CC BY
50
Нейросетевые технологии повышения эффективности орошаемого земледелия
doi: 10.24411/0044-3913-2021-10207 УДК 631.171
Д. А. СОЛОВЬЕВ, доктор технических наук, врио ректора (e-mail: sda@sgau.ru) Г. Н. КАМЫШОВА, кандидат физико-математических наук, зав. кафедрой (e-mail: gkamichova@ mail.ru)
Н. Н. ТЕРЕХОВА, кандидат технических наук, доцент (e-mail: nterehova2015@yandex.ru)
Саратовский государственный аграрный университет, Театральная пл., 1, Саратов, 410012, Российская Федерация
Следуя глобальным трендам, перед российским аграрным сектором поставлена задача цифровой трансформации. Для ее решения необходимо развитие новых интеллектуальных методов и моделей. Модели на базе искусственных нейронных сетей более эффективны, чем традиционные подходы, основанные только на физическом или математическом моделировании, в решении многих проблем. Использование динамической искусственной нейронной сети для прогнозирования среднегодового количества осадков обеспечивает увеличение точности, по сравнению с классическим математическим моделированием, на 25... 30 %. Исследование фактических скоростей движения дождевальных машин показывает их значительное отклонение от требуемых более чем на 10 %, что снижает эффективность орошения. Цель исследований -разработать архитектуру системы управления орошением на базе нейросетевых технологий. В основу системы положены две нейросетевые модели: прогноз агроклиматических ресурсов с использованием динамической искусственной нейронной сети и нейроуправление дождевальной техникой на основе многослойной искусственной нейронной сети. Нейросетевое моделирование проводили с использованием данных системы мониторинга климата Росгидромета и собственной системы сбора технических данных дождевальных машин Саратовского государственного аграрного университета. На основе многослойной нейронной сети синтезировали нейроконтроллер скорости. Его включение в контур управления машиной позволяет
2
О снизить отклонения скоростей движения до N 1.3%, оптимизируя работудождевальной ^ техники. Тестирование системы управле-Z ния осуществляли на основе интеграции ие в комплексную цифровую платформу для g управления агробизнесом «Агросигнал» в
4 научно-производственном объединении Саратовского государственного аграрного
5 университета. Ее использование обеспечи-е
ф ло повышение качества орошения и эконо-
мию около 6 % оросительной воды.
Ключевые слова: орошаемое земледелие, искусственные нейронные сети, модели, технологии, дождевальные машины, агроклиматические ресурсы.
Для цитирования: Соловьев Д. А., Ка-мышова Г. Н., Терехова Н. Н. Нейросетевые технологии повышения эффективности орошаемого земледелия // Земледелие. 2021. № 2. С. 32-36. бог. 10.24411/00443913-2021-10207.
В результате значительного роста мирового населения потребность в пище может увеличиться более чем в 1,7 раза. Ключевые факторы, влияющие на развитие сельского хозяйства, включают потребность в продуктах питания, наличие ресурсов (земли и воды), а также природные и климатические возможности. За последние 50 лет сельскохозяйственное производство в мировом масштабе выросло в 2,5.. .3,0 раза, а прирост посевных площадей составил около 12 %. Рост производства на существующей пашне возможен в значительной степени путем повышения эффективности. В то же время возрастает роль орошения, поскольку более 40 % прироста мирового производства продовольствия и 60 % производства зерна приходится на орошаемые земли. Сегодня мировое сельское хозяйство использует 12 % поверхности земли и 70 % воды для выращивания сельскохозяйственных культур. По прогнозам, к 2050 г площадь орошаемых земель увеличится на 6 %, при ориентировочном увеличении на 10 % объема воды, забираемой на орошение. На орошаемых землях на 38 % произойдет увеличение производства продуктов питания в связи с прогнозируемым увеличением интенсивности земледелия [1]. В последние годы темпы увеличения площади орошаемых земель, которые в середине прошлого века составляли более 2 % в год, значительно снизились. Ограничивает возможности производства продуктов питания на орошаемых землях также растущая нехватка воды. Количество забираемой воды сильно различается от страны к стране и от региона к региону и составляет от 6 % до 20 %, в то время как на нужды орошения из них идет от 29 % до 80 %. Вторая важная составляющая - техническое оснащение орошаемого земледелия, которое во многих странах находится
на довольно низком уровне [2]. В связи с этим, а также в свете проблемы глобального изменения климата актуальна проблема повышения эффективности орошаемого земледелия в целом и его отдельных составляющих в частности.
