Применение методов машинного обучения и анализа больших данных в точном земледелии
https://doi.org/10.32634/0869-8155-2025-394-05-171-174
Аннотация
Актуальность. Современные технологии сбора и анализа данных открывают новые возможности для повышения эффективности и устойчивости сельскохозяйственного производства. Данная работа посвящена исследованию потенциала применения методов машинного обучения и анализа больших данных в точном земледелии.
Методы. На основе систематического обзора литературы выделены ключевые направления использования этих подходов: оптимизация внесения удобрений и ирригации, раннее выявление болезней и вредителей, прогнозирование урожайности. С использованием методов регрессионного анализа, классификации и кластеризации на выборке данных полевых измерений за 2018–2023 гг. на примере производства пшеницы в условиях Центрально-Чернозёмного региона РФ показано, что применение предложенных алгоритмов позволяет повысить урожайность на 12–17% при снижении затрат удобрений на 10–14%. Предложена концептуальная модель интеллектуальной системы поддержки принятия решений для точного земледелия. Обсуждаются вопросы масштабирования подхода и его адаптации к другим культурам и регионам.
Результаты исследования демонстрируют значительный потенциал применения передовых методов анализа данных для повышения эффективности и экологичности растениеводства.
Ключевые слова
Об авторе
А. И. Галкин
Финансовый университет при Правительстве Российской Федерации
Россия
Россия
Андрей Игоревич Галкин, кандидат экономических наук, доцент кафедры
Ленинградский пр-т, 49/2, Москва, 125167
Список литературы
1. 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
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. 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 griculture. 2018; 151: 61–69. https://doi.org/10.1016/j.compag.2018.05.012
4. 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
5. 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
6. Basso B., Fiorentino C., Cammarano D., Schulthess U. Variable rate nitrogen fertilizer response in wheat using remote sensing. Precision Agriculture. 2016; 17(2): 168–182. https://doi.org/10.1007/s11119-015-9414-9
7. Weiss M., Jacob F., Duveiller G. Remote sensing for agricultural applications: a meta-review. Remote Sensing of Environment. 2020; 236: 111402. https://doi.org/10.1016/j.rse.2019.111402
8. Sharma A., Jain A., Gupta P., Chowdary V. Machine Learning Applications for Precision Agriculture: a Comprehensive Review. IEEE Access. 2021; 9: 4843–4873. https://doi.org/10.1109/ACCESS.2020.3048415
9. Zha H. et al. Improving crop yields and nitrogen use efficiency using an unmanned aerial vehicle-based low-altitude remote sensing technology. IEEE Access. 2020; 8: 57187–57199. https://doi.org/10.1109/ACCESS.2020.2982100
10. Pivoto D. et al. Factors influencing the adoption of smart farming by Brazilian grain farmers. International Food and Agribusiness Management Review. 2019; 22(4): 571–588. https://doi.org/10.22434/IFAMR2018.0086
Рецензия
Для цитирования:
Галкин А.И. Применение методов машинного обучения и анализа больших данных в точном земледелии. Аграрная наука. 2025;(5):171-174. https://doi.org/10.32634/0869-8155-2025-394-05-171-174
For citation:
Galkin A.I. Application of machine learning methods and big data analysis in precision agriculture. Agrarian science. 2025;(5):171-174. (In Russ.) https://doi.org/10.32634/0869-8155-2025-394-05-171-174
Просмотров:
93
Послать статью по эл. почте 