ОСОБЛИВОСТІ ЗАСТОСУВАННЯ ГІС, GPS, ДЗЗ ТА ШІ В ДОСЛІДЖЕННІ ҐРУНТОВИХ ХАРАКТЕРИСТИК
DOI:
https://doi.org/10.17721/1728-2713.110.11Ключові слова:
геоінформаційні системи (ГІС), дистанційне зондування Землі (ДЗЗ), глобальні навігаційні супутникові системи (GPS) та штучний інтелект (ШІ), прецизійне землеробство (ПЗ), геоінформаційні технології (ГІТ), APSIM (Agricultural Production Systems Simulator), DSSAT (Decision Support System for Agrotechnology Transfer)Анотація
Вступ. Сучасне сільське господарство наражається на численні виклики, пов'язані з кліматичними змінами, економічними факто-рами та зростаючими вимогами до ефективності виробництва. Впровадження передових технологій, зокрема геоінформаційних систем (ГІС), дистанційного зондування землі (ДЗЗ), глобальних навігаційних супутникових систем (GPS) та штучного інтелекту (ШІ), дає змогу оптимізувати агротехнічні процеси та підвищити продуктивність у прецизійному землеробстві.
Методи. У роботі розглянуто методи застосування ГІС, GPS, ДЗЗ та ШІ у точному землеробстві. Використано аналіз супутникових та аерофотознімків, методи просторового моделювання, геостатистику, машинне навчання для прогнозування врожайності та оптимізації управлінських рішень. Також досліджено використання сенсорних систем для збору польових даних та їх інтеграції у цифрові платформи агровиробництва.
Результати. У ході дослідження реалізовано комплексну модель оцінки ґрунтових характеристик на основі поєднання ГІС, GPS, дистанційного зондування та методів штучного інтелекту. Результати підтвердили ефективність використання цифрових карт і супутникових знімків для просторової інтерполяції параметрів ґрунту (вміст калію, вологи, гумусу), побудови карт врожайності та моніторингу посівів у реальному часі. Використання GPS-навігації забезпечило високу точність позиціонування техніки й польового відбору проб, а алгоритми машинного навчання (зокрема, моделі на основі LAI та Random Forest) показали точність прогнозу врожайності понад 80%. Побудована модель сівозміни із залученням бібліотек Python дала змогу сформувати оптимальний п'ятирічний план ротації культур з урахуванням типів ґрунтів, кліматичних умов і потенційної врожайності. Карти варіабельності та результати зонування стали основою для сценарного управління полем на рівні аграрного підприємства.
Висновки. Інтеграція ГІС, GPS, ДЗЗ та штучного інтелекту в аграрну практику суттєво підвищує точність аналізу ґрунтових характеристик і ефективність управління агропроцесами. Побудована модель дає змогу автоматизувати процеси прийняття рішень на основі великого обсягу просторових і польових даних, сприяє зниженню витрат, підвищенню врожайності та збереженню родючості ґрунтів. Досвід впровадження моделі в умовах Київської області засвідчив її практичну придатність і потенціал до масштабування в рамках сучасного точного землеробства.
Посилання
Ahmad, A., Khan, S., & Ali, M. (2022). Predicting spatial variability of soil organic carbon using machine learning and remote sensing data. Geoderma, 405. https://doi.org/10.1016/j.geoderma.2021.115174
Blue River Technology. (n.d.). Our Products. Retrieved April 21, 2025, from https://www.bluerivertechnology.com/our-products/
Brovarets, O. (2018). Probabilistic-statistical methods for determining the magnitude of variability zones of agrobiological parameters of agricultural lands to ensure proper quality of technological operations in crop production based on local operational monitoring data. Bulletin of Khmelnytskyi National University, 5, 272–283 [in Ukrainian]. [Броварець, О. (2018). Імовірнісно-статистичні методи визначення величини зон варіабельності агробіоло-гічних параметрів сільськогосподарських угідь для забезпечення належ-ної якості технологічних операцій у рослинництві на основі даних локального оперативного моніторингу. Вісник Хмельницького національ-ного університету, 5, 272–283].
Burliai, A. P., & Okhrymenko, B. O. (2021). Precision agriculture as a direction of modernization of agricultural production. Modern Economics, 29, 29–34 [in Ukrainian]. [Бурляй, А. П., & Охріменко, Б. О. (2021). Точне зем-леробство як напрям модернізації аграрного виробництва. Сучасна еко-номіка, 29, 29–34].
Colback, T. (2025). How AI is transforming modern agriculture in 2025. Precision Farming Dealer. Retrieved April 21, 2025, from https://www.precisionfarmingdealer.com/articles/6440-how-ai-is-transforming-modern-agriculture-in-2025
Confalonieri, R., Bechini, L., Bregaglio, S., Donatelli, M., & Acutis, M. (2010). A library of crop simulation models. Agronomy Journal, 102(3), 700–707. https://doi.org/10.2134/agronj2009.0300
Corrigan, V. (2020). Advanced imaging technologies in precision agriculture: Applications of RGB, multispectral, hyperspectral, thermal, radar, and LiDAR sensors. Journal of Agricultural Imaging, 15(3), 112–125.
