Перспективы применения нейронных сетей в сельском хозяйстве

Введение                             спективы для решения различных задач,

Нейронные сети в настоящее время име- в том числе в агропромышленном произ-ют широкие области применения и пер- водстве.

Традиционно к сферам применения нейросетевых моделей относят следующие основные задачи: распознавание образов, классификация, принятие решений и управление, кластеризация, прогнозирование, аппроксимация, сжатие данных, анализ данных, оптимизация. Все это может найти разнообразное приложение в сфере отраслей сельского хозяйства.

Несмотря на наличие значительного количества работ, посвященных вопросам компьютерного нейросетевого моделирования в агропромышленном производстве, нельзя назвать данную задачу полностью изученной и решенной. Любая реальная прикладная нейросетевая модель является сложной многопараметрической системой, включающей целый комплекс алгоритмических, программных и технических подсистем.

Цель данного исследования – изучить различные вопросы теории и практики применения нейросетевых технологий в агропромышленном производстве, а также разработать и реализовать нейросетевую модель прогнозирования урожайности сельскохозяйственных культур (на примере озимой пшеницы).

Материалы и методы

Обзор областей применения нейронных сетей в сельском хозяйстве

В работе (Benos et al., 2021) проводится обзор статей, связанных с применением методов машинного обучения в сельском хозяйстве. Выделены такие основные направления, как прогноз урожайности, выявление заболеваний, обнаружение сорняков, распознавание урожая, контроль качества урожая. Также отмечена роль датчиков, прикрепленных к беспилотным наземным и воздушным транспортным средствам, как метод получения надежных входных данных для нейросетевого анализа информации.

Проблема прогнозирования урожайности культур затрагивается в работе (Torkashvand et al., 2020) на примере прогнозирования урожая киви на основе концентрации питательных веществ в листе. Для этой цели использовалась искусственная нейронная сеть. Моделирование осуществлялось с помощью классической архитектуры многослойного персептрона.

Вопросы выбора алгоритмов и программных сред для нейросетевого прогнозирования урожайности культур с применением ретроспективных данных рассматриваются в статье (Рогачев, Мелихова, 2020). Объектом исследования выступили временные ряды накопленной многолетней статистики, отражающие урожайность группы зерновых культур.

Пример использования сверточных нейронных сетей для проблемы выявления недостающей растительности на плантации сахарного тростника обсуждается в работе (Kamilaris, Prenafeta-Boldú, 2018).

В статье (Шутьков, Анищенко, 2019) описываются мобильные приложения «Plantix» и «Scouting», которые помогают диагностировать заболевания, повреждения, нарушения развития растений путем обработки фотоснимков.

Основы прикладной теории искусственных нейронных сетей, заложенные в России еще д-ром техн. наук, проф. А.И. Галушкиным (Галушкин, 2010), нашли отражение и в программе комплексной цифровой трансформации сельского хозяйства России.

В работе (Архипов и др., 2019) говорится о необходимости расширять практику применения в сельском хозяйстве передовых смарт-технологий, включающих в себя элементы нейросетевого проектирования:

– «умное поле» - внедрение цифровых технологий для сбора, обработки и использования разнообразных массивов данных о состоянии экосистем, включающих состояние почв, растений и окружающей среды;

– «умный сад» - применение технологий анализа информации о состоянии агробиоценоза садов, принятие соответствующих управленческих решений и их дальнейшая реализация с использованием роботизированных технических средств;

– «умная теплица» - применение комплексных программно-аппаратных и роботизированных решений для выращивания сельскохозяйственных растений в закрытых системах;

– «умная ферма» - внедрение технологий для управления световым режимом и микроклиматом, для кормления животных, удаления навоза, введения ветеринарных препаратов, контроля и учета суточных привесов животных и т. д.

Там же описан проект «Цифровое землепользование». Цель данного проекта – «создать и внедрить интеллектуальную систему управления, планирования и использования земель сельскохозяйственного назначения, функционирующую на основе цифровых, дистанционных, геоинформа-ционных технологий и методов компьютерного моделирования» (Архипов и др., 2019).

