Том 337 № 5 (2026)
DOI https://doi.org/10.18799/24131830/2026/5/5368
Прогнозирование урожайности кукурузы методами машинного обучения на основе результатов геоинформационного анализа твердости почвы
Актуальность. Одной из важнейших сфер применения геопространственных технологий и технологий искусственного интеллекта является точное земледелие, которое подразумевает индивидуальный подход к отдельным участкам поля, что способствует повышению эффективности сельскохозяйственного производства. Выбор сельскохозяйственной культуры для исследования обусловлен тем фактом, что кукуруза является достаточно перспективной и высокомаржинальной культурой. Например, с 2001 по 2024 гг. отмечается увеличение посевных площадей кукурузы в 4 раза (на 1960,5 тыс. га), что говорит о перспективах развития данного направления растениеводства. Процесс роста и развития растений кукурузы во многом зависит от физических свойств почвы. В рамках реализации элементов технологии точного земледелия по значениям твердости почвы был выполнен геоинформационный анализ с целью выявления зон почвенных неоднородностей. На основании результатов зонирования осуществлялся выбор наиболее эффективных методов машинного обучения для прогнозирования урожайности зеленой массы кукурузы в зависимости от твердости почвы. Цель. Определение наиболее эффективных методов прогнозирования урожайности зеленой массы кукурузы на основании получаемых взаимосвязей с твердостью почвы. Методы отбора почвенных проб, определения твердости почвы, определения урожайности, геопространственного анализа, кластеризации, машинного обучения, оптимизации. Результаты и выводы. Проанализированы преимущества использования геоинформационных систем и средств пространственного анализа для сельскохозяйственных процессов. Рассмотрено влияние параметра твердости почвы на урожайность сельскохозяйственных культур. На основе полученных значений твердости почвы сформирована база данных, по результатам анализа которой созданы пространственные модели, отображающие зоны по усредненным значениями твердости почвы. На основе сравнительного анализа создана модель прогнозирования урожайности кукурузы по данным твердости почвы. Основываясь на данной модели, авторы подобрали оптимальные значения твердости почвы для каждого 60-сантиметрового интервала.
Для цитирования: Колесников А.А., Яковлев Д.А., Пошивайло Я.Г., Иванов Н.М., Костич М., Брычева А.В., Бамбух Д.В. Прогнозирование урожайности кукурузы методами машинного обучения на основе результатов геоинформационного анализа твердости почвы. Известия Томского политехнического университета. Инжиниринг георесурсов, 2026, Т. 337, № 5, С. 21-35. https://doi.org/10.18799/24131830/2026/5/5368
Ключевые слова:
твердость почвы, прогнозирование урожайности кукурузы, точное земледелие, геоинформационный анализ, интерполяция, кластеризация, тепловая карта, машинное обучение
Библиографические ссылки:
СПИСОК ЛИТЕРАТУРЫ
1. Карманов А.Г., Кнышев А.И., Елисеева В.В. Геоинформационные системы территориального управления. СПб: Университет ИТМО, 2015. 121 с.
2. Геоинформационные системы и точное земледелие: концепция, теория и практика. Д. Баич, Р. Гнято, Г. Трбич, Д. Аджич, С. Гнято, С. Тодорович, Н. Лукич. Геополитика и экогеодинамика регионов, 2019, Т. 5 (15), Вып. 2, С. 51–64.
3. Геоинформационные технологии в обеспечении точного земледелия. А.С. Рулев, С.С. Шинкаренко, В.Н. Бодрова, Н.В. Сидорова. Известия Нижневолжского агроуниверситетского комплекса: Наука и высшее профессиональное образование, 2018, № 4 (52), С. 115–122. DOI: 10.32786/2071-9485-2018-04-15.
4. An overview of precision farming. Rimpika, Anushi, S. Manasa, K.N. Anusha, S. Sharma, A. Thakur, Shilpa, A. Sood. International Journal of Environment and Climate Change, 2023, Vol. 13, № 12, P. 441–456. DOI: 10.9734/ijecc/2023/v13i123701
5. Медведев В.В. Твердость почв. Харьков: КГ1 «Городская типография», 2009. 152 с.
