Машинное обучение при прогнозировании продуктивности севооборотов

Севооборот способствует поддержанию устойчивых систем земледелия. Применение машинного обучения позволит более эффективно проектировать и прогнозировать продуктивность севооборотов. Традиционные методы обработки данных не отвечают требованиям интеллектуального земледелия. С целью оценки применения машинного обучения выполнено построение моделей прогнозирования продуктивности севооборотов на основе применения 6 алгоритмов: дерево решений (CART); случайный лес (RF); бутстрэп-агрегирование (Bagging); градиентный бустинг (Gradient Boosting); экстремальный градиентный бустинг (Baging XGBoost); искусственная нейронная сеть (ANN). В исследованиях использованы временные ряды данных по продуктивности 9 типов севооборотов на трех уровнях применения техногенных средств, полученные в лесостепи Приобья Новосибирской области Сибирским НИИ земледелия и химизации сельского хозяйства СФНЦА РАН в течение 1999-2019 гг. В качестве дополнительного предиктора в модели был включен показатель атмосферного увлажнения в виде стандартизированного индекса осадков (Standardized    Precipitation Index – SPI), рассчитанный как средний показатель атмосферного увлажнения для мая-июля за ротацию каждого из анализируемых севооборотов. Установили, что модели, описывающие продуктивность севооборотов на основе алгоритмов ANN, Gradient Boosting и XGBoost, характеризовались наиболее высокими прогностическими способностями в зависимости от складывающихся условий атмосферного увлажнения и уровня интенсификации технологии возделывания (R2 = 0,90…0,93). Сравнительный анализ показал, что модель на основе экстремального градиентного бустинга демонстрирует наилучшие показатели с коэффициентом детерминации (R2) 0,93, среднеквадратичной ошибкой (RMSE) 2,34 и средней абсолютной ошибкой (MAE) 1,81. Продемонстрирована возможность применения методов машинного обучения в качестве эффективного инструментария для прогнозирования продуктивности севооборотов.

1. Кирюшин В.И. Управление плодородием почв и продуктивностью агроценозов в адаптивно-ландшафтных системах земледелия // Почвоведение. 2019. № 9. С. 1130-1139. https://doi.org/10.1134/S0032180X19070062

2. Степных Н.В., Нестерова Е.В., Заргарян А.М. и др. Стратегическое значение диверсификации растениеводства // Земледелие. 2022. № 2. С. 7-13. EDN: DNVBGB

3. Лошаков В.Г. Развитие учения о севообороте в РГАУ-МСХА им. К.А. Тимирязева // Земледелие. 2017. № 2. С. 3-9. EDN: YLMWMD

4. Завьялова Н.Е., Фомин Д.С., Тетерлев И.С. Влияние севооборотов и бессменных посевов на агрохимические свойства и азотный режим дерново-подзолистой почвы Предуралья // Агрохимия. 2019. № 1. С . 5-10. https://doi.org/10.1134/S0002188119010162

5. Курдюкова О.Н. Засоренность посевов и продуктивность короткоротационных севооборотов степной зоны // Вестник Красноярского государственного аграрного университета. 2022. № 7 (184). С. 69-76. https://doi.org/10.36718/1819-4036-2022-7-69-76

6. Акименко А.С., Свиридов В.И., Дудкина Т.А. и др. Обо снование направления интенсификации производства зерна в севооборотах лесостепи Центрального Черноземья // Земледелие. 2023. № 1. С. 3-7. https://doi.org/10.24412/0044-3913-2023-1-3-7

7. Макарова Е.И. Экономико-математическое моделирование оптимизации структуры посевных площадей аграрных предприятий // Вестник Воронежского государственного аграрного университета. 2015. № 4-2. С. 174-178. EDN: VNTSYJ

8. Нуретдинов И.Г., Нуретдинова Ю.В., Хасянов О.Р. Оптимизация структуры посевных площадей сельскохозяйственных культур методом экономико-математического моделирования: практический аспект // Вестник Казанского государственного аграрного университета. 2015. Т. 10, № 4. С. 24-27. EDN: VLQMFT

