Перспективы применения технологий искусственного интеллекта в сельском хозяйстве региона
DOI:
https://doi.org/10.17059/2020-2-17Ключевые слова:
искусственный интеллект, сельское хозяйство, цифровая экономика, машинное обучение, технологии искусственного интеллекта, робототехника, большие данные, анкетирование, стратегия искусственного интеллекта, цифровое сельское хозяйство, интернет вещейАннотация
В статье приведен анализ перспектив применения технологий искусственного интеллекта в сельском хозяйстве Свердловской области. Актуальность исследования обусловлена бурным развитием данных технологий на основе различных прорывов в цифровой сфере и значительной неопределенностью перспектив их применения в сельскохозяйственном производстве. На подготовительном этапе проведен анализ публикаций в сети WoS, позволяющий конкретизировать сущность и сферы применения технологий искусственного интеллекта в сельском хозяйстве. Целью исследования, построенного на основе опроса руководителей 55 организаций сельского хозяйства, является определение проблем и перспектив применения технологий искусственного интеллекта в сельском хозяйстве региона. Применение технологий искусственного интеллекта в регионе целесообразно, по мнению респондентов, для производства продукции животноводства (26,0 %) и благополучия животных (18,5 %). В качестве ожидаемых результатов респонденты указали увеличение производства продукции (23,2 %) и снижение расходов (20,3 %). Более половины респондентов указали, что данные технологи существенно изменят сельскохозяйственное производство, снизят занятость низкоквалифицированным трудом и будут способствовать созданию новых рабочих мест в интеллектуальной сфере. Следует отметить положительное восприятие технологий искусственного интеллекта и несколько завышенные ожидания от их применения. Значительная часть опрошенных (65,5 %) считает, что технологии искусственного интеллекта позволят повысить уровень рентабельности производства, при этом лишь 9,8 % заявили об их использовании в настоящее время. К ограничениям применения технологий искусственного интеллекта в сельском хозяйстве региона можно отнести недостаток денежных средств и высокую стоимость этих технологий. В качестве основных мер по преодолению этих препятствий можно выделить увеличение государственной поддержки и повышение квалификации персонала. Технологии искусственного интеллекта увеличат точность прогнозов в различных сферах производства, что позволит привлечь дополнительные инвестиции в сельское хозяйство региона. Результаты исследования могут быть использованы органами исполнительной власти при разработке программ цифрового развития сельского хозяйства.
Библиографические ссылки
Smirnov, E. G. & Lukyanov, S. A. (2019). Formirovanie i razvitie globalnogo rynka sistem iskusstvennogo intellekta [Development of the Global Market of Artificial Intelligence Systems]. Ekonomika regiona [Economy of Region], 15(1), 57–69. DOI: 10.17059/2019–1–5 (In Russ.)
Kang, J., Schwartz, R., Flickinger, J. & Beriwal, S. (2015). Machine learning approaches for predicting radiation therapy outcomes: A clinician’s perspective. International Journal of Radiation Oncology Biology Physics, 93, 1127–1135.
Asadi, H., Dowling, R., Yan, B. & Mitchell, P. (2014). Machine learning for outcome prediction of acute ischemic stroke post intra-arterial therapy. PLoS ONE, 9, e88225.
Takahashi, K., Kim, K., Ogata, T. & Sugano, S. (2017). Tool-body assimilation model considering grasping motion through deep learning. Robotics and Autonomous Systems, 91, 115–127.
Gastaldo, P., Pinna, L., Seminara, L., Valle, M. & Zunino, R. (2015). A tensor-based approach to touch modality classification by using machine learning. Robotics and Autonomous Systems, 63, 268–278.
Fedorenko, V. F., Chernoivanov, V. I., Goltyapin, V. Ya. & Fedorenko, I. V. (2018). Mirovye tendentsii intellektualizatsii selskogo khozyaystva. Nauch. analit. obzor [Global trends in the intellectualization of agriculture. Scientific analytical review]. Moscow: Rosinformagrotekh, FSUE, 232. (In Russ.)
