Программная реализация модели глубокого обучения для прогнозирования свойств почвы на основе данных спектроскопии

В статье представлена разработка и программная реализация модели глубокого обучения для прогнозирования свойств почвы на основе данных спектроскопии в видимом и ближнем инфракрасном диапазонах. Актуальность исследования обусловлена потребностью современного сельского хозяйства в оперативном анализе почвенных характеристик для оптимизации ресурсов и повышения урожайности. Цель работы – создание эффективной модели, использующей архитектуру остаточных нейронных сетей с модулем внимания блочной свёртки и учётом кислотности почвы. Для обучения и тестирования применён набор данных LUCAS , включающий спектры и физико-химические свойства более 20 000 образцов почвы. Методы включают предварительную обработку данных (удаление выбросов, сглаживание, нормализацию, интерполяцию до 500 точек) и реализацию на языке Python с библиотекой PyTorch. Результаты демонстрируют высокую точность прогнозирования органического углерода, карбонатов кальция и азота (коэффициент детерминации выше 0,9) с улучшением предсказаний за счёт учёта кислотности в механизме внимания. Новизна заключается в интеграции кислотности в модель и адаптации к портативным спектрометрам. Практическая значимость заключается в возможности применения в системах точного земледелия и роботизированных платформах для мониторинга почвы.