Концептуальная модель цифрового управления азотом в посевах сельскохозяйственных культур

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Доступ платный или только для подписчиков

Аннотация

Исследования проводили с целью разработки концептуальной модели цифрового управления азотом в посевах сельскохозяйственных культур. Использовали когнитивный анализ структуры знаний в этой предметной области, концептуальное моделирование цифрового управления азотом в агрофитоценозах с применением объектно-ориентированного подхода и унифицированного языка моделирования (UML). Создана детализированная система цифрового управления азотом, содержащая диаграммы классов, процессов и взаимодействий. Модель базируется на трех абстрактных объектах – класс (7 шт.), атрибут (32) и межклассовые отношения (18 шт.), по которым распределены основные понятия, подчеркивающие сложность и многогранность подходов к цифровому управлению азотом. В качестве центрального класса принят «Агрофитоценоз», с которым напрямую взаимодействуют 5 классов и косвенно 1 класс. Атрибуты входят в состав классов и отражают их особенности. Для отображения взаимодействия между классами и их атрибутами используются отношения четырех видов: «зависимость», «ассоциация», «агрегация» и «внутренний класс». В диаграмме процессов системы цифрового управления азотом выделены две основные подсистемы: подсистема анализа и планирования, подсистема корректировки, а также инструменты и источники для сбора и обработки данных. Особенность созданной концептуальной модели заключается в использовании принципа темпоральности, сочетании статических и динамических процессов в системе цифрового управления азотом в агрофитоценозе. Концептуальная модель разработана для создания программно-аппаратного комплекса диагностики азотного питания культурных растений и управления применением удобрений на основе современных средств цифрового мониторинга и обработки информации.

Полный текст

Доступ закрыт

Об авторах

В. К. Каличкин

Сибирский федеральный научный центр агробиотехнологий РАН

Автор, ответственный за переписку.
Email: vk.kalichkin@gmail.com

доктор сельскохозяйственных наук

Россия, 630501, Новосибирская обл., Новосибирский р-н, пос. Краснообск

К. Ю. Максимович

Сибирский федеральный научный центр агробиотехнологий РАН

Email: vk.kalichkin@gmail.com
Россия, 630501, Новосибирская обл., Новосибирский р-н, пос. Краснообск

Д. С. Федоров

Сибирский федеральный научный центр агробиотехнологий РАН

Email: vk.kalichkin@gmail.com
Россия, 630501, Новосибирская обл., Новосибирский р-н, пос. Краснообск

Л. В. Гарафутдинова

Сибирский федеральный научный центр агробиотехнологий РАН

Email: vk.kalichkin@gmail.com
Россия, 630501, Новосибирская обл., Новосибирский р-н, пос. Краснообск

