Прогнозное моделирование роста проса в почвах, заменённых пестицидами и винессой, с интерпретацией регрессии SHAP

Почему это важно для нашей пищи и почвы

Современное сельское хозяйство полагается на пестициды для защиты урожая и на промышленные побочные продукты, такие как винесса — богатая питательными веществами жидкость от переработки сахарного тростника — для удобрения полей. Но смешивание этих химикатов и остатков в почве может иметь скрытые последствия для роста растений и долгосрочного состояния почвы. В этом исследовании поставлен практический вопрос с большими последствиями: можно ли с помощью современных компьютерных моделей распутать, как эти вещества взаимодействуют в почве и влияют на стойкую кормовую культуру — жемчужное просо — со временем?

Испытательный полигон для меняющейся фермерской почвы

Исследователи выращивали растения жемчужного проса в горшках в тепличных условиях, имитируя реальные районы выращивания сахарного тростника, где пестициды и винесса распространены. Они сосредоточились на двух широко используемых продуктах: тебутиуроне, долгоживущем гербициде, и тиааметоксаме, инсектициде, а также на винессе, которая часто применяется как жидкое удобрение. Комбинируя присутствие или отсутствие каждого из этих трёх компонентов, они создали почвы с разными сценариями загрязнения и удобрения. Команда затем отслеживала, как реагировали растения проса, с помощью простых, но информативных измерений: сухой массы корней и побегов и зелёности листьев, отражающей содержание хлорофилла и общее состояние растений.

Даем данным говорить с помощью машинного обучения

Вместо поиска простых одно‑к‑одному причинно-следственных связей авторы обратились к набору инструментов машинного обучения. Эти компьютерные модели предназначены для поиска закономерностей в сложных, шумных данных, с которыми традиционная статистика часто справляется хуже. Они протестировали девять методов регрессии — от простых линейных моделей до более гибких подходов, таких как случайный лес и регрессия гауссовского процесса. Чтобы модели были не только точными, но и понятными, использовали метод SHAP (Shapley Additive Explanations), который показывает, насколько каждый фактор — время, пестициды и винесса — увеличивает или уменьшает предсказания для каждого растения.

Время — тихий гигант в росте растений

Во всех моделях прозвучал один ясный вывод: время было доминирующим фактором предсказаний. Когда в модели включали число дней от посева, она вполне умеренно, но значимо прогнозировала биомассу корней и побегов. При удалении времени точность рухнула: модели практически не объясняли вариацию роста растений. Анализы SHAP это подтвердили, показав, что время последовательно оказывает наибольшее влияние на предсказанную биомассу, тогда как пестициды и винесса играют меньшие, зависящие от контекста роли. Это имеет биологический смысл — корневая и надземная системы развиваются постепенно, и их реакции на химикаты накапливаются или затухают в течение недель, а не возникают мгновенно.

Полезные и вредные участники в почвенной смеси

Модели также зафиксировали более тонкие сигналы о том, как каждое внесение в почву влияло на рост проса. Винесса, как правило, поддерживала развитие растений, действуя как кондиционер почвы и источник питательных веществ, что в моделях часто повышало массу побегов. Напротив, тебутиурон и, в меньшей степени, тиаметоксам обычно показывали нейтральный или негативный вклад, согласующийся с их репутацией стойких химикатов, способных вызывать стресс у нетаргетных растений и почвенной биоты. Важно, что модели предположили: взаимодействие между этими факторами — как винесса изменяет условия почвы, как пестициды распадаются или сохраняются, и как всё это меняется с течением времени — слишком сложное, чтобы описать его одним единичным измерением.

Что это значит для более умного и безопасного земледелия

Для широкой аудитории главный вывод таков: предсказание роста растений в химически обработанных почвах — это не только вопрос того, какие продукты присутствуют, но и того, как долго растения подвергаются воздействию и как эти вещества взаимодействуют по мере изменения условий. Исследование демонстрирует, что интерпретируемое машинное обучение может выявлять эти чувствительные ко времени закономерности, даже когда данные шумные, а эффекты умеренные. Хотя модели не были совершенным хрустальным шаром, они надёжно подтвердили, что винесса может способствовать росту растений, а стойкие пестициды могут его замедлять — и всё это под сильным влиянием времени. Такой подход может помочь фермерам, агрономам и регуляторам разрабатывать стратегии управления, которые сохраняют продуктивность почв и снижают долгосрочные риски накопления химикатов.

Цитирование: Frias, Y.A., de Almeida Moreira, B.R., Valério, T.S. et al. Predictive modeling of millet growth in pesticide- and vinasse-amended soils using SHAP regression interpretation. Sci Rep 16, 6935 (2026). https://doi.org/10.1038/s41598-026-35512-7

Ключевые слова: почвы, загрязнённые пестицидами, жемчужное просо, внесение винессы через орошение, машинное обучение в сельском хозяйстве, рекультивация почв