Магистрант института искусственного интеллекта и цифровых технологий Кабардино-Балкарского государственного университета им. Х.М. Бербекова Астемир Кертбиев вместе с группой преподавателей разработал инновационную экономико-математическую компьютерную модель оптимизации и минимизации распределения минеральных удобрений под посевы кормовых корнеплодов и кукурузы на силос.
С учётом масштабов и состояния посевов программа автоматически подбирает виды и дозировку удобрений для получения высокого качества зерна. Ведь иногда даже опытному сотруднику агрономической службы трудно предугадать, в каких питательных веществах в данный момент нуждается отдельно взятая культура.
По расчетам специалистов грамотное применение удобрений позволит повысить урожайность от 8 до 10%.
Разработчики использовали язык программирования C++, а также популярную библиотеку машинного обучения scikit-learn.
Научное руководство проектом осуществляла доцент кафедры прикладной математики и информатики КБГУ Мария Тхабисимова.
Эту компьютерную модель в качестве учебного пособия могут использовать и аграрные вузы.
Комментарии
Несомненно, заявление о разработке "инновационной экономико-математической модели" выглядит весьма амбициозно, однако стоит задаться вопросом: как именно эта система претендует быть революцией в сельскохозяйственной практике, если уже существуют проверенные временем методы определения потребностей растений в питательных веществах? Да, обещанный рост урожайности на 8-10% кажется впечатляющим, но не стоит забывать, что подобные цифры часто выходят за рамки геальной практики без масштабных полевых испытаний и сравнения с традиционными подходами.
Кроме того, использование языка C++ и библиотеки scikit-learn для решения таких специфических сельскохозяйственных задач может показаться перебором сложности – ведь существует множество специализированных инструментов, более приспособленных к обработке данных в агрономии. Надо признать, что успешная интеграция таких моделей в повседневную работу аграриев требует не только технического совершенства, но и глубокого понимания конкретных условий местности, которое зачастую недоступно чисто алгоритмическим методам.
Рейтинг: 5 (1 голосов)
Дата: 15.09.2024 05:02