CC BY
61
■ *
DOI: 10.24411/0235-2451-2019-11224 УДК 338.439.025
Предпосылки создания информационно-ресурсной цифровой платформы интеллектуального управления системами земледелия и землепользования для агропромышленного комплекса россии
и. А. ГАниЕвА
Всероссийский институт аграрных проблем и информатики имени А. А. Никонова - филиал Федерального научного центра аграрной экономики и социального развития сельских территорий - ВНИИЭСХ, Б. Харитоньевский пер., 21, стр. 1, Москва, 107078, Российская Федерация
резюме. Исследования проводили с целью обоснования мер и подходов к реализации цифрового платформенного решения для интеллектуального управления агрохозяйством с применением сквозных цифровых технологий на основе отечественных разработок в области анализа больших данных, распределенного реестра и искусственного интеллекта для перехода к высокопродуктивному сельскому хозяйству нового технологического уклада. Реализация комплексного научно-технического проекта по разработке и внедрению упомянутой цифровой платформы на уровне хозяйствующего субъекта и региона должна предусматривать разработку новых датчиков и систем их пространственного размещения, новых технологий мониторинга сельскохозяйственных земель и динамики роста возделываемых культур, формирование информационно-ресурсной цифровой платформы для подбора и выбора лучших комбинаций мер государственной поддержки и коммерческих агросервисов. Ее эксплуатация должна обеспечивать оптимальное распределение и использование ресурсов, максимально быстрое распространение информации о современных технологических приемах и средствах интенсификации производства. Использование такой платформы открывает возможности для решение типичных проблем аграрного бизнеса, которые заключаются в отсутствии или слабом распространении отраслевых цифровых продуктов и технологий (комплексное решение для освоения цифровых технологий мониторинга ресурсов и земель сельскохозяйственного назначения, использования спутников и беспилотных летательных аппаратов в сельском хозяйстве, продуктов и технологий маркировки животных, цифровых технологий для агротехники и др.). Наличие соответствующих сервисов позволит автоматизировать рутинный процесс предоставления отраслевой статистической отчетности, устранит дублирование собираемых показателей в статистических формах разных ведомств и различия методик расчета, откроет возможности для оперативной систематизации собираемых показателей с последующим формированием отчетов для рынка, обеспечит накопление необходимого агробизнесу массива мастер-данных, а также доступ к отраслевой аналитике и профессиональному консалтингу.
ключевые слова: информационно-ресурсная цифровая платформа, интеллектуальное управление, системы земледелия и землепользования, хозяйствующий субъект, высокопродуктивное агрохозяйство.
Сведения об авторах: И. А. Ганиева, доктор экономических наук, ведущий научный сотрудник (e-mail: ganieva@viapi.ru). для цитирования: Ганиева И. А. Предпосылки создания информационно-ресурсной цифровой платформы интеллектуального управления системами земледелия и землепользования для агропромышленного комплекса России // Достижения науки и техники АПК. 2019. Т. 33. № 12. С. 110-116. DOI: 10.24411/0235-2451-2019-11224.
*Работа выполнена в рамках ФЦП «Исследования и разработки по приоритетным направлениям развития научно-технологического комплекса России на 2014—2020 годы», тема «Разработка информационно-ресурсной цифровой платформы интеллектуального управления системами земледелия и землепользования на уровне хозяйствующего субъекта и региона для перехода к высокопродуктивному агрохозяйству нового технологического уклада», соглашение № 05.607.21.0302.
Prerequisites for the Creation of an Information and Resource Digital Platform for the Intellectual Management of Agriculture and Land use Systems for the Russian Agricultural Sector
I. A. Ganieva
Nikonov All-Russian Institute of Agrarian Problems and Informatics, Federal Scientific Center of Agrarian Economics and Social Development of Rural Territories, All-Russian Research Institute of Agricultural Economics, B. Khariton'evskii per., 21, str. 1, Moskva, 107078, Russian Federation
Abstract. The purpose of the studies was to justify measures and approaches to the implementation of a digital platform solution for the intelligent management of agricultural enterprises using end-to-end digital technologies based on domestic developments in the field of big data analysis, blockchain, and artificial intelligence for the transition to a highly productive agriculture of a new technological structure. The implementation of a comprehensive scientific and technical project for the development of the digital platform at the level of an economic entity and the region should include the development of new sensors and systems for their spatial distribution, new technologies for monitoring agricultural lands and growth dynamics of cultivated crops, the formation of an information and resource digital platform for selecting the best combinations of government support measures and commercial agricultural services. Its operation should ensure the optimal distribution and use of resources, the fastest possible dissemination of information on modern technological methods and means of intensifying production. The use of such a platform opens up opportunities for solving typical problems of the agricultural business, which are the absence or weak distribution of industry-specific digital products and technologies (a comprehensive solution for the development of digital technologies for monitoring agricultural resources and lands, the use of satellites and unmanned aerial vehicles in agriculture, products and animal marking technologies, digitalization of agricultural methods, etc.). The appropriate services will automate the routine process of industry-specific statistical reporting, will eliminate duplication of collected indicators in the statistical forms of different departments and differences in calculation methods, will open up opportunities for quick systematization of collected indicators with subsequent generation of market reports, and will ensure the accumulation of the master data array necessary for agribusiness and also access to industry analytics and professional consulting.
Keywords: information and resource digital platform; intelligent management; agriculture and land use systems; economic entity; highly productive agricultural sector.
Author Details: I. A. Ganieva, D. Sc. (Econ.), leading research fellow (e-mail: ganieva@viapi.ru).
For citation: Ganieva I. A. Prerequisites for the Creation of an Information and Resource Digital Platform for the Intellectual Management of Agriculture and Land Use Systems for the Russian Agricultural Sector. Dostizheniya naukii tekhnikiAPK. 2019. Vol. 33. No. 12. Pp. 110-116 (in Russ.). DOI: 10.24411/0235-2451-2019-11224.
