Технологию прогнозирования урожайности сельскохозяйственных культур с помощью искусственного интеллекта разработали ученые из Иркутского государственного аграрного университета имени А.А. Ежевского. Полученный алгоритм лег в основу приложения для эффективного управления хозяйством. Авторы представили проект на X Международной конференции «Конвергентные когнитивно-информационные технологии» в рамках Международного конгресса «Современные проблемы компьютерных и информационных наук», прошедшего в МГУ в ноябре 2025 г.
Аграрное производство зависимо от внешних условий. На урожайность сельхозкультур влияют засухи, ливни, паводки, половодья и другие экстремальные явления, а также их сочетание. Эти риски нужно учитывать при планировании хозяйства.
Решить эту задачу на новом уровне призван программный комплекс с использованием нейросетей и средств машинного обучения, разработанный в Иркутском ГАУ. Исследование реализовано при поддержке Российского научного фонда (проект № 24-21-00502).
Новый подход позволяет моделировать урожайность разных культур — пшеницы, ячменя, овса, картофеля, капусты, моркови — и планировать выручку, которую может получить хозяйство, реализовав продукцию в разных условиях деятельности.
Подробнее о технологии корреспонденту «Научной России» рассказал один из авторов исследования, профессор Иркутского ГАУ, доктор технических наук Ярослав Михайлович Иваньо.
«На кафедре информатики и математического моделирования Иркутского ГАУ разработан алгоритм многоуровневого моделирования характеристик. В частности, он позволяет моделировать урожайность сельскохозяйственных культур в трех вариантах: при усредненных, неблагоприятных и благоприятных условиях, — объяснил Я.М. Иваньо. — Алгоритм также дает возможность моделировать экстремальные события — ситуации, в которых комплекс позитивных или негативных факторов (метеорологических, технологических и других) приводит к очень высокой или очень низкой урожайности. Например, засухи, ливни, паводки, вредители растений и т.п. могут спровоцировать сильное уменьшение урожая».
В первую очередь, работа алгоритма основана на зависимости урожайности от суточных показателей температуры воздуха и осадков в период выращивания культуры.
Новый подход позволяет получать разные виды прогнозов: краткосрочные (моделирование урожайности в текущем году с учетом температуры воздуха и осадков в начальный период вегетации) и долгосрочные (обычно на 3–5 лет вперед, хотя можно рассматривать и более длительные периоды).
«К прогнозированию привлекаются линейные модели машинного обучения и нейронные сети. Они опираются на многолетние показатели урожайности сельскохозяйственных культур, суточные температуры воздуха и суточные осадки, — рассказал Я.М. Иваньо. — Для получения прогноза используется база данных, содержащая информацию об урожайности сельскохозяйственных культур с 1996 г. по настоящее время, а также многолетние сведения о суточных температурах и осадках за вегетационный период на основе информации метеорологических пунктов наблюдений. Эта база данных ежегодно пополняется. На основе этой информации с помощью использованных нами алгоритмов можно получить прогноз урожайности для конкретных сельскохозяйственных предприятий, муниципальных районов и агроландшафтных районов. Точность результата в виде относительной или абсолютной погрешности зависит от объема информации».
На базе технологии исследователи создали приложение, объединяющее несколько «подпрограмм» и работающее на платформе Linux. «Интерфейс программного приложения реализован с помощью среды разработки Embarcadero Delphi 10.1 Berlin», — добавил Я.М. Иваньо.
В своей работе исследователи задействовали сразу несколько моделей машинного обучения.
«Мы рассматривали две нейросети — Temporal Fusion Transformer и DeepArt. Во время испытаний на примере прогнозирования урожайности в сельскохозяйственных районах Иркутской области лучший результат показала первая из них, — пояснил Я.М. Иваньо. — Помимо этого, мы использовали алгоритмы машинного обучения CatBoost (Categorical Boosting), RandomForest и LightGBM. Они широко используются для прогнозирования табличных данных и коротких временных рядов (перечней значений одного и того же показателя — например, урожайности или температуры воздуха — зафиксированных в разные моменты времени. — Примеч. корр.).
Для моделирования урожайности программный комплекс задействует два разных алгоритма. Первый позволяет прогнозировать урожайность сельскохозяйственных культур в зависимости от усредненных температур воздуха и осадков в рамках заданного интервала: в начале вегетационного периода либо на протяжении всего вегетационного периода. Во втором случае в вегетационном периоде выделяется интервал с наибольшим влиянием метеорологических факторов на урожайность: для нахождения таких промежутков времени как раз использовался алгоритм машинного обучения CatBoost».
Проект иркутских исследователей активно развивается. Как рассказал Я.М. Иваньо, ученые разрабатывают для программного комплекса дополнительные модули с разными возможностями.
«Мы уже разработали вариант модуля с использованием спутниковых и аэрофотоснимков с беспилотных авиационных систем для моделирования урожайности по индексу вегетации: этот подход традиционно используется для предсказания урожая в конце вегетационного периода и при его уборке, — подчеркнул Я.М. Иваньо. — В настоящее время мы также разрабатываем модуль для прогнозирования влияния на урожай вредителей сельскохозяйственных культур, в частности, саранчовых. Мы разработали для него алгоритм с использованием тех же нейронных сетей и алгоритмов машинного обучения (прежде всего, CatBoost) и уже получили обнадеживающие результаты».
Исследователь добавил, что разработанный алгоритм может использоваться для прогнозирования других производственно-экономических показателей, например, трудозатрат: «При этом временные ряды могут быть случайными и динамико-стохастическими, сочетая в себе изменчивость и элемент случайности».
Как и у любой технологии, у нового подхода есть ограничения: чтобы прогнозы были достаточно точными, алгоритму требуется большое количество многолетних данных об урожайности и метеорологических факторах. Но при достаточном объеме информации разработка открывает новые возможности в управлении разными процессами в агропромышленном комплексе.
«Мы использовали для моделирования урожайности около 200 временных рядов и получили достойные результаты, которые предложили для использования министерству сельского хозяйства Иркутской области, — поделился Я.М. Иваньо. — Они проявили интерес к нашей технологии, поскольку любое региональное министерство сельского хозяйства занимается разработкой планов и прогнозов по развитию отрасли. Для этого оно должно располагать информацией о тенденциях, которые наблюдаются в изменении той же урожайности и других производственно-экономических показателей. Мы планируем продолжать совместную работу».
Источник: «Научная Россия»