Исследователи разработали и успешно протестировали в Эфиопии модели глубокого обучения, которые прогнозируют урожайность зерновых, используя ограниченный набор климатических и почвенных данных. Новые алгоритмы не только показывают высокую точность, но и впервые позволяют оценить степень достоверности каждого прогноза, что критически важно для регионов с нестабильной продовольственной безопасностью.
В исследовании, опубликованном в журнале Smart Agricultural Technology, сравнивали четыре различные архитектуры нейросетей. Наилучшие результаты показали так называемые ансамблевые модели, которые объединяют прогнозы из нескольких независимых источников. Они превзошли стандартные однозадачные и многозадачные сети при прогнозировании урожайности кукурузы и пшеницы как на орошаемых, так и на неорошаемых землях.
Преимущество нового подхода заключается в его нетребовательности к данным. Для работы моделям достаточно шести показателей: суммы активных температур, средней температуры воздуха, общего количества осадков, влажности верхнего слоя почвы, индекса листовой поверхности и потенциального испарения. Это позволяет обойтись без дорогостоящих полевых исследований и плотных сетей метеостанций, которых часто не хватает в развивающихся странах.
Ансамблевые модели повысили точность прогнозов (коэффициент детерминации R²) на 6–8% и сократили среднюю абсолютную ошибку на 40% по сравнению с одиночными сетями. Например, для пшеницы на орошаемых землях точность прогноза достигла 0,94, а ошибка составила всего 0,13 тонны с гектара. Для более сложной в прогнозировании кукурузы ансамбль показал точность до 0,88.
Особенно эффективно ансамблевые модели проявили себя в стресс-тестах, когда в исходные данные намеренно вносили «шум», имитируя неточности реальных измерений. Архитектура Monte Carlo Dropout, разработанная для оценки неопределённости, показала наименьшее снижение качества прогнозов даже при 40%-м искажении входных данных. Это доказывает её надёжность в реальных условиях, где данные редко бывают идеальными.
Проверка по статистике Продовольственной и сельскохозяйственной организации ООН (ФАО) подтвердила, что ансамблевые модели лучше всего справляются с систематическими расхождениями между разными источниками данных. Они сглаживают завышенные и заниженные оценки, которые дают отдельные симуляторы, и точнее отражают реальные тенденции урожайности, зафиксированные ФАО с 2000 по 2014 год.
Разработчики отмечают и вычислительную эффективность моделей. Обучение нейросетей занимает от 13 до 49 секунд на обычном потребительском компьютере без специального оборудования, а получение прогноза – от сотых долей секунды до 2,2 секунды. Низкие требования к ресурсам делают технологию доступной для сельскохозяйственных ведомств в странах с ограниченным бюджетом.