Россия
Россия
Россия
Россия
УДК 632.111.51 Ранние заморозки
УДК 632.111.52 Поздние заморозки
УДК 004.852 Статистическое обучение и параметрическое обучение
Целью исследования являлось обучение и сравнительный анализ моделей машинного обучения (МО) и глубокого обучения (ГО) для долгосрочного прогнозирования минимальных суточных температур (заморозков) – ключевого агрометеорологического риска, влияющего на продуктивность сельскохозяйственных культур. Исследование выполнено на основе данных метеостанций Санкт-Петербурга и Ленинградской области. Для прогнозирования на год вперед, что соответствует потребностям оперативного агропроизводственного планирования (сроки сева, уборки, защитных мероприятий), использовались 8 методов: ForecasterAutoreg, Random Forest, Support Vector Regression (SVR), XGBoost, сверточная нейронная сеть (CNN), SimpleRNN, Gated Recurrent Unit (GRU) и Long Short-Term Memory (LSTM). Анализ проводился на двух датасетах: за периоды 1936-2024 и 1881-1995 годы. Качество моделей оценивалось по метрикам MAE, MSE, RMSE, R2 и скорректированному R2. Наиболее точные результаты на основном датасете (1936-2024) показала модель LSTM: MAE 2,9, MSE 14,661, R2 0,789. На архивных данных (1881-1995) лучшие метрики продемонстрировал метод SVR (MAE 3,461, R2 0,775). Установлено, что модели ГО (LSTM, GRU, CNN) в целом превосходят классические методы МО на современных данных. Метод LSTM признан наиболее эффективным для интеграции в системы точного земледелия и агромониторинга региона для заблаговременного планирования агротехнологических мероприятий по защите посевов от заморозков, оптимизации севооборотов и минимизации рисков потери урожая.
долгосрочное агрометеорологическое прогнозирование, заморозки, методы машинного обучения, методы глубокого обучения, точное земледелие, управление агропроизводством, принятие решений в растениеводстве
1. IPCC, 2012: Managing the Risks of Extreme Events and Disasters to Advance Climate Change Adaptation. A Special Report of Working Groups I and II of the Intergovernmental Panel on Climate Change [Field, C.B., V. Barros, T.F. Stocker, D. Qin, D.J. Dokken, K.L. Ebi, M.D. Mastrandrea, K.J. Mach, G.-K. Plattner, S.K. Allen, M. Tignor, and P.M. Midgley (eds.)]. Cambridge University Press, Cambridge, UK, and New York, NY, USA, 582 pp.
2. Li X., Jiang D., Liu F. Winter soil warming exacerbates the impacts of Spring Low temperature stress on wheat // Journal of Agronomy and Crop Science. 2016. V. 202, no. 6. P. 554-563.
3. Mitrofanova O., Mitrofanov E., Blekanov I., Bure V., Molin A. Approach for long-term forecasting of frosts and droughts in smart agriculture // Agriculture Digitalization and Organic Production. ADOP 2024. Smart Innovation, Systems and Technologies, Springer, Singapore. 2024. V. 397. P. 35-46.
4. Hua W., Heinemann P., He L. Frost management in agriculture with advanced sensing, modeling, and artificial intelligent technologies: A review // Computers and Electronics in Agriculture. 2025. V. 231. Article 110027.
5. Eitzinger J., Daneu V., Kubu G., Thaler S., Trnka M., Schaumberger A., Schneider S., Tran T.M.A. Grid based monitoring and forecasting system of cropping conditions and risks by agrometeorological indicators in Austria – Agricultural Risk Information System ARIS // Climate Services. 2024. V. 34. Article 100478.
6. Harilal G.T., Dixit A., Quattrone G. Establishing hybrid deep learning models for regional daily rainfall time series forecasting in the United Kingdom // Engineering Applications of Artificial Intelligence. 2024. V. 133. Article 108581.
7. Guhan V., Raju A.D., Krishna R., Nagaratna K. Evaluating weather trends and forecasting with machine learning: Insights from maximum temperature, minimum temperature, and rainfall data in India // Dynamics of Atmospheres and Oceans. 2025. V. 110. Article 101562.
8. Hossain M.A., Rahman Md M., Hasan S.S., Mahmud A., Bai L. Analysis and forecasting of meteorogical drought using PROPHET and SARIMA models deploying machine learning technique for southwestern region of Bangladesh // Environment and Sustainability Indicators. 2025. V. 27. Article 100761.
9. Hsu C.-C., Lin Y.-P. Incorporating long-term numerical weather forecast to quantify dynamic vulnerability of irrigation supply system: A case study of Shihmen Reservoir in Taiwan // Agricultural Water Management. 2024. V. 306. Article 109178.
10. Chen L., Liu X., Zeng C., He X., Chen F., Zhu B. Temperature prediction of seasonal frozen subgrades based on CEEMDAN-LSTM hybrid model // Sensors. 2022. V. 22. Article 5742.
11. Zhang D., Ma Y., Jiang A., Ren Y., Lin J., Peng Q., Jin T. Long-term water temperature forecasting in fish spawning grounds downstream of hydropower stations using machine learning // Sustainability. 2025. V. 17. Article 4514.
