Прогнозирование урожайности сельскохозяйственных культур: структура данных и методы искусственного интеллекта

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.

1. Bali N., Singla A. Emerging trends in machine learning to predict crop yield and study its influential factors: A survey. Archives of Computational Methods in Enginee­ring. 2022. N29. 95-112. DOI: 10.1007/s11831-021-095698.

2. Shingade S.D., Mudhalwadkar R.P. Analysis of crop prediction models using data analytics and ML techniques: a review. Multimedia Tools and Applications. 2024. N83. 37813-37838. DOI: 10.1007/s11042-023-17038-6.

3. Meghraoui K., Sebari I., Pilz J. et al. Applied deep learning-based crop yield prediction: a systematic analysis of current developments and potential challenges.Technologies. 2024. 12. N4. 43. DOI: 10.3390/technologies12040043.

4. Степанов А.С., Асеева Т.А., Дубровин К.Н. Построение и оценка точности регрессионных моделей для определения урожайности зерновых и зернобобовых культур на основе данных дистанционного Земли и климатических характеристик // ИнтеркКарто. ИнтерГИС. 2020. 26. N3. С. 159-169. DOI: 10.35595/2414-9179-2020-3-26-159-169.

5. Страшная А.И., Береза О.В., Кланг П.С. Прогнозирование урожайности зерновых культур на основе комплексирования наземных и спутниковых данных в субъектах Южного федерального округа // Гидрометеорологические исследования и прогнозы. 2021. N2 (380). С. 111-137. DOI: 10.37162/2618-9631-2021-2-111137.

6. Бисчоков Р.М., Ахматов М.М. Анализ и прогноз урожайности сельскохозяйственных культур методами нечеткой логики // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета. 2021. N168. С. 274-287. DOI: 10.21515/1990-4665-168-020.

7. Благов Д.А., Митрофанов С.В., Никитин В.С. и др. Математические модели и программный комплекс по прогнозированию урожайности сельскохозяйственных культур // Агротехника и энергообеспечение. 2019. N3 (24). С. 182-188. EDN: OMWNXT.

8. Архипова М.Ю., Смирнов А.И. Современные направления прогнозирования урожайности сельскохозяйственных культур на основе использования эконометрических моделей // Вопросы статистики. 2020. 27. N5. 65-75. DOI: 10.34023/2313-6383-2020-27-5-65-75.

9. Momenpour S.E., Bazgeer S., Moghbel M. A bibliometric analysis of the literature on crop yield prediction: insights from previous findings and prospects for future research. International Journal of Biometeorology. 2024. 68. 829-842. DOI: 10.1007/s00484-024-02628-2.

10. Макеев К.А., Греченева А.В., Котов Я.С. и др. Сравнение эффективности алгоритмов машинного обучения в задачах прогнозирования урожайности сельскохозяйственных культур // Известия Тульского государственного университета. Технические науки. 2023. N2. С. 203-206. DOI: 10.24412/2071-6168-2023-2-203206.

11. 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. N1. С. 67-72. EDN: YXPXCX.

12. Рогачев А.Ф. Системный анализ и прогнозирование временных рядов урожайности на основе автокорреляционных функций и нейросетевых технологий // Известия Нижневолжского агроуниверситетского комплекса. 2018. N3 (51). С. 309-316. EDN: VOQSWI.

13. Рогачев А.Ф., Мелихова Е.В. Адаптация алгоритмов и обоснование инструментария для нейросетевого прогнозирования урожайности агрокультур с использованием ретроспективных данных // Известия Нижневолжского агроуниверситетского комплекса. 2020. N1(57). С. 290-302. DOI: 10.32786/2071-9485- 2020-0129.

14. Бисчоков Р.М. Анализ, моделирование и прогноз урожайности сельскохозяйственных культур средствами искусственных нейронных сетей // Вестник Российского университета дружбы народов. Серия: Агрономия и животноводство. 2022. 17. N2. C. 146-157. DOI: 10.22363/2312-797X-2022-17-2-146-157.

15. Boppudi S. J S. Deep ensemble model with hybrid intelligence technique for crop yield prediction. Multimedia Tools and Applications. 2024. 1-21. DOI: 10.1007/s11042-024-18354-1.

16. Oikonomidis A., Catal C., Kassahun A. Hybrid deep learning-based models for crop yield prediction. Applied Artificial Intelligence. 2022. 36. N1. 2031822. DOI: 10.1080/08839514.2022.2031823.

17. Cao J., Wang H., Li J. et al. Improving the forecasting of winter wheat yields in Northern China with machine learning–dynamical hybrid subseasonal-to-seasonal ensemble prediction. Remote Sensing. 2022. 14(7). 1707. DOI: 10.3390/rs14071707.

18. Cedric L.S., Adoni W.Y.H., Aworka R. et al. Crops yield prediction based on machine learning models: Case of West African countries. Smart Agricultural Technology. 2022. N2. 100049. DOI: 10.1016/j.atech.2022.100049.

19. Elavarasan D., Vincent D.R., Sharma V. et al. Forecasting yield by integrating agrarian factors and machine learning models: A survey. Computers and Electronics in Agriculture. 2018. N155. 257-282. DOI: 10.1016/j.compag.2018.10.024.

20. Meghraoui K., Sebari I., Pilz J. et al. Applied deep lear­ning-based crop yield prediction: a systematic analysis of current developments and potential challenges. Techno­logies. 2024. N12(4). 43. DOI: 10.3390/technologies12040043.