Гибридная модель PSO-SVM и символьной регрессии для прогнозирования спроса на воду в сельском хозяйстве

Почему использование воды на фермах важно для всех

В засушливых регионах мира те же реки и водоносные горизонты должны обеспечивать водой города, промышленность и посевы, которые нас кормят. Если сельское хозяйство забирает слишком много, краны пересыхают, а экосистемы страдают; если слишком мало — под угрозой оказывается производство продуктов питания. В этом исследовании подробно рассматривается город Баяннур в Внутренней Монголии, один из крупных ирригационных центров Китая, с целью ответить на ключевой вопрос: как будет меняться спрос на оросительную воду в ближайшие годы и какие рычаги — технологии, политика или производство — имеют наибольшее значение?

Засушливый район с жадными к воде полями

Баяннур находится в Хэтао — ирригационной зоне на северо-западе Китая, где плодородные почвы и большое количество солнечных дней позволяют выращивать пшеницу, кукурузу, подсолнечник и помидоры — но только при условии достаточной подачи воды по каналам. С 1990 по 2022 год сельское хозяйство потребляло около 97% всех водных ресурсов города, в среднем почти 5 миллиардов кубометров в год. При этом природные запасы воды в регионе ограничены: мало осадков и скудные поступления из рек и подземных источников. Такое несоответствие делает особенно важным понимание того, как сельскохозяйственные практики, сельская занятость и государственная политика вместе формируют колебания спроса на орошение.

Разбирая, что поднимает и что сдерживает водопотребление

Исследователи собрали 33 года официальной статистики по климату, доступности воды, сельскохозяйственному производству, демографии сельских районов, механизации, использованию удобрений, технологиям орошения и ценам на воду. Сначала они применили подход машинного обучения, сочетающий оптимизацию роем частиц и метод опорных векторов (PSO-SVM). Проще говоря, этот метод позволяет «рою» пробных моделей искать лучший способ предсказать использование воды по множеству возможных факторов. Плавно изменяя каждую переменную и наблюдая за изменениями прогнозов, команда смогла маркировать одни влияния как «двигатели», повышающие спрос на воду, а другие как «тормоза», его сдерживающие.

Производство толкает вверх, технологии и доходы тянут вниз

Анализ выявил очевидную борьбу противоположных сил. Среди факторов, повышающих спрос, сильнее всего сказываются рост урожайности зерна и увеличение фактически орошаемой площади, поддерживаемые большим числом занятых в сельской местности, увеличением расхода удобрений и расширением посевов зерновых. Это отражает базовый принцип: большие и более интенсивные хозяйства требуют больше воды. В то же время главным сдерживающим фактором оказался рост доходов в сельской местности: по мере того как домохозяйства становятся богаче, они отходят от наиболее водопотребляющих видов деятельности. Шире распространение высокоэффективных систем орошения — например капельного и дождевального — также сокращало потребность в воде, как и повышение цен на оросительную воду, природные ограничения, измеряемые индексом водного стресса, и большая механизация. В совокупности эти «тормоза» объясняют, почему сельскохозяйственное водопотребление в Баяннуре в целом сокращалось с начала 2000-х, несмотря на рост производства продовольствия.

Превращая «черный ящик» в читаемое уравнение

Модели машинного обучения часто дают точные прогнозы, но скрывают свои внутренние механизмы, что затрудняет их использование в политических дискуссиях. Чтобы избежать этой проблемы «черного ящика», команда ввела в второй инструмент — символьную регрессию — только наиболее значимые факторы. Этот метод ищет понятное человеку уравнение, связывающее несколько ключевых переменных — здесь: доход в сельской местности, урожайность зерна, орошаемая площадь и доля эффективного орошения — с потреблением воды. Итоговое уравнение воспроизводит почти 88% год-к-году вариаций водопотребления Баяннура и количественно описывает, как эти четыре рычага взаимодействуют нелинейно. Например, высокий доход обычно сопровождается как более продуктивными полями, так и более водосберегающими практиками, поэтому его суммарный эффект сдерживает рост потребления воды, хотя он и поддерживает лучшие урожаи.

Взгляд вперед до 2035 года

Имея в распоряжении это прозрачное уравнение, авторы спрогнозировали сельскохозяйственное водопотребление Баяннура на 2023–2035 годы. Они обнаружили, что годовое потребление, вероятно, останется выше 5 миллиардов кубометров, достигнув пика примерно в 2028 году, а затем стабилизируясь. Другими словами, город сохранит статус крупного потребителя воды, но резкие колебания прошлых лет должны утихнуть по мере распространения водосберегающих технологий и полного внедрения политик, таких как тарификация воды, торговля водными правами и строгие квоты. Диапазон неопределенности модели — всего несколько процентов выше или ниже каждой оценки — указывает на то, что прогнозы достаточно надежны для планирования.

Что это значит для продовольственной и водной безопасности

Для неспециалистов ключевое послание в том, что разумные сочетания политики и технологий могут ослабить связь между ростом производства продовольствия и увеличением водопотребления. В Баяннуре эффективные системы орошения, более высокие доходы фермеров и жесткие правила управления постепенно перевешивают старую модель, при которой расширение посевных площадей автоматически означало большее изъятие воды из рек и водоносных горизонтов. Гибридная модель исследования показывает не только сколько воды может потребоваться сельскому хозяйству в будущем, но и какие социальные и технические изменения имеют наибольшее значение. Такие выводы могут помочь другим засушливым аграрным регионам наметить реалистичный путь к обеспечению продовольствия при сохранении доступных водных ресурсов.

Цитирование: Lv, H., Zhao, Y., Wang, W. et al. Hybrid PSO-SVM and symbolic regression model for agricultural water demand prediction. Sci Rep 16, 5121 (2026). https://doi.org/10.1038/s41598-026-34995-8

Ключевые слова: потребность сельского хозяйства в воде, эффективность орошения, модели машинного обучения, политика в области водных ресурсов, засушливые районы Китая