Один из приоритетов Стратегии научно-технологического развития России, утвержденной Указом Президента РФ №642 от 01 декабря 2016 г., на ближайшие 15 лет - переход к высокопродуктивному и экологически чистому агро- и аквахозяйству [1]. При этом масштабная модернизация и трансформация агропромышленного комплекса достижимы только в результате широкого распространения в отрасли цифровых продуктов и технологий, что так же относится к приоритетам Стратегии.
Подписан Указ Президента РФ №350 от 21 июля 2016 г. «О мерах по реализации государственной научно-технической политики в интересах развития сельского хозяйства» в целях научно-технического обеспечения развития отрасли и снижения технологических рисков в продовольственной сфере, свидетельствующий о необходимости разработки и освоения конкурентоспособных отечественных технологий, основанных на новейших достижениях науки [2].
Государственные мероприятия и программы по обеспечению продовольственной безопасности страны, импортозамещению, развитию экспорта превращают сельское хозяйство в высокотехнологичную отрасль, способную обеспечить продовольствием не только внутренний рынок, но и многие страны мира, а также создать возможности для распространения инновационных разработок, которые на современном этапе развития мировой экономики идентифицируются с цифровыми технологиями. В Указе Президента России «О национальных целях и стратегических задачах развития Российской Федерации на период до 2024 года» от 7 мая 2018 года [3] поставлена задача преобразования приоритетных отраслей экономики и социальной сферы, включая сельское хозяйство, посредством освоения цифровых технологий и платформенных решений.
Вместе с тем, текущий уровень цифровизации отечественного сельского хозяйства значительно ниже, чем, например, в Израиле, Японии, США, Канаде. Достаточными ресурсами для цифровой модернизации производства, использования цифровых продуктов, технологий и платформ в нашей стране обладают единичные крупные сельскохозяйственные товаропроизводители. На сегодняшний день цифровые технологии распространяются в агараном секторе бессистемно. В основном речь идет о разработке отдельных роботизированных комплексов, автоматизации отдельных процессов производства и хранения продукции, создания систем контроля и мониторинга сельскохозяйственной техники, агротехнологических мероприятий. Это приводит к низкой отдаче от их внедрения [4].
Затраты на информационно-коммуникационные технологии в сельском хозяйстве в 2017 г. по данным Росстата составляли 0,85 млрд руб., или 0,2 % от всех ИКТ-инвестиций в российскую экономику [5]. Это означает, что сельское хозяйство обладает наибольшим потенциалом для инвестиций в цифро-визацию [5].
По мнению экспертов аграрной экономики, цифровизации сельского хозяйства в России препятствуют следующие проблемы [4, 6]: дефицит финансовых средств; отсутствие доступных отечественных комплексных цифровых платформенных решений для совместного использования сельхозтоваропроизводителями, удешевляющих цифровые услуги;
острая нехватка квалифицированных кадров - специалистов в сфере информационных технологий, владеющих знаниями в области аграрной экономики, для оперативного и качественного освоения в сельском хозяйстве цифровых продуктов и технологий;
слабое проникновение в сельскую местность цифровой инфраструктуры, что препятствует появлению и развитию отдельных технологий, в том числе интернета вещей.
Одновременно следует отметить, что усилия государства в рамках национальной программы «Цифровая экономика» направлены на существенные инвестиции в развитие информационной инфраструктуры, в том числе на сельских территориях. Например, если в 2006 г. по результатам Всероссийской сельскохозяйственной переписи, выход в сеть Интернет имели 15,7 % крупных и средних сельскохозяйственных организаций, 6,3 % малых сельскохозяйственных предприятий [7], то в 2016 г. - 47,6 % сельскохозяйственных организаций, 17,9 % К(Ф)Х и индивидуальных предпринимателей, 20,2 % личных подсобных хозяйств [8]. Таким образом, за 10 лет охват сельскохозяйственных предприятий Интернетом увеличился в несколько раз. Эта тенденция создает благоприятные условия для распространения цифровых технологий и продуктов.
По оценке экспертов, освоение цифровых продуктов и технологий позволяет значительно повысить рентабельность и производительность сельхозпро-изводства за счет эффективного распределения ресурсов, оптимизации затрат и процессов управления [9, 10].
Для активного распространения цифровых технологий в сельском хозяйстве необходимы новые подходы, методы, платформенные решения для управления земледелием и землепользованием, агропромышленным производством, в основе которых должны лежать научные заделы в области моделирования процессов, использования данных дистанционного зондирования земли, искусственного интеллекта. Они могут послужить основой для разработки информационно-ресурсной цифровой платформы интеллектуального управления системами земледелия и землепользования на разных уровнях - от одного поля до страны.
Сельское хозяйство обладает рядом особенностей, обусловливающих необходимость активного применения цифровых продуктов и технологий [11]: множественность факторов, определяющих результаты производственного процесса (природно-климатических, почвенных, биологических, экономических и социальных), сильно варьирующих во времени и пространстве, что обусловливает высокие управленческие издержки на уровне конкретного хозяйства;
многочисленность и территориальная рассредото-ченность хозяйствующих субъектов, что сильно осложняет управленческие решения в масштабе отрасли;
интенсивные и многосторонние межотраслевые связи с предприятиями других сфер АПК - поставщиками ресурсов и покупателями продукции.
