ПРОГНОЗИРОВАНИЕ УРОЖАЙНОСТИ ЗЕРНОВЫХ КУЛЬТУР НА ОСНОВЕ МЕТЕОРОЛОГИЧЕСКИХ ДАННЫХ С ПРИМЕНЕНИЕМ МАШИННОГО ОБУЧЕНИЯ

Авторы:Почёмин Никита Михайлович, Морковкин Геннадий Геннадьевич

631.559.004
Тематика: Современные проблемы мелиоративно-водохозяйственного комплекса и пути их решения
Просмотры: 157

Аннотация

Цель: разработка научно обоснованной методики прогнозирования урожайности зерновых культур на основе интеграции данных высокочастотного мониторинга с передовыми методами машинного обучения для последующей оптимизации режимов орошения.

Материалы и методы. Исследование выполнено на основе массива данных, полученных с сети из 38 автоматических метеостанций, расположенных в Алтайском крае и функционировавших в течение вегетационного периода 2024 г. Были собраны и обработаны почасовые данные по 29 метеорологическим параметрам. Для построения прогностических моделей применялся комплекс ансамблевых алгоритмов, включая Random Forest, Gradient Boosting и XGBoost, в сравнении с классическими линейными моделями. Для интерпретации результатов и выявления значимости предикторов использовался метод SHAP-анализа (SHapley Additive exPlanations).

Результаты. Установлено, что наилучшую прогностическую способность продемонстрировала модель Random Forest (R² = 0,012, RMSE = 14,10 ц/га). SHAP-анализ выявил нелинейный характер влияния метеофакторов. Ключевым предиктором урожайности является максимальная температура воздуха в июле. Определен пороговый эффект: при превышении максимальной температуры в июле (+34 °C) урожайность статистически значимо снижалась. Вторым по значимости фактором оказалось количество осадков в сентябре.

Выводы. Доказана эффективность применения методов машинного обучения и SHAP-анализа для выявления критических метеорологических порогов, влияющих на продуктивность зерновых культур в условиях орошения. Полученные результаты позволяют рекомендовать внедрение систем высокочастотного мониторинга и прогнозных моделей для оперативной корректировки режимов орошения, что способствует смягчению последствий температурного стресса и повышению эффективности водопользования в земледелии.

Ключевые слова

машинное обучение, прогнозирование урожайности, орошаемое земледелие, Random Forest, SHAP-анализ, метеорологические параметры, температурный стресс, эффективность мелиорации

Для цитирования

Почёмин Н. М., Морковкин Г. Г. Прогнозирование урожайности зерновых культур на основе метеорологических данных с применением машинного обучения // Пути повышения эффективности орошаемого земледелия. 2025. Т. 97, № 3. С. 187–202.

Об авторах

Н. М. Почёмин – аспирант кафедры почвоведения, мелиорации и геоэкологии, Государственный университет по землеустройству, Москва, Российская Федерация, pochyomin@list.ru, ORCID ID: 0000-0002-5899-5464;

Г. Г. Морковкин – профессор кафедры почвоведения, мелиорации и геоэкологии, доктор сельскохозяйственных наук, профессор, Государственный университет по землеустройству, Москва, Российская Федерация, ggmork@mail.ru, ORCID ID:0000-0001-8830-7135.

Список литературы

1. Математическая модель для прогнозирования урожайности яблони на подвое 62-396 / В. Л. Захаров, С. С. Бунеев, С. Ю. Шубкин, Б. А. Сотников, В. А. Кравченко // Вестник российской сельскохозяйственной науки. 2024. № 4. C. 69–71. DOI: 10.31857/S2500208224040126. EDN: XKVIHS.

2. Агрометеорологические условия и прогнозирование урожайности зерновых и зернобобовых культур в субъектах восточной части Сибирского федерального округа / А. И. Страшная, А. В. Павлова, Т. В. Кулакова, П. С. Кланг // Гидрометеорологические исследования и прогнозы. 2023. № 4(390), С. 118–137. DOI: 10.37162/2618-9631-2023-4-118-137. EDN: GLLOLU.

3. Padma T., Sinha D. Crop Yield Prediction Using Improved Random Forest // ITM Web of Conferences. 2023. Vol. 56. P. 02007. DOI: 10.1051/itmconf/20235602007. EDN: ZULROF.

4. Crop Yield Forecasting with Precise Machine Learning / S. K. Verma, S. Sinha, P. K. Deb Chaudhury [et al.] // International Conference on Innovative Computing and Communications: Proceedings of ICICC 2023, Vol. 3. Lecture Notes on Networks and Systems, Vol. 537. Singapore: Springer, P. 445–453. DOI: 10.1007/978-981-99-3010-4_38.

5. Reddy S. M., Naini S., Thatipamula S. An Optimized Machine Learning Approach for Predicting Various Crop Yields // SSRN Electronic Journal. 2021. DOI: 10.2139/ssrn.3808343.

6. Wheat Yield Prediction Using Machine Learning: A Survey / T. G. Debelee, S. R. Kebede, F. G. Waldamichael, D. M. Tadesse // Pan African Conference on Artificial Intelligence: Communications in Computer and Information Science. Vol. 1800. 2023. P. 114–132. DOI: 10.1007/978-3-031-31327-1_7.

7. An Ensemble Algorithm for Crop Yield Prediction / M. Keerthana, K. J. M. Meghana, S. Pravallika [et al.] // Proceedings of the 2021 5th International Conference on Trends in Electronics and Informatics (ICOEI). 2021. P. 1547–1552. DOI: 10.1109/ICICV50876.2021.9388479.

