Нейро-аналитическое прогнозирование урожайности при программируемом возделывании сельскохозяйственных культур с учетом агротехнологических факторов

Актуальность. Планирование сельскохозяйственного производства предполагает совершенствование методов прогнозирования урожайности и продуктивности агрокультур. В сфере аграрного производства применяются различные методы прогнозирования, включая тренд-сезонные статистические модели, а также методы искусственного интеллекта и машинного обучения. Однако практическая реализация таких подходов сдерживает его широкое применение, в частности использование итерационного алгоритма вариационно-взвешенных приближений.

Объект исследования – ВР многолетних уровней урожайности различных сельскохозяйственных культур.

Методы исследования. Агрофизические процессы биопродуктивности с.-х. культур моделируются линейными и нелинейными дифференциальными уравнениями (ОДУ), а также дифференциальными уравнениями в частных производных. Для статистической оценки и аппроксимации эмпирических результатов использовался метод наименьших модулей и его взвешенная или обобщенная модификации. Основополагающим допущением моделирования, сформулированным А. П. Лихацевичем (Беларусь), принято, что каждый из факторов, формирующих урожайность, например уровень минерального питания и тепло- и влагообеспеченность, привносит изменение, не зависящее от влияния других факторов. Это может использоваться при математическом моделировании прогнозной урожайности посредством дифференциальных уравнений. Численные исследования для предварительного анализа получаемых результатов проводились в среде MS Excel v. 2016.

Результаты и обсуждение. Если моделирование уровня урожайности сельскохозяйственных культур факторов не увязывать с биологическими особенностями сельскохозяйственных культур и природно-климатическими условиями, то такие математические модели окажутся достаточно универсальными и могут адаптироваться для различных условий. На основе факторного подхода А. П. Лихацевича авторами получена аналитическая зависимость, обеспечивающая оперативную корректировку прогнозной урожайности с учетом результатов сегментации состояния посевов. Проиллюстрирована расчетами с использованием полученной авторами аналитической зависимости оценка снижения урожайности на основе численной обработки результатов сегментации состояния сельскохозяйственных полей, в частности величины R_defectn, полученной в процессе интеллектуального сегментирования участка посева, при задаваемом R_i,доп.

Выводы. Подтверждено расчетами, что снижение урожайности, на примере ячменя, от максимального значения 71.4 ц/га, при значениях R_defectn = 0.2 и принятом предельно допустимом R_i,доп = 0.6 составит до 55.6 ц/га, а сокращение урожайности составит 22%

1. Сафронова Т. И., Степанов В. И. Математические модели в задачах мелиорации: монография. Международный журнал экспериментального образования. 2015. № 10 (2). С. 165-166.

2. Хворова Л. А., Топаж А. Г. Построение моделей агроэкосистем и их адаптация к конкретным условиям. Научно-технические ведомости СПбГПУ. 2011. № 1 (115).

3. Суханов П. А., Комаров А. А., Полуэктов Р. А. Концептуальная модель базы данных для автоматизированного сбора информации о состоянии полей и посевов. Известия Санкт-Петербургского государственного аграрного университета. 2013. № 31. С. 91-95.

4. Хворова Л. А. Оптимизация процесса структурно-параметрической идентификации моделей продуктивности агроэкосистем. Известия Алтайского государственного университета. 2012. № 1-1 (73). С. 171-175.

5. Полуэктов Р. А., Топаж А. Г., Якушев В. П., Медведев С. А. Использование динамической модели агроэкосистемы для оценки влияния климатических изменений на продуктивность посевов. Вестник Российской академии сельскохозяйственных наук. 2012. № 2. С. 7.

6. Четырбоцкий В. А., Четырбоцкий А. Н., Левин Б. В. Математическое моделирование динамики минерального питания растений в системе «удобрение–почва–растение». Биофизика. 2020. Т. 65. № 6. С. 1219–1229.

7. Лихацевич А. П. Математическая модель урожая сельскохозяйственных культур. Вес. Нац. акад. навук Беларусі. Сер. аграр. навук. 2021. Т. 59. № 3. С. 304–318.

8. Рогачев А. Ф. Параметризация эконометрических зависимостей методом наименьших модулей. Управление экономическими системами: электронный научный журнал. 2011. № 3. С. 0421100034.

9. Рогачев А. Ф., Белоусов И. С. Моделирование процесса обучения нейросети DeepLabv3 для сегментации сельскохозяйственных полей. Вестник Дагестанского государственного технического университета. Технические науки. 2023. № 50 (3). С. 142-149.

10. Мелихова Е. В., Мелихов Д. А. Применение беспилотных летательных аппаратов в аграрном производстве. Международный журнал прикладных наук и технологий Integral. 2019. № 3. С. 29.

11. Семененко Н.Н. Торфяно-болотные почвы Полесья: трансформация и пути эффективного использования. Минск: Беларус. навука, 2015. 282 с.

12. Боровой Е. П. Применение космических снимков для выявления неиспользуемых земель в Быковском районе Волгоградской области. Стратегическое развитие АПК и сельских территорий РФ в современных международных условиях: материалы Международной научно-практической конференции, посвящённой 70-летию Победы в Великой Отечественной Войне 1941-1945 гг. Волгоград: Волгоградский ГАУ, 2015. Т. 3. С. 369-373.

13. Melikhova E. V., Rogachev A. F., Skiter N. N. Information system and database for simulation of irrigated crop growing. Studies in Computational Intelligence. 2019. Vol. 826. Pр. 1185-1191.