Модели машинного обучения для прогнозирования сырого протеина в пастбищах травы Tamani

Почему «умные» пастбища важны для вашей тарелки

Говядина и молоко начинаются с травы. По всему миру миллиарды гектаров пастбищ кормят крупный рогатый скот, овец и других травоядных. Чтобы эти животные хорошо росли и были здоровы, трава должна содержать достаточное количество белка — ключевого строительного материала для мышц, молока и жизненно важных органов. Но измерение белка в траве обычно требует срезов образцов и отправки их в лабораторию — процесс медленный и дорогостоящий, который большинство фермеров не может проводить регулярно. В этом исследовании изучается, как простые полевые измерения в сочетании с современными компьютерными методами позволяют быстро и недорого оценивать содержание белка в траве, помогая фермерам точнее регулировать выпас и удобрение при меньших затратах ресурсов.

Внимание к тропической «рабочей лошадке»

Исследователи сосредоточились на траве Tamani, продуктивном тропическом виде, широко используемом в Бразилии при интенсивном выпасе. В течение 18 месяцев они наблюдали пастбище площадью 0,96 га, разделённое на небольшие секции, и подвергали его двум уровням азотного удобрения и двум стратегиям выпаса, основанным на доле поглощённого растениями света. Они фиксировали легко получаемую информацию: сезон года, температуру, осадки, освещённость, время отдыха каждой секции между выпасами и высоту травы до и после выпаса. Одновременно брали ограниченное число образцов листьев и использовали специализированный оптический метод для измерения сырого протеина, создавая небольшой, но подробный набор данных, связывающий повседневное управление с качеством травы.

Обучение компьютеров «читать» пастбище

Вместо опоры на спутниковые снимки или дроны, требующие специального оборудования и вычислительных ресурсов, команда использовала только «табличные» данные — те, что выглядят как таблица в электронной таблице. Они протестировали пять различных методов машинного обучения — компьютерных подходов, которые учатся распознавать закономерности по примерам: традиционную линейную модель, простой дерево решений, модель в стиле нейронной сети и два популярных деревообразных метода, объединяющих множество простых моделей в более сильную. Эти модели обучали на 80 процентах измерений и сохраняли оставшиеся 20 процентов для тестирования. Цель была практичной: сможет ли компьютер по информации, которую фермер легко может записать — норме удобрения, периоду отдыха, высоте травы и базовым погодным показателям — предсказать, сколько белка содержится в листьях?

Как управленческие решения формируют уровень белка

Модели показали, что на содержание белка сильнее влияют приёмы управления пастбищем, чем погодные условия, зарегистрированные в этом исследовании. Среди всех факторов решающим оказался интервал между выпасами: более длительные периоды отдыха приводили к старению растений, увеличению доли волокнистых тканей и снижению содержания белка, тогда как более короткие интервалы помогали поддерживать молодую, лиственную траву с более высоким содержанием белка. Азотные удобрения также сыграли важную роль, поскольку азот — ключевой компонент растительных белков и хлорофилла. Высота травы до и после выпаса заняла следующее место по значимости, связывая уровень белка с тем, насколько плотно животные пасутся. Осадки, температура, освещённость и сезонные метки всё же влияли на содержание белка, но их влияние оказалось менее значимым по сравнению с этими повседневными управленческими решениями.

Насколько точны были прогнозы компьютера?

Лучшие результаты показали два продвинутых деревообразных метода. Один, называемый Random Forest, и другой, известный как XGBoost, продемонстрировали сопоставимую корреляцию между предсказанными и наблюдаемыми значениями белка, то есть их оценки изменялись в такт реальным колебаниям. XGBoost показал немного лучшие общие показатели, объяснив чуть больше половины вариации содержания белка и сохранив среднюю ошибку прогноза примерно на уровне полутора процентных пунктов. Хотя это не идеально, такой уровень точности достаточен для многих управленческих решений, особенно учитывая, что он опирается только на информацию, которую большинство ферм может записывать с помощью простых инструментов и блокнота или простого приложения.

Что это означает для фермеров и потребителей

Для непрофессионального читателя посыл прост: внимательно контролируя, как долго пастбища отдыхают, какую высоту имеет трава при входе и выходе животных и сколько азотного удобрения вносится, фермеры могут влиять на содержание белка в траве в нужном направлении. Это исследование показывает, что доступные и легко собираемые измерения в сочетании с умными алгоритмами могут быстро давать оценки содержания белка без постоянной лабораторной работы или дорогого оборудования для сенсоров. Если будущие исследования на больших и более разнообразных наборах данных подтвердят эти результаты, такие инструменты могут помочь фермерам производить больше мяса и молока с меньшими вложениями, меньшими затратами и лучшими экологическими результатами — выгоды, которые в конечном счёте доходят до потребителей через более эффективное и устойчивое животноводство.

Цитирование: Oliveira de Aquino Monteiro, G., dos Santos Difante, G., Baptaglin Montagner, D. et al. Machine learning models for crude protein prediction in Tamani grass pastures. Sci Rep 16, 5805 (2026). https://doi.org/10.1038/s41598-026-36949-6

Ключевые слова: управление пастбищами, качество фуража, машинное обучение, сырой протеин, точное животноводство