Орошаемое земледелие в глобальном понимании взаимосвязей представляет собой сложную динамическую природно-техническую систему с нелинейными зависимостями. Поэтому традиционные подходы, основанные только на физическом моделировании природных и технических процессов и взаимосвязей, часто затрудняют поиск эффективных решений. Технологические достижения, которые стимулируют беспрецедентный рост данных, быстрое извлечениезначимой информации из современного потока данных, могут повысить эффективность решений в сельском хозяйстве. Наряду с этим новые инструменты для интеллектуального анализа данных, глубокого обучения обеспечивают повышенную точность вследствие разрешения сложных взаимосвязей в больших объемах естественных и синтетических параметров и обладают большим потенциалом.
В последние годы большое количество зарубежных исследований было сосредоточено на применении методов интеллектуального анализа данных и глубокого обучения для повышения эффективности орошаемого земледелия. Разработаны интеллектуальная система управления орошением хлопка [3], системы поддержки принятия решений для управления орошением [4, 5], предложены новые подходы и инструменты для интеллектуального прогнозирования климатических параметров [6, 7].
Ведут исследования в этом направлении и отечественные ученые. В последние годы их центр тяжести переместился в область математического, информационного и программного наполнения систем точного земледелия с целью максимально полного использования разнородных данных для обоснования выбора и реализации тех или иных решений [8]. Однако объем таких исследований должен быть значительно расширен. Именно в этой связи в сфере земледелия вообще и орошаемого земледелия, в частности, развитие новых интеллектуальных систем, методов и моделей как инструментов получения новых знаний о законах развития природы, общества, человека, способствующих устойчивому развитию и укреплению национальной безопасности Российской федерации [9] выступает приоритетом Программы фундаментальных научных исследований в Российской Федерации на долгосрочный период (2021-2030 гг.).
Технические факторы
Рис. 1. Система взаимодействия.
Цель исследования - разработка моделей прогнозирования агроклиматических ресурсов на основе искусственных нейронныхсетей и синтез нейроуправления дождевальной техникой, а также архитектуры системы управления на основе этих моделей, способствующих повышению эффективности орошаемого земледелия.
Орошаемое земледелие относится к высокоинтенсивным направлениям сельскохозяйственного производства, на эффективность функционирования которого влияет множество различных факторов, среди которых можно выделить два ключевых - экологический и технический.
Глобальное потепление, как экологический фактор, касается всех сфер, в том числе и сельского хозяйства. Так, например, за последние тридцать лет на территории Саратовской области России в течение основного вегетационного периода зерновых культур (май-июль) повысилась аридность климата. Согласно исследованиям [10], на 0,8 °С возросла средняя температура воздуха, а сумма осадков уменьшилось на 10 мм. Количество осадков в августе уменьшилось, а в осенне-зимний период (ноябрь-февраль) увеличилось на 20 %. Все это негативно сказывается на урожайности озимой и яровой пшеницы. То есть агроклиматические факторы оказывают существенное влияние на сельскохозяйственное производство, особенно в зонах так называемого рискованного земледелия. Они во многом определяют размер и качество урожая, а также характеристики агротехнических мероприятий по их выращиванию. С другой стороны, в условиях стохастической изменчивости агроклиматических ресурсов техническая составляющая, а именно дождевальные машины, должна развиваться в сторону повышения точности полива, поскольку неэффективная работа оросительной техники приводит к значительным экологическим и
экономическим последствиям. В [11], например, показано, что фактическая скорость движения дождевальных машин на 9,5...13,6 % меньше заданной. Таким образом, схематично диаграмма взаимосвязи может быть представлена как взаимодействие агроклиматических и технических факторов (рис. 1).
Система взаимодействия «Агроклиматические факторы - Технические факторы» представляет собой сложную систему, поведение и свойства которой нельзя считать суммой свойств отдельных компонентов. Исследование влияния отдельных компонент этой системы на эффективность орошаемого земледелия не теряют своей актуальности. Однако в силу сложности взаимосвязей необходимо развитие новых подходов, методов и технологий.
Мы предлагаем использовать искусственные нейронные сети в качестве универсальныхаппроксиматоров функций, способных отображать любую сложную нелинейную зависимость и интеллектуально изучать эти функции в процессе обучения. Способность искусственных нейронныхсетей отображать наборы входных / выходных данных с допустимым диапазоном ошибок делает их незаменимым инструментом для моделирования естественных и технических процессов.