Таким образом, к перспективам применения нейронных сетей в сельском хозяйстве можно отнести следующие задачи (Алферьев, 2018; Алферьев, 2020):

– распознавание образов и их классификация: например, классификация и сортировка собранного урожая, выявление сорных трав;

– диагностика: например, оценка качества почв и состояния растительных культур, диагностика неисправности технического оборудования, проверка качества произведенной продукции, диагностика заболеваний и патологий сельскохозяйственных животных и растений и др.;

– кластеризация: мониторинг ландшафтов с целью инвентаризации сельскохозяйственных угодий;

– прогнозирование: прогноз урожайности различных культур, прогнозирование изменений природно-климатических условий;

– мониторинг c использованием машинного зрения: мониторинг почв на предмет оптимального состава микроэлементов, требуемых для выращивания сельскохозяйственных культур, мониторинг состояния посевов, наблюдение за деятельностью животных для принятия оперативных мер реагирования в случае возникновения критических ситуаций, автоматизация кормления животных и др.;

– оптимизация и оптимальное управление: оптимизация состава кормовых смесей, оптимизация графиков проведения посевных работ, контроль реализации работ;

– робототехника (Рунов, Новиков, 2017): автоматизация и оптимизация различных сельскохозяйственных процессов, позволяющая ускорить посевные и уборочные работы, в частности ликвидировать либо уменьшить тяжелый ручной труд, проведение обработки растений опасными для жизни и здоровья человека веществами, применение беспилотных летательных аппаратов и дронов и др.

Пример построения нейросетевой модели прогнозирования урожайности озимой пшеницы

Очевидно, что натурное (полевое) экспериментальное исследование урожайности агрокультур требует очень больших финансовых и временных затрат. В связи с этим вопросы предсказания и прогнозирования урожайности сельскохозяйственных культур приобретают большую актуальность. Прогноз урожайности необходим при расчете потребности в площадях посева сельскохозяйственных культур, при построении модели баланса потребностей рынка и производства продукции и т. д.

Как известно, урожайность сельскохозяйственной продукции растениеводства в целом зависит от большого количества разнообразных факторов. Рассмотрим, какие из них в наибольшей мере влияют на урожайность озимой пшеницы.

В работе (Симоненко, 2016) предлагается объединить факторы в следующие группы: производственно-агротехнические; грунтовые; агрометеорологические, включая природно-климатические характеристики. При этом строится модель регрессионного анализа, показывающая зависимость между урожайностью озимой пшеницы и среднесуточной майской температурой.

В статье (Шкуренко, 2013) выделены следующие основные факторы, влияющие на формирование урожайности: погодные условия, уровень минерального питания растений, а также сроки посева, влияние агрокультуры-предшественника и качество семян. При этом погодные условия включают такие параметры, как среднесуточные температуры и общее количество осадков, минимальные температуры, среднесуточный снежный покров. Среди основных факторов минерального питания растений были выделены минеральные удобрения, органические удобрения, а также питательные вещества самой почвы.

Вопросам влияния метеорологических факторов на урожайность озимой пшеницы посвящена работа (Васюков и др., 2008). Говоря о многообразии метеорологических факторов, авторы делают вывод о том, что решающее значение имеет средняя температура воздуха в летний период (июнь – июль).

В статье (Богомазов и др., 2015) рассмотрена роль абиотических факторов и агротехнических приемов в формировании урожайности озимой пшеницы. Основными факторами урожайности называются гидротермические условия предпосевного периода и запас продуктивной влаги в почве.

Влияние факторов внешней среды на урожайность озимых сортов пшеницы рассмотрено в обзоре (Глинушкин и др., 2022). Отмечено, что основными факторами влияния на показатели итогового урожая являются климатические особенности, температурный режим, влажность почвы и вносимые удобрения, что в целом не противоречит результатам исследований, отмеченных выше.