Список литературы

  1. Эффективность использования азота в длительных и краткосрочных опытах агрохимслужбы и Геосети Российской Федерации / В. А. Романенков, М. В. Беличенко, О. В. Рухович и др. // Агрохимия. 2020. № 12. С. 28‒37. doi: 10.31857/S0002188120120091.
  2. Rütting T., Aronsson H., Delin S. Efficient use of nitrogen in agriculture // Nutrient cycling in Agroecosystems. 2018. Vol. 110. No. 1. Р. 1‒5. doi: 10.1007/s10705-017-9900-8. URL: https://link.springer.com/content/pdf/10.1007/s10705–017–9900–8.pdf (дата обращения: 07.10.2023).
  3. Ермохин Ю. И. Почвенная диагностика минерального питания яровой пшеницы в условиях Западной Сибири // Мир Инноваций. 2015. № 1–4. С. 67‒72.
  4. Спектрометрическое обеспечение диагностики азотного питания растений и идентификации азота органических и минеральных удобрений / Р. А. Афанасьев, В. В. Носиков, В. А. Литвинский и др. // Плодородие. 2019. № 4 (109). С. 26‒29.
  5. Ерошенко Ф. В., Сторчак И. Г., Чернова И. В. Оценка состояния растений методами экспресс-диагностики // Аграрный вестник Урала. 2019. № 7 (186). С. 19‒25. doi: 10.32417/article_5d52af440f71b8.16701399.
  6. Программа для ЭВМ автоматизированного расчёта оптимальных доз минеральных удобрений под планируемую урожайность основных сельскохозяйственных культур в условиях Нечерноземья / В. Г. Сычев, Р. А. Афанасьев, Л. М. Державин и др. Номер регистрации (свидетельства): 2015615582. Дата регистрации: 21.05.2015.
  7. Программа «Расчет оптимальной дозы пропорционально-дифференцированного внесения удобрений» / А. Ю. Измайлов, С. А. Белых, Г. И. Личман и др. Номер регистрации (свидетельства): 2016611615. Дата регистрации: 05.02.2016.
  8. Расчет доз внесения минеральных удобрений / С. М. Васильев, А. Н. Бабичев, В. А. Монастырский и др. Номер регистрации (свидетельства): 2018663750. Дата регистрации: 02.11.2018.
  9. Пономаренко И. Г., Забродин В. П., Портаков А. Б.Расчёт нормы внесения минеральных удобрений v2.0 / Номер регистрации (свидетельства): 2021613345. Дата регистрации: 05.03.2021.
  10. Conceptual Design of a Comprehensive Farm Nitrogen Management System / F. Weckesser, F. Leßke, M. Luthardt, et al. //Agronomy. 2021. Vol. 11. No. 12. Р. 2501. URL: https://www.mdpi.com/2073–4395/11/12/2501 (датаобращения: 03.07.2023). doi: 10.3390/agronomy11122501.
  11. Accuracy, robustness and behavior of the STICS soil – crop model for plant, water and nitrogen outputs: evaluation over a wide range of agro-environmental conditions in France / E. Coucheney, S. Buis, M. Launay, et al. // Environmental Modelling & Software. 2015. Vol. 64. Р. 177‒190. doi: 10.1016/j.envsoft.2014.11.024.
  12. NLES5 – An empirical model for estimating nitrate leaching from the root zone of agricultural land / C. D. Børgesen, J. W. M. Pullens, J. Zhao, et al. // European Journal of Agronomy. 2022. Vol. 134. P. 126465. URL: https://www.sciencedirect.com/science/article/pii/S1161030122000132/pdf (дата обращения: 28.07.2023). doi: 10.1016/j.eja.2022.126465.
  13. Dynamic model improves agronomic and environmental outcomes for maize nitrogen management over static approach / S. Sela, H. M. van Es, B. N. Moebius-Clune, et al. // Journal of Environmental Quality. 2017. Vol. 46. P. 311‒319. doi: 10.2134/jeq2016.05.0182.
  14. Goffart J. P., Olivier M., Frankinet M. Crop nitrogen status assessment tools in a decision support system for nitrogen fertilization management of potato crops // HortTechnology. 2011. Vol. 21. No. 3. Р. 282‒286. doi: 10.21273/HORTTECH.21.3.282.
  15. Assessing and modeling economic and environmental impact of wheat nitrogen management in Belgium / B. Dumont, B. Basso, B. Bodson, et al.// Environmental Modelling & Software. 2016. Vol. 79. Р. 184‒196. doi: 10.1016/j.envsoft.2016.02.015.
  16. A Dynamic Decision-Making Tool for Calculating the Optimal Rates of N Application for 40 Annual Crops While Minimising the Residual Level of Mineral N at Harvest / J-M. Machet, P. Dubrulle, N. Damay, et al. // Agronomy.2017. Vol. 7. No. 4. Р. 73. URL: https://www.mdpi.com/2073–4395/7/4/73 (дата обращения: 05.06.2023). doi: 10.3390/agronomy7040073.
  17. Сорокин А. Б. Концептуальное проектирование интеллектуальных систем поддержки принятия решений // Онтология проектирования. 2017. Т. 7. № 3 (25). С. 247‒269.
