МУЛЬТИАГЕНТНЫЙ АЛГОРИТМ СБОРА ДАННЫХ С МЕТЕОСТАНЦИИ ДЛЯ ПРОГНОЗИРОВАНИЯ УРОЖАЙНОСТИ И СОСТОЯНИЯ ПОСЕВОВ

  • И.А. Пшенокова Институт информатики и проблем регионального управления Кабардино-Балкарского научного центра РАН
  • К.Ч. Бжихатлов Кабардино-Балкарский научный центр РАН
  • А. А. Унагасов Кабардино-Балкарский научный центр РАН
  • М.А. Абазоков Кабардино-Балкарский научный центр РАН
Ключевые слова: Интеллектуальный агент, мультиагентный алгоритм, нейрокогнитивная архитектура, метеостанция, интеллектуальная система, умное поле

Аннотация

Погода оказывает сильное влияние на урожайность и состояние посевов, на требо-
вания к количеству и качеству удобрений, а также на профилактические меры по предот-
вращению заболеваний. Плохие погодные условия могут повлиять на качество продукции во
время транспортировки и хранения, а значит и на жизнеспособность семян и посадочного
материала. В настоящее время в сельском хозяйстве широко применяются различные сис-
темы интеллектуального мониторинга, к которым можно отнести спутниковый мони-
торинг и метеостанции. При этом основополагающую роль играет выбор метода анализа
полученных данных и интеллектуальных систем их обработки для превентивного прогно-
зирования. Целью исследования является разработка интеллектуальной системы прогно-
зирования урожайности и состояния посевов на основе данных с метеостанции. В рамках
данного исследования разработан мультиагентный алгоритм прогнозирования состояния
посевов по данным с метеостанции на основе самоорганизации нейрокогнитивной архи-
тектуры. Приведено описание структурной схемы метеостанции и ее датчиков. Разрабо-
тан алгоритм программы для сбора и обработки данных с датчиков метеостанции.
В результате обработки в интеллектуальную систему принятия решений отправляются
данные о температуре воздуха и почвы, влажности воздуха и почвы, скорости и направле-
ние ветра, количестве осадков и о сумме активных температур. Описана система по-
строения причинно-следственных связей, на основе которой строится система прогнозирования, которая позволяет в превентивном порядке делать рекомендации или прогнозы по
урожайности и состоянию посевов, а также по вероятности заболеваний и распростра-
нения вредителей на контролируемых посевах.

