Методология формирования цифровой системы управления земледелием

В работе изложены методологические подходы создания цифровой системы управления земледелием (ЦСУЗ). При выполнении исследований использован конвергентный подход, основанный на методах когнитивного (концептуального) анализа, применяемого к формированию адаптивно-ландшафтных систем земледелия. Основополагающими принципами организации ЦСУЗ выделены мониторинг посевов и окружающей среды (in situ, дистанционное зондирование), формирование архетипов систем земледелия на основе анализа результатов длительных полевых опытов, моделирование пространственных объектов и типизация земель с использованием ГИС, планирование и поддержка агротехнологий для адаптации к природным и хозяйственным условиям, моделирование экосистемных услуг и биоразнообразия, оценка воздействия на устойчивость и экономику производства растениеводческой продукции. Система реализуется при использовании геоинформационных моделей в конкретной географической координате. ЦСУЗ предусматривает осуществление «инвентаризации» природных и производственных ресурсов, а также выявление лимитов климатических, почвенных и агроландшафтных параметров при различных уровнях интенсивности землепользования. На каждом этапе организации блоков системы используются методы интеллектуального анализа данных и машинного обучения, а ядром работы системы выступает использование баз знаний и логических правил предметной области. Ключевым элементом системы является осуществление масштабирования результатов длительных полевых опытов и накопленных знаний в разных ареалах управления на основе параметризации многоуровневой вариативности систем земледелия и формирования их архетипов. Практическая реализации основных положений ЦСУЗ позволяет приблизиться к решению ключевых вопросов уменьшения уровня неопределенности и сопутствующих рисков в области земледелия за счет научно обоснованной организации рационального природопользования, повышения устойчивости производства растениеводческой продукции в различных условиях землепользования и информационного обеспечения сельских товаропроизводителей.

1. Rijswijk K., Klerkx L., Bacco M., Bartolini F., Bulten E., Debruyne L., Brunori G. Digital transformation of agriculture and rural areas: A socio-cyber-physical system framework to support responsibilisation // Journal of Rural Studies. 2021. Vol. 85. P. 79–90. DOI: 10.1016/j.jrurstud.2021.05.003.

2. Ingram J., Maye D. What are the implications of digitalisation for agricultural knowledge? // Frontiers in Sustainable Food Systems. 2020. Vol. 4. P. 66. DOI: 10.3389/fsufs.2020.00066.

3. Saiz-Rubio V., Rovira-Más F. From smart farming towards agriculture 5.0: A review on crop data management // Agronomy. 2020. Vol. 10. N 2. Р. 207. DOI: 10.3390/agronomy10020207.

4. Kim M-Y., Lee K.H. Electrochemical Sensors for Sustainable Precision Agriculture – A Review // Frontiers in Chemistry. 2022. Vol. 10. Р. 848320. DOI: 10.3389/fchem.2022.848320.

5. Navarro E., Costa N., Pereira A. A Systematic Review of IoT Solutions for Smart Farming // Sensors. 2020. Vol. 20. N 15. Р. 4231. DOI: 10.3390/s20154231.

6. Villa-Henriksen A., Edwards G.T., Pesonen L.A., Green O., Sørensen C.A.G. Internet of Things in arable farming: Implementation, applications, challenges and potential // Biosystems Engineering. 2020.Vol. 191. P. 60–84. DOI: 10.1016/j.biosystemseng.2019.12.013.

7. Julie I., Damian M., Clive B., Barnes A., Bear C., Bell M., Manning L. What are the priority research questions for digital agriculture? // Land Use Policy. 2022. Vol. 114. P. 105962. DOI: 10.1016/j.landusepol.2021.105962.

8. Javaid M., Haleem A., Singh R.P., Suman R. Enhancing smart farming through the applications of Agriculture 4.0 technologies // International Journal of Intelligent Networks. 2022. Vol. 3. P. 150–164. DOI: 10.1016/j.ijin.2022.09.004.

9. Kumar S., Khan N. Application of remote sensing and GIS in land resource management // Journal of Geography and Cartography. 2021. Vol. 4. N 2. P. 78–81. DOI: 10.24294//jgc.v4i2.437.

