| |
|
|
|
| |
| №6, 2025: Раздел 1. Экология |
<< Содержание номера
<< Архив
[RUS] / [ENG]Раздел 1. Экология
С.А. Иванова, Р.Е. Зверев, А.Д. Кузнецов, Т.В. Чаплыгина, В.А. Павский. Мониторинг земель сельскохозяйственного назначения для снижения экологических рисков и обеспечения их целевого использования
Стр.5-11
DOI:10.24412/1728-323X-2025-6-5-11
Открытый доступ к полному тексту статьи https://www.doi.org/10.24412/1728-323X-2025-6-5-11
УДК 631.1
МОНИТОРИНГ ЗЕМЕЛЬ СЕЛЬСКОХОЗЯЙСТВЕННОГО НАЗНАЧЕНИЯ ДЛЯ СНИЖЕНИЯ ЭКОЛОГИЧЕСКИХ РИСКОВ И ОБЕСПЕЧЕНИЯ ИХ ЦЕЛЕВОГО ИСПОЛЬЗОВАНИЯ
С.А. Иванова, доктор технических наук, доцент, профессор кафедры теории и методики преподавания естественнонаучных и математических дисциплин, Кемеровский государственный университет, pavvm2000@mail.ru, Россия, Кемерово
Р.Е. Зверев, ведущий специалист по управлению БПЛА Центра геодезии, аэросъемки и кадастровых работ Института цифры, Кемеровский государственный университет, r.zverev@i-digit.ru, Россия, Кемерово
А.Д. Кузнецов, директор Центра геодезии аэросъемки и кадастровых работ Института цифры, Кемеровский государственный университет, adkuz@inbox.ru, Россия, Кемерово
Т.В. Чаплыгина, кандидат технических наук, доцент, Кемеровский государственный университет, logik_fantastik@mail.ru, Россия, Кемерово
В.А. Павский, доктор технических наук, профессор, Кемеровский государственный университет, pavva46@mail.ru, Россия, Кемерово
Аннотация. Сельское хозяйство играет ключевую роль в социально-экономическом развитии и продовольственной безопасности страны. Для его устойчивого функционирования важно своевременно выявлять и анализировать риски, а также определять перспективные направления. Одной из актуальных проблем является деградация земель и сокращение их площадей из-за нерационального использования, что приводит к снижению плодородия почв, опустыниванию и потере биоразнообразия. Современные технологии искусственного интеллекта, такие как нейросетевые модели, позволяют проводить мониторинг состояния сельскохозяйственных земель на основе спутниковых данных. В проведенном исследовании разработан алгоритм на базе фреймворка Ultralytics для определения целевого использования пахотных участков и сопоставления их границ с кадастровыми данными. Это способствует оптимизации сельского хозяйства, предотвращая нерациональное использование земель и, как следствие, снижению негативного воздействия на окружающую среду.
Abstract. It is believed that the well-being of the population and the country as a whole directly depends on the level of agricultural sector development, which guarantees food security. Therefore, the timely recognition of existing risks and problems, as well as the identification of promising areas of development, are the primary tasks that make it possible to ensure the sustainable and efficient production of any kind, including agricultural production. One of the major challenges facing modern agriculture is the degradation of land and the removal of large areas from agricultural use. This is often due to the misuse of land resources. Artificial intelligence technologies form powerful tools for solving such problems. Using machine learning algorithms, modern neural network models make it possible to monitor the condition and use of agricultural land based on satellite imagery analysis. As part of this study, the task is to identify the intended use of arable land, as well as to compare its actual boundaries with official cadastral data. To solve this problem, a neural network algorithm has been developed using the Ultralytics framework, which makes it possible to determine with high accuracy not only the boundaries of arable land, but also its condition: use or non-use for its intended purpose.
Ключевые слова: целевое использование земельных ресурсов, мониторинг, алгоритм обнаружения пахотных земель, кадастровые данные, ИИ-технологии.
Keywords: targeted use of land resources, monitoring, algorithm for detecting arable land, cadastral data, artificial intelligence technologies.
Благодарности: Исследование выполнено в рамках соглашения о предоставлении из федерального бюджета грантов в форме субсидий Министерством науки и высшего образования Российской Федерации, № соглашения 075-15-2022-1195 от 30 сентября 2022 г.
Библиографический список
1. Приказ Минсельхоза России от 24.12.2015 № 664 (ред. от 19.06.2024) «Об утверждении Порядка осуществления государственного мониторинга земель сельскохозяйственного назначения» (Зарегистрировано в Минюсте России 21.03.2016 № 41470).
