Александр Юрьевич Федосов, младший научный сотрудник
Московская область
Alexander Yu. Fedosov, junior researcher
Moscow region
Александр Михайлович Меньших, кандидат сельскохозяйственных наук, ведущий научный сотрудник
Московская область
Aleksandr M. Menshikh, Ph.D.(Eng.), leading researcher
Moscow region
Обосновали актуальность внедрения искусственного интеллекта в сельское хозяйство для оптимизации орошения. (Цель исследования) Дать отчет о прогрессе, достигнутом в применении искусственного интеллекта для оптимизации орошения сельхозкультур. (Материалы и методы) Обзор сфокусировали на наиболее характерных фактах и важной научной информации о внедрении искусственного интеллекта в растениеводство. Использовали различные базы данных (Google Scholar, PubMed, Science Direct, SciFinder, Web of Science, РИНЦ) и онлайн-источники (Research Gate, Springer Nature Open Access, Wiley Online Library). Исследовали интеграцию моделей машинного обучения, которые могут обеспечить оптимальное управление решениями по ирригации. Рассмотрели тенденции исследований и применимость методов машинного обучения, а также развертывание разработанных моделей машинного обучения для использования фермерами в целях устойчивого управления орошением. (Результаты и обсуждение) Показали, как мобильные и веб-платформы могут обеспечить управление интеллектуальными процессами орошения. Машинное обучение – одна из центральных тем искусственного интеллекта, помогающая исследователям работать более творчески и эффективно. Отметили проблемы внедрения искусственного интеллекта в растениеводство и будущее направление исследований в области внедрения машинного обучения и решений для цифрового земледелия. (Выводы) Доказали актуальность интеллектуальной системы в ирригации и управлении водными ресурсами для устойчивого сельского хозяйства. Выявили, что, несмотря на обширную доступную литературу, моделирование машинного обучения для управления поливом сельхозкультур все еще находится в стадии становления, а лидируют в этой области Китай, США и Австралия.
The relevance of artificial intelligence in agriculture is substantiated for irrigation optimization. (Research purpose) To report on the progress made over the past few years in the application of artificial intelligence to optimize crop irrigation. (Materials and methods) The review focuses on the most salient facts and important scientific information on the application of artificial intelligence in crop production. The review is based on Various databases (Google Scholar, PubMed, Science Direct, SciFinder, Web of Science, RSCI) and online sources (Research Gate, Springer Nature Open Access, Wiley Online Library). It is shown how the integration of machine learning models can provide intelligent irrigation management. The review reports on the research trends and applicability of machine learning methods, as well as the deployment of developed machine learning models for sustainable irrigation management. (Results and discussion) Mobile and web platforms are shown to be able to facilitate intelligent irrigation management. Machine learning proves to be one of the central areas of artificial intelligence helping researchers to work more creatively and efficiently. The review notes the problems of introducing artificial intelligence in crop production and specifies the future research areas in the machine learning implementation and digital farming solutions. (Conclusions) The relevance of the intelligent system in irrigation and water management is proved for sustainable agriculture. It is revealed that, despite the extensive literature available, machine learning modeling for crop irrigation management is still in its infancy. The countries leading in this area are China, the United States and Australia.
The authors declare that there are no conflicts of interest present.