innfoodsecrИнновации и продовольственная безопасностьInnovations and Food Safety2311-0651Издательский центр Новосибирского государственного аграрного университета «Золотой колос»10.31677/2311-0651-2024-46-4-91-102innfoodsecr-1042Research ArticleРЕСУРСОСБЕРЕГАЮЩИЕ ТЕХНОЛОГИИ В ЗЕМЛЕДЕЛИИ, АГРОХИМИИ, СЕЛЕКЦИИ И СЕМЕНОВОДСТВЕRESOURCE-SAVING TECHNOLOGIES IN AGRICULTURE, AGROCHEMISTRY, BREEDING AND SEED PRODUCTIONНейросетевое прогнозирование запасов продуктивной влаги в почве перед посевом зерновых культурNeural network forecasting of productive moisture reserves in soil before sowing grain cropsКизимоваТ. А.KizimovaT. A.

Т.А. Кизимова, младший научный сотрудник

T.A. Kizimova, Junior Researcher

tanya.luzhnykh@mail.ruВасильеваН. В.VasilievaН. В.

Н.В. Васильева, кандидат биологических наук, старший научный сотрудник

Н.В. Vasilieva, PhD in Biological Sciences, Senior Researcher

ШпакВ. А.ShpakV. A.

В.А. Шпак, кандидат физико-математических наук, старший научный сотрудник

V.A. Shpak, PhD in Physical and Mathematical Sciences, Senior Researcher

Сибирский федеральный научный центр агробиотехнологий РАНРоссияSiberian Federal Scientific Center of Agrobiotechnologies RASRussian Federation2024260320250491102Copyright © Кизимова Т.А., Васильева Н.В., Шпак В.А., 20252025Кизимова Т.А., Васильева Н.В., Шпак В.А.Kizimova T.A., Vasilieva Н.В., Shpak V.A.This work is licensed under a Creative Commons Attribution 4.0 License.https://innfoodsecr.elpub.ru/jour/article/view/1042

Почвенные запасы влаги являются одним из основных факторов, влияющих на рост и развитие растений в период вегетации. Поэтому их предварительная оценка играет большую роль при планировании агротехнических мероприятий на весенний-летний период, что, в свою очередь, влияет на урожайность и в целом на эффективность сельскохозяйственного производства. В статье предложен метод прогнозирования запасов влаги в метровом слое почвы перед посевом зерновых культур, основанный на построении и обучении искусственной нейронной сети (ИНС). Для построения нейронной сети использовали данные многофакторного полевого опыта СибНИИЗиХ СФНЦА РАН (центральная лесостепь). Данные включают результаты исследований агрофизических и агрохимических показателей почвы в четырёхпольном зернопаровом севообороте с 1996 по 2018 г. Построенная нейросеть имеет архитектуру многослойного персептрона, состоящего из входного, скрытого и выходного слоя. Входной слой принимает данные в виде предикторов, а именно: предшественник, способ обработки почвы, погодные условия, осенний запас продуктивной влаги предшествующего года, – т. е. факторы, влияющие на прогнозируемую переменную. В скрытом слое происходит преобразование и обработка входных данных, выходной слой генерирует прогноз модели. Разработанная нейронная сеть продемонстрировала достаточно высокую точность прогнозирования. Общий процент достоверно прогнозируемых наблюдений составил 80,6 %. ROC-анализ, проведенный для оценки предсказательной способности нейросети, показал, что площадь под кривой ROC для каждой категории была близкой к 1. Это свидетельствует о том, что нейронная сеть имеет высокую предсказательную силу и способна точно определять различные категории целевого показателя.

Soil moisture reserves are one of the main factors limiting the growth and development of plants during the vegetation period of agricultural crops, their preliminary assessment plays a major role in the planning of agrotechnical measures for the spring summer period, which in turn affects the yield and efficiency of agricultural production. The article proposes a method of predicting moisture content in a meter layer of soil before sowing grain crops, based on the construction and training of an artificial neural network. To build an artificial neural network we used the data of multifactorial field experience of the Siberian Research Institute of Crop Production of SFNCA RAS (central forest-steppe). The data include the results of studies of agrophysical and agrochemical factors in a four-field grain-fallow crop rotation from 1996 to 2018. T The constructed artificial neural network has the architecture of a multilayer perseptron consisting of an input, hidden and output layer. The input layer accepts data in the form of predictors, namely: predecessor, tillage method, weather conditions, autumn productive moisture reserve of the previous year, i. e. factors affecting the predicted variable. The hidden layer transforms and processes input data, while the output layer generates model predictions. The developed artificial neural network demonstrated a fairly high accuracy of forecasting. The total percentage of reliably predicted observations was 80.6 %. The ROC analysis performed to evaluate the predictive ability of the neural network showed that the area under the ROC curve for each category was close to 1. This indicates that the neural network has high predictive power and is able to accurately identify the different categories of the target indicator.

