Аннотация

Цель: разработка концепта систем управления орошением с интегрированными технологиями искусственного интеллекта. 

Материалы и методы. Рабочей гипотезой исследований стало предположение о приоритете кластерного применения технологий искусственного интеллекта в решении актуальных задач управления орошением. При этом основу информационно-вычислительного блока системы управления орошением должны составлять детерминированные алгоритмы с использованием проверенных практикой решений. 

Результаты. В рамках предлагаемого концепта нейронная сеть может быть положена в основу решения задачи, а может использоваться лишь для адаптации параметров используемых моделей. Точки соприкосновения традиционных, детерминированных – аналитических систем управления орошением и технологий искусственного интеллекта определяются необходимостью адаптации параметров, точной настройки коэффициентов используемого методологического инструментария. При этом сфера применения искусственного интеллекта в решении задач управления орошением довольно широка. Технологии искусственного интеллекта могут использоваться для решения задач планирования и оперативного управления орошением, распознавания образов при спутниковом контроле влажности почвы, интерполяции данных о влажности почвы по площади, прогнозирования профиля увлажнения почвы. Исследованиями разработан алгоритм, использующий технологии искусственного интеллекта для повышения надежности прогноза суммарного водопотребления орошаемых культур в региональном и ландшафтном аспекте. Предложенный алгоритм позволяет системе самообучаться и уточнять региональные значения биоклиматических коэффициентов с учетом совокупного влияния местных факторов. 

Выводы: разработан концепт и предложены новые научные подходы, которые позволяют эффективно решать задачу адаптации параметров методологического инструментария управления орошением на уровне орошаемого поля, и даже с учетом внутриполевой вариабельности.

doi: 10.31774/2712-9357-2023-13-2-1-18

Для цитирования

Лытов М. Н. Методологические инструменты управления орошением с искусственным интеллектом // Мелиорация и гидротехника. 2023. Т. 13, № 2. С. 1–18. https://doi.org/10.31774/2712-9357-2023-13-2-1-18.

Список литературы

1. Некоторые прикладные аспекты использования искусственного интеллекта / А. Ю. Близневский, В. С. Близневская, В. П. Клочков, М. Ю. Швецов, Т. И. Осина // Журнал Министерства народного просвещения. 2022. № 9(2). С. 53–62. DOI: 10.13187/zhmnp.2022.9.53.

2. Ефанов В. А. Цифровая трансформация системы управления бизнес-процес¬сами хозяйствующего субъекта // Экономика устойчивого развития. 2022. № 2(50). С. 76–81. DOI: 10.37124/20799136_2022_2_50_76.

3. Звягин Л. С. Вопросы применения искусственного интеллекта и измерений в современном агросекторе // Мягкие измерения и вычисления. 2022. Т. 50, № 1. С. 63–76. DOI: 10.36871/2618-9976.2022.01.007.

4. Comparing the performance of neural network and deep convolutional neural network in estimating soil moisture from satellite observations / L. Ge, R. Hang, Y. Liu, Q. Liu // Remote Sensing. 2018. Vol. 10. 1327. https:doi.org/10.3390/rs10091327.

5. Artificial neural networks to estimate soil water retention / F. C. Soares, A. D. Robaina, M. X. Peiter, J. L. Russi, G. A. Vivan // Ciencia Rural. 2014. Vol. 44, № 2. P. 293–300. https:doi.org/10.1590/S0103-84782014000200016.

6. Бадика Е. М., Марченков З. В. Влияние параметров на переобучение нейронных сетей // Актуальные научные исследования в современном мире. 2021. № 11-12(79). С. 46–52.

7. Пырнова О. А., Зарипова Р. С. Методы и проблемы переобучения многослойной нейронной сети // Информационные технологии в строительных, социальных и экономических системах. 2020. № 2(20). С. 101–102.

8. Исаков Р. В. Технология анализа синапсов нейронной сети для исследования входных признаков // Нейрокомпьютеры: разработка, применение. 2020. Т. 22, № 3. С. 45–55. DOI: 10.18127/j19998554-202003-05.

9. Леметюйнен Ю. А. Основные проблемы применения нейронных сетей для моделирования биотехнологических процессов // Актуальные научные исследования в современном мире. 2020. № 12-2(68). С. 68–72.

10. Модель интеллектуальной системы управления оросительным комплексом / Д. А. Соловьев, Г. Н. Камышова, Д. А. Колганов, Н. Н. Терехова // Аграрный научный журнал. 2021. № 2. С. 103–108. https:doi.org/10.28983/asj.y2021i2pp103-108.

11. Измакова О. А. Рандомизированные алгоритмы самообучения для нейронных сетей // Дифференциальные уравнения и процессы управления. 2005. № 2. С. 122–144.

12. Разновидности архитектур нейронных сетей / И. А. Клоков, В. А. Сухотерин, Д. А. Клаинцев, Д. А. Вилежанинов // Символ науки. 2023. № 1-2. С. 21–22. 

13. Лытов М. Н. Целевые функции компенсации климатических рисков возделывания сельскохозяйственных культур при комплексном использовании гидротехнических мелиораций // Мелиорация и гидротехника [Электронный ресурс]. 2022. Т. 12, № 4. С. 67–85. URL: http:www.rosniipm-sm.ru/article?n=1313 (дата обращения: 15.02.2023). DOI: 10.31774/2712-9357-2022-12-4-67-85.

14. Borodychev V. V., Lytov M. N. Irrigation management information system model with integrated elements of artificial intelligence // IOP Conference Series: Earth and Environmental Science. 2021. Vol. 786. 012019. DOI: 10.1088/1755-1315/786/1/012019.