Персонифицированная система подготовки высококвалифицированных кадров в области цифрового сельского хозяйства

Размещено на http://www.allbest.ru/

Статья по теме:

Персонифицированная система подготовки высококвалифицированных кадров в области цифрового сельского хозяйства

В.П. Горбатенко, И.В. Кужевская, В.В. Чурсин, Национальный исследовательский Томский государственный университет, г. Томск, Россия

Для решения задачи цифровизации сельского хозяйства России необходима подготовка высококвалифицированных кадров в области современной «цифровой» агрономии. В работе представлены блоки тем, актуальных для включения в обучающие программы, перспективные для повышения квалификации сотрудников, работающих над созданием системы «цифрового поля», и тех, кто будет работать при ее реализации. Представлены разделы, характеризующие метеорологическую, климатическую информацию и методики прогнозирования и моделирования урожайности.

Ключевые слова: непрерывное образование, Интернет вещей, модульные подход в обучении.

CUSTOMIZED TRAINING OF HIGHLY SKILLED SPECIALIST IN DIGITAL AGRICULTURE

Gorbatenko V.P., Kuzhevskaia I.V., Chursin V.V., National Research Tomsk State University, Tomsk, Russia

In the Russian agro-industrial complex, the sector of “precision” agriculture is developing rapidly. Even in the climatic conditions of Western Siberia, this area has significant potential. According to world investment agencies, the effect of the digitalization of agriculture in Russia may be more than 4.8 trillion rubles in annual terms or 5.6% of GDP (Gross Domestic Product) growth. A necessary stage for implementation of this potential is the training of highly qualified personnel in the field of modern “digital” agronomy.

The “digital field” system includes a distance education system for both the heads of agricultural enterprises making decisions on events and the agronomists who implement these decisions on agricultural fields.

The paper presents blocks of topics that are relevant for inclusion in training programs, promising for further training of employees working on the creation of a “digital field” system and those who will work during its implementation. Blocks characterizing meteorological and climatic information and a block with methods for forecasting and modeling yield are presented. Note that these same blocks are planned to be included in the general functioning scheme of the “digital field” system of Western Siberia.

Block 1 presents the information that agronomists need to make decisions about the time and place of a planned agricultural event. This block presents agrometeorological characteristics measured in the fields, technical parameters of measuring devices, the physical basis for measuring parameters.

Block 2 Contains a description of the main agroclimatic characteristics specified for the region, taking into account modern data. Attention is drawn to a number of agroclimatic features in Western Siberia that had formed by 2017.

Block 3 is devoted to methods for predicting the yield of grain crops using data from remote sensing of the earth and neural networks.

The possibilities of using satellite information to assess the state of crops and potential crop yields are presented. The normalized difference vegetation index (NDVI) is calculated based on data from the MODIS prefix (Moderate Resolution Imaging Spectroradiometer), which a number of satellites are equipped with. The NDVI values are based on the contrast between the maximum absorption in the red part of the electromagnetic spectrum and the maximum reflection in the near infrared part. The NDVI is widely used to monitor crops and calculate agricultural statistics.

In conclusion, a training implementation scheme for specialists at various levels is given.

The training module may be interesting for specialists working in the field of agriculture and forestry, environmental protection, natural resource management and communication technologies.

Keywords: life-long learning, Internet of things, modular approach to training.

До недавнего времени оценки перспективы выращивания той или иной сельскохозяйственной культуры в любом из регионов России строились на допущении об относительной стабильности климата и вариативности метеорологических характеристик в рамках известных пределов для каждого сезона года. Однако наблюдающееся быстрое изменение климата в конце XX и начале XXI в. поставило под сомнение использование климатической информации в качестве основы для принятия решений о развитии аграрного сектора на среднесрочную и долгосрочную перспективу. По результатам анализа температурного режима Сибири выявлены очаги высокой скорости потепления, причем большие, чем для Северного полушария в целом [1. С. 174]. Один из таких очагов расположен над центром Западной Сибири. Это не могло не отразиться на агроклиматических условиях всей территории и, в частности, территории Томской области, которая находится в зоне рискованного земледелия. Товарное растениеводство возможно лишь в ее юго-восточных районах, где сосредоточено 80 % всех пахотных земель и собирается основной урожай зерновых культур - 44-46 % всего сельскохозяйственного продукта [2. С. 54].

