Ekaterinburg, Russian Federation
Russian Federation
VAC 08.00.10 Финансы, денежное обращение и кредит
VAC 08.00.12 Бухгалтерский учет, статистика
VAC 08.00.13 Математические и инструментальные методы экономики
VAC 08.00.14 Мировая экономика
UDK 33 Экономика. Народное хозяйство. Экономические науки
UDK 63 Сельское хозяйство. Лесное хозяйство. Охота. Рыбное хозяйство
BBK 6 ОБЩЕСТВЕННЫЕ НАУКИ
The relevance of introducing artificial intelligence (AI) systems in agriculture is explained by the need to automate the processes of agricultural production, the shortage of personnel, and the need to increase the competitiveness of production. The purpose of the study is to determine the main areas of application of these artificial intelligence systems in agriculture. The main areas of application of the systems are: crop yield forecasting, irrigation optimization, livestock production optimization, monitoring of plant and animal diseases, optimization of the engine life of tractors, combines and other agricultural machines. The main problems in using AI systems in agriculture are the need for a large amount of data to train these systems, the need to improve the skills of workers and adapt production processes to the implementation of these systems.
agriculture, artificial intelligence systems, artificial intelligence, yield forecasting, irrigation optimization, monitoring of plant and animal diseases, optimization of engine life of equipment
Введение. Актуальность применения систем искусственного интеллекта в сельском хозяйстве в настоящее время трудно переоценить. Сельское хозяйство является одной из ключевых отраслей мировой экономики и играет важную роль в обеспечении продовольственной безопасности глобального сообщества. Однако оно сталкивается со многими вызовами, такими как изменение климата, недостаток ресурсов, низкие производительность труда и эффективность производства.
Использование систем искусственного интеллекта может помочь решить многие из этих проблем. Так, с помощью ИИ можно проводить более точный мониторинг погодных условий и анализировать данные о состоянии почвы, чтобы оптимизировать процесс выращивания культур. Также с применением систем ИИ можно проводить прогнозирование урожайности и спроса на продукты, что поможет аграрным производителям оптимизировать свою деятельность и уменьшить риски.
Кроме того, в свете пандемии COVID-19 существует растущая потребность в автоматизации процессов производства и сбора урожая, чтобы уменьшить контакты между людьми и снизить риск распространения инфекции. Использование систем искусственного интеллекта поможет автоматизировать эти процессы и повысить их эффективность. Таким образом, применение систем искусственного интеллекта в сельском хозяйстве является важным направлением развития отрасли, которое может помочь решить многие проблемы, с которыми сталкиваются аграрии.
Материалы и методы.
Системы искусственного интеллекта – это область информационных технологий, которая сегодня становится ключевой для ряда отраслей, включая сельское хозяйство. В аграрном секторе экономики применение систем ИИ позволят сельхозтоваропроизводителям собирать и анализировать большие объемы данных, автоматизировать процессы, повышать эффективность управленческих решений, принимаемых на основе этих данных. Рассмотрим различные области применения ИИ в сельском хозяйстве.
Цель исследования – определить основные области применения систем искусственного интеллекта в сельском хозяйстве.
В процессе исследования выполнен анализа публикаций по данной проблеме, проиндексированных в международных базах цитирования Scopus и WoS.
Результаты исследования. Прогнозирование урожайности с применением систем ИИ основывается на анализе различных факторов, которые влияют на рост и развитие растений. Среди таких факторов можно назвать погодные условия (температура, осадки, влажность воздуха), тип почвы, качество используемых семян, методы обработки почвы, применяемые удобрения и другие агротехнические параметры. Использование систем ИИ и анализа данных позволяет прогнозировать эти факторы и предсказывать урожайность с высокой точностью [1]. Для этого можно использовать различные алгоритмы машинного обучения, такие как нейронные сети, случайные леса и градиентный бустинг. Один из наиболее распространенных методов прогнозирования урожайности с помощью ИИ - это использование глубоких нейронных сетей [2]. Для этого используются данные о погодных условиях, типе почвы, используемых семенах, методах обработки почвы, удобрениях и другие. На основе этих данных нейронная сеть обучается и прогнозирует урожайность. Другой метод прогнозирования урожайности с использованием систем ИИ - это использование алгоритма случайного леса. В этом случае данные о погодных условиях, типе почвы, используемых семенах, методах обработки почвы, удобрениях и другие используются для создания модели, которая предсказывает урожайность. Градиентный бустинг также может использоваться для прогнозирования урожайности. Он основан на создании набора моделей, каждая из которых исправляет ошибки предыдущей модели. На выходе получается довольно точный прогноз урожайности.
