ФОРМИРОВАНИЕ СИСТЕМЫ ЦИФРОВОГО УПРАВЛЕНИЯ ЗЕМЛЕДЕЛИЕМ НА ОСНОВЕ МОНИТОРИНГА И ДЛИТЕЛЬНЫХ ПОЛЕВЫХ ОПЫТОВ
DOI 10.12737/2782-490X-2025-58-68 УДК 631.5:004.048
Ключевые слова:
Ключевые слова: цифровое земледелие, мониторинг, искусственный интеллект, машинное обучение, прогнозирование урожайности, ГИС, СППРАннотация
Статья посвящена разработке системы цифрового управления земледелием (ЦСУЗ), объединяющей мониторинг сельскохозяйственных объектов, анализ данных длительных полевых опытов и современные информационные технологии. Цель исследования – создание теоретической основы для оптимизации управления агропроизводством за счёт интеграции искусственного интеллекта, машинного обучения, дистанционного зондирования, геоинформационных систем (ГИС) и больших данных. Новизна работы заключается в применении алгоритмов машинного обучения для прогнозирования урожайности, масштабирования архетипов систем земледелия на основе пространственно-временного анализа, а также разработке пространственной системы поддержки принятия решений (СППР), сочетающей ГИС, моделирование и базы знаний. Техническая реализация мониторинга включает использование беспилотных летательных аппаратов, метеостанций, почвенных датчиков и спутниковых снимков, данные которых обрабатываются в облачных средах. Результаты исследований демонстрируют возможность снижения неопределённости в управлении агротехнологиями за счёт предиктивной аналитики, имитационного моделирования и стандартизации мультимодальных данных. Выводы подчёркивают практическую значимость ЦСУЗ для повышения устойчивости, минимизации рисков и рентабельности растениеводства. Предложенная система позволяет перейти от обобщённых рекомендаций к индивидуализированному управлению, учитывающему пространственно-временную вариабельность агроландшафтов. Ключевые компоненты ЦСУЗ – модули прогнозирования урожайности, анализа вегетационных индексов, дифференцированного внесения удобрений и интеграции данных полевых экспериментов – ориентированы на решение задач цифровизации сельского хозяйства. Результаты работы имеют прикладное значение для внедрения интеллектуальных технологий в агропромышленный комплекс.
Для цитирования: Каличкин В.К., Донченко А.С., Голохваст К.С. Формирование системы цифрового управления земледелием на основе мониторинга и длительных полевых опытов// Агробиотехнологии и цифровое земледелие. 2025. №2(14). С. 58-68.
Библиографические ссылки
Литература
Agriculture 4.0: A systematic literature review on the paradigm, technologies and benefit/ Maffezzoli F.,
Ardolino M., Bacchetti A., Perona M., Renga F. // Futures. 2022. Vol. 142. P. 102998. https://doi.org/10.1016/
j.futures.2022.102998.
Emerging Technologies for Precision Crop Management Towards Agriculture 5.0: A Comprehensive Overview/ Taha M. F., Mao H., Zhang Z. et al. // Agriculture. 2025. Vol. 15. № 6. Р. 582. https://doi.org/10.3390/
agriculture15060582.
Gumbi N., Gumbi L., Twinomurinzi H. Towards sustainable digital agriculture for smallholder farmers: A
systematic literature review // Sustainability. 2023. Vol. 15. № 16. Р. 12530. https://doi.org/10.3390/su151612530.
Akkem Y., Biswas S. K., Varanasi A. Smart farming using artificial intelligence: A review // Engineering
Applications of Artificial Intelligence. 2023. Vol. 120. Р. 105899. https://doi.org/10.1016/j.engappai.2023.105899.
Singh A. K. Precision farming // Water Technology Centre, IARI, New Delhi. 2010. Р. 165-174. URL:
https://drs.icar.gov.in/ebook/EBADAT/6-Other%20Useful%20Techniques/14-Precision%20Farming%
Lecture.pdf. (дата обращения 20.03.2025).
Barrett H., Rose D. C. Perceptions of the fourth agricultural revolution: what’s in, what’s out, and what consequences are anticipated? // Sociologia Ruralis. 2022. Vol. 62. № 2. Р. 162-189. https://doi.org/10.1111/
soru.12324.
Big Data Privacy in Smart Farming: A Review/ Amiri-Zarandi M., Dara R. A, Duncan E., Fraser E. D.