2. Государственный (национальный) доклад о состоянии и использовании земель в Российской Федерации в 2023 году. [Электронный ресурс]. URL: https://www.garant.ru/ (дата обращения: 17.09.2025).
3. Компьютерное зрение в сельском хозяйстве: Трансформация обнаружения плодов и точного земледелия [Электронный ресурс]. URL: https://www.ultralytics.com/ru/ (дата обращения: 17.09.2025).
4. Искусственный интеллект в сельском хозяйстве России [Электронный ресурс]. URL: https://www.company.rt.ru/press/news/d467298/ (дата обращения: 17.09.2025).
5. Diwan T., Anirudh G., Tembhurne J.V. Object detection using YOLO: Challenges, architectural successors, datasets and applications // Multimedia Tools and Applications. 2023. № 82. P. 9243–9275.
6. Скрипачев В.О., Гуйда М.В., Гуйда Н.В., Жуков А.О. Особенности работы сверточных нейронных сетей // International Journal of Open Information Technologies. 2022. №12(10). С. 53-61.
7. Инструменты и фреймворки для работы с нейросетями [Электронный ресурс]. URL: https://sky.pro/ (дата обращения: 17.09.2025).
8. Rada A., Konkov N., Chaplygina T.,Gromov E., Ivanova S. Application of the Properties of an Organized Point Cloud in an Octree in Solving Geodetic Tasks // Journal of Electrical Systems. 2024. №20(3). P.7515-7526.
9. Обучайте модели ИИ за считанные секунды с помощью Ultralytics YOLO11[Электронный ресурс]. URL: https://yolo11.com/ (дата обращения: 14.09.2025)
10. Qu X., Wang J., Wang X., Hu Y., Zeng T., Tan T. Identification of Gravelly Soil Uniformity based on the Optimized Mask R-CNN Model // Expert Systems with Applications. 2023. №212. 118837. https://doi.org/10.1016/j.eswa.2022.118837.
11. Zhang C., Zhou J., Wang H., Tan T., Cui M., Huang Z., Wang P., Zhang L. Multi-Species Individual Tree Segmentation and Identification Based on Improved Mask R-CNN and UAV Imagery in Mixed Forests // Remote Sensing. 2022. №14(4). 874. https://doi.org/10.3390/rs14040874.
12. Sapkota R., Ahmed D., Karkee M. Comparing YOLOv8 and Mask RCNN for object segmentation in complex orchard environments // Qeios. 2023. Preprint. https://doi.org/10.32388/ZB9SB0.
13. Искусственный интеллект при определении используемости поля. [Электронный ресурс]. URL: https://svoefermerstvo.ru/ (дата обращения: 18.09.2025).
14. Белоусов И.С., Рогачев А.Ф. Создание нейросетевого сервиса для выявления проблемных участков сельскохозяйственных полей // Известия НВ АУК. 2021. № 3(63). С. 439-448.
MONITORING OF AGRICULTURAL LANDS TO REDUCE ENVIRONMENTAL RISKS AND ENSURE THEIR TARGETED USE
S.A. Ivanova, Ph.D. (Engineering), Dr. Habil., Associate Professor, Professor of the Department of TNSMD Theory and Methods, Kemerovo State University, pavvm2000@mail.ru, Kemerovo, Russia
R. E. Zverev, Leading specialist in UAV Management at the Center of Geodesy, Aerial Photography and Cadastral Works, Digital Institute, Kemerovo State University, r.zverev@i-digit.ru, Kemerovo, Russia
A. D. Kuznetsov, Director of the Geodesy Center, Kemerovo State University, adkuz@inbox.ru, Kemerovo, Russia
T. V. Chaplygina, Ph.D. (Engineering), Associate Professor of the Department of TNSMD Theory and Methods, Kemerovo State University, logik_fantastik@mail.ru, Kemerovo, Russia
V.A. Pavsky, Ph.D. (Engineering), Dr. Habil., Professor, Professor of the Department of TNSMD Theory and Methods, Kemerovo State University, pavva46@mail.ru, Kemerovo, Russia
References
1. Prikaz Minselhoza Rossii ot 24.12.2015 № 664 (red. ot 19.06.2024) «Ob utverzhdenii Poraydka osushchestvleniya gosudarstvennogo monitoring zemel selskohozyaystvennogo naznacheniya» (Zaregistrirovano v Minyuste Rossii 21.03.2016 № 41470) [Order of the Ministry of Agriculture of Russia dated December 24, 2015 №. 664 (as amended on 06.19.2024) “On Approval of the Procedure for State Monitoring of agricultural Land” (Registered with the Ministry of Justice of Russia on 03.21.2016 №. 41470)] [in Russian].