Прогнозирование урожайности с помощью ИИ позволяет фермерам оптимизировать использование применяемых ресурсов, прогнозировать цены на продукцию. Они могут использовать эту информацию для планирования посевных работ и выбора оптимальных семян и удобрений. Это также позволяет улучшить управление рисками, связанными с погодными условиями и другими факторами, которые влияют на урожайность.
Использование ИИ повлияет на снижение негативного воздействия на окружающую среду. Алгоритмы машинного обучения могут анализировать данные о погодных условиях, почве [3] и качестве воды, чтобы определить оптимальные условия для выращивания культур с минимальным использованием химических удобрений и средств защиты растений. Это может снизить воздействие на окружающую среду и создать более экологичную систему сельского хозяйства.
Оптимизация полива с применением систем ИИ позволит организациям сельского хозяйства снизить расходы водных ресурсов [4,5]. Существует несколько способов, которые используются для оптимизации полива с помощью систем ИИ [6].
Один из таких способов - это использование датчиков и мониторинга почвы для определения уровня влажности. Датчики могут быть установлены в почве, а также на растениях, чтобы определять, когда они нуждаются в поливе. Используя эти данные, системы ИИ могут определять, количество воды необходимое для оптимального роста растений и конкретные методы полива лучше использовать. Другим способом является использование геоданных и прогнозов погоды для определения оптимальных времен полива. Системы ИИ могут использовать информацию о погодных условиях и типе почвы для определения оптимального режима полива, чтобы минимизировать испарение и потери воды (эвапотранспирации). Также существуют способы, основанные на анализе данных растений и определении их потребностей в воде и удобрениях. Системы ИИ могут использовать данные о росте и состоянии растений (тургора листьев) для определения времени и объема воды и удобрений, которые нужно подать для оптимального роста и развития.
Оптимизация полива с помощью ИИ позволит также существенно увеличить урожайность и сократить расходы на удобрения. Это также может снизить негативное влияние сельского хозяйства на окружающую среду, так как позволяет снизить количество используемой воды и удобрений, которые могут попасть в окружающую среду и загрязнить ее.
Системы искусственный интеллект имеют множество применений и в животноводстве, начиная от оптимизации производства продукции животноводства до заботы о здоровье животных [8,9]. Одним из наиболее важных приложений ИИ в животноводстве является повышение продуктивности животных. Системы ИИ позволяют анализировать множество данных о кормлении, двигательной активности, генетическом потенциале и другом для определения оптимальных условий содержания животных и оптимизации питания и ухода за животными. Такие данные могут помочь специалистам организаций сельского хозяйства повысить эффективность производства, увеличить продуктивность и качество продукции животноводства.
Использование систем ИИ также может помочь улучшить здоровье животных. Многие болезни животных могут быть диагностированы на ранних стадиях, если использовать мониторинг и анализ данных, таких как пульс, дыхание, температура тела, двигательная активность и другие [9]. Анализ этих данных с помощью систем ИИ может помочь предотвратить заболевания, своевременно начать лечение заболевших животных. Системы ИИ могут также помочь в прогнозировании возможных проблем с развитием заболеваний. Эти системы позволяют анализировать данные о заболеваемости животных, климатических условиях и других факторах, прогнозировать вероятность возникновения эпидемий, что позволяет ветеринарным службам оперативно принимать необходимые меры. Кроме того, ИИ может помочь в области селекции животных. Системы ИИ позволяют анализировать генетические данные животных, определять, какие из них имеют наилучший генетический потенциал для увеличения продуктивности и улучшения качества продукции.
Искусственный интеллект может быть использован для мониторинга заболеваний растений и снижение потерь урожая. Системы мониторинга заболеваний растений, основанные на ИИ, могут испиливаться для анализа таких параметров как погодные условия, состояние почвы, состав воздуха и другие, которые влияют на здоровье растений.
