Аннотация

Цель: проверить гипотезу о возможности построения прогнозной модели урожайности многолетних трав с использованием методов машинного обучения. Для планирования сельскохозяйственного производства прогнозирование урожайности является одной из важных задач, а при использовании информационных технологий построение прогнозных моделей требует заметно меньше трудозатрат при сохранении или даже повышении точности и адекватности моделей. 

Материалы и методы. В исследовании применялись такие методы научного познания, как анализ и синтез различных уровней, методы подготовки данных для машинного обучения, методы машинного обучения, реализующие модель линейной регрессии и регрессии с помощью решающих деревьев. В качестве основного стека технологий для реализации методов машинного обучения использован популярный язык Python и общедоступные библиотеки анализа и подготовки данных и построения моделей машинного обучения. 

Результаты. Проведена подготовка данных для тренировки модели методами машинного обучения, при этом данные видоизменены без потерь таким образом, что представляют собой исключительно числовые значения. Проведено обучение моделей линейной регрессии и регрессии с помощью решающих деревьев. С помощью стандартных инструментов используемых библиотек вычислена метрика качества моделей, подтвержденная высокими значениями коэффициентов детерминации (соответственно 0,68 и 0,98). 

Выводы: численные значения вклада в модель таких признаков, как пищевой режим (0,176935–0,315269), а также соотношение числа поливов и оросительной нормы (0,056576–0,108139), подтверждают их значимость для условий территории проведения исследований и набора базы данных.

doi: 10.31774/2712-9357-2024-14-2-94-107

Для цитирования

Применение методов машинного обучения к построению прогнозных моделей продуктивности многолетних трав при орошении / С. С. Марченко, А. Е. Новиков, Н. И. Бурцева, С. Я. Семененко // Мелиорация и гидротехника. 2024. Т. 14, № 2. С. 94–107. https://doi.org/10.31774/2712-9357-2024-14-2-94-107.

Список литературы

1. Глобальный климат и почвенный покров России: проявления засухи, меры предупреждения, борьбы, ликвидация последствий и адаптационные мероприятия (сельское и лесное хозяйство): нац. докл. / Р. С. Х. Эдельгериев [и др.]. Т. 3. М.: Изд-во МБА, 2021. 700 с. DOI: 10.52479/978-5-6045103-9-1. EDN: MFABZG.

2. Овчинников А. С., Власов М. В., Куприянова С. В. Влияние мелиорации земель на минимизацию погодных флуктуаций и рост экономического эффекта сельскохозяйственного производства // Известия Нижневолжского агроуниверситетского комплекса: наука и высшее профессиональное образование. 2020. № 1(57). С. 14–23. DOI: 10.32786/2071-9485-2020-01-01. EDN: FENWMD.

3. Семененко С. Я. Некоторые аспекты необходимости разработки научно обоснованной зональной системы орошаемого земледелия // Орошаемое земледелие. 2021. № 4. С. 10–13. EDN: ICKBPJ.

4. Галимов Р. Г. Основы алгоритмов машинного обучения – обучение с учителем // Аллея науки. 2017. Т. 1, № 14. С. 810–817. EDN: ZTBUCH.

5. Сохина С. А., Немченко С. А. Машинное обучение. Методы машинного обучения // Современная наука в условиях модернизационных процессов: проблемы, реалии, перспективы: сб. науч. ст. по материалам V Междунар. науч.-практ. конф., г. Уфа, 30 апр. 2021 г. Уфа: Вестник науки, 2021. С. 165–168. EDN: BKEJKF.

6. Mahajan J., Banal K., Mahajan S. Estimation of crop production using machine learning techniques: a case study of J&K // International Journal of Information Technology. 2021. Vol. 13, № 4. P. 1441–1448. https:doi.org/10.1007/s41870-021-00653-7.

7. Дронова Т. Н., Бурцева Н. И. Результаты исследований по полевому травосеянию на орошаемых землях Нижнего Поволжья // Проблемы развития АПК региона. 2019. № 4(40). С. 40–46. EDN: NHNBBP.

8. Продуктивность многолетних бобовых трав на орошении / Т. Н. Дронова, Н. И. Бурцева, Е. И. Молоканцева, И. П. Земцова, О. В. Головатюк // Известия Нижневолжского агроуниверситетского комплекса: наука и высшее профессиональное образование. 2022. № 2(66). С. 22–30. DOI: 10.32786/2071-9485-2022-02-02. EDN: QHKYKA.

9. Рогачев А. Ф., Мелихова Е. В., Плещенко Т. В. Нейросетевая система управления программируемым аграрным производством с использованием ретроспективных данных и результатов дистанционного зондирования: монография / Волгоградский ГАУ. Волгоград, 2021. 172 с. EDN: QBTBVB.

10. Использование методов машинного обучения для прогнозирования нитратного азота в почве / Т. А. Кизимова, В. С. Риксен, В. А. Шпак, К. Ю. Максимович, Р. Р. Галимов // АгроЭкоИнфо [Электронный ресурс]. 2022. № 5(53). URL: https:agroecoinfo.ru/STATYI/2022/5/st_521.pdf (дата обращения: 15.03.2024). DOI: 10.51419/202125521. EDN: CKTGFH.

11. Определение вида заболеваний, поражающих листья картофеля, с использованием алгоритмов машинного обучения / А. Г. Возмилов, А. А. Лисов, В. Г. Урманов, Г. Н. Синева // Вестник НГИЭИ. 2023. № 3(142). С. 7–16. DOI: 10.24412/2227-9407-2023-3-7-16. EDN: BXWBRC.

12. Анчеков М. И., Боготова З. И. Применение методов искусственного интеллекта в селекции // Известия Кабардино-Балкарского научного центра РАН. 2020. № 6(98). С. 91–96. DOI: 10.35330/1991-6639-2020-6-98-91-96. EDN: EPNWWM.

13. Применение методов интеллектуального анализа данных при диагностировании качества семян пшеницы / Д. Д. Барышев, Н. Н. Барышева, Е. В. Авдеева, С. П. Пронин // Высокопроизводительные вычислительные системы и технологии. 2022. Т. 6, № 1. С. 114–118. EDN: OOHCQI.

14. Поленов Д. Ю. Искусственный интеллект в регулировании продуктивности объектов сельского хозяйства // Вестник Воронежского государственного аграрного университета. 2021. Т. 14, № 1(68). С. 46–51. DOI: 10.53914/issn2071-2243_2021_1_46. EDN: XFNNWS.