9. Свиридов В.И. Методологические и методические аспекты проектирования оптимальной структуры посевных площадей в условиях перехода к адаптивно-ландшафтному земледелию // Вестник Курской государственной сельскохозяйственной академии. 2018. № 2. С. 4-10. EDN: YVOILT

10. Никитина К.Р. Оптимизация структуры севооборота с применением метода квадратичного программирования // Экономика. Управление. Инновации. 2019. № 2 (6). С. 92-96. EDN: KMMBUK

11. Апажев А.К., Шекихачев Ю.А. Оптимизация функционирования сельскохозяйственных производственных систем // Известия Кабардино-Балкарского государственного аграрного университета им. В.М. Кокова. 2022. № 1 (35). С. 81-89. https://doi.org/10.55196/2411-3492-2022-1-35-81-89

12. Дудко Ю.В., Маринкин Е.Б., Владимирова Т.М. Применение нейросетевых технологий в предсказании плодородия почв с зернобобовыми культурами и прогнозировании их урожайности // Вопросы науки: инноватика, техника и технологии. 2019. № 1. С. 67-72. EDN: YXPXCX

13. Рогачев А.Ф. Системный анализ и прогнозирование временных рядов урожайности на основе автокорреляционных функций и нейросетевых технологий // Известия Нижневолжского агроуниверситетского комплекса: Наука и высшее профессиональное образование. 2018. № 3 (51). С. 309-316. EDN: VOQSWI

14. Рогачев А.Ф., Мелихова Е.В. Обоснование алгоритмов и инструментария для нейросетевого прогнозирования урожайности агрокультур с использованием ретроспективных данных // Известия Нижневолжского агроуниверситетского комплекса: наука и высшее профессиональное образование. 2020. № 1 (57). С. 290-302. https://doi.org/10.32786/2071-9485-2020-01-29

15. Лебедь Н.И., Токарев К.Е., Нехорошев Д.Д. и др. Разработка методов управления продукционными процессами фитоагроценозов в условиях точного земледелия с использованием гибридных автоматизированных систем и алгоритмов искусственного интеллекта // Международный сельскохозяйственный журнал. 2024. № 2. С. 201-204. EDN: WMQCNC

16. Benos L., Tagarakis A.C., Dolias G. et al. Machine learning in agriculture: A comprehensive updated review. Sensors. 2021;21(11):3758. https://doi.org/10.3390/s21113758

17. Attri I., Awasthi L.K., Sharma T.P. Machine learning in agriculture: a review of crop management applications. Multimedia Tools and Applications. 2024;83(5):12875-12915. https://doi.org/10.1007/s11042-023-16105-2

18. Taye M.M. Understanding of Machine Learning with Deep Learning: Architectures, Workflow, Applications and Future Directions. Computers. 2023;12(5):91. https://doi.org/10.3390/computers12050091

19. Kalichkin V.K., Alsova O.K., Maksimovich K.Y. Application of the decision tree method for predicting the yield of spring wheat. IOP Conference Series: Earth and Environmental Science. IOP Publishing. 2021;839(3):032042. https://doi.org/10.1088/1755-1315/839/3/032042

20. Elavarasan D., Vincent P.M. D.R. A reinforced random forest model for enhanced crop yield prediction by integrating agrarian parameters. Journal of Ambient Intelligence and Humanized Computing. 2021;12:10009-10022. https://doi.org/10.1007/s12652-020-02752-y

21. Kok Z.H., Shariff A.R.M., Alfatni M.S.M., Khairunniza-Bejo S. Support vector machine in precision agriculture: a review. Computers and Electronics in Agriculture. 2021;191:106546. https://doi.org/10.1016/j.compag.2021.106546

22. Hegedus P.B., Maxwell B.D., Mieno T. Assessing performance of empirical models for forecasting crop responses to variable fertilizer rates using on-farm precision experimentation. Precision Agriculture. 2023;24:677-704. https://doi.org/10.1007/s11119-022-09968-2

