ИНТЕРПРЕТИРУЕМАЯ МОДЕЛЬ МАШИННОГО ОБУЧЕНИЯ ДЛЯ ПРОГНОЗИРОВАНИЯ УРОЖАЙНОСТИ ЯРОВОЙ ПШЕНИЦЫ

Номер выпуска 2 от 16.09.2025

Исследования проводили с целью создания интерпретируемой модели машинного обучения (объяснимый искусственный интеллект) для прогнозирования урожайности яровой пшеницы. Использовали данные длительного полевого опыта (2001-2024 гг.), проведенного в лесостепи Алтайского Приобья. Схема эксперимента предусматривала изучение роли предшественников, приемов основной обработки выщелоченного чернозема, а также уровней применения минеральных удобрений и химических средств защиты растений в формировании урожайности яровой мягкой пшеницы. Для создания модели использовали экстремальный градиентный бустинг (XGBoost), а для ее интерпретации - аддитивные объяснения Шепли (SHAP), что позволило оценить вклад каждого признака. Построенная модель XGBoost продемонстрировала высокую точность прогнозирования (R²=0,95, MAE=0,13 т/га, RMSE=0,17 т/га), а интеграция с SHAP-анализом выявила наиболее значимые признаки (5…6 из 18), определяющие урожайность в лесостепи Алтайского Приобья. Наибольший в эксперименте вклад в высокую прогнозную урожайность вносили достаточное увлажнение за сельскохозяйственный год (596,5 мм; 1,19 т/га), использование пара в качестве предшественника (0,58 т/га) и применение азотно--фосфорных удобрений (0,21 т/га). Низкая прогнозная урожайность обусловлена недостатком увлажнения в течение сельскохозяйственного года (317 мм; -0,77 т/га) и с мая по октябрь (246 мм; -0,24 т/га), а также высокими значениями суммы положительных температур (2527,5 °C; -0,13 т/га), низким количеством осадков в период вегетации пшеницы (175 мм; -0,10 т/га) и отсутствием применения средств защиты растений (-0,10 т/га). Разработанная модель расширяет возможности машинного обучения, позволяя получать более надежные и информативные результаты.

17 0

Концептуальная модель цифрового управления азотом в посевах сельскохозяйственных культур

Номер выпуска 1 от 16.09.2025

Исследования проводили с целью разработки концептуальной модели цифрового управления азотом в посевах сельскохозяйственных культур. Использовали когнитивный анализ структуры знаний в этой предметной области, концептуальное моделирование цифрового управления азотом в агрофитоценозах с применением объектно-ориентированного подхода и унифицированного языка моделирования (UML). Создана детализированная система цифрового управления азотом, содержащая диаграммы классов, процессов и взаимодействий. Модель базируется на трех абстрактных объектах – класс (7 шт.), атрибут (32) и межклассовые отношения (18 шт.), по которым распределены основные понятия, подчеркивающие сложность и многогранность подходов к цифровому управлению азотом. В качестве центрального класса принят «Агрофитоценоз», с которым напрямую взаимодействуют 5 классов и косвенно 1 класс. Атрибуты входят в состав классов и отражают их особенности. Для отображения взаимодействия между классами и их атрибутами используются отношения четырех видов: «зависимость», «ассоциация», «агрегация» и «внутренний класс». В диаграмме процессов системы цифрового управления азотом выделены две основные подсистемы: подсистема анализа и планирования, подсистема корректировки, а также инструменты и источники для сбора и обработки данных. Особенность созданной концептуальной модели заключается в использовании принципа темпоральности, сочетании статических и динамических процессов в системе цифрового управления азотом в агрофитоценозе. Концептуальная модель разработана для создания программно-аппаратного комплекса диагностики азотного питания культурных растений и управления применением удобрений на основе современных средств цифрового мониторинга и обработки информации.

11 0

Моделирование продуктивности севооборотов с использованием адаптивной нейро-нечеткой системы вывода

Номер выпуска 6 от 16.09.2025

Исследование проводили с целью разработки модели и осуществления прогнозирования продуктивности севооборотов на основе адаптивного нейро-нечеткого вывода. В работе использовали материалы длительных полевых опытов (данные по 9 видам севооборотов, ориентированных на производство зерна), проведенных в Новосибирской области в 1999‒2019 гг. В процессе работы применяли алгоритм обучения искусственной нейронной сети с использованием гибридного метода оптимизации, сочетающего метод наименьших квадратов и метод обратного распространения ошибки, для задания нечеткого правила с подходящими функциями принадлежности с учетом входных и выходных данных. На основе использования адаптивного нейро-нечеткого моделирования и среды разработки MATLAB создана модель продуктивности севооборотов ANFIS. Сформированные в процессе обучения ANFIS правила позволяют с достаточно высокой точностью детерминировать значимые комбинации факторов, определяющие продуктивность заданных севооборотов. При осуществлении прогнозного моделирования на примере трех видов севооборотов выявлено существенное влияние озимых культур и элементов плодосмена на устойчивость севооборотов к неблагоприятным условиям атмосферного увлажнения и эффективность применения агрохимических средств. Результаты комплексного анализа с использованием различных метрик точности (коэффициент детерминации – 0,78; корень из среднеквадратичной ошибки – 5,66; средняя абсолютная ошибка – 4,31; средняя абсолютная ошибка в процентах – 20,07 %) свидетельствуют о достаточно хорошей предиктивной способности модели. Разработанная модель ANFIS демонстрирует высокую способность учитывать сложные нелинейные взаимосвязи между признаками, влияющими на продуктивность севооборотов, и может быть использована в принятии производственных решений при краткосрочном и долгосрочном планировании.

11 0