vetpressАграрная наукаAgrarian science0869-81552686-701XРедакция журнала "Аграрная наука"10.32634/0869-8155-2026-405-04-137-143vetpress-4125Research ArticleАГРОИНЖЕНЕРИЯ И ПИЩЕВЫЕ ТЕХНОЛОГИИAGROENGINEERING AND FOOD TECHNOLOGIESФункциональное моделирование и параметрическая оценка компонентов IoT-системы сбора данных для задач точного земледелияFunctional modeling and parametric evaluation of components of an IoT data collection system for precision agriculturehttps://orcid.org/0000-0003-1956-5274ОськинС. П.OskinS. P.

Святослав Павлович Оськин, кандидат технических наук, доцент

ул. Большая Семёновская, 38, Москва, 107023

Svyatoslav Pavlovich Oskin, Candidate of Technical Sciences, Associate Professor 

38 Bolshaya Semyonovskaya st., Moscow, 107023

sv-oskin@yandex.ruhttps://orcid.org/0000-0003-1876-5602КузнецовА. В.KuznetsovA. V.

Александр Валерьевич Кузнецов, кандидат технических наук, доцент

ул. Большая Семёновская, 38, Москва, 107023

Aleksandr Valerievich Kuznetsov, Candidate of Technical Sciences, Associate Professor

38 Bolshaya Semyonovskaya st., Moscow, 107023

avkuznec@mail.ruКоневаН. Е.KonevaN. E.

Наталья Ефимовна Конева, кандидат технических наук, профессор

ул. Большая Семёновская, 38, Москва, 107023

Natalya Efimovna Koneva, Candidate of Technical Sciences, Professor

38 Bolshaya Semyonovskaya st., Moscow, 107023

N.Koneva21@mail.ruМосковский политехнический университет (Мосполитех)РоссияMoscow Polytechnic University (Mospolitech)Russian Federation20262104202604137143Copyright © Оськин С.П., Кузнецов А.В., Конева Н.Е., 20262026Оськин С.П., Кузнецов А.В., Конева Н.Е.Oskin S.P., Kuznetsov A.V., Koneva N.E.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://www.vetpress.ru/jour/article/view/4125

В статье рассматривается разработка функциональной модели автоматизированной системы сбора и обработки данных IoT-мониторинга для задач точного земледелия с использованием методологии структурного анализа IDEF0. Объектом моделирования выступает аппаратно-программный комплекс, включающий полевые IoT-сенсоры, каналы передачи данных и серверную инфраструктуру обработки. Построена контекстная диаграмма уровня A-0 и выполнена декомпозиция до уровня A0, включающая четыре функциональных блока: сбор первичных данных с датчиков, предобработка и агрегация на граничном шлюзе, передача данных по беспроводным протоколам и серверная обработка с формированием управляющих воздействий. Проведен сравнительный анализ технических характеристик IoT-сенсоров трех типов (датчики влажности почвы, метеостанции, мультиспектральные камеры БПЛА) по параметрам точности, частоты опроса и энергопотребления. Выполнена оценка производительности трех протоколов передачи данных (LoRa, NB-IoT, Wi-Fi) по критериям пропускной способности, дальности и латентности. Экспериментальные замеры выполнены на базе 12 хозяйств Краснодарского края в 2019–2024 гг. Результаты показали, что протокол LoRa обеспечивает оптимальное соотношение дальности передачи (до 11,2 км) и энергопотребления (42 мА в режиме передачи) для полевых условий. Среднее время цикла обработки данных от сенсора до формирования управляющей команды составило 8,3 с. Разработанная функциональная модель формализует информационные потоки и управляющие воздействия в системе IoT-мониторинга, обеспечивая основу для проектирования автоматизированных систем в агроинженерии.

