Фото: із відкритих джерел
Дослідники оцінили, як стадія розвитку перцю та тривалість перезволоження (2–10 днів) впливають на врожайність, і порівняли точність двох моделей прогнозування — MARS та SVR. Найвагомішим чинником виявилася саме фаза, на якій рослина потрапляє під стрес.
Про це повідомляє сайт Аграрії разом з посиланням на Hortidaily.
Зростання частоти екстремальних опадів через кліматичні зміни посилює ризики перезволоження (waterlogging) і може призводити до суттєвих втрат урожаю. На цьому тлі точне прогнозування реакції врожайності на перезволоження стає важливим елементом управління посівами.
У дослідженні, присвяченому перцю (Capsicum annuum L.), автори перевірили вплив перезволоження на різних етапах розвитку — у вегетативній фазі, під час цвітіння та у фазі плодоношення — а також за різної тривалості стресу: 2, 4, 6, 8 і 10 днів. Для моделювання зв’язку між параметрами перезволоження та врожайністю застосували два підходи: Multivariate Adaptive Regression Splines (MARS) і Support Vector Regression (SVR).
Що показало моделювання
Обидві моделі відтворили залежність між перезволоженням і врожайністю, однак SVR продемонструвала кращі показники точності на тестовому наборі даних. Для SVR наведено такі метрики: коефіцієнт детермінації R² = 0,946, RMSE = 114,82 г, MAE = 101,10 г. Для MARS — R² = 0,876, RMSE = 177,09 г, MAE = 142,72 г. У матеріалі також зазначено, що це відповідає зниженню RMSE та MAE на 35,2% і 29,2% відповідно на користь SVR.
Аналіз важливості змінних показав, що домінуючим фактором, який визначає врожайність за умов перезволоження, є стадія (фаза) розвитку, на якій виникає стрес. Водночас модель MARS, за даними авторів, дала змогу виділити «критичний поріг» тривалості: після 6 днів перезволоження врожайність різко знижується.
Практичне значення для виробництва
Автори підкреслюють різні сильні сторони підходів: SVR — як більш точний інструмент прогнозування врожайності за перезволоження, а MARS — як більш інтерпретований, оскільки дозволяє явно ідентифікувати порогові реакції. Такі результати можуть бути корисними для створення data-driven інструментів підтримки рішень у системах вирощування перцю, зокрема для управління ризиками перезволоження.
Дослідження: Abdulrasaq, Shuaib; Kiremit, Mehmet; Arslan, Hakan (2026) «Comparison of MARS and support vector regression models for estimating pepper (Capsicum annuum L.) yield under waterlogging stress», Anadolu Journal of Agricultural Sciences, 41: 599–622.