ИСПОЛЬЗОВАНИЕ МУЛЬТИНОМИАЛЬНОЙ ЛОГИСТИЧЕСКОЙ РЕГРЕССИИ ДЛЯ ПРОГНОЗИРОВАНИЯ СОДЕРЖАНИЯ НИТРАТНОГО АЗОТА В ПОЧВЕ
Аннотация
В данной работе представлена модель мультиномиальной логистической регрессии, которая позволяет прогнозировать и тем самым быстро определять содержание нитратного азота в слое почвы 0-40 см перед посевом. Для построения и обучения модели использовались данные долгосрочного многофакторного стационарного полевого опыта СибНИИЗиХ СФНЦА РАН за временной период 2009-2018 гг. В ходе анализа выборки данных (наблюдений) были выявлены основные предикторы модели, влияющие на содержание нитратного азота в почве (целевой показатель). Предикторы представлены качественными и количественными параметрами рабочего участка: предшественник, обработка почвы, погодные условия, содержание продуктивной влаги в почве перед посевом, содержание нитратного азота в соответствующих градациях. Качество разработанной модели мультиномиальной логистической регрессии оценивалось с использованием коэффициента детерминации, который составил 78% по мере Нэйджелкерка и 72% по мере Кокса - Снелла. Были оценены прогностические возможности обученной модели. Общая доля правильных прогнозов для мультиномиальной логистической регрессии составляет 80,6%.
Полный текст только в pdf
Список литературы
Samoilov L.N. Kompleks faktorov, vlijajushhih na proizvodstvo i kachestvo zerna pshenicy [Complex of factors affecting the production and quality of wheat grain] / L.N. Samoilov, L.S. Chernova, S.V. Trushkin // Plodorodie [Fertility]. – 2018. – №6 (105) – P.12-16. [in Russian]
Kontsevaya S. R. Analiz vlijanija abioticheskih faktorov na urozhajnost' zernovyh kul'tur [Analysis of the influence of abiotic factors on the yield of grain crops] / S. R. Kontsevaya // Buhuchet v sel'skom hozjajstve [Accounting in agriculture]. - 2018. – No. 1. – pp. 81-87. [in Russian]
Malygina N. S. Issledovanie faktorov, vlijajushhih na urozhajnost' i kachestvo zerna pshenicy (na primere Orlovskogo rajona Orlovskoj oblasti) [Investigation of factors affecting the yield and quality of wheat grain (on the example of the Oryol district of the Oryol region)] / N. S. Malygina, I. M. Tikhoikina // Vestnik Orel GIET. – 2015. – No. 3. – pp. 43-47. [in Russian]
Pasinkova E.N. Agrohimicheskie priemy regulirovanija urozhajnosti i kachestva zerna pshenicy [Agrochemical methods of regulating the yield and quality of wheat grain]: Abstract. diss. doct. biol. nauk / E.N. Pasinkova – M.: VNIIA. – 2014. – 49 p. [in Russian]
Gamzikov G.P. Pochvennaja diagnostika azotnogo pitanija rastenij i primenenija azotnyh udobrenij v sevooborotah [Soil diagnostics of nitrogen nutrition of plants and the use of nitrogen fertilizers in crop rotations] / G.P. Gamzikov // Plodorodie [Fertility]. – 2018. – №1 (100) – Pp.8-14. [in Russian]
Kidin V. V. Osnovy pitanija rastenij i primenenija udobrenij [Fundamentals of plant nutrition and application of fertilizers] / V. V. Kidin –Moscow: RGAU-MSHA. – 2008. – 415 p. [in Russian]
Vorobyova L. A. Teorija i praktika himicheskogo analiza pochv [Theory and practice of chemical analysis of soils] / L. A. Vorobyova M.: GEOS. - 2006. – 400 p. [in Russian]
Grell M. Point-of-use sensors and machine learning enable low-cost determination of soil nitrogen / M. Grell, G. Barandun, T. Asfour // Nature Food 2. – 2021. – pp. 981-989.