С учетом природно-климатических условий основной задачей растениеводства является выращивание продукции для развития кормопроизводства, а также обеспечение потребностей жителей в картофеле, зерновых культурах, гречихи, зернобобовых, льна и овощной продукции.

Высокий удельный вес в посевной площади принадлежит зерновым и зернобобовым культурам (более 62 %). Сельскохозяйственные организации являются основными производителями зерна (более 83% валового производства зерна в целом по области) и льноволокна (100 %). На долю малых форм хозяйствования приходятся 80,4 % овощей, 93,4 % картофеля - почвенно-климатические условия области благоприятны для его выращивания. Расширяются объемы возделывания льна местной селекции.

Широкое внедрение технологий «точного» и «умного» сельского хозяйства позволяет контролировать полный цикл растениеводства и животноводства с помощью устройств, собирающих, передающих и интерпретирующих информацию о состоянии объекта и окружающей среды. Применение подобных технологий отличается простотой масштабирования, что позволяет объединять их в сети. Управление данными на основе Интернета вещей, увеличение мощности компьютеров, развитие программного обеспечения дают возможность для автоматизации большинства процессов сельского хозяйства.

Так, комплексная цифровизация аграрнопромышленного комплекса (АПК) России потенциально позволит повысить производительность труда в сельском хозяйстве в 3-5 раз, сократить расход топлива на 30-35 % и значительно - агрохимикатов [3]. Прибыль «цифровизированных» хозяйств без ухудшения качества продукции может в 2-3 раза снизить торговую наценку на продукты питания. На 25-50 % возможно увеличение валовой прибыли у хозяйств, активно внедряющих современные информационные разработки в технологический процесс [3. C. 110].

Поскольку направление «точного» земледелия развивается быстрыми темпами, у АПК России в этом направлении есть значительный потенциал. Так, по оценке мировых инвестиционных агентств, эффект от цифровизации сельского хозяйства России может составлять более 4,8 трлн рублей в годовом выражении, или 5,6 % прироста ВВП. Необходимым этапом для полномасштабной реализации потенциала этих технологий является подготовка высококвалифицированных кадров в области современной «цифровой» агрономии.

Система «цифрового поля» предполагает наличие системы дистанционного образования для руководителей агропромышленных предприятий, принимающих решения о целесообразности тех или иных мероприятий, и агрономов, выполняющих эти решения на полях.

Исходя из этого, создание новых (опережающих) и переработка разработанных ранее образовательных программ позволят в полной мере обеспечить сельскохозяйственную отрасль кадрами с высокой компетенцией в этом направлении. Причем отличительной особенностью таких программ является то, что подразумевается не только подготовка новых кадров « с нуля», но и переобучение, повышение квалификации работников сельскохозяйственного сектора.

Цель настоящей работы - разработка модулей, актуальных для включения в обучающие программы и перспективных для оперативного пользования при построении модели «цифрового поля» на территории Западной Сибири.

Происходящие в последние десятилетия изменения климата вызвали стремительное развитие технологий их мониторинга и моделирования [4. 124]. Накапливаемые архивы метеорологической и климатической информации, полученной в результате наземных наблюдений, дистанционного зондирования, работы различных климатических и метеорологических моделей и международных программ их сравнения, таких как CMIP, появление реанализов нового поколения [5], а также доступность материалов, используемых при подготовке оценочных докладов Межправительственной группы экспертов по изменению климата (МГЭИК), открывают перед исследователями широкие возможности для изучения сложных механизмов последствий меняющегося климата. В свою очередь, растет количество различных методов обработки архивов данных, позволяющих учесть особенности используемого материала и более детально изучить закономерности наблюдаемых климатических изменений. С увеличением доступных методов обработки и объемов метеорологической и климатической информации правильная организация процесса обработки и анализа таких данных в целях конкретного потребителя информации становится одной из актуальных задач.

