Аннотация. 

В статье представлен подход к созданию информационных систем для цифрового земледелия, позволяющих на базе информационных технологий и интеллектуальных прогнозирующих моделей более рационально планировать использование земель, расходовать удобрения и горючее, что снижает себестоимость производимой продукции и повышает эффективность сельскохозяйственного производства. Кроме того, может быть достигнут долгосрочный агрономический и экологический эффект - за счет более бережной обработки почвы и уменьшения применения азотных удобрений. Разработаны принципы создания базы знаний и построения моделей урожайности зерновых культур в зависимости от режима внесения минеральных удобрений на основе интеллектуальных алгоритмов  идентификации, а также моделей прогнозирования цен на продукцию цифрового земледелия. 

Ключевые слова: 

цифровое земледелие, мягкие датчики, прогнозирующие модели, управление знаниями. 

Стр. 85-98.

DOI 10.14357/20718632200208 

 

 

Литература

1. Vapnik V. Estimation of Dependences Based on Empirical Data. Springer, 2006.

2. A. Chervonenkis Reconstruction of conditional distribution field based on empirical data. In the book Soft Computing Systems (Design, Management and Application). Edited by Ajith Abraham, Javier Ruiz-del-Solar and Mario Koppen). IOS Press, 2002. Pp.462-469.

3. Bakhtadze, Natalia; Lototsky, Vladimir; Vlasov, Stanislav; Sakrutina, Ekaterina, Associative Search and Wavelet Analysis Techniques in System Identification // IFAC Proceedings Volumes. Series Title: System Identification, 2012. Vol. 16 | Part 1. Pp.1227-1232. ISSN: 1474-6670. ISBN: 978-3-902823-06-9.

4. Bakhtadze N., Pyatetsky V, Lototsky V. Knowledge-Based Models of Nonlinear Systems Based on Inductive Learning / New Frontiers in Information and Production Systems Modeling and Analysis: Incentive Mechanisms, Competence Management, Knowledge-based Production. Heidelberg: Springer, 2016. Pp. 85-104.

5. Bakhtadze N., Pyatetsky V, Sakrutina E.Predicting Oil Product Properties with Intelligent Soft Sensors // IFACPapersOnLine. 2017. Vol. 50, N1. Pp. 14632–14637.

6. Bakhtadze, N., Maximov, E., Donchan, D., Maximova, N.E., Kozlovskaya, L. Innovation and knowledge management in precision farming // Proceedings of the 12th IADIS International Conference on Information Systems (Utrecht, Netherlands, 2019). Utrecht, Netherlands: International Association for Development of the Information Society, 2019. Pp. 265-270.

7. Артюшин А.М, Державин Л.М. Краткий справочник по удобрениям. М.: Колос, 1984. – 208 с.

8. Смирнов П.М., Муравин Э.А. Агрохимия. М.: Колос, 1977. 240 с.

9. Губанов Я.В., Иванов Н.Н. Озимая пшеница. М.: Агропромиздат, 1988. 303 с.

10. Просянникова О.И., Просянников В.И. Коэффициенты использования фосфора и калия из почвы зерновыми культурами // Агрохимический вестник. 2009. № 6. С. 7-8.

11. Пигорев И.Я., Семыкин В.А. Содержание элементов питания в растениях и вынос их с урожаем озимой пшеницы // Современные проблемы науки и образования. 2007. № 2. С. 38-40.

12. Радикорская В.А., Фокин С.А. Влияние доз и соотношение минеральных удобрений на рост и развитие яровой пшеницы // Дальневосточный аграрный вестник. 2010. № 1 (13). С. 14-17.

13. Варламов В.А. и др. Вынос NPK пшеницей и ячменем на дерново-подзолистой тяжелосуглинистой почве ЦРНЗ РФ // Плодородие. 2012. № 2. С. 12-14

14. Зинковская Т.С. Коэффициент использования азота удобрений озимой рожью и ячменем на дерново-подзолистой осушаемой почве // Международный научно-исследовательский журнал. 2015. № 3 (34), Часть 2. С. 20-21

15. Дзюин Г.П., Дзюин А.Г. Коэффициенты использования азота, фосфора и калия из минеральных удобрений, навоза и почвы культурами севооборота // Международный журнал экспериментального образования. 2016. № 5. С. 83-90.