Anishchenko A. N. Agriculture 4. 0 kak perspektivnaja model' nauchno-tehnologicheskogo razvitija agrarnogo sektora sovremennoj Rossii [Agriculture 4.0 as a promising model of scientific and technological development of the agricultural sector of modern Russia] / A. N. Anishchenko, A. A. Shutkov // Prodovol'stvennaja politika i bezopasnost' [Food policy and security]. – 2019. – №6 (3). – Pp.129-140. [in Russian]
Ganieva I. A. Cifrovaja transformacija sel'skogo hozjajstva Rossii: konsolidacija gosudarstva i agrobiznesa [Digital transformation of agriculture in Russia: consolidation of the state and agribusiness] / I. A. Ganieva // Dostizhenija nauki i tehniki APK [Achievements of science and technology of agriculture]. – 2019. – №4 (33) – Pp. 5-7. [in Russian]
Fedorenko N. P. Cifrovoe sel'skoe hozjajstvo: sostojanie i perspektivy razvitija [Digital agriculture: state and prospects of development] / N.P. Fedorenko, D.S. Mishurov, D.S. Buklagin, etc. – Moscow: Rosinformagrotech, 2019. – 316 p. [in Russian]
Stepnykh N.V. Cifrovizacija upravlenija agrotehnologijami [Digitalization of agrotechnology management] / N.V. Stepnykh, E.V. Nesterova, A.M. Zargaryan – Kurtamysh: LLC "Kurtamysh printing house", 2018. – 43 p. [in Russian]
Yuefen L. Machine learning for the prediction of L. chinensis carbon, nitrogen and phosphorus contents and understanding of mecanisms underlying grassland degradation / Yuefen Li, Shuo Liang, Yiying Zhao et al. // Journal of Environmental Management. – 2017. –Vol. 192. – pp. 116-123.
Kalichkin V.K. Prognozirovanie soderzhanija nitratnogo azota v pochve s ispol'zovaniem mashinnogo obuchenija [Prediction of nitrate nitrogen content in soil using machine learning] / V.K. Kalichkin, T.A. Luzhnykh, V.S. Riksen // Sibirskij vestnik sel'skohozjajstvennoj nauki [Siberian Bulletin of Agricultural Science]. – 2021. – Vol. 51. – No. 5. – pp. 91-100. [in Russian]
Xinbing W. Machine learning-based in-season nitrogen status diagnosis and side-dress nitrogen recommendation for corn / W. Xinbing, M. Yuxin, D. Rui et al. // European Journal of Agronomy. – 2021. – Vol. 123. – pp. 126-193.
Osco L.P. Leaf Nitrogen Con-centration and Plant Height Prediction for Maize Using UAV-Based Multispectral Imagery and Machine Learning Techniques / L.P. Osco, J.M. Junior, A.P. Ramos et al. // Remote Sens. – 2020. – Vol .12. – pp. 32-37.
Chlingaryan A. Machine learning approaches for crop yield prediction and nitrogen status estimation in precision agriculture / A. Chlingaryan, S. Sukkarieh, B. Whelan // A review, Computers and Electronics in Agriculture. – 2018. – Vol. 151. – P. 61-69.
Skvortsov E.A. Primenenie tehnologij iskusstvennogo intellekta v sel'skom hozjajstve [Application of artificial intelligence technologies in agriculture] / E.A. Skvortsov, V.I. Nabokov, K.V. Nekrasov et al. // AVU. – 2019. – №8 (187). – Pp. 91-98. [in Russian]
Byul A. SPSS: iskusstvo obrabotki informacii [SPSS: the art of information processing] / A. Byul, P. Cefel. – SPb.:Dia-SoftUP LLC, 2005. – 608 p. [in Russian]
Nikolenko S.I. Glubokoe obuchenie [Deep learning] / S.I. Nikolenko, A. Kadurin, E. Arkhangelskaya — St. Petersburg: St. Petersburg, 2018. — 480 p. [in Russian]
Cohen A. Method for Hypothesis Tests in Polychotomous Logistic Regression / A. Cohen, M. A. Rom // Computational Statistics and Data Analysis, 1994. – Vol. 17 – pp. 277-288.
Long J. S. Regression models for categorical and limited dependent variables, Thousand Oaks / J. S. Long Sage – Publ, 1997. – 328p.