Техніка та енергетика

Оцифрування даних польових досліджень – основа управління фермерським господарством

Станіслав Ніколаєнко, Микола Волоха
Завантажити статтю
Анотація

Ефективність управління сучасним сільськогосподарським виробництвом була визначена як така, що значною мірою залежить від впровадження процесів діджиталізації, які змінюють парадигму управління виробничими процесами та створюють умови для підвищення продуктивності аграрного виробництва шляхом використання інноваційних цифрових технологій. Метою статті було здійснення огляду наукових публікацій, присвячених оцифруванню баз даних польових досліджень, з метою підвищення прибутковості аграрного виробництва шляхом розроблення ефективних управлінських рішень у рослинництві на основі використання даних, що надходять із численних джерел цифрової трансформації. Було показано, що різноманіття технологічних процесів, а також вхідних і вихідних даних, задіяних у сільськогосподарському виробництві, зумовлює складність та комплексність узагальнення процесів оцінювання його сталості. Визначено, що значна частина фермерів не є фахівцями з інформаційних технологій і не має можливості повною мірою розуміти алгоритмічну складність сучасних цифрових рішень. У роботі було систематизовано підходи до використання великих даних у сільському господарстві з урахуванням еволюції концепції 4V до 5V, де додатково враховується цінність даних. Запропоновано науково-методологічний підхід, спрямований на підвищення ефективності сільськогосподарського виробництва шляхом застосування методів машинного навчання для автоматичного розпізнавання культур, виявлення хвороб і бур’янів, прогнозування врожайності та якості сільськогосподарської продукції. Встановлено, що поряд із матеріально-технічним забезпеченням першочерговим чинником розвитку агропромислового комплексу є інтелектуалізація виробничої та управлінської діяльності на основі цифровізації, що розглядалась як високоефективний інструмент підвищення рентабельності інвестицій у сільське господарство на 10-15 %

Ключові слова

ефективність сільськогосподарського виробництва, діджиталізація, врожайність, родючість ґрунту, запаси вологи

