Введение
В настоящее время использование алгоритмов машинного обучения (ML) на четырех основных этапах цепочки производства и реализации сельскохозяйственной продукции (подготовка, производство, переработка и реализация) становится все более важным [1]. Этап подготовки является начальным и связан с прогнозированием урожайности сельскохозяйственных культур, оценкой свойств почвы, потребности в орошении и др. В качестве входных данных выступают требования к оборудованию, необходимое содержание питательных веществ, необходимость применения удобрений; а далее эффективные модели прогнозирования, основанные на алгоритмах ML (байесовская сеть, регрессия, дерево решений, кластеризация, глубокое обучение и искусственные нейронные сети (ANN)), помогают фермерам принять оптимальное решение по прогнозированию урожайности сельскохозяйственных культур [2]. Например, Ben Ayed et al. [2] проанализировали 18 столовых сортов оливы, используя морфологические, биологические и физико-химические параметры и байесовскую сеть для изучения влияния этих параметров на устойчивость к неблагоприятным факторам окружающей среды, урожайность и содержание масла. Еще одним важным параметром на этапе подготовки является управление орошением, которое играет решающую роль в повышении качества и количества урожая. Для создания эффективной ирригационной системы исследователи могут использовать в качестве исходных данных для моделирования и оптимизации прогностических моделей на основе адекватных алгоритмов ML данные о влажности почвы, количестве осадков, интенсивности испарения, погодных условиях. Множество различных алгоритмов ML используют для моделирования эффективных моделей:
Методология
- прогнозирования погодных условий - количество солнечной радиации, осадков, влажность и др. (ANN, глубокое обучение, дерево решений, ансамблевое обучение и обучение на примерах), - защита сельскохозяйственных культур от биотических (фитопатогены, вредители, сорняки) и абиотических (засуха, дефицит основных питательных веществ и микроэлементов) стрессовых факторов (кластеризация и регрессия, ANN, глубокое обучение, дерево решений и обучение на основе примеров), - управления качеством урожая (кластеризация и регрессия) и - сбора урожая (глубокие нейронные сети, методы интеллектуального анализа данных, такие как кластеризация k средних значений, k ближайших соседей, ANN). Переработка – третий этап в цепочке сельскохозяйственного производства. Существует множество способов переработки сельскохозяйственной продукции, такие как нагревание, охлаждение, измельчение, копчение, варка и сушка. Выбор эффективных комбинированных параметров на этапе переработки обеспечивает высокое качество и количество пищевых продуктов и в то же время позволяет избежать перерасхода ресурсов. Для достижения этой цели предприятия пищевой промышленности используют современные технологии обработки пищевых продуктов, устанавливая программные алгоритмы, основанные на ML, - генетический алгоритм, ANN, кластеризация и байесовская сеть. Так, Arora & Mangipudi [3] предложили классификатор Journal of Food Quality 3 (SVM) с использованием метода опорных векторов и модели ANN для определения присутствия нитрозамина в образцах продуктов из красного мяса, и полученные результаты прогнозного моделирования показали, что наивысшая точность тестирования была получена с использованием модели глубокого обучения. А Farah et al. [4] использовали дифференциальную сканирующую калориметрию в сочетании с инструментами ML (градиентный бустинг (GBM), метод случайного леса (RF), многослойный персептрон (MLP)) для определения характеристик и подлинности молока и выявления фальсификации. Наиболее эффективные результаты были получены с помощью инструментов GBM и MLP, которые смогли идентифицировать 100 % фальсифицированных образцов.
Результаты
Этап реализации является завершающим звеном в цепочке сельскохозяйственного производства. Этот этап является связующим звеном между производством и переработкой пищевых продуктов и конечным потребителем. Алгоритмы ML могут быть использованы при хранении, транспортировке, анализе потребности потребителей и управлении запасами. На этапах транспортировки и хранения в основном используют генетический алгоритм, кластеризацию и регрессию. Эти методы прогнозирования направлены на лучшее сохранение качества пищевых продуктов, обеспечение безопасности пищевых продуктов и сведение к минимуму их повреждения путем отслеживания продукта [2]. Что касается потребительской аналитики, то такие методы ML, как глубокое обучение и ANN, используются на этапе розничной торговли продуктами питания для прогнозирования потребительского спроса, восприятия товара и покупательского поведения. Для управления запасами использование генетических алгоритмов ML помогает прогнозировать ежедневный спрос и гарантировать отсутствие проблем, связанных с запасами. В агропродовольственном секторе существует множество примеров применения технологий искусственного интеллекта, таких как робототехника и мехатроника, беспилотные летательные аппараты, геоинформационные системы (GIS), блокчейн (BC) и спутниковое наведение [5]. Интеллектуальная механизация, робототехника и мехатроника в сельском хозяйстве направлены на сокращение тяжелой работы и минимизацию затрат с использованием высокоавтономных и интеллектуальных машин [5].
Результаты
Машины, которые часто называют «агроботами», в настоящее время используются в сельском хозяйстве для всех видов деятельности, а именно для подготовки почвы, посева семян, борьбы с сорняками и вредителями, орошения, внесения удобрений и, в конечном счете, сбора урожая зерна и плодов, что сводит к минимуму трудозатраты и энергозатраты [5]. В целом для управления растениеводством можно использовать сельскохозяйственные беспилотники, начиная с обработки почвы (например гербицидами), заканчивая посевом, обработкой растений (например фунгицидами), физиологическим контролем и наблюдением и заканчивая определением времени сбора урожая [5]. Сельскохозяйственные дроны теперь могут поставлять воду, удобрения, пестициды и даже снимать на пленку, получать изображения и создавать карты растений и полей в режиме реального времени, чтобы помочь фермерам принимать управленческие решения [5]. Сегодня фермеры используют беспилотные летательные аппараты для наблюдения за домашним скотом, чтобы отслеживать болезни, травмы и даже беременность. Применение GIS подходит для точного земледелия, управления в режиме реального времени и повышения осведомленности и в значительной степени способствует удовлетворению потребностей в условиях постоянного роста спроса на продовольствие.
Обсуждение
Блокчейн – еще одна технология, которая отвечает за осведомленность потребителей о происхождении, качестве и безопасности пищевых продуктов. BC обеспечивает прозрачность, доверие, сертификацию и прослеживаемость цепочки поставок пищевых продуктов от фермы до прилавка, где каждая отдельная операция и данные своевременно регистрируются, сохраняются, шифруются и защищаются не на одном центральном сервере и не под единым контролем, а в общей базе данных платформы, доступ к которой может получить каждый пользователь.
Обсуждение
Такая цифровая и компьютеризированная отслеживаемость всей цепочки поставок продуктов питания позволила бы выявлять дефицит,
Выводы
загрязнение и фальсификацию продукта, тем самым оптимизируя его качество и безопасность.