Один из способов использования систем ИИ для мониторинга заболеваний растений - это анализ изображений. С помощью компьютерного зрения и алгоритмов ИИ можно автоматически обрабатывать изображения, сделанные с помощью камер, установленных на полях, для обнаружения заболеваний растений [10]. На основе анализа изображений ИИ можно определить тип заболевания, степень его развития, рекомендовать меры для предотвращения его распространения.
Также системы ИИ могут быть использованы для анализа данных о погоде, состоянии почвы и составе воздуха. Они могут показать, какие условия являются наиболее благоприятными для роста определенных культур и какие меры могут быть приняты для улучшения здоровья растений. Использование систем ИИ для мониторинга заболеваний растений может значительно повысить эффективность агарного производства, предотвратить ущерб урожая и улучшить качество продукции.
Одной из областей применения искусственного интеллекта в сельском хозяйстве является оптимизация моторесурса тракторов, комбайнов и другой сельскохозяйственной техники. Это важно для сельскохозяйственных предприятий, так как позволяет повысить эффективность использования техники и снизить затраты на е ремонт и техническое обслуживание. Для оптимизации моторесурса тракторов и машин можно использовать системы ИИ, которые позволяют анализировать данные об их работе, такие как скорость, мощность и обороты силовых установок (двигателей) и другие параметры. Используя эти данные, системы ИИ могут определять оптимальные режимы работы тракторов и комбайнов, что позволит уменьшать их износ и продлевать моторесурс.
Кроме того, системы ИИ могут быть использованы для прогнозирования даты технического обслуживания оборудования. Анализируя данные о работе оборудования и статистику их поломок, системы ИИ могут определять, когда техника потребует технического обслуживания и какие работы должны быть выполнены. Это позволит организациям сельского хозяйства планировать обслуживание тракторов и машин заранее, избегать простоев в работе.
Системы ИИ могут быть использованы для управления автопарком сельскохозяйственных предприятий. С помощью ИИ можно определять оптимальные маршруты и скорость движения техники, чтобы снизить ее износ и расход топлива. Используя эти данные, можно также уменьшать количество техники, необходимой для выполнения определенных задач. Также ИИ может использоваться для анализа данных о ремонте тракторов и комбайнов. Анализируя данные об их поломках и ремонте, системы ИИ могут определять, какие детали имеют наибольший износ и какие работы должны быть выполнены для предотвращения поломок. Это позволяет сельскохозяйственным предприятиям оптимизировать расходы на ремонт тракторов и комбайнов, повышать эффективность их использования. Основные направления применения систем искусственного интеллекта в сельском хозяйстве представлены в таблице 1.
Таблица 1 – Основные направления применения систем искусственного интеллекта в сельском хозяйстве
|
Авторы |
Область применения |
Применяемая технология искусственного интеллекта |
Ожидаемый эффект |
|
Chlingaryan A., Sukkarieh S., Whelan B. [1] |
Прогнозирование урожайности кофе |
Методы машинного обучения (ELM) |
Эффект от повышения качества планирования расходуемых ресурсов, оптимизации посевных площадей, повышение точности прогнозирование цен на продукцию |
|
Kouadio L., Deo R.C., Byrareddy V., Adamowski J. F., Mushtaq S., Nguyen V.P. [2] |
Прогнозирование урожайности кофе |
Методы машинного обучения (ELM) |
Точная оценка факторов (свойств почвы), оказывающих влияние на урожайность |
|
Moazenzadeh R., Mohammadi B. [3] |
Анализ температуры почвы |
Регрессия опорных векторов (SVR), нейронная сеть Элмана (ENN) |
Эффект от снижения затрат на измерении температуры, повышение точности прогнозов. |
|
Freeman D., Gupta S. Smith D.H., Maja J.M., Robbins J., Owen J.S., Jr. Pena, de Castro, A.I. [4] |
Диагностика ранних показателей водного стресса |
Сверточные нейронные сети CNNs |
Снижение расходования воды, оптимизация использования водных ресурсов |
|
Chen H., Huang J.J., McBean E. [5] |
