Прогнозирование урожайности в регионах юга России с использованием инструментов искусственного интеллекта

В статье рассматриваются современные подходы к прогнозированию урожайности сельскохозяйственных культур в аграрных регионах юга России с использованием технологий искусственного интеллекта (нейронных сетей). Актуальность темы обусловлена высокой значимостью южных регионов (Краснодарский и Ставропольский края, Ростовская область и др.) в продовольственной безопасности России и необходимостью оперативного и точного прогнозирования урожая. Цель данной работы — разработать, применить и сделать оценку моделей прогнозирования урожайности сельскохозяйственных культур на юге России с использованием методов искусственного интеллекта, основанных на нейронных сетях различного типа. Рассмотрены методология и инструментарий применения нейросетевых алгоритмов (LSTM, CNN, MLP) для прогнозирования урожайности на основе данных 2020–2025 гг., включая статистические показатели урожайности, метеорологические данные и индексы растительности (NDVI). Представлены результаты моделирования, демонстрирующие преимущество LSTM-модели по точности прогноза по сравнению с другими моделями. Приведены графики и таблицы, иллюстрирующие фактическую и прогнозируемую урожайность, а также сравнительный анализ ошибок моделей. Проведена оценка результатов — сравнительная точность и ошибки прогнозов различных моделей. Рассмотрены ограничения проведенного исследования, к которым относятся непредставительность контрольных выборок, а также несовершенство системы сбора статистической информации. В связи с этим предложены направления дальнейших исследований, таких как расширение объема данных, обработка и подготовка данных к анализу, использование гибридных моделей, улучшение интерпретируемости моделей.

1. Лупян Е.А., Савин И.Ю., Барталев С.А., Толпин В.А., Балашов И.В. и др. Спутниковый сервис мониторинга состояния растительности («ВЕГА»). Современные проблемы дистанционного зондирования Земли из космоса. 2011;8(1):190–198. URL: https://elibrary.ru/nvvwbl

2. Савин И.Ю., Барталев С.А., Лупян Е.А., Толпин В.А. Прогнозирование урожайности сельскохозяйственных культур на основе спутниковых данных: возможности и перспективы. Современные проблемы дистанционного зондирования Земли из космоса. 2010;7(3):275–285. URL: https://elibrary.ru/ncyazf

3. Тарасов А.Н., Исаева О.В., Холодова М.А. Аграрный сектор юга России: современные тенденции и перспективы развития. Ростов-на-Дону: Азов-Принт; 2020. 112 с. DOI: 10.34924/FRARC.2020.45.18.001

4. Барталев С.А., Лупян Е.А., Савин И.Ю. Дистанционная оценка параметров сельскохозяйственных земель по данным MODIS. Современные проблемы дистанционного зондирования Земли из космоса. 2004;1(1):113–123. URL: https://elibrary.ru/ndpntl

5. Ерошенко Ф.В., Барталев С.А., Сторчак И.Г., Плотников Д.Е. Возможности дистанционной оценки урожайности озимой пшеницы на основе вегетационного индекса фотосинтетического потенциала. Современные проблемы дистанционного зондирования Земли из космоса. 2016;13(4):99–112. DOI: 10.21046/2070-7401-2016-13-23-99-112

6. Сторчак И.Г., Ерошенко Ф.В. Использование NDVI для оценки продуктивности озимой пшеницы в Ставропольском крае. Земледелие. 2014;7:12–15. URL: http://jurzemledelie.ru/arkhiv-nomerov/7-2014/662-ispolzovanie-ndvi-dlya-otsenki-produktivnosti-ozimoj-pshenitsy-v-stavropolskom-krae

7. Hochreiter S., Schmidhuber J. Long Short-Term Memory. Neural Computation. 1997;9(8):1735–1780. DOI: 10.1162/neco.1997.9.8.1735

8. Gers F., Schmidhuber J., Cummins F. Learning to Forget: Continual Prediction with LSTM. Neural Computation. 2000;12(10):2451-2471. DOI: 10.1162/089976600300015015

9. Karim F., Majumdar S., Darabi H., Chen S. LSTM Fully Convolutional Networks for Time Series Classification. IEEE Access. 2018;6:1662–1669. DOI: 10.1109/ACCESS.2017.2779939

10. Денисов П.В., Иванов А.Б., Мишуров Н.П., Петухов Д.А., Подъяблонский П.А. и др. Прогнозирование урожайности озимой пшеницы с использованием технологий дистанционного зондирования Земли. Управление рисками в АПК. 2021;39:37–45. DOI: 10.53988/24136573-2021-01-03

11. Бондур В.Г., Гороховский К.Ю., Игнатьев В.Ю., Мурынин А.Б., Гапонова Е.В. Метод прогнозирования урожайности по космическим наблюдениям за динамикой развития вегетации. Известия высших учебных заведений. Геодезия и аэрофотосъемка. 2013:6:61–68. URL: https://elibrary.ru/uiycwn

12. Лупян Е.А., Барталев С.А., Крашенинникова Ю.С., Плотников Д.Е., Толпин В.А. и др. Спутниковый сервис «ВЕГА»: методы и примеры использования в АПК. Современные проблемы дистанционного зондирования Земли из космоса. 2015;12(5):231–247. URL: https://elibrary.ru/thxydn

13. Шайтура С.В., Герасимов В.А. Методы проведения интеллектуального анализа данных. Славянский форум. 2022;4(38):421–429. URL: https://elibrary.ru/xwuxwa

14. Шайтура С.В., Семичевская Н.П., Белю Л.П. Анализ процессов цифровизации социально-экономических систем. Вопросы региональной экономики. 2024;4(61):197–212. URL: https://elibrary.ru/jaeyhr

15. Николаева С.Г., Семичевская Н.П., Кошкина Л.Ю. Анализ больших данных в экономике: применение и перспективы. Экономика и управление: проблемы, решения. 2025;11(3)(156):188–192. DOI: 10.36871/ek.up.p.r.2025.03.11.018