Отраслевой модуль: Применение методов искусственного интеллекта в сельском хозяйстве и агропромышленном комплексе

Проект ТОП-ИИ

Применение методов искусственного интеллекта в сельском хозяйстве и агропромышленном комплексе

Формат обучения

Объем модуля

Период проведения

Сельское хозяйство и агропромышленный комплекс

Онлайн (очный с применением дистанционных технологий)

180 ак. часа

Рекомендуется студентам с 3 курса

ТОП-ИИ

Отраслевой модуль

Модуль разработан для внедрения
в образовательные программы вузов

Модуль ориентирован на подготовку специалистов в области сельского хозяйства и агропромышленного комплекса (направление 35.03.04 Агрономия), обладающих практическими навыками применения технологий искусственного интеллекта для решения прикладных задач в агропромышленном комплексе. В нём рассматриваются современные ИИ-решения и инструменты для высокопроизводительной обработки больших аграрных данных, прогнозирования агроклиматических рисков и засушливости на основе временных рядов (SARIMA, SPI), компьютерного зрения и геопространственного анализа для обработки цифровых моделей рельефа, растровых и векторных данных, расчёта уклонов, зональной статистики и выделения областей интереса на сельскохозяйственных участках, а также применения методов векторизации, параллельных вычислений и машинного обучения для решения задач точного земледелия, мониторинга состояния посевов и оптимизации производственных процессов в АПК.

Модуль разработан в рамках проекта ТОП-ИИ Минцифры России при участии АНО «Аналитический центр при Правительстве Российской Федерации» и предлагается вузам для внедрения в образовательные программы высшего образования.

Включение модуля в образовательный процесс позволяет усилить прикладную и отраслевую направленность подготовки агрономов, обеспечить связь профессиональных компетенций обучающихся с актуальными запросами агропромышленного сектора и сформировать у студентов базовые навыки работы с агроклиматическими и геопространственными данными, инструментами машинного обучения, компьютерного зрения и геоаналитики, а также прикладными ИИ-решениями, востребованными в сфере точного земледелия, прогнозирования урожайности, мониторинга засушливых явлений, дифференцированного внесения удобрений и интеллектуального управления агропроизводством.

Для кого подготовлен

о модуле

35.03.04 Агрономия

Специальности и направления подготовки высшего образования, при реализации которых применяется модуль:

Модуль предполагается к прохождению студентами 3-ого курса бакалавриата и старше. Реализуется как компонент основной профессиональной образовательной программы (ОПОП).

Формат обучения

1 семестр, 5 зачетных единиц

Продолжительность

180 ак.ч.: 36 ак.ч. лекции, 44 ак.ч. лабораторные работы (практическая подготовка), 100 ак.ч. самостоятельная работа (включая подготовку к диф. зачёту)

Трудоемкость

Модуль реализуется вузом самостоятельно в рамках части ОП, формируемой участниками образовательных отношений. Модуль относится к обязательной части образовательной программы.

Условия реализации

Онлайн (очный с применением дистанционных технологий)

Формат обучения

Русский

Язык обучения

Программа обучения

Отраслевой модуль раскрывает возможности применения искусственного интеллекта для решения ключевых задач в сельском хозяйстве и АПК: высокопроизводительной обработки больших аграрных данных, прогнозирования засушливости на основе временных рядов и индексов SPI, компьютерного зрения и геопространственного анализа рельефа для расчёта уклонов и зональной статистики, а также разработки интеллектуальных систем поддержки принятия решений в точном земледелии.

Технологический стек модуля

TensorFlow / Keras

Построение и обучение сверточных нейронных сетей (CNN), полносвязных сетей, применение transfer learning для классификации изображений.

Pandas

Библиотеки для загрузки, фильтрации, агрегации и первичной обработки структурированных данных (CSV, Excel)

Наборы данных для практических кейсов

Временные ряды осадков.
Архивы климатических данных.
Цифровые модели рельефа (DEM).
Векторные границы полей (GeoJSON).
OpenStreetMap (OSM) – векторные данные для анализа территорий и выделения областей интереса.

