Интеллектуальная полевая сенсорная станция для мониторинга агрофизических параметров и фенотипирования в системе точного земледелия

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.

1. 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. DOI: 10.1186/s13007-016-0109-7.

2. 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.

3. 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.

4. 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.

5. 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.

6. 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.

7. 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.

8. 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.

9. 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.

10. 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.

11. 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.

12. 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.

13. 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.

14. Носкова А.И., Токранова М.В. Обзор автоматизированных систем мониторинга // Интеллектуальные технологии на транспорте. 2017. N1. C. 42-47. EDN: ZIAHDL.

15. 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.

16. 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.

17. 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.

18. 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.

19. 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.