83Применение искусственного интеллекта при оптимизации орошения и применении гербицидов
Федосов Александр Юрьевич
младший научный сотрудник отдела технологий и инноваций, Всероссийский научно-исследовательский институт овощеводства - филиал ФГБНУ «Федеральный научный центр овощеводства» (ВНИИО - филиал ФГБНУ ФНЦО), ffed@rambler.ru
Меньших Александр Михайлович
кандидат сельскохозяйственных наук, ведущий научный сотрудник отдела технологий и инноваций, Всероссийский научно-исследовательский институт овощеводства - филиал ФГБНУ «Федеральный научный центр овощеводства» (ВНИИО - филиал ФГбНу ФНЦО), soulsunnet@gmail.com
Фартуков Василий Александрович
кандидат технических наук, доцент кафедры гидротехнических сооружений ФГБОУ ВО РГАУ-МСХА имени К.А. Тимирязева, vasfar@mail.ru
Зборовская Марина Ильинична
кандидат технических наук, доцент кафедры гидротехнических сооружений ФГБОУ ВО РГАУ-МСХА имени К.А. Тимирязева, zborovskya@rgau-msha.ru
Васильев Дмитрий Михайлович
студент факультета физики Высшей школы экономики НИУ ВШЭ, dimavasmx2000@gmail.com
Растениеводство играет значительную роль в экономическом секторе. Внедрение и адаптация автоматизированных систем при выращивании овощных культур, как в нашей стране, так и за рубежом в настоящее время очень необходимо. Рост населения приводит к значительному росту потребления продуктов питания, а также к необходимости создания новых рабочих мест. Искусственный интеллект произвел революцию в растениеводстве. Для точного земледелия используются такие системы в области растениеводства, как система географического позиционирования (GPS), географическая информационная система (GIS), искусственный интеллект (1оТ), робототехника, сенсорные технологии и т.д., чтобы улучшить производство и качество растениеводческой продукции. Применение этих современных технологий позволит проводить учет изменения климата, увеличение численности населения, создать новые рабочие места и обеспечить продовольственную и технологическую безопасность. Анализ применения современных интеллектуальных технологий, формирование искусственного интеллекта в растениеводстве, орошении, прополке, опрыскиванию с применением различных датчиков контроля, роботов и дронов, является основной целью этой работы. Интеллектуальные технологии позволяют повысить производительность землепользования, экономить энерго и водо ресурсы, сохранять плодородие почвы, снижать трудозатраты и увеличивать производительность с гарантированным качеством продукции.
Ключевые слова: искусственный интеллект; гербицид; автоматизация; орошение
Введение
Внедрение цифровых, интеллектуальных технологий внесло значительные изменения в различных сферах деятельности человека [1]. В настоящее время растениеводство еще далеко не полностью использует цифровые технологии но, тем не менее наблюдается рост в потребности их коммерциализации. Появление искусственного интеллекта (1оТ) оказывает огромное влияние на повседневную жизнь человека [2]. Представлен метод планирования урожая, основанный на сочетании назначения уро-
жая с маршрутом движения транспортных средств [3]. Благодаря этим новым технологиям рабочая сила, которая ограничена лишь минимальными отраслями промышленности, теперь вносит свой вклад во многие отрасли. В основе искусственного интеллекта (1оТ) лежит синергетический подход, базирующийся на таких дисциплинах таких как математика, психология и инженерия, биология, лингвистика, информатика [4]. Например, на ботанической ферме установлена система идентификации цветов, а так же полив с применением технологии IoT [5]. Основная концепция 1оТ — разработка технологии, которая функционирует как человеческий мозг [6]. Эти программы получают обучающие данные, и, кроме того, эти интеллектуальные устройства предоставляют нам желаемый результат для каждого действительного ввода, как и человеческий мозг. 1оТ включает в себя, как машинное обучение, так и так называемое глубокое обучение [5,7]. Необходимо отметить, что машинное обучение позволяет обучаться, без прямого программирования при этом глубокое обучение базируется на изучении применения нейронных сетей [1].
