Функциональное моделирование и параметрическая оценка компонентов IoT-системы сбора данных для задач точного земледелия

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.

1. Брит 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.

2. 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.

3. 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.

4. 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.

5. 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 LOFKRA

6. Шуганов В.М. Основные направления развития цифровизации сельского хозяйства. Известия Кабардино-Балкарского научного центра РАН. 2021; (2): 77–85. https://doi.org/10.35330/1991-6639-2021-2-100-77-85

7. Новикова 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.

8. 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.

9. 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.

10. 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/10.26897/2687-1149-2025-1-41-52

11. Ермаков 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/spbu01.2023.201

12. Koshkarov 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-2018-1-11-26

13. Oskin 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_13

14. Каличкин 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/10.26898/0370-8799-2025-11-1

15. Назарова М. Методы определения урожайности сельскохозяйственной продукции. Интернаука. 2024; (34–2): 47–48. EDN ZMFKGO

16. Рогачев 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/10.32786/2071-9485-2020-01-29