УДК 631.559 Урожайность
УДК 338.27 Экономические прогнозы. Экономическая прогностика. Экономическое прогнозирование
УДК 004.9 Прикладные информационные (компьютерные) технологии
В условиях возрастающей климатической нестабильности и политики импортозамещения среднесрочное прогнозирование урожайности приобретает стратегическое значение для регионального агропланирования. Пензенская область, занимающая лидирующие позиции в производстве сахарной свёклы и ряда других культур Приволжского федерального округа, испытывает дефицит верифицированных системных прогностических исследований. Цель работы — разработка и верификация комплекса прогнозных моделей урожайности пяти основных культур Пензенской области (зерновые и зернобобовые, сахарная свёкла, подсолнечник, картофель, овощи) на горизонте до трёх лет. Модели построены на основе Ridge-регрессии с L2-регуляризацией, экспоненциальным взвешиванием наблюдений и схемой валидации «расширяющее окно». Для каждой культуры проводился масштабный сеточный поиск (12000–25000 конфигураций) по пространству из 135 предикторов, включающих региональную статистику, спутниковые индексы MODIS NDVI, агроклиматические показатели и реанализ ERA5-Land за 1990–2025 гг. (n = 36). Автоматизированный отбор сформировал культурно-специфичные наборы из 17–31 признака с низким межкультурным перекрытием (коэффициент Жаккара 0,09–0,26) и агрономически интерпретируемым составом. Ретроспективный прогноз показал MAPE от 6,52% (сахарная свёкла) до 15,18% (подсолнечник). Ridge-регрессия превзошла Random Forest и XGBoost по всем культурам на 4,5–9,7 п.п., что подтверждает преимущество регуляризованных линейных моделей при малом объёме выборки. Точечный и интервальный прогноз на 2026–2028 гг. (bootstrap, N = 2000) свидетельствует об умеренном росте урожайности зерновых и зернобобовых и сахарной свёклы при стабилизации остальных культур. Разработанный инструментарий обеспечивает точность прогнозирования от высокой до хорошей (по шкале Lewis) для четырёх из пяти культур и рекомендуется для интеграции в системы среднесрочного планирования регионального АПК — прежде всего для региональных органов управления и крупных агрохолдингов.
прогнозирование урожайности, среднесрочный прогноз, Пензенская область, машинное обучение, гребневая регрессия, агрометеорологические предикторы, NDVI, MAPE, bootstrap-валидация
1. Shawon S.M. et al. Crop yield prediction using machine learning: An extensive and systematic literature review // Smart Agricultural Technology. – 2025. – Vol. 10. – Art. 100718. – DOI: https://doi.org/10.1016/j.atech.2024.100718.
2. Schauberger B., Jägermeyr J., Gornott C. A systematic review of local to regional yield forecasting approaches and frequently used data resources // European Journal of Agronomy. – 2020. – Vol. 120. – Art. 126153. – DOI: https://doi.org/10.1016/j.eja.2020.126153.
3. Jorvekar P.P., Wagh S.K., Prasad J.R. Predictive modeling of crop yields: a comparative analysis of regression techniques for agricultural yield prediction // Agricultural Engineering International: CIGR Journal. – 2024. – Vol. 26, No. 2. – P. 125–140.
4. Щербаков А.С., Богомазов С.В. Прогнозирование урожайности озимой пшеницы на основе агроклиматических показателей и вегетационного индекса NDVI в условиях Пензенской области // Нива Поволжья. – 2025. – № 3(75). – С. 10–11. – DOI:https://doi.org/10.36461/NP.2025.75.3.021.
5. Тиндова М.Г. Анализ динамики выращивания сахарной свеклы в РФ // Экономико-математические методы анализа деятельности предприятий АПК: материалы VII Международной научно-практической конференции. – Саратов, 2023. – С. 306–312.
6. Гурьянова Н.М., Майоркина Е.В. Прогнозирование валового сбора масличных культур Пензенской области // Сурский вестник. – 2020. – № 1(9). – С. 56–61.
7. Самандарзода И.Х. и др. Современное состояние и перспективы развития производства картофеля в Пензенской области // Нива Поволжья. – 2023. – № 3(67). – с. 4002. – DOI:https://doi.org/10.36461/NP.2023.67.3.021.
8. Тишин М.Е., Дубинин А.В. Методологический подход к прогнозированию урожайности сельскохозяйственных культур на основе Ridge-регрессии (на примере Пензенской области) // Сурский вестник. – 2026. – № 6. – (в печати).
9. Hersbach H. The ERA5 global reanalysis / H. Hersbach et al. // Quarterly Journal of the Royal Meteorological Society. – 2020. – Vol. 146. – P. 1999–2049. – DOIhttps://doi.org/10.1002/qj.3803.
10. Lewis C.D. Industrial and business forecasting methods. – London : Butterworth Scientific, 1982. – 143 p.
11. Velde M., Nisini L. Performance of the MARS-crop yield forecasting system for the European Union: Assessing accuracy, in-season, and year-to-year improvements from 1993 to 2015 // Agricultural Systems. – 2019. – Vol. 168. – P. 203–212. – DOI: https://doi.org/10.1016/j.agsy.2018.06.009.
12. Hastie T., Tibshirani R., Friedman J. The Elements of Statistical Learning: Data Mining, Inference, and Prediction. – 2nd ed. – New York : Springer, 2009. – 745 p. – DOI: https://doi.org/10.1007/978-0-387-84858-7.
13. Valenko D. et al. Agroclimatic Forecasting Under Degraded Sensor Data: A Robustness Benchmark of Machine-Learning Models // Applied Sciences. – 2025. – Vol. 16, No. 10. – Art. 5075. – DOI: https://doi.org/10.3390/app16105075.
14. Meroni M. et al. Yield forecasting with machine learning and small data: What gains for grains? // Agricultural and Forest Meteorology. – 2021. – Vol. 308–309. – Art. 108555. – P. 1–13. – DOI: https://doi.org/10.1016/j.agrformet.2021.108555.
15. Paudel D. et al. Machine learning for large-scale crop yield forecasting // Agricultural Systems. – 2021. – Vol. 187. – Art. 103016. – DOI:https://doi.org/10.1016/j.agsy.2020.103016.
