Детальная информация

Данная работа посвящена разработке алгоритмов прогнозирования наступления ключевых фаз развития нута на основе генетических данных об однонуклеотидных полиморфизмах и метеорологической информации. В рамках решения задачи были реализованы и обучены шесть моделей машинного обучения: метод опорных векторов (SVM), случайный лес (Random Forest), метод k-ближайших соседей (KNN), градиентный бустинг (XGBoost), а также нейросетевые архитектуры (CNN и LSTM). В ходе работы была выполнена предобработка данных разных лет, исследованы различные способы кодирования признаков «генотип-погода». В результате исследования был проведен сравнительный анализ эффективности построенных моделей на многолетних датасетах. Результаты работы могут быть использованы для оптимизации сельскохозяйственных решений, минимизации потерь от неблагоприятных факторов среды и развития современных селекционных программ.

This work is devoted to the development of algorithms for predicting the onset of key developmental phases in chickpeas based on single nucleotide polymorphism (SNP) genetic data and meteorological information. To solve this problem, six machine learning models were implemented and trained: Support Vector Machine (SVM), Random Forest, k-Nearest Neighbors (KNN), Gradient Boosting (XGBoost), as well as neural network architectures (CNN and LSTM). During the study, multi-year data preprocessing was performed, and various methods for encoding "genotype-weather" features were investigated. As a result of the research, a comparative analysis of the developed models performance on multi-year datasets was conducted. The results of this work can be applied to optimize agricultural decision-making, minimize crop losses caused by adverse environmental factors, and advance modern breeding programs.