В. К. Каличкин, Д. С. Федоров, В. С. Риксен, К. Ю. Максимович
Сибирский федеральный научный центр агробиотехнологий Российской академии наук, р. п. Краснообск, Новосибирская область, Россия
E-mail: Этот адрес электронной почты защищён от спам-ботов. У вас должен быть включен JavaScript для просмотра.
Том 25 № 12
Дата поступления статьи: 18.03.2025, дата рецензирования: 26.05.2025, дата принятия: 29.07.2025.
Опубликовано: 31.12.2025 г.
Аннотация. Цель исследования состояла в разработке моделей севооборотов и прогнозирования их возможной продуктивности на основе применения генетического алгоритма и машинного обучения с использованием данных длительных полевых опытов. Методы. В исследованиях использованы временные ряды данных по продуктивности 9 видов севооборотов на трех уровнях применения агрохимических средств, полученные в лесостепи Приобья Новосибирской области Сибирским НИИ земледелия и химизации сельского хозяйства СФНЦА РАН в течение 1999–2019 гг. Научная новизна. На основе анализа исторических данных длительных полевых опытов выполнено построение вероятностной матрицы переходов сельскохозяйственных культур в севообороте. Гибридное моделирование севооборотов, включающее совместное применение генетического алгоритма в сочетании с моделью машинного обучения XGBoost, позволило установить закономерности чередования культур в 16-летнем цикле севооборотов и их возможную продуктивность в зависимости от уровня интенсификации земледелия на территории конкретного пространственного объекта. Результаты. По результатам моделирования также установлено, что на экстенсивном уровне возможно получение высокой продуктивности севооборотов без систематического применения пара, но необходимо сочетание зерновых, бобовых и однолетних трав. На нормальном уровне интенсификации моделирование не выявило необходимости включения в севооборот парового поля при сохранении роли плодосмена и увеличения значения озимой ржи. При применении полного комплекса средств химизации установлено, что интенсификация земледелия не устраняет полностью значение оптимального чередования в севообороте разнообразных по биологическим свойствам культур. Предложенная методология, основанная на совместном использовании генетического алгоритма и машинного обучения XGBoost, позволяет анализировать ключевые факторы, определяющие оптимальную последовательность культур и продуктивность севооборотов, и строить их лучшие варианты с учетом уровня применения средств интенсификации агротехнологий.
Ключевые слова: севооборот, продуктивность, моделирование, эволюционный алгоритм, машинное обучение
Благодарности. Авторы выражают признательность кандидату сельскохозяйственных наук, ведущему научному сотруднику лаборатории плодородия СФНЦА РАН, Н. В. Васильевой и кандидату сельскохозяйственных наук, заведующему лабораторией севооборотов СФНЦА РАН Г. М. Захарову за предоставленную информацию по полевым опытам с севооборотами.
Для цитирования: Каличкин В. К., Федоров Д. С., Риксен В. С., Максимович К. Ю. Моделирование севооборотов с помощью генетического алгоритма и машинного обучения на основе данных полевых опытов // Аграрный вестник Урала. 2025. Т. 25, № 12. С. 2054‒2063. https://doi.org/10.32417/1997-4868-2025-25-12-2054-2063
