ПРОЄКТУВАННЯ КОМП'ЮТЕРНОЇ СИСТЕМИ АНАЛІЗУ СТАНУ РОСЛИН

Автор(и)

  • Смолій Вікторія Миколаївна Національний університет біоресурсів і природокористування України image/svg+xml
  • Смолій Натан Вікторович Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського» image/svg+xml
  • Янцевич Антон Олександрович Національний університет біоресурсів і природокористування України image/svg+xml
  • Іскоростенський Олексій Олександрович Національний університет біоресурсів і природокористування України image/svg+xml

Ключові слова:

післявоєнне відновлення, агропромислова галузь, сільськогосподарські культури, визначення стану рослин, розрахунок параметрів розвитку, агродрони, задача ідентифікації параметрів рослин, інформаційна система, Use-case, Business Process Model and Notation, Dataflow діаграми

Анотація

Робота присвячена актуальній тематиці відновлення аграрного господарства на звільнені території, що пов’язано з ризиками замінювання, забруднення, захламлення, подолання наслідків екологічних катастроф, псування ґрунтів, тощо територій, необхідності проведення зазначених робіт та проведення досліджень щодо можливості вирощувати рослини в поствоєнних умовах та перспективи ефективного вирощування рослин в зоні ризикованого землеробства. Мета статті полягає в висвітленні створення інформаційної системи аналізу стану рослин, призначеної для здійснення агропромислової діяльності шодо вирощування біоенергетичних та злакових культур, яка забезпечує збір, обробку та рекомендації щодо стану рослин, що в свою чергу дозволяє визначити доцільність (раціональність) вирощування певного сорту рослин в певному регіоні, запланувати заходи польових робіт, обробки та зрошування рослин. 
В матеріалі статті обґрунтовано необхідність проведення численних експериментів щодо виявлення тенденцій розвитку рослин в умовах досліджуваних регіонів. Пропонується за зібраними статистичними даними визначити доречну (мінімально необхідну) кількість біоенергетичних та злакових культур, необхідну статистику щодо опорних показників нормального розвитку рослин, індикаторів плодоносіння. Запропоновано спосіб отримання інформації про поточний стан рослин з детальною фіксацією умов розвитку та результатів врожайності, спираючись на які засобами абстрагування слід розробити підґрунтя дорадницької інформаційної системи , побудованої відповідними методами аналізу і синтезу. Наведено математичне описання визначення ефекту середовища та умов вирощування (вплив на рослини) за будь-яким біопараметром: за масою рослини, довжиною кореневої або стеблової системи, кількістю ушкоджених рослин або кількістю сходів тощо, призначеного для оцінки придатності рослини для аграрного бізнесу у визначеному територіальному регіоні. Запропоновані Use-case-, BPMN– та Dataflow- діаграми, які ілюструють з певним ступенем деталізації послідовність дій і обробку інформації для процесу дослідження аналізу стану рослин, що становить основу для побудови інформаційної системи аналізу станів рослин. До перспектив подальших розвідок слід віднести необхідність більш детальної проробки кожного з компонентів запропонованої інформаційної системи зі з’ясуванням механізмів генерації висновків щодо доцільності вирощування рослин у певному регіоні та компонентів дорадництва щодо організації діяльності у визначеному аграрному секторі економіки.

Посилання

1. Is Ukraine moving into a zone of risky farming? [Ukraina perekhodyt u zonu ryzykovanoho zemlerobstva?]. (2024, March 24). Agro-Business. https://agro-business.com.ua/agro/ahronomiia-sohodni/item/18236-ukraina-perekhodyt-u-zonu-ryzykovanoho-zemlerobstva.html

2. BBCH Working Group. (2001). Growth stages of mono-and dicotyledonous plants (U. Meier, Ed.; 2nd ed.). Federal Biological Research Centre for Agriculture and Forestry.

3. Kimball, J. W. (2021). Biology. Tufts University & Harvard University.

4. Cabinet of Ministers of Ukraine. (2022). The government developed an action plan for the restoration of de-occupied territories [Uriad rozrobyv plan dii z vidnovlennia deokupovanykh terytorii]. https://www.kmu.gov.ua/news/uryad-rozrobiv-plan-dij-z-vidnovlennya-deokupovanih-teritorij

5. Cabinet of Ministers of Ukraine. (2022). On the approval of the action plan of executive authorities for the restoration of de-occupied territories of territorial communities (Decree No. 1219-2022-p) [Pro zatverdzhennia planu dii orhaniv vykonavchoi vlady z vidnovlennia deokupovanykh terytorii terytorialnykh hromad]. Verkhovna Rada of Ukraine. https://zakon.rada.gov.ua/laws/show/1219-2022-%D1%80#Text

6. Zadoks, J. C., Chang, T. T., & Konzak, C. F. (1974). A decimal code for the growth stages of cereals. Weed Research, 14(6), 415–421. https://doi.org/10.1111/j.1365-3180.1974.tb01084.x

7. Ministry of Agrarian Policy and Food of Ukraine. (2018). On the approval of the Methodology for field evaluation of sunflower and rapeseed seed crops (Order No. 558) [Pro zatverdzhennia Metodyky polovoho otsiniuvannia nasinnievykh posiviv soniashnyku ta ripaku]. https://ips.ligazakon.net/document/view/re32965?an=2&ed=2018_11_21

8. Monitoring of fields in agriculture: How to use the data obtained [Monitorynh poliv v silskomu hospodarstvi: yak zastosovuvaty otrymani dani]. (Retrieved 2024, March 23). Agrokebety Blog. https://blog.agrokebety.com/monitorynh-poliv-v-silskomu-hospodarstvi

9. Proxis. (2021). Intelligent greenhouse management [Intelektualne upravlinnia teplychnym hospodarstvom]. https://www.proxis.ua/uk/solution/automation-of-the-agricultural-sector/

10. Kalpana, P., Anandan, R., Hussien, A. G., Migdady, H., & Abualigah, L. (2024). Plant disease recognition using residual convolutional enlightened Swin transformer networks. Scientific Reports, 14(1), Article 8660. https://doi.org/10.1038/s41598-024-56393-8

11. Voothuluru, P., Wu, Y., & Sharp, R. E. (2024). Not so hidden anymore: Advances and challenges in understanding root growth under water deficits. The Plant Cell, 36(5), 1377–1409. https://doi.org/10.1093/plcell/koae055

12. Zhang, Y., Lu, Y., Guan, H., Yang, J., Zhang, C., Yu, S., Li, Y., Guo, W., & Yu, L. (2024). A phenotypic extraction and deep learning-based method for grading the seedling quality of maize in a cold region. Agronomy, 14(4), Article 674. https://doi.org/10.3390/agronomy14040674

Завантаження

Опубліковано

2024-11-08

Номер

Розділ

Усі статті з випуску