Цифровизация процесса поддержки принятия агротехнологических решений. Интеграция агрономических данных и информационных технологий

Введение. Постановка проблемы. Одной из наиболее острых в сельском хозяйстве является проблема качества управленческих решений. Она постоянно находится в центре внимания как специалистов аграрной сферы, так и многих других смежных отраслей, в том числе работников инженерно-технической и научно-исследовательской деятельности. Именно степень использования в хозяйствах передовых научных достижений, реализованных в конкретных технологических разработках, формирует практическую основу эффективного информационного обеспечения производства при проектировании систем земледелия и принятии агротехнологических решений [15]. Процесс принятия агротехнологических решений происходит путем выбора технологических операций предпочтительно на альтернативной основе, эффективное выполнение которых в значительной мере определяется степенью полномасштабного достоверного формирования информационного пространства данной предметной области и обеспечения его функционирования. Информационное пространство практической деятельности конкретного хозяйства должно целенаправленно формироваться на основе имеющихся информационных ресурсов всех уровней и обеспечивать ежегодное взаимосвязанное решение основных технологических и И⁶⁸                  Агротехника и энергообеспечение. - 2026. - № 1 (50)

управленческих задач.

Исследования, проводимые ранее авторами в этом направлении, позволили сформировать методологические подходы к созданию сельскохозяйственных информационных систем. Предложены решения по применению ГИС-технологий в земледелии, баз данных и экспертных систем в растениеводстве и инженерно-технической сфере, получившие практическое использование и расширившие наличие информационных ресурсов в этой предметной области [10, 1, 11]. Дальнейшее интенсивное развитие информационных технологий способствовало расширению номенклатуры информационных ресурсов, повышению их функциональных возможностей. Если ранее их преобладающим назначением были информационно-справочные, образовательные функции, то очевидно, что современные цифровые информационные технологии становятся эффективным инструментом для поддержки принятия агротехнологических решений на новом качественном уровне, подтверждая тем самым необходимость цифровой трансформации сельхозпредприятия.

Важным этапом цифровой трансформации является этап цифровизации, на котором принятие управленческих решений происходит на основе цифровых данных с применением современных информационных технологий, в том числе, систем искусственного интеллекта (ИИ). Информация обо всех процессах и операциях существует в цифровом виде, а передача, обработка и анализ данных в основном автоматизированы. Автоматизация представляет собой более высокий уровень цифровой интеграции получаемых данных с программными продуктами, что лежит в основе формирования систем для своевременной и научнообоснованной поддержки принятия агротехнологических решений [8, 9]. Применение же систем ИИ позволит оперировать большими наборами данных с объектов растениеводческого производства, что позволяет снизить неопределенность при принятии управленческих решений за счет генерации альтернативных решений [16].

Это подтверждает необходимость развития исследований, направленных на цифровизацию процесса поддержки принятия агротехнологических решений, в том числе и на основе интеграции агрономических данных и информационных технологий для выработки научно-обоснованного набора альтернативных решений производственной задачи.

Анализ решения проблемы. Для решения обозначенных проблем, обеспечения принятия эффективных агротехнологических решений необходимо наличие полной, достоверной оперативной информации, что требует интеграции всей совокупности разнообразных агрономических данных, сопровождающих процесс производства растениеводческой продукции. Агрономические данные охватывают категории от почвенных и климатических условий, характеристик посевов, применяемых агротехник до экономических показателей (затраты, прибыль). К характерным особенностям агрономических данных можно отнести пространственную вариабельность; временную изменчивость (данные меняются ежедневно и даже в течении дня); комплексное взаимодействие факторов, а также сочетание качественной и количественной информации.

Целью интеграции агрономических данных и информационных технологий является получение единого представления о состоянии посевов, почве, погоде и технике, уменьшение ручного ввода данных, автоматизация процедур; оптимизация применения ресурсов; улучшение прогнозов урожайности и рисков. Интеграция - это объединение различных систем (датчики, дроны, ERP-системы, спутниковые снимки) в единую экосистему, позволяющую обмениваться, анализировать и визуализировать данные в реальном времени.

