Ученые Иркутского государственного аграрного университета имени А.А. Ежевского создали технологию прогнозирования урожайности сельскохозяйственных культур на базе искусственного интеллекта. Этот алгоритм стал основой для приложения, предназначенного для оптимизации управления хозяйственной деятельностью. Проект был представлен на X Международной конференции «Конвергентные когнитивно-информационные технологии» в рамках Международного конгресса «Современные проблемы компьютерных и информационных наук», который состоялся в МГУ в ноябре 2025 года.
Сельскохозяйственное производство подвержено воздействию внешних факторов. На урожайность сельскохозяйственных культур влияют засухи, ливни, паводки, половодья и другие неблагоприятные погодные условия, а также их комбинации. Данные риски необходимо принимать во внимание при планировании деятельности хозяйства.
Программный комплекс, основанный на нейросетях и методах машинного обучения и созданный в Иркутском ГАУ, предназначен для решения этой задачи на качественно новом уровне. Данное исследование выполнялось при финансовой поддержке Российского научного фонда (проект № 24-21-00502).
Предложенная методика дает возможность прогнозировать урожайность различных сельскохозяйственных культур, таких как пшеница, ячмень, овес, картофель, капуста и морковь, а также оценивать потенциальную выручку, которую сможет получить хозяйство от продажи своей продукции в различных условиях.
Одной из технологий корреспонденту «Научной России» прокомментировал один из разработчиков исследования, профессор Иркутского ГАУ, доктор технических наук Ярослав Михайлович Иваньо.
«На кафедре информатики и математического моделирования Иркутского ГАУ был разработан алгоритм многоуровневого моделирования характеристик. Этот алгоритм, в частности, позволяет создавать модели урожайности сельскохозяйственных культур в трех сценариях: при средних, неблагоприятных и благоприятных условиях, — пояснил Я.М. Иваньо. — Алгоритм позволяет моделировать и экстремальные события — ситуации, характеризующиеся влиянием комплекса позитивных или негативных факторов (метеорологических, технологических и других), которые приводят к значительному увеличению или снижению урожайности. К примеру, такие явления, как засухи, ливни, паводки, нашествие вредителей растений и подобные, способны вызвать резкое сокращение объемов урожая».
Сначала алгоритм функционирует, учитывая влияние суточных температурных колебаний и количества выпавших осадков на урожайность в течение всего периода выращивания.
Предлагаемый метод обеспечивает возможность формирования различных типов прогнозов: краткосрочных, например, оценка урожайности в текущем году с учетом температуры воздуха и количества осадков в начале вегетационного периода, и долгосрочных, которые обычно охватывают 3–5 лет, хотя возможен и анализ более протяженных временных интервалов).
«Для прогнозирования используются линейные модели машинного обучения и нейронные сети. В качестве данных они учитывают многолетние показатели урожайности сельскохозяйственных культур, а также суточные температуры воздуха и суточные осадки, — сообщил Я.М. Иваньо. — Для составления прогноза применяется база данных, включающая сведения об урожайности сельскохозяйственных культур начиная с 1996 года и до текущего момента, а также многолетние данные о суточных температурах и количестве осадков в течение вегетационного периода, полученные на основе информации от метеорологических станций. Данная база данных ежегодно обновляется. С использованием разработанных нами алгоритмов и опираясь на эти данные, можно получить прогноз урожайности для отдельных сельскохозяйственных предприятий, муниципальных районов и агроландшафтных зон. Величина погрешности, выраженная в относительных или абсолютных значениях, определяется объемом доступной информации».
Благодаря разработанной технологии, ученые создали приложение, которое объединяет в себе несколько специализированных модулей и функционирует на определенной платформе Linux. «Интерфейс программного приложения разработан с использованием среды разработки Embarcadero Delphi 10.1 Berlin», — добавил Я.М. Иваньо.
Для проведения исследования специалисты использовали ряд моделей машинного обучения.
«Мы рассматривали две нейросети — Temporal Fusion Transformer и DeepArt. Пояснил Я.М. Иваньо. — Кроме того, в работе применялись алгоритмы машинного обучения CatBoost (Categorical Boosting), RandomForest и LightGBM. Эти модели находят широкое применение в прогнозировании структурированных данных и краткосрочных временных последовательностей (речь идет о последовательности значений одного и того же параметра, таких как урожайность или температура воздуха, измеренных в различные периоды времени. — Примеч. корр.) .
Для моделирования урожайности программный комплекс применяет два различных алгоритма. Первый позволяет прогнозировать урожайность сельскохозяйственных культур, учитывая усредненные температуры воздуха и количество осадков за определенный период: либо в начале вегетационного периода, либо в течение всего времени роста растений. Второй алгоритм выделяет этап вегетационного периода, когда метеорологические факторы оказывают наибольшее воздействие на урожайность, и для определения таких периодов использовался метод машинного обучения CatBoost».
Проект, реализуемый иркутскими учеными, находится в стадии активного развития. Об этом сообщил Я.М. Иваньо, в настоящее время разработчики создают для программного комплекса расширенные модули, обладающие разнообразными функциональными возможностями.
«Уже создан вариант модуля, использующий спутниковые и аэрофотоснимки, полученные с беспилотных летательных аппаратов, для моделирования урожайности на основе индекса вегетации. Данный метод обычно применяется для прогнозирования урожая в конце периода вегетации и во время его сбора», — отметил Я.М. Иваньо. — В настоящее время ведется разработка модуля для прогнозирования воздействия вредителей на урожай сельскохозяйственных культур, в частности саранчовых. Для этого был создан алгоритм, основанный на тех же нейронных сетях и методах машинного обучения, прежде всего, CatBoost) и уже получили обнадеживающие результаты».
По словам исследователя, созданный алгоритм пригоден для прогнозирования и других производственно-экономических показателей, в частности трудозатрат. Он отметил, что рассматриваемые временные ряды могут быть случайными и динамически-стохастическими, то есть сочетать в себе изменчивость и непредсказуемость».
У новой технологии, как и у любой другой, существуют свои ограничения. Для получения достаточно точных прогнозов алгоритму необходим значительный объем данных за продолжительный период, касающихся урожайности и метеорологических условий. Однако, при наличии достаточного количества информации, разработанный подход открывает перспективные возможности для оптимизации различных процессов в агропромышленном комплексе.
«Для моделирования урожайности нами было использовано около 200 временных рядов, что позволило получить удовлетворительные результаты, которые были предложены для применения министерству сельского хозяйства Иркутской области», — поделился Я.М. Иваньо. — Они выразили заинтересованность в нашей технологии, так как каждое региональное министерство сельского хозяйства разрабатывает планы и прогнозы, касающиеся развития отрасли. Для осуществления этой работы необходимо обладать данными о тенденциях, проявляющихся в изменении урожайности и других производственно-экономических показателей. Мы намерены и дальше сотрудничать».
Данная информация создана при содействии Министерства науки и высшего образования Российской Федерации
Фотография в превью: Николай Малахин / «Научная Россия»
Иллюстрации к тексту взяты из следующих источников: Ольга Мерзлякова / «Научная Россия», Николай Малахин / «Научная Россия», скриншоты презентации, подготовленной коллективом Иркутского ГАУ для ИТ-конгресса в МГУ / предоставлены Я.М. Иваньо.