1оТ — это алгоритм обработки или аппаратное обеспечение, функционирование которого основано на устройстве и функционировании человеческого мозга [1]. Нейронные сети обладают замечательной способностью к самоорганизации и адаптивному обучению. 1оТ проходит процесс обучения. Обучение — это процесс адаптации к изменениям самого себя по мере изменения окружающей среды. Существует два метода обучения: обучение с учителем и обучение без учителя. Работа [4] заключает в себе связанные отношения между различными встроенными системами и технологией 1оТ, согласованными с сельскохозяйственной областью, в ней кратко описаны различные применения нейронных сетей, машинного обучения для точного земледелия.
Применяемые современные машины, механизмы и оборудование, в которых применена 1оТ технология позволили значительно повысить уровень сельскохозяйственной системы. 1оТ технология позволила улучшить мониторинг состояния растений и почвы, получать более высокие и стабильные урожаи, увеличить производство сельскохозяйственных культур, сбор и переработку урожая. Огромный вклад в индустриализацию агропромышленного сектора внесли системы использующие сельскохозяйственные роботы и дроны. Обнаружение сорняков, оценка качества и урожайность овощных и иных сельхозкультур возможно быстро и качественно получить на основе современных компьютерных систем [8]. Обсуждаются различные методы автоматизированного зондирования почвы, новейшие автоматизированные методы прополки и использование дронов для опрыскивания полей, а также типы опрыскивателей, используемых на беспилотных летательных аппаратах (БПЛА).
Цель работы - адаптация 1оТ технологии при выращивании сельскохозяйственных культур для оптимизации орошения и применения гербицидов.
Материалы и методы исследований. Проведён обзор литературы, который сфокусирован на наиболее характерных фактах и важной современной научной информации о внедрении 1оТ технологии в орошение и прополке сельскохозяйственных растений, как вклад в растущий объем работ по интеллектуальным технологиям в традициях медиа-исследований. В обзор включены различные базы данных, как Google Scholar, PubMed, Science Direct, SciFinder, Web of Science, РИНЦ и др., использованы онлайн-источники (Research Gate, Springer Nature Open Access, Wiley Online Library и др.).
Результаты исследований. Технологии, основанные на 1оТ, решают проблемы, с которыми сталкивается растениеводство, такие как урожайность, орошение, определение состава почвы, мониторинг посевов, прополка, сбор урожая [10]. Применение 1оТ технологии способствует снижению затрат на выращивание продукции, увеличение урожайности и качества при высокой способности её реализации. При этом ежедневное увеличение генерации точек данных может достигнуть 4,1 миллиона к 2050 году [11].
1оТ технологии применяемые в растениеводстве:
- технология распознавания образов (поля, растений).
Применение автономных беспилотных летательных аппаратов (БПЛА) оборудованных фотокамерами с высокой степенью разрешения, позволили вести дистанционное наблюдение и проводить распознавание различных объектов с указанием точного его местоположения (геолокация). Применение технологи обработки полученных данных NDVI позволяет оценить состояние объекта (растения). Дистанционное управление и значительная автономность полета (от десятков минут до нескольких часов) позволяют применять их в широком диапазоне решения задач агрономии;
- компетенции и кадры.
1оТ позволяет собирать большие объемы данных с государственных, коммерческих и общедоступных серверов, проводить анализ данных и принимать решения, которые необходимы фермерам при решении неоднозначных задач, например, таких как, принятие метода и способа полива. Применение интеллектуальных 1оТ технологий позволит представлять сочетание технологических и биологических навыков. Применение 1оТ технологии в растениеводстве способствует автоматизации процессов, снижению рисков и предоставлению фермерам сравнительно простое и эффективное ведение хозяйства;
- результат.