Литература

1. Stepanov A.S. Prognozirovanie urozhaynosti sel'skokhozyaystvennykh kul'tur na osnove dannykh
distantsionnogo zondirovaniya Zemli (na primere soi) [Forecasting crop yields based on Earth remote
sensing data (on the example of soybeans], Vychislitel'nye tekhnologii [Computational technologies],
2019, Vol. 24, No. 6, pp. 125-133. DOI: 10.25743/ICT.2019.24.6.015.
2. Kleshchenko A.D., Virchenko O.V., Savitskaya O.V. Sputnikovyy monitoring sostoyaniya i
produktivnosti posevov zernovykh kul'tur [Satellite monitoring of the state and productivity of
grain crops], Tr. VNIISKhM [Proceedings of VNIISHM], 2013, Issue 38, pp. 54-70.
3. Sharpley A.N.; Williams J.R. The Erosion-Productivity Impact Calculator (EPIC). Technical
bulletin (United States. Department of Agriculture), No. 1768, 235 p.
4. Sladkikh L.A., Saprykin E.I., Zakhvatov M.G., Sakharova E.Yu. Tekhnologiya monitoringa
sostoyaniya posevov po dannym distantsionnogo zondirovaniya Zemli na yuge Zapadnoy
Sibiri [Technology for monitoring the state of crops according to remote sensing of the Earth
in the south of Western Siberia], GEOMATICS [GEOMATICS], 2016, No. 2, pp. 39-48.
5. Iizumia T., Shinb Y., Kima W., Kimb M., Choib J. Global crop yield forecasting using seasonal
climate information from a multi-model ensemble, Climate Services., 2018, Vol. 11, pp. 13-23.
– https://doi.org/10.1016/j.cliser.2018.06.003.
6. Shashank V., Thomas K., Sangram V., Auroop G., Ganguly R. Data science for weather impacts
on crop yield, Frontiers in Sustainable Food Systems, 2020. Available at:
https://doi.org/10.3389/fsufs.2020.00052.
7. Bulletins and Publications. European Commission Joint Research Center. Available at:
http://mars.jrc.ec.europa.eu/mars/ Bulletins-.Publications.
8. Zagorovskaya V. Sam sebe meteorolog. Pogoda s poley: zachem khozyaystva obzavodyatsya
meteostantsiyami [Himself a meteorologist. Weather from the fields: why farms acquire
weather stations], Agrotekhnika i tekhnologii [Agrotechnics and technologies], 2020, No. 5.
Available at: https://www.agroinvestor.ru/agrotechnika/81/.
9. Pogoda v pole [Weather in the field]. Available at: https://pogodavpole.rf.
10. 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
Kabardino-Balkarskogo nauchnogo tsentra RAN [Proceedings of the Kabardino-Balkarian
Scientific Center of the Russian Academy of Sciences], 2021, No. 6 (104). pp. 155-165. DOI:
https://doi.org/10.35330/1991-6639-2021-6-104-155-165.
11. Bzhikhatlov K.Ch., Unagasov A.A. Programma dlya podklyucheniya besprovodnykh
meteostantsiy k intellektual'noy sisteme prinyatiya resheniy [Program for connecting wireless
weather stations to an intelligent decision-making system], Certificate of registration of the
computer program No. 2021665983, 06.10.2021.
12. Nagoev Z.V. Intellektika, ili myshlenie v zhivykh i iskusstvennykh sistemakh [Intelligence, or
thinking in living and artificial systems]. Nal'chik: Izd-vo KBNTS RAN, 2013, 213 p.
13. Nagoev Z.V., Bzhikhatlov K.Ch., Pshenokova I.A., Nagoeva O.V., Sundukov Z.A., Atalikov B.A.,
Chechenova N.A., Malyshev D.A. Avtonomnyy sintez prostranstvennykh ontologiy v sisteme
prinyatiya resheniy mobil'nogo robota na osnove samoorganizatsii mul'tiagentnoy
neyrokognitivnoy arkhitektury [Autono-mous synthesis of spatial ontologies in the decisionmaking
system of a mobile robot based on self-organization of multi-agent neurocognitive architecture],
Izvestiya Kabardino-Balkarskogo nauchnogo tsentra RAN [Bulletin of the
Kabardino-Balkarian Scientific Center of the Russian Academy of Sciences], 2020, No. 6 (98),
pp. 68-79. DOI: https://doi.org/10.35330/1991-6639-2020-6-98-68-79.
14. Nagoev Z.V. Multiagent recursive cognitive architecture, Biologically Inspired Cognitive Architectures
2012: Proceedings of the third annual meeting of the BICA Society, in Advances in
Intelligent Systems and Computing series. Springer, 2012, pp. 247-248.
15. 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.
16. Nagoev Z., Nagoeva O., Pshenokova I., Bzhikhatlov K., Gurtueva I., Kankulov S. Multiagent
neurocognitive models of the processes of understanding the natural language description of
the mission of autonomous robots, Biologically Inspired Cognitive Architectures 2021: Proceedings
of the 12th Annual Meeting of the BICA Society. Studies in Computational Intelligence,
volume XVI, 625 Cham, Switzerland: Springer Nature, 2022. ISSN: 1860-949X.
17. Gurtueva I., Nagoeva O. and Pshenokova I. Speech recognition algorithm for natural language
management systems under variety of accents, E3S Web of Conferences, 2020, Vol. 164,
10015. DOI: https://doi.org/10.1051/e3sconf/202016410015.
18. Pshenokova I.A., Sundukov Z.A. Razrabotka imitatsionnoy modeli stsenarnogo
prognozirovaniya povedeniya intellektual'nogo agenta na osnove invarianta rekursivnoy
mul'tiagentnoy neyrokognitivnoy arkhitektury [Development of a simulation model for scenario
prediction of the behavior of an intelligent agent based on the invariant of a recursive multiagent
neurocognitive architecture], Izvestiya Kabardino-Balkarskogo nauchnogo tsentra RAN
[News of the Kabardino-Balkarian Scientific Center of the Russian Academy of Sciences],
2020, No. 6 (98), pp. 80-90. DOI: https://doi.org/10.35330/1991-6639-2020-6-98-80-90.
19. Nagoev Z., Pshenokova I., Anchekov M. Model of the reasoning process in a multiagent cognitive
system, Procedia Computer Science, 2020, Vol. 169, pp. 615-619. Available at:
https://doi.org/10.1016/j.procs.2020.02.202.
20. Nagoev Z., Pshenokova I., Nagoeva O., and Kankulov S. Situational analysis model in an intelligent
system based on multi-agent neurocognitive architectures, Journal of Physics: Conference
Series (JPCS) 2131 (2021) 022103. DOI:10.1088/1742-6596/2131/2/022103.
Опубликован
2022-04-21
Выпуск
Раздел
РАЗДЕЛ I. ПЕРСПЕКТИВЫ ПРИМЕНЕНИЯ РОБОТОТЕХНИЧЕСКИХ КОМПЛЕКСОВ