G. // Sustainability. 2022. Vol. 14. № 15. Р. 9120. https://doi.org/10.3390/su14159120.
Ingram J., Maye D. What are the implications of digitalisation for agricultural knowledge? // Frontiers in
Sustainable Food Systems. 2020. Vol. 4. P. 66. https://doi.org/10.3389/fsufs.2020.00066.
An in-depth review on the concept of digital farming/ Ammar E. E., Aziz S. A., Zou X. et al. // Environment,
Development and Sustainability. 2024. Р. 1-27. https://doi.org/10.1007/s10668-024-05161-9.
Kim M-Y., Lee K.H. Electrochemical Sensors for Sustainable Precision Agriculture – A Review // Frontiers
in Chemistry. 2022. Vol. 10. Р. 848320. https://doi.org/10.3389/fchem.2022.848320.
Navarro E., Costa N., Pereira A. A. Systematic Review of IoT Solutions for Smart Farming // Sensors. 2020.
Vol. 20. № 15. Р. 4231. https://doi.org/10.3390/s20154231.
Internet of Things in arable farming: Implementation, applications, challenges and potential/ VillaHenriksen, A., Edwards, G. T., Pesonen, L. A., Green, O., & Sørensen, C. A. G. // Biosystems Engineering.
Vol. 191. pp. 60-84. https://doi.org/10.1016/j.biosystemseng.2019.12.013.
What are the priority research questions for digital agriculture?/ Julie, I., Damian, M., Clive, B., Barnes, A.,
Bear, C., Bell, M., Manning, L. // Land Use Policy. 2022. Vol. 114. P. 105962. https://doi.org/10.1016/
j.landusepol.2021.105962.
Enhancing smart farming through the applications of Agriculture 4.0 technologies/ . Javaid, M., Haleem, A.,
Singh, R. P., & Suman, R. // International Journal of Intelligent Networks. 2022. Vol. 3. pp. 150-164. https://
doi.org/10.1016/j.ijin.2022.09.004.
Kumar S., Khan N. Application of remote sensing and GIS in land resource management // Journal of Geography and Cartography. 2021. Vol. 4. № 2. pp. 78-81. https://doi.org/10.24294//jgc.v4i2.437.
The potential of remote sensing and artificial intelligence as tools to improve the resilience of agriculture
production systems/ Jung, J., Maeda, M., Chang, A., Bhandari, M., Ashapure, A., & Landivar-Bowles, J. // Current
Opinion in Biotechnology. 2021. Vol. 70. pp. 15-22. https://doi.org/10.1016/j.copbio.2020.09.003/
Geoscience-aware deep learning: A new paradigm for remote sensing/ Ge, Y., Zhang, X., Atkinson, P. M.,
Stein, A., & Li, L. // Science of Remote Sensing. 2022. Vol. 5. Р. 100047. https://doi.org/10.1016/
j.srs.2022.100047.
Remote Sensing in Field Crop Monitoring: A Comprehensive Review of Sensor Systems, Data Analyses
and Recent Advances/ Omia, E., Bae, H., Park, E., Kim, M. S., Baek, I., Kabenge, I., & Cho, B. K. // Remote Sensing. 2023. Vol. 15. № 2. Р. 354. https://doi.org/10.3390/rs15020354.
A revisit of internet of things technologies for monitoring and control strategies in smart agriculture /
Rehman A., Saba T., Kashif M. et al. // Agronomy. 2022. Vol. 12. N 1. Р. 127. DOI: 10.3390/agronomy12010127.
Application of smart techniques, internet of things and data mining for resource use efficient and sustainable
crop production/ Ali A., Hussain T., Tantashutikun N. et al // Agriculture. 2023. Vol. 13. N 2. Р. 397. https://
doi.org/10.3390/agriculture13020397.
Каличкин В.К., Максимович К.Ю. Методология формирования цифровой системы управления земледелием // Сибирский вестник сельскохозяйственной науки. 2024. Т. 54. № 3. С. 5-20. https://
doi.org/10.26898/0370- 8799-2024-3-1.
Ullo S. L., Sinha G. R. Advances in IoT and Smart Sensors for Remote Sensing and Agriculture Applications // Remote Sensing. 2021. Vol. 13. № 13. Р. 2585. https://doi.org/10.3390/rs13132585.
Aaron E.M., Warner T.A., Fang F. Implementation of machine-learning classification in remote sensing: an
applied review // International journal of remote sensing. 2018. Vol. 39. № 9. pp. 2784-2817. https://
doi.org/10.1080/01431161.2018.1433343.