Собранные данные и полученные результаты с применение интеллектуальной технологии позволяют проводить отбор культур и выбор гибридных семян, которые лучше всего адаптируются в конкретном месте (поле, район) и тем самым решают задачи фермеров. К таким данным относятся погодные почвенно-климатические данные местности и реакция на них семена. Полученные результаты обработки данных позволят провести оценку вероятного заболевания растения. Благодаря этому фермеры имеют возможность получить результаты своей деятельности, которые соответствуют требованиям потребителя, быстро и адекватно реагировать на изменения и спрос рынка, увеличивая свою прибыль;
- чат-боты фермеров.
Диалоговые виртуальные интерфейсы, составленные с применением искусственного интеллекта, позволяют пользователям (фермерам) автоматизировать анализ полученных данных с использованием Чат-ботов, которые создают информационно-советующую систему с формированием рекомендаций.
В настоящее время исследователи всего мира начали уделять особое внимание технологиям разработки автономных сельскохозяйственных орудий, поскольку традиционные сельскохозяйственные машины не обладали высокой эффективностью. Основная задача создания этой технологии — заменить человеческий труд и получить эффективную выгоду как в малых, так и в крупных производствах. В этом секторе роботизированные технологии значительно повысили производительность труда.
Введена базовая автоматизированная модель для определения фактического положения семян. По семенам установлена сверхвысокая точность заделки, обеспечивающая нулевую скорость их движения [12]. Это важно, так как гарантирует, что семя не отскочит от своего фактического положения после удара о почву. Состояние или развитие растения фиксировалось автоматическими машинами. Установлены различные биосенсоры для наблюдения за ростом растений, а также для выявления болезней растений [13]. Процесс ручной прополки заменен технологией лазерной прополки [12]. Для эффективного использования воды применяют автоматизированные системы орошения.
Ручное орошение, основанное на измерении влажности почвы, заменено методами автоматического планирования орошения. Эвапотранспирация растений, которая зависит от различных атмосферных параметров (влажность, скорость ветра, солнечная радиация), а также фаза роста и развития растения, густота стояния, свойства почвы и наличие вредителей учитывались при внедрении автономных оросительных машин [14].
Устройства, такие как измеритель питательных веществ и pH, устанавливают фермеры на поле для определения плодородия почвы путем определения процентного содержания основных компонентов почвы, таких как калий, фосфор и азот. Автоматическими ирригаторами растений оснащают поля с помощью беспроводной технологии капельного орошения. Этот метод обеспечивает плодородие почвы и обеспечивает эффективное использование водных ресурсов.
Технология умного орошения предназначена для снижения энерго и водо затрат, трудоемкости при помощи постоянного мониторинга состояния влажности и температуры почвы, её минерального состава. Работа осуществляется микроконтроллером путем включения/выключения насоса ирригатора. Применяемая технология M2M, «от машины к машине», применяется для осуществления связи и обмена данными между устройствами, находящимися на поле, а также с сервером при помощи интернет сети [14,15,16]. Разработана автоматизированная система орошения с технологией Arduino для снижения трудозатрат и затрат времени в процессе орошения [4].
Созданы разные датчики для разных целей, такие как датчик влажности почвы для определения содержания влаги в почве, датчик температуры для определения температуры, датчик регулятора давления для поддержания давления, и молекулярный датчик для контроля роста сельскохозяйственных культур. Установлены цифровые камеры. Выход всех этих устройств преобразуется в цифровой сигнал и отправляется на мультиплексор через беспроводную сеть, такую как Zigbee и точку доступа [17].
В целом, процесс орошения можно автоматизировать с помощью датчиков влажности и микроконтроллеров (табл. 1.)
Конкуренция между растениями за воду начинается, когда их корни в почве перекрываются, чтобы поглощать воду и питательные вещества. Потребность в воде для надземных частей растения — это количество воды, используемой для производства единицы сухого вещества. Растению горчицы полевой (Sinapis arvensis) требуется в четыре раза больше воды, чем хорошо развитому растению овса (Avena sativa), а амброзии полыннолистной (Ambrosia artemisiifolia) для достижения зрелости требуется в три раза больше воды, чем растению кукурузы (Zea mays). Можно рассчитать потребность в воде на гектар, определяемую путем умножения продукции растения в тоннах сухого вещества на гектар, умноженной на потребность растения в воде.
