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.
Профессор Иркутского государственного аграрного университета имени А.А. Ежевского, доктор технических наук Ярослав Михайлович Иваньо.
Фото: Ольга Мерзлякова / «Научная Россия»
«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).
Новый подход позволяет получать краткосрочные и долгосрочные прогнозы урожайности.
Фото: Николай Малахин / «Научная Россия»
«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.
Для моделирования урожайности программный комплекс задействует два разных алгоритма.
Источник изображения: скриншот презентации коллектива Иркутского ГАУ для ИТ-конгресса в МГУ / предоставлено 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».
Разработка позволяет моделировать урожайность и планировать выручку от реализации продукции в разных условиях.
Источник изображения: скриншот презентации коллектива Иркутского ГАУ для ИТ-конгресса в МГУ / предоставлено Я.М. Иваньо
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».
Фото на стоп-кадре видео: Ольга Мерзлякова / «Научная Россия»
Новость подготовлена при поддержке Министерства науки и высшего образования РФ
Фото на превью: Николай Малахин / «Научная Россия»
Источники изображений в тексте: Ольга Мерзлякова / «Научная Россия», Николай Малахин / «Научная Россия», скриншоты презентации коллектива Иркутского ГАУ для ИТ-конгресса в МГУ / предоставлены Я.М. Иваньо.
Фото на стоп-кадре видео: Ольга Мерзлякова / «Научная Россия»