The article considers the development of a functional model of an automated IoT monitoring data acquisition and processing system for precision agriculture tasks using the IDEF0 structural analysis methodology. The modeling object is a hardware-software complex including field IoT sensors, data transmission channels, and server processing infrastructure. A context diagram at level A-0 was constructed and decomposition to level A0 was performed, including four functional blocks: primary data acquisition from sensors, preprocessing and aggregation at the edge gateway, wireless data transmission, and server processing with control action generation. A comparative analysis of technical characteristics of three types of IoT sensors (soil moisture sensors, weather stations, UAV multispectral cameras) was conducted by accuracy, polling frequency, and power consumption parameters. Performance evaluation of three data transmission protocols (LoRa, NB-IoT, Wi-Fi) was performed by throughput, range, and latency criteria. Experimental measurements were carried out at 12 farms in Krasnodar Krai during 2019–2024. Results showed that the LoRa protocol provides the optimal ratio of transmission range (up to 11.2 km) and power consumption (42 mA in transmission mode) for field conditions. The average data processing cycle time from sensor to control command generation was 8.3 s. The developed functional model formalizes information flows and control actions in the IoT monitoring system, providing a basis for designing automated systems in agroengineering.

IDEF0IoT-мониторингточное земледелиефункциональное моделированиеархитектура системыпротоколы передачи данныхагроинженерияавтоматизированная системаIDEF0IoT monitoringprecision agriculturefunctional modelingsystem architecturedata transfer protocolsagroengineeringautomated systemReferencesБрит А.А., Калитина В.В., Болдарук И.И., Миндалев И.В., Шев цова Л.Н. Цифровизация аграрного сектора: создание расчётно вычислительных систем на основе баз данных. Современные тенденции развития системы подготовки обучающихся: региональная практика : Материалы международной научной конференции. Красноярск: Красноярский государственный аграрный университет, 2025; 209–212. EDN DPWJPV.Brit A.A., Kalitina V.V., Boldaruk I.I., Mindalev I.V., Shevtsova L.N. Digitalization of the agricultural sector: Creation of calculation and computing systems based on databases. Current trends in the development of the student training system: Regional practice: Proceedings of the international scientific conference. Krasnoyarsk: Krasnoyarsk State Agrarian University, 2025; 209–212 (in Russian). EDN DPWJPV.Шкодич Н.В., Хузина Р.Р. Цифровизация растениеводства: трансформация аграрного сектора. Развитие АПК и сельских территорий в условиях модернизации экономики : Материалы V научно-практической конференции, посвященной памяти доктора экономических наук, профессора Николая Семеновича Каткова. Казань: Казанский государственный аграрный университет. 2025; 155–161. EDN WWOFDK.Shkodich N.V., Khuzina R.R. Digitalization of crop production: Transformation of the agricultural sector. Development of the agro industrial complex and rural territories in the context of economic modernization: Proceedings of the 5th scientific and practical conference dedicated to the memory of Doctor of Economics, Professor Nikolai S. Katkov. Kazan: Kazan State Agrarian University. 2025; 155–161 (in Russian). EDN WWOFDK.Кудрина И.В., Королева М.И. Перспективы внедрения цифровых технологий визуализации данных в растениеводстве. Актуальные вопросы экономики и агробизнеса : XVI Международ ная научно-практическая конференция, посвящённая 85-летию со дня рождения Заслуженного экономиста РФ, Заслуженного работника сельского хозяйства РФ, Заслуженного учёного Брянской области, академика Академии народов мира «Элита», доктора экономических наук, профессора Евгения Павловича Чиркова. Брянск: Брянский ГАУ. 2025; 70–73. EDN XRBUUJ.Kudrina I.V., Koroleva M.I. Prospects for the Implementation of Digital Data Visualization Technologies in Crop Production. Current Issues in Economics and Agribusiness: XVI International Scientific and Practical Conference Dedicated to the 85th Anniversary of the Birth of Honored Economist of the Russian Federation, Honored Worker of Agriculture of the Russian Federation, Honored Scientist of the Bryansk Region, Academician of the Academy of the Peoples of the World “Elite”, Doctor of Economics, Professor Evgeny P. Chirkov. Bryansk: Bryansk State Agrarian University. 