Нейросетевое прогнозирование запасов продуктивной влаги в почве перед посевом зерновых культур

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.

1. Вериго С. А., Разумова С. А. Почвенная влага и ее значение в сельскохозяйственном производстве. – Л.: Гидрометеоиздат, 1963. – 292 с.

2. 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.

3. 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.

4. 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.

5. 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.

6. 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.

7. 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.

8. Вадюнина А. Ф., Корчагина З. А. Методы исследования физических свойств почв. – М.: Агропромиздат, 1986. – 415 с.

9. Адаптивно-ландшафтные системы земледелия Новосибирской области / Кирюшин В. И., Власенко А. Н., Каличкин В. К. [и др.]. – Новосибирск: СибНИИЗиХ сельского хозяйства, 2000. – 388 с.

10. Федоровский Д. В. Определение водных и физических свойств почвы при проведении полевых и вегетационных опытов // Агрохимические методы исследований почв. – М.: Наука, 1975. – 333 с.

11. Неверов А. А. Прогнозирование почвенных влагозапасов на основе статистического моделирования природных процессов // Известия Оренбургского государственного аграрного университета. – 2020. – № 2 (82). – С. 14–18.

12. Тарасова Л. Л. Долгосрочный прогноз градаций увлажнения метрового слоя почвы весной // Агрофизика. – 2021. – № 1. – С. 33–38.

13. Медведева Е. С., Атоян Т. В., Киримова К. В. Исследование методов измерения влажности почвы // Молодой ученый. – 2020. – № 51 (341). – С. 449–452.

14. 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.

15. Kashyap B., Kumar R. Sensing Methodologies in Agriculture for Soil Moisture and Nutrient Monitoring // IEEE Access. – 2021. – Vol. 9. – P. 14095–14121.

16. 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.

17. 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.

18. 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.

19. 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.

20. 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.

21. 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.2018.09.002

22. Свищёв А. В., Гейкер А. М. Применение больших объемов данных и машинного обучения в сельском хозяйстве // E-Scio. – 2021. – № 11 (62). – С. 283–291.

23. 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.

24. 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.

25. Бююль А., Цеффель П. SPSS: искусство обработки информации. – СПб.: Диа-СофтЮП, 2005. – 608 с.

26. Николенко С. И., Кадурин А. А., Архангельская Е. В. Глубокое обучение. – СПб.: Питер, 2018. – 480 с.

27. Khaikin S. Neural networks: full course / M.: Williams, 2016. – 1104 p