Skvortcov, E. A., Skvortcova, E. G., Nabokov, V. I. & Krivonogov, P. S. (2017). Primenenie doilnoy robototekhniki v regione [Robotic Milking Implementation in the Sverdlovsk Region]. Ekonomika regiona [Economy of Region], 13(1), 249–260. DOI: 10.17059/2017–1–23 (In Russ.)
Skvortsov, E. A., Skvortsova, E. G., Sandu, I. S. & Iovlev, G. A. (2018). Perekhod selskogo khozyaystva k tsifrovym, intellektualnym i robotizirovannym tekhnologiyam [Transition of Agriculture to Digital, Intellectual and Robotics Technologies]. Ekonomika regiona [Economy of Region], 14(3), 1014–1028. DOI: 10.17059/2018–3–23 (In Russ.)
Ahmad, I., Saeed, U., Fahad, M., Ullah, A., Habib ur Rahman, M., Ahmad, A. & Judge, J. (2018). Yield Forecasting of Spring Maize Using Remote Sensing and Crop Modeling in Faisalabad-Punjab Pakistan. Journal of the Indian Society of Remote Sensing, 46(10), 1701–1711. DOI: 10.1007 / s12524–018–0825–8
Chlingaryan, A., Sukkarieh, S. & Whelan, B. (2018). Machine learning approaches for crop yield prediction and nitrogen status estimation in precision agriculture: A review. Computers and electronics in agriculture, 151, 61–69.
Chapman, R., Cook, S., Donough, C., Lim, Y. L., Vun Vui Ho, P., Lo, K. W. & Oberthür, T. (2018). Using Bayesian networks to predict future yield functions with data from commercial oil palm plantations: A proof of concept analysis. Computers and Electronics in Agriculture, 151, 338–348. DOI: 10.1016/j.compag.2018.06.006
Kouadio, L., Deo, R. C., Byrareddy, V., Adamowski, J. F., Mushtaq, S. & Nguyen, V. P. (2018). Artificial intelligence approach for the prediction of Robusta coffee yield using soil fertility properties. Computers and Electronics in Agriculture, 155, 324–338. DOI: 10.1016/j.compag.2018.10.014.
Amatya, S., Karkee, M., Gongal, A., Zhang, Q. & Whiting, M. D. (2015). Detection of cherry tree branches with full foliage in planar architecture for automated sweet-cherry harvesting. Biosystems Engineering, 146, 3–15.
Sengupta, S. & Lee, W. S. (2014). Identification and determination of the number of immature green citrus fruit in a canopy under different ambient light conditions. Biosystems Engineering, 117, 51–61.
Pantazi, X.-E., Moshou, D., Alexandridis, T. K., Whetton, R. L. & Mouazen, A. M. (2016). Wheat yield prediction using machine learning and advanced sensing techniques. Computers and electronics in agriculture, 121, 57–65.
Su, Y., Xu, H. & Yan, L. (2017). Support vector machine-based open crop (SBOCM): Case of rice production in China. Saudi Journal of Biological Sciences, 24, 537–547.
Navarro-Hellín, H., Martínez-del-Rincon, J., Domingo-Miguel, R., Soto-Valles, F. & Torres-Sánchez, R. (2016). A decision support system for managing irrigation in agriculture. Computers and Electronics in Agriculture, 124, 121–131. DOI: 10.1016 / j.compag.2016.04.003
Prasad, R., Deo, R. C., Li, Y. & Maraseni, T. (2018). Soil moisture forecasting by a hybrid machine learning technique: ELM integrated with ensemble empirical mode decomposition. Geoderma, 330, 136–161. DOI: 10.1016/j.geoderma.2018.05.035
Sanikhani, H., Deo, R. C., Yaseen, Z. M., Eray, O. & Kisi, O. (2018). Non-tuned data intelligent model for soil temperature estimation: A new approach. Geoderma, 330, 52–64. DOI: 10.1016/j.geoderma.2018.05.030.
Ferentinos, K. P. (2018). Deep learning models for plant disease detection and diagnosis. Computers and Electronics in Agriculture, 145, 311–318. DOI: 10.1016/j.compag.2018.01.009.
