Группа ученых из Китая разработала нейросеть Yield-Graph, которая способна прогнозировать урожайность кукурузы на ранних стадиях роста растений. Новая система анализирует данные о развитии культуры в динамике, что повышает точность и надежность оценок по сравнению с традиционными методами.
Большинство существующих моделей опираются на показатели, которые измеряют ближе к сбору урожая, когда итоговый результат уже во многом предопределен. Yield-Graph, напротив, рассматривает рост кукурузы как непрерывный процесс. Алгоритм отслеживает, как меняются характеристики растений – высота, архитектура листьев, время цветения – на разных этапах, и определяет вклад каждого из них в конечную урожайность.
В основе системы лежат два компонента на базе графовых нейронных сетей. Первый решает проблему неполных данных, характерную для полевых исследований. Вместо того чтобы отбрасывать образцы с недостающими измерениями, модель достраивает их, анализируя связи между всеми растениями в выборке. Второй компонент использует гиперграфы для анализа сложных взаимосвязей между группами растений, которые растут в схожих условиях. Это позволяет учитывать, как на урожай влияют не отдельные факторы, а их совокупность.
Испытания показали, что по точности Yield-Graph не уступает передовым алгоритмам, таким как XGBoost и LightGBM, но при этом более устойчив. Система сохраняет высокую прогностическую силу, даже если данные собраны в начале сезона. Она также эффективно адаптируется к различным климатическим зонам, почвам и агротехникам, что критически важно для ее практического применения.
Новый подход может ускорить селекционные программы, позволяя отбирать перспективные гибриды кукурузы уже в середине сезона, не дожидаясь сбора урожая. Это способно сократить циклы выведения новых сортов и снизить затраты на полевые испытания. Авторы исследования отмечают, что разработанную методологию можно адаптировать и для других сельскохозяйственных культур.
Результаты исследования опубликованы в научном журнале Theoretical and Applied Genetics. Разработчики выложили исходный код модели в открытый доступ, чтобы другие научные группы могли его использовать и дорабатывать. В проекте участвовали специалисты из Пекинского технологического университета, Университета Макао и Пекинской академии сельскохозяйственных и лесохозяйственных наук.