Зарубежный опыт применения цифровых продуктов и технологий в сельском хозяйстве демонстрирует стабильные успешные результаты. Так, американские фермеры используют платформу Farmobile для автоматизации сбора данных с сельскохозяйственного оборудования, что повышает качество принимаемых решений относительно вариантов производства [12]. Канадская компания Decisive Farming в прошлом году
предложила производителям финансовую компенсацию за получаемые в платформу цифровые полевые данные, предоставляя фермерам по результатам анализа данных оптимальные решения в области земледелия [13]. Машинное обучение применяется к огромному количеству данных, которые собираются с помощью датчиков урожая и других технологий. Это позволяет снизить трудоемкость производства сельскохозяйственных культур, эффективно собирать данные и снизить затраты. Транснациональная компания Hummingbird technologies подает отличный пример применения искусственного интеллекта в анализе данных при мониторинге полей [14]. Стремительно находят применение в отрасли продукты и технологии RFID -радиочастотной идентификации. Она предоставляет информацию о каждом процессе на пути продукции от производителя к покупателю, что также позволяет оптимизировать производственно-сбытовой процесс в любой его фазе [15]. Существует высокая вероятность того, что в ближайшие годы подавляющее большинство развитых сельскохозяйственных предприятий будут использовать прецизионную агрономию или другие инновационные технологии производства продуктов питания, чтобы стать более прибыльными, устойчивыми [16]. С позиции государственных органов такая практика значительно облегчит учет, анализ и контроль субъектов аграрного бизнеса.
По итогам рабочих совещаний с агробизнесом с участием более 200 сельскохозяйственных товаропроизводителей, проведенных авторами в течение текущего года, сформулирована актуальность разработки цифровой платформы по сбору, анализу и представлению информации для принятия управленческих решений: в части сбора в режиме «одного окна» отраслевой аналитики, в части получения документов от государственных органов, в части доступа к отраслевой аналитике, бенчмаркинга, предоставления современных цифровых сервисов землепользования, управления ресурсами и др. [17].
Все это свидетельствует о необходимости создания единой платформы для более системного освоения цифровых технологий, что способно обеспечить наибольшую экономическую эффективность и экологическую устойчивость сельскохозяйственного производства. Так, распространение цифровых роботизированных технологий на землях с высоким ресурсным потенциалом будет более эффективно, чем при низком их потенциале, в рамках ландшафтно-адаптивных систем землепользование будет более эффективно, чем в рамках традиционных систем и др. [18].
Нужна система, которая позволит осуществлять планирование, прогнозирование и рационализацию использования почвенных и земельных ресурсов при сельскохозяйственном использовании территории на разных уровнях обобщения, функционирующая на основе современных цифровых технологий сбора, мониторинга и анализа данных, компьютерного моделирования с использованием геоинформационных и дистанционных технологий.
Цель исследований - обоснование мер и подходов к реализации цифрового платформенного решения для интеллектуального управления агрохозяйством с применением сквозных цифровых технологий на основе российских разработок в области анализа больших данных, распределенного реестра, искусственного интеллекта для перехода к высокопродуктивному
агрохозяйству нового технологического уклада.
Для наполнения обсуждаемой системы исходной информацией нужны новые методы сбора и обработки данных о фактическом состоянии земель, для разработки которых целесообразно изучить и определить наиболее перспективные инновации из российской и зарубежной практики, включая методы с использованием современных цифровых продуктов и технологий роботизированных полевых исследований, геоинформационного моделирования, анализа данных дистанционного зондирования [19, 20, 21].
Потребуются новые методы и технологии оценки ресурсного потенциала земель, включая экономическую и кадастровую оценку, определения пригодности земель для выращивания различных сельскохозяйственных культур, включая оценку потенциальной урожайности культур, построение ансамбля пространственно-временных сценариев оптимального, с точки зрения полноты использования ресурсного потенциала земель, размещения возделываемых культур и рекомендуемых севооборотов. При их разработке необходимо усовершенствовать методы моделирования роста и развития сельскохозяйственных культур, экспертного анализа данных и геоинформационного анализа [22, 23, 24].
Необходимо разработать автоматизированную систему создания проектов землеустройства территории на основе методов геоинформационного моделирования и программирования в формате карты оптимального размещения угодий и объектов с функционалом автоматического создания пакета документации для их государственной регистрации [25, 26, 27].
Нужен алгоритм планирования эффективного и устойчивого производства сельскохозяйственных культур, для реализации которого потребуется спроектировать и разработать базы данных технологий их возделывания, а также истории полей с логической структурой следующего вида: «год, номер поля, код технологического способа, содержание элементов почвенного плодородия, предшественник, культура, площадь посева, площадь убранная, дозы внесения удобрений, нормы внесения удобрений в действующем веществе, валовой сбор». Кроме того, потребуется экономико-математическая модель оптимизации годового плана производства сельскохозяйственных культур с выбором технологических способов его реализации [28, 29, 30]. Результаты таких исследований необходимо проверить сначала на нескольких пилотных объектах (сельскохозяйственных предприятиях), затем на пилотном регионе, для которого предварительно следует разработать экономико-математическую модель размещения основных сельскохозяйственных культур по районам с учетом ограничений по воспроизводству почвенного плодородия и с использованием критерия минимизации совокупных издержек на производство и транспортировку перемещаемой продукции.
Нужно оптимизировать существующие и разработать новые принципы, методы и алгоритмы мониторинга качественного состояния земель и систем землепользования [31]. Они должны предусматривать сбор метеорологической информации, сведений о «статичных» (гумус, уровень грунтовых вод, засоленность, загрязненность, плотность, солонцеватость, эродированность) и «динамичных» (влажность, содержание азота, фосфора и калия) свойствах почв с
использованием спутников, беспилотных летательных аппаратов, стационарных и мобильных датчиков, роботизированных комплексов, систем накопления и обработки подобных данных [32]. Для повышения эффективности мониторинга необходимо разработать новые датчики и методы сбора и анализа поступающей от них информации, систему пространственного размещения датчиков, определить периодичность передачи данных и усовершенствовать методы их интерпретации [33, 34, 35]. Потребуются новые принципы мониторинга границ угодий и рабочих участков, типов возделываемых культур, соблюдения рекомендуемых севооборотов, времени и точности выполнения технологических операций и движения сельскохозяйственной техники с учетом особенностей рельефа. Будут нужны новые технологии мониторинга всходов сельскохозяйственных культур (время, дружность), состояния посевов (надземная фитомасса, изреженность, содержание азота и хлорофилла), прохождения фенофаз, состояние озимых после зимовки, сроков уборки, оценки урожайности перед уборкой, распространенности и развития сорняков, болезней и вредителей [36, 37, 38].
