Информационные технологии многоуровневого моделирования в решении управленческих задач аграрного производства
Аннотация
Рассмотрены разработанные программные приложения для решения управленческих задач прогнозирования и планирования производства аграрной продукции в благоприятных, неблагоприятных и усредненных условиях деятельности сельскохозяйственного предприятия, основанные на многоуровневых моделях и искусственном интеллекте. Предложено использовать три трендовые модели для прогнозирования производственно-экономических характеристик с учетом иерархической структуры временного ряда, отражающей изменчивость локальных минимумов, локальные максимумов и промежуточных значений. Для случайного ряда прогноз высоких значений ориентирован на среднее значение локальных максимумов, низких значений – на среднее локальных минимумов с оценкой их вероятностей. Среднее значение, соответствующее определенной вероятности, описывает усредненные условия работы предприятия. Если характеристика временного ряда описывается многоуровневыми значимыми трендами, то прогноз высоких, низких и промежуточных значений осуществляется по каждому тренду. Особенностью многоуровневого прогнозирования является учет циклов – интервалом между локальными минимумами и максимумами. Отдельно предлагается моделировать высокие и низкие события как значения, располагающиеся выше тренда локальных максимумов и ниже тренда локальных минимумов. Высокие и низкие события, как правило, являются случайными величинами, подчиняясь законам распределения вероятностей. Для реализации приведенного алгоритма разработан программный комплекс на языке программирования C#. В дополнение к нему создано программное приложение для прогнозирования урожайности сельскохозяйственных культур с использованием машинного обучения и нейронной сети. Для прогноза применяются многолетние ряды урожайности сельскохозяйственных культур и суточные температуры воздуха и осадки за вегетационный период. Алгоритм многоуровневого моделирования характеристик позволяет осуществлять многоуровневое планирование с использованием задач многоуровневого параметрического и стохастического программирования для благоприятных, неблагоприятных, усредненных условий и вероятных событий. Разработан программный комплекс, позволяющий на основе базы данных и знаний, включающих биологические, экологические, природно-климатические и экологические характеристики, прогнозировать и планировать аграрное производство на основе многоуровневого моделирования с использованием искусственного интеллекта.
Литература
2. Ivanyo Y.M., Kovaleva E.A., Krakovsky Yu.M., Petrova S.A. Optimisation of Agricultural Production with a Combination of Irrigated and Rain-Fed Lands. Russian Agricultural Sciences. 2024;38(5):48-54. (In Russ., abstract in Eng.) https://doi.org/10.53859/02352451_2024_38_5_48
3. Barsukova M.N., Ivanyo Ya.M., Kovadlo I.A., Tsyrenzhapova V.V. Parametricheskaya optimizatsiya polucheniya prodovol’stvennoy produktsii s uchetom osobennostey kharakteristik vremennykh ryadov [Parametric optimisation of food production taking into account time series characteristics]. Lesnoy vestnik = Forestry Bulletin. 2025;29(3):181-193. (In Russ., abstract in Eng.) https://doi.org/10.18698/2542-1468-2025-3-181-193
4. Han J., Ruan J., Lin N., Wei W., Wang X., Lu H. A Model for Joint Planning of Production and Distribution of Fresh Produce in Agricultural Internet of Things. IEEE Internet of Things Journal. 2020;8(12):9683-9696. https://doi.org/10.1109/jiot.2020.3037729
5. Huang F., Hu S., Mo X., Li L. Agricultural water optimization coupling with a distributed ecohydrological model in a mountain-plain basin. Journal of Hydrology. 2020;590:125336-125336. https://doi.org/10.1016/j.jhydrol.2020.125336
6. Ivano Ya.M., Petrova S.A. Modeling multilevel dynamics of agricultural crops yield. Bulliten KrasSAU. 2024;(12):66-77. (In Russ., abstract in Eng.) https://doi.org/10.36718/1819-4036-2024-12-66-77
7. Ivanyo Ya.M., Petrova S.A., Polkovskaya M.N., Sobirov I.A. Multilevel modeling of crop production at different stages of aggregation. Scientific and practical journal "Vestnik IrGSHA". 2024;6(125):25-36. (In Russ., abstract in Eng.) https://doi.org/10.51215/1999-3765-2024-125-25-36
8. Ivanyo Ya.M., Stolopova Yu.V. Long-Term Variability and Agrometeorological Conditions in Cisbaikalia: Field Studies and Modeling of Grain Crops Yield. Russian Meteorology and Hydrology. 2019;(10):117-124. (In Russ., abstract in Eng.) EDN: OTJQYM
9. Ivanyo Ya.M., Klimov E.S. Algorithm for Determining the Optimal Interval of Influence of Factors in Crop Yield Modeling. Bulletin of Voronezh State Technical University. 2025;21(3):29-34. (In Russ., abstract in Eng.) https://doi.org/10.36622/1729-6501.2025.21.3.004
10. Du J., Zhou Z., Xu L. Evolutionary Game Mechanism on Complex Networks of Green Agricultural Production under Intensive Management Pattern. Complexity. 2020;2020:1-13. https://doi.org/10.1155/2020/8541517
11. Guo H., Jin J., Xia Y., Pan C. The impact of climate change on the efficiency of agricultural production in the world's main agricultural regions. Environmental Impact Assessment Review. 2022;97:106891-106891. https://doi.org/10.1016/j.eiar.2022.106891
