АВТОМАТИЗАЦИЯ СБОРА СЕМЯН САКСАУЛА С ИСПОЛЬЗОВАНИЕМ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

Казахстан борется с проблемой опустынивания и деградации земель, особенно в южных регионах и Приаралье, где ежегодное распространение около 150 миллионов тонн соли вызывает нарушение экологического равновесия. Одним из основных растений, играющих важную роль в закреплении почвенного слоя, является саксаул, площадь которого составляет более 6 млн гектаров. Однако традиционные методы сбора его семян недостаточно эффективны, что замедляет процесс восстановления лесов.
Целью данного исследования является анализ научных работ, направленных на разработку автоматизированного механизма уборки семян саксаула с использованием современных технологий, таких как искусственный интеллект (ИИ), удаленный мониторинг и робототехника. При анализе учитывался потенциал спутниковой информации (KazEOSat, Sentinel), методов глубокого обучения (CNN, Random Forest), беспилотных летательных аппаратов (БПЛА), систем Интернета вещей (IoT) и инновационных решений.
Результаты исследования показывают, что внедрение современных технологий позволяет повысить производительность лесовосстановительных мероприятий и повысить жизнеспособность растений. Кроме того, эти подходы могут внести значительный вклад в устойчивое озеленение региона Аральского моря. Однако необходимы дополнительные исследования для обеспечения их адаптации к природно-климатическим условиям Казахстана.

1. Informburo.kz. Саксаул в Казахстане: спасение пустынь. – 2019. – URL: https://informburo.kz/stati/saksaul-v-kazahstane-spasenie-pustyn.

2. Kitzes J. Shrinkage of the human ecological footprint / J. Kitzes // Proceedings of the National Academy of Sciences. – 2008. – Vol. 105, № 36. – P. 13151-13156. https://doi.org/10.1073/pnas.0711440105.

3. FAO. Global agriculture towards 2050. – Rome: Food and Agriculture Organization of the United Nations, 2009. http://www.fao.org/fileadmin/templates/wsfs/docs/Issues_papers/HLEF2050_Global_Agriculture.pdf.

4. Комитет лесного хозяйства РК. Отчёт о незаконной вырубке саксаула. – 2019. https://www.gov.kz/memleket/entities/les?lang=ru (официальный сайт, точный отчёт требует запроса).

5. Informburo.kz. Саксаул в Казахстане: спасение пустынь. – 2019. https://informburo.kz/stati/saksaul-v-kazahstane-spasenie-pustyn.

6. Zhang Y. Smart irrigation systems using IoT and machine learning / Y. Zhang // Agricultural Water Management. – 2021. – Vol. 245. – P. 106543. https://doi.org/10.1016/j.agwat.2020.106543. https://www.sciencedirect.com/science/article/abs/pii/S0378377420305435

7. Kamilaris A. Deep learning in agriculture: A survey / A. Kamilaris, F.X. Prenafeta-Boldú // Computers and Electronics in Agriculture. – 2018. – Vol. 147. – P. 70-90. https://doi.org/10.1016/j.compag.2018.02.016. https://www.sciencedirect.com/science/article/abs/pii/S0168169917313736.

8. Gebbers R. Precision agriculture and food security / R. Gebbers, V.I. Adamchuk // Science. – 2010. – Vol. 327, № 5967. – P. 828-831. https://doi.org/10.1126/science.1183899. https://www.science.org/doi/10.1126/science.1183899.

9. Wang X. Desertification control and restoration of degraded lands / X. Wang, Y. Zhang, Z. Chen // Journal of Arid Environments. – 2019. – Vol. 163. – P. 1-8. https://doi.org/10.1016/j.jaridenv.2018.12.001. https://www.sciencedirect.com/science/article/abs/pii/S0140196318306839.

10. Fannon E. Drone-based reforestation and its potential for carbon sequestration / E. Fannon // Environmental Research Letters. – 2020. – Vol. 15, № 12. – P. 124025. https://doi.org/10.1088/1748-9326/abc5f1. https://iopscience.iop.org/article/10.1088/1748-9326/abc5f1.

11. Le Cun Y. Convolutional networks for images, speech, and time series / Y. Le Cun, Y. Bengio // The Handbook of Brain Theory and Neural Networks. – 1995. – P. 255-258. http://yann.lecun.com/exdb/publis/pdf/lecun-bengio-95a.pdf.

12. Mwangi E. Remote sensing for land degradation assessment and monitoring in Kenya / E. Mwangi // Remote Sensing Applications: Society and Environment. – 2018. – Vol. 10. – P. 1-10. https://doi.org/10.1016/j.rsase.2018.01.003. https://www.sciencedirect.com/science/article/abs/pii/S2352938517300991.

13. Primeminister.kz. Цифровой Казахстан: новые возможности для развития. – 2023. https://primeminister.kz/ru/news/tsifrovoy-kazahstan-novye-vozmozhnosti-dlya-razvitiya.

14. Mwangi E. Remote sensing for land degradation assessment and monitoring in Kenya / E. Mwangi // Remote Sensing Applications: Society and Environment. – 2018. – Vol. 10. – P. 1-10. https://doi.org/10.1016/j.rsase.2018.01.003. https://www.sciencedirect.com/science/article/abs/pii/S2352938517300991.

15. Tyagi A.C. Towards a second green revolution / A.C. Tyagi // Irrigation and Drainage. – 2016. – Vol. 65, № 4. – P. 388-389. https://doi.org/10.1002/ird.2056. https://onlinelibrary.wiley.com/doi/10.1002/ird.2056.

16. Teke A. A survey of machine learning techniques for remote sensing image classification / A. Teke // Journal of Applied Remote Sensing. – 2013. – Vol. 7, № 1. – P. 073595. https://doi.org/10.1117/1.JRS.7.073595. https://www.spiedigitallibrary.org/journals/journal-ofapplied-remote-sensing/volume-7/issue-1/073595/Survey-of-machine-learning-techniques-forremote-sensing-image-classification/10.1117/1.JRS.7.073595.full.

17. Старостин Я. Интеллектуальная система управления сельскохозяйственными роботами / Я. Старостин, С.А. Давыдова, А.В. Йешин // CyberLeninka. – 2020. https://cyberleninka.ru/article/n/intellektualnaya-sistema-upravleniya-selskohozyaystvennymirobotami.

18. Kamilaris A. Deep learning in agriculture: A survey / A. Kamilaris, F.X. Prenafeta-Boldú // Computers and Electronics in Agriculture. – 2018. – Vol. 147. – P. 70-90. https://doi.org/10.1016/j.compag.2018.02.016. – URL: https://www.sciencedirect.com/science/article/abs/pii/S0168169917313736.

19. Bastiaanssen W.G. Remote sensing for irrigated agriculture: Examples from research and possible applications / W.G. Bastiaanssen // Agricultural Water Management. – 2000. – Vol. 46, № 2. – P. 137-155. https://doi.org/10.1016/S0378-3774(00)00080-9. https://www.sciencedirect.com/science/article/abs/pii/S0378377400000809.

20. Liaghat S. A review: The role of remote sensing in precision agriculture / S. Liaghat, S.K. Balasundram // American Journal of Agricultural and Biological Sciences. – 2010. – Vol. 5, № 1. – P. 50-55. https://doi.org/10.3844/ajabssp.2010.50.55. https://thescipub.com/abstract/10.3844/ajabssp.2010.50.55.