Искусственные нейронные сети (ИНС) все чаще используют в различных прикладных задачах [12, 13]. Главный элемент нейронной сети -нейрон. Это простейший аналоговый преобразующий элемент, моделирующий основные представления о работе живого нейрона. Искусственные нейронные сети - это параллельные вычислительные устройства, состоящие из множества взаимодействующих простых процессоров (нейронов). Математическая формализация искусственного нейрона - уравнение сумматора [14]
7=1
■ X, +1
и уравнение блока активации
У = Ф^Д
где для к-го нейрона, х1, х2,...хп -входные сигналы, ^ ,, ж. , ,.■■, ж .,
1,К 2,К П,К'
- синоптические веса; Ьк - уровень опорного сигнала; вк - выход линейного сумматора; ф(вк) - функция преобразования блока активации, ук - выходной сигнал.
Набор нейронов, соединенных входами и выходами, составляет искусственную нейронную сеть. Искусственные нейронные сети могут иметь разную архитектуру, что соответствует их разным типам:
статические сети (прямое распространение), в которых графы не имеют петель;
динамические (реккурентные) сети или сети с обратной связью.
Статическая нейронная сеть имеет структуру прямой передачи данных: они проходят от входов через скрытые элементы и в конечном итоге достигают выходных элементов. В самом общем виде сети имеют несколько входов и выходов. Их количество определяется потребностью решаемой задачи. Сети прямого распространения могут быть одно- или многослойными (рис. 2, слева).
Динамические нейронные сети(рис. 2, справа) - это сети, которые используют задержки ветвления или повторяющиеся соединения. Компонентдля включения начального и прошлого состояний системы - это обратная связь. Такое соединение повторяется либо из выходного слоя, либо из скрытого слоя обратно в контекстную единицу и после одного временного шага возвращается на входной уровень. Поскольку у динамических сетей есть память, их можно обучить изучать последовательные или изменяющиеся во времени шаблоны. В динамических сетях выход зависит не только от текущего входа в сеть, но и от предыдущих входов, выходов или состояний сети.
Простейшая динамическая сеть называется нейронной сетью с задержкой ввода (ЮЫ1Ч1). Она состоит из многослойной нейронной сети слинией падения задержки на входном слое. Нарезанные линии задержки можно увидеть на всех скрытых уровнях сети, что называется распределенной нейронной сетью с временной задержкой [15].
Мы предлагаем использовать комбинацию двух нейросетевых моделей, которые могут повысить эффективность орошаемого земледелия. Эти нейросетевые технологии основаны как на моделях простых многослойных нейронных сетей, так и динамических (рис. 3).
Алгоритм принятия управленческих решений на основе нейронных сетей, повышающий эффективность
и
ф
з
ь
ф
д
ф ь
Ф
М
О м
обратная связь
Рис. 2. Функциональная схема простой многослойной нейронной сети (слева) и динамической нейронной сети (справа).
N
о
N СМ
ш
S ^
ф
и
ф
^
2
ш м
орошаемого земледелия состоит в следующем: строится общий прогноз агроклиматических ресурсов на основе динамической модели искусственной нейронной сети, затем оптимизируется подбор сельскохозяйственных культур и технологий полива. Следующий шаг - синтез нейроуправления дождевальной техникой на основе многослойной искусственной нейронной сети, что позволяет оптимизировать работу техники непосредственно при орошении.
В качестве баз данных для валида-ции моделей использовали сведения официальных климатических справочников, метеонаблюдений в системе Росгидромета, данные полевых экспериментов, проведенных на базе оросительных систем в Саратовской области России, материалы работ российских ученых [16, 17 и др.].
Динамические искусственные нейронные сети обеспечивают наилучшее использование ресурсов для решения задач агроклиматического прогнозирования и могут снизить экологический риск [18]. Мы предлагаем рассмотреть распределенную нейронную сеть с временной задержкой (TDNN) как метод прогнозирования агроклиматических ресурсов региона. Она дает возможность моделировать любую конечную временную зависимость вида:
у(Г) = Кж(1 - 1), х(Г - 2),... х(Г - к)).
То есть по прошлым наблюдениям х(1 - 1), х(1 - 2),. х(1 - к) восстанавливать значения у(у. Причем размерность значений входных параметров х(1) и выходных параметров у(1) в зависимости от цели прогнозирования может быть различной, то есть в самом общем случае это могут быть п-мерные векторы
х(Г) = (х1(Г), х(1),..., х^)}.