Machine learning in agriculture: A review/ . Liakos K. G., Busato P., Moshou D., Pearson S., & Bochtis,
D. // Sensors. 2018. Vol. 18. № 8. P. 2674. https://doi.org/10.3390/s18082674.
Cloud and distributed architectures for data management in agriculture 4.0: Review and future trends/
Debauche, O., Mahmoudi, S., Manneback, P., & Lebeau, F. // Journal of King Saud University-Computer and Information Sciences. 2022. Vol. 34. № 9. pp. 7494-7514. https://doi.org/10.1016/j.jksuci.2021.09.015.
Machine Learning in Agriculture: A Comprehensive Updated Review/ Benos L., Tagarakis A. C., Dolias G.
et al // Sensors. 2021. Vol. 21. N 11. P. 3758. https://doi.org/10.3390/s21113758.
Каличкин В.К. О необходимости трансформации парадигмы научных исследований в области земледелия (сообщение первое) // Сибирский вестник сельскохозяйственной науки. 2024. Т. 54. № 7. С. 117-129.
https://doi. org/10.26898/0370-8799-2024-7-12.
Каличкин В.К. О необходимости трансформации парадигмы научных исследований в области земледелия (сообщение второе) // Сибирский вестник сельскохозяйственной науки. 2024. Т. 54. № 9. С. 101-114.
https://doi. org/10.26898/0370-8799-2024-9-11.
Milutinović G., Seipel S., Ahonen-Jonnarth U. Geospatial Decision-Making Framework Based on the Concept of Satisficing // ISPRS International Journal of Geo-Information. 2021. Vol. 10. № 5. Р. 326. https://
doi.org/10.3390/ijgi10050326
References
Maffezzoli F, Ardolino M, Bacchetti A, Perona M, Renga F. Agriculture 4.0: a systematic literature review
on the paradigm, technologies and benefit. Futures. 2022. Vol.142. 102998 p. https://doi.org/10.1016/
j.futures.2022.102998.
Taha MF, Mao H, Zhang Z. Emerging technologies for precision crop management towards Agriculture 5.0:
a comprehensive overview. Agriculture. 2025; Vol.15. 6. 582 p. https://doi.org/10.3390/agriculture15060582.
Gumbi N, Gumbi L, Twinomurinzi H. Towards sustainable digital agriculture for smallholder farmers: a
systematic literature review. Sustainability. 2023; Vol.15. 16. 12530 p. https://doi.org/10.3390/su151612530.
Akkem Y, Biswas SK, Varanasi A. Smart farming using artificial intelligence: a review. Engineering Applications of Artificial Intelligence. 2023; Vol.120. 105899 p. https://doi.org/10.1016/j.engappai.2023.105899.
Singh AK. Precision farming. [Internet]. Water Technology Centre, IARI, New Delhi. 2010; 165-174 p.
[cited 2025, March 20]. Available from: https://drs.icar.gov.in/ebook/EBADAT/6-Other%20Useful%
Techniques/14-Precision%20Farming%20Lecture.pdf.
Barrett H, Rose DC. Perceptions of the fourth agricultural revolution: what’s in, what’s out, and what consequences are anticipated? Sociologia Ruralis. 2022; Vol.62. 2. 162-189 p. https://doi.org/10.1111/soru.12324.
Amiri-Zarandi M, Dara RA, Duncan E, Fraser EDG. Big data privacy in smart farming: a review. Sustainability. 2022; Vol.14. 15. 9120 p. https://doi.org/10.3390/su14159120.
Ingram J, Maye D. What are the implications of digitalization for agricultural knowledge? Frontiers in sustainable food systems. 2020; Vol.4. 66 p. https://doi.org/10.3389/fsufs.2020.00066.
Ammar EE, Aziz SA, Zou X. An in-depth review on the concept of digital farming. Environment, Development and Sustainability. 2024; 1-27 p. https://doi.org/10.1007/s10668-024-05161-9.
Kim M-Y, Lee K.H. Electrochemical sensors for sustainable precision agriculture – a review. Frontiers in
Chemistry. 2022; Vol.10. 848320 p. https://doi.org/10.3389/fchem.2022.848320.
Navarro E, Costa N, Pereira AA. Systematic review of iot solutions for smart farming. Sensors. 2020;
Vol.20. 15. 4231 p. https://doi.org/10.3390/s20154231.
Villa-Henriksen A, Edwards GT, Pesonen LA, Green O, Sorensen CAG. Internet of things in arable farming: Implementation, applications, challenges and potential. Biosystems Engineering. 2020; Vol.191. 60-84 p.
https://doi.org/10.1016/j.biosystemseng.2019.12.013.
