Архив Сельское хозяйство · Теплицы, садоводство и виноградарство
UFSC: модели прогноза урожая винограда по погоде и почве, R² 0,58
В исследовании Федерального университета Санта-Катарины лучшая из моделей PLSR, Cubist и Random Forest прогнозирует региональный урожай винограда с R² 0,58 и ошибкой RMSE 2,85 т/га. Одни данные о погоде дают R² 0,52.
Кейс предоставлен Vinum ex Machina
запись № 238 · Кейсбук v2026-09-29, Никита Худов · CC BY-SA 4.0
Текст адаптирован под формат паспорта АрхИИВ и публикуется по CC BY-NC 4.0 с разрешения автора Кейсбука.
/01 · ключевые результаты
Цифры приведены по Кейсбуку Vinum ex Machina и не сверены редакцией с первоисточником.
-
возможность системы
0,58
R² лучшей модели прогноза урожая
Vinum ex Machina, документ, 29.09.2026
2023 год · региональный прогноз урожая винограда, 534 записи, 14 сборов, 27 сортов
данные исследования
-
возможность системы
2,85 т/га
ошибка RMSE лучшей модели
Vinum ex Machina, документ, 29.09.2026
2023 год · региональный прогноз урожая винограда, 534 записи, 14 сборов, 27 сортов
данные исследования
- 0,52 R² модели только по погоде · возможность системы Vinum ex Machina, документ, 29.09.2026
- 0,15 R² модели только по почве · возможность системы Vinum ex Machina, документ, 29.09.2026
- 534 записей об урожае в обучающих данных · масштаб Vinum ex Machina, документ, 29.09.2026
оценка strategai
Оценка не рассчитывается.
В исследовании Федерального университета Санта-Катарины лучшая из моделей PLSR, Cubist и Random Forest прогнозирует региональный урожай винограда с R² 0,58 и ошибкой RMSE 2,85 т/га. Одни данные о погоде дают R² 0,52.
/02 · паспорт кейса
Бизнес
- Компания
- Federal University of Santa Catarina
- Отрасль
- Сельское хозяйство · Теплицы, садоводство и виноградарство
- Функция
- Производство и основные операции
- Задача
- Точное земледелие и животноводство
Технология
- Класс AI
- Предиктивная аналитика (классический ML)
- Тип решения
- Собственная разработка
- Данные
- 534 записи об урожае, 14 сборов, 27 сортов винограда; данные о погоде и почве
Внедрение
- Стадия
- Исследование, на 29.09.2026
- География
- Бразилия
/03 · описание кейса
Зачем
Бизнес-задача
Federal University of Santa Catarina (Бразилия), работа Andrade C.B. 2023 года: насколько точно можно предсказать урожай по данным о погоде и почве и какой вклад вносит каждая группа данных.
Что
Решение
Для региональной оценки урожая применены три метода машинного обучения: PLSR (регрессия на частных наименьших квадратах), Cubist и Random Forest. Модели обучали на данных о погоде и почве и сравнивали варианты только с погодными признаками, только с почвенными и с обоими наборами.
Как
Внедрение
Набор данных включает 534 записи об урожае за 14 сборов по 27 сортам винограда. Лучшая модель показала R² 0,58 и RMSE 2,85 т/га. Модель только по погоде дала R² 0,52, только по почве R² 0,15. Работа опубликована в журнале Horticulturae; стадия — исследование, внедрения в производство в источнике не описано.
/04 · источники и проверка
Что подтверждено
- Лучшая модель регионального прогноза урожая винограда показала R² 0,58 и RMSE 2,85 т/га.
- Модель только по погоде дала R² 0,52, только по почве — R² 0,15.
- Данные включали 534 записи об урожае, 14 сборов и 27 сортов.
Ограничения
- Показатели R² и RMSE описывают качество модели на исследовательских данных; они не показывают эффект для хозяйств или винодельческих компаний.
- Источник не описывает промышленное использование прогноза и не приводит денежных результатов.
- R² 0,58 означает, что значительная часть вариации урожая остаётся необъяснённой.
-
[1] Vinum ex Machina
Vinum ex Machina — Кейсбук, запись № 238
партнёр · 29.09.2026
Открыть источник
АрхИИВ /strategai · CB-002703 · Версия 1 · 25.10.2026 · /c/CB-002703/ · Vinum ex Machina № 238