., Valchev, D., & Dobreva, V. (2024). Agro-climatic conditions for growing of sunflower in different climatic area in Bulgaria. Scientific Papers. Series A. Agronomy, 67(2), 224-231.
  11. Gürkan, H. (2023). Evaluation of the impacts of climate change on sunflower with aquacrop model. Journal of Tekirdag Agricultural Faculty, 20(4), 933-947. doi: 10.33462/jotaf.1240401.
  12. Hnatiienko, V., & Hnatiienko, H. (2024). Integration of machine learning and deep learning methods for sunflower yield prediction. Management of Development of Complex Systems, 59, 225-234. doi: 10.32347/2412-9933.2024.59.225-234.
  13. Hu, Y., & Yu, J.‑y. (2016). Quantile‑quantile plot compared with stabilized probability plot in figure on the distribution of the test research. American Journal of Applied Mathematics, 4(2), 110-113. doi: 10.11648/j.ajam.20160402.17.
  14. Jabed, M.A., & Murad, M.A.A. (2024). Crop yield prediction in agriculture: A comprehensive review of machine learning and deep learning approaches, with insights for future research and sustainability. Heliyon, 10(24), article number e40836. doi: 10.1016/j.heliyon.2024.e40836.
  15. Joseph, C.O., Kambwily, K., & Emmanuel, S.M. (2025). Effects of planting window on grain yield and oil yield under rainfed sunflower (Helianthus annuus L.) in Kilwa District, Lindi, Tanzania. Discover Agriculture, 3, article number 8. doi: 10.1007/s44279-025-00155-1.
  16. Junk, J., Torres, A., El Jaroudi, M., & Eickermann, M. (2024). Impact of climate change on the phenology of winter oilseed rape (Brassica napus L.). Agriculture, 14(7), article number 1049. doi: 10.3390/agriculture14071049.
  17. Karan, R., Ramkumar, M.O., & Yokesh, M. (2024). Revolutionizing tamilnadu agriculture: AI-powered crop yield forecasting and disease prediction for oil seed crops. In 2024 Ist international conference on cognitive, green and ubiquitous computing (pp. 1-10). Piscataway: IEEE. doi: 10.1109/IC-CGU58078.2024.10530710.
  18. Majumder, S., & Mason, C.M. (2025). Sunflower yield modeling with explainable artificial intelligence: Historical weather impacts across half a century of American production. Agronomy Journal, 117(6), article number e70204. doi: 10.1002/agj2.70204.
  19. Mokgolo, M.J., Zerizghy, M.G., & Mzezewa, J. (2024). Sunflower growth and grain yield under different tillage systems and sources of organic manure on contrasting soil types in Limpopo Province of South Africa. Agronomy, 14(4), article number 857. doi: 10.3390/agronomy14040857.
  20. Nazir, A.A., Rubaiat, E., Saiful, I., & Al Sohan, M.F.A. (2025). Evaluating machine learning models for crop yield prediction. In 2025 international conference on quantum photonics, artificial intelligence, and networking (pp. 1-6). Piscataway: IEEE. doi: 10.1109/QPAIN66474.2025.11171630.
  21. O’Brien, R.M. (2007). A caution regarding rules of thumb for variance inflation factors. Quality & Quantity, 41, 673-690. doi: 10.1007/s11135-006-9018-6.
  22. Partal, E. (2022). Sunflower yield and quality under the influence of sowing date, plant population and the hybrid. Romanian Agricultural Research, 39, 463-470. doi: 10.59665/rar3944.
  23. Qiu, Z. (2022). An elastic net based algorithm for China agriculture GDP prediction. In 2022 international conference on economics, smart finance and contemporary trade (pp. 843-849). Paris: Atlantis Press. doi: 10.2991/978-94-6463-052-7_96.
  24. Seck, N.K.G., Ngom, A., Ngom, P., & Noba, K. (2025). Crop yield forecasting in Senegal: Application of machine learning methods. Discover Agriculture, 3(1), article number 192. doi: 10.1007/s44279-025-00381-7.
  25. Sectoral State Archive of Hydrometeorological Observation Materials of the State Emergency Service of Ukraine. (n.d.). Retrieved from https://cgo-sreznevskyi.kyiv.ua/uk/struktura-fondiv/21-hda-mhs.
  26. Shakalii, S.M., & Kulyk, Ye.I. (2025). Impact of weather and climatic factors on sunflower seed quality. In Current directions and challenges in crop production technologies: Proceedings of the 5th international scientific and practical internet conference (pp. 27-29). Poltava: Poltava State Agrarian University.
  27. Shapiro, S.S., & Wilk, M.B. (1965). An analysis of variance test for normality (complete samples). Biometrika, 52(3-4), 591-611. doi: 10.1093/biomet/52.3-4.591.
  28. Song, Z., Wang, P., Zhang, Z., Yang, S., & Ning, J. (2023). Recognition of sunflower growth period based on deep learning from UAV remote sensing images. Precision Agriculture, 24, 1417-1438. doi: 10.1007/s11119-023-09996-6.
  29. State Statistics Service of Ukraine. (n.d.). Main Department of Statistics in Vinnytsia Region. Retrieved from https://vn.ukrstat.gov.ua/index.php/statistical-information/.
  30. Sydiakina, O.V., & Hamajunova, V.V. (2023). Current state and prospects of sunflower seed production. Taurida Scientific Herald, 131, 196-204. doi: 10.32782/2226-0099.2023.131.25.
  31. Thavareesan, S., Sriranganesan, J., & Nishatharan, T. (2025). Exploring machine learning techniques for accurate crop yield prediction. Annals of Agricultural Science and Technology, 8(1), 1-7.
  32. Vasylkovska, K., Andriienko, O., Malakhovska, V., & Moroz, O. (2022). Analysis of changes in comfortable sunflower growing areas using the example of Ukraine. Helia, 45(77), 175-189. doi: 10.1515/helia-2022-0010.
  33. Zabel, F., Knüttel, M., & Poschlod, B. (2025). CropSuite v1.0 – a comprehensive open-source crop suitability model considering climate variability for climate impact assessment. Geoscientific Model Development, 18(4), 1067-1087. doi: 10.5194/gmd-18-1067-2025.
  34. Zalai, M., Bojtor, C., Nagy, J., Széles, A., Monoki, S., & Illés, Á. (2025). Challenges in precision sunflower cultivation: The impact of the agronomic environment on the quality of precision sowing techniques and yield parameters. AgriEngineering, 7(5), article number 145. doi: 10.3390/agriengineering7050145.
Kulyk, A., Lisovska, V., Melnyk, O., & Shchekan, N. (2026). The influence of agro- and meteorological factors on sunflower yield. Scientific Horizons, 29(1), 66-78. https://doi.org/10.48077/scihor1.2026.66