РАЗРАБОТКА ИНТЕЛЛЕКТУАЛЬНОЙ ИНТЕГРИРОВАННОЙ СИСТЕМЫ «УМНОЕ ПОЛЕ»
Аннотация
Производство сельскохозяйственной продукции в настоящее время тесно связано с
применением цифровых технологий, элементов точного земледелия, автоматизацией и
роботизацией сельского хозяйства, так как они дают возможность осуществлять посто-
янный мониторинг, своевременно реагировать на производственные риски, повышать эф-
фективность производства и использования ресурсов. Особое внимание уделяется необходимости комплексного использования цифровых технологий и искусственного интеллекта
для создания интеллектуальных интегрированных систем (ИИС) сельскохозяйственного
производства. Как показывают исследования, активнее всего IT-технологии применяются
в полевом земледелии при выращивании зерновых культур. Основной культурой при произ-
водстве селекционного, семеноводческого и товарного зерна в Кабардино-Балкарской Рес-
публике является кукуруза, поэтому предполагается, что ИИС «Умное поле» должна быть
разработана первоначально именно для этой культуры, а затем с некоторыми доработ-
ками использована и для производства любой растениеводческой продукции – других видов
зерна, овощей, фруктов, винограда и бахчевых. Она позволяет снизить на некоторых эта-
пах производства продукции участие человека, путем автоматизации процесса и его кон-
троля посредством различных «умных» устройств. Работа ИИС «Умное поле» основана
на использовании множества сенсоров, в том числе устанавливаемых на мобильной техни-
ке (наземные и воздушные пилотируемые и беспилотные транспортные средства, косми-
ческие спутники) и переносных портативных устройствах для получения оперативных
данных о состоянии полей и посевов, что позволяет: – анализировать готовность сельско-
хозяйственных угодий к посевным работам, отслеживать ход вегетации растений с целью
эффективного и оперативного планирования агротехнических мероприятий (химическая
защита от вредителей и болезней, подкормка, орошение и т.д.); – прогнозировать показа-
тели эффективности производства (общий валовой сбор, урожайность с га), а также
своевременно выявлять производственные риски (появление вредителей, болезней расте-
ний, засоленности почв и т.д.); – принимать эффективные решения по управлению исполь-
зования ресурсов сельскохозяйственных предприятий. С применением «умных» устройств
стало возможным внедрение т.н. «точного земледелия» для управления продуктивностью
посевов c учётом изменений в среде обитания растений. В конечном итоге, это дает воз-
можность решить две главные задачи сельхозпроизводителей – повышение урожайности
и сокращение издержек. Авторами разработана концепция ИИС «Умного поля» для произ-
водства зерна кукурузы при использовании перспективных робототехнических систем и
комплексов. Представлена архитектура ИИС «Умного поля» для производства семенной и
товарной кукурузы, которую можно с незначительными доработками адаптировать и для
производства другой растениеводческой продукции.
Литература
maize lines based on the teosinte collection of the N.I. Vavilov institute of plant industry
(VIR), E3S Web of Conferences, 2021, 262, 01010. DOI: https://doi.org/10.1051/
e3sconf/202126201010.
2. Boyko V.N., Khatefov E.B. Iskhodnyy material dlya gibridnoy selektsii kukuruzy na
mnogopochatkovost' iz kollektsii VIR [Source material from the VIR collection for hybrid
breeding of multiple-ear maize], Tr. po prikladnoy botanike, genetike i selektsii [Proceedings
on Applied Botany, Genetics and Breeding], 2021, Vol. 182 (4), pp. 27-35. DOI:
https://doi.org/10.30901/2227-8834-2021-4-27-35.
3. Dushyant Kumar Singh, Rajeev Sobti. Long-range real-time monitoring strategy for Precision
Irrigation in urban and rural farming in society 5.0, Computers & Industrial Engineering,
2022, Vol. 167, 107997. DOI: https://doi.org/10.1016/j.cie.2022.107997.
4. Manschadi A.M., Palka M., Fuchs W., Neubauer T., Eitzinger J., Oberforster M., Soltani A.
Performance of the SSM-iCrop model for predicting growth and nitrogen dynamics in winter
wheat, European Journal of Agronomy, 2022, Vol. 135, 126487. DOI: https://doi.org/
10.1016/j.eja.2022.126487.
5. Deepika Sarpal, Raka Sinha, Madhavi Jha, Padmini. TN AgriWealth: IoT based farming system,
2022, Vol. 89, 104447. DOI: https://doi.org/10.1016/j.micpro.2022.104447.
6. Fedotova G.V., Gorlov I.F., Slozhenkina M.I., Glushchenko A.V. Trendy nauchnotekhnicheskogo
razvitiya i povysheniya konkurentospsobnosti sel'skogo khozyaystva Rossii
[Trends in scientific and technological development and increasing the competitiveness of Russian agriculture], Vestnik Akademii znaniy [Bulletin of the Academy of Knowledge], 2019,
No. 3 (32). Available at: https://cyberleninka.ru/article/n/trendy-nauchno-tehnicheskogorazvitiya-
i-povysheniya-konkurentospsobnosti-selskogo-hozyaystva-rossii.
