Хозяйственно полезные признаки картофеля, позволяющие прогнозировать его урожайность

Научные исследования по селекции картофеля направлены на повышение урожайности и устойчивости сортов к болезням и вредителям, улучшение качества продукции. На основе полученных результатов разрабатываются статистические модели, которые позволяют не только создать систему прогнозирования исследуемого параметра, но и объяснить вклад отдельных признаков, формирующих этот параметр. Цель исследования – определить оптимальную модель прогноза урожайности картофеля на основе анализа хозяйственно полезных признаков (средний вес клубня в кусте; количество клубней в кусте; содержание в клубнях крахмала, протеина, общих и редуцирующих сахаров, витамина С и нитратов) 100 сортов картофеля урожая 2024 г. (Свердловская область). В настоящей работе составлена модель линейной регрессии урожайности картофеля (т/га) с тремя предикторами – средний вес клубня (г), количество клубней (шт.) и натуральный логарифм содержания нитратов в клубне (мг/кг). Полученная модель смогла предсказать 77,9 % дисперсии данных (R2 = 0,785, R2adj = 0,779, p<0,001), а степень соответствия модели оказалась идеальной, поскольку значение средней абсолютной ошибки MAPE<10 %. Проверка предположений модели регрессии проводили по алгоритму LINE: линейность, независимость, нормальность, однородность. Этот алгоритм доказал адекватность полученной модели. Благодаря методу линейной регрессии показано, что при увеличении среднего веса товарного клубня на 1 г и количества клубней в кусте на 1 шт. урожайность картофеля возрастает соответственно на 0,314 и 2,386 т/га. Однако при повышении концентрации нитратов на каждую единицу натурального логарифма урожайность снижается на 3,63 т/га. В то время как вес клубня и количество клубней имели функциональную связь с урожайностью, содержание нитратов имело лишь косвенное отношение. По литературным данным, концентрация нитратов в клубнях картофеля в конце уборки урожая представляет «итоговую оценку» эффективности использования азота конкретным сортом в течение всего вегетативного периода. Полученной моделью обусловлены критерии отбора при селекции высокопродуктивных сортов картофеля: отбор генотипов с бóльшим количеством и весом клубней, низким содержанием остаточных нитратов в клубнях при стандартном режиме азотного питания.

1. Devaux A., Goffart J. P., Kromann P., Andrade-Piedra J., Polar V., Hareau G. The potato of the future: opportunities and challenges in sustainable agri-food systems. Potato Research. 2021;64(4):681–720. DOI: https://doi.org/10.1007/s11540-021-09501-4

2. Амирова Е. Ф., Гаврильева Н. К., Григорьев А. В., Соргутов И. В. Цифровизация в сельском хозяйстве: проблемы внедрения. Siberian Journal of Life Sciences and Agriculture. 2021;13(6):144–155. DOI: https://doi.org/10.12731/2658-6649-2021-13-6-144-155 EDN: KZNVKC

3. Камышенко Г. А. Климатическая составляющая в расчете урожайности картофеля. Природные ресурсы. 2021;(2):14–21. Режим доступа: https://elibrary.ru/item.asp?id=47503785 EDN: ABQQIV

4. Kuradusenge M., Hitimana E., Hanyurwimfura D., Rukundo P., Mtonga K., Mukasine A. et al. Crop yield prediction using machine learning models: case of irish potato and maize. Agriculture. 2023;13(1):225. DOI: https://doi.org/10.3390/agriculture13010225

5. Piekutowska M., Niedbała G., Piskier T., Lenartowicz T., Pilarski K., Wojciechowski T. et al. The application of multiple linear regression and artificial neural network models for yield prediction of very early potato cultivars before harvest. Agronomy. 2021;11(5):885. DOI: https://doi.org/10.3390/agronomy11050885

6. Воробьев Н. И., Лысов А. К., Корнилов Т. В., Хютти А. В. Вычислительная нейросеть для обработки светоотражательных спектров растений и дистанционного фитосанитарного мониторинга картофеля. Аграрная наука Евро-Северо-Востока. 2024;25(2):283–292. DOI: https://doi.org/10.30766/2072-9081.2024.25.2.283-292 EDN: KUSISD

7. Шанина Е. П., Клюкина Е. М., Беляева Н. В., Стафеева М. А., Келик Л. А., Ахметханов В. Ф. Испытание сортов картофеля различного целевого использования. Картофель и овощи. 2024;(1):39–43. DOI: https://doi.org/10.25630/PAV.2024.92.35.003 EDN: VKRFOX

8. Шанина Е. П., Клюкина Е. М., Стафеева М. А., Беляева Н. В., Гончар О. Н. Сравнительный анализ сортов картофеля коллекционного питомника в зависимости от географического происхождения. Достижения науки и техники АПК. 2020;34(6):75–78. DOI: https://doi.org/10.24411/0235-2451-2020-10614 EDN: FYDLHG

9. Cravero A., Pardo S., Sepúlveda S., Muñoz L. Challenges to use machine learning in agricultural big data: a systematic literature review. Agronomy. 2022;12(3):748. DOI: https://doi.org/10.3390/agronomy12030748

10. Лыскова И. В., Пермяков П. В., Кратюк Е. И. Результаты изучения коллекционных сортов и новых селекционных номеров картофеля по хозяйственно полезным признакам. Аграрная наука Евро-СевероВостока. 2024;25(6):1019–1027. DOI: https://doi.org/10.30766/2072-9081.2024.25.6.1019-1027 EDN: UUWSBI

11. Wszelaczyńska E., Pobereżny J., Keutgen A. J., Keutgen N., Gościnna K., Milczarek D. et al. Antinutritional nitrogen compounds content in potato (Solanum tuberosum L.) tubers depending on the genotype and production system. Agronomy. 2022;12(10):2415. DOI: https://doi.org/10.3390/agronomy12102415

12. Ding K., Shan Y., Wang L., Zhang Y., Tian G. Transcriptomics combined with physiological analysis and metabolomics revealed the response of potato tuber formation to nitrogen. BMC Plant Biology. 2024;24(1):1109. DOI: https://doi.org/10.1186/s12870-024-05758-2

13. Muleta N. D., Aga M. C. Role of nitrogen on potato production: a review. Journal of Plant Sciences. 2019;7(2):36–42. DOI: https://doi.org/10.11648/j.jps.20190702.11

14. Zebarth B. J., Tai G., Tarn R., de Jong H., Milburn P. H. Nitrogen use efficiency characteristics of commercial potato cultivars. Canadian Journal of Plant Science. 2004;84(2):589–598. DOI: https://doi.org/10.4141/P03-050

15. Frąckowiak K., Potarzycki J., Grzebisz W., Szczepaniak W. Potato nutri-tional status at the onset of tuberisation – a yield prediction tool. Plant, Soil and Environment. 2020;66(2):86–92. DOI: https://doi.org/10.17221/533/2019-PSE

16. do Carmo Milagres C., Fontes P. C. R., da Silveira M. V., Moreira M. A., de Car-valho Lopes I. P. Índices de nitrogênio e modelo para prognosticar a produção de tubérculos de batata. Revista Ceres. 2018;(65):261–270. DOI: https://doi.org/10.1590/0034-737X201865030006