Стремительно растущие объемы архивов пространственно привязанных геофизических данных требуют для их обработки привлечения специализированных программ высокого уровня, что не всегда доступно специалистам, нуждающимся в результатах такого анализа. Например, систематизированная обработка пространственно привязанных климатических и актуальных агрометеорологических данных, включая индексы вегетации и состояния почвы и результатов спутникового зондирования, обеспечит комплексный подход к задаче повышения урожайности сельскохозяйственных культур. Следовательно, необходима разработка модулей образовательных программ, позволяющих освоить компетенции по обозначенным проблемам.

Рассмотрим отдельно блоки информации, планируемой для включения в образовательные программы. Заметим, что эти же блоки планируется включить в общую схему «цифрового поля» Западной Сибири.

Блок 1. Этот блок представляет собой ту информацию, которая необходима агрономам для принятия решения о времени и месте запланированного агротехнического мероприятия. В этом блоке планируется представить информацию об агрометеорологических характеристиках, технических параметрах измерителей, физической основе измерения их значений. Эта информация считывается с группы измерительных устройств и представляет собой последовательную совокупность измеренных значений температуры и влажности почвы с требуемым временным и пространственным разрешением. Актуальная агрометеорологическая информация в условиях Западной Сибири может различаться даже в пределах одного поля или соседних полей. Пределы такой изменчивости определяются по климатическим данным. Ориентация на оперативный прогноз опасных для аграрного сектора погодных условий имеет важное значение для существенного уменьшения потерь. Даже на территории со столь сложными агрометеорологическими условиями, как Томская область, использование оперативного прогноза позволяет на порядок уменьшить средние потери от заморозков [2. C. 60].

Блок 2. Содержит описание основных агроклиматических характеристик, уточненных для территории региона с учетом современных данных. На фоне сложившихся к 2017 г. агроклиматических условий замечен ряд агроклиматических особенностей на территории Западной Сибири [6]:

В последние десятилетия период вегетации характеризуется достаточно теплыми и умеренно засушливыми условиями, его продолжительность увеличивается за счет смещения границ начала и окончания периода [6. C. 89].

Последние двадцать лет характеризуются отрицательной тенденцией изменения гидротермического коэффициента, что связано с увеличением числа повторяемости неблагоприятных агрометеорологических явлений, таких как засуха. Наблюдается постепенное снижение повторяемости заморозков в наиболее опасные для сельского хозяйства месяцы, что говорит о росте продолжительности беззаморозкового периода.

Происходит сокращение продолжительности залегания снежного покрова. Прослеживается тенденция уменьшения высоты снежного покрова в северной части Томской области, а в южной - увеличения [7. C. 4].

В целом наблюдается увеличение агроклиматических ресурсов, что формирует более благоприятные условия для ведения сельского хозяйства на территории Западной Сибири и является одним из положительных последствий влияния ожидаемых изменений климата. Тем не менее на фоне сильной межгодовой изменчивости ситуация от года к году может быть разной. В программе обучения запланирована отработка навыка статистической обработки метеорологической информации и получения необходимых климатических характеристик c учетом обновленной информации.

В качестве примера приведем содержание пакета агроклиматической информации, актуальной для принятия аграриями хозяйственных решений на территории Томской области:

Информация о температуре воздуха и почвы за разные периоды осреднения или накопления сумм. Например, средняя суточная, декадная или месячная температура и накопленная сумма температур за вегетационный период. Норма, плавающая норма, отклонения от нормы. Экстремумы значений температуры воздуха.

Информация об условиях увлажнения за разные периоды осреднения. Например, относительная влажность воздуха (сутки, декада, месяц), удельное влагосодержание в почве, сумма осадков (сутки, декада, месяц, вегетационный период). Норма, отклонения от нормы.

