Цифровизация методов прогноза урожайности сельскохозяйственных культур

   В статье приведены результаты разработки и применения современных методов прогноза урожайности сельскохозяйственных культур по Иркутской области на основе цифрового анализа. В исследовании приняли участие представители трех организаций, что является примером успешной интеграции научно-исследовательской и инновационной работы ученых. Использование комплексного статистического анализа и визуализации данных позволяет не только проводить расчеты, но и наглядно представлять результаты в виде графиков, давая возможность оценивать точность прогнозов через показатели их оправдываемости, абсолютной и относительной ошибки. При создании расчетных моделей использован многолетний ряд урожайности картофеля по всем категориям хозяйств и сельскохозяйственным предприятиям Иркутской области (данные предоставлены Иркутскстатом). Предложенное desktop-приложение разработано на базе языка программирования C#, имеет модульную структуру и включает три основных компонента: модуль взаимодействия с данными, модуль представления данных и модуль моделирования. Программа интегрирует как традиционные физико-статистические модели на основе данных наземной сети метеостанций, так и экспериментальные модели с применением индекса листовой поверхности (LAI), получаемого методами дистанционного зондирования. Созданные модели демонстрируют высокую точность прогнозирования с коэффициентом детерминации от 0,59 до 0,85. Программный продукт успешно прошел тестирование и внедрен в практическую деятельность Иркутского управления по гидрометеорологии и мониторингу окружающей среды согласно решению Центральной методической комиссии по гидрометеорологическим и гелиогеофизическим прогнозам. Особое внимание в работе уделено перспективам развития системы, включая расширение функционала за счет внедрения методов машинного обучения и создания моделей для других сельскохозяйственных культур.

   Практическая значимость представленной разработки заключается в возможности оперативного получения прогнозов урожайности, что способствует принятию обоснованных решений в области планирования сельскохозяйственного производства и обеспечения продовольственной безопасности региона.

1. Cesco S., Sambo P., Borin M., Basso B., Orzes G., Mazzetto F. Smart agriculture and digital twins: Applications and challenges in a vision of sustainability // European Journal of Agronomy. 2023. Vol. 146. Р. 126809. DOI: 10.3390/agronomy13081964.

2. Becker-Reshef I., Justice C., Barker B., Humber M., Rembold F., Bonifacio R., Zappacosta M., Budde M., Magadzire T., Shitote C., Pound J., Constantino A., Nakalembe C., Mwangi K., Sobue S., Newby T., Whitcraft A., Jarvis I., Verdin J. Strengthening agricultural decisions in countries at risk of food insecurity: the GEOGLAM crop monitor for early warning Remote Sens // Environ. 2020. Vol. 237. P. 111553. DOI: 10.1016/j.rse.2019.111553.

3. Liu K., Harrison M.T., Yan H., Liu D.L., Meinke H., Hoogenboom G., Wang B., Peng B., Guan K., Jaegermeyr J., Wang E., Zhang F., Yin X., Archontoulis S., Nie L., Badea A., Man J., Wallach D., Zhao J., Benjumea A.B., Fahad S., Tian X., Wang W., Tao F., Zhang Z., Rötter R., Yuan Y., Zhu M., Dai P., Nie J., Yang Y., Zhang Y. Silver lining to a climate crisis in multiple prospects for alleviating crop waterlogging under future climates // Nature Communications. 2023. Vol. 14. N 1. Р. 765. DOI: 10.1038/s41467-023-36129-4.

4. Archontoulis S.V., Castellano M.J., Licht M.A., Nichols V., Baum M., Huber I., Martinez-Feria R., Puntel L., Ordóñez R.A., Iqbal J., Wright E.E., Dietzel R.N., Helmers M., Vanloocke A., Liebman M., Hatfield J.L., Herzmann D., Córdova S.C., Edmonds P., Togliatti K., Kessler A., Danalatos G., Pasley H., Pederson C., Kendall R., Lamkey K.R. Predicting crop yields and soil plant nitrogen dynamics in the US Corn Belt // Crop Science. 2020. Vol. 60. N 2. P. 721–738. DOI: 10.1002/csc2.20039.

5. Ji Z., Pan Y., Zhu X., Wang J., Li Q. Prediction of crop yield using phenological information extracted from remote sensing vegetation index // Sensors. 2021. Vol. 21. N 4. Р. 1406. DOI: 10.3390/s21041406.

6. Wolanin A., Mateo-Garciá G., Camps-Valls G., Gómez-Chova L., Meroni M., Duveiller G., Liangzhi Y., Guanter L. Estimating and understanding crop yields with explainable deep learning in the Indian Wheat Belt // Environmental research letters. 2020. Vol. 15. N 2. Р. 024019. DOI: 10.1088/1748-9326/ab68ac.

7. Seffrin R., Araújo E.C., Bazzi C.L. Regression models for prediction of corn yield in the state of Paraná (Brazil) from 2012 to 2014 // Acta Scientiarum. Agronomy. 2018. Vol. 40. P. e36494. DOI: 10.4025/actasciagron.v40i1.36494.

8. Mathieu J.A., Aires F. Assessment of the agro-climatic indices to improve crop yield fore-casting // Agricultural and Forest Meteorology. 2018. Vol. 253. Р. 15–30. DOI: 10.1016/j.agrformet.2018.01.031.

9. Holzman M.E., Carmona F., Rivas R., Niclos R. Early assessment of crop yield from remotely sensed water stress and solar radiation data // ISPRS Journal of Photogrammetry and Remote Sensing. 2018. Vol. 145. P. 297–308. DOI: 10.1016/j.isprsjprs.2018.03.014.

10. Adisa O., Botai J., Adeola A., Hassen A., Botai C., Darkey D., Tesfamariam E. Application of artificial neural network for predicting maize production in South Africa // Sustainability. 2019. Vol. 11. P. 1145. DOI: 10.3390/su11041145.

11. Abbas F., Afzaal H., Farooque A.A., Tang S. Crop Yield Prediction through Proximal Sensing and Machine Learning Algorithms // Agronomy. 2020. Vol. 10. P. 1046. DOI: 10.3390/agronomy10071046.

12. Gómez D., Salvador P., Sanz J., Luis J. Casanova Potato yield prediction using machine learning techniques and sentinel 2 data // Remote Sensing. 2019. Vol. 11. N 15. Р. 1745. DOI: 10.3390/rs11151745.

13. Пищимко О.И., Гарафутдинова Л.В. Прогнозирование урожайности картофеля // Вестник Бурятской государственной сельскохозяйственной академии им. В.Р. Филиппова. 2022. № 4 (69). С. 15–22. DOI: 10.34655/bgsha.2022.69.4.002.