Информационно - коммуникационные и химические технологии

Том_ 2 № 31 (2026) / 2026-07-01 / Кол. просмотров: 122

ПРОГНОЗИРОВАНИЕ УРОЖАЙНОСТИ ЯРОВОЙ ПШЕНИЦЫ НА ОСНОВЕ НЕЙРОННЫХ СЕТЕЙ В ЗАВИСИМОСТИ ОТ ВНЕСЕНИЯ ФОСФОРА В КАЗАХСТАНЕ

Авторы

Astana IT University
https://orcid.org/0000-0001-7267-3261
Казахский агротехнический исследовательский университет им. С. Сейфуллина
https://orcid.org/0000-0002-7178-2121
Торайгыров университет
https://orcid.org/0000-0003-0100-1008

Ключевые слова

нейронная сеть, урожайность, яровая пшеница, фосфор, прогнозирование

DOI ссылка:

https://doi.org/10.58805/kazutb.v.2.31-1498

Как цитировать

Шарипова, С.Е., и др. «ПРОГНОЗИРОВАНИЕ УРОЖАЙНОСТИ ЯРОВОЙ ПШЕНИЦЫ НА ОСНОВЕ НЕЙРОННЫХ СЕТЕЙ В ЗАВИСИМОСТИ ОТ ВНЕСЕНИЯ ФОСФОРА В КАЗАХСТАНЕ». Вестник КазУТБ, т. 2, вып. 31, июль 2026 г., doi:10.58805/kazutb.v.2.31-1498.

Аннотация

Точное прогнозирование урожайности сельскохозяйственных культур играет важную роль в точном земледелии и устойчивом производстве продовольствия. В данном исследовании представлена гибридная нейронная сеть Dense-LSTM для прогнозирования урожайности яровой пшеницы при различных уровнях внесения фосфора и метеорологических условиях Казахстана.

Набор данных был сформирован на основе региональных аграрных и метеорологических наблюдений, собранных в период с 2000 по 2022 годы. Для повышения качества данных и устойчивости модели были применены различные методы предварительной обработки, включая заполнение пропущенных значений на основе медианы, обработку выбросов и нормализацию признаков с использованием подходов MinMax и StandardScaler.

Предложенная гибридная архитектура объединила Dense- и LSTM-слои для выявления нелинейных взаимосвязей и временных зависимостей в сельскохозяйственных данных. Производительность модели оценивалась с использованием метрик MSE, RMSE, MAE и R², а также сравнивалась с традиционными методами машинного обучения, включая Linear Regression, Random Forest и Gradient Boosting.

Экспериментальные результаты показали, что включение показателей, связанных с фосфором, в пространство входных признаков повысило точность прогнозирования. Среди рассмотренных подходов наилучшие результаты продемонстрировала предложенная гибридная нейронная сеть в сочетании с нормализацией StandardScaler, достигнув значения MSE = 7.36.

Полученные результаты подтверждают применимость гибридных архитектур глубокого обучения для задач прогнозирования урожайности в агроклиматических условиях Казахстана и подчеркивают важность интеграции экологических и агрономических факторов в системах точного земледелия.