Китайские исследователи разработали модель глубокого обучения, которая с высокой точностью предсказывает урожайность озимой пшеницы примерно за месяц до сбора. Новая система, получившая название MBF-HybridNet, эффективно работает даже в годы с аномальной погодой – засухами, заморозками и волнами жары.
Проблема точного прогнозирования особенно актуальна для Китая, где пшеница служит основой продовольственной безопасности. Из-за глобального потепления экстремальные погодные явления участились, что угрожает стабильности агросектора. Существующие инструменты прогноза – как статистические, так и механистические модели – часто дают сбой именно в такие аномальные годы, когда точная информация наиболее важна.
MBF-HybridNet решает эти проблемы, одновременно анализируя несколько типов данных: спутниковые снимки, метеорологические сводки, характеристики почвы и, что ключевое, специально рассчитанные индексы экстремальных климатических явлений. Модель имеет многокомпонентную архитектуру, которая параллельно обрабатывает динамические данные (погоду и состояние посевов) и статические (свойства почвы), объединяя их для итогового прогноза.
Алгоритм протестировали на данных по шести уездам города Циндао – крупного сельскохозяйственного региона на восточном побережье Китая – за период с 2004 по 2019 год. Точность прогнозов модели достигла 76%, а средняя ошибка составила около 4,2%. Эффективность заметно возрастала в годы с погодными аномалиями, когда система учитывала такие факторы, как число жарких или морозных дней подряд и интенсивность осадков. Модель также выявила, что на ранних стадиях роста пшеницы наибольшую угрозу представляют заморозки, а на этапе созревания зерна – жара и засуха.
Главное преимущество новой системы – возможность получить надёжный прогноз примерно за 30 дней до начала уборочной кампании. Этот запас времени позволяет фермерам и властям принять меры для минимизации потерь. Кроме того, модель лишена распространённого недостатка более простых сетей, которые склонны завышать низкие показатели урожайности и занижать высокие.
Исследователи отмечают, что модель была настроена и проверена в условиях умеренного муссонного климата Циндао. Для применения в других регионах, например в засушливых или субтропических зонах, потребуется её калибровка с учётом местного климата, рельефа и агрономических сроков. Тем не менее, поскольку алгоритм использует общедоступные данные, его архитектуру можно адаптировать для других стран.