Таблица 1
Сводная информация об автоматизации орошения с использованием различных технологий искусственного интеллекта.
Алгоритмы Метод эвапотранс-пирации / желаемый расчёт Другие технологии Преимущества/резул ьтаты
PLSR и другие алгоритмы регрессии Модель эвапо-транспирации Датчики для сбора данных, аппаратная реализация ЮТ Высокая эффективность и экономическая целесообразность
Система управления на основе искусственной нейронной сети Модель эвапо-транспирации Датчики для измерения почвы,температуры, скорости ветра и т.д. Автоматизация
Нечеткая логика Метод Пенмана-Монтейта ФАО - Оптимизация
ANN (многослойная нейронная модель), Levenberg Marquardt, Backpropagation Метод Пенмана -Монтейта Испарение уменьшилось благодаря графику полива и наблюдаемой экономии воды и электроэнергии.
Нечеткая логика WSN, Zigbee Проверка экспериментальных результатов. Может применяться для домашних садов и полива газона
ANN Feed Forward, Backpropogation Оптимизация водных ресурсов в умной ферме
Контроллер нечеткой логики Метод Пенмана -Монтейта Беспроводные датчики Капельное орошение предотвращает потери воды и испарение
Алгоритм машинного обучения - Датчики, Zigbee, микроконтроллер А^ито Прогнозирование и решение засушливых ситуаций
Свет также является важным компонентом для роста растений. Сорняки, которые вырастают высокими, обычно блокируют путь света к культурным растениям. Иногда сорняки, такие как зелёный лисохвост (Setaria viridis) и щирица запрокинутая (Amamnthus re^t^xus), не переносят тени, но вьюнок полевой (Convоlvulus a^nsis) и молочай (Euphórbia L.) терпимы к тени. Удаление этих сорняков с полей имеет большое значение, иначе они не только займут площадь пашни, но и отрицательно скажутся на росте других культурных растений.
Прежде чем разрабатывать автоматизированную систему борьбы с сорняками, необходимо провести различие между всходами сельскохозяйственных культур и сорняками. Применен метод отличия всходов моркови посевной (Daucus carota subsp. sativus) от всходов райграса (Arrhenatherum L.) методом простого измерения морфологических характеристик формы листа. Этот метод имеет разную эффективность, в основном от 52 до 75% для различения растений и сорняков путем определения отличий в размере листа.
Технологии, основанные на зрении, которые использовались для направления роботов вдоль рядов для удаления сорняков и различения отдельных культур среди сорных растений, представлены в табл. 2.
Таблица 2
Сведения по применению IoT в операциях по прополке.
Применение Культура Алгоритмы обнаружения сорняков Методы удаления сорняков Точность
Точная борьба с сорняками Перец Машинное зрение, искусственный интеллект Умный опрыскиватель
Автономный прополочный робот Свекла сахарная Алгоритм машинного зрения Мощные лазеры для внутрирядной прополки
Обнаружение сорняков на сельскохозяйственных полях Увеличение данных для предварительной обработки изображений; Сверточные нейронные сети для обнаружения сорняков Гербицидный спрей 70.5%
Робот для борьбы с сорняками Свекла сахарная Машинное зрение Мотыга роторная / механическое удаление 92% (обнаружение)
Робот-прополщик Рис Движение робота предотвращает рост сорняков
Робот для предотвращения сорняков Рис - Движение робота -
Обнаружение сорняков Сахарный тростник Алгоритмы на основе цвета и текстуры; Идентификация зелени; Нечеткий классификатор реального времени Роботизированные руки для механического удаления 92.9%
Система борьбы с сорняками Салат-латук Машинное зрение Электрический разряд 84% (обнаружение)
Роботизированная борьба с сорняками Хлопок Алгоритм машинного зрения на основе математической морфологии Химическое распыление 88,8% рас-пыляемость
На БПЛА установлены как модули GPS так и другие датчики, которые необходимы фермеру для мониторинга поля, растений, определение наличия сорняков и их местонахождение, наблюдение за пастбищем скотом, состояния ирригационной системы. Дистанционное зондирование с использованием БПЛА для захвата, обработки и анализа изображений оказывает огромное влияние на сельское хозяйство. Их можно сравнить с обычной простой в использовании камерой для получения безошибочных снимков. В то время, как стандартная камера может предоставить некоторые данные о развитии растений, включении и других вещах, мультиспектральный датчик расширяет полезность процедуры и позволяет фермерам видеть то, что не находится в заметном диапазоне, например, содержание влаги в почве, мониторинг здоровья растений. Это могло бы помочь преодолеть различные ограничения, препятствующие аграрному производству. В точном земледелии БПЛА в основном применяют для
сельскохозяйственных операций, таких как анализ почвы и полей, мониторинг посевов, оценка высоты посевов, обработка гербицидами.