К ключевым технологиям и методам интеграции можно отнести следующие: API (прикладной программный интерфейс); IoT (интернет вещей); дроны; облачные платформы (Big Data); системы поддержки принятия решений (DSS); ГИС (геоинформационные системы). Интегрируемые источники данных – сельскохозяйственная техника; датчики; беспилотники; спутниковые снимки; метеостанции; ERP-системы. Наличие такого инструментария позволяет создать полноценную цифровую платформу, отражающая целостную картину поля и хозяйства.

Обзор научно-практических работ. В аналитическом обзоре ФГБНУ Росинформагротех [7] показано, что комплекс технологий, объединённый в различных IТ-системах, позволяет контролировать полный цикл растениеводства, оптимизировать риски, принимать обоснованные управленческие решения. Одним из перспективных направлений является использование цифровых технологий и интеллектуальных систем поддержки принятия решений на основе нейронных сетей [13]. В обзоре [20] проанализированы различные инструменты искусственного интеллекта (ML, DL, IoT, DSS) и их роль в максимизации урожайности сельскохозяйственных культур, точном орошении и борьбе с вредителями.

Разработке в СФНЦА РАН системы цифрового управления земледелием посвящена работа [6]. Разработке облачной системы “Smart Farming” - работа [12]. Результаты развития работ по цифровизации земледелия коллективом ВНИИ земледелия и защиты почв от эрозии представлены в статье [5]. Попыткой решения актуальной задачи преодоления разрыва между научными знаниями и практическим опытом фермеров является комплексная платформа OpenAg [21]. В работе [17] описана гибридная архитектура AGRARIAN. Другая гибридная система поддержки принятия решений представлена в работе [18].

Проблемы применения нейронных сетей для прогнозирования урожайности сельскохозяйственных культур рассмотрены в работе [14]. В работе [4] показано, что интеграция нейросетевых алгоритмов и технологий больших данных позволяет улучшает процесс принятия решений. Обзор применения сверточных нейронных сетей (CNN) в Agriculture 5.0 – следующим этапе развития цифровизации АПК – приведён в работе [19].

Тем не менее, несмотря на существующее разнообразие технического и программного обеспечения, информационное наполнение остается на низком уровне из-за фрагментарности систем и недостатка данных. Имеющаяся технологическая и архитектурная разобщенность информационных систем сдерживает внедрение цифровых технологий в АПК. Остаются открытыми вопросы масштабирования разработок. Требуется комплексная система информационного обеспечения.

Цель исследований – на основе рассмотрения управляющих действий сельхозтоваропроизводителя определить структуру информационных блоков и схему их взаимодействия для автоматизации процесса принятия агротехнологических решений при производстве зерновых культур.

Методы исследований. Применен метод информационного моделирования как наиболее адаптивного инструмента анализа исследуемого процесса для разработки информационной модели, описывающей существенные свойства объекта и его связи и зафиксированной на информационном носителе, что служит научно обоснованной базой для формирования структурной схемы информационного агротехнологического комплекса на основе интеграции данных и информационных технологий. Методический подход основан на реализации практической схемы действий сельхозтоваропроизводителя (СТП) при возделывании зерновых культур. Очевидно, что СТП при производстве зерна является основным звеном процесса принятия решений – он находится в режиме постоянного поиска и необходимости принятия различного уровня решений для достижения поставленных целей.

При обосновании структуры информационной системы исходили из реальной практики формирования этапов принятия агротехнологических решений. Процесс принятия агротехнологических решений включает в себя анализ данных, формулирование проблемы или цели, разработку и выбор оптимального варианта решений, а затем их реализацию и оценку результатов. Он основан на сборе и анализе информации о конкретных условиях поля, что позволяет принимать решения, учитывая неоднородность факторов, а также на экономической целесообразности и других критериях. Формирование структурной схемы сети для архитектуры системы принятия агротехнических решений представляет собой комплексный процесс, ориентированный на интеграцию искусственного интеллекта (ИИ) с традиционными информационными компонентами для повышения эффективности сельскохозяйственного производства.

