Моделирование урожайности зерновых культур сельскохозяйственных регионов c использованием технологий компьютерного зрения

Abstract

В статье рассматриваются новые направления моделирования урожайности зерновых культур в сельскохозяйственных регионах России на основе использования дистанционных возможностей получения информации о состоянии полей. Предлагаемый подход позволяет найти новые решения в разработке системы показателей, обосновании методологических платформ и моделей для получения более точных прогнозных оценок по сравнению с традиционными регрессионными моделями за счет использования системы компьютерного зрения в качестве дополнительного источника информации. Статистическая значимость спутниковых фотоснимков полей для повышения точности моделей прогнозирования урожайности сельскохозяйственных культур подтверждается проверкой соответствующей статистической гипотезы. Значительный интерес в исследовании представляет сравнение классических эконометрических инструментов с различными нейросетевыми моделями с точки зрения нахождения оптимальной модели, позволяющей повысить точность прогнозных оценок. Апробация предлагаемого инструментария проводилась на данных по 100 сельскохозяйственным полям, расположенным в муниципальных образованиях 43 регионов России, которые были выбраны пропорционально объему продукции растениеводства данного региона. Проведенное исследование показало преимущество нейросетевой модели по смешанным данным по сравнению с другими нейросетевыми моделями (многослойный персептрон и свёрточная нейронная сеть), а также с традиционными регрессионными моделями. Нейросетевая модель по смешанным данным в условиях неопределенности и большого количества данных различной природы позволила получить более точные прогнозные оценки по сравнению с другими классами моделей. Также было показано, что несмотря на то, что экологические факторы оказывают разное влияние на урожайность сельскохозяйственных культур, их необходимо учитывать наряду с социально-экономическими характеристиками. Использование новых моделей и типов данных, отличных от классической табличной информации, может давать существенное преимущество в точности прогнозирования и объяснении решающих факторов. Результаты проведенного анализа могут использоваться в исследованиях и мониторинге развития сельскохозяйственного производства региональных муниципальных образований, определения потребностей в ресурсах, необходимых для успешного ведения хозяйства, а также при разработке отраслевых и комплексных проектов и программ развития агрокомплекса.

The article examines new methodologies for modelling crop yield in agricultural regions of Russia based on the use of remote capabilities to get information on the field state. The proposed approach can be applied to develop indicator systems and create methodological platforms and models necessary to obtain more accurate estimates. In comparison with the traditional regression model, this method uses computer vision technology to gather additional data. Statistical hypothesis testing confirmed the significance of satellite photographs of fields for improving the accuracy of crop yield forecasting models. Traditional econometric tools were compared with various neural networks in order to discover the optimal model. The proposed tools were tested using data from 100 agricultural fields located in municipalities of 43 Russian regions, selected in proportion to the volume of crop production in this region. The conducted analysis showed the advantage of the mixed data neural network in comparison with other neural (multilayer perceptron and convolutional neural network) and regression models. In conditions of uncertainty and a large amount of data, the mixed data neural network can help obtain more accurate estimates. Additionally, while environmental factors have different effects on crop yields, they must be considered along with socio-economic characteristics. The use of new models and data types differing from table information can significantly improve the forecasting accuracy and interpretation. The analysis results can be used for examining and monitoring agricultural production in regional municipalities, determining farm resource requirements, as well as for creating sectoral and comprehensive projects and programmes for the development of the agricultural industry.