Параметры прогноза могут представлять собой, например, сумму активных температур выше 10 °С для вегетационного периода, коэффициент увлажнения или среднегодовое количество осадков по данным наблю-
дений в совокупности. Они входят во многие показатели, характеризующие агроклиматический потенциал.
В целях демонстрации возможностей метода рассмотрены данные среднегодового количества осадков за 25-летний период на территории Саратовской области. Нейронная сеть такого вида может быть обучена с использованием стандартного алгоритма обратного распространения ошибки вследствие отсутствия рекуррентных связей. Цель обучения - подстройка весов нейронной сети, которая позволит при приложении некоторого множества входов получить требуемое множество выходов.
В процессе обучения предполагается, что для любого набора входных значений X5 существует целевой набор б5, парный входному и задающий требуемый выход. Эту пару {X5, б55} называют обучающей, а множество таких пар при всех значениях э - обучающим множеством.
Выберем один из векторов X5 и подадим его на вход сети. На выходе
получится некоторый вектор У5. Тогда ошибкой сети можно считать E8 = || d8 - У^ || для каждой пары {Х5, dS}. Для оценки качества обучения зачастую выбирают суммарную квадратическую ошибку:
1 /.„ yS
s i
Модель реализована в системе МаАаЬ [19] (рис. 4а). Анализ численных данных показывает, что среднегодовое количество осадков (рис. 4 б, в, сплошная линия), за рассматриваемый период изменялось от 249 до 666 мм. Агроклиматические ресурсы значительно меняются за 25-летний период, поэтому задача их точного прогноза очень важна. Из-за существенного варьирования значений даже полиномиальная регрессия (рис. 4 б, пунктирная линия) не может обеспечить высокий уровень точности прогноза. Построив модель для прогнозирования среднегодовых осадков распределенной нейронной сети с временной задержкой (TDNN) в системе МаАаЬ, мы получаем
Данные
Метеорологические
Оперативные данные с датчиков
Сельскохозяйственные культуры
Сельскохозяйственная техника
Прогноз агроклиматических ресурсов на основе динамической искусственной нейронной сети
Оптимизация сельскохозяйственных культур
Синтез нейроуправления на основе многослойной искусственной нейронной сети
Оптимизация
работы дождевальной техники
Рис. 3. Архитектура системы управления на основе нейросетевых технологий.
J
а)
о
сс
О
700
600
500
400
£ О 300
§ t gg200 о о
ш 100 X
с!
£ 0
и
б)
700 5 600 О § 500
0 400
S и
g §300 х со
ci h 200
1 Ii
Q_ Ш
и g 100 § 0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
ГОДЫ НАБЛЮДЕНИЙ
в)
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
ГОДЫ НАБЛЮДЕНИЙ
Рис. 4. Реализация модели и результаты: а — схема алгоритма обучения и его сходимости в ЫаНаЬ; б — графики фактических значений и статистического моделирования; в — графики фактических значений и нейросетевого моделирования.
следующий график (рис. 4 в, пунктирная линия). Среднеквадратическое отклонение нейросетевого прогноза на 30 % лучше статистического прогноза полиномиальной регрессии.
Как видно из графиков, точность прогнозов увеличивается на порядок, что особенно важно для снижения рисков орошаемого земледелия, поскольку потеря валового сбора в засушливые годы может достигать 50 %. Приведенный алгоритм одномерного прогнозирования масштабируется на случай большего числа как входных, так и выходных параметров в зависимости от цели моделирования, а также может быть применен, как на уровне региона для выработки общих рекомендаций, так и на локальном
уровне муниципального образования или хозяйства. Это связано с наличием больших территорий и природно-климатических зон даже в рамках одного региона.
Для управления системами орошения возможно использование многослойных нейронных сетей, которые представляют собой регулятор. Использование методов нейроуправле-ния в системе управления оросительными машинами позволяет повысить качество функционирования сложных систем с нелинейными объектами и связями. Непосредственно в вычислительном модуле системы синтезируется нейроконтроллер, который для заданного момента времени при известных значениях входных возму-
щений, например, скоростях, находит значение управляющего воздействия с последующей его реализацией в модуль контроля. Задача управления нейронной сетью - максимально приблизить фактическую норму полива к требуемой и оптимизировать такие ресурсы, как вода и энергия. Для синтеза нейроконтроллера пригодны такие ы программные продукты, как Matlab, о R, Pyton и др. Мы использовали алго- л ритм, реализованный в среде Matlab д (пакет Neural Network Toolbox) [20]. л После обучения регулятор исполь- s зуется в контуре управления, снижая z отклонения до 1...3 %. Модель синтеза 2 нейрорегуляторов и нейроуправления м скоростью дождевальных машин ис- 2 следована в работах [21, 22], в которых
также представлена функциональная схема управления с интегрированным нейрорегулятором.