  18. Объектно-ориентированный подход к разработке моделей данных / Е. П. Емельченков, В. И. Мунерман, Д. В. Мунерман и др. // Современные информационные технологии и ИТ-образование. 2020. Т. 16. № 3. С. 564‒574. doi: 10.25559/SITITO.16.202003.564-574.
  19. Буч Г., Рамбо Д., Якобсон А. Язык UML. Руководство пользователя. Второе издание. М: ДМК Пресс, 2006. 496 с.
  20. Carpendale S. Process diagrams // arXiv preprint arXiv:2209.11765. 2022. URL: https://arxiv.org/ftp/arxiv/papers/2209/2209.11765.pdf. (дата обращения: 05.09.2023).
  21. Maker F. Online Diagram Software // Flowchart Maker & Online Diagram Software. URL: https://app.diagrams.net/ (дата обращения: 05.09.2023).
  22. Temporal GIS models for cadastral data management: the knowns, unknowns and future / J. Mango, J. Ngondo, D. Xu, et al.// Survey Review. 2023. Vol. 55. No. 390. P. 233‒246. doi: 10.1080/00396265.2022.2049104.
  23. Chlingaryan A., Sukkarieh S., Whelan B. Machine learning approaches for crop yield prediction and nitrogen status estimation in precision agriculture: A review // Computers and electronics in agriculture. 2018. Vol. 151. Р. 61‒69. doi: 10.1016/j.compag.2018.05.012.
  24. Comparing Random Forest to Bayesian Networks as nitrogen management decision support systems / J. Sulik, K. Banger, K. Janovicek, et al. // Agronomy Journal. 2023. Vol. 115. No. 3. Р. 1431‒1446. doi: 10.1002/agj2.21320.
  25. Modeling and simulation of a multi-parametric fuzzy expert system for variable rate nitrogen application / A. Heiß, D. S. Paraforos, G. M. Sharipov, et al. // Computers and Electronics in Agriculture. 2021. Vol. 182. Р. 106008. URL: https://www.sciencedirect.com/science/article/pii/S0168169921000260/pdf (дата обращения: 08.12.2023). doi: 10.1016/j.compag.2021.106008.
  26. Nithiya S., Annapurani K. Optimisedfertiliser suggestion in smart agriculture system based on fuzzy inference rule // Acta Agriculturae Scandinavica, Section B – Soil & Plant Science. 2021. Vol. 71. No. 3. Р. 191‒201. doi: 10.1080/09064710.2021.1872695.
  27. Versatile and user-centered concept for temporally and spatially adapted nitrogen application based on multiple parameters / A. Heiß, D. S. Paraforos, G. M. Sharipov, et al. // European Journal of Agronomy. 2023. Vol. 145. Р. 126792. URL: https://www.sciencedirect.com/science/article/pii/S1161030123000606/pdf (дата обращения: 04.11.2023). doi: 10.1016/j.eja.2023.126792.
  28. Sharma L. K., Bali S. K.A Review of Methods to Improve Nitrogen Use Efficiency in Agriculture// Sustainability. 2018. Vol. 10. No. 1. Р. 51. URL: https://www.mdpi.com/2071–1050/10/1/51/pdf?version=1514284702 (датаобращения: 01.10.2023). doi: 10.3390/su10010051.
  29. Workflow to Establish Time-Specific Zones in Precision Agriculture by Spatiotemporal Integration of Plant and Soil Sensing Data / E. Scudiero, P. Teatini, G. Manoli, et al. // Agronomy. 2018. Vol. 8. No. 11. Р. 253. URL: https://www.mdpi.com/2073–4395/8/11/253/pdf?version=1541586725 (датаобращения: 01.05.2023). doi: 10.3390/agronomy8110253.
  30. Automatic delineation algorithm for site-specific management zones based on satellite remote sensing data / C. Georgi, D. Spengler, S. Itzerott, et al. // Precision Agriculture. 2018. Vol. 19. Р. 684‒707. doi: 10.1007/s11119-017-9549-y.
  31. Автоматизация процесса обнаружения и выделения границ внутриполевой изменчивости по аэрокосмическим снимкам и оптическим критериям / В. П. Якушев, А. Ф. Петрушин, В. В. Якушев и др. // Современные проблемы дистанционного зондирования Земли из космоса. 2022. Т. 19. № 6. С. 151‒162. doi: 10.21046/2070-7401-2022-19-6-161-162.
  32. Кидин В. В. Основы питания растений и применения удобрений. М.: РГАУ-МСХА, 2008. 415 с.
  33. Шафран С. А., Леонова Е. В., Пупынин В. М. Внутрипольная вариабельность элементов питания в почвах и ее влияние на урожайность озимых зерновых культур // Агрохимия. 2011. № . 2. С. 15‒23.
  34. Ренев Е. П., Еремин Д. И. Внутрипольная и временная вариабельность нитратного азота на полях Западной Сибири // Вестник Красноярского государственного аграрного университета. 2021. № 12 (177). С. 116‒124.doi: 10.36718/1819-4036-2021-12-116-124.
  35. Гамзиков Г. П. Практические рекомендации по почвенной диагностике азотного питания полевых культур и применению азотных удобрений в сибирском земледелии: производственно-практ. изд. М.: ФГБНУ «Росинформагротех», 2018. 48 с.