Для разработки алгоритма моделирования интеллектуальной системы земледелия и землепользования на уровне хозяйствующего субъекта, региона, страны с последующим созданием модуля оценки экономической эффективности технологий возделывания сельскохозяйственных культур и ее прогноза на краткосрочную перспективу необходимо на основе сведений по нескольким пилотным регионам сформировать базу данных для оценки параметров производственных функций урожайности основных сельскохозяйственных культур (пшеница, подсолнечник, сахарная свекла и др.) и определить аналитические формы их зависимости. Потребуется формирование базы данных ценовой информации на региональных рынках растениеводческой продукции, а также цен производителей; разработка новых методов краткосрочного прогнозирования аргументов производственных функций урожайности, математических моделей технологических карт основных сельскохозяйственных культур, математической модели оценки и краткосрочного прогнозирования экономической эффективности вариантов распределения посевных площадей сельскохозяйственных культур региона по заданным технологическим способам их производства.
Необходимо будет разработать методический подход и алгоритм прогнозирования урожайности на предстоящий сезон путем экономико-математического моделирования и анализа данных на основе метеорологических сведений, почвенных характеристик, результатов аэрокосмического мониторинга, моделирования роста культур и статистической информации [39].
С использованием лучших прогрессивных практик концептуального планирования и прогнозирования [40, 41], с учетом стратегических документов по вопросам управления агропромышленным комплексом страны необходимо разработать концепцию информационно-ресурсной цифровой платформы интеллектуального управления системами земледелия и землепользования, включая элементы ее архитектуры, функционал для пользователей разных уровней с последующей разработкой соответствующего эскизного проекта.
Результаты проведенных исследований по раз-
работке новых методов сбора и обработки данных о фактическом состоянии земель, методов и технологий оценки ресурсного потенциала земель нужно проверить в условиях модельного эксперимента в одном или нескольких пилотных регионах, на не менее чем 15 сельскохозяйственных предприятиях в каждом.
Для реализации алгоритма планирования эффективного и устойчивого производства сельскохозяйственной продукции при условии наиболее полного освоения ресурсного потенциала земель необходимо создание базы данных о внешнем экономическом окружении. Она должна включать нормативы, сведения о ресурсном потенциале сельского хозяйства, почвенные характеристики, а также интерфейс для управления вычислительным процессом при вариантных расчетах на основе разработанного прототипа программного обеспечения, реализующего алгоритм оптимизации плановых решений на годовом интервале с учетом стохастичности внешнего экономического окружения и необходимости достижения компромисса между эффективностью и устойчивостью [42].
В итоге с использованием методов геоинформационного моделирования, экспертных систем, экономико-статистического моделирования и анализа данных необходимо создать модель интеллектуальной системы земледелия и землепользования, предусматривающую определение оптимального размещения сельскохозяйственных культур, севооборотов, агро-технологий, систем удобрений и защиты растений, технологические карты в рамках разработанного проекта землеустройства и с учетом прогноза развития социально-экономической ситуации [43, 44].
Предлагаемые «Информационно-ресурсная цифровая платформа интеллектуального управления системами земледелия и землепользования на уровне хозяйствующего субъекта, региона, страны» и технологии (различного характера) будут доступны российским сельскохозяйственным товаропроизводителям, что обеспечит оптимальное распределение и использование сельскохозяйственных ресурсов, распространение современных средств интенсификации производства, а также эффект от повышения технологического уровня сельского хозяйства России в целом. При этом затраты на их приобретение и эксплуатацию будут значительно (в 5...7 раза) ниже, чем у мировых аналогов, вследствие снижения совокупной стоимости пользования цифровым платформенным решением.
Использование предлагаемой системы обеспечит сокращение антропогенной нагрузки на окружающую среду до масштабов, не угрожающих воспроизводству природных ресурсов, поддержание продовольственной безопасности и независимости России на необходимом уровне,конкурентоспособность отечественной продукции на мировых рынках продовольствия и уменьшение технологических рисков в агропромышленном комплексе. Реализация такого комплексного научно-технического проекта создаст мультипликативный технологический и технико-экономический эффект для российского сельского хозяйства, будет способствовать росту производства удобрений, средств защиты растений, семян и посадочного материала высоких репродукций, развитию смежных отраслей (машиностроение, химическое производство). Одновременно благодаря освоению платформенного решения, предназначенного для генерации, обработки, глубокого анализа и трансляции результатов в
форме числовой информации об объектах и субъектах сельскохозяйственной экономики (земли) для последующего принятия обоснованных управленческих решений, обеспечивающих технологический прорыв в АПК и значительный рост производительности агробизнеса, произойдет преобразование экономической деятельности в отрасли.
Информационно-ресурсная цифровая платформа - многофункциональное решение, пригодное для практического использования сельскохозяйственными товаропроизводителями России любых форм собственности и хозяйствования, регионов размещения, специфики деятельности, в связи с чем можно предположить, что она будет востребована несколькими миллионами предприятий и крестьянских (фермерских) хозяйств. Отдельная категория ее пользователей - региональные органы власти, государственные организации, работающие в сфере планирования, прогнозирования и регулирования. Рассматриваемые платформа и технологии ее реализации обеспечат отечественному сельскому хозяйству мировое превосходство в части использования цифрового платформенного решения для макроэкономического планирования производства основных культур в целях обеспечения продовольственной безопасности и сохранения плодородия почв России. Следует также отметить мощный эффект импортоза-мещения, который прогнозируется по результатам этого проекта, поскольку создаваемое российскими учеными и бизнесом решение для огромного количества сельскохозяйственных товаропроизводителей может стать полноценной заменой аналогичных продуктов иностранных корпораций.