Julie I, Damian M, Clive B, Barnes A, Bear C, Bell M, Manning L. What are the priority research questions
for digital agriculture? Land Use Policy. 2022; Vol.114. 105962 p. https://doi.org/10.1016/
j.landusepol.2021.105962.
Javaid M, Haleem A, Singh RP, Suman R. Enhancing smart farming through the applications of Agriculture
0 technologies. International Journal of Intelligent Networks. 2022; Vol.3. 150-164 p. https://doi.org/10.1016/
j.ijin.2022.09.004.
Kumar S, Khan N. Application of remote sensing and GIS in land resource management. Journal of Geography and Cartography. 2021; Vol.4. 2. 78-81 p. https://doi.org/10.24294//jgc.v4i2.437.
Jung J, Maeda M, Chang A, Bhandari M, Ashapure A, Landivar-Bowles J. The potential of remote sensing
and artificial intelligence as tools to improve the resilience of agriculture production systems. Current Opinion in
Biotechnology. 2021; Vol.70. 15-22 p. https://doi.org/10.1016/j.copbio.2020.09.003/
Ge Y, Zhang X, Atkinson PM, Stein A, Li L. Geoscience-aware deep learning: A new paradigm for remote
sensing. Science of Remote Sensing. 2022; Vol.5. 100047 p. https://doi.org/10.1016/j.srs.2022.100047.
Omia E, Bae H, Park E, Kim MS, Baek I, Kabenge I, Cho BK. Remote sensing in field crop monitoring: a
comprehensive review of sensor systems, data analyses and recent advances. Remote Sensing. 2023; Vol.15. 2. 354
p. https://doi.org/10.3390/rs15020354.
Rehman A, Saba T, Kashif M. A revisit of internet of things technologies for monitoring and control strategies in smart agriculture. Agronomy. 2022; Vol.12. 1. 127 p. doi: 10.3390/agronomy12010127.
Ali A, Hussain T, Tantashutikun N. Application of smart techniques, internet of things and data mining for
resource use efficient and sustainable crop production. Agriculture. 2023; Vol.13. 2. 397 p. doi: 10.3390/
agriculture13020397.
Kalichkin VK, Maksimovich KYu. [Methodology for the formation of a digital agricultural management
system]. Sibirskiy vestnik selskokhozyaystvennoy nauki. 2024; Vol.54. 3. 5-20 p. https://doi.org/10.26898/0370-
-2024-3-1.
Ullo SL, Sinha GR. Advances in IoT and smart sensors for remote sensing and agriculture applications.
Remote Sensing. 2021; Vol.13. 13. 2585 p. https://doi.org/10.3390/rs13132585.
Aaron EM, Warner TA, Fang F. Implementation of machine-learning classification in remote sensing: an
applied review. International journal of remote sensing. 2018; Vol.39. 9. 2784-2817 p. https://
doi.org/10.1080/01431161.2018.1433343.
Liakos KG, Busato P, Moshou D, Pearson S, Bochtis D. Machine learning in agriculture: a review. Sensors.
; Vol.18. 8. 2674 p. https://doi.org/10.3390/s18082674.
Debauche O, Mahmoudi S, Manneback P, Lebeau F. Cloud and distributed architectures for data management in Agriculture 4.0: review and future trends. Journal of King Saud University-Computer and Information Sciences. 2022; Vol.34. 9. 7494-7514 p. https://doi.org/10.1016/j.jksuci.2021.09.015.
Benos L, Tagarakis AC, Dolias G. Machine learning in agriculture: a comprehensive updated review. Sensors. 2021; Vol.21. 11. 3758 p. DOIhttps://doi.org/10.3390/s21113758.
Kalichkin VK. [On the need to transform the paradigm of scientific research in the field of agriculture (first
message)]. Sibirskiy vestnik selskokhozyaystvennoy nauki. 2024; Vol.54. 7. 117-129 p. https://doi. org/10.26898/0370-8799-2024-7-12.
Kalichkin VK. [On the need to transform the paradigm of scientific research in the field of agriculture
(second message)]. Sibirskiy vestnik selskokhozyaystvennoy nauki. 2024; Vol.54. 9. 101-114 p. https://doi. org/10.26898/0370-8799-2024-9-11.
Milutinovic G, Seipel S, Ahonen-Jonnarth U. Geospatial decision-making framework based on the concept
of satisficing. ISPRS International Journal of Geo-Information. 2021; Vol.10. 5. 326 p. https://doi.org/10.3390/
ijgi10050326