Тем не менее, аппаратные реализации БПЛА полностью соответствуют критическим аспектам, таким как масса, дальность полета, полезная нагрузка, конфигурация и стоимость. Анализировано и обобщено около 250 моделей для выбора подходящего БПЛА в сельском хозяйстве (табл. 3). Ожидается, что в ближайшие годы рынок сельскохозяйственных дронов вырастет более чем на 38% [21,22].
Таблица 3
Сводная информация о различных применениях дронов в растениеводстве.
Применение Используемые технологии / алгоритмы Результат
Распыление гербицидов Сети беспроводных датчиков, датчики гироскопа и акселерометра
Мониторинг посевов, картирование и опрыскивание DJI Phantom 3 Advanced UAV и другое программное обеспечение БПЛА могут использоваться для обнаружения отклонений от нормы и выявления потенциальных проблем.
Мониторинг урожая Мультиспектральный датчик Значительные линейные регрессии между NDVI и растительным азотом, воздушной биомассой и т.д. Это может дать представление о передовой практике и методах управления.
Распыление гербицидов Распылительный двигатель Работал удовлетворительно при тестировании на арахисе и рисе.
Дистанционное зондирование Мультиспектральная камера Система дистанционного зондирования БПЛА испытана на газонном поле и была способна отслеживать временные изменения в поле.
Дистанционное зондирование Спектрально-пространственная классификация, Байесовский информационный критерий (БИК) С помощью этой технологии области можно разделить области плантации томата. Обнаружение успешно выполнено на двух репрезентативных изображениях.
Мониторинг урожая Гиперспектральная кадровая камера Кампания полета камеры успешно доставила гиперспектральные данные. Это позволяет контролировать концентрацию азота в листьях риса.
Мониторинг урожая Камера и программное обеспечение Точный способ мониторинга различных аспектов фермы, таких как создание цифровой карты поля, обнаружение заболевания растения и т.д.
Мониторинг точного земледелия Обеспечивает подход к разделению разреженных и плотных участков на поле сахарного тростника. Он использует спутниковые данные. Точность составила 87% для тестирования.
Распыление удобрений и гербицидов Датчики акселерометра и гигроскопа, Arduino Обладает способностью сокращать время и трудовые затраты.
Выводы
Растениеводство сталкивается с различными проблемами, такими как отсутствие эффективных систем орошения, сорняки, проблемы с мониторингом растений из-за различной высоты растений и экстремальных погодных условий. Но с помощью 1оТ технологий можно повысить производительность и тем самым решить эти проблемы. Его можно улучшить с помощью различных методов, управляемых 1оТ, таких как удаленные датчики для определения влажности почвы и автоматический полив с помощью GPS. Проблема, с которой столкнулись фермеры, заключалась в том, что методы точной прополки позволяют избежать потери большого количества урожая. Эти автономные роботы не только повышают эффективность, но и снижают потребность в ненужных гербицидах. Кроме того, фермеры могут эффективно распылять гербициды с помощью дронов, а мониторинг растений также больше не является бременем. Нехватку ресурсов и рабочих мест можно устранить с помощью искусственных умственных способностей в вопросах агробизнеса. Будущая работа должна быть направлена на решение экологических проблем, связанных с использованием цифровых решений для управления орошением и применением гербицидов.