Заключение. Таким образом, реализация комплексного научно-технического проекта по разработке и внедрению информационно-ресурсной цифровой платформы интеллектуального управления системами
земледелия и землепользования на уровне хозяйствующего субъекта и региона для перехода к высокопродуктивному агрохозяйству нового технологического уклада должна предусматривать разработку новых датчиков и систем их пространственного размещения, новых технологий мониторинга сельскохозяйственных земель и динамики роста сельскохозяйственных культур, формирование информационно-ресурсной цифровой платформы для подбора и выбора наилучшей комбинации мер государственной поддержки и коммерческих агросервисов. Ее эксплуатация должна обеспечивать оптимальное распределение и использование сельскохозяйственных ресурсов, максимально быстрое распространение информации о самых современных технологических приемах и средствах интенсификации аграрного производства, решение типичных проблем аграрного бизнеса, заключающихся в отсутствии или слабом распространении цифровых продуктов и технологий для сельского хозяйства (комплексное решение для освоения цифровых технологий мониторинга ресурсов и земель сельскохозяйственного назначения, использования спутников и беспилотных летательных аппаратов в сельском хозяйстве, продуктов и технологий маркировки животных, цифровых технологий для агротехники и др.), рутинном процессе отраслевой статистической отчетности (дублирование собираемых показателей в статистических формах разных ведомств, различие методик расчета статистических показателей, отсутствие процесса оперативной систематизации собираемых показателей и последующее формирование отчетов для рынка, отсутствие необходимого агробизнесу массива мастер-данных), недоступности придиктивной отраслевой аналитики и профессионального консалтинга (доступ к агрегированной отраслевой информации, оперативной продвинутой аналитике, доступность агроконсультантов).
Литература.
1. Указ Президента Российской Федерации от 01.12.2016 г. № 642 «О Стратегии научно-технологического развития Российской Федерации» // Президент России: официальный сайт [Электронный ресурс]. URL: http://www.kremlin.ru/acts/ bank/41449 (дата обращения: 05.08.2019).
2. Указ Президента Российской Федерации от 21.07.2016 г. № 350 «О мерах по реализации государственной научно-технической политики в интересах развития сельского хозяйства» // Президент России: официальный сайт [Электронный ресурс]. URL: http://www.kremlin.ru/acts/bank/41139 (дата обращения: 05.08.2019).
3. Указ Президента Российской Федерации от 07.05.2018 г. № 204 «О национальных целях и стратегических задачах развития Российской Федерации на период до 2024 года» // Президент России: официальный сайт [Электронный ресурс]. URL: http://www.kremlin.ru/acts/bank/43027(дата обращения: 05.08.2019).
4. Архипов А. Г., Косогор С. Н., Моторин О. А. Цифровая трансформация сельского хозяйства России. М.: Росинфор-магротех, 2019. 80 с.
5. Рипинская Н. Подняли дроны. Регионы призывают активнее внедрять цифровые технологии в сельское хозяйство // Российская газета - Экономика Центрального округа. 2018. № 207 (7670) [Электронный ресурс]. URL: https:// rg.ru/2018/09/18/reg-cfo/selskoe-hoziajstvo-perejdet-na-cifru.html(дата обращения: 05.08.2019).
6. Ситдиков Ф. Ф., Цой Ю. А., Зиганшин Б. Г. Основные направления и проблемы цифровизации агропромышленного комплекса // Вестник Казанского государственного аграрного университета. 2019. Т. 14. № 3 (54). С. 112-115.
7. Итоги Всероссийской сельскохозяйственной переписи 2006 года: в 9 томах/председатель редколлегии В. Л. Со-колин. М.: ИИЦ «Статистика России», 2008. Т. 6. 432 с.
8. Итоги Всероссийской сельскохозяйственной переписи 2016 года: в 8 томах/председатель редколлегии К. Э. Лайкам. М.: ИИЦ «Статистика России», 2018. Т. 6. 525 с.
9. Нилин И. Точное земледелие: что дадут цифровые технологии российскому АПК // Партнерские проекты РБК+ [Электронный ресурс]. URL: https://plus.rbc.ru/news/5ddb57f57a8aa9f19b95bb99 (дата обращения 02.12.2019).
10. Салахетдинова Т. Агробизнес в «цифрах» //Коммерсантъ. Пищевая промышленность. Приложение № 100 от 11.06.2019. С. 9 [Электронный ресурс]. URL: https://www.kommersant.ru/apps/124856 (дата обращения: 18.10.2019).
11. Гончаров В. Д., Котеев С. В., Рау В. В. Проблемы продовольственной безопасности России//Проблемы прогнозирования. 2016. № 2 (155). С. 99-107.
12. FARMOBILEDataEngine //Farmobile [Электронный ресурс]. URL: https://www.farmobile.cOm/data-engine/#text-116 (дата обращения: 19.10.2019).
13. Optimize-RXтм // Decisive Farming [Электронный ресурс]. URL: https://decisivefarming.com/optimize-rx/ (дата обращения 19.10.2019).
14. The Process // Hummingbird Technologies [Электронный ресурс]. URL: https://hummingbirdtech.com/the-process/ (дата обращения 19.10.2019).
15. Meyer G. RFID Trends in 2018 // RIS [Электронный ресурс]. URL: https://risnews.com/rfid-trends-2018 (дата обращения 19.10.2019).
16. Чулок А. АПК будущего. Взгляд на сельское хозяйство сквозь призму анализа больших данных // Агроинвестор. 2019. № 3. [Электронный ресурс]. URL: https://www.agroinvestor.ru/analytics/article/31304-apk-budushchego/ (дата обращения: 21.09.2019).
17. Ганиева И. А., Бобров Н. Е. Цифровые платформы в сельском хозяйстве России: правовой аспект внедрения // Достижения науки и техники АПК. 2019. Т. 33. № 9. С. 83-86.
