Применение машинного обучения при организации адаптивно-ландшафтных систем земледелия

This is an open access article distributed under the terms of the Creative Commons Attribution 4.0 International License

Ликнина А.В. Вестник ВГУИТ, 2023, Т. 85, №. 4, С. 128-132 Введение

В настоящее время цифровые технологии играют все большую роль во многих сферах жизни. Машинное обучение стало неотъемлемой частью многих отраслей, включая сельское хозяйство. С помощью алгоритмов обучения сельхозтоваропроизводители могут оптимизировать многие процессы ведения производства, повысить продуктивность угодий и качество получаемой продукции, а также снизить затраты и себестоимость. Вместе с тем, на современном этапе развития агропромышленного комплекса в России доля программных продуктов с элементами предиктивной аналитики занимает очень скромные позиции, несмотря на значительные перспективы применения. Анализ имеющихся цифровых решений показывает, что существует ограниченное число компаний, предлагающих подобные разработки, а в условиях необходимости обеспечения технологического суверенитета и необходимости импортозамещения на отечественном рынке существует острая нехватка информационных систем с интеграцией искусственного интеллекта. По оценкам аналитиков, массовое внедрение машинного обучения способно увеличить долю валовой добавленной стоимости в ближайшие 5 лет на 25 % в растениеводстве, и до 14 % в животноводстве. Однако, подобный прогноз является оптимистическим сценарным вариантом развития. В наиболее вероятностном варианте показатели будут в два раза ниже, а при пессимистическом – увеличение произойдет не более чем на 3,8 % в отрасли растениеводства, и до 0,4 % в отрасли животноводства. Такие показатели объясняются тем, что помимо недостаточного предложения на рынке программных средств, сельское хозяйство традиционно считается одной из наиболее консервативных областей в плане внедрения инноваций. Еще одной проблемой является кадровый дефицит работников столь сложной специализации и низкий уровень заработной платы в данном секторе. Именно поэтому разработка интеллектуальных решений и акселерация даже небольших проектов должна получить большую поддержку со стороны государства при реализации политики цифровой трансформации.

Авторами выполнялись исследования, связанные с возможностью применения машинного обучения при организации адаптивно-ландшафтных систем земледелия. Поскольку в результате все возрастающей антропогенной нагрузки земельные угодья подвергаются различным деградацион-ным процессам, при этом сохранение и восстановление плодородия почв является основной задачей для обеспечения высокой урожайности и сохранения биоразнообразия. Подход ведения сельского хозяйства, базирующийся на учете особенностей рельефа, климата, агрофаций, лежащий в основе эколого-ландшафтного земледелия, должен учитывать большое количество параметров, таких как оценка состояния почвы и растений, посевные площади, частота их обработки, количество вносимых минеральных и органических удобрений, обработка гербицидами и инсектицидами и многое другое. С учетом современных возможностей генетических алгоритмов, разработка информационной системы, позволяющей на основе предиктивного анализа, подобрать оптимальное решение для организации севооборотов, является одним из перспективных методов оптимизации управления системами земледелия.

Материалы и методы

В ходе выполнения проектирования информационной системы была поставлена задача реализации модуля предиктивной аналитики. Для достижения поставленной цели на основе методов системного анализа и математического моделирования, были решены следующие задачи:

• 1.    Проектирование и разработка web-приложения, представляющего собой платформу для интеграции обособленных модулей;

• 2.    Разработка приложения, формирующего наборы данных, для обучения нейросети;

• 3.    Проектирование и разработка прототипа web-сервиса предиктивной аналитики картографических изображений земельных угодий сельскохозяйственного назначения;

• 4.    Графическое представление web – приложения;

• 5.    Проектирование и разработкf интеллектуального помощника для обработки типовых вопросов.

Были проанализированы представленные на рынке решения как зарубежных, так и отечественных разработчиков, среди которых ArcGis, MapInfo, ГеоСкан, QGis и др. В ходе проведенного анализа программных средств были отмечены следующие недостатки:

• 1.    Закрытая архитектура программных продуктов.

• 2.    Не все модули обладают программными интерфейсами.