Литература
1. Kakkad V., Patel M., Shah M.. Biometric authentication and image encryption for image security in cloud framework // Multiscale and Multidiscip. Model. Exp. and Des. (2019), pp. 1-16, 10.1007/s41939-019-00049-y
2. Kundalia K., Patel Y., Shah M. Multi-label movie genre detection from aMovie poster using knowledge transfer learning. Augment Hum Res, 5 (2020) (2020), p. 11, 10.1007/s41133-019-0029-y
3. Plessen M.G. Freeform Path Fitting for the Minimisation of the Number of Transitions between Headland Path and Interior Lanes within Agricultural Fields. Arxiv, 1910.12034v1 (2019), pp. 1-7
4. Jha K., Doshi A., Patel P., Shah M. A comprehensive review on automation in agriculture using artificial intelligence. Artificial Intelligence in Agriculture., 2 (2019), pp. 112
5. Patel D., Shah D., Shah M. The Intertwine of Brain and Body: A Quantitative Analysis on How Big Data Influences the System of Sports. Annals of Data Science. (2020), 10.1007/s40745-019-00239-y
6. Parekh V., Shah D., Shah M.. Fatigue detection using artificial intelligence framework. Augmented Human Research, 2020 (5) (2020), p. 5
7. Sukhadia A., Upadhyay K., Gundeti M., Shah S., Shah M. Optimization of smart traffic governance system using artificial intelligence. Augment Hum Res, 5 (2020), p. 13. https://doi.org/10.1007/s41133-020-00035-x
8. Liakos K., Busato P., Moshou D., Pearson S., Bochtis D. Machine Learning in Agriculture: A Review // Sensors, 18 (8) (2018), p. 2674, 10.3390/s18082674
9. Шевченко А.В., Мещеряков Р.В., Мигачев А.Н. Обзор состояния мирового рынка робототехники для сельского хозяйства. Ч. 1. Беспилотная агротехника // Проблемы управления. 2019. № 5. С.3—18.
10. Мельникова Ю. В., Ткачев С. И. Экономические предпосылки использования беспилотных летательных аппаратов в агропромышленном комплексе // Экономико-математические методы анализа деятельности предприятий АПК. 2018. С. 287-291.
11.Tothill I.E. Biosensors Developments and Potential Applications in the Agricultural Diagnosis Sector. Comput. Electron. Agric., 30 (2001), pp. 205-218
12. Фартуков В.А., Ханов Н.В. Технология контроля и дифференцированной подачи воды на поле. Евразийский Союз Ученых. Серия: технические и физико-математические науки. 2021. № 6 (87). С. 10-11
13. Фартуков В.А., Ханов Н.В. Интеллектуальная технология контроля и подачи воды на поле. В сборнике: ДОКЛАДЫ ТСХА. Сборник статей. Выпуск 293. 2021. С. 3840
14.Федосов А.Ю., Меньших А.М., Иванова М.И., Рубцов А.А. Инновационные технологии орошения овощных культур. - М., Изд-во Ким Л.А., 2021. 306 с.
15.Shekhar Y., Dagur E., Mishra S., Tom R.J., Veeramanikandan M., Sankaranarayanan S. Intelligent loT based automated irrigation system. Int. J. Appl. Eng. Res., 12 (18) (2017), pp. 7306-7320
16.Varatharajalu K., Ramprabu J. Wireless Irrigation System via Phone Call & SMS. International Journal of Engineering and Advanced Technology., 8 (2S) (2018), pp. 397401
17.Choudhary S., Gaurav V., Singh A., Agarwal S. Autonomous crop irrigation system using artificial intelligence. International Journal of Engineering and Advanced Technology., 8 (5S) (2019), pp. 46-51.