18. Кирюшин В. И. Задачи научно-инновационного обеспечения земледелия России // Земледелие. 2018. № 3.
C. 3-8. doi: 10.24411/0044-3913-2018-10301.
19. Чекмарев П. А., Сорокин И. Б., Катаев М. Ю. Агроэкологическое состояния пахотных земель Томской области и перспективы применения методов дистанционного зондирования Земли // Земледелие. 2017. № 5. С. 7-10.
20. Каличкин В. К. Геоинформационное моделирование в изучении трансформации и использования земель сельско -хозяйственного назначения//Достижения науки и техники АПК. 2016. Т. 30. № 4. С. 70-72.
21. Radio Frequency Identification and Sensing Techniques and Their Applications-A Review of the State-of-the-Art/ L. Cui, Z. Zhang, N. Gao, et al.//Sensors (Basel). 2019. Vol. 19. No. 18. P. 4012. doi:10.3390/s19184012.
22. Оценка агрочерноземов Сибири на основе современных подходов / А. А. Шпедт, Ю. В. Аксенова, В. Н. Жуланова и др. // Земледелие. 2019. № 4. С. 8-14.
23. Цифровые технологии в управлении земельными ресурсами Владимирской области/В. С. Столбовой, А. А. Корчагин, Т. С. Бибик и др. // Достижения науки и техники АПК. 2018. Т. 32. № 10. С. 45-49.
24. Sensors Driven AI-Based Agriculture Recommendation Model for Assessing Land Suitability / D. R. Vincent, N. Deepa,
D. Elavarasan, etc. //Sensors (Basel). 2019. Vol. 19. No. 17. P. 3667. doi:10.3390/s19173667.
25. Геопространственная база данных цифровизации системы земледелия Красноярского края / М. Г. Ерунова,
A. А. Шпедт, О. Э. Якубайлик и др. //Достижения науки и техники АПК. 2019. Т. 33. № 7. С. 56-61.
26. A review of visualisations in agricultural decision support systems: An HCI perspective / F. Gutierrez, N. N. Htun, F. Schlenz, et al. // Comput Electron Agric. 2019. No. 163. Pp. 104844. doi:10.1016/j.compag.2019.05.053.
27. Костин И. Г. Применение геоинформационных систем при инвентаризации многолетних насаждений и в точном земледелии // Земледелие. 2018. № 7. С. 45-48.
28. Гостев А. В., Пыхтин А. И. Выбор адаптивных агротехнологий в цифровом земледелии //Достижения науки и техники АПК. 2019. Т. 33. № 6. С. 57-61.
29. К разработке структуры базы данных для формирования экологически сбалансированных агроландшафтов / Н. П. Масютенко, А. В. Кузнецов, М. Н. Масютенко и др. // Земледелие. 2017. № 7. С. 3-6.
30. AgriPrediction: A proactive internet of things model to anticipate problems and improve production in agricultural crops / U. J. L. dos Santos, G. Pessin, C. A. da Costa, et al. // Comput Electron Agric. 2019. No. 161. Pp. 202-213. doi:10.1016/j. compag.2018.10.010.
31. Toward a new generation of agricultural system data, models, and knowledge products: State of agricultural systems science / J. W. Jones, J. M. Antle, B. Basso, et al. //Agric Syst. 2017. No. 155. Pp. 269-288. doi:10.1016/j.agsy.2016.09.021.
32. Интеграция оценки агроэкологических и технологических свойств земель / В. К. Каличкин, А. И. Павлова,
B. Н. Шоба и др. //Достижения науки и техники АПК. 2019. Т. 33. № 3. С. 11-14.
33. Computer vision technology in agricultural automation - A review/ H. Tian, T. Wang, Y. Liu, et al. // Inf Process Agric. September 2019. doi:10.1016/j.inpa.2019.09.006.
34. Lee W. S., Ehsani R. Sensing systems for precision agriculture in Florida // Comput Electron Agric. 2015. No. 112. Pp. 2-9. doi: 10.1016/j.compag.2014.11.005.
35. Korosak Z., Suhadolnik N., Pletersek A. The Implementation of a Low Power Environmental Monitoring and Soil Moisture Measurement System Based on UHF RFID // Sensors (Basel). 2019. Vol. 19. No. 24. E5527. doi:10.3390/s19245527.
36. Разработка прецизионных технологий фитосанитарного мониторинга агроэкосистем на основе использования данных дистанционного гиперспектрального зондирования земли / Р. Ю. Данилов, В. Я. Исмаилов, В. А. Третьяков и др. //Достижения науки и техники АПК. 2018. Т. 32. № 10. С. 82-86.
37. Спектральные характеристики сортов пшеницы при биотическом стрессе / Т. А. Гурова, Д. Н. Клименко, О. С. Луговская и др. // Достижения науки и техники АПК. 2019. Т. 33. № 10. С. 71-75.
38. Логинов Н. А., Сабирзянов А. М. Разработка методики оперативной оценки состояния посевов озимых культур в ранневесенний период с применением БПЛА // Вестник Казанского государственного аграрного университета. 2018. Т. 13. № 4 (51). С. 56-60.
39. A Novel Remote Sensing Approach for Prediction of Maize Yield Under Different Conditions of Nitrogen Fertilization / O. Vergara-Diaz, M. A. Zaman-Allah, B. Masuka, et al. // Front Plant Sci. 2016. No. 7. Pp. 666. doi:10.3389/fpls.2016.00666.
40. A comparison of global agricultural monitoring systems and current gaps / S. Fritz, L. See, J. C. L. Bayas, et al. // Agric Syst. 2019. No. 168. Pp. 258-272. doi:10.1016/j.agsy.2018.05.010.
41. GeoFarmer: A monitoring and feedback system for agricultural development projects / A. Eitzinger, J. Cock, K. Atzmanstorfer, et al.// Comput Electron Agric. 2019. No. 158. Pp. 109-121. doi:10.1016/j.compag.2019.01.049.