7. Moskalev S.M., Klimenok-Kudinova N.V. Iskusstvennyy intellekt i internet veshchey kak
innovatsionnye metody sovershenstvovaniya agropromyshlennogo sektora [Artificial Intelligence
and the Internet of Things as Innovative Methods for Improving the Agro-Industrial
Sector], Izvestiya SPbGAU [Izvestiya SPbGAU], 2018, No. 3 (52). Available at:
https://cyberleninka.ru/article/n/iskusstvennyy-intellekt-i-internet-veschey-kakinnovatsionnye-
metody-sovershenstvovaniya-agropromyshlennogo-sektora.
8. Nagoev Z.V., Shuganov V.M., Bzhikhatlov K.Ch., Zammoev A.U., Ivanov Z.Z. Perspektivy
povysheniya proizvoditel'nosti i effektivnosti sel'skokhozyaystvennogo proizvodstva s
primeneniem intellektual'noy integrirovannoy sredy [Prospects for increasing the productivity
and efficiency of agricultural production using an intelligent integrated environment], Izvestiya
KBNTS RAN [Proceedings of the Kabardino-Balkarian Scientific Center of the Russian Academy
of Sciences], 2021, No. 6.
9. Torikov V.E., Pogonyshev V.A., Pogonysheva D.A., Dornykh G.E. Sostoyanie tsifrovoy
transformatsii sel'skogo khozyaystva [State of digital transformation of agriculture], Vestnik
Kurskoy gosudarstvennoy sel'skokhozyaystvennoy akademii [Bulletin of the Kursk State Agricultural
Academy], 2020, No. 9. Available at: https://cyberleninka.ru/article/n/sostoyanietsifrovoy-
transformatsii-selskogo-hozyaystva.
10. IT v agropromyshlennom komplekse Rossii. Internet-resurs [IT in the agro-industrial complex
of Russia]. Available at: https://www.tadviser.ru/index.php/Stat'ya:IT_v_agropromysh
lennom_komplekse_Rossii.
11. Zavriev S.K., Ignatov A.N. Potential threats in agriculture and food security area, World Economy
and International Relations, 2020, Vol. 64 (7), pp. 100-107. DOI: 10.20542/0131-2227-
2020-64-7-100-107.
12. Rosa A.T., Creech C.F., Elmore, R.W. and others. Implications of cover crop planting and
termination timing on rainfed maize production in semi-arid cropping systems, Field Crops
Research, 2021, 271, 108251. DOI: https://doi.org/10.1016/j.fcr.2021.108251.
13. Carabajal-Capitán S., Kniss A.R., Jabbour R. Seed Predation of Interseeded Cover Crops and
Resulting Impacts on Ground Beetles, Proceedings of the National Academy of Sciences of the
United States of America, 2021, Vol. 118 (18), 2017470118. DOI: https://doi.org/10.1073/
pnas.2017470118.
14. Gordeev A.V. i dr. Vedomstvennyy proekt «Tsifrovoe sel'skoe khozyaystvo» [Departmental
project "Digital Agriculture"]. Moscow: FGBNU «Rosinformagrotekh», 2019, 48 p.
15. Anishchenko Alesya Nikolaevna, Shut'kov Anatoliy Antonovich. Agriculture 4. 0 kak
perspektivnaya model' nauchno-tekhnologicheskogo razvitiya agrarnogo sektora sovremennoy
Rossii [Agriculture 4. 0 as a promising model of scientific and technological development of
the agricultural sector of modern Russia], Prodovol'stvennaya politika i bezopasnost' [Food
Policy and Security], 2019, No. 3. Available at: https://cyberleninka.ru/article/n/agriculture-4-
0-kak-perspektivnaya-model-nauchno-tehnologicheskogo-razvitiya-agrarnogo-sektorasovremennoy-
rossii.
16. Tzounis A. et al. Internet of Things in agriculture, recent advances and future challenges,
Biosystems engineering, 2017, Vol. 164, pp. 31-48.
17. ESP32-WROOM-32 Datasheet. Available at: https://www.espressif.com/sites/default/files/
documentation/esp32-wroom-32_datasheet_en.pdf.
18. LoRaWAN Specification v1.1. 2017. Интернет-ресурс. Available at: https://loraalliance.
org/wp-content/uploads/2020/11/lorawantm_specification_-v1.1.pdf.
19. Nagoev Z., Pshenokova I., Nagoeva O., Sundukov Z. Learning algorithm for an intelligent
decision making system based on multi-agent neurocognitive architectures, Cognitive Systems
Research. Elsevier, 2021, Vol. 66, pp. 82-88.
20. Nagoev Z.V., Denisenko V.A., Lyutikova L.A. System of autonomous robot machine vision for
agricultural application in mountain territories based on the multi-agent cognitive architectures,
Sustainable Development of Mountain Territories, 2018, No. 10 (2), pp. 289-297.
21. Nagoev Z.V. Multiagent recursive cognitive architecture, Mechanics of Solids, 2014, Vol. 46
(4), pp. 622-634. DOI: https://doi.org/10.1007/978-3-642-34274-5_43.
