Использование моделей машинного обучения при решении задач в отрасли органического сельского хозяйства

В последние годы органическое сельское хозяйство динамично развивается во многих странах мира. Российская Федерация не является исключением. В 2020 году вступил в силу Федеральный закон № 280-ФЗ «Об органической продукции и о внесении изменений в отдельные законодательные акты РФ», который регламентирует разные аспекты, касающиеся производства, переработки, хранения, логистики, маркировки и продажи органической сельскохозяйственной продукции. Кроме того, в настоящее время действует несколько национальных стандартов производства органической продукции. На современном этапе развития агропромышленного комплекса увеличивается рост антропогенной нагрузки на земельные ресурсы. Поэтому необходимым условием проектирования ландшафтных систем земледелия является сбалансированность компонентов агроландшафтов и их стабильное функционирование. Ранее в Российской Федерации действовала Федеральная целевая программа «Сохранение и восстановление плодородия почв земель сельскохозяйственного назначения и агроландшафтов как национального достояния России». Одними из важнейший целевых индикаторов программы являлись такие показатели как сокращение выбытия земель из сельскохозяйственного оборота, защита земель от эрозии, введение в оборот загрязненных в результате Чернобыльской катастрофы земель.

Частично за период деятельности данной программы удалось реализовать поставленные цели. Однако состояние агроландшафтов в Российской Федерации в целом и в Центральном Черноземье, в частности, вызывает опасения. Бесконтрольное и часто необоснованное применение гербицидов и инсектицидов, несоблюдение агротехники и агротехнологий приводят к развитию деграда-ционных процессов, сокращают содержание гумуса. Хозяйственная деятельность человека на больших территориях делает невозможным производство органической продукции.

В настоящее время в Российской Федерации действует ряд нормативно-правовых документов, касающихся национальных целей и приоритетов развития государства.

Принята Стратегия научно-технического развития, где были определены так называемые «Большие вызовы».

В связи с этим одним из приоритетных направлений на ближайшую и долгосрочную перспективу является «переход к высокопродуктивному и экологически чистому агро- и аквахозяйству, разработку и внедрение систем рационального применения средств химической

Рынок органических продуктов – один из самых динамично развивающийся в мире. С 2000 по 2017 год он вырос более чем в пять раз (с 18 до 97 миллиардов долларов).

По прогнозам экспертов рынок продолжит свой рост со скоростью 15–16% в год и достигнет в 2025 г. порядка 230 млрд. долларов. Планируется, что к 2025 году объём рынка органических продуктов может составить от 3 до 5% от мирового рынка сельхозпродукции.

Всего в мире сертифицировано более 2,9 млн. производителей (43 млн га). В России на февраль 2023 года – всего 152 предприятия прошли сертификацию на соответствие стандарту, определённому в 280 – ФЗ производимой сельскохозяйственной продукции.

Концепция трансформации цифровизации и задачи, поставленные в рамках Национальной программы «Цифровая экономика Российской Федерации», определяют необходимость создания глобальной конкурентоспособной цифровой инфраструктуры, трансформацию сервисов и услуг, оказываемых с использованием современных технологий. Все большую популярность приобретают технологии искусственного интеллекта в различных отраслях народного хозяйства. Сектор производства органической продукции не является исключением. Ограниченность возможности применения различных технологий обработки и защиты культур обуславливают необходимость применения других разнообразных методов оптимизации производства с целью повышения эффективности производства. Среди таких методов – применение моделей машинного обучения для построения предиктивных моделей с целью формирования системы управления и поддержки принятия решения в экологическом сельском хозяйстве.

Материалы и методы

В ходе исследования на основе методов оптимизации были построены модели обучения нейронной сети с учителем (модели множественной линейной регрессии, метод k-средних, модели деревьев решений, метод случайного леса и ряд других). Под метриками качества оценки полученных моделей принимались коэффициент детерминации R2 (т. е. доля дисперсии зависимой переменной, объясняемой входящими в модель признаками); точность модели (для моделей классификации) и альтернативную метрику оценка F1 (Accuracy и F1 Score). В моделях анализировались зависимость использования земель в органическом земледелии от типа агроландшафта; агрохимических показателей почвы (прежде всего наличие радионуклидов, тяжелых металлов и остаточных количеств гербицидов / инсектицидов в почве); удаленность от производственных агрокомплексов, скотомогильников, ТБО; учитывались показатели изотерм и изобар и т. п. В качестве программного решения использовалась среда Jupyter Notebook и облачная среда Google Colab, а также стандартные библиотеки Раndаs, NumPy, Scikit-learn, SciPy, Tensorflow, Matplotlib и другие.