Информация о характеристиках снежного покрова. Даты появления и схода снежного покрова, продолжительность залегания, высота снежного покрова, влаго-запас в снеге на последнюю декаду марта.

Блок 3. Прогноз урожайности зерновых культур при помощи данных дистанционного зондирования земли и нейронных сетей. Прогноз урожайности сельскохозяйственных культур играет экономически значимую роль в решении проблем, связанных с воздействием изменяющегося климата на сельское хозяйство. Надежное и своевременное прогнозирование урожайности имеет также решающее значение для политических стратегий, торговли и рынка. Прогнозирование и моделирование урожайности в настоящий момент ведется в региональном масштабе, что в свою очередь имеет ряд ограничений. Так, при увеличении масштаба до сельскохозяйственного угодья или района становится невозможным использование существующих моделей, поскольку они требуют длинный ряд исторических данных (урожайность каждого поля, количество осадков в летний период, максимальные и минимальные температуры и т.д.) подобного масштаба. Также неопределенность прогноза по существующим моделям может возникнуть из-за редкой сети метеорологических станций. Модель может не уловить изменения, связанные с неблагоприятными или экстремальными погодными условиями выращивания культур.

Повышение своевременности и точности прогнозирования урожайности за счет включения данных дистанционного зондирования Земли (ДЗЗ) во временном режиме, приближенном к реальному, использование сложных статистических методов и быстроразвивающихся технологий построения прогностических нейронных сетей могут повысить потенциал эффективного реагирования на эти изменения.

Данные ДЗЗ дают существенные преимущества для оценки урожайности и процесса возделывания сельскохозяйственных полей в течение всего сезона. Это связано с их территориальным охватом, временным и пространственным разрешением, а также доступностью использования этих данных (бесплатно для некоторых продуктов) [8]. Для оперативной и объективной оценки продуктивности больших площадей посевов трудно найти альтернативу спутниковым данным. В мировой практике имеются работы, основанные на данных различных спутниковых датчиков (ETM+, AVHRRи др.), тем не менее для прогнозирования и моделирования урожайности основной фокус направлен на данные спутниковых датчиков с умеренным пространственным разрешением - MODIS. Высокое временное и умеренное пространственное разрешение, а также свободный доступ могут частично объяснить такой интерес к данным MODIS среди исследователей, занимающихся оценкой и прогнозированием зерновых культур [9].

Существует большое количество индексов для оценки продуктивности и мониторинга процессов вегетации сельскохозяйственных культур. В большинстве случаев в их расчет включены отношения двух или более полос в видимой и ближней инфракрасной областях спектра (например, NDVI). Кроме того, существуют индексы, получаемые из интерпретации зависимости температуры подстилающей поверхности и индекса NDVI. Например, поверхностный индекс дефицита воды (WDI). Но бывают случаи, когда невозможно выполнить расчет этого индекса, поскольку температура подстилающей поверхности очень чувствительна к атмосферным воздействиям и облакам, в этом случае эффективнее использование индекса SIWSI(коротковолнового инфракрасного индекса водного стресса), который рассчитывается по данным ближнего инфракрасного участка спектра. В работе [10] приводится подробный обзор индексов вегетации, определяемых с помощью данных дистанционного зондирования.

К настоящему времени наиболее часто рассчитываемым остается нормализованный разностный вегетационный индекс (NDVI), значения которого основаны на контрасте между максимальным поглощением в красной части и максимальным отражением в ближней инфракрасной части электромагнитного спектра и который широко используется для мониторинга посевов и подсчета сельскохозяйственной статистики. Сравнение NDVI, рассчитанного по данным MODIS и NOAA- AVHRR, показало, что временные профили NDVI по многочисленным типам биомов, основанные на данных с аппаратуры MODIS, выполнены с более высокой точностью. Этот индекс также идеально подходит для мониторинга посевов на фрагментированных сельскохозяйственных ландшафтах, когда размер поля близок к размеру пикселя [11].