Основные особенности включают модульность, гибридность подходов и концентрация на адаптивности, что позволяет комбинировать данные из различных источников для обоснованных рекомендаций. Модульность позволяет разделять систему на слои для независимого развития; адаптивность достигается через централизованное обучение и наличие многоагентных систем; фактор реального времени требует надежной сетевой инфраструктуры. Гибридная система включает нейронные сети для анализа данных, экспертные системы для логических выводов на основе правил, базы данных для хранения сенсорной информации и базы знаний для аккумуляции экспертизы.

Результаты исследований. На основе информационного моделирования разработана обобщенная схема интеграции агрономических данных и информационных технологий, которая представлена на рис. 1

Предлагаемый подход организует взаимодействие информационных и материальных ресурсов в единую экосистему поддержки принятия решений для сельскохозяйственного товаропроизводителя. На верхнем уровне система инициируется объектом производства (полем или агрегированной единицей управления), характеристики которого определяют специфику последующей обработки.

Рисунок 1– Обобщенная схема интеграции агрономических данных и информационных технологий

Первичное звено информационного слоя образуют датчики и системы мониторинга, интегрированные с сетевым слоем для автоматизированного сбора и передачи данных о состоянии объекта. Собранные данные поступают в гибридный модуль обработки информации, реализующий комплексный анализ данных мониторинга с применением современных цифровых технологий. На этом этапе работает система поддержки принятия решений, которая на основе поставленной задачи определяет набор альтернативных управленческих решений, формируемых в модуле отчета. Модуль формирования отчётности, использующий технологии Tableau и Power BI, преобразует результаты анализа в наглядные визуальные представления, облегчая интерпретацию сложных зависимостей и трендов. Выходные отчёты направляются как на интерфейс пользователя для информирования, так и в модуль реализации для документирования принятых решений.

Интерфейс пользователя выступает связующим звеном между автоматизированной системой и сельским товаропроизводителем (пользователем), обеспечивая трансляцию сформированных альтернативных решений в доступном для восприятия виде. Через данный интерфейс пользователь имеет возможность уточнить задачи или откорректировать предложенные варианты в соответствии с актуальными условиями. Блок реализации и исполнения замыкает цикл управления, трансформируя решения товаропроизводителя в конкретные агрономические и организационные действия, воздействующие на объект управления. Обратная связь от реализованных мер вновь поступает в систему мониторинга, обеспечивая непрерывный цикл оптимизации управления.

Информационные ресурсы (отмеченные звёздочкой) охватывают интеграцию цифровых технологий сбора, передачи, анализа, обработки и представления информации. Материальные ресурсы (отмеченные двойной звёздочкой), включающие финансовые, технические, семенные, удобрительные компоненты, средства энергообеспечения и защиты растений, образуют физическую основу реализации принятых решений и обеспечивают их практическую эффективность.

Информационная инфраструктура системы мониторинга строится на многоуровневой архитектуре, начиная с прямого взаимодействия с объектом производства (полем). Слой сенсоров и датчиков, схема которого приведена на рис. 2, образует первичный интерфейс между физическими явлениями в агроценозе и цифровой информационной средой.

Сенсорные узлы (Sensor Nodes) обеспечивают локальное измерение ключевых агрономических параметров. В состав почвенных датчиков входят приборы для измерения влажности почвы (Soil Moisture), значений pH и концентраций элементов питания, а также температуры почвенного слоя. Датчики оборудования осуществляют GPS-позиционирование техники, мониторинг скорости и расхода топлива, а также регистрацию эксплуатационных параметров машин (вибрации, нагрузки, крутящего момента).

