АНАЛИЗ МЕТОДОВ ПРИМЕНЕНИЯ МАШИННОГО ОБУЧЕНИЯ В СЕЛЬСКОХОЗЯЙСТВЕННОЙ ОТРАСЛИ

ANALYSIS OF MACHINE LEARNING APPLICATION METHODS IN THE AGRICULTURAL SECTOR

Yuliya Zorina

student, Department of electrical and electronics engineering, Don State Technical University,

Russia, Rostov-on-Don

АННОТАЦИЯ

Успешное ведение сельского хозяйства сводится к принятию сложных решений, основанных на взаимосвязях множества переменных, включая характеристики сельскохозяйственных культур, почвенные условия, изменение климата и многое другое. Традиционно стратегии ведения сельского хозяйства применялись ко всему полю или, в лучшем случае, к его части. Машинное обучение в сельском хозяйстве обеспечивает гораздо более высокую точность, позволяя фермерам обрабатывать растения и животных практически индивидуально, что, в свою очередь, значительно повышает эффективность принимаемых фермерами решений.

ABSTRACT

Successful farming comes down to making complex decisions based on the interrelationships of many variables, including crop characteristics, soil conditions, climate change, and more. Traditionally, farming strategies have been applied to the entire field or, at best, to a part of it. Machine learning in agriculture provides much higher accuracy, allowing farmers to process plants and animals almost individually, which, in turn, significantly increases the efficiency of decisions made by farmers.

Ключевые слова: машинное обучение; сельское хозяйство; селекция.

Keywords: machine learning; agriculture; breeding.

Агрономия, селекция и биотехнология включают методы, которые помогают улучшить сельскохозяйственные операции и результаты, включая управление водными ресурсами и почвой, оптимизацию гибридных растений и устойчивое агрохимическое производство, и применение.

С помощью машинного обучения, анализа осадков и испарения (процесса, посредством которого вода переходит из почвы и транспирации растений в атмосферу) технологи разрабатывают более эффективные процедуры управления ресурсами и ирригационные системы.

По данным Всемирного банка, 70% мировых запасов пресной воды приходится на орошение. Управление водными ресурсами становится особенно актуальным для регионов, где дожди бывают редко. Однако более серьезная проблема здесь касается окружающей среды, поскольку население мира и потребности в продовольствии растут. Управление водными ресурсами постепенно становится глобальной проблемой, и интеллектуальные ирригационные инструменты на базе машинного обучения могут помочь смягчить эту проблему [1, c. 108].

Усовершенствованные инструменты машинного обучения подключены к различным полевым датчикам или спутникам, которые анализируют температуру почвы, влажность и уровень питания, а также прогнозируют погодные условия. При достаточном количестве данных, которые легко распределяются между подключенными устройствами, система орошения становится интеллектуальной и автоматической, что делает использование воды максимально эффективным и снижает затраты усилий, необходимые в процессе.

Машинное обучение одинаково хорошо применимо для анализа данных о состоянии почвы, включая уровень влажности, температуру и химический состав, все из которых оказывают влияние на рост сельскохозяйственных культур и благополучие скота [2, c. 156].

Обычно фермеры распределяют равное количество пестицидов на метр квадратный. Такое нерациональное использование ресурсов не только существенно влияет на бюджет фермеров, но и нарушает флору и фауну, сокращая количество видов-опылителей.

Инструменты машинного обучения в сочетании с программным обеспечением для анализа изображений могут анализировать уровни эрозии почвы и состояние здоровья отдельных культур. Полученные данные затем используются для определения того, какие именно районы поля заражены, что позволяет фермерам использовать пестициды именно там, где это необходимо. Такая обработка может оказать огромное воздействие на окружающую среду.

Как и у людей, особенности растений определяются их генами. Некоторые гены помогают растениям лучше усваивать воду и питательные вещества, чем другие, в то время как другие помогают им более эффективно бороться с болезнями. Некоторые гены даже влияют на то, как растение может в конечном итоге ощущаться на вкус.

Оценивая массу данных о производительности растений в различных условиях с течением времени, алгоритмы машинного обучения помогают ученым оптимизировать идентификацию биотехнологических признаков, необходимых для повышения урожайности, учитывая вероятность воздействия вредных факторов окружающей среды, таких как неблагоприятные погодные условия и популяции насекомых, в данный сезон. Такое оптимизированное использование также может повысить долговечность этих чрезвычайно полезных и дорогостоящих биотехнологических свойств за счет снижения накопления устойчивости.

Подводя итог, машинное обучение помогает ученым делать прогнозы относительно того, какие комбинации генов приведут к желательным чертам у новых растений, обеспечивая отличную отправную точку для разработки более выносливых видов растений [3, c. 67].

Одной из сильных сторон технологии машинного обучения является прогностический анализ. Компании, которые разрабатывают химические и биохимические продукты для фермеров, такие как пестициды, средства для лечения болезней сельскохозяйственных культур, антибиотики, микробиологические препараты и многое другое, полагаются на машинное обучение, чтобы помочь им в обеспечении максимальной эффективности продукта и минимизации воздействия продуктов, которые они размещают на рынке.

Мобильное приложение, способное предоставлять фермерам диагностику заболеваний растений в режиме реального времени, также предоставляет рекомендации по продуктам, затем может быть обработано с помощью цифровых процессов с поддержкой машинного обучения, а дроны-распылители, запрограммированные для распознавания тех культур, которые требуют обработки, могут точно определить доставку необходимых продуктов на нужные растения, не задевая соседние, здоровые растения [4, c. 384].

Список литературы:

1. Rhee J. Meteorological drought forecasting for ungauged areas based on machine learning: Using long-range climate forecast and remote sensing data / J. Im //Agricultural and Forest Meteorology / Rhee, J.; Im, J. // 2017. – Volumes 237–238. – Pages 105-122.
2. Nahvi B. Using self-adaptive evolutionary algorithm to improve the performance of an extreme learning machine for estimating soil temperature / J. Habibi, K. Mohammadi, S. Shamshirband, O.S. Al Razgan // Computers and Electronics in Agriculture. – 2016. – Volume 124. – Pages 150-160.
3. Vishal Meshram Machine learning in agriculture domain: A state-of-art survey / Kailas Patil, Vidula Meshram, Dinesh Hanchate, S.D. Ramkteke // Artificial Intelligence in the Life Sciences. – 2021. – Volume 1. – 100010.
4. Konstantinos G. Liakos Machine Learning in Agriculture: A Review / Patrizia Busato, Dimitrios Moshou , Simon Pearson, Dionysis Bochtis // Sensors (Basel) 2018. – 14, 18 (8). – 2674 c.