Singh, K. K. (2018). An Artificial Intelligence and Cloud Based Collaborative Platform for Plant Disease Identification, Tracking and Forecasting for Farmers. In: 2018 Seventh IEEE international conference on cloud computing in emerging markets (CCEM) (pp. 49–56). Institute of Electrical and Electronics Engineers. DOI: 10.1109/CCEM.2018.00016.
Moshou, D., Bravo, C., West, J., Wahlen, S., McCartney, A. & Ramon, H. (2004). Automatic detection of “yellow rust” in wheat using reflectance measurements and neural networks. Computers and electronics in agriculture, 44, 173–188.
Pantazi, X. E., Moshou, D., Oberti, R., West, J., Mouazen, A. M. & Bochtis, D. (2017). Detection of biotic and abiotic stresses in crops by using hierarchical self organizing classifiers. Precision Agriculture, 18, 383–393.
Chung, C. L., Huang, K. J., Chen, S. Y., Lai, M. H., Chen, Y. C. & Kuo, Y. F. (2016). Detecting Bakanae disease in rice seedlings by machine vision. Computers and electronics in agriculture, 121, 404–411.
Traore, S., Luo, Y. & Fipps, G. (2016). Deployment of artificial neural network for short-term forecasting of evapotranspiration using public weather forecast restricted messages. Agricultural Water Management, 163, 363–379. DOI: 10.1016/j.agwat.2015.10.009.
Sanikhani, H., Deo, R. C., Samui, P., Kisi, O., Mert, C., Mirabbasi, R., … Yaseen, Z. M. (2018). Survey of different data-intelligent modeling strategies for forecasting air temperature using geographic information as model predictors. Computers and Electronics in Agriculture, 152, 242–260. DOI: 10.1016/j.compag.2018.07.008.
Rocha Rodrigues, E., Oliveira, I., Cunha, R. & Netto, M. (2018). DeepDownscale: A Deep Learning Strategy for High-Resolution Weather Forecast. 2018 IEEE 14th International Conference on e-Science (e-Science) (pp. 415–422). Amsterdam, Netherlands. DOI: 10.1109/eScience.2018.00130.
Mouatadid, S., Raj, N., Deo, R. C. & Adamowski, J. F. (2018). Input selection and data-driven model performance optimization to predict the Standardized Precipitation and Evaporation Index in a drought-prone region. Atmospheric Research, 212, 130–149. DOI: 10.1016/j.atmosres.2018.05.012.
Ali, M., Deo, R. C., Downs, N. J. & Maraseni, T. (2018). Multi-stage committee based extreme learning machine model incorporating the influence of climate parameters and seasonality on drought forecasting. Computers and Electronics in Agriculture, 152, 149–165.DOI: 10.1016/j.compag.2018.07.013.
Perea, R. G., Poyato, E. C., Montesinos, P. & Díaz, J. A. R. (2018). Optimisation of water demand forecasting by artificial intelligence with short data sets. Biosystems Engineering, 177, 59–66 DOI: 10.1016/ j.biosystemseng. 2018. 03.011
Kousari, M. R., Hosseini, M. E., Ahani, H. & Hakimelahi, H. (2015). Introducing an operational method to forecast long-term regional drought based on the application of artificial intelligence capabilities. Theoretical and Applied Climatology, 127(1–2), 361–380. DOI: 10.1007/s00704–015–1624–6.
Mehdizadeh, S., Behmanesh, J. & Khalili, K. (2017). Using MARS, SVM, GEP and empirical equations for estimation of monthly mean reference evapotranspiration. Computers and electronics in agriculture, 139, 103–114
Ferreira, A. D., Freitas, D. M., da Silva, G. G., Pistori, H., Folhes, M. T. (2017). Weed detection in soybean crops using ConvNets. Computers and Electronics in Agriculture, 143, 314–324. DOI: 10.1016/j.compag.2017.10.027.
Pantazi, X.-E., Moshou, D. & Bravo, C. (2016). Active learning system for weed species recognition based on hyperspectral sensing. Biosystems Engineering, 146, 193–202.