ЦИТУВАТИ
Nikolayenko, S., & Volokha, M. (2025). Digitalisation of field research data – the basis of farm management. Machinery & Energetics, 16(4), 43-52. https://doi.org/10.31548/machinery/4.2025.43
Використані джерела
  1. Almeida, G.M.D., Pereira, G.T., Bahia, A.S.R.D.S., Fernandes, K., & Marques, J.J. (2021). Machine learning in the prediction of sugarcane production environments. Computers and Electronics in Agriculture, 190, article number 106452. doi: 10.1016/j.compag.2021.106452.
  2. ЯкірAng, K.L.-M., & Seng, J.K.P. (2021). Big data and machine learning with hyperspectral information in agriculture. IEEE Access, 9, 36699-36718. doi: 10.1109/ACCESS.2021.3051196.
  3. Borodin, V., Bourtembourg, J., Hnaien, F., & Labadie, N. (2016). Handling uncertainty in agricultural supply chain management: A state of the art. European Journal of Operational Research, 254(2), 348-359. doi: 10.1016/j.ejor.2016.03.057.
  4. Chang, W.L., & Grady, N. (2018). NIST big data interoperability framework: Volume 1, big data definitions (NIST special publication 1500-1). Gaithersburg, MD: National Institute of Standards and Technology. doi: 10.6028/NIST.SP.1500-1.
  5. Choi, R.Y., Coyner, A.S., Kalpathy-Cramer, J., Chiang, M.F., & Campbell, J.P. (2020). Introduction to machine learning, neural networks, and deep learning. Translational Vision Science & Technology, 9(2), article number 14. doi: 10.1167/tvst.9.2.14.
  6. Cravero, A., & Sepúlveda, S. (2021). Use and adaptations of machine learning in Big Data-applications in real cases in agriculture. Electronics, 10, article number 552. doi: 10.3390/electronics10050552.
  7. Evstatiev, B.I., & Gabrovska-Evstatieva, K.G. (2020). Review on the methods for big data analysis in agriculture. IOP Conference Series: Materials Science and Engineering, 1032, article number 012053. doi: 10.1088/1757-899X/1032/1/012053.
  8. Fan, X., Nan, Z., Ma, Y., Zhang, Y., & Han, F. (2021). Research on the spatio-temporal impacts of environmental factors on the fresh agricultural product supply chain and the spatial differentiation issue – an empirical research on 31 Chinese provinces. International Journal of Environmental Research and Public Health, 18(22), article number 12141. doi: 10.3390/ijerph182212141.
  9. Gao, X., Gao, J., & Qureshi, W.A. (2025). Applications, trends, and challenges of precision weed control technologies based on deep learning and machine vision. Agronomy, 15(8), article number 1954. doi: 10.3390/agronomy15081954.
  10. Hasan, M., Marjan, M.A., Uddin, M.P., Afjal, M.I., Kardy, S., Ma, S., & Nam, Y. (2023). Ensemble machine learning-based recommendation system for effective prediction of suitable agricultural crop cultivation. Frontiers in Plant Science, 14, article number 1234555. doi: 10.3389/fpls.2023.1234555.
  11. Islam, M.R., Oliullah, K., Kabir, M.M., Alom, M., & Mridha, M.F. (2023). Machine learning enabled IoT system for soil nutrients monitoring and crop recommendation. Journal of Agriculture and Food Research, 14, article number 100880. doi: 10.1016/j.jafr.2023.100880.
  12. Jiang, L., Zeng, G., Wan, C., & Liu, Z. (2019). Research on the countermeasures for rural revitalization of the ethnic minorities in border areas: A case study of Heihe City in Heilongjiang Province. In Proceedings of the 3rd international conference on culture, education and economic development of modern society (ICCESE 2019) (pp. 657-660). Paris: Atlantis Press. doi: 10.2991/iccese-19.2019.144.
  13. Lampridi, M., Sørensen, C., & Bochtis, D. (2019). Agricultural sustainability: A review of concepts and methods. Sustainability, 11, article number 5120. doi: 10.3390/su11185120.
  14. Lazorenko, T., & Sholom, I. (2018). Digitalization as the main factor of business development. Proceedings of the international scientific and practical conference (pp. 50-51). Kyiv: Kyiv Polytechnic Institute.
  15. Li, D., Bai, L., Wang, R., & Ying, S. (2024). Research progress of machine learning in extending and regulating the shelf life of fruits and vegetables. Foods, 13(19), article number 3025. doi: 10.3390/foods13193025.
  16. Mauget, S.A., Adhikari, P., Leiker, G., Baumhardt, R.L., Thorp, K.R., & Ale, S. (2017). Modeling the impact of management and increase on cotton production in arid areas of West Texas. Agricultural and Forest Meteorology, 247, 385-398. doi: 10.1016/j.agrformet.2017.07.009.
  17. Mayuri, K.P. (2018). Role of image processing and machine learning techniques in disease recognition, diagnosis and yield prediction of crops: A review. International Journal of Advanced Research in Computer Science, 9(2), 788-795. doi: 10.26483/ijarcs.v9i2.5793.
  18. Neupane, J., & Guo, W. (2019). Agronomic bases and strategies of accurate water resources management: A review. Agronomy, 9(2), article number 87. doi: 10.3390/agronomy9020087.
