Меню
Том_ 2 № 31 (2026) / 2026-07-01 / Кол. просмотров: 122
Авторы
Ключевые слова
DOI ссылка:
Как цитировать
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.