Агрономы смогут анализировать внутригодовой ход индекса NDVI и его межгодовую изменчивость. Это позволит применять научно обоснованную стратегию при планировании урожая.

Заключение

цифровизация модуль агропромышленный сибирь

Учитывая изменчивость климата и будущие проблемы воздействия изменения климата на сельское хозяйство, изучение и прогнозирование урожайности в масштабе районов и отдельных угодий заслуживает особого внимания.

На базе университетов и институтов СО РАН Томска уже проводится подготовка выпускников с широкими знаниями в области агрономии, сельского хозяйства, охраны окружающей среды, управления природными ресурсами и коммуникационными технологиями и есть все возможности для организации среды непрерывного образования в области цифрового сельского хозяйства.

Особенностью такой системы подготовки кадров в области цифрового сельского хозяйства является составление индивидуальных образовательных программ в зависимости от специфики деятельности, а не только освоение базового набора компетенций из ООП. Так, базовый курс для подготовки исследователей может быть доукомплектован следующими модулями:

Сбор и обработка агрометеорологических данных и данных об агротехническом состоянии почвы.

Интерпретация данных ДЗЗ и БПЛА.

Принципы построения оценочных и прогностических моделей.

ГИС-технологии.

Для опережающей подготовки непосредственно агрономов базовый курс доукомплектовывается следующими модулями:

Сервисные модели в агрономии.

Рис. 1 - Схема кадрового обеспечения АПК Западной Сибири

- Экономически эффективные алгоритмы принятия решения.

Целью представленной программы является персонифицированный подход при подготовке высококвалифицированных кадров, как неотъемлемая часть организации эффективной среды непрерывного образования (рис. 1). Подобный подход к образовательному процессу позволяет подготавливать кадры, ориентированные на решение текущих и будущих задач предприятия в частности и экономики в целом.

Обучающий модуль может быть интересен для специалистов, работающих в области сельского и лесного хозяйства, охраны окружающей среды, управления природными ресурсами и коммуникационными технологиями.

Литература

1. Горбатенко В.П., Ипполитов И.И., Логинов С.В., Поднебесных Н.В., Харюткина Е.В. Роль циркуляционных факторов в потеплении климата Сибири // Вестник Томского государственного университета. 2011. № 346. С. 174-180.

2. Горбатенко В.П., Кижнер Л.И. Экономические аспекты использования агрометеорологических прогнозов // Экономика сельского хозяйства России. 2014. № 4. С. 54-61.

3. Фрумкин Б. Агропродовольственный комплекс - интегральный фактор и драйвер экономического роста // Социально-экономические условия перехода к новой модели экономического роста / рук. авт. кол. Д.Е. Сорокин; под ред. Н.Ю. Ахапкина, Л.В. Никифорова. М.: ИНФРА-М, 2017. С. 110.

4. Шульгина Т.М., Гордов Е.П. [и др.]. Комплекс программ для анализа региональных климатических изменений // Вестник Новосибирского государственного университета. Информационныетехнологии. 2013. Т. 11, № 1. С. 124-131.

5. Дымников В.П., Лыкосов В.Н., Володин Е.М. Проблемы моделирования климата и его последствий: современные проблемы // Вестник РАН. 2012. Т. 82, № 3. С. 227-236.

6. Барашкова Н.К., Кужевская И.В., Носырева О.В. Климатические характеристики режимов устойчивого перехода температуры воздуха через определенные пределы на юге Западной Сибири // Известия Российской академии наук. Сериягеографическая. 2015. № 1. С. 87-97.

7. Gorbatenko V.P., Sevastyanov V.V. [et al.]. Characteristic of the snow cover for the Western Siberia territory // IOP Conference Series: Earth and Environmental Science. 2019. № 232(1). 012003.

8. Maas S.J. Use of remotely-sensed information in agricultural crop growth models // Ecol. Model. 1988. № 41. P. 247-268.