6. Influence of soil tillage system on soil compaction and winter wheat yield. M. Biberdzic, S. Barac, D. Lalevic, A. Вjikic, D. Prodanovic, V. Rajicic. Chilean journal of agricultural research, 2020, Vol. 80, № 1, P. 80–89. DOI: 10.4067/S0718-58392020000100080.
7. Soil compaction influences soil physical quality and soybean yield under long-term no-tillage. C.J.B. Ferreira, C.A. Tormena, E.Da.C. Severiano, L. Zotarelli, E. Betioli Júnior. Archives of Agronomy and Soil Science, 2021, Vol. 67, № 3, P. 383–396. DOI: 10.1080/03650340.2020.1733535.
8. Analysis of the shallow root system of maize grown by plowing upland fields converted from paddy fields: Effects of soil hardness and fertilization. Y. Shinoto, R. Otani, T. Matsunami, S. Maruyama. Plant Production Science, 2021, Vol. 24, № 3, P. 297–305. DOI: 10.1080/1343943X.2020.1863823.
9. Яковлев Н.С., Синещеков В.Е., Маркин В.В. Анализ систем зяблевой обработки почвы под зерновые культуры. Вестник НГИЭИ, 2021, № 4 (119), С. 5–20. DOI: 10.24412/2227-9407-2021-4-5-20.
10. Soil compaction due to agricultural machinery impact. Z.I. Mileusnić, E. Saljnikov, R.L. Radojević, D.V. Petrović. Journal of Terramechanics, 2022, Vol. 100, P. 51–60. DOI: 10.1016/j.jterra.2021.12.002.
11. Shaheb M.R., Venkatesh R., Shearer S.A. A review on the effect of soil compaction and its management for sustainable crop production. Journal of Biosystems Engineering, 2021, Vol. 46, P. 417–439. DOI: 10.1007/s42853-021-00117-7.
12. Результаты исследований колесного полурамного энергетического средства с навешанным фронтально прокалывателем-щелерезом. С.В. Щитов, З.Ф. Кривуца, Е.С. Поликутина, Е.В. Панова, Р.О. Сурин. Вестник Ижевской государственной сельскохозяйственной академии, 2024, № 4 (80), С. 160–166. DOI: 10.48012/1817-5457_2024_4_160-166.
13. Панасюк А.Н., Епифанцев В.В., Дегтярев Д.А. Ограничения применения колесных тракторов в технологиях растениеводства по уплотняющему воздействию (в условиях Приамурья). Дальневосточный аграрный вестник, 2024, Т. 18, № 1, С. 83–90. – DOI: 10.22450/1999-6837-2024-18-1-83-90.
14. Soil precompression stress, penetration resistance and crop yields in relation to differently-trafficked, temperate-region sandy loam soils. P. Schjønning, M. Lamandé, L. Munkholm, H. Lyngvig, J. Nielsen. Soil and Tillage Research, 2016, Vol. 163, P. 298–308. DOI: 10.1016/j.still.2016.07.003.
15. Integration of high resolution remotely sensed data and machine learning techniques for spatial prediction of soil properties and corn yield. S. Khanal, J. Fulton, A. Klopfenstein, N. Douridas, S. Shearer. Computers and electronics in agriculture, 2018, Vol. 153, P. 213–225. DOI: 10.1016/j.compag.2018.07.016.
16. Soil sensing and machine learning reveal factors affecting maize yield in the mid‐Atlantic United States. R. Kinoshita, M. Tani, S. Sherpa, A. Ghahramani, H. Es. Agronomy Journal, 2023, Vol. 115.1, P. 181–196. DOI: 10.1002/agj2.21223
17. ГОСТ 17.4.4.02-2017. Охрана природы. Почвы. Методы отбора и подготовки проб для химического, бактериологического, гельминтологического анализа. М.: Стандартинформ, 2018. 16 с.
18. ГОСТ Р 58586-2019. Отбор и подготовка почвенных проб для изотопного анализа. М.: Стандартинформ, 2020. 12 с.
19. ГОСТ 20915-2011. Испытания сельскохозяйственной техники. Методы определения условий испытаний. М.: Стандартинформ, 2013. 28 с.
20. Яковлев Н.С., Назаров Н.Н., Черных В.И. Твердость почвы и почвенных агрегатов. Аграрная наука – сельскому хозяйству: сборник статей: в 3 книгах. Барнаул, 07–08 февраля 2017. Барнаул: Алтайский гос. аграрный ун-т., 2017. Кн. 3. С. 60–62.
