Машинное обучение для прогнозирования урожайности ярового ячменя в зависимости от агроклиматических условий

Аннотация

Представлены результаты исследования по прогнозированию урожайности ярового ячменя в зависимости от агроклиматических условий года возделывания с помощью методов машинного обучения. Для прогнозирования урожайности культуры ячменя использовали данные, полученные в полевом опыте лаборатории генофонда растений СибНИИРС – филиала ИЦИГ СО РАН в 2014-2024 гг., расположенного в р.п. Краснообск Новосибирского района Новосибирской области. Агроклиматические ресурсы в годы исследований рассчитаны по данным АМС «Огурцово». Для обучения и тестирования моделей машинного обучения использовали три набора данных, содержащие в различном сочетании признаки и переменную отклика – урожайность ярового ячменя, г/м². В качестве цифровых признаков использовали среднемесячные и среднедекадные температуры воздуха, °C; среднемесячные и среднедекадные количества осадков, мм; сумму температур воздуха ≥ 10°C за вегетационный период, °C; сумму осадков за осеннее-зимний период (с сентября по март), мм; продолжительность периода вегетации, дней. В качестве категоральных признаков выступали «сорт» и «год исследования». Для построения моделей прогнозирования урожайности ярового ячменя применяли линейную регрессию, линейную регрессию с кросс-валидацией, метод опорных векторов для регрессии (SVR), случайный лес (Random Forest) и гипероптимизированный градиентный бустинг (HGBoost). Самая высокая точность прогнозирования урожайности культуры достигнута при реализации модели HGBoost на всех наборах данных. Однако наибольшая точность (89,1%) получена на наборе данных, содержащего среднемесячные значения температуры воздуха и количества осадков, продолжительность периода вегетации культуры, а также категориальные признаки «сорт» и «год исследования». Остальные модели машинного обучения уступали в точности прогнозов урожайности ярового ячменя модели HGBoost. Точность прогнозирования не увеличивалась и при изменении структуры данных. Моделирование прогнозов урожайности ярового ячменя показало, что для достижения приемлемой точности работы модели HGBoost достаточно минимального количества агроклиматических данных.