• 3.    Высокая цена программного продукта.

• 4.    Централизованное распространение программных продуктов.

• 5.    Отсутствие инструментов и готового решения для определения типа агроландшафтов на основе картографического материала.

• 6.    Низкий уровень интеграций технологий компьютерного зрения в существующие модули решения задач на основе картографического материала.

На основе описанных недостатков рассмотренных программных продуктов был сформирован ряд требований к проектируемому программного решению.

Предъявляемые требования к программному модулю анализа типов агроландшафтов:

• •    возможность определения типов агроландшафта на основе компьютерного зрения;

• •    наличие API.

Предъявляемые требования к программному модулю для подготовки изображений:

• •    открытый исходный код;

• •    наличие API;

• •    наличие документации;

• •    формирование наборов данных на основе группы объектов.

На основе описанных требований были сформированы задачи по проектированию и реализации разрабатываемого программного решения.

Задача формирования наборов данных на основе картографического материла агроландшафтов, а также разработка модуля предиктивной аналитики основывалась на разработке следующих элементов:

• •    Компонент для обработки изображений.

• •    Компонент для отображения интерфейса.

• •    Компонент для подготовки данных к обучению нейронной сети.

Результаты и обсуждение

Иными словами, разрабатываемая система должна уметь оптимизировать загруженный картографический материал, представляющий собой электронный вариант (сканированное изображение конкретного земельного участка обычной бумажной карты или экспортируемое изображение из геоинформационной системы в заданном масштабе) и определять к какому типу агроландшафта можно отнести данный участок, для того, чтобы в дальнейшем подобрать оптимальный вариант севооборота и те культуры, которые целесообразно на нем возделывать, как с точки зрения сохранения плодородия земель, так и с точки зрения получения максимальной продуктивности возделываемой сельскохозяйственной культуры.

Согласно методике, предложенной профессором Лопыревым М.И., агроландшафты можно разделить на 5 основных типов. Для каждого из типов имеются собственные рекомендации по возделываемым сельскохозяйственным культурам. Таким образом, была разработана нейронная сеть, которая с достаточной достоверностью определяла тип агроландшафта конкретного участка, и на основе этого типа сельхозтоваропроизводитель с помощью модуля рекомендательного сервиса имел возможность выбрать оптимальные культуры для выращивания. Для обучения разработанной нами модели, использовались стандартные библиотеки, такие как NumPy, Matplotlib, ОреnСV, Tensorflow и ряд других.

Данный механизм преобразует решение, представленное системой, в формат обозначенный протоколом обмена сообщениями. Рассмотрим типовые входные данные и результат, отправленный сервисом (рисунки 1, 2):

Рисунок 1. Изображение, отправленное пользователем

Figure 1. User Submitted Image

Рисунок 2. Итоговое изображение

Figure 2. Final image

На данном изображении обозначенные области отмечены цветами: зеленый – это тип агроландшафта в общей классификации типов представленный I и II типами, красный – тип агроландшафта представленный III, IV и V типом.

Заключение

В результате выполнения работы была разработана информационная система с интегрированным модулем распознавания типа агроландшафта и на его основе рекомендаций по подбору оптимального вида и структуры севооборота. Данное программное решение позволяет повысить продуктивность сельскохозяйственных угодий, что способствует увеличению урожайности культур и, в конечном счете, отвечает стратегической задаче обеспечения продовольственной безопасности государства. Очевидно, что для дальнейшей работы с предложенным продуктом не предъявляется специализированных требований к квалификации персонала, а даже

Ликнина А.В. Вестник ВГУИТ, 2023, Т. 85, №. 4, С. 128-132 может быть использовано рядовыми работниками как крупных агрохолдингов, представителями органов муниципальной и государственной власти в области агропромышленного сектора, так и сотрудниками небольших хозяйств за счет простоты и интуитивно понятного интерфейса.

Статья публикуется при грантовой поддержке Федерального агентства по делам молодёжи (Росмолодёжь) Соглашение № 091–10–2023–069 от 23.05.2023 г. проект «Наука рядом».