О необходимости трансформации парадигмы научных исследований по земледелию (сообщение второе)

Представлен анализ направлений научных исследований по земледелию, связанных с преобладающей современной парадигмой и четвертой сельскохозяйственной революцией. Следующим этапом развития цифровизации сельского хозяйства становится интеллектуальное земледелие, которое подразумевает использование различных технологических инноваций, включая машинное обучение, компьютерное зрение, дистанционное зондирование, геоинформационное моделирование, Интернет вещей. Рассмотрены особенности использования цифровых технологий и методов искусственного интеллекта по блокам систем земледелия, которые целесообразно применять в планировании научных исследований и анализе полученных результатов. Формирование севооборотов осуществляется моделированием их продуктивности с использованием различных подходов искусственного интеллекта на основе временных рядов урожайности культур и данных дистанционного зондирования. Выбор системы основной обработки почвы возможен с помощью предиктивных моделей урожайности возделываемых культур и других базовых параметров ее эффективности с помощью машинного обучения. Разработку рекомендаций по срокам, дозам и способам внесения удобрений осуществляют с помощью моделей на основе искусственного интеллекта. Синхронизацию внесения удобрений со свойствами почв, погодными условиями и возделываемыми культурами регулируют с помощью различных подходов к цифровому управлению. Защиту посевов сельскохозяйственных культур от вредных организмов реализуют в системе прогнозирования их развития на основании данных о погоде, управляющих воздействий и других типов данных. Предиктивные модели урожайности сельскохозяйственных культур в научных исследованиях по земледелию должны решать задачи имитации урожая и управляющих воздействий в камеральных условиях. На основании результатов виртуальных моделей разрабатывают программы и планы полевых исследований с целью валидации этих моделей. Выбор и сопровождение агротехнологий реализуют в системе учета и анализа взаимодействия широкого спектра условий и факторов с помощью проксимального и дистанционного зондирования (мониторинга) с последующим моделированием процессов и объектов для создания системы поддержки принятия решений в виде ЦСУЗ. В целях масштабирования и адаптации инноваций целесообразно использовать возможности гражданской науки и сетевых Web-платформ. 

1. Maffezzoli F., Ardolino M., Bacchetti A., Perona M., Renga F. Agriculture 4.0: A systematic literature review on the paradigm, technologies and benefits // Futures. 2022. Vol. 142. P. 102998. DOI: 10.1016/j.futures.2022.102998.

2. Karunathilake E., Le A.T., Heo S., Chung Y.S., Mansoor S. The path to smart farming: Innovations and opportunities in precision agriculture // Agriculture. 2023. Vol. 13. N 8. Р. 1593. DOI: 10.3390/agriculture13081593.

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. De la Parte M.S.E., Martínez-Ortega J.F., Castillejo P. Spatio-temporal semantic data management systems for IoT in agriculture 5.0: Challenges and future directions // Internet of Things. 2024. Vol. 25. Р. 101030. DOI: 10.1016/j.iot.2023.101030.

5. Fenz S., Neubauer T., Heurix J., Friedel J.K., Wohlmuth M.-L. AI-and data-driven pre-crop values and crop rotation matrices // European Journal of Agronomy. 2023. Vol. 150. P. 126949. DOI: 10.1016/j.eja.2023.126949.

6. Dupuis A., Dadouchi C., Agard B. Methodology for multi-temporal prediction of crop rotations using recurrent neural networks // Smart Agricultural Technology. 2023. Vol. 4. Р. 100152. DOI: 10.1016/j.atech.2022.100152.

7. Liang Z., Xubc Z., Chengabc J., Maab B., Congb W.-F., Zhang C.F., van der Werf W., Groot J.C.J. Designing diversified crop rotations to advance sustainability: A method and an application // Sustainable Production and Consumption. 2023. Vol. 40. Р. 532–544. DOI: 10.1016/j.spc.2023.07.018.

8. Gokhale C.S., Sharma N. Optimizing crop rotations via Parrondo’s paradox for sustainable agriculture // Royal Society Open Science. 2023. Vol. 10. N 5. Р. 221401. DOI: 10.1098/rsos.221401.

9. Dupuis A., Dadouchi C., Agard B. Predicting crop rotations using process mining techniques and Markov principals // Computers and Electronics in Agriculture. 2022. Vol. 194. Р. 106686. DOI: 10.1016/j.compag.2022.106686.

10. Ogieriakhi M.O., Woodward R.T. Understanding why farmers adopt soil conservation tillage: Asystematic review // Soil Security. 2022. Vol. 9. Р. 100077. DOI: 10.1016/j.soisec.2022.100077.

11. Abbaspour-Gilandeh Y., Abbaspour-Gilandeh M., Babaie H.A. Shahgoli G. Modeling agricultural soil bulk density using artificial neural network and adaptive neuro-fuzzy inference system // Earth Science Informatics. 2023. Vol. 16. P. 57–65. DOI: 10.1007/s12145-022-00920-6.

12. Каличкин В.К., Максимович К.Ю., Федоров Д.С., Гарафутдинова Л.В. Концептуальная модель цифрового управления азотом в посевах сельскохозяйственных культур // Российская сельскохозяйственная наука. 2024. № 1. С. 54–63. DOI: 10.31857/S2500262722040000.

