vimjourСельскохозяйственные машины и технологииAgricultural Machinery and Technologies2073-7599Federal State Budgetary Scientific Institution «Federal Scientific Agroengineering Center VIM»10.22314/2073-7599-2024-18-4-79-85VCWBKCvimjour-621Research ArticleЦИФРОВЫЕ ТЕХНОЛОГИИ. ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТDIGITAL TECHNOLOGIES. ARTIFICIAL INTELLIGENCEИнтеллектуальная полевая сенсорная станция для мониторинга агрофизических параметров и фенотипирования в системе точного земледелияIntelligent Field Sensor Station for Monitoring Agrophysical Parameters and Phenotyping in Precision Agriculture SystemВасильевС. А.VasilyevS. A.

Васильев Сергей Анатольевич - доктор технических наук, профессор.Княгинино; Чебоксары

Sergey A. Vasilyev - Dr.Sc.(Eng.), professor.

Knyaginino; Cheboksary

vsa_21@mail.ruЛимоновС. Е.LimonovS. Ye.

Лимонов Сергей Евгеньевич – аспирант.

Княгинино; Чебоксары

Sergey Ye. Limonov - Ph.D.(Eng.) student.

Knyaginino; Cheboksary

limonov.msf@gmail.comМишинС. А.MishinS. A.

Мишин Сергей Александрович – ассистент.

Чебоксары

Sergey A. Mishin - assistant of the department.

Cheboksary

supers.ya@yandex.ruКнягининский университет; Чувашский государственный университет им. И.Н. УльяноваРоссияNizhny Novgorod State University of Engineering and Economics (Knyaginin University); Chuvash State University named after I.N. UlyanovRussian FederationЧувашский государственный университет им. И.Н. УльяноваРоссияChuvash State University named after I.N. UlyanovRussian Federation2024171220241847985Copyright © Васильев С.А., Лимонов С.Е., Мишин С.А., 20242024Васильев С.А., Лимонов С.Е., Мишин С.А.Vasilyev S.A., Limonov S.Y., Mishin S.A.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://www.vimsmit.com/jour/article/view/621

Современные тенденции в сельском хозяйстве свидетельствуют о широком внедрении информационных технологий и сети датчиков интернета вещей для мониторинга агрофизических параметров почвы и фенотипирования объектов. Этот подход обеспечивает точный анализ данных в реальном времени, способствуя оптимизации агротехнических процессов и созданию адаптивных систем управления. Слияние информационных технологий с мониторингом агрофизических параметров и фенотипирования объектов подчеркивает стратегическую важность данного подхода, особенно в условиях изменчивости климата и необходимости повышения устойчивости производства. (Цель исследования) Разработать интеллектуальную полевую сенсорную станцию, обеспечивающую высокую точность мониторинга агрофизических параметров и фенотипирования растений в реальном времени с использованием сети датчиков интернета вещей. (Материалы и методы) Проанализированы и изучены существующие методы мониторинга агрофизических параметров и фенотипирования объектов. На основе различных методов мониторинга агрофизических параметров и фенотипирования объектов разработана конструкция и выбраны датчики для интеллектуальной полевой сенсорной станции. (Результаты и обсуждение) Интеллектуальная полевая сенсорная станция успешно продемонстрировала свою эффективность, подтвердив работоспособность и надежность в одновременном получении данных. Собранные данные об агрофизических параметрах почвы, метеорологических условиях и фенотипе растений предоставляют обширную информацию для точного земледелия и оптимизации сельскохозяйственных процессов. (Выводы) Светло-серая лесная почва с высокой пористостью и нейтральным уровнем pH благоприятна для возделывания сельскохозяйственных культур. Предварительный химический анализ почвы выявил умеренные значения содержания органического вещества, подвижного фосфора и калия, что указывает на потенциально плодородный участок. Метеорологические данные представляли собой ключевой аспект для агрометеорологического анализа, который в свою очередь оказывает существенное влияние на сельскохозяйственные процессы. Разработанная станция представляет инновационный взгляд на мониторинг сельскохозяйственных параметров, обещая перспективы в современном земледелии.

