Оценка будущей урожайности сельскохозяйственных культур – одна из важнейших задач спутникового мониторинга растительности. На протяжении нескольких последних лет в ИКИ РАН проводились работы по оценке урожайности сельскохозяйственных культур с использованием возможностей сервиса спутникового мониторинга Вега-Science (http://sci-vega.ru/). Сервис предоставляет доступ к данным о значениях спектрального индекса NDVI , рассчитанного для участков, занятых озимыми или яровыми культурами. Кроме того, ресурс предоставляет исторические и текущие значения основных погодных показателей на территории страны, которые влияют на развитие сельскохозяйственных культур. Метеорологические данные предоставляются сервисом Вега-Science в виде временных рядов, представленных графиками температуры и осадков, в том числе накопленных, глубины и доли площади, покрытой снегом, и др. Традиционный метод оценки урожайности, применяемый в ИКИ РАН, основан на корреляции между значениями урожайности и максимальными значениями графиков спектрального индекса NDVI, рассчитанных по маске, соответствующей анализируемой культуре. Такой метод требует наличия статистических сведений об урожайности исследуемой культуры в анализируемом районе в прошлые годы, чем больше – тем лучше. Кроме того, необходимо дождаться достижения графиком NDVI своего максимума. Точность метода может сильно отличаться в разных районах страны, а возможности заблаговременного прогноза ограничены. В основу развития работ по прогнозированию урожайности культур в текущем году легло использование нейронных сетей для совместного анализа временных рядов NDVI и метеорологических показателей в районах страны. Для получения исторических сведений об урожайности сельскохозяйственных культур использована База данных показателей муниципальных образований (БД ПМО) Росстата. Для обучения регрессионных нейронных сетей написана программа, подготавливающая наборы обучающих примеров. Один обучающий пример содержит временной ряд NDVI и ряды погодных параметров. Кроме того, входные данные содержат информацию о средней скользящей урожайности в районе, скользящий тренд и дисперсию за последние 4 года. В списке временных рядов используются не только основные погодные параметры, но и их усредненные за последние 4 года исторические временные ряды. Для улучшения работы нейронной сети ее выход нормирован. Целевым значением, которое предсказывает нейронная сеть, является отклонение будущей урожайности от средней скользящей урожайности, выраженное в долях. В рамках работы проведен ряд опытов. Собраны обучающие наборы (датасеты), для сои (территория – Амурская обл.), яровой (Алтайский кр.) и озимой пшеницы (20 регионов, расположенных в Европейской части России). В первых опытах предпринимались попытки обучать модели на временных рядах, непосредственно предшествующих уборке урожая. Эти опыты позволили превзойти в точности традиционный метод, однако не позволили добиться стабильной работы модели во всех районах страны. В ходе дальнейших экспериментов осуществлялось расширение временного охвата данных, изменялся способ подготовки временных рядов и архитектура нейронной сети. В результате удалось получить модели, показывающие высокую точность и корреляцию с фактической урожайностью. Например, традиционный метод, основанный на корреляции урожайности и максимумов NDVI, в случае построения модели на региональном уровне для озимой пшеницы дал следующие метрики точности: MAE – 6.41, MSE – 63.06, RMSE – 7.94; а в случае построения индивидуальной модели для каждого района – следующие: MAE – 6.73, MSE – 75.12, RMSE – 8.66. В то же время нейронная сеть, обученная предсказывать урожайность озимой пшеницы с учетом динамики NDVI и атмосферных показателей, показала следующий результат: MAE – 5.47, MSE – 49.92, RMSE – 7.06. Таким образом, комплексный анализ спутниковых и погодных данных с помощью нейросетевых моделей позволил повысить точность прогнозирования урожайности сельскохозяйственных культур по сравнению с традиционно используемым подходом.