Владимир Климентьевич Каличкин, доктор сельскохозяйственных наук, главный научный сотрудник
Новосибирская область, р.п. Краснообск
Vladimir K. Kalichkin, Dr.Sc.(Eng.), chief researcher
Krasnoobsk, Novosibirsk Region
Кирилл Юрьевич Максимович, кандидат биологических наук, научный сотрудник
Новосибирская область, р.п. Краснообск
Kirill Yu. Maksimovich, Ph.D.(Eng.), researcher
Krasnoobsk, Novosibirsk Region
Ольга Александровна Алещенко, младший научный сотрудник
Новосибирск
Olga A. Aleshchenko, junior researcher
Novosibirsk
Виталий Викторович Алещенко, доктор экономических наук, доцент
Новосибирск
Vitaliy V. Aleshchenko, Dr.Sc.(Eng.), associate professor
Novosibirsk
Интеллектуальное (умное) земледелие является современным этапом развития сельскохозяйственной науки и практики. Его характерная особенность заключается в активном применении методов искусственного интеллекта, в частности, машинного и глубокого обучения, при решении частных задач, направленных на устойчивое производство в растениеводстве. (Цель исследования) Целью данного исследования стал анализ структуры данных и сравнение алгоритмов машинного и глубокого обучения, используемых в прогнозировании урожайности сельскохозяйственных культур. (Материалы и методы) На основе конвергентного подхода с использованием методов когнитивного и семантического анализа авторами рассмотрена предметная область «Применение методов искусственного интеллекта при прогнозировании урожайности сельскохозяйственных культур», а также базовые аспекты, связанные со структурой исходных данных, основные этапы реализации предиктивных моделей и наиболее используемые методы машинного и глубокого обучения. (Результаты и обсуждение) По результатам работы представлены основная структура и способы получения данных, а также типовая схема реализации моделей в предиктивной аналитике урожайности сельскохозяйственных культур. Выделены наиболее распространенные методы машинного и глубокого обучения, подробно рассмотрены их функциональные особенности. На основе сравнительного анализа показано, что глубокое обучения и гибридные подходы превосходят традиционные методы машинного обучения по метрикам ошибок (точности прогнозирования). (Выводы) По результатам исследований установлено преимущество методов глубокого обучения (Rср2 = 0,85) и гибридного подхода (Rср2 = 0,87) в прогнозировании урожайности сельскохозяйственных культур в зависимости от складывающихся условий и управляющего воздействия. Развитием дальнейшей исследовательской работы может быть адаптация современных подходов искусственного интеллекта к пространственным объектам землепользования и культурам с преимущественным использованием данных дистанционного зондирования.
Smart farming, also known as intelligent agriculture, represents a modern stage in the development of agricultural science and practice. Its defining feature lies in the active application of artificial intelligence methods, particularly machine learning and deep learning, to address specific tasks aimed at ensuring sustainable crop production. (Research purpose) The aim of this study is to analyze data structures and compare machine learning and deep learning algorithms used in used in crop yield prediction. (Materials and methods) Using a convergent approach and applying methods of cognitive and semantic analysis, the authors examined the subject area of artificial intelligence applications in crop yield prediction. The study also explores key aspects related to the structure of input data, the main stages of implementing predictive models, and the most widely used machine learning and deep learning methods. (Results and discussion) The study presents the core data structure and methods for data acquisition, along with a typical workflow for implementing predictive analytics models for crop yield prediction. The most commonly used machine learning and deep learning methods are identified and their functional characteristics are examined in detail. Comparative analysis demonstrates that deep learning and hybrid approaches outperform traditional machine learning methods in terms of prediction accuracy, as measured by standard error metrics. (Conclusions) The findings confirm the advantages of deep learning methods (mean R² = 0.85) and hybrid approaches (mean R² = 0.87) in crop yield prediction under varying conditions and management interventions. Future research may focus on adapting modern AI approaches to spatial land use objects and crop types, with an emphasis on remote sensing data.
The authors declare that there are no conflicts of interest present.