Purpose. To develop a tobacco variety model with optimal inflorescence traits such as size and shape that will allow to increase seed productivity of the crop.Methods. Statistical and mathematical (correlative, regressive) ones.Results. Basic collection consisting of 282 variety samples registered in the National Genetics Center was evaluated, optimal parameters of inflorescence were defined that can provide a high seed yield. During statistical analysis, correlation matrix was developed with the purpose to highlight traits that correlate with inflorescence productivity. According to the results of correlation analysis, a strong relationship between the width and height of inflorescence (r = 0,773±0,038) was established. Somewhat weaker correlation was observed when modeling regressive relation between inflorescence height and width, where regression showed the medium relationship. Regression equation of these traits is as follows: y = 0,5585x + 8,4649. Inflorescence density (r = 0,646), height (r = 0,556) and width (r = 0,527) also had quite a high positive effect on seed productivity. The results of regression analysis pointed to the fact that there were a linear relationship between inflorescence size and seed productivity.Conclusions. Among 282 samples of basic tobacco collection, 29 varieties with high seed productivity was defined which can be used in the breeding process, and ‘Sobolchskyi 15/21’, ‘Ergo 23’, ‘C-11’, ‘Sygarnyi 99’ varieties were selected for large-scale implementation into the production of raw material of cigar type.

Purpose. Evaluate buckwheat Fagopyrum esculentum Moench varieties by morphological characteristics by using the nearest neighbors algorithm and identify groups of similar varieties by plant varieties clustering procedure. Methods. Analytical, mathematical, statistical. As input information for statistical processing, the results of the exa­mination for distinctness, uniformity and stability (DUS) from the database of the automated information system of the Ukrainian Institute for the Examination of Plant Varieties were used. The simulation was performed using Nearest Neighbors algorithm, which belong to Machine Learning method. Data processing was carried out by using trial version of the statistical package IBM SPSS Statistics “Statistical Package for the Social Sciences”. The follo­wing types of variables were used as model parameters: target (optional) variable is “Plant: growth type”, focal case identifier is “Plant: ploidy”, case name is Varieties Name, feature variables are “Cotyledon: anthocyanin coloration”, “Stem: anthocyanin coloration”, “Inflorescence: anthocyanin coloration of bud”, “Time of beginning flowering”, “Plant: height”, “Leaf blade: shape of base”, “Leaf blade: intensity of green color”, “Flower: size”, “Flower: color of petals”, “Flower: length of pedicel”, “Plant: total number of flower clusters”, “Stem: length”, “Stem: number of nodes”, “Stem: diameter”, “Time of maturity”, “Seed: length”, “Seed: shape”, “Seed: skin color”, “Seed: 1000 seed weight”. This model contains 25 buckwheat varieties, included in the State Register of plant varieties suitable for distribution in Ukraine in 2020. These varieties are of foreign and domestic origin. Results. The model of similar buckwheat varieties was a result of computer modeling. This model was based on seventeen morphological features, selected using frequency analysis of buckwheat morphological features. The generated model contained 17 training objects (varieties) and nine control objects (varieties). 22 groups of similar varieties of common buckwheat were identified. Conclusion. The most similar groups of varieties are the following: first – ‘Krupnozelena’, ‘Dykul’, ‘Deviatka’ that ‘Yuvileina 100’; second – ‘Ruta’, ‘Malwa ’,‘Nadiina’ and ‘Volodar’; third – ‘Kseniia’, ‘Simka’, ‘Selianochka’ and ‘Malva’. | Цель. Оценить сорта гречихи посевной Fagopyrum esculentum Moench по морфологическим признакам с использованием алгоритма ближайших соседей с помощью кластеризации сортов растений и идентифицировать группы похожих сортов.Методы. Аналитический, математический, статистический. В качестве входной информации для статистической обработки были использованы результатные данные экспертизы на отличимость, однородность и стабильность (OОС) из базы данных автоматизированной информационной системы Украинского института экспертизы сортов растений. Моделирование было проведено с использованием алгоритма ближайших соседей, методом Machine Learning в среде статистического пакета IBM SPSS Statistics «Statistical Package for the Social Sciences». В качестве параметров модели были использованы следующие типы переменных: целевая переменная – признак «Растение: тип роста», фокусная переменная – «Растение плоидность», метка наблюдений – «Название сорта». Перечень показателей (features) составляли следующие признаки: «Растение: плоидность», «Стебель: антоциановая окраска», «Соцветие: антоциановая окраска почки», «Время начала цветения», «Растение: тип роста», «Растение: по высоте», «Цветок: окраска лепестков», «Стебель: по длине», «Стебель: количество узлов», «Стебель: диаметр», «Время созревания», «Семя: по длине», «Семя: форма», «Семя: окрас­ка кожуры», «Семена: масса 1000 шт.». В состав модели были взяты 25 сортов гречихи посевной отечественного и зарубежного происхождения, которые включены в Государственный реестр сортов растений, пригодных для распространения в Украине на 2020 год.