Печать

PDF Скачать статью в pdf.

DOI: 10.15507/2658-4123.035.202503.489-512

EDN: https://elibrary.ru/bhcaov

УДК 630*424.6

 

Эффективность дифференцированного внесения азотных удобрений с использованием модели искусственного интеллекта

 

Труфляк Евгений Владимирович
доктор технических наук, профессор, заведующий кафедрой эксплуатации и технического сервиса Кубанского государственного аграрного университета (350044, Российская Федерация, г. Краснодар, ул. Калинина, д. 13), ORCID: https://orcid.org/0000-0002-4914-0309, Researcher ID: D-1301-2018, Scopus ID: 57188716454, Этот адрес электронной почты защищён от спам-ботов. У вас должен быть включен JavaScript для просмотра.

Рагозин Леонид Викторович
вице-президент группы компаний «Прогресс Агро» (352330, Российская Федерация, г. Усть-Лабинск, ул. Мира, д. 77), ORCID: https://orcid.org/0009-0005-7547-7895, Этот адрес электронной почты защищён от спам-ботов. У вас должен быть включен JavaScript для просмотра.

 

Аннотация
Введение. Озимая пшеница – ключевая зерновая культура, продуктивность которой во многом определяется оптимальным азотным питанием. Оптимизация азотного питания озимой пшеницы в современных условиях крупного агрохолдинга требует дифференцированного внесения удобрений, однако агрономы сталкиваются с проблемой выбора доз и отсутствием комплексных, валидированных методик применительно к большому количеству полей. Существующие подходы не учитывают всего спектра факторов, что затрудняет принятие решений. Разработка методов валидации и моделей искусственного интеллекта для дифференцированного внесения азотных удобрений критически актуальна для повышения продуктивности и эффективности возделывания озимой пшеницы. Проблемой является отсутствие методов валидации и модели дифференцированного внесения азотных удобрений в работе нейросети для оптимизации процессов возделывания озимой пшеницы и повышения производительности сельскохозяйственных угодий.
Цель исследования. Разработка и внедрение технологии дифференцированного внесения азотных удобрений для оптимизации процессов возделывания озимой пшеницы.
Материалы и методы. Выполнялся сравнительный полевой эксперимент на полях АО «Рассвет» Усть-Лабинского района Краснодарского края дифференцированного внесения азотных удобрений (две подкормки). Для проведения исследований выбраны два поля с озимой пшеницей площадью 83 и 68 га. Каждое поле было разделено на три варианта: российская схема – в зону низкой продуктивности вносилось больше удобрений, европейская схема – в зону низкой продуктивности вносилось меньше удобрений, хозяйственная схема – единая доза удобрений. Разрабатывалась LSTM-модель на основе усредненных вегетационных индексов (EVI, NDWI, REP, SR) со спутниковых снимков Sentinel-2 за девять месяцев. Для увеличения обучающей выборки была предпринята попытка синтезирования данных на пиксельном уровне, а итоговые прогнозы продуктивности сглаживались и конвертировались в карты-задания для дифференцированного внесения удобрений с нормами, рассчитанными по исторической корреляции. Лабораторные исследования отбора растений проводились в Кубанском ГАУ и на опытной станции учебно-опытного хозяйства «Кубань». Объектом исследования являлся технологический процесс дифференцированного внесения удобрений по модели искусственного интеллекта и его влияние на вегетацию, урожайность и качественные показатели озимой пшеницы.
Результаты исследования. Диапазон урожайности озимой пшеницы (комбайновой и биологической) по российской схеме на первом поле составил 90,9...101,5 ц/га; европейской схеме – 89,2...96,4 ц/га; хозяйственной схеме – 89,9...90,9 ц/га. На втором поле соответственно 87,4...99,6 ц/га; 92,4...98,5 ц/га; 87,8...93,6 ц/га. Усредненная урожайность по первому полю выше на 6,31 % по российской схеме и на 2,56 % по европейской схеме по сравнению с хозяйственной схемой. По второму полю выше на 5,25 % по европейской и на 3,08 % по российской по сравнению с хозяйственной схемой. Практически все исследованные варианты можно отнести к 3-му классу зерна. Увеличение натуры прямо пропорционально снижению содержания протеина и клейковины по обоим полям вариантов искусственного интеллекта. Содержание протеина по всем вариантам искусственного интеллекта (кроме варианта европейской схемы второго поля) ниже на 0,23–1,5 %. Содержание клейковины по всем вариантам искусственного интеллекта (кроме варианта европейской схемы второго поля) ниже на 0,53–3,3 %. Натура по вариантам искусственного интеллекта выше на 0,33–1,6 %. Содержание клейковины по всем вариантам искусственного интеллекта (кроме варианта европейской схемы  второго поля)  ниже на  0,53–3,3 %.
Обсуждение и заключение. Экономический анализ хозяйства по комбайновой урожайности показал, что при использовании европейской технологии производственные затраты снизились на 400 тыс. руб. по сравнению с контрольной схемой, а затраты на удобрения уменьшились на 2 567 руб. с одного гектара. Выручка с одного гектара увеличилась на 6 401 руб. и условной прибыли на 9 546 руб. Валовая прибыль также увеличилась на 150 тыс. руб., а рентабельность выросла на 5,3 % по сравнению с контрольной схемой. Результаты предложенных методов валидации и созданной модели дифференцированного внесения азотных удобрений использовались в работе нейросети. Эффективность работы нейросети оценена в реальных условиях сельского хозяйства по урожайности путем создания шкалы работы по отношению с существующими методами внесения удобрений (повышение урожайности от 2,56 до 6,31 %). Представленные результаты полевых экспериментов демонстрируют высокую практическую значимость предложенной технологии дифференцированного внесения азотных удобрений, которая требует проверки производственных испытаний на большем количестве полей. Перспективы исследования включают дальнейшее расширение площади применения разработанной технологии и ИИ-модели. Дальнейшее совершенствование нейросетевой модели предполагает интеграцию более широкого спектра динамических данных и использование ее не только на азотной подкормке, но и основном внесении удобрений. Это позволит повысить адаптивность модели к изменяющимся условиям вегетации и принимать управленческие решения в более короткие сроки. В конечном итоге, данное исследование закладывает основу для создания комплексных цифровых платформ управления агроценозами, где ИИ-модели будут играть ключевую роль в оптимизации всех этапов сельскохозяйственного производства.

