Аннотация. Цель исследования заключается в определении роли участников, занимающихся подготовкой данных в контролируемых и неконтролируемых условиях, для разработки интеллектуальных систем диагностики фитосанитарного мониторинга, а также предложении архитектуры их взаимодействия на различных уровнях зернового производства. Методологической базой исследования выступили процессный и системный подходы. Научная новизна состоит в обосновании рациональной взаимосвязи участников процесса сбора и подготовки данных в различных условиях. Результаты. Представлено соотнесение основных задач мониторинга с моделями машинного обучения. Разработана архитектура взаимодействия агентов подготовки данных на индивидуальном, региональном и национальном уровнях зернового производства. Перечислены достоинства и недостатки реализации процесса на каждом из уровней. Рекомендовано создание единой национальной базы данных, в которой концентрируется информация с региональных хранилищ, для обеспечения эффективного мониторинга зернового производства и принятия научно обоснованных решений по управлению зерновым полем. Показано, что наличие центральной базы позволит масштабировать интеллектуальные системы диагностики и отслеживать фитосанитарные риски зернового производства в разных частях страны. Предложен ряд концептуальных элементов методологии информационного обеспечения управления зерновым производством, включающих методику сбора данных, регламенты конфиденциальности, стандарты доступности, формата, качества и безопасности. Заполнение и постоянное обновление национальной информационной базы требует значительных усилий специалистов и выступает важным элементом эффективного мониторинга и принятия решений по управлению зерновым производством на национальном уровне. Отмечена необходимость налаживания взаимодействия и коммуникации между специалистами из разных областей, а также наличие информационной инфраструктуры для обеспечения надежности, масштабируемости, безопасности и доступности данных.
мониторинг зернового производства, национальная база данных, условия получения данных, бизнес-процесс
1. Зюкин Д. А., Латышева З. И., Скрипкина Е. В., Лисицына Ю. В. Роль цифровизации в развитии зернопродуктового подкомплекса АПК // Международный сельскохозяйственный журнал. 2022. № 1 (385). С. 94-98. DOI:https://doi.org/10.55186/25876740_2022_65_1_94.
2. Скворцов Е. А. Перспективы применения технологий искусственного интеллекта в сельском хозяйстве региона // Экономика региона. 2020. Т. 16. Вып. 2. С. 563-576. DOI:https://doi.org/10.17059/2020-2-17.
3. Смирнов Е. Н., Лукьянов С. А. Формирование и развитие глобального рынка систем искусственного интеллекта // Экономика региона. 2019. Т. 15. Вып. 1. С. 57-69. DOI:https://doi.org/10.17059/2019-1-5.
4. Ариничев И. В., Сидоров В. А., Ариничева И. В. Интеллектуальные технологии фитосанитарной диагностики экосистем: нейросетевой подход // Труды КубГАУ. 2022. Вып. 99. С. 66-70.
5. Петухова М. С., Агафонова О. В. Теоретико-методологический фундамент цифровой трансформации сельского хозяйства России: базовые понятия и этапы // Аграрный вестник Урала. 2023. № 04 (233). С. 79-89. DOI:https://doi.org/10.32417/1997-4868-2023-233-04-79-89.
6. Генералов И. Г., Губанова Е. В., Лосев А. Н. Цифровая трансформация зернового хозяйства региона // Вестник НГИЭИ. 2022. № 5 (132). С. 104-112. DOI:https://doi.org/10.24412/2227-9407-2022-5-104-112.
7. Альт В. В., Исакова С. П., Балушкина Е. А. Выбор технологий в растениеводстве: подходы и методы, применяемые в информационных системах // Вестник Казанского государственного аграрного университета. 2020. № 1. С. 52-58.
8. Труфляк Е. В., Курченко Н. Ю., Креймер А. С. Точное земледелие: состояние и перспективы. Краснодар: КубГАУ, 2018. 27 с.
9. Янишевская Н. А., Болодурина И. П. Применение технологий компьютерного зрения для разработки модели распознавания поражения культурных растений // Вестник Южно-Уральского государственного университета. Серия: Компьютерные технологии, управление, радиоэлектроника. 2021. Т. 21. № 3. С. 5-13.
10. Brahimi M., Arsenovic M., Sladojevic S., Laraba S. Deep learning for plant diseases: detection and daliency map visualization // Human and Machine Learning / J. Vanderdonckt, Q. Vera Liao (eds.). 2018. Pp. 93-117.
11. Fuentes A., Soon Y. Robust deep-learning-based detector for real-time tomato plant diseases and pests recognition // Sensors. 2017. No. 17 (9). DOI:https://doi.org/10.3390/s17092022.
12. Zhang S., Huang W., Zhang C. Three-channel convolutional neural networks for vegetable leaf disease recognition // Cognitive Systems Research. 2019. Vol. 53. Pp. 31-41.
13. Uzhinskiy A. V., Ososkov G. A., Goncharov P. V., Nechaevskiy A. V., Smetanin A. A. One-shot learning with triplet loss for vegetation classification tasks // Computer Optics. 2021. No. 45 (4). Pp. 608-614.
14. Arinichev I. V., Polyanskikh S. V., Volkova G. V., Arinicheva I.V. Rice fungal diseases recognition using modern computer techniques // IJFIS. 2021. Vol. 21. No. 1. DOI:https://doi.org/10.5391/IJFIS.2021.21.1.1
15. Polyanskikh S. V., Arinicheva I. V., Arinichev I. V., Volkova G. V. Autoencoders for semantic segmentation of rice fungal diseases // Agronomy Research. 2021. Vol. 19. No. 2. Pp. 574-585.
