Внедрение искусственного интеллекта в растениеводство для оптимизации орошения

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.

1. Федосов А.Ю., Меньших А.М., Иванова М.И., Рубцов А.А. Инновационные технологии орошения овощных культур. М.: Ким Л.А. 2021. 306 с.

2. Федосов А.Ю., Меньших А.М., Иванова М.И. Дефицитное орошение овощных культур // Овощи России. 2022. N3. С. 44-49.

3. Лобачевский Я.П., Дорохов А.С. Цифровые технологии и роботизированные технические средства для сельского хозяйства // Сельскохозяйственные машины и технологии. 2021. Т. 15. N4. С. 6-10.

4. Ронжин А.Л., Савельев А.И. Системы искусственного интеллекта в решении задач цифровизации и роботизации агропромышленного комплекса // Сельскохозяйственные машины и технологии. 2022. Т. 16. N2. С. 22-29.

5. Камышова Г.Н. Моделирование нейропрогнозирующего управления дождевальными машинами // Природообустройство. 2021. N1. С. 14-22.

6. Jaafar H., Kharroubi S.A. Views, practices and knowledge of farmers regarding smart irrigation apps: A national cross-sectional study in Lebanon. Agricultural Water Management. 2021. N248. 106759.

7. Liakos K.G., Busato P., Moshou D., Pearson S., Bochtis D. Machine learning in agriculture: A review. Sensors. 2018. N18. 2674.

8. Ait Issad H., Aoudjit R., Rodrigues J.J.P.C. A comprehensive review of data mining techniques in smart agriculture. Engineering in Agriculture, Environment and Food. 2019. N12. 511-525.

9. Çetin M., Yıldız S., Beyhan S. Water need models and irrigation decision systems: A survey on machine learning and control theory. arXiv. 2021. arXiv:2103.11133.

10. Hans K., Jayakumar A. A review of intelligent practices for irrigation prediction. arXiv. 2016. arXiv:1612.02893.

11. Jimenez A.F., Cardenas P.F., Canales A., Jimenez F., Portacio A. A survey on intelligent agents and multi-agents for irrigation scheduling. Computers and electronics in agriculture. 2020. N176. 105474.

12. Jha K., Doshi A., Patel P., Shah M. A comprehensive review on automation in agriculture using artificial intelligence. Artificial Intelligence in Agriculture. 2019. N2. 1-12.

13. Balducci F., Impedovo D., Pirlo G. Machine learning applications on agricultural datasets for smart farm enhancement. Machines. 2018. N6. 38.

14. Glória A., Cardoso J., Sebastião P. Sustainable irrigation system for farming supported by machine learning and real-time sensor data. Sensors. 2021. N21. 3079.

15. Abioye E.A., Hensel O., Esau T.J., Elijah O., Abidin M.S.Z., Ayobami A.S., Yerima O., Nasirahmadi A. Precision Irrigation Management Using Machine Learning and Digital Farming Solutions. AgriEngineering. 2022. N4. 70-103.

16. Mekonnen Y., Namuduri S., Burton L., Sarwat A., Bhansali S. Review – Machine learning techniques in wireless sensor network based precision agriculture. Journal of The Electrochemical Society. 2020. N167. 037522.

17. Sayari S., Mahdavi-Meymand A., Zounemat-Kermani M. Irrigation water infiltration modeling using machine learning. Computers and electronics in agriculture. 2021. N180. 105921.

18. Kumar A., Surendra, A., Mohan H., Valliappan K.M., Kirthika N. Internet of things based smart irrigation using regression algorithm. In Proceedings of the 2017 International Conference on Intelligent Computing, Instrumentation and Control Technologies (ICICICT) Internet. Kerala, India. 2017. 1652-1657.

19. Gu W., Yi Z. Machine learning on minimizing irrigation water for lawns. Journal of Sustainable Development of Energy Water and Environment Systems. 2020. N8. 701-714.

20. Arulselvi G., Poornima D. Implementation of precision soil and water conservation agriculture (Pswca) through machine learning, cloud enabled IoT integration and wireless sensor network. European Journal of Molecular & Clinical Medicine. 2020. N7. 5426-5446.

21. Ramya S., Swetha A.M., Doraipandian M. IoT framework for smart irrigation using machine learning technique. Journal of Computer Science. 2020. N16. 355-363.

22. Bhanu K.N., Mahadevaswamy H.S., Jasmine H.J. IoT based smart system for enhanced irrigation in agriculture. In Proceedings of the International Conference on Electronics and Sustainable Communication Systems. Coimbatore. India. 2020. 760-765.