Таким образом, искусственные нейронные сети и технологии на их основе способны значительно повысить эффективность орошаемого земледелия путем обеспечения высокого уровня точности прогнозирования агроклиматических параметров и управления техникой. Предложенная архитектура системы управления на основе нейросетевых технологий, позволяет точнее учитывать влияние агроклиматических факторов путем построения точных нейропрогнозов агроклиматических ресурсов и технических факторов посредством включения нейроконтроллеров в управление оросительной техникой. Наличие современного программного обеспечения позволяет решать сложные задачи моделирования нелинейных зависимостей с учетом динамических составляющих. Нейросетевые технологии имеют большой потенциал применения для задач оптимизации орошения в свете дальнейшего развития технологий искусственного интеллекта и интернета вещей.
Литература.
1. FAO. 2020. The State of Food and Agriculture 2020. Overcoming water challenges in agriculture, 2020. 210 p. doi: 10.4060/ cb1447en.
2. Ольгаренко Г. В. Реализация программы импортозамещения в области производства техники полива в Российской Федерации // Мелиорация и водное хозяйство. 2018. № 1. С. 44-47.
3. McCarthy A., Hancock N., Raine S. Simulation of irrigation control strategies for cotton using Model Predictive control within the VARIwise simulation framework // ^тр^е^ and Electronics in Agriculture. 2014. Vol. 101. P. 135-147. doi: 10.1016/j. compag.2013.12.004.
4. A decision support system for managing irrigation in agriculture / H. Navarro-Hellin, J. Martinez-del-Ricon, R. Domingo-Miguel, et al. // Computers and Electronics in Agriculture. 2016. Vol. 124. P. 121-131. doi: 10.1016/j. compag.2016.04.003.
5. Giusti E., Marsili -Libelli S. Fuzzy decision support system for irrigation and water conservation in agriculture // Environmental Modeling&Software. 2015. Vol. 63. Р. 73-86. doi: 10.1016/j.envsoft.2014.09.020.
6. Rasp S., Pritchard M. S., Gentine P. Deep learning to represent subgrid processes in climate models // Proceedings of National
TT Academy of Science of the United States of О America. 2018. Vol. 115. P. 9684-9689. doi: ^ 10.1073/pnas.1810286115. о, 7. Sévellec F., Drijfhout S. S. A novel z probabilistic forecast system predicting ие anomalously warm 2018-2022 reinforcing g the long-term global warming trend // Nature Ц Communication. 2018. URL: https://www. g nature.com/articles/s41467-018-05442-8 2 (дата обращения 01.12.2020). doi: 10.1038/ $ s41467-018-05442-8.
8. Якушев В. П., Якушев В. В., Матвеенко Д. А. Интеллектуальные системы поддержки технологических решений в точном земледелии // Земледелие. 2020. № 1. С. 33-37. doi: 10.24411/0044-3913-2020-10109.
9. Программа фундаментальных научных исследований в Российской Федерации на долгосрочный период (2021 - 2030 годы). URL: http://static.government.ru/ media/files/skzO0DEvyFOIBtXobzPA3zTyC 71cRAOi.pdf
10. Агроэкологические условия и продуктивность озимой пшеницы в степной зоне Поволжья / Ю. Ф. Курдюков, М. Ю. Васильева, Н. П Левицкая и др. // Зерновое хозяйство России. 2014. № 3. С. 58-62.
11. Соловьев Д. А., Журавлева Л.А. Влияние режима движения дождевальных машин на норму полива // Вестник АПК Верхневолжья. 2018. № 1 (41). C.38-43.
12. Мещеряков В. Н., Сараев П. В., Мещерякова О. В. Математическое моделирование и управление процессами в системах автоматизации промышленных установок с помощью многозначных нейронных сетей // Проблемы управления. 2013. № 6. С.71-73.
13. Белов М. П., Носиров И. С., Фыонг Ч. Х. Исследование системы управления электроприводом подачи токарного станка с применением метода обобщенного нейроуправления с прогнозированием. СПБПЭТУ «ЛЭТИ». 2017. №4. С.45-53.
14. Хайкин С. Нейронные сети: полный курс. 2-е изд. Москва; Санкт-Петербург Диалектика. 2019. 1103 с.