Current trends in agriculture highlight the widespread adoption of information technology and Internet of Things (IoT) sensor networks for monitoring agrophysical soil parameters and phenotyping objects. This approach enables precise, real-time data analysis, optimizing agricultural processes and supporting the development of adaptive management systems. The integration of information technology with the monitoring of agrophysical parameters and phenotyping objects underscores the strategic importance of this approach, especially in the context of climate variability and the growing need to enhance production sustainability. (Research purpose) To develop an intelligent field sensor station for precision farming that ensures high-accuracy, real-time monitoring of agrophysical parameters and plant phenotyping using an Internet of Things sensor network. (Materials and methods) Existing methods for monitoring agrophysical parameters and phenotyping objects were analyzed. Based on these methods, a design for an intelligent field sensor station was developed, and suitable sensors were selected. (Results and discussion) The intelligent field sensor station successfully demonstrated its efficiency, confirming both its functionality and reliability in simultaneous data collection. The data collected on soil agrophysical parameters, meteorological conditions and plant phenotyping provide extensive knowledge for precision farming and optimizing agricultural processes. (Conclusions) Light gray forest soil with high porosity and neutral pH level provided favorable conditions for crops. Preliminary chemical analysis of the soil revealed moderate levels of organic matter, mobile phosphorus, and potassium, indicating a potentially fertile site. Meteorological data playeda key role in agrometeorological analysis, significantly impacting agricultural processes. The developed station introduces an innovative approach to monitoring agricultural parameters, offering promising prospects for modern agriculture.