21. Koolen A.J. A method for soil compactibility determination. Journal of Agricultural Engineering Research, 1974, Vol. 19, № 3, P. 271–278.
22. Джабборов Н.И., Добринов А.В. Оптимальное проектирование почвообрабатывающих машин с учетом их потребной мощности. АгроЭкоИнженерия, 2021, № 1 (106), С. 50–62. DOI: 10.24411/2713-2641-2021-10277.
23. NDVI посевов как дистанционный индикатор качества пахотных почв. А.М. Хутуев, А.Х. Занилов, Д.А. Тутукова, И.Ю. Савин. Бюллетень Почвенного института имени В.В. Докучаева, 2024, № 121, С.70–85. DOI: 10.19047/0136-1694-2024-121-70-85.
24. Прогнозирование электропотребления на основе метода главных компонент (PCA). И.У. Рахмонов, Н.Н. Ниезов, В.Я. Ушаков и др. Известия Томского политехнического университета. Инжиниринг георесурсов, 2024, Т. 335, № 12, С. 198–209. DOI: 10.18799/24131830/2024/12/4731.
25. Кочегуров А.И., Денисов В.И., Задорожных Е.А. Анализ применения методов машинного обучения в задачах классификации пород на образцах керна. Известия Томского политехнического университета. Инжиниринг георесурсов, 2024, Т. 335, № 9, С. 148–159. DOI: 10.18799/24131830/2024/9/4792
REFERENCES
1. Karmanov A.G., Knyshev A.I., Eliseeva V.V. Geoinformation systems of territorial management. St Petersburg, ITMO University Publ., 2015. 121 p. (In Russ.)
2. Bajic D., Gnjato R., Trbic G., Adzic D., Gnjato S., Todorovic S., Lukic N. Geoinformation systems and precision agriculture: concept, theory and practice. Geopolitics and ecogeodynamics of regions, 2019, vol. 5 (15), no. 2, pp. 51–64. (In Russ.)
3. Rulev A.S., Shinkarenko S.S., Bodrova V.N., Sidorova N.V. Geoinformation technologies in precision farming. Izvestia of the Lower Volga Agro-University Complex, 2018, vol. 4 (52), pp. 115–122. (In Russ.) DOI: 10.32786/2071-9485-2018-04-15.
4. Rimpika, Anushi, Manasa S., Anusha K.N., Sharma S., Thakur A., Shilpa, Sood A. An overview of precision farming. International Journal of Environment and Climate Change, 2023, vol. 13, no. 12, pp. 441–456. DOI: 10.9734/ijecc/2023/v13i123701.
5. Medvedev V.V. Soil hardness. Kharkov, KG1 "City Printing House", 2009. 152 p. (In Russ.)
6. Biberdzic M., Barac S., Lalevic D., Вjikic A., Prodanovic D., Rajicic V. Influence of soil tillage system on soil compaction and winter wheat yield. Chilean journal of agricultural research, 2020. vol. 80, no. 1, pp. 80–89. DOI: 10.4067/S0718-58392020000100080.
7. Ferreira C.J.B., Tormena C.A., Severiano E.Da.C., Zotarelli L., Betioli Júnior E. Soil compaction influences soil physical quality and soybean yield under long-term no-tillage. Archives of Agronomy and Soil Science, 2021, vol. 67, no. 3, pp. 383–396. DOI: 10.1080/03650340.2020.1733535.
8. Shinoto Y., Otani R., Matsunami T., S. Maruyama S. Analysis of the shallow root system of maize grown by plowing upland fields converted from paddy fields: effects of soil hardness and fertilization. Plant Production Science, 2021, vol. 24, no. 3, pp. 297–305. DOI: 10.1080/1343943X.2020.1863823.
9. Yakovlev N.S., Sineshchekov V.E., Markin V.V. Analysis of systems of autumn tillage of soil for grain crops. Vestnik NGIEI, 2021, no. 4 (119), pp. 5–20. (In Russ.) DOI: 10.24412/2227-9407-2021-4-5-20.
10. Mileusnić Z.I., Saljnikov E., Radojević R.L., Petrović D.V. Soil compaction due to agricultural machinery impact. Journal of Terramechanics, 2022, vol. 100, pp. 51–60. DOI: 10.1016/j.jterra.2021.12.002.