12. Grilli L., Rampichini C. Review of Multilevel and Longitudinal Modeling Using Stata, Fourth Edition, by Sophia Rabe-Hesketh and Anders Skrondal. The Stata Journal Promoting communications on statistics and Stata. 2023;23(3):901-904. https://doi.org/10.1177/1536867x231196518
13. Vrchota J., Pech M., Švepešová I. Precision Agriculture Technologies for Crop and Livestock Production in the Czech Republic. Agriculture. 2022;12(8):1080-1080. https://doi.org/10.3390/agriculture12081080
14. Costa E., da Silva A.G., Vendruscolo E.P., da Silva Binotti F.F., Martins M.B., Zóz T., Witt T.W., de Castro Seron C. "Greenhouses within the Agricultura 4.0 interface" Ciência Agronômica/Revista ciência agronômica. 2020;51(0):0207703. https://doi.org/10.5935/1806-6690.20200089
15. Lei S., Yang X.B., Qin J. Does agricultural factor misallocation hinder agricultural green production efficiency? Evidence from China. The Science of The Total Environment. 2023;891:164466-164466. https://doi.org/10.1016/j.scitotenv.2023.164466
16. Lazebnyk L., Voitenko V. Digital Technologies in Agricultural Enterprise Management. Financial and credit activity problems of theory and practice. 2022;6(41):203-210. https://doi.org/10.18371/fcaptp.v6i41.251440
17. López A.F.J., Serrano A.F.C., Jiménez F., Herrera P.F.C., Portacio A.A. A survey on intelligent agents and multi-agents for irrigation scheduling. Computers and Electronics in Agriculture. 2020;176:105474-105474. https://doi.org/10.1016/j.compag.2020.105474
18. Li Y., Chen L., Ke Q., Liu S.-L., Zhang Z., Cao Z., Wang G. Long-term responses in different karst agricultural production systems to farm management and climate change: A comparative prefecture-scale study in Southwest China. Agriculture Ecosystems & Environment. 2023;352:108504-108504. https://doi.org/10.1016/j.agee.2023.108504
19. Xu Y., Li C., Wang X., Wang J. Digitalization, resource misallocation and low-carbon agricultural production: evidence from China. Frontiers in Environmental Science. 2023;11:1117086. https://doi.org/10.3389/fenvs.2023.1117086
20. Zhang X., Cao Z., Dong W. Overview of Edge Computing in the Agricultural Internet of Things: Key Technologies, Applications, Challenges. IEEE Access. 2020;8:141748-141761. https://doi.org/10.1109/access.2020.3013005
21. Fasciolo B., Panza L., Lombardi F. Exploring the Integration of Industry 4.0 Technologies in Agriculture: A Comprehensive Bibliometric Review. Sustainability. 2024;16(20):8948-8948. https://doi.org/10.3390/su16208948
22. Segarra J., Araus J.L., Buchaillot Ma.L., Kefauver S.C. Remote Sensing for Precision Agriculture: Sentinel-2 Improved Features and Applications. Agronomy. 2020;10(5):641-641. https://doi.org/10.3390/agronomy10050641
23. Lăzăroiu G., Androniceanu A., Grecu G., Grecu I., Neguriţă O. Artificial intelligence-based decision-making algorithms, Internet of Things sensing networks, and sustainable cyber-physical management systems in big data-driven cognitive manufacturing. Oeconomia Copernicana. 2022;13(4):1047-1080. https://doi.org/10.24136/oc.2022.030
24. Talaviya T., Shah D., Yagnik H., Patel N., Shah M. Implementation of artificial intelligence in agriculture for optimisation of irrigation and application of pesticides and herbicides. Artificial Intelligence in Agriculture. 2020;4:58-73. https://doi.org/10.1016/j.aiia.2020.04.002
25. Kochkarov A.A., Kulikov A.K., Rumyantsev B.V. Agrobiotechnologies: Experience in using and prospects for using artificial intelligence. In: Horizons of mathematical modeling and theory of self-organization. On the occasion of the 95th anniversary of the birth of S.P. Kurdyumova. Moscow: Keldysh Institute of Applied Mathematics of RAS; 2024. p. 144-153. (In Russ., abstract in Eng.) https://doi.org/10.20948/k95-8
26. Batarseh F.A. Cyberbiosecurity: A Multidisciplinary National Security Challenge. Journal of the ASABE. 2024;67(6):1607-1608. https://doi.org/10.13031/ja.16222
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
Редакционная политика журнала основывается на традиционных этических принципах российской научной периодики и строится с учетом этических норм работы редакторов и издателей, закрепленных в Кодексе поведения и руководящих принципах наилучшей практики для редактора журнала (Code of Conduct and Best Practice Guidelines for Journal Editors) и Кодексе поведения для издателя журнала (Code of Conduct for Journal Publishers), разработанных Комитетом по публикационной этике - Committee on Publication Ethics (COPE). В процессе издательской деятельности редколлегия журнала руководствуется международными правилами охраны авторского права, нормами действующего законодательства РФ, международными издательскими стандартами и обязательной ссылке на первоисточник.
Журнал позволяет авторам сохранять авторское право без ограничений. Журнал позволяет авторам сохранить права на публикацию без ограничений.
Издательская политика в области авторского права и архивирования определяются «зеленым цветом» в базе данных SHERPA/RoMEO.
Все статьи распространяются на условиях лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная, которая позволяет другим использовать, распространять, дополнять эту работу с обязательной ссылкой на оригинальную работу и публикацию в этом журналe.