23. Cagri Serdaroglu K., Onel C., Baydere S. IoT based smart plant irrigation system with enhanced learning. In Proceedings of the 2020 IEEE Computing, Communications and IoT Applications (ComComAp). Beijing, China. 2020.

24. Shalini H., Aravinda C.V. An IoT-Based Predictive Analytics for Estimation of Rainfall for Irrigation. Springer: Singapore. 2021. V. 1133.

25. Torres-Sanchez R., Navarro-Hellin H., Guillamon-Frutos A., San-Segundo R., Ruiz-Abellón M.C., Domingo-Miguel R. A decision support system for irrigation management: Analysis and implementation of different learning techniques. Water. 2020. N12. 548.

26. Meivel S., Maheswari S. Standard agricultural drone data analytics using KNN algorithm. Test Engineering and Management. 2020. N82. 206-215.

27. Nawandar N.K., Cheggoju N., Satpute V. ANN-based model to predict reference evapotranspiration for irrigation estimation. In Proceedings of the International Conference on Recent Trends in Machine Learning, IoT, Smart Cities and Applications. Hyderabad, India. Springer: Singapore. 2020. 671-679.

28. Chen Y.A., Hsieh W.H., Ko Y.S., Huang N.F. An ensemble learning model for agricultural irrigation prediction. In Proceedings of the 2021 International Conference on Information Networking (ICOIN). Jeju Island, Korea. 2021. 311-316.

29. Overweg H., Berghuijs H.N.C., Athanasiadis I.N. CropGym: A reinforcement learning environment for crop management. arXiv. 2021. arXiv:2104.04326.

30. Yashaswini L.S., Vani H.U., Sinchana H.N., Kumar N. Smart automated irrigation system with disease prediction. In Proceedings of the 2017 IEEE International Conference on Power, Control, Signals and Instrumentation Engineering (ICPCSI). Chennai, China. 2017. 422-427.

31. Agastya C.S., Ghebremusse S., Anderson I., Reed C., Vahabi H., Aug C.V. Self-supervised contrastive learning for irrigation detection. arXiv. 2021. arXiv:2108.05484.

32. Albuquerque C.K.G., Polimante S., Torre-Neto A., Prati R.C. Water spray detection for smart irrigation systems with mask R-CNN and UAV Footage. IEEE International Workshop on Metrology for Agriculture and Forestry. Trento, Italy. 2020. 236-240.

33. Bellahirich S., Mezghani D., Mami A. Design and Implementation of an Intelligent ANFIS Controller on a Raspberry Pi Nano-Computer for Photovoltaic Pumping Intended for Drip Irrigation. Energies. 2021. N14. 5217.

34. Anuslu T. Smart Precision Agriculture with Autonomous Irrigation System Using RNN-Based Techniques. MEF University: Istanbul, Turkey. 2017.

35. Zhang C., Yue P., Di L., Wu Z. Automatic identification of center pivot irrigation systems from landsat images using convolutional neural networks. Agriculture. 2018. N8. 147.

36. Li T., Sahu A.K., Talwalkar A., Smith V. Federated learning: Challenges, methods, and future directions. IEEE Signal Processing Magazine. 2020. N37. 50-60.

37. AgroWeather app. https://www.appsforagri.com/en/agroweather-app/.

38. Vuolo F., Essl L., Atzberger C. Costs and benefits of satellite-based tools for irrigation management. Frontiers of Environmental Science. 2015. N3. 52.

39. Andales A.A. Tactical irrigation management using the wise online tool. In Proceedings of the 29th Annual Central Plains Irrigation Conference. Burlington, USA. 2017. 95-99.

40. Siddique T., Barua D., Ferdous Z., Chakrabarty A. Automated farming prediction. In Proceedings of the Intelligent Systems Conference. London, UK. 2017. 757-763.

41. Ogubuike R., Adib A., Orji R. Masa: AI-adaptive mobile app for sustainable agriculture. IEEE 12th Annual Information Technology, Electronics and Mobile Communication Conference. Vancouver, Canada. 2021. 1-7.

42. Фартуков В.А., Ханов Н.В. Технология контроля и дифференцированной подачи воды для полива // Евразийский Союз Ученых. Серия: технические и физико-математические науки. 2021. N6(87). С. 10-11.

43. Neethirajan S., Kemp B. Digital twins in livestock farming. Animals. 2021. N11. 1008.