Результаты и обсуждение

В рамках изучения возможностей и проблем приложения нейросетевых моделей к задачам прогнозирования урожайности продукции растениеводства была разработана нейронная сеть для оценки урожайности озимой пшеницы.

При этом реализованы следующие этапы построения нейросетевой модели (Shamsutdinova, 2023):

– определение архитектуры нейронной сети и ее программная реализация с применением фреймворка машинного обучения PyTorch;

– импорт исходных данных для обучения модели с использованием модулей библиотеки Pandas;

– обучение модели с применением оптимизатора Adam;

– визуализация полученных данных в виде графиков на основе библиотеки Matplotlib;

– экспорт полученных численных результатов в MS Excel, их анализ и интерпретация.

Эффективность применения алгоритма Adam для этапов построения нейронных сетей показана, например, в работе (Kingma, Ba, 2015), где Adam характеризуется как высокоэффективный метод стохастической оптимизации, устойчивый к изменению масштаба градиентов и нетребовательный к памяти.

По материалам статистических служб и табличным данным (Гвоздов и др., 2018) был подготовлен набор данных, используемый для обучения нейронной сети. Объем выборки для обучения сети составил 180 наблюдений.

Структура набора данных:

– агрокультура-предшественник (овес, рапс яровой, горох);

– способ обработки почвы (вспашка, чи-зелевание, дискование, прямой посев);

– доза внесения азота (N₂₀Р₆₀К₁₂₀ – фон, Фон + N₇₀₊₅₀, Фон + N₇₀₊₇₀, Фон + N_70+70+20, Фон + N 70+70+20+20 );

– min и max влажность почвы в период № 1 (начало активной вегетации), в период № 2 (трубкование или выход в трубку), в период № 3 (формирование флагового листа), в период № 4 (колошение или выход колоса из флагового листа), %;

– гидротермический коэффициент (1,38 – в 2016 году, 1,74 – в 2017 году, 1,17 – в 2018 году), 1,63 – норма для данного региона;

– сумма активных температур, °C;

– количество атмосферных осадков, мм;

– урожайность озимой пшеницы, ц/га.

Топология многослойного перцептрона прямого распространения включала три слоя, количество нейронов в скрытом слое – 10, функция активации Sigmoid. Для реализации процедуры обучения нейросети использовался алгоритм Adam.

На рисунке приводится результат работы нейронной сети в виде графиков прогнозных значений для обучающего и тестового набора данных.

Для оценки качества полученных прогнозных значений была рассчитана средняя абсолютная ошибка в процентах (Mean Absolute Percentage Error) по формуле:

MAPE = 1У ———100%, n2_<   yi где:

y_i – эмпирическое значение;

у - прогноз;

n – количество измерений.

Обучающее множество

Тестовое множество

Прогноз для обучающего множества

Прогноз для тестового множества

Рис. График расчетных прогнозных значений для обучающего и тестового множеств

Источник: данные автора.

Таблица. Результаты расчета коэффициентов корреляции Пирсона для показателей исходного набора данных