42. Towards a new generation of agricultural system data, models and knowledge products: Information and communication technology / S. J. C. Janssen, C. H. Porter, A. D. Moore, et al. // Agric Syst. 2017. No. 155. Pp. 200-212. doi:10.1016/j. agsy.2016.09.017.
43. Выбор и размещение сельскохозяйственной культуры с использованием искусственного интеллекта/В. К. Каличкин, Р. А. Корякин, Т. А. Лужных и др. // Достижения науки и техники АПК. 2019. №10. С. 67-70.
44. Architecting an IoT-enabled platform for precision agriculture and ecological monitoring: A case study / T. Popovic, N. Latinovic, A. Pesic, et al.// Comput Electron Agric. 2017. No. 140. Pp. 255-265. doi:10.1016/j.compag.2017.06.008.
References
1. Kremlin.ru [Internet]. Moscow: Russian Presidential Executive Office; 2019. [Decree of the President of the Russian Federation dated December 01, 2016 No. 642 "On the strategy for the scientific and technological development of the Russian Federation"]; 2016 Dec 1 [cited 2019 Aug 5]. Available from: http://www.kremlin.ru/acts/bank/41449. Russian.
2. Kremlin.ru [Internet]. Moscow: Russian Presidential Executive Office; 2019. [Decree of the President of the Russian Federation dated July 21, 2016 No. 350 "On measures to implement the state scientific and technological policy in the interests of agricultural development"]; 2016 Jul 21 [cited 2019 Aug 5]. Available from: http://www.kremlin.ru/acts/bank/41139. Russian.
3. Kremlin.ru [Internet]. Moscow: Russian Presidential Executive Office; 2019. [Decree of the President of the Russian Federation dated May 07, 2018 No. 204 "On national goals and strategic objectives of the development of the Russian Federation for the period until 2024"]; 2018 May 07 [cited 2019 Aug 5]. Available from: http://www.kremlin.ru/acts/bank/43027. Russian.
4. Arkhipov AG, Kosogor SN, Motorin OA. Tsifrovaya transformatsiya sel'skogo khozyaistva Rossii [Digital transformation of Russian agriculture]. Moscow: Rosinformagrotekh; 2019. 80 p. Russian.
5. Ripinskaya N. [Drones raised. Regions urge more active introduction of digital technologies in agriculture]. Rossiiskaya gazeta - Ekonomika Tsentral'nogo okruga [Interent]. 2018 Sep 18 [cited 2019 Aug 5];207(7670). Available from: https:// rg.ru/2018/09/18/reg-cfo/selskoe-hoziajstvo-perejdet-na-cifru.html. Russian.
6. Sitdikov FF, Tsoi YuA, Ziganshin BG. [The main directions and problems of digitalization of the agro-industrial complex]. Vestnik Kazanskogo gosudarstvennogo agrarnogo universiteta. 2019;14(3):112-5. Russian.
7. Sokolin VL, editor. Itogi Vserossiiskoi sel'skokhozyaistvennoi perepisi 2006 goda [Results of the All-Russian Agricultural Census of 2006]. Moscow: IITs «Statistika Rossii»; 2008. Vol. 6. 432 p. Russian.
8. Laikam KE, editor. Itogi Vserossiiskoi sel'skokhozyaistvennoi perepisi 2016 goda [Results of the All-Russian Agricultural Census of 2016]. Moscow: IITs «Statistika Rossii»; 2018. Vol. 6. 525 p. Russian.
9. plus.rbc.ru [Internet]. [place unknown]: Rosbusinessconsulting; 1995-2019. [Precision farming: what will digital technologies give to Russian agribusiness]; 2019 Nov 25 [cited 2019 Dec 2]. Available from: https://plus.rbc.ru/ news/5ddb57f57a8aa9f19b95bb99. Russian.
10. kommersant.ru [Internet]. [place unknown]: AO Kommersant"; 1991-2019. [Agribusiness in numbers]; 2019 Jun 11 [cited 2019 Oct 18]. Available from: https://www.kommersant.ru/apps/124856. Russian.
11. Goncharov VD, Koteev SV, Rau VV. [Problems of food security in Russia]. Problemy prognozirovaniya. 2016;2(155):99-107. Russian.
12. Farmobile [Internet]. [place unknown]: Farmobile LLC; 2019. Farmobile DataEngine; [cited 2019 Oct 19]. Available from: https://www.farmobile.com/data-engine/#text-116.
13. Decisivefarming [Internet]. [place unknown]: Decisive Farming; 2019. Optimize-RXtm; [cited 2019 Oct 19]. Available from: https://decisivefarming.com/optimize-rx/.
14. Hummingbird Technologies [Internet]. [place unknown]: Hummingbird Technologies Limited; 2019. The Process; [cited 2019 Oct 19]. Available from: https://hummingbirdtech.com/the-process.
15. Retail Info Systems [Internet]. [place unknown]: EnsembleIQ; 2019. RFID Trends in 2018; 2018 May 22 [cited 2019 Oct 19]. Available from: https://risnews.com/rfid-trends-2018.
16. Chulok A. [Agribusiness of the future. A look at agriculture through the lens of big data analysis]. Agroinvestor [Internet]. 2019 Mar 1 [cited2019 Sep 21];(3):[11 p.]. Available from: https://www.agroinvestor.ru/analytics/article/31304-apk-budushchego. Russian.
17. Ganieva IA, Bobrov NE. [Digital platforms in Russian agriculture: the legal aspect of implementation]. Dostizheniya nauki i tekhniki APK. 2019;33(9):83-6. Russian.
18. Kiryushin VI. [Tasks of scientific and innovative support for agriculture in Russia]. Zemledelie. 2018;(3):3-8. doi: 10.24411/0044-3913-2018-10301. Russian.