CropX. (n.d.). Agronomic Farm Management System. Retrieved April 21, 2025, from https://cropx.com/
EOS Data Analytics. (n.d.-a). Crop yield prediction using remote sensing. Retrieved April 21, 2025, from https://eos.com/products/crop-monitoring/custom-solutions/yield-prediction/
EOS Data Analytics. (n.d.-b). Crop yield assessment: Satellite-based forecasting. Retrieved April 21, 2025, from https://eos.com/uk/products/crop-monitoring/custom-solutions/yield-prediction/
Esri. (n.d.). An overview of the interpolation toolset. ArcGIS Pro Documentation. Retrieved April 21, 2025, from https://pro.arcgis.com/en/pro-app/latest/tool-reference/spatial-analyst/an-overview-of-the-interpolation-tools.htm
Filippov, M. (2024, May 13). How artificial intelligence and robots are transforming the agricultural sector. Ekonomichna Pravda [in Ukrainian]. [Філіппов, М. (2024, 13 травня). Як штучний інтелект і роботи змінюють аграрний сектор. Економічна правда]. Retrieved March 7, 2025, from https://www.epravda.com.ua/columns/2024/05/13/713533/
Hassan-Esfahani, L., Torres-Rua, A., Jensen, A., & McKee, M. (2021). Assessment of surface soil moisture using high-resolution multi-spectral imagery and artificial neural networks. Remote Sensing, 7(3), 2627–2646. https://doi.org/10.3390/rs70302627
Morales, M. M., Zhang, Y., & Wang, L. (2023). Digital soil mapping of soil organic matter with deep learning and remote sensing data. ISPRS International Journal of Geo-Information, 11(5), 299. https://doi.org/10.3390/ijgi11050299
OneSoil. (n.d.). Free farming app for precision agriculture. Retrieved April 3, 2025, from https://onesoil.ai/ua
Shrestha, N., & Pradhanang, S. M. (2022). Assessment of climate change effects of drought conditions using the soil and water assessment tool. Agriculture, 14(2), 233. https://doi.org/10.3390/agriculture14020233
Singh, R., Sharma, A., & Kumar, V. (2021). Evaluation of different machine learning models for predicting soil erosion. International Journal of Environmental Research and Public Health, 18(3). https://doi.org/10.1155/2021/6665485
Stout Industrial Technology. (n.d.). Smart Cultivator. Retrieved April 21, 2025, from https://www.stout.ai/smart-cultivator/
Traktorist.ua. (n.d.-a). In China, the first autonomous combine harvester with 300 hp was developed. Traktorist.ua. Retrieved April 21, 2025, from https://traktorist.ua/news/v-kitayi-rozrobili-pershiy-v-sviti-avtonomniy-kombayn-potuzhnistyu-300-ks
Traktorist.ua. (n.d.-b). The world's first 300 HP unmanned harvester presented in China. Traktorist.ua. Retrieved from https://traktorist.ua/news/v-kitayi-rozrobili-pershiy-v-sviti-avtonomniy-kombayn-potuzhnistyu-300-ks
Travelite AGRO. (n.d.). Precision agriculture and Agro IT solutions: An overview of modern agro platforms in Ukraine. Retrieved April 21, 2025, from https://traveliteagro.com/tochne-zemlerobstvo-ta-agro-it-rishennia/
Tsyganenko, V. M. (2015). Global Positioning System (GPS) and its application in geoinformation technologies. Bulletin of the National University of Water and Environmental Engineering. Series: Geodesy, Land Management and Cadastre, 1, 45–50 [in Ukrainian]. [Циганенко, В. М. (2015). Глобальна система позиціонування (GPS) та її застосування в геоінформаційних технологіях. Вісник НУВГП. Серія: Геодезія, землеус-трій і кадастр, 1, 45–50].
Wang, J., Zhang, H., Li, L., & Hu, J. (2023). AI and machine learning for soil analysis: An assessment of sustainable agricultural practices. Bioresources and Bioprocessing, 10, Article 90. https://doi.org/10.1186/s40643-023-00710-y
Where to do soil analysis: List of agro laboratories. (2024, November 5). SuperAgronom. Retrieved November 15, 2024, from https://superagronom.com/blog/1073-de-zrobiti-analiz-gruntu-spisok-agrolaboratoriy
Zatserkovnyi, V. I. (2018). The practical aspects of remote land sensing: Study of the causes of water penetration on ground hydraulic structures. Hydraulic Engineering and Land Reclamation, 4, 45–50 [in Ukrainian]. [Заце-рковний, В. І. (2018). Практичні аспекти дистанційного зондування зе-мель: дослідження причин проникнення води на наземні гідротехнічні споруди. Гідротехніка та меліорація, 4, 45–50].
Zatserkovnyi, V. I., & Vorokh, V. V. (2024). Differential Technologies of Precision Agriculture. Technical Sciences and Technologies, 1(35), 292–301 [in Ukrainian]. [Зацерковний, В. І., & Ворох, В. В. (2024). Диференційні технології прецизій-ного землеробства. Технічні науки та технології, 1(35), 292–301].
Zhang, C., & Kovacs, J. M. (2012). The application of small unmanned aerial systems for precision agriculture: A review. Precision Agriculture, 13(6), 693–712. https://doi.org/10.1007/s11119-012-9274-5
Завантаження
Опубліковано
Номер
Розділ
Ліцензія
Авторське право (c) 2025 Віталій ЗАЦЕРКОВНИЙ, Віктор ВОРОХ, Ольга ГЛОБА, Тетяна МІРОНЧУК, Людмила ПЛІЧКО
Ця робота ліцензується відповідно до ліцензії Creative Commons Attribution 4.0 International License.
Ознайомтеся з політикою за посиланням: https://geology.bulletin.knu.ua/licensing