агрофизические параметрыфенотипирование растенийточное земледелиедатчики интернета вещейполевая станциятехническое средствоинновационные технологииagrophysical parametersplant phenotypingprecision farmingInternet of ThingsIoT sensorsfield stationtechnical meansinnovative technologiesReferencesFriedli M., Kirchgessner N., Grieder C. et al. Terrestrial 3D laser scanning to track the increase in canopy height of both monocot and dicot crop species under field conditions. Plant Methods. 2016. N12. 9. DOI: 10.1186/s13007-016-0109-7.Friedli M., Kirchgessner N., Grieder C. et al. Terrestrial 3D laser scanning to track the increase in canopy height of both monocot and dicot crop species under field conditions. Plant Methods. 2016. N12. 9 (In English). DOI: 10.1186/s13007-016-0109-7.Barreto B.B., Rivera F.P., McKenzie B.M. et al. Analysis of the effect of tilling and crop type on soil structure using 3D laser profilometry. Agriculture. 2023. N13. 2077. DOI: 10.3390/agriculture13112077.Barreto B.B., Rivera F.P., McKenzie B.M. et al. Analysis of the effect of tilling and crop type on soil structure using 3D laser profilometry. Agriculture. 2023. N13. 2077 (In English). DOI: 10.3390/agriculture13112077.Kazemi M., Samavati F.F. Automatic soil sampling site selection in management zones using a multi-objective optimization algorithm. Agriculture. 2023. N13. 1993. DOI: 10.3390/agriculture13101993.Kazemi M., Samavati F.F. Automatic soil sampling site selection in management zones using a multi-objective optimization algorithm. Agriculture. 2023. N13. 1993 (In English). DOI: 10.3390/agriculture13101993.Yue J., Zhou C., Feng H. et al. Novel applications of optical sensors and machine learning in agricultural monitoring. Agriculture. 2023. N13. 1970. DOI: 10.3390/agriculture13101970.Yue J., Zhou C., Feng H. et al. Novel applications of optical sensors and machine learning in agricultural monitoring. Agriculture. 2023. N13. 1970 (In English). DOI: 10.3390/agriculture13101970.Rossi R., Costafreda-Aumedes S., Leolini L. et al. Implementation of an algorithm for automated phenotyping through plant 3D-modeling: A practical application on the early detection of water stress. Computers and Electronics in Agriculture. 2022. Vol. 197. 106937. DOI: 10.1016/j.compag.2022.106937.Rossi R., Costafreda-Aumedes S., Leolini L. et al. Implementation of an algorithm for automated phenotyping through plant 3D-modeling: A practical application on the early detection of water stress. Computers and Electronics in Agriculture. 2022. Vol. 197. 106937 (In English). DOI: 10.1016/j.compag.2022.106937.Songhee C., Taehyeong K., Dae-Hyun J. et al. Plant growth information measurement based on object detection and image fusion using a smart farm robot. Computers and Electronics in Agriculture. Vol. 207. 2023. 107703. DOI: 10.1016/j.compag.2023.107703.Songhee C., Taehyeong K., Dae-Hyun J. et al. Plant growth information measurement based on object detection and image fusion using a smart farm robot. Computers and Electronics in Agriculture. 2023. Vol. 207. 107703 (In English). DOI: 10.1016/j.compag.2023.107703.Zimmermann G.G., Samir J., Savi D. et al. Development of an electronic profilometer to measure mobilization variables in soil harrowing. Spanish Journal of Agricultural Research. 2023. N3. e0204. DOI: 10.5424/sjar/2023212-19811.Zimmermann G., Jasper S., Savi D. et al. Development of an electronic profilometer to measure mobilization variables in soil harrowing. Spanish Journal of Agricultural Research. 2023. 21(2): e0204. DOI: 10.5424/sjar/2023212-19811.Vasilyev A.A., Vasilyev S.A., Shkilev N.P. Mechanized spraying of liquid meliorants. IOP: Earth and Environmental Science. 2020. N1. 421(3):032026. DOI: 10.1088/1755-1315/421/3/032026.Vasilyev A.A., Vasilyev S.A., Shkilev N.P. Mechanized spraying of liquid meliorants. IOP: Earth and Environmental Science. 2020. 421(3):032026 (In English). DOI:10.1088/1755-1315/421/3/032026.Васильев С.А., Алексеев В.В., Речное А.В. Экспресс-метод количественной оценки пожнивных остатков на поверхности почвы //Аграрный научный журнал. 2015. N9. С. 11-13. EDN: UJURLH.Vasiliev S.A., Alexeyev V.V., Rechnov A.V. Rapid method for quantitative evaluation of residue on the soil surface. Agrarian Scientific Journal. 2015. N9. 11-13 (In Russian). EDN: UJURLH.Васильев С. А. Интеллектуальная технология контроля качества обработки почвы в системе точного земледелия //Земледелие. 2022. N3. С. 36-41. DOI: 10.24412/0044-3913-2022-3-36-41.Vasiliev S.A. Intelligent technology for quality control of till-age in the precision farming system. Zemledeliye. 