Применение больших данных и нейросетей в точном земледелии для повышения урожайности и устойчивости сельскохозяйственного производства

Статья посвящена анализу возможностей применения технологий больших данных и нейросетей в точном земледелии с целью повышения урожайности и устойчивости сельскохозяйственного производства. На основе обзора актуальных исследований выявлены ключевые тренды и пробелы в данной области. Предложена оригинальная методология, включающая сбор и интеграцию разнородных массивов данных (данные дистанционного зондирования, сенсорные данные, агрохимические показатели почв и др.), их обработку с помощью алгоритмов машинного обучения, в том числе сверточных нейросетей, и создание предсказательных моделей. Эмпирическая апробация методологии на выборке из 120 полей в различных агроклиматических условиях продемонстрировала повышение точности прогнозирования урожайности на 15–20% по сравнению с традиционными подходами. Выявлены перспективные направления оптимизации систем поддержки принятия решений в точном земледелии на основе анализа больших данных. Полученные результаты имеют значимость для развития устойчивого сельского хозяйства и повышения глобальной продовольственной безопасности.

1. Kamilaris A., Prenafeta-Boldú F.X. Deep learning in agriculture: A survey. Computers and Electronics in Agriculture. 2018; 147: 70–90. https://doi.org/10.1016/j.compag.2018.02.016

2. Liakos K.G., Busato P., Moshou D., Pearson S., Bochtis D. Machine Learning in Agriculture: A Review. Sensors. 2018; 18(8): 2674. https://doi.org/10.3390/s18082674

3. Wolfert S., Ge L., Verdouw C., Bogaardt M.-J. Big Data in Smart Farming — A review. Agricultural Systems. 2017; 153: 69–80. https://doi.org/10.1016/j.agsy.2017.01.023

4. Chlingaryan A., Sukkarieh S., Whelan B. Machine learning approaches for crop yield prediction and nitrogen status estimation in precision agriculture: A review. Computers and Electronics in Agriculture. 2018; 151: 61–69. https://doi.org/10.1016/j.compag.2018.05.012

5. Huang Y., Chen Z.-x., Yu T., Huang X.-z., Gu X.-f. Agricultural remote sensing big data: Management and applications. Journal of Integrative Agriculture. 2018; 17(9): 1915–1931. https://doi.org/10.1016/S2095-3119(17)61859-8

6. Khaki S., Wang L. Crop Yield Prediction Using Deep Neural Networks. Frontiers in Plant Science. 2019; 10: 621. https://doi.org/10.3389/fpls.2019.00621

7. Pantazi X.E., Moshou D., Alexandridis T., Whetton R.L., Mouazen A.M. Wheat yield prediction using machine learning and advanced sensing techniques. Computers and Electronics in Agriculture. 2016; 121: 57–65. https://doi.org/10.1016/j.compag.2015.11.018

8. Kamilaris A., Kartakoullis A., Prenafeta-Boldú F.X. A review on the practice of big data analysis in agriculture. Computers and Electronics in Agriculture. 2017; 143: 23–37. https://doi.org/10.1016/j.compag.2017.09.037

9. Gandhi N., Armstrong L.J., Petkar O. Proposed decision support system (DSS) for Indian rice crop yield prediction. 2016 IEEE Technological Innovations in ICT for Agriculture and Rural Development (TIAR). IEEE. 2016; 13–18. https://doi.org/10.1109/TIAR.2016.7801205

10. Alreshidi E. Smart Sustainable Agriculture (SSA) Solution Underpinned by Internet of Things (IoT) and Artificial Intelligence (AI). International Journal of Advanced Computer Science and Applications. 2019; 10(5): 93–102. http://doi.org/10.14569/IJACSA.2019.0100513