  36. Гамзиков Г. П. Почвенная диагностика азотного питания растений и применения азотных удобрений в севооборотах // Плодородие. 2018. № 1 (100). С. 8‒14. doi: 10/25680/S19948603.2018.100.02.
  37. Прогнозирование содержания нитратного азота в почве с использованием машинного обучения / В. К. Каличкин, Т. А. Лужных, В. С. Риксен и др. // Сибирский вестн. с.-х. науки. 2021. Т. 51. № 5. С. 91‒100. doi: 10.26898/0370-8799-2021-5-11.
  38. Шарков И. Н., Колбин С. А., Самохвалова Л. М. Проблема азота при использовании чернозема выщелоченного по интенсивной технологии в лесостепи Западной Сибири // Агрохимия. 2021. № 2. С. 3‒10. doi: 10.31857/S0002188121020101.
  39. Машинное обучение в качестве инструмента прогнозирования урожайности сельскохозяйственных культур / П. К. Куценогий, В. К. Каличкин, А. Л. Пакуль и др. // Российская сельскохозяйственная наука. 2021. № 1. С. 72‒75. doi: 10.31857/S2500262721010178.
  40. Разработка программы анализа и прогнозирования урожайности сельскохозяйственных культур / В. К. Каличкин, Д. С. Федоров, О. К. Альсова и др.// Достижения науки и техники АПК. 2022. Т. 36. № 1. С. 51‒56. doi: 10.53859/02352451_2022_36_0_0.
  41. Прогнозирование урожайности яровой пшеницы на основе использования нейронной сети в условиях лесостепи Приобья / К. Ю. Максимович, Д. С. Федоров, В. К. Каличкин и др. // Южно-Сибирский научный вестник. 2022. № 6. С. 333‒338.
  42. Assessing the benefit of satellite-based Solar-Induced Chlorophyll Fluorescence in crop yield prediction / B. Peng, K. Guan, W. Zhou, et al. // International Journal of Applied Earth Observation and Geoinformation. 2020. Vol. 90. P. 102126. URL: https://www.sciencedirect.com/science/article/pii/S0303243419313029/pdf (дата обращения: 08.09.2023). doi: 10.1016/j.jag.2020.102126.
  43. Использование динамической модели агроэкосистемы для оценки влияния климатических изменений на продуктивность посевов / Р. А. Полуэктов, А. Г. Топаж, В. П. Якушев и др. // Вестник Российской академии сельскохозяйственных наук. 2012. № 2. С. 7‒12.
  44. О возможности использования стандартизированного индекса осадков для выявления засух и в прогнозах количественной оценки урожайности зерновых и зернобобовых культур / А. Страшная, В. А. Тищенко, О. В. Береза (Чуб) и др. // Труды гидрометеорологического научно-исследовательского центра Российской Федерации. 2015. № 357. С. 81‒97.
  45. Remote Monitoring of Crop Nitrogen Nutrition to Adjust Crop Models: A Review / L. Silva, L. A. Conceição, F. C. Lidon, et al. // Agriculture. 2023. Vol. 13. No. 4. Р. 835. URL: https://www.mdpi.com/2077–0472/13/4/835/pdf?version=1680862563 (дата обращения: 08.10.2023). doi: 10.3390/agriculture13040835.
  46. Determination of a critical nitrogen dilution curve for spring wheat / N. Ziadi, G. Bélanger, A. Claessens, et al. // Agronomy Journal. 2010. Vol. 102. No. 1. Р. 241‒250. doi: 10.2134/agronj2009.0266.
  47. Aranguren M., Castellón A., Aizpurua A. Crop sensor based non-destructive estimation of nitrogen nutritional status, yield, and grain protein content in wheat // Agriculture. 2020. Vol. 10. No. 5. Р. 148. URL: https://www.mdpi.com/2077–0472/10/5/148/pdf?version=1590567529 (дата обращения: 08.10.2023). doi: 10.3390/agriculture10050148.
  48. Матвеенко Д. А., Якушев В. В., Якушев В. П. Прецизионное управление азотным режимом яровой пшеницы на основе дистанционного зондирования посевов // Современные проблемы дистанционного зондирования Земли из космоса. 2019. Т. 16. № 3. С. 79‒86. doi: 10.21046/2070-7401-2019-16-3-79-86.
  49. Retrieval of aboveground crop nitrogen content with a hybrid machine learning method / K. Berger, J. Verrelst, J. B. Féret, et al. // International Journal of Applied Earth Observation and Geoinformation. 2020. Vol. 92. Р. 102174. URL: https://www.sciencedirect.com/science/article/pii/S0303243420303500/pdf (дата обращения: 08.09.2023). doi: 10.1016/j.jag.2020.102174.
  50. Chergui W., Zidat S., Marir F. An approach to the acquisition of tacit knowledge based on an ontological model // Journal of King Saud University-computer and information sciences. 2020. Vol. 32. No. 7. Р. 818‒828. doi: 10.1016/j.jksuci.2018.09.012.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать
2. Рис. 1. UML-диаграмма классов ЦУА.

Скачать (412KB)
Метаданные
3. Рис. 2. UML-диаграмма процессов системы ЦУА.

Скачать (1MB)
Метаданные

© Российская академия наук, 2024