Везде

RAS Agricultural ScienceРоссийская сельскохозяйственная наука Russian Agricultural Sciences

  • ISSN (Print) 2500-2627
  • ISSN (Online) 3034-5820

INTERPRETABLE MACHINE LEARNING MODEL FOR SPRING WHEAT YIELD FORECASTING

You can
PII
S2500262725020117-1
DOI
10.31857/S2500262725020117
Publication type
Article
Status
Published
Authors
V. K. Kalichkin
  • Affiliation: Siberian Federal Research Center of Agricultural Biotechnology, Russian Academy of Sciences
V. I. Usenko
  • Affiliation: Federal Altai Scientific Center of Agrobiotechnologies
Volume/ Edition
Volume / Issue number 2
Pages
59-66
Abstract
The research was conducted to construct an interpretable machine learning model (explainable artificial intelligence) for spring wheat yield forecasting. The data of a long-term field experiment (2001-2024) carried out in the forest--steppe of the Altai Priobye region were used. The scheme of the experiment provided for the analysis of predecessors’ role, methods of basic cultivation of leached chernozem, as well as levels of application of mineral fertilizers and chemical plant protection products in the formation of spring soft wheat yield. Extreme gradient boosting (XGBoost) was used to construct the model, and SHapley Additive exPlanations (SHAP) were used for its interpretation, which allowed estimating the contribution of each feature. The constructed XGBoost model demonstrated high prediction accuracy (R²=0.95, MAE=0.13 t/ha, RMSE=0.17 t/ha), and integration with SHAP-analysis revealed the most significant features (5…6 out of 18) determining yield in the forest--steppe of the Altai Priobie. The greatest contribution to high predicted yield in the experiment was made by sufficient moisture for the crop year (596.5 mm; 1.19 t/ha), the use of fallow as a predecessor (0.58 t/ha) and the use of nitrogen--phosphorus fertilizers (0.21 t/ha). Low predicted yields are due to lack of moisture during the crop year (317 mm; -0.77 t/ha) and from May to October (246 mm; -0.24 t/ha), as well as high values of the sum of positive temperatures (2527.5 °C; -0.13 t/ha), low precipitation during wheat growing season (175 mm; -0.10 t/ha) and lack of application of plant protection products (-0.10 t/ha). The model expands the possibilities of applying machine learning, allowing us to obtain more reliable and informative results.
Keywords
объяснимый искусственный интеллект урожайность яровой пшеницы многофакторные полевые опыты XGBoost SHAP
Date of publication
16.09.2025
Year of publication
2025
Number of purchasers
0
Views
15