почвенная влагапрогнознейронная сетьзерновые культурыsoil moisturepredictionneural networkgrain cropsReferencesВериго С. А., Разумова С. А. Почвенная влага и ее значение в сельскохозяйственном производстве. – Л.: Гидрометеоиздат, 1963. – 292 с.Verigo S.A., Razumova S.A. Pochvennaya vlaga i ee znachenie v sel`skoxozyajstvennom proizvodstve (Soil moisture and its importance in agricultural production), Leningrad: Gidrometeoizdat, 1963, 292 p.Влияние продуктивной влаги на урожайность сельскохозяйственных культур в засушливых условиях Оренбургской области / Д. В. Митрофанов, Н. А. Максютов, В. Ю. Скороходов [и др.] // Животноводство и кормопроизводство. – 2017. – № 4 (100). – С. 225–233.Mitrofanov D.V., Maksyutov N.A., Skoroxodov V.Yu. [i dr.], Zhivotnovodstvo i kormoproizvodstvo, 2017, No. 4 (100), pp. 225–233. (In Russ.)Шарков И. Н., Колбин С. А. Влияние погодных условий вегетационного периода на урожайность яровой пшеницы и эффективность азотного удобрения в лесостепи Приобья // Вестник Новосибирский государственный аграрный университет. – 2020. – № 1 (54). – С. 33–41. – DOI: 10.31677/2072-6724-2020-54-1-33-41.Sharkov I. N., Kolbin S. A. Vestnik NGAU, 2020, No. 1 (54), pp. 33–41, DOI: 10.31677/2072-6724-2020-54-1-33-41. (In Russ.)Чурзин В. Н., Серебряков А. А. Роль атмосферных осадков и почвенной влаги в зависимости от способов основной обработки черного пара при выращивании озимой пшеницы на светло-каштановых почвах Волгоградской области // Известия Нижневолжского агроуниверситетского комплекса: наука и высшее профессиональное образование. – 2014. – № 3 (35). – С. 83–88.Churzin V.N., Serebryakov A.A., Izvestiya Nizhnevolzhskogo agrouniversitetskogo kompleksa: nauka i vy`sshee professional`noe obrazovanie, 2014, No. 3 (35), pp. 83–88. (In Russ.)Мухитов Л. А. Влияние условий водообеспеченности на формирование листовой поверхности разных экотипов яровой пшеницы в лесостепи Оренбургского Предуралья // Известия Оренбургского государственного аграрного университета. – 2010. – № 4 (28–1). – С. 35–37.Muxitov L.A. Izvestiya Orenburgskogo gosudarstvennogo agrarnogo universiteta, 2010, No. 4 (28-1), pp. 35–37. (In Russ.)Серебряков В. Ф. Роль весенних запасов продуктивной влаги и атмосферных осадков в формировании урожая озимой пшеницы // Известия Нижневолжского агроуниверситетского комплекса: наука и высшее профессиональное образование. – 2013. – № 4 (32). – С. 63–67.Serebryakov V.F. Izvestiya Nizhnevolzhskogo agrouniversitetskogo kompleksa: Nauka i vy`sshee professional`noe obrazovanie. – 2013. – № 4 (32). – S. 63–67. (In Russ.)Запасы продуктивной влаги по природно-почвенным зонам Алтайского края и их влияние на урожайность яровой пшеницы / Н. Б. Максимова, С. Б. Тарасова, Г. Г. Морковкин, Д. В. Арнаут // Вестник Алтайского государственного аграрного университета. – 2018. – № 4 (162). – С. 87–92.Maksimova N.B., Tarasova S.B., Morkovkin G.G., Arnaut D.V., Vestnik Altajskogo gosudarstvennogo agrarnogo universiteta, 2018, No. 4 (162), pp. 87–92. (In Russ.)Вадюнина А. Ф., Корчагина З. А. Методы исследования физических свойств почв. – М.: Агропромиздат, 1986. – 415 с.Vadyunina A.F., Korchagina Z.A. Metody` issledovaniya fizicheskix svojstv pochv (Methods of research of physical properties of soils), Moscow: Agropromizdat, 1986, 415 p.