Внешние источники данных дополняют наземные измерения спутниковой информацией и дистанционным зондированием. Система интегрирует спутниковые снимки (Sentinel, Landsat), аэрофотограмметрические данные, полученные беспилотными летательными аппаратами (БПЛА / UAV), а также данные погодных сервисов через API (Weather APIs). Метеостанции в составе системы локально регистрируют температуру и влажность воздуха, осадки, направление и скорость ветра, а также интенсивность солнечной активности. Все многоэлементные потоки данных сходятся в сетевом слое - системе сбора и передачи информации. На этом уровне промежуточные контроллеры и IoT-шлюзы координируют работу распределённых датчиков. Аналого-цифровые преобразователи (ADC) транслируют аналоговые сигналы датчиков в цифровой формат. Беспроводные протоколы (LoRa, Zigbee, Wi-Fi, 5G) обеспечивают надежную передачу данных с полей на центральный узел.

Локальное буферизирующее хранилище позволяет накапливать данные в условиях временных сбоев связи Следующий этап - предварительная обработка и фильтрация данных. На этом этапе применяются стандартные методы проверки качества информации: калибровка показаний приборов, удаление выбросов и аномальных значений, агрегация данных по временным интервалам, приведение к единому формату представления. Результат полной цепи первичной обработки - данные мониторинга, готовые для комплексного анализа, статистической обработки и использования в системах поддержки принятия решений.

Расширенная схема гибридного модуля обработки данных, использующего данные мониторинга из сетевого и сенсорного блоков приведена на рис. 3

Входной слой модуля получает данные из двух основных источников: датчиков мониторинга в режиме реального времени и предварительно обработанных потоков информации со слоя сбора и передачи данных. Шлюз данных выполняет нормализацию, валидацию и маршрутизацию входящих потоков на основе их типов и параметров для В 73

последующей обработки в специализированных вычислительных модулях.

Вычислительное ядро (Core Engine) представляет собой интегрированную среду обработки информации, состоящую из трёх взаимодополняющих подсистем.

ML Engine реализует комплекс методов машинного обучения и статистического анализа для распознавания скрытых закономерностей в данных мониторинга. В его состав входят алгоритмы прогнозирования уровня будущего урожайности на основе текущих и исторических данных, методы выявления фитопатогенных угроз и заболеваний культур, а также процедуры кластеризации территории поля для выделения микрозон с различными агрономическими потребностями.

Knowledge Engine (семантический блок) осуществляет логическую интерпретацию результатов аналитических вычислений с использованием формализованных знаний предметной области. Компонент включает базы знаний и онтологии агросистем, реализует механизмы логического вывода и применяет правила принятия решений в формате условных утверждений типа "Если-То" для трансформации аналитических результатов в практические рекомендации. Вывод альтернативных решений (MDM — Multi-Dimensional Model) объединяет результаты всех трёх вычислительных модулей и генерирует множество допустимых управленческих альтернатив с их оценками по различным критериям качества и эффективности. Результаты включают как технологические рекомендации, так и экономические прогнозы:

– технологическая карта (план действий) представляет собой практическое руководство для агрономов и операторов техники, содержащее детальный список требуемых операций, нормы внесения удобрений, биопрепаратов и прочих средств защиты, а также рекомендации по выбору и применению необходимого оборудования;

– прогноз ключевых показателей эффективности обеспечивает количественные оценки ожидаемых результатов принятия предложенных решений. Компонент включает анализ ожидаемой окупаемости инвестиций, оценку рисков с доверительными интервалами и прогноз экономической прибыльности операций.

Для непрерывного совершенствования системы предусмотрены обратные связи в две стороны: результаты реализации решений на объекте производства вновь поступают в шлюз данных для переобучения аналитических моделей, а выявленные новые знания и принципы интегрируются в Knowledge Engine.