Результаты. В результате компьютерного моделирования была сформирована модель подобных сортов гречихи посевной по семнадцати морфологическим признакам, которые отобраны с применением частотного анализа проявления морфологических признаков. Сформированная модель содержала 17 тренировочных объектов (сортов) и девять контрольных объектов (сортов). Было идентифицировано 22 группы подобных сортов гречихи посевной.Выводы. Сорта гречихи посевной Fagopyrum esculentum Moench оценили по морфологическим признакам с использованием алгоритма ближайших соседей с помощью кластеризации подобных сортов растений. Были идентифицированы такие, наиболее подобные, группы сортов: первая – ‘Крупнозэлэна’, ‘Дыкуль’, ‘Девятка’ и ‘Ювилейная 100’; вторая – ‘Рута’, ‘Мальва’, ‘Надийна’ и ‘Володар’; третья – ‘Ксения’, ‘Симка’, ‘Селяночка’ и ‘Мальва’. | Мета. Оцінити сорти гречки їстівної Fagopyrum esculentum Moench за морфологічними ознаками з використанням алгоритму найближчих сусідів за допомогою кластеризації сортів рослин та ідентифікувати групи схожих сортів.Методи. Аналітичний, математичний, статистичний. Як вхідну інформацію для статистичного оброблення було використано результатні дані експертизи на відмінність, однорідність та стабільність (ВОС) з бази даних автоматизованої інформаційної системи Українського інституту експертизи сортів рослин. Моделювання було проведено з використанням алгоритму найближчих сусідів, методом Machine Learning у середовищі статистичного пакета IBM SPSS Statistics «Statistical Package for the Social Sciences». У ролі параметрів моделі було використано такі типи змінних: цільова змінна – ознака «Рослина: тип росту», фокусна змінна – «Рослина: плоїдність», мітка спостережень – «Назва сор­ту». Перелік показників (features) складали такі ознаки: «Рослина: плоїдність», «Стебло: антоціанове забарвлення», «Суцвіття: антоціанове забарвлення бруньки», «Час початку цвітіння», «Рослина: тип росту», «Рослина: за висотою», «Квітка: забарвлення пелюсток», «Стебло: за довжиною», «Стебло: кількість вузлів», «Стебло: діаметр», «Час достигання», «Насінина: за довжиною», «Насінина: форма», «Насінина: забарвлення шкірки», «Насіння: маса 1000 шт.». До складу моделі було узято 25 сортів гречки їстівної вітчизняного та іноземного походження, які включені до Державного реєстру сортів рослин, придатних для поширення в Україні на 2020 рік.Результати. Унаслідок комп’ютерного моделювання було сформовано модель подібних сортів гречки їстівної за сімнадцятьма морфологічними ознаками, які відібрано із застосуванням частотного аналізу проявлення морфологічних ознак. Сформована модель містила 17 тренувальних об’єктів (сортів) та дев’ять контрольних об’єктів (сортів). Було ідентифіковано 22 групи подібних сортів гречки їстівної.Висновки. Сорти гречки їстівної F. esculentum було оцінено за морфологічними ознаками з використанням алгоритму найближчих сусідів за допомогою кластеризації подібних сортів рослин. Було ідентифіковано такі найподібніші групи сортів: перша – ‘Крупнозелена’, ‘Дикуль’, ‘Дев’ятка’ та ‘Ювілейна 100’; друга – ‘Рута’, ‘Мальва’, ‘Надійна’ та ‘Володар’; третя – ‘Ксенія’, ‘Сімка’, ‘Селяночка’ та ‘Мальва’.

Purpose. To develop a tobacco variety model with optimal inflorescence traits such as size and shape that will allow to increase seed productivity of the crop. Methods. Statistical and mathematical (correlative, regressive) ones. Results. Basic collection consisting of 282 variety samples registered in the National Genetics Center was evaluated, optimal parameters of inflorescence were defined that can provide a high seed yield. During statistical analysis, correlation matrix was developed with the purpose to highlight traits that correlate with inflorescence productivity. According to the results of correlation analysis, a strong relationship between the width and height of inflorescence (r = 0,773±0,038) was established. Somewhat weaker correlation was observed when modeling regressive relation between inflorescence height and width, where regression showed the medium relationship. Regression equation of these traits is as follows: y = 0,5585x + 8,4649. Inflorescence density (r = 0,646), height (r = 0,556) and width (r = 0,527) also had quite a high positive effect on seed productivity. The results of regression analysis pointed to the fact that there were a linear relationship between inflorescence size and seed productivity. Conclusions. Among 282 samples of basic tobacco collection, 29 varieties with high seed productivity was defined which can be used in the breeding process, and ‘Sobolchskyi 15/21’, ‘Ergo 23’, ‘C-11’, ‘Sygarnyi 99’ varieties were selected for large-scale implementation into the production of raw material of cigar type.