Прогнозирование транспирации воды растениями |
Случайный лес (RF) и регрессия опорных векторов (SVR) |
Оптимизация использования водных ресурсов |
|
Mehdizadeh S., Behmanesh J., Khalili K. [6] |
Оценки эвапотранспирации (испарения воды) |
Методы опорных векторов (SVM) и генетические вычисления (GEP). |
Оптимизация использования водных ресурсов |
|
Bakoev S., Getmantseva L., Kolosova M., Kostyunina O., Chartier D.R., Tatarinova T.V. [7] |
Диагностирование болезней конечностей свиней на ранних стадиях |
Случайный лес, K-ближайших соседей, нейронные сети, C50Tree, машины опорных векторов, наивный Байес, обобщенные линейные модели, Boost, линейный дискриминантный анализ |
Диагностирование болезней конечностей свиней на ранних стадиях (снижения выбраковки молодняка, снижение затрат на лечение животных) |
|
Dutta R., Smith D., Rawnsley R., Bishop-Hurley G., Hills J., Timms G., Henry D. [8] |
Диагностика и наблюдение за поведением животных |
Линейный дискриминантный анализ, наивный Байес, к-ближайших соседей и адаптивная система нечеткого вывода (ANFIS) |
Повышение продуктивности животных путем оптимизации зоотехнических мероприятий |
|
Борисевич М.Н. [9] |
Диагностика болезней животных |
Искусственные нейронные сети |
Снижение затрат на диагностику болезней животных |
|
Ferentinos K.P. [10] |
Обнаружение ряда болезней для 25 культурных растений |
Сверточные нейронные сети |
Снижение затрат на диагностику заболеваний растений |
Таким образом, использование ИИ для оптимизации моторесурса техники в сельском хозяйстве позволяет снижать затраты на ремонт и техобслуживание тракторов и комбайнов, повышать эффективность их использования и сокращать время простоя. Это также может помочь предприятиям сельского хозяйства уменьшить нагрузку на окружающую среду за счет снижения объемов выбросов, уменьшить расходы на топливо.
Для реализации этих задач можно использовать различные ИИ-технологии, такие как машинное обучение, глубокое обучение, анализ данных и т.д. Например, для определения оптимального режима работы техники можно использовать алгоритмы машинного обучения, которые анализируют данные и выдают рекомендации по оптимизации работы тракторов и комбайнов. Для прогнозирования даты технического обслуживания тракторов и комбайнов можно использовать алгоритмы анализа данных, которые позволяют анализировать и обрабатывать большие объемы информации и выдавать на их основе прогнозы.
Кроме того, использование систем ИИ для оптимизации моторесурса тракторов и комбайнов позволяет улучшить качество и количество сельскохозяйственной продукции, увеличить ее выход и сократить издержки на производство. Это, в свою очередь, позволяет повысить конкурентоспособность предприятий сельского хозяйства, снизить их зависимость от поставщиков.
Следует учитывать, что использование систем ИИ в сельском хозяйстве приведет к изменениям в традиционных методах работы, потребует адаптации работников к новым технологиям. Необходимо заметить, что многие из возможных областей применений ИИ в сельском хозяйстве уже используются в деятельности субъектов аграрного сектора экономики тех или иных стран, и они продолжают расширяться.
Применение систем ИИ в сельском хозяйстве является важным шагом в развитии отрасли, может привести к более эффективному и экологичному производству. Однако необходимо продолжать работу по разработке и совершенствованию технологий, а также обучать работников отрасли навыкам применения этих систем. Кроме того, использование ИИ позволит к автоматизировать ряд производств, что приведет к сокращению количества рабочих мест, одновременно с этим – привести к созданию новых рабочих мест в области разработки и поддержки систем ИИ.
В целом, использование систем ИИ в сельском хозяйстве может значительно повысить эффективность производства и производительность труда на предприятиях, улучшить качество продукции, сократить затраты на производство. С развитием систем искусственного интеллекта и все большей его интеграцией в сельское хозяйство можно ожидать еще больших успехов в этой области в будущем.
