TY - JOUR

T1 - Долгосрочное прогнозирование заморозков с применением методов машинного обучения в системе точного земледелия

AU - Молин, Александр Евгеньевич

AU - Митрофанова, Ольга Александровна

AU - Буре, Владимир Мансурович

AU - Митрофанов, Евгений Павлович

PY - 2025

Y1 - 2025

N2 - Целью исследования являлось обучение и сравнительный анализ моделей машинного обучения (МО) и глубокого обучения (ГО) для долгосрочного прогнозирования минимальных суточных температур (заморозков) — ключевого агрометеорологического риска, влияющего на продуктивность сельскохозяйственных культур. Исследование выполнено на основе данных метеостанций Санкт-Петербурга и Ленинградской области. Для прогнозирования на год вперед, что соответствует потребностям оперативного агропроизводственного планирования (сроки сева, уборки, защитных мероприятий), использовались 8 методов: ForecasterAutoreg, Random Forest, Support Vector Regression (SVR), XGBoost, сверточная нейроннаясеть (CNN), SimpleRNN, Gated Recurrent Unit (GRU) и Long Short-Term Memory (LSTM). Анализ проводился на двух датасетах: за периоды 1936-2024 и 1881-1995 годы. Качество моделей оценивалось по метрикам MAE, MSE, RMSE, R2 и скорректированному R2. Наиболее точные результаты на основном датасете (1936-2024) показала модель LSTM: MAE 2,9, MSE 14,661, R2 0,789. На архивных данных (1881-1995) лучшие метрики продемонстрировал метод SVR (MAE 3,461, R2 0,775). Установлено, что модели ГО (LSTM, GRU, CNN) в целом превосходят классические методы МО на современных данных. Метод LSTM признан наиболее эффективным для интеграции в системы точного земледелия и агромониторинга региона для заблаговременного планирования агротехнологических мероприятий по защите посевов от заморозков, оптимизации севооборотов и минимизации рисков потери урожая

AB - Целью исследования являлось обучение и сравнительный анализ моделей машинного обучения (МО) и глубокого обучения (ГО) для долгосрочного прогнозирования минимальных суточных температур (заморозков) — ключевого агрометеорологического риска, влияющего на продуктивность сельскохозяйственных культур. Исследование выполнено на основе данных метеостанций Санкт-Петербурга и Ленинградской области. Для прогнозирования на год вперед, что соответствует потребностям оперативного агропроизводственного планирования (сроки сева, уборки, защитных мероприятий), использовались 8 методов: ForecasterAutoreg, Random Forest, Support Vector Regression (SVR), XGBoost, сверточная нейроннаясеть (CNN), SimpleRNN, Gated Recurrent Unit (GRU) и Long Short-Term Memory (LSTM). Анализ проводился на двух датасетах: за периоды 1936-2024 и 1881-1995 годы. Качество моделей оценивалось по метрикам MAE, MSE, RMSE, R2 и скорректированному R2. Наиболее точные результаты на основном датасете (1936-2024) показала модель LSTM: MAE 2,9, MSE 14,661, R2 0,789. На архивных данных (1881-1995) лучшие метрики продемонстрировал метод SVR (MAE 3,461, R2 0,775). Установлено, что модели ГО (LSTM, GRU, CNN) в целом превосходят классические методы МО на современных данных. Метод LSTM признан наиболее эффективным для интеграции в системы точного земледелия и агромониторинга региона для заблаговременного планирования агротехнологических мероприятий по защите посевов от заморозков, оптимизации севооборотов и минимизации рисков потери урожая

U2 - 10.55186/25876740_2025_68_7_958

DO - 10.55186/25876740_2025_68_7_958

M3 - статья

VL - 409

SP - 958

EP - 962

JO - Международный сельскохозяйственный журнал

JF - Международный сельскохозяйственный журнал

SN - 2587-6740

IS - 7

ER -