2025; 70–73 (in Russian). EDN XRBUUJ.Хлусов В.Н., Хлусова И.А., Ребезов М.Б. Цифровые технологии в управлении агропроизводством. Цифровая экономика и электронное образование: европейский опыт : Сборник научных трудов I Международной научно-практической конференции. Ставрополь: ООО «СЕКВОЙЯ». 2020; 374–377. EDN LFUKQB.Khlusov V.N., Khlusova I.A., Rebezov M.B. Digital Technologies in Agricultural Production Management. Digital Economy and E-Education: European Experience: Collection of Scientific Papers of the I International Scientific and Practical Conference. Stavropol: Limited Liability Company «SEQUOIA». 2020; 374–377 (in Russian). EDN LFUKQB.Колодина К.А., Адамов И.М., Драгуленко В.В. Технологические тренды цифровизации сельского хозяйства и успешные примеры их реализации. Региональная и отраслевая экономика. 2024; (6): 41–46. EDN LOFKRAKolodina K.A., Adamov I.M., Dragulenko V.V. Technological trends of digitalization of agriculture and successful examples of their implementation. Regional and sectoral economy. 2024; (6): 41–46 (in Russian). EDN LOFKRAШуганов В.М. Основные направления развития цифровизации сельского хозяйства. Известия Кабардино-Балкарского научного центра РАН. 2021; (2): 77–85. https://doi.org/10.35330/1991-6639-2021-2-100-77-85Shuganov V.M. Main directions of development of digitalization of agriculture. News of the Kabardino-Balkarian Scientific Center of RAS. 2021; (2): 77–85 (in Russian). https://doi.org/10.35330/1991-6639-2021-2-100-77-85Новикова Т.П., Новиков А.И., Чесноков Ю.В. IOT-управление агротехнологиями: особенности построения реляционной модели хранения сенсорных данных на процессинговом уровне. Актуальные проблемы автоматизации, роботизации и управления в технических, организационных, экономических системах : Материалы Всероссийской научно-практической конференции преподавателей и специалистов и Всероссийской научно-практической конференции студентов и молодых ученых. Воронеж: Воронежский государственный лесотехнический университет им. Г.Ф. Морозова. 2025; 282–290. https://doi.org/10.58168/AIARMTOES2025_282-290.Novikova T.P., Novikov A.I., Chesnokov Yu.V. IOT-management of agricultural technologies: Features of constructing a relational model for storing sensory data at the processing level. Actual problems of automation, robotics and control in technical, organizational and economic systems: Proceedings of the All-Russian scientific and practical conference of teachers and specialists and the All-Russian scientific and practical conference of students and young scientists. Voronezh: Voronezh State Forest Engineering University named after G.F. Morozov. 2025; 282–290 (in Russian). https://doi.org/10.58168/AIARMTOES2025_282-290.Новиков А.И., Новикова Т.П., Чесноков Ю.В. Новиков А.И. IOT-управление агротехнологиями: особенности сенсорного уровня системы поддержания жизненного цикла ювенильного растения. Технологии в биоэкономике: инновации и вызовы в XXI веке : Материалы Международного форума. Воронеж: Воронежский государственный лесотехнический университет им. Г.Ф. Морозова. 2025; 247–252. https://doi.org/10.58168/TBiEc2025_247-252.Novikov A.I., Novikova T.P., Chesnokov Yu.V. Novikov A.I. IOT-management of agricultural technologies: Features of the sensory level of the juvenile plant life cycle maintenance system. Technologies in the bioeconomy: innovations and challenges in the 21st century: Proceedings of the International Forum. Voronezh: Voronezh State Forest Engineering University named after G.F. Morozov. 2025; 247–252 (in Russian). https://doi.org/10.58168/TBiEc2025_247-252.