Г.Н. Камышова1

1 Финансовый университет при Правительстве Российской Федерации (Москва, Россия)

Постановка проблемы. Орошаемое земледелие как часть аграрной отрасли приобретает все бóльшее значение вследствие изменений климата и возрастающей потребности в продуктах питания. При этом особенно важными становятся задачи оптимизации параметров, принимающих участие в планировании орошения. Использование прикладных нейросетевых моделей в задачах орошаемого земледелия - достаточно новое направление для российской аграрной отрасли, однако они все чаще применяются для их решения. В связи с этим актуальной является разработка новых подходов к применению нейросетевых моделей прогнозирования параметров, позволяющих оптимизировать орошение сельскохозяйственных культур.

Цель. Представить современные подходы к моделированию параметров водного баланса почв на основе искусственных нейронных сетей для оптимизации орошения сельскохозяйственных культур.

Результаты. Предложены нейросетевые модели прогнозирования параметров, принимающих участие в планировании орошения в российской мелиоративной практике. Проведен сравнительный анализ представленных моделей с классическими, применяемыми на практике орошении. Установлено, что оперативное планирование орошения при помощи построенных моделей позволяет поддерживать дефицит влаги в почве в допустимых пределах на протяжении большей части смоделированного вегетационного периода, оптимизируя при этом использование воды при сохранении урожайности сельскохозяйственных культур. Обозначены проблемы и направления дальнейшей работы по разработке нейросетевых моделей орошаемого земледелия.

Практическая значимость. Представленные нейросетевые модели прогнозирования параметров, принимающих участие в планировании орошения, наглядно демонстрируют возможности по оптимизации производства сельскохозяйственной продукции. Обобщающая способность нейросетевых моделей предоставляет возможность для разработки моделей прогнозирования влажности на участках орошения большой площади и позволяет добиваться снижения влияния пространственно-временной изменчивости на урожай.

Камышова Г.Н. Нейросетевые модели в оптимизации орошения сельскохозяйственных культур // Нейрокомпьютеры: разработка, применение. 2022. T. 24. № 5. С. 44-54. DOI: https://doi.org/ 10.18127/j19998554-202205-05

1. Квачантирадзе Э. П. Модель прогноза влажности почв и правомерность ее использования // Природообустройство. 2020. № 3. С. 14-20.
2. Diao W., Liu G., Zhang H., Hu K., Jin X. Influences of Soil Bulk Density and Texture on Estimation of Surface Soil Moisture Using Spectral Feature Parameters and an Artificial Neural Network Algorithm // Agriculture. 2021. V. 11. Р. 710.
3. Wang J., Peng J., Li H., Yin C., Liu W., Wang T., Zhang H. Soil Salinity Mapping Using Machine Learning Algorithms with the Sentinel-2 MSI in Arid Areas, China // Remote Sens. 2021. V. 13. Р. 305.
4. Diez F.J., Navas-Gracia L.M., Chico-Santamarta L., Correa-Guimaraes A., Martínez-Rodríguez A. Prediction of Horizontal Daily Global Solar Irradiation Using Artificial Neural Networks (ANNs) in the Castile and León Region, Spain // Agronomy. 2020. V. 10. Р. 96.
5. D’Emilio A., Aiello R., Consoli S., Vanella D., Iovino M. Artificial Neural Networks for Predicting the Water Retention Curve of Sicilian Agricultural Soils // Water. 2018. V. 10. Р. 1431.
6. Cáceres G., Millán P., Pereira M., Lozano D. Smart Farm Irrigation: Model Predictive Control for Economic Optimal Irrigation in Agriculture // Agronomy. 2021. V. 11. Р. 1810.
7. Kujawa S., Niedbała G. Artificial Neural Networks in Agriculture // Agriculture. 2021. V. 11. Р. 497.
8. Glória A., Cardoso J., Sebastião P. Sustainable Irrigation System for Farming Supported by Machine Learning and Real-Time Sensor Data // Sensors. 2021. V. 21. Р. 3079.
9. Kamyshova G.N., Soloviov D.A., Kolganov D.A., Korsak V.V., Terekhova. Neuromodeling in Irrigation Management for Sustainable Agriculture // Advances in Dynamical Systems and Applications. 2021. V. 16. № 1. P. 159-170.
10. Kamyshova G., Solovyev D., Terekhova N., Kolganov D. Development of Approaches to the Intellectualization of Irrigation Control Systems // Smart Innovation, Systems and Technologies. 2022. V. 245. P. 359-369.
11. Kamyshova G., Osipov A., Gataullin S., Korchagin S., Ignar S., Gataullin T., Terekhova N., Suvorov S. Artificial Neural Networks and Computer Vision's-Based Phytoindication Systems for Variable Rate Irrigation Improving // IEEE Access. 2022. V. 10. P. 8577-8589.
12. Камышова Г. Н. Применение искусственных нейронных сетей для управления орошением // Аграрный научный журнал. 2021. № 4. С. 84-88.
13. Бондарович А.А., Понькина Е.В., Шмидт Г., Иллигер П. Сравнительный анализ показателей объема и доступности почвенной влаги при различных технологиях земледелия в условиях сухой степи Западной Сибири // Агрофизика. 2020. № 3. С. 6-16.
14. Кравчук А.В., Корсак В.В., Кудайбергенова И.Р., Улданов А.Г. Установление слоя увлажнения по корневой системе кукурузы // Евразийский Союз Ученых (ЕСУ). 2020. № 5(74). С. 34-36.
15. Панкова Т. А. Повышение эффективности использования водных ресурсов при орошении люцерны на темно-каштановых почвах сухостепного Заволжья. Саратов. ФГБУН Научный и издательский центр «Наука» РАН. 2017. 110 с.
16. Кравчук А.В., Корсак В.В., Кудайбергенова И.Р. Параметры увлажнения почвы в проведении экологических режимов орошения культур // Вестник учебно-методического объединения по образованию в области природообустройства и водопользования. 2018. № 11. С. 126-130.
17. Панкова Т. А. Нормирование орошения люцерны в условиях Саратовского Заволжья / В кн.: Сб. статей национ. науч.-практич. конф. «Аграрная наука и образование: проблемы и перспективы» (г. Саратов, 20–21 марта 2021 г.) / Под ред.
    Е.Б. Дудниковой. Саратов: ООО «Центр социальных агроинноваций СГАУ». 2021. С. 269-271.
18. Хайкин С. Нейронные сети: полный курс. Изд. 2-е. М.; СПб: Диалектика. 2019. 1103 с.