  19. Ofosu, R., Agyemang, E.D., Márton, A., Pásztor, G., Taller, J., & Kazinczi, G. (2023). Herbicide resistance: Managing weeds in a changing world. Agronomy, 13, article number 1595. doi: 10.3390/agronomy13061595.
  20. Papageorgiou, E.I., Angelopoulou, K., Gemtos, T.A., & Nanos, G.D. (2018). Development and evaluation of a fuzzy inference system and a neuro-fuzzy inference system for grading apple quality. Applied Artificial Intelligence, 32(3), 253-280. doi: 10.1080/08839514.2018.1448072.
  21. Pounds, K., Bao, H., Luo, Y., De, J., Schneider, K., Correll, M., & Tong, Z. (2022). Real-time and rapid food quality monitoring using smart sensory films with image analysis and machine learning. ACS Food Science & Technology, 2(7), 1123-1134. doi: 10.1021/acsfoodscitech.2c00124.
  22. Rejeb, A., Rejeb, K., Zailani, S., Keogh, J.G., & Appolloni, A. (2022). Examining the interplay between artificial intelligence and the agri-food industry. Artificial Intelligence in Agriculture, 6, 111-128. doi: 10.1016/j.aiia.2022.08.002.
  23. Rudenko, M. (2019). The features of digitization influence on the functioning of agricultural enterprises. Bulletin of the Kharkiv National Agricultural University of V.V. Dokuchaeva, 1, 202-212. doi: 10.31359/2312-3427-2019-1-202.
  24. Sibo, X., Xinyuan, N., Xin, C., & Xumeng, L. (2022). Data fusion based wireless temperature monitoring system applied to intelligent greenhouse. Computers and Electronics in Agriculture, 192, article number 106576. doi: 10.1016/j.compag.2021.106576.
  25. Sonka, S. (2016). Big Data: Fueling the next evolution of agricultural innovation. Journal of Innovation Management, 4(1), 114-136. doi: 10.24840/2183-0606_004.001_0008.
  26. Sørensen, C.A.G., Kateris, D., & Bochtis, D. (2021). ICT innovation and smart agriculture. In M. Salampasis & T. Bournaris (Eds.), Information and communication technologies in modern agricultural development (vol. 953, pp. 1-19). Cham: Springer. doi: 10.1007/978-3-030-12998-9_1.
  27. Sun, A.Y., & Scanlon, B.R. (2019). How can Big Data and machine learning benefit environment and water management: A survey of methods, applications, and future directions. Environmental Research Letters, 14(7), article number 073001. doi: 10.1088/1748-9326/ab1b7d.
  28. The Guardian. (2017). Tsunami of data could consume one fifth of global electricity by 2025. Retrieved from https://www.theguardian.com/environment/2017/dec/11/tsunami-of-data-could-consume-fifth-global-electricity-by-2025.
  29. Trushlyakova, A.B. (2018). Development of digitalization in Ukraine: Factors of influence, advantages and challenges of today. Economies’ Horizons, 4(7), 186-191. doi: 10.31499/2616-5236.4(7).2018.212762.
  30. Upadhyaya, S.R., Danilevicz, M.F., Dolatabadian, A., Neik, T.X., Zhang, F., Al-Mamun, H.A., Bennamoun, M., Batley, J., & Edwards, D. (2024). Genomics-based plant disease resistance prediction using machine learning. Plant Pathology, 73(9), 2298-2309. doi: 10.1111/ppa.13988.
  31. Varga, V. (2020). Digitalization as one of the factors of enterprise competitiveness. Efektyvna Ekonomika, 8. doi: 10.32702/2307-2105-2020.8.154.
  32. Virnodkar, S., Pachghare, V., Patil, V., & Jha, S. (2020). Remote sensing and machine learning for crop water stress determination in various crops: A critical review. Precision Agriculture, 21, 1121-1155. doi: 10.1007/s11119-020-09711-9.
  33. Volokha, M., Bondar, S., Boldyrieva, L., & Kisilevskaya, M. (2022). Advantages of digitalization in field data processing and crop management. In Modern research in world science (pp. 414-420). Lviv: Scientific Publishing Center “Sci-conf.com.ua”.
  34. Voloshchuk, Y. (2019). Digital directions of agrarian enterprises. Efektyvna Ekonomika, 2. doi: 10.32702/2307-2105-2019.2.66.
  35. Yuan, Y., Chen, L., Wu, H., & Li, L. (2022). Advanced agricultural disease image recognition technologies: A review. Information Processing in Agriculture, 9(1), 48-59. doi: 10.1016/j.inpa.2021.01.003.
  36. Zecca, F. (2019). The use of Internet of Things for the sustainability of the agricultural sector: The case of climate smart agriculture. International Journal of Civil Engineering and Technology, 10, 494-501.
  37. Zhang, J., Rao, Y., Husband, K., Jiang, Z., & Lee, S. (2021). Identification of cucumber leaf diseases using deep learning and small sample size for agricultural Internet of Things. International Journal of Distributed Sensor Networks, 17(4). doi: 10.1177/15501477211007407.
  38. Zhao, W., Li, J., Yang, R., & Li, Y. (2018). Determining placement criteria of moisture sensors through temporal stability analysis of soil water contents for a variable rate irrigation system. Precision Agriculture, 19(4), 648-665. doi: 10.1007/s11119-017-9545-2.
  39. Zou, Y., Wu, J., Wang, X., Morales, K., Liu, G., & Manzardo, A. (2023). An improved artificial neural network using multi-source data to estimate food temperature during multi-temperature delivery. Journal of Food Engineering, 351, article number 111518. doi: 10.1016/j.jfoodeng.2023.111518.