Ключевые слова: дифференцированное внесение удобрений, NDVI, искусственный интеллект

Благодарности: авторы благодарят за поддержку при реализации проекта фонд Сколково и ООО «ПрофАгро».

Конфликт интересов: авторы заявляют об отсутствии конфликта интересов.

Для цитирования: Труфляк Е.В., Рагозин Л.В. Эффективность дифференцированного внесения азотных удобрений с использованием модели искусственного интеллекта. Инженерные технологии и системы. 2025;35(3):489–512. https://doi.org/10.15507/2658-4123.035.202503.489-512

Вклад авторов:
Е. В. Труфляк – контроль, лидерство и наставничество в процессе планирования и проведения исследования; осуществление научно-исследовательского процесса, включая выполнение экспериментов и сбор данных; создание и подготовка рукописи: визуализация результатов исследования и полученных данных.
Л. В. Рагозин – административное управление планированием и проведением исследования.

Все авторы прочитали и одобрили окончательный вариант рукописи.

Поступила в редакцию 07.02.2025;
поступила после рецензирования 29.04.2025;
принята к публикации 15.05.2025

 

СПИСОК ЛИТЕРАТУРЫ

  1. Личман Г.И., Батурин В.А., Марченко А.Н. Определение доз при дифференцированном внесении комплексных удобрений. Сельскохозяйственные машины и технологии. 2012;(3):35–37. https://elibrary.ru/oxupvv
  2. Беляев В.И., Садов В.В., Смышляев А.А., Кошелева Е.Д. Оценка эффективности точного земледелия при возделывании яровой пшеницы в Алтайском крае в 2022 и 2023 гг. Дальневосточный аграрный вестник. 2024;18(2):5–16. https://doi.org/10.22450/1999-6837-2024-18-2-5-16
  3. Абрамов Н.В., Шерстобитов С.В. Формирование зерна яровой пшеницы высокого качества при дифференцированном внесении азотных удобрений. Земледелие. 2024;(3):33–39. https://doi.org/10.24412/0044-3913-2024-3-33-39
  4. Альберт М.А., Галеев Р.Р., Ковалев Е.А. Совершенствование технологии дифференцированного внесения удобрений в лесостепи Новосибирского Приобья. Вестник НГАУ (Новосибирский государственный аграрный университет). 2022;(2):4–10. https://doi.org/10.31677/2072-6724-2022-63-2-4-10
  5. Якушев В.П., Якушев В.В., Блохина С.Ю., Блохин Ю.И., Петрушин А.Ф., Матвеенко Д.А. Перспективы использования гиперспектральной информации в задачах управления азотным режимом посевов зерновых культур. Современные проблемы дистанционного зондирования Земли из космоса. 2024;21(3):188–203. https://doi.org/10.21046/2070-7401-2024-21-3-188-203
  6. Ботвич И.Ю., Емельянов Д.В., Шевырногов А.П. Дифференцированное внесение удобрений на полях ОПХ «Курагинское» ФИЦ КНЦ СО РАН. Обработка пространственных данных в задачах мониторинга природных и антропогенных процессов (SDM-2023) : сб. тр. Всеросс. конф. с междунар. участием (22–25 августа 2023 г., г. Бердск). 2023:221–225. https://doi.org/10.25743/sdm.2023.39.68.037
  7. Truflyak E.V., Kurchenko N.Yu., Kuryan V.E., Mones D. Сomparative Tests of Differentiated Fertilizer Application for Wheat Using Task Cards and Nitrogen Scanner. In: E3S Web of Conferences. 2021;285:01016. https://doi.org/10.1051/e3sconf/202128501016