10. Jung J., Maeda M., Chang A., Bhandari M., Ashapure A., Landivar-Bowles J. The potential of remote sensing and artificial intelligence as tools to improve the resilience of agriculture production systems // Current Opinion in Biotechnology. 2021. Vol. 70. P. 15–22. DOI: 10.1016/j.copbio.2020.09.003.

11. Ge Y., Zhang X., Atkinson P.M., Stein A., Li L. Geoscience-aware deep learning: A new paradigm for remote sensing // Science of Remote Sensing. 2022. Vol. 5. Р. 100047. DOI: 10.1016/j.srs.2022.100047.

12. Omia E., Bae H., Park E., Kim M.S., Baek I., Kabenge I., Cho B.K. Remote Sensing in Field Crop Monitoring: A Comprehensive Review of Sensor Systems, Data Analyses and Recent Advances // Remote Sensing. 2023. Vol. 15. N 2. Р. 354. DOI: 10.3390/rs15020354.

13. Кирюшин В.И. Система научно-инновационного обеспечения технологий адаптивно-ландшафтного земледелия // Земледелие. 2022. № 2. С. 3–7. DOI: 10.24412/0044-39132022-2-3-7.

14. Ullo S.L., Sinha G.R. Advances in IoT and Smart Sensors for Remote Sensing and Agriculture Applications // Remote Sensing. 2021. Vol. 13. N 13. Р. 2585. DOI: 10.3390/rs13132585.

15. Hassan S.I., Alam M.M., Illahi U., Al Ghamdi M.A., Almotiri S.H., Su’ud M.M. A systematic review on monitoring and advanced control strategies in smart agriculture // Ieee Access. 2021. Vol. 9. P. 32517–32548. DOI: 10.1109/ACCESS.2021.3057865.

16. Chamara N., Islam M.D., Bai G.F., Shi Y., Ge Y. Ag-IoT for crop and environment monitoring: Past, present, and future // Agricultural Systems. 2022. Vol. 203. Р. 103497. DOI: 10.1016/j.agsy.2022.103497.

17. Aaron E.M., Warner T.A., Fang F. Implementation of machine-learning classification in remote sensing: an applied review // International journal of remote sensing. 2018. Vol. 39. N 9. P. 2784–2817. DOI: 10.1080/01431161.2018.1433343.

18. Omia E., Bae H., Park E., Kim M.S., Baek I., Kabenge I., Cho B.K. Remote Sensing in Field Crop Monitoring: A Comprehensive Review of Sensor Systems, Data Analyses and Recent Advances // Remote Sensing. 2023. Vol. 15. N 2. Р. 354. DOI: 10.3390/rs15020354.

19. Liakos K.G., Busato P., Moshou D., Pearson S., Bochtis D. Machine learning in agriculture: A review // Sensors. 2018. Vol. 18. N 8. P. 2674. DOI: 10.3390/s18082674.

20. Debauche O., Mahmoudi S., Manneback P., Lebeau F. Cloud and distributed architectures for data management in agriculture 4.0: Review and future trends // Journal of King Saud University-Computer and Information Sciences. 2022. Vol. 34. N 9. P. 7494–7514. DOI: 10.1016/j.jksuci.2021.09.015.

21. Benos L., Tagarakis A.C., Dolias G., Berruto R., Kateris D., Bochtis D. Machine Learning in Agriculture: A Comprehensive Updated Review // Sensors. 2021. Vol. 21. N 11. P. 3758. DOI: 10.3390/s21113758.

22. De Oliveira M.A., Monteiro A.V., Vieira Filho J. A New Structural Health Monitoring Strategy Based on PZT Sensors and Convolutional Neural Network // Sensors. 2018. Vol. 18. P. 2955. DOI: 10.3390/s21113758.

23. Yang B., Ma J., Yao X., Cao W., Zhu Y. Estimation of Leaf Nitrogen Content in Wheat Based on Fusion of Spectral Features and Deep Features from Near Infrared Hyperspectral Imagery // Sensors. 2021. Vol. 21. P. 613. DOI: 10.3390/s21020613.