23. Gopal M.P.S., Bhargavi R. Performance evaluation of best feature subsets for crop yield prediction using machine learning algorithms. Applied Artificial Intelligence. 2019;33(7):621-642. https://doi.org/10.1080/08839514.2019.1592343

24. Han J., Zhang Z., Cao J. et al. Prediction of winter wheat yield based on multi-source data and machine learning in China. Remote Sensing. 2020;12(2):236. https://doi.org/10.3390/rs12020236

25. Tigkas D., Vangelis H., Tsakiris G. DrinC: a software for drought analysis based on drought indices. Earth Science Informatics. 2015;8:697-709. https://doi.org/10.1007/s12145-014-0178-y

26. Breiman L., Friedman J., Olshen R.A., Stone C.J. Classification and Regression Trees (1st ed.). Chapman and Hall/CRC. 1984;368. https://doi.org/10.1201/9781315139470

27. Breiman L. Random forests. Machine learning. 2001;45:5-32. https://doi.org/10.1023/A:1010933404324

28. Breiman L. Bagging predictors. Machine learning. 1996;24:123-140. https://doi.org/10.1007/BF00058655

29. Friedman J.H. Greedy function approximation: a gradient boosting machine. The Annals of Statistics. 2001;29(5):1189-1232. https://doi.org/10.1214/aos/1013203451

30. Haykin S. Neural networks: A comprehensive foundation. Prentice Hall PTR. Upper Saddle River, NJ. United States. 1994;768.

31. Каличкин В.К., Федоров Д.С., Альсова О.К., Максимович К.Ю. Разработка программы анализа и прогнозирования урожайности сельскохозяйственных культур // Достижения науки и техники АПК. 2022. Т. 36, № 1. С. 51-56. https://doi.org/10.53859/02352451_2022_36_1_51

32. Программа анализа и прогнозирования урожайности сельскохозяйственных культур: Свидетельство о государственной регистрации программы для ЭВМ (CYAF – Crop Yield Analysis & Forecast) № 2021777894 / Д.С. Федоров, О.К. Альсова, В.К. Каличкин, К.Ю. Максимович; 08.11.2021.

33. Du Z., Yang L., Zhang D. et al. Corn variable-rate seeding decision based on gradient boosting decision tree model. Computers and Electronics in Agriculture. 2022;198:107025. https://doi.org/10.1016/j.compag.2022.107025

34. Sarijaloo F.B., Porta M., Taslimi B., Pardalos P.M. Yield performance estimation of corn hybrids using machine learning algorithms. Artificial Intelligence in Agriculture. 2021;5;82-89. https://doi.org/10.1016/j.aiia.2021.05.001

35. Awasthi P., Mishra S., Gupta N. Performance Assessment of Machine Learning Techniques for Corn Yield Prediction. International Conference on Advanced Network Technologies and Intelligent Computing. Cham: Springer Nature Switzerland. 2022;320-335. https://doi.org/10.1007/978-3-031-28183-9_23

36. Wolanin A., Mateo-García G., Camps-Valls G. et al. Estimating and understanding crop yields with explainable deep learning in the Indian Wheat Belt. Environmental Research Letters. 2020;15(2):024019. https://doi.org/10.1088/1748-9326/ab68ac

37. Hassija V., Chamola V., Mahapatra A. et al. Interpreting Black-Box Models: A Review on Explainable Artificial Intelligence. Cognitive Computation. 2023;16:45-74. https://doi.org/10.1007/s12559-023-10179-8

38. Wang X., Huang J., Feng Q., Yin D. Winter wheat yield prediction at county level and uncertainty analysis in main wheat-producing regions of China with deep learning approaches. Remote Sensing. 2020;12(11):1744. https://doi.org/10.3390/rs12111744

39. Reichstein M., Camps-Valls G., Stevens B. et al. Deep learning and process understanding for data-driven Earth system science. Nature. 2019;566:195-204. https://doi.org/10.1038/s41586-019-0912-1

40. Каличкин В.К., Максимович К.Ю. Методология формирования цифровой системы управления земледелием // Сибирский вестник сельскохозяйственной науки. 2024. Т. 54, № 3. С. 5-20. EDN: OJMVRJ