11. Shaheb M.R., Venkatesh R., Shearer S.A. A review on the effect of soil compaction and its management for sustainable crop production. Journal of Biosystems Engineering, 2021, vol. 46, pp. 417–439. DOI: 10.1007/s42853-021-00117-7.
12. Shchitov S.V., Krivutsa Z.F., Polikutina E.S., Panova E.V., Surin R.O. Results of research of a wheeled semi-frame power vehicle with a frontally mounted piercer-slot cutter. The Bulletin of Izhevsk State Agricultural Academy, 2024, no. 4 (80), pp. 160–166. (In Russ.) DOI: 10.48012/1817-5457_2024_4_160-166.
13. Panasyuk A.N., Epifantsev V.V., Degtyarev D.A. Limitations of the use of wheeled tractors in crop production technologies by compaction effect (in the conditions of the Amur region). Far Eastern Agricultural Journal, 2024, vol. 18, no. 1, pp. 83–90. (In Russ.) DOI: 10.22450/1999-6837-2024-18-1-83-90.
14. Schjønning P., Lamandé M., Munkholm L., Lyngvig H., Nielsen J. Soil precompression stress, penetration resistance and crop yields in relation to differently-trafficked, temperate-region sandy loam soils. Soil and Tillage Research, 2016, vol. 163, pp. 298–308. DOI: 10.1016/j.still.2016.07.003.
15. Khanal S., Fulton J., Klopfenstein A., Douridas N., Shearer S. Integration of high resolution remotely sensed data and machine learning techniques for spatial prediction of soil properties and corn yield. Computers and electronics in agriculture, 2018, vol. 153. pp. 213–225. DOI: 10.1016/j.compag.2018.07.016
16. Kinoshita R., Tani M., Sherpa S., Ghahramani A., Es H. Soil sensing and machine learning reveal factors affecting maize yield in the mid‐Atlantic United States. Agronomy Journal, 2023, vol. 115.1, pp. 181–196. DOI: 10.1002/agj2.21223
17. SS R 17.4.4.02-2017. Nature protection. Soils. Methods of sampling and sample preparation for chemical, bacteriological, helminthological analysis. Moscow, Standartinform Publ., 2018. 16 p. (In Russ.)
18. SS R 58586-2019. Selection and preparation of soil samples for isotope analysis. Moscow, Standartinform Publ., 2020. 12 p. (In Russ.)
19. SS 20915-2011. Testing of agricultural machinery. Methods for determining test conditions. Moscow, Standartinform Publ., 2013. 28 p. (In Russ.)
20. Yakovlev N.S., Nazarov N.N., Chernykh V.I. Hardness of soil and soil aggregates. Agrarian science – for agriculture: collection of articles. Barnaul, February 7–8, 2017. Barnaul, Altay State University Publ., 2017. B. 3, pp. 60–62.
21. Koolen A.J. A method for soil compactibility determination. Journal of Agricultural Engineering Research, 1974, vol. 19, no. 3, pp. 271–278.
22. Dzhabborov N.I., Dobrinov A.V. Optimal design of tillage machines taking into account their required power. AgroEcoEngineering, 2021, no. 1 (106), pp. 50–62. (In Russ.) DOI: 10.24411/2713-2641-2021-10277.
23. Khutuev A.M., Zanilov A.Kh., Tutukova D.A., Savin I.Yu. NDVI of crops as a remote indicator of the quality of arable soils. Dokuchaev Soil Bulletin, 2024, no. 121, pp. 70–85. (In Russ.) DOI: 10.19047/0136-1694-2024-121-70-85.
24. Rakhmonov I.U., Niyozov N.N., Ushakov V.Ya. Forecasting electricity consumption based on the principal component analysis (PCA). Bulletin of the Tomsk Polytechnic University. Geo Assets Engineering, 2024, vol. 335, no 12. p. 198–209. DOI: 10.18799/24131830/2024/12/4731.
25. Kochegurov A.I., Denisov V.I., Zadorozhnykh E.A. Analysis of the application of machine learning methods in problems of rock classification using core samples. Bulletin of the Tomsk Polytechnic University. Geo Assets Engineering, 2024, vol. 335, no. 9, pp. 148–159. DOI: 10.18799/24131830/2024/9/4792.
