В настоящее время часто обсуждаются вопросы изменения климата, увеличения мирового населения, ограниченности таких аграрных ресурсов, как пахотные земли и вода. Так, например, в отчете Продовольственной и сельскохозяйственной организации Объединенных наций [2] говорится о том, что 69% используемых водных ресурсов приходится на сельское хозяйство. В связи с этим становится очевидной актуальность проблемы повышения эффективности сельского хозяйства.
Распространенным подходом к увеличению эффективности сельского хозяйства является применение концепции точного земледелия. В работе [22] использование точного земледелия позволило увеличить урожайность пшеницы на 22%. Согласно статье [1] точное земледелие основано на использовании в управлении процессами земледелия таких показателей, как состояние почвы, здоровье посевов, действие удобрений и пестицидов, орошение, а также на применении технологий оценки и предсказания урожайности с высоким пространственным разрешением.
Одним из центров, разрабатывающих решения, связанные с точным земледелием, является Skoltech Agro (Сколковский институт науки и технологий, Россия). В нем развиваются исследовательские проекты в сфере цифрового сельского хозяйства. Одним из таких проектов является Envirotyping and Digitalization. Его цель — разработать систему прогнозирования урожайности сельскохозяйственных культур с учетом факторов окружающей среды. Наличие качественного прогноза урожайности культур на полях помогает принимать такие решения, как выбор сельскохозяйственных культур и сортов, времени засева и сбора урожая, объема полива, финансовой политики предприятия, обладая большим количеством информации. Для реализации модели прогнозирования урожайности используются алгоритмы глубокого обучения, использующие временную компоненту (Spatio-Temporally Weighted Deep Neural Networks), — подход к анализу временных рядов на многоразмерных данных. Это позволяет преодолеть недостатки существующих алгоритмов, которые для оценки урожайности используют только пространственную компоненту. В качестве входных данных для прогнозирования урожайности разрабатываемый инструмент использует информацию об урожайности в предыдущие годы, данные об окружающей среде, сценарии изменения климата, характерные для России свойства сельскохозяйственных культур. Реализацию решения можно разделить на две части — систему анализа данных, преобразующую данные для прогнозирования урожайности в предсказание, и приложение, цель которого состоит в том, чтобы предоставить пользователю интерфейс для ввода бизнес-данных и отображения прогнозов урожайности.
Данная работа посвящена разработке пользовательского приложения. В его функциональность входит: создание пользовательских аккаунтов, загрузка бизнес-данных (например, координаты полей, выращиваемые культуры, даты севооборота), отображение истории урожайности и предсказаний, визуализации другой необходимой информации о посевах. Для обеспечения универсального доступа к приложению с различных устройств без необходимости установки, а также облегчения обновлений, решение должно быть реализовано как веб-приложение.
В результате работы в были решены следующие задачи.
• Выполнен обзор существующих аналогичных решений.
• Сформулированы требования к приложению.
• Выполнен обзор технологий для создания веб-приложения, реализующего функциональность из требований.
• Разработана архитектура приложения.
• Реализовано приложение согласно требованиям и архитектуре.
• Решение было покрыто тестами.
• Реализовано непрерывное развертывание приложения.
• Проведена апробация решения.
Исходный код проекта закрыт, находится под соглашением о неразглашении.