Результаты и обсуждение

Для организации органического земледелия по действующему законодательству необходимо соблюдение требований к качеству угодий. Межгосударственный стандарт ГОСТ 33980–2016 (введен в действие с 12.10.2021 Федеральным агентством по техническому регулированию и метрологии) определяет также переходный период (период конверсии) т. е. период перехода к органическому способу ведения хозяйства за определенный промежуток времени, в ходе которого применяются требования, установленные для органического производства. Таким образом нами оценивалась возможность перевода определенных земель сельскохозяйственного назначения под органическое производство. В качестве оцениваемых участков нами были выбраны сельскохозяйственные предприятия в 13 муниципальных районах Воронежской области. Данный выбор обусловлен имеющимися документами на сертификацию производства, либо заявкой на вступление в конверсию.

Построены обучающая и тестовая модели на основе множественной модели линейной регрессии в соотношении 70 к 30. В качестве целевой (зависимой) переменной выбрали возможность организации органического сельского хозяйства на конкретном земельном участке. Уравнение множественной линейной модели в общем виде имеет следующее выражение:

Y = х0+b1х1+b2х2+⋯+bnхn (1), где Y-целевая переменная по параметрам x, которым назначены входные веса.

В нашем случае исследовалась целевая переменная от следующих параметров (таблица 1):

Таблица 1.

Зависимость целевой переменной от входящих параметров Table 1.

Dependence of the target variable on the input parameters

№	Соответствие земельного участка стандарта ГОСТ 33980– 2016 Compliance of the land plot with GOST 33980-2016 standard	Номер земельного участка (ID) Land plot number (ID)	Наличие потенциальных загрязнителей территории Presence of potential pollutants of the territory	Использование запрещенных в органическом производстве средств и веществ в течение последних трех лет Use of means and substances prohibited in organic production during the last three years	N, общий по массе% N, total by mass %	Р 2 О 5 Мг/100 г	К 2 O Мг/100 г	90 Sr в А пах , Бк/кг	137 Cs в А пах , Бк/кг
	Y	XI	Х2	Х3	Х4	Х5	Х6	Х7	Х8
1	да	1	0	-	0,4	13	7	15,5	3,4
2	да	2	0	-	0,2	11	8	15,7	3,8
3	да	3	0	-	0,5	15	9	14,9	3,8
4	нет	4	3	флорасулам	1,4	24	7	32,2	3,7
1…13	да	1…13	1	-	0…,3	12	5	1…3,9	4…,1
114	да	114	0	-	0,4	13	4	12,7	4,4

Фрагмент листинга кода с учетом нали-      фрагмент листинга кода обучающей выборки чия пустых ячеек представлен на рисунке 1.,       представлен на рисунке 2.

Рисунок 1. Фрагмент листнига кода.

Figure 1. Fragment of the code sheet.

Рисунок 2. Фрагмент листнига кода обучающей выборки Figure 2. Fragment of the training sample code list

Полученная модель позволяла оценить важность признаков для определения зависимости целевой переменной от входящих, а также дать прогноз по возможности перехода конкретного земельного участка на стандарт ведения органического земледелия.

Таким образом нами были оценены 114 земельных участков площадью от 23 до 189 га на территории 13 муниципальных районов Воронежской области (Лискинский, Острогожский, Богучарский, Грибановский, Верхнехавский, Калачеевский, Панинский, Верхнемамонский, Новоусманский, Бутурлиновский, Таловский, Эртильский, Бобровский). Установлено, что пригодными для первичной оценки по стандарту органического производства из них являлись 34 участка без дополнительных условий, еще 27 – с учетом периода конверсии в течение 3 лет. Остальные участки не являлись пригодными

Заключение

Возможность использования моделей машинного обучения представляет важный инструментарий для широкой целевой группы: сельхозтоваропроизводителей (органическая продукция; органическая продукция для детского питания; эколого-ландшафтное земледелие); исполнительные органы государственной власти в сфере сельского хозяйства (федерального, регионального и муниципального уровней); сертификаторы органической продукции; научные учреждения разной подведомственности (Минсельхоз, Минобрнауки и др.); иные заинтересованные лица указанного научного направления. Перечислены элементы цифровой экосистемы, основанная на инновационных технологиях, в т. ч. машинном обучении, использовании датасетов и анализе данных и т. п., позволяющие оперативно управлять различной информацией и обеспечивать конкурентные преимущества агропромышленного комплекса в целом, и рынка органической продукции в частности. Это отвечает как Стратегии научно-технологического развития Российской Федерации в части перехода к высокопродуктивному и экологически чистому агрохозяйству, так и Стратегии развития Воронежской области до 2035 года в части развития агропромышленного комплекса и органического земледелия в частности, что имеет важное социальноэкономическое значение для региона.

Статья публикуется при грантовой поддержке Федерального агентства по делам молодёжи (Росмолодёжь) Соглашение № 091–10–2023–069 от 23.05.2023 г. проект «Наука рядом».