2022. N3. 36-41 (In Russian). DOI: 10.24412/0044-3913-2022-3-36-41.Пустовалов РА., Коротенко Т.Л. Фенотипирование по морфологическим и агрономическим признакам агроэкотипов мирового разнообразия риса в условиях Южного региона России // Рисоводство. 2022. N2(55). С. 11-19. DOI: 10.33775/1684-2464-2022-55-2-11-19.Pustovalov R.A., Korotenko T.L. Phenotyping according to morphological and agronomic characteristics of agroecotypes of the world variety of rice in the conditions of the southern region of Russia. Rice Growing. 2022. N2(55). 11-19 (In Russian). DOI: 10.33775/1684-2464-2022-55-2-11-19.Маракаева Т.В. Фенотипическая изменчивость селекционных линий чечевицы (Lensculinaris L.) по элементам семенной продуктивности в экологических условиях Омской области. // Аграрный вестник Урала. 2024. Т. 24. N1. С. 86-97. DOI: 10.32417/1997-4868-2024-24-01-86-97.Marakaeva, T.V. Phenotypic variability of breeding lines of lentils (Lens culinaris L.) according to elements of seed pro-ductivity in the environmental conditions of the Omsk region. Agrarian Bulletin of the Urals. 2024. Vol. 24. N1. 86-97 (In Russian). DOI: 10.32417/1997-4868-2024-24-01-86-97.Фадеев А. А., Фадеева М.Ф., Никифорова И.И., Иванова И.Ю. Перспективные селекционные линии сои северного экотипа для создания сортов кормового назначения // Аграрная наука Евро-Северо-Востока. 2022. Т. 23. N2. С. 203-210. DOI: 10.30766/2072-9081.2022.23.2.203-210.Fadeev A.A., Fadeeva M.F., Nikiforova I.I., Ivanova I. Yu. Promising soybean breeding lines of the northern ecotype for developing forage crops. Agrarian Science of the Euro-North-East. 2022. Vol. 23. N2. 203-210 (In Russian). DOI: 10.30766/2072-9081.2022.23.2.203-210.Носкова А.И., Токранова М.В. Обзор автоматизированных систем мониторинга // Интеллектуальные технологии на транспорте. 2017. N1. C. 42-47. EDN: ZIAHDL.Noskova A.I., Tokranova M.V. Overview of automated monitoring systems. Intellectual Technologies on Transport. 2017. N1. 42-47 (In Russian). EDN: ZIAHDL.Ракутько С. А., Ракутько Е.Н., Медведев Г.В. Разработка экспериментального фитотрона и его применение в исследованиях по энергоэкологии светокультуры // Сельскохозяйственные машины и технологии. 2023. Т. 17. N2. С. 40-48. DOI: 10.22314/2073-7599-2023-17-2-40-48.Rakutko S.A., Rakutko E.N., Medvedev G.V. Development of an experimental phytotron and its application in the research on the energy-ecological efficiency of indoor plant lighting. Agricultural Machinery and Technologies. 2023. Vol. 17. N2. 40-48 (In Russian). DOI: 10.22314/2073-7599-2023-17-2-40-48.Тимофеев Е.В., Эрк А.Ф., Размук В. А и др. Анализ современных информационных систем мониторинга процессов производства в сельском хозяйстве // АгроЭкоИнженерия. 2021. N1(106). C. 4-14. EDN: LKMFTU.Timofeev E.V., Erk A.E, Razmuk V.A. et al. Survey of modern information systems for monitoring of production processes in agriculture. AgroEcoEngineering. 2021. N1. 4-14 (In Russian). DOI: 10.24411/2713-2641-2021-10274.Лачуга Ю.Ф., Годжаев З. А., Редько И.Я. Создание и применение мобильных многофункциональных энерготехнологических комплексов // Вестник Российского университета дружбы народов. Серия: Инженерные исследования. 2022. Т. 23. N1. С. 23-29. DOI: 10.22363/2312-8143-2022-23-1-23-29.Lachuga Yu.F., Godzhaev Z.A., Redko I.Ya. Creation and application of mobile multifunctional energy technology complexes. RUDN Journal of Engineering Research. 2022. Vol. 23. N1. 23-29 (In Russian). DOI: 10.22363/2312-8143-2022-23-1-23-29.Кутырев А.И., Смирнов И.Г. Сверточная нейронная сеть (Seg-CNN) для распознавания, классификации и сегментации ветвей с плодами яблони и плодоножек на изображениях // Садоводство и виноградарство. 2024. N2. С. 53-62. DOI: 10.31676/0235-2591-2024-2-53-62.Kutyrev A.I., Smirnov I.G. A convolutional neural network (Seg-CNN) for recognition, classification, and segmentation of apple fruit branches and stems in images. Horticulture and Viticulture. 2024. N2. 53-62 (In Russian). DOI: 10.31676/0235-2591-2024-2-53-62.Кутырев А.И., Смирнов И.Г. Нейронная сеть для распознавания и классификации плодов яблони // Аграрный научный журнал. 2023. N8. С. 123-133. DOI: 10.28983/asj.y2023i8pp123-133.Kutyrev A.I., Smirnov I.G. Neural network for apple fruit recognition and classification. Agricultural Scientific Journal. 2023. N8. 123-133 (In Russian). DOI: 10.28983/asj.y2023i8pp123-133.

The authors declare that there are no conflicts of interest present.