18. Umair S.M., Usman R. Automation of irrigation system using ANN based controller. International Journal of Electrical & Computer Sciences., 10 (2) (2010), pp. 45-51
19. Kia P.J., Far A.T., Omid M., Alimardani R., Naderloo L. Intelligent control based fuzzy logic for automation of greenhouse irrigation system and evaluation in relation to conventional systems. World Appl. Sci. J., 6 (1) (2009), pp. 16-23
20.Anand K., Jayakumar C., Muthu M. , Amirneni S. . Automatic drip irrigation system using fuzzy logic and mobile technology. 2015 IEEE Technological Innovation in ICT for Agriculture and Rural Development (TIAR) (2015), 10.1109/tiar.2015.7358531
21.Arvind G., Athira V.G., Haripriya H., Rani R.A., Aravind S. Automated irrigation with advanced seed germination and pest control. 2017 IEEE Technological Innovations in ICT for Agriculture and Rural Development (TIAR) (2017), 10.1109/tiar.2017.8273687
22.Солдатенко А.В., Меньших А.М., Федосов А.Ю., Ирков И.И., Иванова М.И. Повышение конкурентоспособности овощных культур к сорным растениям посредством совершенствования методов борьбы. Овощи России. 2022. № 2. С. 72-87.
The use of artificial ingtellect in the optimization of irrigation and the use of herbicides Fedosov A.Y., Menshikh A.M., Fartukov V.A., Zborovskaya M.I., Vasiliev D.M.
The All-Russian Scientific Research Institute of Vegetable Growing is a branch of the Federal State Budgetary Institution "Federal Scientific Center of Vegetable Growing", Federal State Budgetary Educational Institution of Higher Education "Russian State Agrarian University - Moscow State Agricultural Academy named after K.A. Timiryazev, National Research University Higher School of Economics, Moscow, Russian Federation Crop production plays a significant role in the economic sector. Automation in crop production is a major problem and a new topic all over the world. The population is growing rapidly, and at the same time the need for food and employment is growing. Artificial intelligence has revolutionized crop production. For precision agriculture, such systems in the field of crop production as the geographic positioning system (GPS), geographic information system (GIS), artificial intelligence (IoT), robotics, sensor technologies, etc. are used to improve the production and quality of crop products. This technology protects crops from various factors such as climate change, population growth, employment problems and food security problems. The main purpose of this article is to test various applications of artificial intelligence in crop production, such as irrigation, weeding, spraying using sensors and other means built into robots and drones. These technologies save excessive use of water, herbicides, maintain soil fertility, and also help in the efficient use of labor and increase productivity and improve quality. Keywords: artificial intelligence; herbicide; automation; irrigation References
1. Kakkad V., Patel M., Shah M.. Biometric authentication and image encryption for image security in cloud framework // Multiscale
and Multidiscip. Model. Exp. and Des. (2019), pp. 1-16, 10.1007/s41939-019-00049-y
2. Kundalia K., Patel Y., Shah M. Multi-label movie genre detection from aMovie poster using knowledge transfer learning. Augment
Hum Res, 5 (2020) (2020), p. 11, 10.1007/s41133-019-0029-y
3. Plessen M.G. Freeform Path Fitting for the Minimisation of the Number of Transitions between Headland Path and Interior Lanes
within Agricultural Fields. Arxiv, 1910.12034v1 (2019), pp. 1-7
4. Jha K., Doshi A., Patel P., Shah M. A comprehensive review on automation in agriculture using artificial intelligence. Artificial
Intelligence in Agriculture., 2 (2019), pp. 1-12
5. Patel D., Shah D., Shah M. The Intertwine of Brain and Body: A Quantitative Analysis on How Big Data Influences the System
of Sports. Annals of Data Science. (2020), 10.1007/s40745-019-00239-y
6. Parekh V., Shah D., Shah M.. Fatigue detection using artificial intelligence framework. Augmented Human Research, 2020 (5)
(2020), p. 5
7. Sukhadia A., Upadhyay K., Gundeti M., Shah S., Shah M. Optimization of smart traffic governance system using artificial
intelligence. Augment Hum Res, 5 (2020), p. 13. https://doi.org/10.1007/s41133-020-00035-x
8. Shah D., Dixit R., Shah A., Shah P., Shah M. A comprehensive analysis regarding several breakthroughs based on computer
intelligence targeting various syndromes. Augment Hum Res, 5 (2020), p. 14 https://doi.org/10.1007/s41133-020-00033-z
9. Liakos K., Busato P., Moshou D., Pearson S., Bochtis D. Machine Learning in Agriculture: A Review // Sensors, 18 (8) (2018),
p. 2674, 10.3390/s18082674
10. Shevchenko A.V., Meshcheryakov R.V., Migachev A.N. Review of the state of the world market of robotics for agriculture. Part