9. Fensholt R, Sandholt I. Evaluation of MODIS and NOAA AVHRR vegetation indices with in situ measurements in a semi-arid environment // Int. J. Remote Sens. 2005. № 26. P. 2561-2594.

10. Garcia Galiano S.G. Assessment of vegetation indexes from remote sensing: theoretical basis // The use of remote sensing and geographic information systems for irrigation management in Southwest Europe / Ed. by M. Erena, A. Lopez- Francos, S. Montesinos and J.-P. Berthoumieu. Options Mediterraneennes: Serie B. Etudes et Recherches. 2012. № 67. P. 65-75.

11. Huete A., Didan K. [et al.]. Overview of the radiometric and biophysical performance of the MODIS vegetation indices // Remote Sens. Environ. 2002. № 83. P. 195-213.

12. GorbatenkoV.P., IppolitovI.I., LoginovS.V., PodnebesnyhN.V., HaryutkinaE.V.Rol' cirkulyacionnyhfaktorovvpotepleniiklimataSibiri // VestnikTomskogogosudarstvennogouniversiteta. 2011. № 346. S. 174-180.

13. GorbatenkoV.P., KizhnerL.I.Ekonomicheskieaspektyispol'zovaniyaagrometeorologicheskihprognozov // Ekonomikasel'skogohozyajstvaRossii. 2014. № 4. S. 54-61.

14. FrumkinB.Agroprodovol'stvennyjkompleks - integral'nyjfaktoridrajverekonomicheskogorosta // Social'no-ekonomicheskieusloviyaperekhodaknovojmodeliekonomicheskogorosta / ruk. avt. kol. D.E. Sorokin; pod red. N.YU. Ahapkina, L.V. Nikiforova. M.: INFRA-M, 2017. S. 110.

15. Shul'gina T.M., Gordov E.P. [i dr.].Kompleksprogrammdlyaanalizaregional'nyhklimaticheskihizmenenij// VestnikNovosibirskogogosudarstvennogouniversiteta. Informacionnyetekhnologii. 2013. T. 11, № 1. S. 124-131.

16. Dymnikov V.P., Lykosov V.N., Volodin E.M.Problemy mod- elirovaniyaklimatai ego posledstvij: sovremennyeproblemy// Vestnik RAN. 2012. T. 82, № 3. S. 227-236.

17. BarashkovaN.K., KuzhevskayaI.V., NosyrevaO.V.Kli- maticheskieharakteristikirezhimovustojchivogoperekhodatemperaturyvozduhacherezopredelennyepredelynayugeZa-padnojSibiri // IzvestiyaRossijskojakademiinauk. Seriyageograficheskaya. 2015. № 1. S. 87-97.

18. Gorbatenko V.P., Sevastyanov V.V. [et al.]. Characteristic of the snow cover for the Western Siberia territory // IOP Conference Series: Earth and Environmental Science. 2019. № 232(1). 012003.

19. Maas S.J. Use of remotely-sensed information in agricultural crop growth models // Ecol. Model. 1988. № 41. P. 247-268.

20. Fensholt R., Sandholt I. Evaluation of MODIS and NOAA AVHRR vegetation indices with in situ measurements in a semi-arid environment // Int. J. Remote Sens. 2005. № 26. P. 2561-2594.

21. Garcia Galiano S.G. Assessment of vegetation indexes from remote sensing: theoretical basis // The use of remote sensing and geographic information systems for irrigation management in Southwest Europe / Ed. by M. Erena, A. Lopez-Francos, S. Montesinos and J.-P. Berthoumieu. Options Mediterraneennes: Serie B. Etudes et Recherches. 2012. № 67. P. 65-75.

22. Huete A., Didan K. [et al.]. Overview of the radiometric and biophysical performance of the MODIS vegetation indices / / Remote Sens. Environ. 2002. № 83. P. 195-213.

Размещено на Allbest.ru