прошла 3-6 июня 2025 года в Барнауле, Алтайский край. Соорганизатором конференции выступил Санкт-Петербургский Федеральный исследовательский центр РАН (СПб ФИЦ РАН).
Целью конференции является консолидация междисциплинарных знаний в области сельского хозяйства, биологии, робототехники, информационных технологий и экономики для решения актуальных задач цифровизации органического животноводства и растениеводства на основе достижений фундаментальной науки и лучших практик аграрных компаний.
На конференции Б.В. Соколов, Заслуженный деятель науки РФ д.т.н. проф., выступил c двумя докладами: «Consideration of NON-factors in Complex Models of Agricultural Production (Учет НЕ-факторов в комплексных моделях сельскохозяйственного производства)» и «Feed Wheat Yield Multifactorial Forecasting (Многофакторное прогнозирование урожайности фуражной пшеницы)».
- Учет НЕ-факторов в комплексных моделях сельскохозяйственного производства; Аннотация: « На конкретном примере решения задачи создания и использования комплексной модели планирования функционирования трудноформализуемого сельскохозяйственного процесса заготовки кормов из трав проведен анализ причин проявления целого спектра НЕ-факторов, существенно влияющих на устойчивость рассматриваемого процесса кормопроизводства.. Сочетание оперативно-календарной логико-динамической модели, представленной системой дифференциальных уравнений, с нечетко-возможностными моделями, описывающими объемно-ресурсное планирование и синтезированными на основе экспертных знаний для прогнозирования урожайности и качества трав, позволяет решать большеразмерную многопараметрическую задачу теории расписаний для отдельных этапов уборки трав на силос. При моделировании зафиксированы такие НЕ-факторы: неопределенность, нечеткость, недоопределенность, неточность и др. На уровне общего описания комплексной модели дополнительно были выделены и формально описаны такие свойства некорректность, неточность, неадекватность модели и неоднозначность трактовки результатов моделирования. В проблематике искусственного интеллекта моделирование НЕ- факторов имеет первостепенное значение. Это обусловлено тем, что интеллектуальные технологии направлены на решение творческих задач в условиях существенной неопределенности, неполноты, неточности, нечеткости исходных данных и отношений между ними при моделировании сложных объектов в различных предметных областях. Такие объекты справедливо относя к трудноформализуемым и слабоструктурированным. Показанои обоснованно, что применение нечетко-возможностного и логико-динамической подходов позволяет успешно выявлять, распознавать причины проявления и преодолевать негативное воздействие большинства НЕ-факторов, что существенно повышает качество моделирования трудноформализуемых сельскохозяйственных производств в целом и оперативно-календарного планирования процессов уборки трав на силос в частности».
- Многофакторное прогнозирование урожайности фуражной пшеницы; Аннотация: «В статье предлагается переход от мониторинга реактивных состояний сложных агробиотехнических объектов (CABO) к проактивному мониторингу. Он включает в себя либо превентивную оценку состояний CABO (с заданными интервалами мониторинга), либо прогнозирующую (непрерывную) оценку, анализ, диагностику и предварительное многомерное прогнозирование. Цель состоит в обнаружении, локализации и предотвращении неожиданных сбоев в жизнедеятельности агробиологических и технических элементов и подсистем CABO вследствие заболеваний (для агробиологических объектов), отказов и неисправностей (для технических объектов). Ключевым компонентом как проактивного контроля, так и мониторинга состояния CABO является многомерное прогнозирование, учитывающее задержки, присущие контурам обратной связи систем проактивного мониторинга и управления. В статье представлена новая концепция многофакторного многомодельного адаптивного прогнозирования параметров состояния CABO. Данная концепция предполагает: во-первых, унификацию разнородной по методам сбора и представления мониторинговой информации; во-вторых, применение многомодельного подхода к построению комбинированной многофакторной модели прогнозирования показателей состояния КАБО; в-третьих, адаптивность структуры многомодельного комплекса для многофакторного адаптивного прогнозирования к количеству и качеству исходных данных мониторинга и свойствам прогнозируемых процессов. Приведен пример реализации концепции при прогнозировании урожайности фуражной пшеницы».