NumPy

Инструменты работы с геопространственными данными, спутниковыми снимками и экологическим мониторингом для решения прикладных задач природопользования

Statsmodels

Построение и анализ моделей временных рядов: SARIMA, автокорреляционные функции (ACF/PACF), диагностика остатков, информационные критерии AIC/BIC.

Jupyter Notebook / JupyterLab

Формат интерактивных блокнотов для совмещения кода, визуализаций и текстовых пояснений в рамках единого отчёта.

Matplotlib / Seaborn

Построение гистограмм, scatter-графиков, матриц ошибок, визуализация распределений показателей и временных рядов.

Scikit-learn

Библиотека классического машинного обучения для решения задач классификации, регрессии, кластеризации, метрики оценки качества моделей.

Python

Основной язык программирования модуля для реализации всех алгоритмов: от векторизованных вычислений до прогнозных моделей и геопространственного анализа.

Разработчики, преподаватели, эксперты

Э. В. Кулиев

Кандидат технических наук, доцент центра подготовки исследователей и разработчиков в сфере искусственного интеллекта ФГАОУ В О Южный федеральный университет

А.В. Козловский

Старший преподаватель кафедры вычислительной техники Института
компьютерных технологий и информационной безопасности ФГАОУ ВО Южный
федеральный университет

А.Н. Самойлов

Кандидат технических наук, доцент, заведующий кафедрой вычислительной техники Института
компьютерных технологий и информационной безопасности ФГАОУ ВО Южный
федеральный университет

Э.В. Мельник

Доктор технических наук, профессор кафедры вычислительной техники Института компьютерных
технологий и информационной безопасности ФГАОУ В О Южный федеральный университет

Результаты обучения

Анализировать возможности применения ИИ в сельском хозяйстве и агропромышленном комплексе

Слушатель сможет соотносить агрономические и производственные задачи (прогнозирование агроклиматических рисков и засушливости, анализ временных рядов осадков, обработка цифровых моделей рельефа, расчёт уклонов и зональной статистики, классификация и детекция объектов на спутниковых снимках) с подходящими ИИ‑подходами и инструментами и определять, в каких кейсах использование ИИ даёт наибольший эффект для повышения урожайности, оптимизации производственных процессов и снижения агрономических рисков.

Работать с агроклиматическими, растровыми и векторными данными для задач ИИ

Слушатель сможет подбирать и загружать данные различных типов (временные ряды осадков с метеостанций, спутниковые снимки, цифровые модели рельефа, векторные границы полей), выполнять полный цикл предобработки, применять методы векторизации и пакетной обработки для работы с большими аграрными массивами и подготавливать данные к использованию в моделях машинного обучения и геопространственного анализа.

Применять модели ИИ к решению агрономических и производственных задач

Слушатель сможет использовать современные алгоритмы машинного обучения и анализа данных для решения задач прогнозирования засушливости и дефицита осадков, оценки неоднородности полей, расчёта индексов вегетации, классификации типов растительности и поддержки принятия решений в точном земледелии, интерпретируя полученные результаты с точки зрения производственной целесообразности.

Оценивать качество и ограничения ИИ‑подходов в сельском хозяйстве и АПК

Слушатель сможет подбирать метрики для оценки качества решений (RMSE, MAE, MAPE для прогнозных моделей; коэффициенты корреляции и детерминации; показатели точности классификации и детекции объектов), анализировать типичные ошибки моделей на агроклиматических и пространственных данных, выявлять влияние сезонности, межгодовой изменчивости и пространственной неоднородности на результат и формулировать ограничения применимости конкретных моделей.

Учитывать междисциплинарные, этические и практические аспекты применения ИИ в сельском хозяйстве

Слушатель сможет учитывать взаимодействие ИИ с агрономией, почвоведением, метеорологией, геоинформатикой и экономикой АПК, выявлять этические и социальные риски (последствия неверных прогнозов для продовольственной безопасности, зависимость от цифровых технологий, доступность и репрезентативность данных для различных агроклиматических зон, влияние автоматизации на занятость в аграрном секторе) и формулировать рекомендации по ответственному, воспроизводимому и научно обоснованному применению ИИ с учётом специфики отрасли.

