Цель 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). Выделены следующие перспективные направления применения нейронных сетей в сельском хозяйстве: распознавание образов и их классификация, диагностика, кластеризация, прогнозирование, мониторинг c использованием машинного зрения, оптимизация и оптимальное управление, робототехника. Отдельно рассмотрены проблемы, связанные с применением нейронных сетей для прогнозирования урожайности сельскохозяйственных культур, проанализированы факторы, оказывающие на них влияние. Построена собственная нейронная сеть, предназначенная для прогнозирования урожайности озимой пшеницы. При этом реализованы следующие этапы построения нейросетевой модели: определение архитектуры нейронной сети, ее программная реализация с применением фреймворка PyTorch, библиотек Pandas и Matplotlib, интерпретация полученных результатов инструментами MS Excel. Расчетное значение средней абсолютной процентной ошибки MAPE прогноза для обучающего множества составило 1,93%, для тестового множества – 2,17%, что указывает на высокий уровень аппроксимации модели. Получено, что наибольшую корреляционную зависимость с данными об урожайности озимой пшеницы имеют такие параметры, как максимальная влажность почвы в период формирования флагового листа – коэффициент корреляции Пирсона 0,776, максимальная влажность почвы в период колошения (выхода колоса из флагового листа) – коэффициент 0,775 и количество атмосферных осадков – коэффициент корреляции 0,772. Отмечено, что проблема комплексной цифровизации агропромышленного производства является в настоящее время крайне актуальной. Это делает нейросетевое моделирование очень востребованным с точки зрения его задач и целей
Ключевые слова
перспективы, прогнозирование, сельское хозяйство, моделирование, нейронные сети, Нейронные сети, PyTorch