13. Austin R., Osmond D., Shelton S. Optimum nitrogen rates for maize and wheat in North Carolina // Agronomy Journal. 2019. Vol. 111. N 5. Р. 2558–2568. DOI: 10.2134/agronj2019.04.0286.

14. Sharma V., Tripathi A.K., Mittal H. Technological revolutions in smart farming: Current trends, challenges & future directions // Computers and Electronics in Agriculture. 2022. Vol. 201. P. 107217. DOI: 10.1016/j.compag.2022.107217.

15. Somwanshi K., Sonawane P.R., Nagraj P., Lohar T.S., Jadhav M.S. Crop Prediction and Fertilizer Recommendation Using Machine Learning // International Journal of Engineering Research and Applications. 2023. Vol. 13. N 3. Р. 28–32. DOI: 10.9790/9622-13032832.

16. Ge W., Zhou J., Zheng P., Yuan L., Rottok L.T. A recommendation model of rice fertilization using knowledge graph and case-based reasoning // Computers and Electronics in Agriculture. 2024. Vol. 219. Р. 108751. DOI: 10.1016/j.compag.2024.108751.

17. Каличкин В.К., Альсова О.К., Максимович К.Ю., Васильева Н.В. Прогнозирование засоренности посевов с использованием методов машинного обучения // Российская сельскохозяйственная наука. 2022. № 1. С. 88–94. DOI: 10.31857/S2500-2627202210-0.

18. Каличкин В.К., Максимович К.Ю., Шпак В.А., Галимов Р.Р., Пакуль А.Л. Применение Байесовской сети доверия и мультиномиальной логистической регрессии для прогнозирования степени засоренности сельскохозяйственных земель // Южно-Сибирский научный вестник. 2021. № 6 (40). С. 10–17. DOI: 10.25699/SSSB.2021.40.6.049.

19. Fenu G., Malloci F.M. Forecasting plant and crop disease: an explorative study on current algorithms // Big Data and Cognitive Computing. 2021. Vol. 5. N 1. P. 2. DOI: 10.3390/bdcc5010002.

20. Ahmad A., Saraswat D., El Gamal A. A survey on using deep learning techniques for plant disease diagnosis and recommendations for development of appropriate tools // Smart Agricultural Technology. 2023. Vol. 3. Р. 100083. DOI: 10.1016/j.atech.2022.100083.

21. Максимович К.Ю., Федоров Д.С., Каличкин В.К., Васильева Н.В., Галимов Р.Р., Кизимова Т.А., Риксен В.С. Прогнозирование урожайности яровой пшеницы на основе использования нейронной сети в условиях лесостепи Приобья // Южно-Сибирский научный вестник. 2022. № 6. С. 333–338.

22. 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_1_51.

23. Rose M., Rose T., Kage H. Spectral reflection and crop parameters: can the disentanglement of primary and secondary traits lead to more robust and extensible prediction models? // Precision Agriculture. 2023. Vol. 24. Р. 607–626. DOI: 10.1007/s11119-022-09961-9.

24. Song Y., Wang J., Shan B. Estimation of Winter Wheat Yield from UAV-Based Multi-Temporal Imagery Using Crop Allometric Relationship and SAFY Model // Drones. 2021. Vol. 5. Р. 78. DOI: 10.3390/drones5030078.

25. Каличкин В.К., Максимович К.Ю. Методология формирования цифровой системы управления земледелием // Сибирский вестник сельскохозяйственной науки. 2024. Т. 54. № 3. С. 5–20. DOI: 10.26898/0370-8799-2024-3-1.

26. Stern P.C., Wolske K.S., Dietz T. Design principles for climate change decisions // Current Opinion in Environmental Sustainability. 2021. Vol. 52. Р. 9–18. DOI: 10.1016/j.cosust.2021.05.002.

27. Van De Gevel J., van Etten J., Deterding S. Citizen science breathes new life into participatory agricultural research. A review // Agronomy for Sustainable Development. 2020. Vol. 40. N 5. Р. 1–17. DOI: 10.1007/s13593-020-00636-1.

28. Schut M., Leeuwis C., Thiele G. Science of Scaling: Understanding and guiding the scaling of innovation for societal outcomes // Agricultural Systems. 2020. Vol. 184. Р. 102908. DOI: 10.1016/j.agsy.2020.102908.

29. Woltering L., Lenero E.M.V., Boa-Alvarado M., Loon J.V., Ubels J., Leeuwis C. Supporting a sys tems approach to scaling for all; insights from using the Scaling Scan tool // Agricultural Systems. 2024. Vol. 217. Р. 103927. DOI: 10.1016/j.agsy.2024.103927.

30. Van Ewijk E., Ataa-Asantewaa M., Asubonteng K.O., Van Leynseele Y.P.B., Derkyi M., Laven A., Ros Tonen M.A.F. Farmer-Centred Multi-stakeholder Platforms: From Iterative Approach to Conceptual Embedding // Journal of the Knowledge Economy. 2024. DOI: 10.1007/s13132-023-01661-7.