Использование методов машинного обучения для оценки ожидаемой средней районной урожайности

В настоящем исследовании показано применение методов машинного обучения, для оценки ожидаемой урожайности озимой пшеницы на районном уровне. Для моделирования использовались следующие алгоритмы машинного обучения: полносвязная нейронная сеть, линейная регрессия, дерево решений и случайный лес. В качестве данных для обучения моделей использовался массив за период с 2012 по 2023 год, который включал следующие данные: спутниковые вегетационные индексы (NDVI, VCI, VCNI), полученные с сервиса ВЕГА-PRO, метеорологическую информацию и исторические данные о средней районной урожайности. Была выполнена предварительная обработка исходных данных, включающая интерполяцию, увеличение выборки за счёт объединения районов, нормализацию и устранение мультиколлинеарности. При разработке архитектуры нейронной сети проводился подбор оптимальных гиперпараметров: количество скрытых слоев, количество нейронов в каждом слое, функции активации, количество эпох, скорость обучения. Реализация нейронной сети осуществлялась с использованием языка программирования Python и библиотеки PyTorch. Результаты исследования показали, что нейронная сеть обеспечивает более точное совпадение рассчитанной и фактической урожайностей. Сравнение нейронной сети с традиционными регрессионными моделями, ранее разработанными во ВНИИСХМ, также показало превосходство нейронной сети. Таким образом использование методов машинного обучения позволяет при исследовании сложных геофизических систем, таких как «атмосфера-растение-почва» выявлять сложные многомерные нелинейные связи, присущие таким системам, обусловленных разнообразием физических процессов в атмосфере и почве и физиологических в растениях и их сложным распределением в пространстве и во времени. Практическое внедрение результатов исследования в систему оперативного мониторинга потребует проведения производственных испытаний и провидения исследований для других регионов и сельскохозяйственных культур.