19. Chekmarev PA, Sorokin IB, Kataev MYu. [Agroecological state of arable land in the Tomsk region and prospects for the application of remote sensing methods]. Zemledelie. 2017;(5):7-10. Russian.
20. Kalichkin VK. [Geoinformation modelling in the study of the transformation and use of agricultural land]. Dostizheniya nauki i tekhniki APK. 2016;30(4):70-2. Russian.
21. Cui L, Zhang Z, Gao N, et al. Radio frequency identification and sensing techniques and their applications-a review of the state-of-the-art. Sensors (Basel). 2019;19(18):4012. doi:10.3390/s19184012.
22. Shpedt AA, Aksenova YuV, Zhulanova VN, et al. [Assessment of agro-chernozems of Siberia on the basis of modern approaches]. Zemledelie. 2019;(4):8-14. Russian.
23. Stolbovoi VS, Korchagin AA, Bibik TS, et al. [Digital technologies in land management of the Vladimir region]. Dostizheniya nauki i tekhniki APK. 2018;32(10):45-9. Russian.
24. Vincent DR, Deepa N, Elavarasan D, et al. Sensors driven AI-based agriculture recommendation model for assessing land suitability. Sensors (Basel). 2019;19(17):3667. doi:10.3390/s19173667.
25. Erunova MG, Shpedt AA, Yakubailik OE, et al. [Geospatial database of digitalization of the agricultural system of the Krasnoyarsk Krai]. Dostizheniya nauki i tekhniki APK. 2019;33(7):56-61. Russian.
26. Gutierrez F, Htun NN, Schlenz F, et al. A review of visualisations in agricultural decision support systems: An HCI perspective. Comput Electron Agric. 2019;(163):104844. doi:10.1016/j.compag.2019.05.053.
27. Kostin IG. [The use of geographic information systems in the inventory of perennial plantings and in precision farming]. Zemledelie. 2018;(7):45-8. Russian.
28. Gostev AV, Pykhtin AI. [Selection of adaptive agricultural technologies in digital farming]. Dostizheniya nauki i tekhniki APK. 2019;33(6):57-61. Russian.
29. Masyutenko NP, Kuznetsov AV, Masyutenko MN, et al. [Towards the development of a database structure for the formation of ecologically balanced agrolandscapes]. Zemledelie. 2017;(7):3-6. Russian.
30. Dos Santos UJL, Pessin G, da Costa CA, et al. AgriPrediction: A proactive internet of things model to anticipate problems and improve production in agricultural crops. Comput Electron Agric. 2019;(161):202-13. doi:10.1016/j.compag.2018.10.010.
31. Jones JW, Antle JM, Basso B, et al. Toward a new generation of agricultural system data, models, and knowledge products: State of agricultural systems science. Agric Syst. 2017;(155):269-88. doi:10.1016/j.agsy.2016.09.021.
32. Kalichkin VK, Pavlova AI, Shoba VN, et al. [Integration of assessment of agroecological and technological properties of land]. Dostizheniya nauki i tekhniki APK. 2019;33(3):11-4. Russian.
33. Tian H, Wang T, Liu Y, et al. Computer vision technology in agricultural automation - A review. Inf Process Agric. September 2019. doi:10.1016/j.inpa.2019.09.006.
34. Lee WS, Ehsani R. Sensing systems for precision agriculture in Florida. Comput Electron Agric. 2015;( 112):2-9. doi:10.1016/j.compag.2014.11.005.
35. Korosak Z, Suhadolnik N, Pletersek A. The implementation of a low power environmental monitoring and soil moisture measurement system based on UHF RFID. Sensors (Basel). 2019;19(24):E5527. doi:10.3390/s19245527.
36. Danilov RYu, Ismailov VYa, Tret'yakov VA, et al. [Development of precision technologies for phytosanitary monitoring of agroecosystems using data from remote hyperspectral sounding of the Earth]. Dostizheniya nauki i tekhniki APK. 2018;32( 10):82-6. Russian.
37. Gurova TA, Klimenko DN, Lugovskaya OS, et al. [Spectral characteristics of wheat varieties under biotic stress]. Dostizheniya nauki i tekhniki APK. 2019;33(10):71-5. Russian.
38. Loginov NA, Sabirzyanov AM. [Development of a methodology for the rapid assessment of the state of winter crops in the early spring using UAVs]. Vestnik Kazanskogo gosudarstvennogo agrarnogo universiteta. 2018;13(4):56-60. Russian.
39. Vergara-Diaz O, Zaman-Allah MA, Masuka B, et al. A novel remote sensing approach for prediction of maize yield under different conditions of nitrogen fertilization. Front Plant Sci. 2016;(7):666. doi:10.3389/fpls.2016.00666.
40. Fritz S, See L, J. Bayas CL, et al. A comparison of global agricultural monitoring systems and current gaps. Agric Syst. 2019;(168):258-72. doi:10.1016/j.agsy.2018.05.010.
41. Eitzinger A, Cock J, Atzmanstorfer K, et al. GeoFarmer: A monitoring and feedback system for agricultural development projects. Comput Electron Agric. 2019;(158):109-21. doi:10.1016/j.compag.2019.01.049.
42. Janssen SJC, Porter CH, Moore AD, et al. Towards a new generation of agricultural system data, models and knowledge products: Information and communication technology. Agric Syst. 2017;(155):200-12. doi:10.1016/j.agsy.2016.09.017.
43. Kalichkin VK, Koryakin RA, Luzhnykh TA, et al. [The selection and placement of crops using artificial intelligence]. Dostizheniya nauki i tekhniki APK. 2019;(10):67-70. Russian.
44. Popovic T, Latinovic N, Pesic A, et al. Architecting an IoT-enabled platform for precision agriculture and ecological monitoring: A case study. Comput Electron Agric. 2017;(140):255-65. doi:10.1016/j.compag.2017.06.008.
