Research indexJournal article
РАЗРАБОТКА ИНТЕЛЛЕКТУАЛЬНОЙ СИСТЕМЫ КАРТИРОВАНИЯ И ПРОГНОЗИРОВАНИЯ УРОЖАЙНОСТИ ПЛОДОВОГО САДА С ИСПОЛЬЗОВАНИЕМ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ
Kutyrev
VESTNIK RIAZANSKOGO GOSUDARSTVENNOGO AGROTEHNOLOGICHESKOGO UNIVERSITETA IM P A KOSTYCHEVA30 Dec 2025Open access
NobleIDark:/48914/w1/20261105/F38FE350DOI10.36508/rsatu.2025.71.34.019
РАЗРАБОТКА ИНТЕЛЛЕКТУАЛЬНОЙ СИСТЕМЫ КАРТИРОВАНИЯ И ПРОГНОЗИРОВАНИЯ УРОЖАЙНОСТИ ПЛОДОВОГО САДА С ИСПОЛЬЗОВАНИЕМ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ
Kutyrev · VESTNIK RIAZANSKOGO GOSUDARSTVENNOGO AGROTEHNOLOGICHESKOGO UNIVERSITETA IM P A KOSTYCHEVA · 2025
NobleIDark:/48914/w1/20261105/F38FE350DOI10.36508/rsatu.2025.71.34.019
Free to read at the publisher
You can read the abstract here, or the full text at the publisher.
Abstract
Аннотация. Проблема и цель. Традиционные методы оценки урожайности садовых насаждений, основанные на усредненных показателях, не учитывают пространственную неоднородность продуктивности и многофакторность процессов формирования урожая. Существующие системы мониторинга имеют ограниченное применение в промышленном садоводстве из-за отсутствия специализированных алгоритмов, учитывающих специфику многолетних насаждений. Целью исследования является разработка интеллектуальной системы мониторинга продуктивности яблоневого сада, обеспечивающей анализ пространственной неоднородности распределения цветков, завязей и плодов с применением алгоритмов машинного обучения для прогнозирования урожайности. Методология. Разработана система, которая объединяет данные с разных устройств (наземные роботы, БЛА, датчики почвы и погоды) и анализирует их с помощью искусственного интеллекта (методы машинного обучения). Для прогнозирования урожайности применялись регрессионные модели (линейная регрессия, случайный лес, градиентный бустинг), а для выделения зон однородной продуктивности – методы кластеризации (K-means, DBSCAN). Количественная оценка фенологических параметров (цветки, завязи, плоды) осуществлялась с использованием компьютерного зрения на основе сверточной нейронной сети YOLO. Визуализация результатов выполнялась в виде интерактивных карт поверхностей. Результаты. Экспериментальные исследования в яблоневом саду сорта Спартан (1200 деревьев) подтвердили высокую эффективность системы. Модель градиентного бустинга показала точность прогнозирования с коэффициентом детерминации R² = 0,87 и средней абсолютной процентной ошибкой MAPE = 10,2 %. Кластерный анализ выявил три статистически значимые (p < 0,001) зоны продуктивности: низкую (33,7 ± 3 плодов/дерево), среднюю (38,3 ± 5 плодов/дерево) и высокую (43 ± 7 плодов/дерево). Установлена корреляционная зависимость между количеством плодов и завязей (r = 0,85). Заключение. Практическая значимость системы заключается в переходе к прецизионному управлению садом, позволяющему оптимизировать агротехнические мероприятия на основе данных о пространственной неоднородности продуктивности. Разработанная интеллектуальная система обеспечивает комплексный анализ пространственно-временной динамики продуктивности садовых насаждений и формирует основу для адаптивного управления. Abstract. Problem and purpose. Traditional methods for assessing orchard yield, based on averaged metrics, fail to account for spatial heterogeneity in productivity and the multifactorial nature of crop formation processes. Existing monitoring systems have limited application in industrial horticulture due to the lack of specialized algorithms that consider the specifics of perennial crops. The research aims to develop an intelligent monitoring system for apple orchard productivity, enabling the analysis of spatial heterogeneity in the distribution of blossoms, fruitlets, and fruits using machine learning algorithms for yield forecasting. Methodology A system has been developed that combines data from various devices (ground robots, UAVs, soil and weather sensors) and analyzes it using artificial intelligence (machine learning methods). Regression models (linear regression, random forest, gradient boosting) were used to forecast yield, while clustering methods (K-means, DBSCAN) were used to identify zones of uniform productivity. Quantitative assessment of phenological parameters (blossoms, fruitlets, fruits) was performed using computer vision based on the YOLO convolutional neural network. The results were visualized as interactive surface maps. Results Experimental studies in an apple orchard of the Spartan variety (1200 trees) confirmed the high efficiency of the system. The gradient boosting model showed prediction accuracy with a coefficient of determination R² = 0,87 and a mean absolute percentage error MAPE = 10,2%. Cluster analysis revealed three statistically significant (p < 0,001) productivity zones: low (33,7 ± 3 fruits/tree), medium (38,3 ± 5 fruits/tree) and high (43 ± 7 fruits/tree). A correlation between the number of fruits and ovaries (r = 0,85) was established. Conclusion The practical significance of the system lies in the transition to precision orchard management, allowing the optimization of agrotechnical measures based on data on the spatial heterogeneity of productivity. The developed intelligent system ensures a comprehensive analysis of the spatiotemporal dynamics of the productivity of garden plantations and forms the basis for adaptive management.