Анализировать возможности применения ИИ в сельском хозяйстве и АПК

Слушатель сможет соотносить агрономические и производственные задачи (прогнозирование агроклиматических рисков и засушливости, анализ временных рядов осадков, обработка цифровых моделей рельефа, расчёт уклонов и зональной статистики, классификация и детекция объектов на спутниковых снимках) с подходящими ИИ‑подходами и инструментами и определять, в каких кейсах использование ИИ даёт наибольший практический эффект для повышения урожайности, оптимизации производственных процессов и снижения агрономических рисков.

Работать с агроклиматическими, растровыми и векторными данными для задач ИИ

Слушатель сможет подбирать и загружать данные различных типов (временные ряды осадков с метеостанций, спутниковые снимки, цифровые модели рельефа, векторные границы полей), выполнять полный цикл предобработки (проверка полноты и качества данных, обработка пропусков и выбросов, нормализация, трансформация систем координат, фильтрация растров), применять методы векторизации и пакетной обработки для работы с большими аграрными массивами и подготавливать данные к использованию в моделях машинного обучения и геопространственного анализа.

Применять модели ИИ к решению агрономических и производственных задач

Слушатель сможет использовать современные алгоритмы машинного обучения и анализа данных для решения задач прогнозирования засушливости и дефицита осадков, оценки неоднородности полей, расчёта индексов вегетации, классификации типов растительности и поддержки принятия решений в точном земледелии, интерпретируя полученные результаты с точки зрения агрономии и производственной целесообразности.

Оценивать качество и ограничения ИИ‑подходов в сельском хозяйстве и АПК

Слушатель сможет подбирать метрики для оценки качества решений (RMSE, MAE, MAPE для прогнозных моделей; коэффициенты корреляции и детерминации; показатели точности классификации и детекции объектов), анализировать типичные ошибки моделей на агроклиматических и пространственных данных, выявлять влияние сезонности, межгодовой изменчивости и пространственной неоднородности на результат и формулировать ограничения применимости конкретных моделей.

Учитывать междисциплинарные, этические и практические аспекты применения ИИ в сельском хозяйстве

Слушатель сможет учитывать взаимодействие ИИ с агрономией, почвоведением, метеорологией, геоинформатикой и экономикой АПК, выявлять этические и социальные риски (последствия неверных прогнозов для продовольственной безопасности, зависимость от цифровых технологий, доступность и репрезентативность данных для различных агроклиматических зон, влияние автоматизации на занятость в аграрном секторе) и формулировать рекомендации по применению ИИ в агропромышленных проектах.

04

03

02

01

Преимущества внедрения модуля

За счёт включения в образовательную программу актуальных сценариев применения ИИ в сельском хозяйстве: прогнозирования засушливости и агроклиматических рисков, компьютерного зрения для обработки цифровых моделей рельефа, геопространственного анализа и зональной статистики по сельскохозяйственным участкам.

Через освоение современных подходов к высокопроизводительной обработке больших аграрных данных, векторизации и параллельным вычислениям, прогнозированию временных рядов, геоаналитике для поддержки принятия решений в точном земледелии, дифференцированном внесении удобрений и противоэрозионных мероприятиях.

По направлениям подготовки «Агрономия», «Агроинженерия», «Технологии производства и переработки сельскохозяйственной продукции» и другим профилям в области сельского хозяйства и агропромышленного комплекса, где требуется формирование компетенций по применению ИИ в профессиональной деятельности агронома.

Благодаря решению реальных производственных задач с использованием современных инструментов и работе с открытыми агроклиматическими и геопространственными данными (временные ряды осадков, цифровые модели рельефа, спутниковые снимки, векторные границы полей).

Повышение практической подготовки агрономов

Расширение прикладных компетенций обучающихся

Модуль предлагается вузам, реализующим программы ВО

Усиление связи с запросами агропромышленного сектора

Пререквизиты. Учебные курсы, которые студент должен освоить перед началом обучения по модулю:

Что нужно знать студенту на старте

Информатика (базовые знания: работа с компьютером, алгоритмы, структуры данных, основы программирования)

Математика (основы математической статистики, теории вероятностей, линейной алгебры)