Прогнозирование содержания нитратного азота в почве с использованием машинного обучения

Исследованы возможности и целесообразность применения Байесовской сети доверия и логистической регрессии для прогнозирования содержания нитратного азота в слое почвы 0-40 см перед посевом. Для обучения моделей использованы данные длительного многофакторного полевого опыта Сибирского научно-исследовательского института земледелия и химизации сельского хозяйства СФНЦА РАН за 2013–2018 гг. Опыт заложен на черноземе выщелоченном на территории центрально-лесостепной подзоны в 1981 г. в Новосибирской области. Учитывая особенности статистической выборки (данных наблюдений и анализов), определены основные предикторы моделей, влияющие на содержание нитратного азота в почве. Байесовская сеть доверия построена в виде ациклического графа, в котором обозначаются главные (основные) узлы и их взаимоотношения. Узлы сети представлены качественными и количественными параметрами рабочего участка (подтип почвы, предшественник, обработка почвы, погодные условия) с соответствующими градациями (событиями). В результате заполнения экспертами таблицы условных вероятностей с учетом анализа эмпирических данных сеть присваивает апостериорную вероятность наступления событий для целевого узла (содержание нитратного азота в слое почвы 0–40 см). Для проверки устойчивости работы сети проанализированы два сценария развития событий, получены удовлетворительные показатели. В результате построения логистической регрессии получены коэффициенты, характеризующие тесноту связи между зависимой переменой и предикторами. Коэффициент детерминации логистической регрессии равен 0,7. Это свидетельствует о том, что качество модели можно считать допустимым для прогнозирования. Дана сравнительная оценка прогностических возможностей обученных моделей. Общая доля правильных прогнозов для Байесовской сети доверия составляет 84%, для логистической регрессии – 87%.

1. Zhai Z., Fernán J., Beltran M.V., Martínez N.L. Decision support systems for agriculture 4.0: Survey and challenges // Computers and Electronics in Agriculture. 2020. Vol. 170. P. 105256. DOI: 10.1016/j.compag.2020.105256.

2. Bendre M., Manthalkar R. Time series decomposition and predictive analytics using MapReduce framework // Expert Systems with Applications. 2019. Vol. 116. P. 108–120. DOI:10.1016/j.eswa.2018.09.017.

3. Khaki S., Wang L., Archontoulis S.V. A cnn-rnn framework for crop yield prediction // Frontiers in Plant Science. 2020. Vol. 10. P. 1750. DOI: 10.3389/fpls.2019.01750.

4. Benos L., Tagarakis A.C., Dolias G., Remigio B. Machine Learning in Agriculture: A Comprehensive Updated Review // Sensors. 2021. Vol. 21. N 11. P. 3758. DOI: 10.3390/s21113758.

5. Cravero A., Sepúlveda S. Use and Adaptations of Machine Learning in Big Data – Applications in Real Cases in Agriculture // Electronics. 2021. Vol. 10. N 5. P. 552. DOI: 10.3390/electronics10050552.

6. Paudel D., Boogaard H., Wit A. Janssen S., Osinga S., Pylianidis C., Athanasiadis I. Machine learning for large-scale crop yield forecasting // Agricultural Systems. 2021. Vol. 187. P. 103016. DOI: 10.1016/j.agsy.2020.103016.

7. Drury B., Valverde-Rebaza J., Moura M.-F., Andrade Lopes, A. A survey of the applications of Bayesian networks in agriculture // Engineering Applications of Artificial Intelligence. 2017. Vol. 65. P. 29–42. DOI: 10.1016/j.engappai.2017.07.003.

8. Fenton N., Neil M., Lagnado D., Yet B., Constantinou A.C. How to model mutually exclusive events based on independent causal pathways in Bayesian network models // Knowledge-Based Systems. 2016. Vol. 113. P. 39–50. DOI: 10.1016/j.knosys.2016.09.12.

9. Айвазян С.А. Байесовский подход в эконометрическом анализе // Прикладная эконометрика. 2008. № 1 (9). С. 93–130.

10. Торопова А.В. Подходы к диагностике согласованности данных в байесовских сетях доверия // Труды СПИИРАН. 2015. Т. 6. № 43. С. 156–178.

11. Прищепов А.В., Понькина Е.В., Сун Ж., Мюллер Д. Выявление детерминант урожайности пшеницы в Западной Сибири с использованием байесовских сетей // Пространственная экономика. 2019. Т. 15. № 1. С. 39–83. DOI: 10.14530/se.2019.1.039-083.

12. Zvizdojevic J., Vukotic M. Application of statistical methods in analysis of agriculture-correlation and regression analysis // Poljoprivreda i Sumarstvo. 2015. Vol. 61. N 1. P. 309–323. DOI: 10.17707/AgricultForest.61.1.38.

13. Литвиненко Н.Г., Литвиненко А.Г., Мамырбаев О.Ж. Байесовские сети. Теория и практика: монография. Алматы: Институт информационных и вычислительных технологий КН МОН РК, 2020. 197 с.

14. Наследов А.Д. IBM SPSS Statistics 20 и AMOS // Профессиональный статистический анализ данных. СПб.: Питер, 2013. 416 с.