Details

В данной работе разработан гибридный метод прогнозирования урожайности нута, объединяющий генетические данные (ОНП-маркеры) с фенологическими параметрами, полученными в результате калибровки модели APSIM и экспериментальными данными за 2016, 2017 и 2022 годы. Для построения регрессионных моделей использованы современные алгоритмы машинного обучения, качество которых оценивалось с помощью метрик RMSE, R^2. Полученные модели продемонстрировали высокую предсказательную способность, позволяющую объяснить до 76 % дисперсии фенотипических показателей урожайности нута, что свидетельствует о значительном влиянии генотипической информации на результат. Результаты исследования открывают перспективы применения предложенного подхода в задачах геномного отбора и селекции сельскохозяйственных культур, способствуя оптимизации программ селекции, повышению устойчивости культур к изменению климатических условий и улучшению продовольственной безопасности.

In this study, a hybrid method for predicting chickpea yield was developed by integrating genetic data (SNP markers) with physiological parameters obtained from the calibration of the APSIM model and experimental data from the years 2016, 2017, and 2022. Modern machine learning algorithms  were employed to build regression models, whose quality was evaluated using RMSE, R^2 metrics. The resulting models demonstrated high predictive power, explaining up to 76% of the variance in chickpea yield-related phenotypic traits, which attests to the significant impact of genotypic data on the outcome. The study’s findings open up promising prospects for using the proposed approach in genomic selection and crop breeding, contributing to the optimization of breeding programs, enhancing crop resilience to changing climatic conditions, and improving food security.