References

  1. 1. Влияние длительного применения органических и минеральных удобрений на урожайность и качество яровой пшеницы / И. В. Понкратенкова, А. Ю. Гаврилова, Г. Е. Мерзлая и др. // Аграрный вестник Урала. 2019. № 7(186). С. 39-44.
  2. 2. Эффективность использования азота в длительных и краткосрочных опытах агрохимслужбы и Геосети Российской Федерации / В. А. Романенков, М. В. Беличенко, О. В. Рухович и др. // Агрохимия. 2020. № 12. С. 28-37. doi: 10.31857/S0002188120120091.
  3. 3. Зерновая продуктивность свекловичных севооборотов в зависимости от степени биологизации в условиях Центрального Черноземья / А. С. Акименко, В. И. Свиридов, Т. А. Дудкина и др. // Земледелие. 2022. № 3. С. 12-18.
  4. 4. Сычев В. Г., Беличенко М. В., Романенков В. А. Результаты мониторинга урожайности сельскохозяйственных культур, продуктивности севооборотов и изменения свойств почв в длительных опытах Географической сети // Плодородие. 2017. № 6(99). С. 2-5.
  5. 5. Рублюк М. В., Иванов Д. А. Изменение свойств дерново-подзолистой почвы в зависимости от условий осушаемого агроландшафта при возделывании овса в фитоценозе с травами // Земледелие. 2023. № 3. С. 8-12.
  6. 6. Подлесных И. В., Тарасов С. А., Рубаник Ю. О. Динамика органического углерода почвы в пахотном слое и продуктивность культур почвозащитного агропесопандшафтного комплекса в ЦЧР // Земледелие. 2023. № 5. С. 37-41.
  7. 7. 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. Vol. 29. Р. 95-112. doi: 10.1007/s11831 021 09569 8.
  8. 8. Иванов Д. А., Рублюк М. В., Анциферова О. Н. Прогнозирование размещения посевов льна на основе данных мониторинга и ГИС-технологий // Земледелие. 2023. № 7. С. 3-6.
  9. 9. 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. № 2. С. 111-137. doi: 10.37162/2618 9631 2021 -2 111 137.
  10. 10. Математические модели и программный комплекс по прогнозированию урожайности сельскохозяйственных культур / Д. А. Благов, С. В. Митрофанов, В. С. Никитин и др. // Агротехника и энергообеспечение. 2019. № 3(24). С. 182-188.
  11. 11. Прогнозирование урожайности яровой пшеницы по агрохимическим свойствам в условиях Тетюшского района Республики Татарстан / А. А. Лукманов, Ю. П. Переведенцев, А. Б. Мустафина и др. // Вестник Казанского государственного аграрного университета. 2023. Т. 18. № 3(71). С. 39-45.
  12. 12. Panigrahi B., Kathala K. C. R., Sujatha M. A machine learning--based comparative approach to predict the crop yield using supervised learning with regression models // Procedia Computer Science. 2023. Vol. 218. P. 2684-2693. doi: 10.1016/j.procs.2023.01.241.
  13. 13. Boppudi S. Deep ensemble model with hybrid intelligence technique for crop yield prediction // Multimedia Tools and Applications. 2024. Vol. 83. No. 31. Р. 75709-75729. doi: 10.1007/s11042 024 18354 1.
  14. 14. Applied Deep Learning--Based Crop Yield Prediction: A Systematic Analysis of Current Developments and Potential Challenges / K. Meghraoui, I. Sebari, J. Pilz, et al. // Technologies. 2024. Vol. 12. No. 4. P. 43. URL: https://www.mdpi.com/2227-7080/12/4/43 (дата обращения: 03.03.2025). doi: 10.3390/technologies12040043.
  15. 15. Shingade S. D., Mudhalwadkar R. P. Analysis of crop prediction models using data analytics and ML techniques: a review // Multimedia Tools and Applications. 2024. Vol. 83. No. 13. P. 37813-37838. doi: 10.1007/s11042 023 17038 6.
  16. 16. Ramesh V., Kumaresan P. Stacked Ensemble Model for Accurate Crop Yield Prediction Using Machine Learning Techniques // Environmental Research Communications. 2025. Vol. 7. No. 3. URL: https://iopscience.iop.org/article/10.1088/2515-7620/adb9c0/pdf. (дата обращения: 03.03.2025). doi: 10.1088/2515 7620/adb9c0.
  17. 17. Ryo M. Explainable artificial intelligence and interpretable machine learning for agricultural data analysis // Artificial Intelligence in Agriculture. 2022. Vol. 6. Р. 257-265. doi: 10.1016/j.aiia.2022.11.003.
  18. 18. Cartolano A., Cuzzocrea A., Pilato G. Analyzing and assessing explainable AI models for smart agriculture environments // Multimedia Tools and Applications. 2024. Vol. 83. Р. 37225-37246. doi: 10.1007/s11042 023 17978 z.
  19. 19. Bifarin O. O. Interpretable machine learning with tree-based shapley additive explanations: Application to metabolomics datasets for binary classification // Plos one. 2023. Vol. 18. No. 5. Р. e0284315. URL: https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0284315 (дата обращения: 03.03.2025). doi: 10.1371/journal.pone.0284315.
  20. 20. Interpretable Machine Learning Techniques for an Advanced Crop Recommendation Model / M. Bouni, B. Hssina, K. Douzi, et al. // Journal of Electrical and Computer Engineering. 2024. Vol. 2024. No. 1. Р. 7405217. URL: https://onlinelibrary.wiley.com/doi/full/10.1155/2024/7405217 (дата обращения: 03.03.2025). doi: 10.1155/2024/7405217.
  21. 21. Степанова А. И., Хальясмаа А. И., Матренин П. В. Краткосрочное прогнозирование нагрузки предприятия нефтегазовой промышленности с использованием технологических факторов и аддитивного объяснения Шепли // Известия высших учебных заведений. Проблемы энергетики. 2024. Т. 26. № 4. С. 75-88. doi: 10.30724/1998 9903 2024 26 4 75 88.
  22. 22. Горшенин А. Ю., Грицай А. С., Денисова Л. А. Применение машинного обучения деревьев решений для краткосрочного прогнозирования электропотребления // Известия Тульского государственного университета. Технические науки. 2023. № 11. С. 226-231. doi: 10.24412/2071 6168 2023 11 226 227.
  23. 23. Бадыкова И. Р., Биктимирова К. Р. Выявление факторов воздействия на сектор связи и телекоммуникаций с применением ансамблевых методов машинного обучения // π--Economy. 2024. Т. 17. № 6. С. 61-78. doi: 10.18721/JE.17604.
  24. 24. Интерпретируемые модели машинного обучения как инструмент объяснения прогнозных оценок в кардиологии / К. И. Шахгельдян, В. Ю. Рублев, Н. С. Куксин и др. // Вестник современной клинической медицины. 2025. Т. 18. № 1. С. 98-106. doi: 10.20969/VSKM.2025.18(1).98 106.
  25. 25. Friedman J. H. Greedy function approximation: a gradient boosting machine // Annals of statistics. 2001. Vol. 29. No. 5. P. 1189-1232. URL: https://www.jstor.org/stable/2699986 (дата обращения: 03.03.2025).
  26. 26. From Local Explanations to Global Understanding With Explainable AI for Trees / S. M. Lundberg, G. Erion, H. Chen, et al. // Nature Machine Intelligence. 2020. Vol. 2. No. 1. Р. 56-67. doi: 10.1038/s42256 019 0138 9.
  27. 27. Программа анализа и прогнозирования урожайности сельскохозяйственных культур (CYAF - Crop Yield Analysis & Forecast) / Д. С. Федоров, О. К. Альсова, В. К. Каличкин и др. // Свидетельство о государственной регистрации программы для ЭВМ № 2021777894, 08.11.2021.
  28. 28. Разработка программы анализа и прогнозирования урожайности сельскохозяйственных культур / В. К. Каличкин, Д. С. Федоров, О. К. Альсова и др. // Достижения науки и техники АПК. 2022. Т. 36. № 1. С. 51-56. doi: 10.53859/02352451_2022_36_1_51.
QR
Translate

Индексирование

Scopus

Scopus

Scopus

Crossref

Scopus

Higher Attestation Commission

At the Ministry of Education and Science of the Russian Federation

Scopus

Scientific Electronic Library