2022,    № 5 (53)    

ПОЧВОВЕДЕНИЕ


31.10.2022

УДК 631.416.1:519.2

Кизимова Т.А., Риксен В.С., Шпак В.А., Максимович К.Ю., Галимов Р.Р.

Использование методов машинного обучения для прогнозирования нитратного азота в почве

В данной работе представлены модели мультиномиальной логистической регрессии и нейронной сети, которые позволяют прогнозировать и тем самым оперативно определять содержание нитратного азота в 0–40 см слое почвы перед посевом. Для обучения моделей использованы данные длительного многофакторного полевого опыта СибНИИЗиХ СФНЦА РАН за 2009-2018гг, заложенного в 1981 г. на черноземе выщелоченном в ОС «Элитная» - филиале СФНЦА РАН. Учитывая особенности статистической выборки (данных наблюдений и анализов), определены основные предикторы моделей, влияющие на содержание нитратного азота в почве (целевой показатель), они представлены качественными (предшественник, обработка почвы) и количественными (погодные условия и содержание продуктивной влаги перед посевом в слое 0–100 см) факторами с соответствующими градациями. Модели показали достаточно высокую достоверность при верификации на эмпирических данных и могут быть использованы в качестве инструмента для прогноза. Качество разработанной модели мультиномиальной логистической регрессии оценивали с помощью коэффициента детерминации, который по мере Нэйджелкерка был равен 78 %, а по мере Коксаи Снелла 72%. Для определения предсказательной способности нейронной сети был проведён ROC- анализ, который показал, что площадь под ROC - кривой для каждой категории целевого показателя была близкая к 1, что говорит о высокой предсказательной силе данного метода. Проведена сравнительная оценка прогностических возможностей обученных моделей. Общая доля правильных прогнозов для мультиномиальной логистической регрессии составляет 80,6%, в модели нейронной сети 89,5%.

Ключевые слова: МУЛЬТИНОМИАЛЬНАЯ ЛОГИСТИЧЕСКАЯ РЕГРЕССИЯ, НЕЙРОННАЯ СЕТЬ, НИТРАТНЫЙ АЗОТ, ПОЧВА

        Текст статьи