Pérez-Ortiz, M., Peña, J. M., Gutiérrez, P. A., Torres-Sánchez, J., Hervás-Martínez, C. & López-Granados, F. (2015). A semi-supervised system for weed mapping in sunflower crops using unmanned aerial vehicles and a crop row detection method. Applied Soft Computing, 37, 533–544. DOI: 10.1016/j.asoc. 2015.08.027
Dutta, R., Smith, D., Rawnsley, R., Bishop-Hurley, G., Hills, J. Timms, G. & Henry, D. (2015). Dynamic cattle behavioural classification using supervised ensemble classifiers. Computers and electronics in agriculture, 111, 18–28.
de Sousa, R. V., Rodrigues A. V. D., de Abreu M. G., Tabile R. A., Martello L. S. (2018). Predictive model based on artificial neural network for assessing beef cattle thermal stress using weather and physiological variables. Computers and Electronics in Agriculture, 144, 37–43. DOI: 10.1016/j.compag. 2017.11.033.
Matthews, S. G., Miller, A. L., PlÖtz, T. & Kyriazakis, I. (2017). Automated tracking to measure behavioural changes in pigs for health and welfare monitoring. Scientific Reports, 7, 17582.
Gao, T. & Kasabov, N. (2016). Adaptive cow movement detection using evolving spiking neural network models. Evolving Systems, 7(4), 277–285. DOI: 10.1007/s12530–016–9144-x
Abdoli, A., Murillo, A. C., Yeh, C.-C. M., Gerry, A. C. & Keogh, E. J. (2018). Time Series Classification to Improve Poultry Welfare. In: 2018 17th IEEE International Conference on Machine Learning and Applications (ICMLA) (pp. 635–642). Institute of Electrical and Electronics Engineers (IEEE). DOI: 10.1109/ICMLA.2018.00102
Morales, I. R., Cebrián, D. R., Fernandez-Blanco, E. & Sierra, A. P. (2016). Early warning in egg production curves from commercial hens: A SVM approach. Computers and electronics in agriculture, 121, 169–179.
Zheng, C., Zhu, X., Yang, X., Wang, L., Tu, S. & Xue, Y. (2018). Automatic recognition of lactating sow postures from depth images by deep learning detector. Computers and Electronics in Agriculture, 147, 51–63. DOI: 10.1016/j.com-pag.2018.01.023.
Hansen, M. F., Smith, M. L., Smith, L. N., Salter, M. G., Baxter, E. M., Farish, M. & Grieve, B. (2018). Towards on-farm pig face recognition using convolutional neural networks. Computers in Industry, 98, 145–152.
Nir, O., Parmet, Y., Werner, D., Adin, G. & Halachmi, I. (2017). 3D Computer-vision system for automatically estimating heifer height and body mass. Biosystems Engineering, 173, 4–10. DOI: 10.1016/j.biosystemseng.2017.11.014
Celik, S., Eyduran, E., Karadas, K. & Tariq, M. M. (2017). Comparison of predictive performance of data mining algorithms in predicting body weight in Mengali rams of Pakistan. Revista Brasileira de Zootecnia, 46(11), 863–872. DOI: 10.1590/S1806–92902017001100005
Brynjolfsson, E. & McAfee, A. (2014). The second machine age: Work, progress, and prosperity in a time of brilliant technologies. New York; Oxford: W.W.Norton & Company, 306.
Manyika, J., Chui, M., Miremadi, M., Bughin, J., George, K., Willmott, P. & Dewhurst, M. (2017). A future that works: Automation, employment, and productivity. McKinsey Global Institute, 28.
Ford, M. (2015). Rise of the Robots: Technology and the Threat of a Jobless Future. New York: Basic, 334.
Brynjolfsson, E. & McAfee, A. (2012). Race Against the Machine: How the Digital Revolution is Accelerating Innovation, Driving Productivity, and Irreversibly Transforming Employment and the Economy. Digital Frontier Press, 381.
Kapelyushnikov, R. I. (2017). Tekhnologicheskiy progress — pozhiratel rabochikh mest? [Is technological change a devourer of jobs?]. Voprosy ekonomiki, 11, 142–157. (In Russ.)
Загрузки
Опубликован
Как цитировать
Выпуск
Раздел
Лицензия
Copyright (c) 2020 Скворцов Е.А.
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