8. Tan J. A. Comparative Analysis of the Machine Learning Model for Crop Yield Prediction in Quezon Province, Philippines // Proceedings of the 2023 8th International Conference on Communication Systems and Network Technologies (CSNT). 2023. P. 1–5. DOI: 10.1109/CSNT57126.2023.10134593.

9. Machine Learning-Based Crop Yield Prediction in South India: Performance Analysis of Various Models / U. V. Nikhil, A. M. Pandiyan, S. P. Raja, Z. Stamenkovic // Computers. 2024. Vol. 13. № 6. Р. 137. DOI: 10.3390/computers13060137. EDN: GFHVUA.

10. Интерпретируемая модель машинного обучения для прогнозирования урожайности яровой пшеницы / В. К. Каличкин, В. И. Усенко, А. А. Гаркуша, Д. С. Федоров, К. Ю. Максимович // Российская сельскохозяйственная наука. 2025, № 2. С. 59–66. DOI: 10.31857/S2500262725020117. EDN: DFJMTX.

11. Файзуллин Р. В., Новикова О. А. Применение методов машинного обучения для прогнозирования в сельскохозяйственном секторе экономики // Интеллектуальные системы в производстве. 2024, № 22(2), С. 69–79. DOI: 10.22213/2410-9304-2024-2-69-79. EDN: SBLSEG.

12. L. B. Rananavare, S. Chitnis, Crop Yield Prediction Using Temporal Data // IEEE International Conference on Electronics, Computing and Communication Technologies (CONECCT) 2022. Bangalore, India, 2022. Р. 1–5, DOI: 10.1109/CONECCT55679.2022.9865791.

13. A. Raddekar, D. Chikmurge, M. Subhedar. Prediction of Crop Yield with Feature Dimension Reduction Method Using Regression Models // 7th International Conference On Computing: Communication, Control And Automation (ICCUBEA) 2023. Pune, India, 2023. pp. 1–6. DOI: 10.1109/ICCUBEA58933.2023.10392189.

14. Машинное обучение в качестве инструмента прогнозирования урожайности сельскохозяйственных культур / П. К. Куценогий, В. К. Каличкин, А. Л. Пакуль, С. П. Куценогий // Российская сельскохозяйственная наука. 2021, № 1. С. 72–75. DOI: 10.31857/S2500262721010178. EDN: GINGAQ.

15. Crop recommendation and yield prediction using machine learning algorithms / V. Sundari, M. Anusree, U. Swetha, R. Divya Lakshmi // World Journal of Advanced Research and Reviews. 2022. Vol. 14, №. 3. P. 452–459. DOI: 10.30574/wjarr.2022.14.3.0581. EDN: TVJSDU.

16. Rastog R., Bhardwaj M. K., Sharma A. Crop and Yield Prediction Through Machine Learning Techniques to Maximize Production: 21st Century Sustainable Approach for Smart Cities 5.0 // Proceedings 4th International Conference on Advances in Computing, Communication Control and Networking (ICAC3N). Greater Noida, India, 2022. P. 1286–1291. DOI: 10.1109/ICAC3N56670.2022.10074244.

17. Crop Yield Prediction Techniques Using Machine Learning Algorithms / M. Gupta, B. V. Santhosh Krishna, B. Kavyashree, H. R. Narapureddy, N. Surapaneni, K. Varma // 8th International Conference on Smart Structures and Systems (ICSSS) 2022. Chennai, India, 2022. Р. 1–7, DOI: 10.1109/ICSSS54381.2022.9782246.

18. Agriculture Crop Selection and Yield Prediction using Machine Learning Algorithms / M. Aruna Devi, D. Suresh, D. Jeyakumar, D. Swamydoss and M. Lilly Florence // Second International Conference on Artificial Intelligence and Smart Energy (ICAIS) 2022. Coimbatore, India, 2022. Р. 510–517. DOI: 10.1109/ICAIS53314.2022.9742846.

19. Toomula S., Pelluri S. Design of Kernel Extreme Learning Machine based Intelligent Crop Yield Prediction Model // International Conference on Automation, Computing and Renewable Systems (ICACRS) 2022. Pudukkottai, India, 2022. Р. 694–701. DOI: 10.1109/ICACRS55517.2022.10029093.

20. Machine Learning Algorithms for Crop Yield Prediction in Real-Time Scenarios / N. V. S. Krishna, P. Neeraj, B. Surya, B. V. Prudhvi and V. H. Deepthi // 4th International Conference on Signal Processing and Communication (ICSPC) 2023. Coimbatore, India, 2023. Р. 377–381. DOI: 10.1109/ICSPC57692.2023.10126011.

21. Архипова М. Ю. Моделирование урожайности зерновых культур сельскохозяйственных регионов c использованием технологий компьютерного зрения // Экономика региона. 2022. Т. 18, № 2. С. 581–594. DOI: 10.17059/ekon.reg.2022-2-20. EDN: HWJDJG.

22. Морковкин Г. Г., Шаповалов Д. А., Максимова Н. Б. Разработка методики оценки состояния плодородия земель на основе моделирования урожайности сельскохозяйственных культур по природным зонам Алтайского края // Международный сельскохозяйственный журнал. 2025. Т. 68, № 4(406). С. 433–437. DOI: 10.55486/25876740_2025_68_4_433.