Адаптивно-ландшафтные системы земледелия Новосибирской области / Кирюшин В. И., Власенко А. Н., Каличкин В. К. [и др.]. – Новосибирск: СибНИИЗиХ сельского хозяйства, 2000. – 388 с.Adaptivno-landshaftny`e sistemy` zemledeliya Novosibirskoj oblasti / Kiryushin V. I., Vlasenko A. N., Kalichkin V. K. [i dr.]. – Novosibirsk: Sibirskij NII zemledeliya i ximizacii sel`skogo xozyajstva, 2000. – 388 s.Федоровский Д. В. Определение водных и физических свойств почвы при проведении полевых и вегетационных опытов // Агрохимические методы исследований почв. – М.: Наука, 1975. – 333 с.Fedorovskij D.V. Agroximicheskie metody` issledovanij pochv (Agrochemical methods of soil research), Moscow: Nauka, 1975, 333 p.Неверов А. А. Прогнозирование почвенных влагозапасов на основе статистического моделирования природных процессов // Известия Оренбургского государственного аграрного университета. – 2020. – № 2 (82). – С. 14–18.Neverov A.A. Izvestiya Orenburgskogo gosudarstvennogo agrarnogo universiteta, 2020, No. 2 (82), pp. 14–18. (In Russ.)Тарасова Л. Л. Долгосрочный прогноз градаций увлажнения метрового слоя почвы весной // Агрофизика. – 2021. – № 1. – С. 33–38.Tarasova L.L. Agrofizika, 2021, No. 1, pp. 33–38. (In Russ.)Медведева Е. С., Атоян Т. В., Киримова К. В. Исследование методов измерения влажности почвы // Молодой ученый. – 2020. – № 51 (341). – С. 449–452.Medvedeva E.S., Atoyan T.V., Kirimova K.V., Molodoj ucheny`j, 2020, No. 51 (341), pp. 449–452. (In Russ.)Антонова О. С., Неврюев А. М., Шлапак П. А. Использование данных ДЗЗ для анализа влагообеспеченности сельскохозяйственных угодий (на примере Саратовского Заволжья) // Геоинформационное картографирование в регионах России: материалы XI Всерос. науч.-практ. конф. Воронеж, 23–24 ноября 2020 г. – Воронеж: Цифровая полиграфия, 2020. – С. 22–27.Antonova O.S., Nevryuev A.M., Shlapak P.A., Geoinformacionnoe kartografirovanie v regionax Rossii (Geoinformation mapping in the regions of Russia), Proceedings of the XI All-Russian Scientific and Practical Conference, Voronezh, November 23-24, 2020, Voronezh: Cifrovaya poligrafiya, 2020, pp. 22– 27. (In Russ.)Kashyap B., Kumar R. Sensing Methodologies in Agriculture for Soil Moisture and Nutrient Monitoring // IEEE Access. – 2021. – Vol. 9. – P. 14095–14121.Kashyap B., Kumar R. Sensing Methodologies in Agriculture for Soil Moisture and Nutrient Monitoring, IEEE Access, 2021, Vol. 9, P. 14095–14121.Prediction of Soil Moisture Content from Sentinel-2 Images Using Convolutional Neural Network CNN / E. Hegazi, А. Samak, Ya. Lingbo, R. Huang // Agronomy. – 2023. – № 13 (3). – P. 656–674. – DOI: 10.3390/agronomy13030656.Hegazi E., Samak A., Lingbo Ya., Huang R., Prediction of Soil Moisture Content from Sentinel-2 Images Using Convolutional Neural Network CNN, Agronomy, 2023, No. 13 (3), P. 656–674, DOI: 10.3390/agronomy13030656.Метод мониторинга влажности почвы, покрытой растительным покровом, с использованием нейронной сети, радарных и мультиспектральных оптических данных Sentinel-1, 2 / А. М. Зейлигер, К. В. Музалевский, Е. В. Зинченко, О. С. Ермолаева // Журнал радиоэлектроники. – 2023. – № 1. – С. 1–17.Zejliger A.M., Muzalevskij K.V., Zinchenko E.V., Ermolaeva O.S., Zhurnal radioe`lektroniki, 2023, No. 1, pp. 1–17. (In Russ.)Chatterjee S., Dey N., Sen S. Soil Moisture Quantity Prediction using Optimized Neural Supported model for sustainable agricultural applications // Sustainable Computing: Informatics and Systems. – 2018. – Vol. 28. – P. 100279. – DOI: https://doi.org/10.1016/j.suscom.2018.09.002.Chatterjee S., Dey N., Sen S., Sustainable Computing: Informatics and Systems, 2018, Vol. 28, P. 100279, DOI: https://doi.org/10.1016/j.suscom.2018.09.002.