Моделирование продуктивности севооборотов с использованием адаптивной нейро-нечеткой системы вывода

Исследование проводили с целью разработки модели и осуществления прогнозирования продуктивности севооборотов на основе адаптивного нейро-нечеткого вывода. В работе использовали материалы длительных полевых опытов (данные по 9 видам севооборотов, ориентированных на производство зерна), проведенных в Новосибирской области в 1999‒2019 гг. В процессе работы применяли алгоритм обучения искусственной нейронной сети с использованием гибридного метода оптимизации, сочетающего метод наименьших квадратов и метод обратного распространения ошибки, для задания нечеткого правила с подходящими функциями принадлежности с учетом входных и выходных данных. На основе использования адаптивного нейро-нечеткого моделирования и среды разработки MATLAB создана модель продуктивности севооборотов ANFIS. Сформированные в процессе обучения ANFIS правила позволяют с достаточно высокой точностью детерминировать значимые комбинации факторов, определяющие продуктивность заданных севооборотов. При осуществлении прогнозного моделирования на примере трех видов севооборотов выявлено существенное влияние озимых культур и элементов плодосмена на устойчивость севооборотов к неблагоприятным условиям атмосферного увлажнения и эффективность применения агрохимических средств. Результаты комплексного анализа с использованием различных метрик точности (коэффициент детерминации – 0,78; корень из среднеквадратичной ошибки – 5,66; средняя абсолютная ошибка – 4,31; средняя абсолютная ошибка в процентах – 20,07 %) свидетельствуют о достаточно хорошей предиктивной способности модели. Разработанная модель ANFIS демонстрирует высокую способность учитывать сложные нелинейные взаимосвязи между признаками, влияющими на продуктивность севооборотов, и может быть использована в принятии производственных решений при краткосрочном и долгосрочном планировании.