24. Han J., Zhang Z., Cao J., Luo Y., Zhang L., Li Z., Zhang J. Prediction of winter wheat yield based on multi-source data and machine learning in China // Remote Sensing. 2020. Vol. 12. N 2. P. 236. DOI: 10.3390/rs12020236.

25. Каличкин В.К., Федоров Д.С., Альсова О.К., Максимович К.Ю. Разработка программы анализа и прогнозирования урожайности сельскохозяйственных культур // Достижения науки и техники АПК. 2022. Т. 36. № 1. С. 51–56. DOI: 10.53859/02352451_2022_36_0_0.

26. Каличкин В.К., Логачёва О.М., Сигитов А.А., Гарафутдинова Л.В. Интеграция геоинформационной системы и методов многокритериального анализа решений для оценки пригодности земель сельскохозяйственного использования // Сибирский вестник сельскохозяйственной науки. 2020. Т. 50. № 6. С. 93–105. DOI: 10.26898/0370-8799-2020-6-11.

27. Bhullar A., Nadeem K., Ali R.A. Simultaneous multi-crop land suitability prediction from remote sensing data using semi-supervised learning // Scientific Reports. 2023. Vol. 13. Р. 6823. DOI: 10.1038/s41598-023-33840-6.

28. Ismaili M., Krimissa S., Namous M., Htitiou A., Abdelrahman K., Fnais M.S., Benabdelouahab T. Assessment of soil suitability using machine learning in arid and semi-arid regions // Agronomy. 2023. Vol. 13. N 1. Р. 165. DOI: 10.3390/agronomy13010165.

29. Taghizadeh-Mehrjardi R., Nabiollahi K., Rasoli L., Kerry R., Scholten T. Land Suitability Assessment and Agricultural Production Sustainability Using Machine Learning Models // Agronomy. 2020. Vol. 10. N 4. Р. 573. DOI: 10.3390/agronomy10040573.

30. Ding Y., Wang L., Li Y., Li D. Model predictive control and its application in agriculture: A review // Computers and Electronics in Agriculture. 2018. Vol. 151. P. 104–117. DOI: 10.1016/j.compag.2018.06.004.

31. Якушев В.П., Якушев В.В., Блохина С.Ю., Блохин Ю.И., Матвеенко Д.А. Информационное обеспечение современных систем земледелия в России // Вестник Российской академии наук. 2021. Т. 91. № 8. С. 755–768. DOI: 10.31857/S0869587321080090.

32. Назаренко А.Е. Моделирование последствий трансформации структуры землепользования с использованием оценок экосистемных услуг // Географический вестник. 2021. № 1 (56). С. 173–186. DOI: 10.17072/2079-78772021-1-173–186.

33. Кирюшин В.И. Экологические основы проектирования сельскохозяйственных ландшафтов: монография. СПб.: издательство «КВАДРО», 2018. 568 с.

34. Jiang L., Wang Z., Zuo Q., Du H. Simulating the impact of land use change on ecosystem services in agricultural production areas with multiple scenarios considering ecosystem service richness // Journal of Cleaner Production. 2023. Vol. 397. Р. 136485. DOI: 10.1016/j.jclepro.2023.136485.

35. Barrios E., Gemmill-Herren B., Bicksler A., Siliprandi E., Brathwaite R., Moller S., Tittonell P. The 10 Elements of Agroecology: enabling transitions towards sustainable agriculture and food systems through visual narratives // Ecosystems and People. 2020. Vol. 16. N 1. P. 230–247. DOI: 10.1080/26395916.2020.1808705.

36. Кирюшин В.И. Методология комплексной оценки сельскохозяйственных земель // Почвоведение. 2020. № 7. С. 871–879. DOI: 10.31857/S0032180X20070060.

37. Lajoie-O'Malley A., Bronson K., van der Burg S., Klerkx L. The future (s) of digital agriculture and sustainable food systems: An analysis of high-level policy documents // Ecosystem Services. 2020. Vol. 45. Р. 101183. DOI: 10.1016/j.ecoser.2020.101183.