1. Unmanned agricultural machinery // Problems of management. 2019. No. 5. pp.3-18.
11. Melnikova Yu. V., Tkachev S. I. Economic prerequisites for the use of unmanned aerial vehicles in the agro-industrial complex // Economic and mathematical methods of analyzing the activities of agricultural enterprises. 2018. pp. 287-291.
12. Tothill I.E. Biosensors Developments and Potential Applications in the Agricultural Diagnosis Sector. Comput. Electron. Agric., 30 (2001), pp. 205-218
13. Fartukov V.A., Khanov N.V. Technology8 of control and differentiated water supply to the field. Eurasian Union of Scientists. Series: technical and physical-mathematical sciences. 2021. No. 6 (87). pp. 10-11
14. Fartukov V.A., Khanov N.V. Intelligent technology8 of water control and supply to the field. In the collection: REPORTS OF THE TLC. Collection of articles. Issue 293. 2021. pp. 38-40
15. Fedosov A.Yu., Menshikh A.M., Ivanova M.I., Rubtsov A.A. Innovative technologies of irrigation of vegetable crops. - M., Kim L.A. Publishing house, 2021. 306 p.
16. Shekhar Y., Dagur E., Mishra S., Tom R.J., Veeramanikandan M., Sankaranarayanan S. Intelligent IoT based automated irrigation system. Int. J. Appl. Eng. Res., 12 (18) (2017), pp. 7306-7320
17. Varatharajalu K., Ramprabu J. Wireless Irrigation System via Phone Call & SMS. International Journal of Engineering and Advanced Technology., 8 (2S) (2018), pp. 397-401
18. Choudhary S., Gaurav V., Singh A., Agarwal S. Autonomous crop irrigation system using artificial intelligence. International Journal of Engineering and Advanced Technology., 8 (5S) (2019), pp. 46-51.
19. Umair S.M., Usman R. Automation of irrigation system using ANN based controller. International Journal of Electrical & Computer Sciences., 10 (2) (2010), pp. 45-51
20. Kia P.J., Far A.T., Omid M., Alimardani R., Naderloo L. Intelligent control based fuzzy logic for automation of greenhouse irrigation system and evaluation in relation to conventional systems. World Appl. Sci. J., 6 (1) (2009), pp. 16-23
21. Anand K., Jayakumar C., Muthu M. , Amirneni S. . Automatic drip irrigation system using fuzzy logic and mobile technology. 2015 IEEE Technological Innovation in ICT for Agriculture and Rural Development (TIAR) (2015), 10.1109/tiar.2015.7358531
22. Arvind G., Athira V.G., Haripriya H., Rani R.A., Aravind S. Automated irrigation with advanced seed germination and pest control. 2017 IEEE Technological Innovations in ICT for Agriculture and Rural Development (TIAR) (2017), 10.1109/tiar.2017.8273687
23. Soldatenko A.V., Menshikh A.M., Fedosov A.Yu., Irkov I.I., Ivanova M.I. Increasing the competitiveness of vegetable crops to weeds by improving control methods. Vegetables of Russia. 2022. No. 2. pp. 72-87.