	X CD CO 1- QJ 3 CD Q_ EZ	m о c s X 1-o Ю 03 Q_ kO О kO о о	лз 1-o га лз лз га o ^	-fl ^Ol О cT I o га co i= с и E	О cT I О X co 03 E	о i= ri _o О CT I О га ^ co i= с и E	о ri oi О ci X co 03 E	о i= ri О ci I o га co i= с и E	о ri oi О ci X co 03 E	О ci I o га co i= с и E	О ci X co 03 E	■I ? O -9-if s	CO Q_ 5 ^ X 03 03 Q_ 03 ^ ii	X QJ "S’ 2 o S га g О cT Ш га а ° S о х:	03 |_ X I 0J га 3 »g m о
№	1	2	3	4	5	6	7	8	9	10	11	12	13	14	15
Столбец 1	1,000
Столбец 2	0,000	1,000
Столбец 3	0,000	0,000	1,000
Столбец 4	0,000	0,000	0,000	1,000
Столбец 5	0,000	0,000	0,000	0,828	1,000
Столбец 6	0,000	0,000	0,000	0,473	0,886	1,000
Столбец 7	0,000	0,000	0,000	0,158	0,684	0,945	1,000
Столбец 8	0,000	0,000	0,000	0,496	0,897	1,000	0,936	1,000
Столбец 9	0,000	0,000	0,000	0,634	0,958	0,981	0,864	0,986	1,000
Столбец 10	0,000	0,000	0,000	0,171	0,693	0,949	1,000	0,940	0,870	1,000
Столбец 11	0,000	0,000	0,000	0,655	0,966	0,976	0,850	0,981	1,000	0,857	1,000
Столбец 12	0,000	0,000	0,000	0,749	0,992	0,938	0,773	0,947	0,987	0,781	0,991	1,000
Столбец 13	0,000	0,000	0,000	-0,808	-0,999	-0,901	-0,710	-0,912	-0,968	-0,718	-0,974	-0,995	1,000
Столбец 14	0,000	0,000	0,000	0,695	0,978	0,962	0,820	0,969	0,997	0,827	0,999	0,997	-0,985	1,000
Столбец 15	0,116	-0,079	0,488	0,474	0,737	0,766	0,683	0,769	0,776	0,687	0,775	0,763	-0,745	0,772	1,000
Источник: данные автора.

В ходе расчетов получено значение MAPE = 1,93% для обучающей выборки и 2,17% для тестовой выборки, что показывает хорошее качество аппроксимации модели.

С использованием надстройки «Анализ данных» MS Excel далее был проведен корреляционный анализ взаимного влияния показателей из имеющегося набора данных (табл.) .

Получено, что наибольшую корреляционную зависимость со столбцом 15 «Урожайность озимой пшеницы, ц/га» имеют следующие факторы:

– « влажность почвы в период № 3, %» -коэффициент корреляции Пирсона 0,776;

– « влажность почвы в период № 4, %» -коэффициент 0,775;

– «количество атмосферных осадков, мм» - коэффициент 0,772;

– « влажность почвы в период № 3, %» -коэффициент 0,769;

– « влажность почвы в период № 2, %» -коэффициент 0,766;

– «гидротермический коэффициент (ГТК)» - коэффициент корреляции 0,763.

Это позволяет сделать вывод о мультиколлинеарности названных факторов по отношению к исследуемому значению урожайности озимой пшеницы.

Отметим, что полученные результаты, касающиеся влияния влажности почвы на урожайность, согласуются с выводами работы (Zhao et al., 2020), в которой показано влияние фактора содержания влаги в почве на природную экосистему в рамках методологии структурного моделирования PLS-SEM.

Выводы

В ходе работы выделены такие перспективные направления применения нейронных сетей в сельском хозяйстве, как распознавание образов и их классификация, диагностика, кластеризация, прогнозирование, мониторинг c использованием машинного зрения, оптимизация и оптимальное управление, робототехника.

Построенная в ходе исследования нейронная сеть, предназначенная для прогнозирования урожайности озимой пшеницы, показала высокий уровень аппроксимации модели, что подтверждается расчетным значением средней абсолютной процентной ошибки прогноза (для обучающего множества – 1,93%, для тестового множества – 2,17%).

При этом можно сказать, что задача нейросетевого моделирования относится к классу частично формализуемых задач, допускающих неоднозначность параметров модели. Однако необходимо заметить, что проблема комплексной цифровизации агропромышленного производства является в настоящее время крайне актуальной, что делает нейросетевое моделирование очень востребованным с точки зрения его задач и целей.

Среди ключевых проблем по исследуемой теме применительно к сельскому хозяйству можно назвать недостаточное количество доступных разноплановых систематизированных данных метеорологических и климатических наблюдений, необходимых для построения, обучения и тестирования модели, а также неполноту данных о химическом составе почв.