Междисциплинарный подход на базе машинного обучения для прогнозирования урожайности кукурузы при применении биоудобрений

Почему умные кукурузные поля имеют значение

Продовольственное обеспечение растущего населения на планете, которая нагревается, требует извлечения большего количества пищи из каждой капли воды и горстки почвы. Кукуруза, одна из важнейших мировых культур, особенно уязвима к жаре, засухе и бедным почвам. В этом исследовании рассматривается, как сочетание полезных почвенных микроорганизмов и современных методов машинного обучения может помочь фермерам точнее прогнозировать урожай кукурузы, что открывает путь к более разумному использованию удобрений, лучшему планированию орошения и более устойчивым урожаям.

Здоровые корни, полезные микробы и испытывающие стресс растения

Исследование начинается с простой идеи: урожай кукурузы формируется не только погодой и удобрениями, но и сетью взаимодействий внутри растения и в почве. Авторы работали два года на опытной станции в полузасушливом северо‑востоке Ирана, где вода ограничена, а жара — обычное явление. Семена кукурузы либо оставляли нетронутыми, либо обрабатывали полезными грибами и бактериями, обитающими вокруг корней и помогающими растениям усваивать вещества, такие как фосфор и азот. На протяжении вегетационного периода команда измеряла десятки признаков — от окраски листьев и высоты до колонизации корней и температуры кроны — создавая подробную картину реакции растений на эти биоудобрения и на сложные условия среды.

Преобразование полевых измерений в информативные сигналы

Вместо того чтобы полагаться только на традиционные средние значения или простые тренды, исследователи создали 73 различных «сигнала» из своих измерений, включая 32 прямых признака и 41 комбинацию, отражающую взаимодействие двух признаков. Например, они учитывали, как температура кроны взаимодействует с колонизацией корней или как площадь листа сочетается с образованием сухой массы. Первый отбор с использованием аккуратного регрессионного метода сузил число до 13 ключевых сигналов, тесно связанных с зерновым урожаем, таких как температура кроны во время цветения, уровни фосфора и азота в растении и несколько комбинаций, связанных с корнями и листьями. Этот шаг показал, что урожай зависит от переплетённых физиологических и почвенных процессов, а не от отдельных факторов по отдельности.

Испытание восьми алгоритмов машинного обучения

Чтобы понять, какие инструменты лучше всего улавливают эти запутанные отношения, команда сравнила восемь подходов машинного обучения — от моделей на основе деревьев до нескольких типов нейронных сетей и гибридной нейро‑нечеткой системы. Они разделили 96 полевых образцов на обучающую, валидационную и тестовую выборки, стандартизировали все переменные и использовали такие приёмы, как кросс‑валидация и ранняя остановка, чтобы избежать переобучения. В целом модели на основе нейронных сетей — особенно с механизмами внимания и реализованные в TensorFlow — показали наилучшие результаты, достигнув умеренной точности в прогнозировании урожайности по измеренным признакам. Напротив, более жёсткие методы, такие как базовые машины опорных векторов, испытывали трудности при моделировании сложных нелинейных закономерностей в данных.

Что модели говорят о реальном росте кукурузы

Одно из сильных сторон этой работы — то, что авторы не рассматривали свои модели как таинственные «чёрные ящики». С помощью инструментов интерпретации, основанных на теории игр, они проанализировали, какие признаки сильнее всего влияют на прогнозы. Температура кроны во время заполнения зерна оказалась постоянно мощным сигналом: более прохладные кроны, как правило, ассоциировались с лучшей урожайностью, что, вероятно, отражает растения, эффективно транспирующие и избегающие теплового стресса. Взаимодействия между содержанием азота и длиной корня, между площадью листа и зелёностью листа, а также между высотой растения и числом початков также выделялись в лучших моделях. Эти закономерности указывают на ключевую роль поглощения питательных веществ и эффективной фотосинтетической кроны, сильно зависящей от степени колонизации корней полезными микробами и улучшения доступа к почвенным ресурсам.

От шаблонов данных к более разумному земледелию

Для неспециалиста главный вывод таков: сочетание биоудобрений и продвинутого анализа данных может превратить разрозненные полевые измерения в пригодные к действию инсайты. Хотя набор данных был скромным и получен в одном регионе, исследование показывает, что модели нейронных сетей способны уловить тонкие связи между здоровьем корней, поведением листьев, температурным стрессом и конечной урожайностью зерна. Выявляя, какие признаки растения и почвы имеют наибольшее значение, такие модели могут направлять точное земледелие: фермеры и консультанты смогут сосредоточиться на сохранении прохлады крон, хорошей колонизации корней полезными микробами и сбалансированном поглощении питательных веществ. В долгосрочной перспективе такие подходы могут помочь спроектировать системы возделывания, которые дают больше кукурузы при меньших химических затратах и лучше переносят засуху и изменение климата.

Цитирование: Jahan, M., Nassiri-Mahallati, M. An interdisciplinary machine learning-based approach for predicting corn grain yield under biofertilizer applications. Sci Rep 16, 9912 (2026). https://doi.org/10.1038/s41598-026-40919-3

Ключевые слова: прогноз урожайности кукурузы, биоудобрения, машинное обучение в сельском хозяйстве, взаимодействия корней и микробов, устойчивое управление посевами