Голов В. А., Быков Ф. Л. Моделирование запасов продуктивной влаги в верхних слоях почвы методом нейронных дифференциальных уравнений // Гидрометеорологические исследования и прогнозы. – 2022. – № 3 (385). – С. 144–160. – DOI: 10.37162/2618-9631-2022-3-144-160.Golov V.A., By`kov F.L., Gidrometeorologicheskie issledovaniya i prognozy`, 2022, No. 3 (385), pp. 144– 160, DOI: 10.37162/2618-9631-2022-3-144-160. (In Russ.)Soil Moisture Prediction with Attention-Enhanced Models: A Deep Learning Approach / V. Grubsiic, D. Vasic, H. Ljubic [et al.] // Authorea Preprints. – 2024. – DOI: 10.36227/techrxiv.170792419.92585917/v1.Grubsiic V., Vasic D., Ljubic H. [et al.], Soil Moisture Prediction with Attention-Enhanced Models: A Deep Learning Approach, Authorea Preprints, 2024, DOI: 10.36227/techrxiv.170792419.92585917/v1.Sankhadeep C., Nilanjan D., Soumya S. Soil moisture quantity prediction using optimized neural supported model for sustainable agricultural applications // Sustainable Computing: Informatics and Systems. – 2020. – Vol. 28, article 10027. – DOI: https://doi.org/10.1016/j.suscom.2018.09.002Sankhadeep C., Nilanjan D., Soumya S., Soil moisture quantity prediction using optimized neural supported model for sustainable agricultural applications, Sustainable Computing: Informatics and Systems, 2020, Vol. 28, article 10027, DOI: https://doi.org/10.1016/j.suscom.2018.09.002Свищёв А. В., Гейкер А. М. Применение больших объемов данных и машинного обучения в сельском хозяйстве // E-Scio. – 2021. – № 11 (62). – С. 283–291.Svishhyov A.V., Gejker A.M., E-Scio, 2021, No. 11 (62), pp. 283–291.Применение технологий искусственного интеллекта в сельском хозяйстве / Е. А. Скворцов, В. И. Набоков, К. В. Некрасов [и др.] // Аграрный вестник Урала. – 2019. – № 8 (187). – С. 91–98.Skvorczov E.A., Nabokov V.I., Nekrasov K.V. [i dr.], Agrarny`j vestnik Urala, 2019, No. 8 (187), pp. 91–98. (In Russ.)Каличкин В. К., Корякин Р. А., Куценогий П. К. Интеллектуальные системы в сельском хозяйстве (теоретический анализ возможного приложения): монография. – Новосибирск: СФНЦА РАН, 2020. – 296 с.Kalichkin V.K., Koryakin R.A., Kucenogij P.K. Intellektual`ny`e sistemy` v sel`skom xozyajstve (Intelligent systems in agriculture), Novosibirsk: SFNCzA RAN, 2020, 296 p.Бююль А., Цеффель П. SPSS: искусство обработки информации. – СПб.: Диа-СофтЮП, 2005. – 608 с.Byuyul` A., Ceffel` P. SPSS: iskusstvo obrabotki informacii (SPSS: the art of information processing), Saint Petersburg: Dia-SoftYuP, 2005, 608 p.Николенко С. И., Кадурин А. А., Архангельская Е. В. Глубокое обучение. – СПб.: Питер, 2018. – 480 с.Nikolenko S.I., Kadurin A.A., Arxangel`skaya E.V. Glubokoe obuchenie (Deep learning), Saint Petersburg: Piter, 2018, 480 p.Khaikin S. Neural networks: full course / M.: Williams, 2016. – 1104 pKhaikin S. Neural networks: full course, Moscow: Williams, 2016, 1104 p.

The authors declare that there are no conflicts of interest present.