  8. Труфляк Е.В., Скубиев С. И., Цыбулевский В. В., Малашихин Н. В. Дистанционный мониторинг посевов риса и алгоритм выявления неоднородностей. Современные проблемы дистанционного зондирования Земли из космоса. 2019;16(3):110–124. https://doi.org/10.21046/2070-7401-2019-16-3-110-124
  9. Truflyak E.V., Dadou Mones M.Y., Truflyak I.S. Comparative Experiment on the Use of Unmanned and Ground-Based Technologie of Fertilizer and Crop Protection Products on Winter Barley. In: E3S Web of Conferences. 2023;398:01024. https://doi.org/10.1051/e3sconf/202339801024
  10. Sajindra H., Abekoon T., Jayakody J.A.D.C.A., Rathnayake U. A Novel Deep Learning Model to Predict the Soil Nutrient Levels (N, P, and K) in Cabbage Cultivation. Smart Agricultural Technology. 2024;7:100395. https://doi.org/10.1016/j.atech.2023.100395
  11. Singh S., Singh R., Singh K., Katoch K., Zaeen A.A., Birhan D.A., et al. Smart Fertilizer Technologies: An Environmental Impact Assessment for Sustainable Agriculture. Smart Agricultural Technology. 2024;8:100504. https://doi.org/10.1016/j.atech.2024.100504
  12. Khose S.B., Mailapalli D.R. Spatial Mapping of Soil Moisture Content Using Very-High Resolution UAV-Based Multispectral Image Analytics. Smart Agricultural Technology. 2024;8:100467. https://doi.org/10.1016/j.atech.2024.100467
  13. Zhang C., Yi Y., Wang L., Chen S., Li P., Zhang S., et al. Efficient Physics-Informed Transfer Learning to Quantify Biochemical Traits of Winter Wheat from UAV Multispectral Imagery. Smart Agricultural Technology. 2024;9:100581. https://doi.org/10.1016/j.atech.2024.100581
  14. Papadopoulos G., Mavroeidis A., Roussis I., Kakabouki I., Stavropoulos P., Bilalis D. Evaluation of Tillage & Fertilization in Carthamus Tinctorius L. Using Remote Sensing. Smart Agricultural Technology. 2023;4:100158. https://doi.org/10.1016/j.atech.2022.100158
  15. Jiang X., Sun S., Adamchuk V., Weisman G., Ramsay P., Rincon A.R. Spinach Yield Mapping Using Multispectral UAV Imagery. Smart Agricultural Technology. 2024;7:100389. https://doi.org/10.1016/j.atech.2023.100389
  16. Cavalaris C., Karamoutis C., Markinos A. Efficacy of Cotton Harvest Aids Applications with Unmanned Aerial Vehicles (UAV) and Ground-Based Field Sprayers – A Case Study Comparison. Smart Agricultural Technology. 2024;2:100047. https://doi.org/10.1016/j.atech.2022.100047
  17. Lago P.D., Vavlas N., Kooistra L., De Deyn G.B. Estimation of Nitrogen Uptake, Biomass, and Nitrogen Concentration, in Cover Crop Monocultures and Mixtures from Optical UAV Images. Smart Agricultural Technology. 2024;9:100608. https://doi.org/10.1016/j.atech.2024.100608
  18. Труфляк Е.В., Курченко Н.Ю. Оценка готовности регионов к внедрению цифровых технологий в сельское хозяйство. Вестник Самарского государственного экономического университета. 2019;(10):22–26. https://elibrary.ru/zoatgg

 

 

Лицензия Creative Commons
Контент доступен под лицензией Creative Commons Attribution 4.0 License.

Подробности
Просмотров: 14