Концепция цифрового двойника орошаемого агроценоза

Актуальность. Внедрение технологий прецизионного земледелия, при прочих равных урожаеобразующих факторах, позволяет увеличить урожайность агроценоза до 15-20%. Внедрение прецизионного орошения позволяет качественно увеличить эффективность использования водных ресурсов. Использование цифровых двойников открывает значительные возможности в сокращении параметрической неопределенности состояний агроценоза и их мониторинга в реальном времени, а также высокоточное моделирование различных имитационных сценариев.
Объект. Объектом исследования являются цифровые двойники как системы мониторинга и параметрического моделирования производственных процессов в их применении к сельскохозяйственной сфере.
Материалы и методы. Применялись методы общей теории систем, теории ограничений, оценки зрелости технологий по зарубежным и российским отраслевым стандартам, а также монографический метод.
Результаты и выводы. Предложена концепция объектно-ориентированной модели данных, интегрирующей данные различной физической природы и автоматизирующей параметральное моделирование агробиоценоза, что позволит качественно сократить неопределенность в экономических параметрах агроценоза в дискретном пространственном и временном измерении, а также трудозатраты для проведения расчетов. А также позволит сформировать первичный расчетный и методологический базис для интеграции прецизионного орошения, прецизионного земледелия и программирования урожаев с дальнейшим использованием результатов исследования в киберфизических системах, в том числе с применением искусственного интеллекта.

1. Delgado J. A., Short N. M., Roberts D. P., Vandenberg B. Big Data Analysis for Sustainable Agriculture on a Geospatial Cloud Framework. Frontiers in Sustainable Food Systems. 2019. N. 3. P. 54.

2. Elijah O., Rahman T. A., Orikumhi I., Leow C. Y., Hindia M. H. An Overview of Internet of Things (IoT) and Data Analytics in Agriculture: Benefits and Challenges . IEEE Internet of Things Journal. 2018. N. 5 (5). Pp. 3758-3773.

3. European Commission. Technology readiness levels (TRL). Extract from Part 19 – Commission Decision C (2014) 4995. Technical report. 2014. https://ec.europa.eu/research/participants/data/ref/h2020/wp/2014_2015/ annexes/h2020-wp1415-annex-g-trl_en.pdf

4. Gomes Alves R., Souza G., Maia R., Lan Ho Tran A., Kamienski C., Soininen J.-P., Thomaz Aquino-Jr. P., Lima F. A digital twin for smart farming. IEEE Global Humanitarian Technology Conference. Seattle, 2019.

5. Grieves M., Vickers J. 2017. Digital Twin: Mitigating Unpredictable, Undesirable Emergent Behavior in Complex Systems. Transdisciplinary Perspectives on Complex Systems: New Findings and Approaches. Springer International Publishing. Cham, 2017. Pp. 85–113.

6. Janssen S. J., Porter C. H., Moore A. D., Athanasiadis I. N., Foster I., Jones J. W., Antle J. M. Towards a new generation of agricultural system data, models and knowledge products: Information and communication technology. Agricultural Systems. 2017. N. 155. Pp. 200-212.

7. Machl T., Donaubauer A., Kolbe T. H. Planning Agricultural Core Road Networks Based on a Digital Twin of the Cultivated Landscape. Full Paper Journal of Digital Landscape Architecture. 2019. P. 316–327.

8. Moghadam P., Lowe T., Edwards E. J. Digital Twin for the Future of Orchard Production Systems. Proceedings. 2020. V. 36 (1). N. 92.

9. Mukherjee T., DebRoy T. A digital twin for rapid qualification of 3D printed metallic components. Application of Materials Today. 2019. V. 14. P. 59–65.

10. Negri Е., Fumagalli L., Macchi М. A Review of the Roles of Digital Twin in CPS-based Production Systems. Procedia Manufacturum. 2017. N 11. P. 939-948.

11. Paraforos D. S., Sharipov G. M., Griepentrog H. W. ISO 11783-compatible industrial sensor and control systems and related research: A review. Computers and Electronics in Agriculture. 2019. N. 163. P. 104863.

12. Patricio D. I., Rieder R. Computer vision and artificial intelligence in precision agriculture for grain crops: A systematic review. Computers and Electronics in Agriculture. 2018. N 153. Pp. 69-81.

13. Pylianidis C., Osinga S., Athanasiadis I. Introducing digital twins to agriculture. Computers and Electronics in Agriculture. 2021. V. 184. P. 105942.

14. Pylianidis C., Osinga S., Athanasiadis I. Introducing digital twins to agriculture. Computers and Electronics in Agriculture. 2021. V. 184. 105942.

15. Qi Q., Tao F. Digital Twin and Big Data Towards Smart Manufacturing and Industry 4.0: 360 Degree Comparison. IEEE Access. 2018. V. 6. Pp. 3585–3593.

16. Tan G., Lehmann A., Teo Y. M., Cai W. Methods and Applications for Modeling and Simulation of Complex Systems. Communications in Computer and Information Science. 2019. V. 1094.

17. Tsolakis N., Bechtsis D., Bochtis D. Agros: A robot operating system based emulation tool for agricultural robotics. Agronomy. 2019 V. 9. N. 7.

18. Verdouw C., Kruize J. W. Digital twins in farm management: illustrations from the FIWARE accelerators SmartAgriFood and Fractals. 7th Asian-Australasian Conference on Precision Agriculture. 2017.

19. Wolfert S., Ge L., Verdouw C., Bogaardt M.-J. Big Data in Smart Farming - A review. Agricultural Systems. 2017. N 153. Pp. 69-80.

20. Трансфер технологий. Методические указания по оценке уровня зрелости технологий: ГОСТ Р 58058-2017 . М.: Стандартинформ, 2018. 41 с.

21. Брыль С. В., Зверьков М. С. Создание цифровой модели рельефа мелиоративного объекта по данным дистанционного зондирования земли. Системные технологии. 2021. № 4 (41). С. 37-42.

22. Демичев В. В. Стратегия цифровизации ЕС до 2030 года: полезный опыт для сельского хозяйства России. Экономика и управление: проблемы, решения. 2021. Т. 4. № 12 (120). С. 98-104.

23. Романцева Ю. Н., Демичев В. В. Мировые тенденции и подходы к цифровизации АПК. Друкеровский вестник. 2021. № 5 (43). С. 168-181.

24. Тимиргалеева Р. Р., Вердыш М. В. Формирование модели цифровой среды системы управления агропромышленного комплекса. Международный журнал прикладных и фундаментальных исследований. 2022. № 5. С. 54-58.