Conceptual model of digital nitrogen management in agricultural crops

封面

如何引用文章

全文:

开放存取 开放存取
受限制的访问 ##reader.subscriptionAccessGranted##
受限制的访问 订阅或者付费存取

详细

The research was aimed at developing a conceptual model of digital nitrogen management in crops. Cognitive analysis of the knowledge structure in this subject area, conceptual modeling of digital nitrogen management in agrophytocenoses using object-oriented approach and Unified Modeling Language (UML) were used. A detailed system of diagrams was created, encompassing class, process, and interaction diagrams. The model is anchored on three abstract objects: class (7 in total), attribute (32), and inter-class relationships (18), which distribute the main concepts, emphasizing the complexity and multifaceted approaches to digital nitrogen management. The central class is «Agrophytocenosis», which directly interacts with 5 classes and indirectly with 1 class. Attributes are integral to the classes and reflect their specific characteristics. To depict the interaction between the classes and their attributes, four types of relationships are employed in the model: «dependency», «association», «aggregation», and «inner class». In the process diagram of the digital nitrogen management system, two primary subsystems are highlighted: the analysis and planning subsystem and the adjustment subsystem, as well as tools and sources for data acquisition and processing. A distinctive feature of the developed conceptual model is the application of the temporality principle, integrating static and dynamic processes in the digital nitrogen management system within the agrophytocenosis.Subsystems for analysis, planning and adjustment of emerging conditions in the management areas allow ensuring more efficient use of nitrogen fertilizers in crops.The conceptual model is aimed at developing a hardware-software complex for diagnostics of nitrogen nutrition of cultivated plants and management of fertilizer application based on modern digital monitoring and data processing tools.

全文:

受限制的访问

作者简介

V. Kalichkin

Siberian Federal Research Center of Agricultural Biotechnology, Russian Academy of Sciences

编辑信件的主要联系方式.
Email: vk.kalichkin@gmail.com

Dr. Sci. (Agric.)

俄罗斯联邦, 630501, Novosibirskaya obl., Novosibirskii r-n, pos. Krasnoobsk

K. Maksimovich

Siberian Federal Research Center of Agricultural Biotechnology, Russian Academy of Sciences

Email: vk.kalichkin@gmail.com
俄罗斯联邦, 630501, Novosibirskaya obl., Novosibirskii r-n, pos. Krasnoobsk

D. Fedorov

Siberian Federal Research Center of Agricultural Biotechnology, Russian Academy of Sciences

Email: vk.kalichkin@gmail.com
俄罗斯联邦, 630501, Novosibirskaya obl., Novosibirskii r-n, pos. Krasnoobsk

L. Garafutdinova

Siberian Federal Research Center of Agricultural Biotechnology, Russian Academy of Sciences

Email: vk.kalichkin@gmail.com
俄罗斯联邦, 630501, Novosibirskaya obl., Novosibirskii r-n, pos. Krasnoobsk

参考

  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.

补充文件

附件文件
动作
1. JATS XML
下载
2. Fig.1

下载 (412KB)
索引源数据
3. Fig.2

下载 (1MB)
索引源数据

版权所有 © Russian Academy of Sciences, 2024