Сафонова Т.В., Муленко М.Д., Лескова Д.О., Мокряк А.В., Прахов Р.Л. Умное земледелие: устойчивое сельское хозяйство на основе Интернета вещей (IoT). Информационные технологии и системы: управление, экономика, транспорт, право. 2025; 1(53): 131–138. EDN DBHTTS.Safonova T.V., Mulenko M.D., Leskova D.O., Mokryak A.V., Prakhov R.L. Smart farming: sustainable agriculture based on the Internet of Things (IoT). Information technologies and systems: management, economics, transport, law. 2025; 1(53): 131–138 (in Russian). EDN DBHTTS.Каличкин В.К., Федоров Д.С., Максимович К.Ю., Риксен В.С. Машинное обучение при прогнозировании продуктивности севооборотов. Агроинженерия. 2025; 27(1): 41–52. https://doi.org/10.26897/2687-1149-2025-1-41-52Kalichkin V.K., Fedorov D.S., Maksimovich K.Yu., Riksen V.S. Machine learning in predicting crop rotation productivity. Agricultural Engineering (Moscow). 2025; 27(1): 41–52 (in Russian). https://doi.org/10.26897/2687-1149-2025-1-41-52Ермаков С.М., Мелас В.Б. Стохастические вычислительные методы и планирование эксперимента. Вестник Санкт-Петербургского университета. Математика. Механика. Астрономия. 2023; 10(2): 187–199. https://doi.org/10.21638/spbu01.2023.201Ermakov S.M., Melas V.B. Stochastical computation methods and experimental designing. Vestnik of Saint Petersburg University. Mathematics. Mechanics. Astronomy. 2023; 10(2): 187–199 (in Russian). https://doi.org/10.21638/spbu01.2023.201Koshkarov A.S. Machine learning methods in digital agriculture: algorithms and cases. Международный журнал перспективных исследований. 2018; 8(1): 11–26. https://doi.org/10.12731/2227-930X-2018-1-11-26Koshkarov A.S. Machine learning methods in digital agriculture: algorithms and cases. International Journal of Advanced Studies. 2018; 8(1): 11–26. https://doi.org/10.12731/2227-930X-2018-1-11-26Oskin S., Kuznecov A., Koneva N. Simplex Method of Realization of Optimization Problem of Linear Programming. Radionov A.A., Gasiyarov V.R. (eds.). Advances in Automation IV. Proceedings of the International Russian Automation Conference, RusAutoCon2022. Cham: Springer. 2023; 127–135. https://doi.org/10.1007/978-3-031-22311-2_13Oskin S., Kuznecov A., Koneva N. Simplex Method of Realization of Optimization Problem of Linear Programming. Radionov A.A., Gasiyarov V.R. (eds.). Advances in Automation IV. Proceedings of the International Russian Automation Conference, RusAutoCon2022. Cham: Springer. 2023; 127–135. https://doi.org/10.1007/978-3-031-22311-2_13Каличкин В.К., Донченко А.С., Голохваст К.С. Платформенный подход к обработке данных мониторинга и полевых опытов СФНЦА РАН для реализации цифрового земледелия. Сибирский вестник сельскохозяйственной науки. 2025; 55(11): 5–21. https://doi.org/10.26898/0370-8799-2025-11-1Kalichkin V.K., Donchenko A.S., Golokhvast K.S. A platform-based approach to processing SFSСA RAS monitoring and field experiments data for the implementation of digital agriculture. Siberian Herald of Agricultural Science. 2025; 55(11): 5–21 (in Russian). https://doi.org/10.26898/0370-8799-2025-11-1Назарова М. Методы определения урожайности сельскохозяйственной продукции. Интернаука. 2024; (34–2): 47–48. EDN ZMFKGONazarova M. Methods for determining the yield of agricultural products. Internauka. 2024; (34–2): 47–48 (in Russian). EDN ZMFKGOРогачев А.Ф., Мелихова Е.В. Обоснование алгоритмов и инструментария для нейросетевого прогнозирования урожайности агрокультур с использованием ретроспективных данных. Известия Нижневолжского агроуниверситетского комплекса: наука и высшее профессиональное образование. 2020; (1): 290–302. https://doi.org/10.32786/2071-9485-2020-01-29Rogachev A.F., Melikhova E.V. Justification of algorithms and tools for neural network forecasting of agricultural productivity using retrospective data. Proceedings of Nizhnevolzskiy agrouniversity complex: science and higher vocational education. 2020; (1): 290–302 (in Russian). https://doi.org/10.32786/2071-9485-2020-01-29

The authors declare that there are no conflicts of interest present.