15. Schmidhuber J. Deep Learning in neural networks: An overview // Neural Networks. 2015. Vol. 61. Р. 85-117.
16. Иванова П. Ф., Левицкая Н. П., Орлова И. А. Оценка современного состояния агроклиматических ресурсов Саратовской области // Извести Саратовского университета. Новая серия. Науки о Земле. 2013. Т. 13. Вып. 2. С. 10-12.
17. Росгидромет. Федеральная служба по гидрометеорологии и мониторингу окружающей среды, Мониторинг климата. URL: http://climatechange. igce.ru/index.php?option = com_ docman&Itemid=75&gid=19&lang=ru (дата обращения 01.12.2020).
18. Ise T., Oba Y Forecasting climatic trends using neural networks: an experimental study using global historical data // Frontiers in Robotics and AI. 2019. URL: https:// www.frontiersin.org/articles/10.3389/ frobt.2019.00032/full (дата обращения 01.12.2020). doi: 10.3389/frobt.2019.00032.
19. Дьяконов В. П. MATLAB и SIMULINK для радиоинженеров. М.: ДМ Пресс, 2016. 976 с.
20. Beale M., Hagan M., Demuth H. Neural Network Toolbox User's Guide. Natick, The Math Works Inc. 2015. 406 p.
21. Improving the efficiency of circular irrigation machines based on models of neural network irrigation control / D. Solovyev, G. Kamyshova, S. Zatinatsky, et al. // E3S Web of Conferences. 2020. Vol. 175. 05007. URL. https://www.e3s-conferences.org/ articles/e3sconf/pdf/2020/35/e3sconf_ interagromash2020_05007.pdf. doi. 10.1051/ e3sconf/202017505007.
22. Моделирование нейроуправле-ния скоростью дождевальных машин / Д. А. Соловьев, П. Н. Камышова, Н. Н. Терехова
и др. // Аграрный научный журнал. 2020. № 7.
C. 81-84. doi: 10.28983/asj.y2020i7pp78-84.
Neural network technologies for increasing the efficiency of irrigated agriculture
D. A. Solovyev, G. N. Kamyshova, N. N. Terekhova
Saratov State Agrarian University, Teatralnaia pl., 1, Saratov, 410012, Russian Federation
Abstract. Following global trends, the Russian agricultural sector is faced with the task of digital transformation. To solve it, it is necessary to develop new intellectual methods and models. Irrigated agriculture is one of the areas of agricultural production, the efficiency of which is influenced by many different stochastic factors and undoubtedly requiring new approaches. The purpose of the work is to develop an architecture for an irrigation management system based on neural network technologies. The system is based on two neural network models: forecasting agro-climatic resources based on a dynamic artificial neural network and neurocontrol of sprinkler equipment based on a multilayer artificial neural network. Models based on artificial neural networks are more efficient than traditional approaches based only on physical or mathematical modelling in solving many problems. The use of a dynamic artificial neural network for predicting the average an-nualprecipitation provides an increase in accuracy, in comparison with classical mathematical modelling, by25-30%. The study of the actual speeds of the irrigation machines shows their significant deviation from the required ones by more than 10%, which reduces the efficiency of irrigation. Neural network modelling was carried out using data from the Roshydromet climate monitoring system and the own system for collecting technical data on sprinklers of the Saratov State Agrarian University. To control the sprinkler machines, a multilayer neural network was used, based on which a neurocontroller of speed was synthesized. The use of a neurocontroller in the control system allows reducing the speed deviations to 1-3%, optimizing the operation of sprinkler equipment. Testing of the control system was carried out on the basis of integration into a complex digital platform for agribusiness management "Agrosignal" in the scientific and production association of the Saratov State Agrarian University. It showed an improvement in the quality of irrigation and savings of about 6% of irrigation water.
Keywords: irrigated agriculture; artificial neural networks; models; technologies; sprinklers; agro-climatic resources.
Author Details: D. A. Solovyev, D. Sc. (Tech.), acting rector (e-mail: sda@sgau.ru); G. N. Kamyshova, Cand. Sc. (Phys.-math.), head of department (e-mail: gkamichova@ mail.ru), N. N. Terekhova, Cand. Sc. (Tech.), assoc. prof. (e-mail: nterehova2015@yandex. ru).
For citation: Solovyev DA, Kamyshova GN, Terekhova NN [Neural network technologies for increasing the efficiency of irrigated agriculture]. Zemledelie. 2021; (2): 32-6. Russian. doi: 10.24411/0044-3913-2021-10207.