Вместе с тем, несмотря на все преимущества, есть и ряд проблем, которые затрудняют использование ИИ. Одна из них состоит в том, что работники сельского хозяйства не обладают достаточными знаниями и навыками для использования ИИ в своей работе. Кроме того, высокая стоимость оборудования и программного обеспечения нередко является препятствием для внедрения систем ИИ в сельском хозяйстве. Еще одной проблемой, которая может возникнуть при использовании систем ИИ в сельском хозяйстве, является необходимость в большом количестве данных для обучения алгоритмов машинного обучения. В некоторых случаях весьма трудно собрать достаточное количество данных для обучения моделей. Хотя с развитием технологий сбора данных и увеличением объемов собираемых данных этот недостаток может быть преодолен.
Выводы и предложения. Можно заключить, что применение систем ИИ в сельском хозяйстве будет продолжаться и развиваться в будущем. Это может к повышению эффективности и экологичности производства, а также к созданию новых рабочих мест в области разработки и поддержки систем ИИ. Однако необходимо учитывать возможные проблемы и работать над их решением, чтобы использование систем ИИ в сельском хозяйстве было максимально эффективным и приводило к положительным результатам для всех участников сельскохозяйственного производства.
Использование ИИ в сельском хозяйстве, очевидно, приведет к усилению разрыва между крупными и малыми организациями сельского хозяйства. Крупные организации сельского хозяйства могут себе позволить инвестировать во внедрение систем ИИ и оборудование, тогда как малые фермерские хозяйства столкнутся с трудностями при попытке их внедрения. Это требует подружки малых хозяйств со стороны государства.
Системы ИИ имеют высокий потенциал для применения в сельском хозяйстве. Их использование позволяет увеличить урожайность, снизить затраты, улучшить качество продукции и автоматизировать процессы. Однако применение этих систем в сельском хозяйстве потребует повышения квалификации специалистов, высокотехнологичного оборудования и большого количества данных.
1. 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, Volume: 151, pp. 61-69
2. Kouadio L., Deo R.C., Byrareddy V., Adamowski J. F., Mushtaq S., Nguyen V.P. Artificial intelligence approach for the prediction of Robusta coffee yield using soil fertility properties Computers and electronics in agriculture, 2018, Vol: 155, pp. 324-338 DOI:https://doi.org/10.1016/j.compag.2018.10.014
3. Moazenzadeh R., Mohammadi B. Assessment of bio-inspired metaheuristic optimization algorithms for estimating soil temperature // GEODERMA. 2019. Volume 353. S. 152-171. DOIhttps://doi.org/10.1016/j.geoderma.2019.06.028
4. Freeman D., Gupta S. Smith D.H., Maja J.M., Robbins J., Owen J.S., Jr. Pena, de Castro, A.I. Watson on the Farm: Using Cloud-Based Artificial Intelligence to Identify Early Indicators of Water Stress // REMOTE SENSING 2019, Volume 11 Issue 22 Article Number 2645 DOIhttps://doi.org/10.3390/rs11222645.
5. Chen H., Huang J.J., McBean E. Partitioning of daily evapotranspiration using a modified shuttleworth-wallace model, random Forest and support vector regression, for a cabbage farmland // Agricultural water management. 2020. Volume 228. Article number 105923. DOIhttps://doi.org/10.1016/j.agwat.2019.105923
6. Mehdizadeh S., Behmanesh J., Khalili K. Using MARS, SVM, GEP and empirical equations for estimation of monthly mean reference evapotranspiration. Comput. electron. Agric. 2017, 139, pp.103-114
7. Bakoev S., Getmantseva L., Kolosova M., Kostyunina O., Chartier D.R., Tatarinova T.V. PigLeg: prediction of swine phenotype using machine learning // PEERJ 2020. Volume 8. Article number e8764. DOIhttps://doi.org/10.7717/peerj.8764
8. Dutta, R.; Smith, D.; Rawnsley, R.; Bishop-Hurley, G.; Hills, J.; Timms, G.; Henry, D. Dynamic cattle behavioral classification using supervised ensemble classifiers. Comput. electron. Agric. 2015, 111, pp.18-28
9. Borisevich M.N. Computer neurosimulator of internal non-contagious animal diseases // Vestn. VSMU. 2017. No. 6. P. 125-130.
10. Ferentinos K.P. Deep learning models for plant disease detection and diagnosis // Computers and electronics in agriculture. 2018. Volume 145. P.311-318 DOIhttps://doi.org/10.1016/j.compag.2018.01.009