2. Gosudarstvennyy (nacional’nyy) doklad o sostoyanii i istoyanii zemel’ v Rossiyskoy Federacii v 2023 godu [State (national) report on the state and use of lands in the Russian Federation in 2023]. Electronic resource: URL: https://www.garant.ru / (date of access: 05.17.2025) [in Russian].
3. Kompyutornoe zrenie v sel’skom hozyaystve: Transformaciya obnaruzheniya plodov i tochnoe zemlidelie [Computer vision in agriculture: Transformation of fruit detection and precision farming]. Electronic resource: URL: https://www.ultralytics.com/ru / (date of access: 05.17.2025) [in Russian].
4. Iskustvennyy intellekt v sel’skom hozyaystve Rossii [Artificial intelligence in agriculture of Russia]. Electronic resource: URL: https://www.company.rt.ru/press/news/d467298 / (date of access: 05.17.2025) [in Russian].
5. Diwan T., Anirudh G., Tembhurne J.V. Object detection using YOLO: Challenges, architectural successors, datasets and applications. Multimedia Tools and Applications. 2023. No. 82. P. 9243–9275.
6. Skripachev V.O., Guida M.V., Guida N.V., Zhukov A.O. Osobennosti raboty svertochnyh neyronnyh setey [Features of convolutional neural networks]. International Journal of Open Information Technologies. 2022. No. 12(10). P. 53-65 [in Russian].
7. Instrumenty I freymvorki dlya raboty s neyrosetyami [Tools and frameworks for working with neural networks]. Electronic resource: URL: https://sky.pro / (date of access: 05.17.2025) [in Russian].
8. Rada A., Konkov N., Chaplygina T.,Gromov E., Ivanova S. Application of the Properties of an Organized Point Cloud in an Octree in Solving Geodetic Tasks. Journal of Electrical Systems. 2024. No. 20(3). P.7515-7526.
9. Obuchayte modeli II za schitannye sekundy s pomosch’yu Ultralytics YOLO11 [Train AI models in seconds with Ultralytics YOLO11]. Electronic resource: URL: https://yolo11.com / (date of access: 03.14.2025) [in Russian].
10. Qu X., Wang J., Wang X., Hu Y., Zeng T., Tan T. Identification of Gravelly Soil Uniformity based on the Optimized Mask R-CNN Model. Expert Systems with Applications. 2023. No. 212. 118837. Electronic resource: https://doi.org/10.1016/j.eswa.2022.118837.
11. Zhang C., Zhou J., Wang H., Tan T., Cui M., Huang Z., Wang P., Zhang L. Multi-Species Individual Tree Segmentation and Identification Based on Improved Mask R-CNN and UAV Imagery in Mixed Forests. Remote Sensing. 2022. No. 14(4). 874. Electronic resource: https://doi.org/10.3390/rs14040874.
12. Sapkota R., Ahmed D., Karkee M. Comparing YOLOv8 and Mask RCNN for object segmentation in complex orchard environments. Qeios. 2023. Preprint. Electronic resource: https://doi.org/10.32388/ZB9SB0.
13. Iskustvennyy intellect pri opredelenii ispol’zuemosti polya [Artificial intelligence in determining the field usage]. Electronic resource: URL: https://svoefermerstvo.ru / (date of access: 05.18.2025) [in Russian].
14. Belousov I.S., Rogachev A.F. Sozdanie neyrosetevogo servisa dlya vyyavleniya problemnyh uchastkov sel’skohozyaystvennyh poley [Creation of a neural network service to identify problem areas of agricultural fields]. Izvestiya NV AUK. 2021. No. 3(63). P.439-448. [in Russian].
Прикреплённые файлы:
<< Содержание номера
<< Архив
Дата последнего обновления: 11:01:26/04.07.26
|
|
 |
| |
|
| |
|
|
|
| |
|
|
|
| |
 |
ИАА "Информ-Экология" |
|
 |
| |
|
| |
|
|
| | |
| |
|
|
|
| |
|
Министерство природных ресурсов Российской Федерации |
|
|
| |
|
| |
|
|
| | |
| |
|
|
|
| |
|
Счётчик |
|
|
| |
|
| |
|
|
| | |
|