Система также поддерживает облачные вычисления для масштабирования мощностей обработки данных и централизованное хранилище решений (банк решений), обеспечивающее долгосрочное накопление и переиспользование опыта управления. Интерфейс пользователя трансформирует множество вычисленных альтернатив в удобный для восприятия формат, позволяя сельскому товаропроизводителю осуществить окончательный выбор и постановку конкретной задачи для реализации на поле.

Таким образом, система обеспечивает замкнутый цикл обработки информации от сбора первичных данных до принятия и реализации обоснованных управленческих решений при производстве растениеводческой продукции.

С применением элементов предложенного подхода к интеграции агрономических данных и информационных технологий разработан программный комплекс СТАМАТ по выбору технологий и технических средств при производстве продукции растениеводства.

Объект / Поле

Слой сенсоров и датчиков

Сенсорные узлы (Sensor Nodes)

Внешние источники

Почвенные датчики

Влажность почвы (Soil Moisture) pH и питательные вещества Температура почвы

Спутниковые данные (Sentinel, Landcast)

Дроны / UAV для аэрофотосъёмки API метеосервисов (Weather APIs)

Датчики оборудования

Метеостанции

GPS / Позиционирование (на технике)

Скорость, расход топлива

Состояние машин (вибрация, нагрузка, мощность, крутящий момент

Температура воздуха

Влажность, осадки, ветер

Солнечная активность

Системы сбора и передачи информации (Сетевой слой)

IoT-шлюзы / Контроллеры

ADC (Аналого-цифровые преобразователи) Беспроводные сети (LoRa, Zigbee, Wi-Fi, 5G) Локальное хранение (буфер)

Предобработка и фильтрация данных

(Калибровка, Удаление шума, Агрегация данных, Форматирование)

Рисунок 2- Расширенная схема сенсорного и сетевого слоев

Рисунок 3 -Расширенная схема гибридного модуля обработки данных

Программа позволяет выбирать технологии возделывания зерновых культур в различных почвенно-климатических зонах исходя из уровня ресурсной обеспеченности хозяйства; подбирать варианты использования технических средств с использованием экономико-математической модели для различных технологий производства сельскохозяйственных культур в предприятии, рассчитать эксплуатационные затраты, определить количественный состав требуемой техники и механизаторов для выполнения заданного объема работ, формировать технологические карты на основе выбранной технологии с выбранным вариантом технических средств [2, 3].

Выводы и обсуждение. В результате исследований показано, что современные цифровые информационные технологии играют ключевую роль в поддержке принятия агротехнологических решений, открывают новые возможности для сельхозпроизводства. Они позволяют более точно и оперативно анализировать данные, прогнозировать результаты и принимать обоснованные решения. Это особенно важно в условиях изменяющихся климатических условий и растущих требований к устойчивому развитию сельского хозяйства.

На основе метода информационного моделирования разработана схема интеграции агрономических данных и информационных технологий, обеспечивающая взаимодействие информационных и материальных ресурсов в единой экосистеме поддержки принятия агротехнологических решений. Она позволяет учитывать множество факторов, влияющих на агротехнологические процессы, и адаптировать решения под конкретные условия.

Обосновано применение в составе системы слоя сенсоров и датчиков, интегрированного с сетевым слоем для автоматизированного сбора и передачи данных о состоянии объекта. Эти данные поступают в гибридный модуль обработки информации, реализующий комплексный анализ данных мониторинга с применением современных цифровых технологий. В результате система поддержки принятия решений формирует технологические рекомендации и экономические прогнозы, основываясь на поставленной задаче.

Принципы построения модели использовались при разработке программного комплекса автоматизированного выбора агротехнологий и технических средств сельхозпредприятия, тестовые испытания которого, проведенные на модельных хозяйствах, подтвердили возможность его использования по назначению.

Дальнейшие исследования могут быть направлены на улучшение алгоритмов обработки данных, интеграцию с другими информационными системами и расширение функционала программного комплекса. Также перспективным направлением является разработка мобильных приложений для оперативного доступа к информации и принятия решений на местах.