архивы автора: Anna Zhukova

Внедрение проекта «Аэрагро» в программу АгроНТИ

Нами были достигнуты договоренности о внедрении проекта «Аэрагро»  в Белгородской области в рамках программы «АгроНТИ» и соглашение о создании образовательного комплекта для аграрных образовательных учреждений.

Сегодня технологический прогресс движется все с большей скоростью. Мир стоит на пороге новой технологической революции, меняются все сферы производства. В сельском хозяйcтве роботы, дроны и информационные технологии позволяют существенно увеличить производительность и уменьшить издержки. Это мы доказали в прошлом году в проекте АгроНТИ, – одной из крупнейших площадок России для обката технологических проектов в сфере сельского хозяйства.  «АгроНТИ» — это экспериментальная площадка инновационных проектов «национальной технологической инициативы» (НТИ) в сфере сельского хозяйства. Экспериментальные поля находятся в Белгородском регионе,  который считается одним из лидеров России в области сельского хозяйства.

Новые технологии сильно изменят текущую структуру занятости, создавая новые профессии и сферы новые профессии. Команда Аэрагро совместно с проектом «АгроНТИ» ставит перед собой цель привлечь детей и молодежь села в проектно-исследовательскую деятельность в области технологий сельского хозяйства и способствовать их ранней профессиональной ориентации в мире возникающих новых профессий.

По материалам: http://agronti.belapk.ru/, http://kids.agronti.ru

 


Аэрагро в Омской области

Статья с информацией про наш проект опубликована на деловом общенациональный аналитический ресурсе «Эксперт Online»

В Омской области проходят апробацию беспилотные летательные аппараты («дроны») московской компании «АэрАгро». Беспилотники в сельском хозяйстве используются с 2011 года, но их применение все еще не носит массового характера. Обследование территорий с помощью дронов применяется для расчета параметров паспортов плодородия, создания карт всхожести, вегетационного развития и планов внесения удобрений, позволяет прогнозировать урожайность и определять оптимальные сроки уборки урожая. «Эти разработки могут снизить риски агроцентров — поставщиков крупных торговых сетей, — говорит технический директор «АэрАгро» Роман Жуков, — а также производителей ценных агрокультур, например тех, из которых изготавливают специи или косметические масла. Средняя стоимость агрострахования таких культур — 1 000 руб­лей за гектар, и методы аэрозондирования используются, чтобы доказать факт ущерба урожаю». Используют эти методики и агрохимические службы, которые занимаются паспортизацией сельхозугодий.

Читать на сайте «Эксперт Online»


Международная конференция «Разработка экспертных систем на основании крупномасштабных почвенно-географических баз данных»

 

14-19 мая 2018 года команда проекта Аэрагро выступила на первой международной конференции в рамках проекта «Разработка экспертных систем на основании крупномасштабных почвенно-географических баз данных». Конференция проводилась на базе факультета почвоведения МГУ имени М.В. Ломоносова (г. Москва).

На конференции обсуждались практические вопросы создания почвенного дата-центра, практическое применение почвенно-географических баз данных.  Команда проекта выступила с докладом «Увеличение точности программ прогнозирования урожайности с применением электронных почвенных карт и алгоритмов Machine Learning». Кроме того на конференции были представлены новые онлайн-сервисы компании по обработке аэрофотоснимков видимого и NirGB-спектров.

 

 

 

 


Парламентские слушание на тему развитие органического сельского хозяйства

Научный руководитель проекта Аэрагро д.т.н. Хомяков Д.М. выступил с докладом на парламентских слушаниях в комитете Государственной Думы по аграрным вопросам 23 мая 2018 года. Слушания проводились на тему «Развитие органического сельского хозяйства и производства органической продукции: правовое обеспечение и правоприменительная практика».

Доклад был посвящен вопросам методологическим и правовым аспектам развития органического сельского хозяйства в России.

Дополнительные материалы слушаний доступны на сайте комитета Государственной Думы по аграрным вопросам.


Тенденции и проблемы развития земельного законодательства

Комитет Совета Федерации по аграрно-продовольственной политике и природопользованию провел парламентские слушания «Тенденции и проблемы развития земельного законодательства». Мероприятие прошло в Государственном университете по землеустройству в Москве. Вел заседание первый заместитель председателя Комитета СФ по аграрно-продовольственной политике природопользованию Сергей Лисовский. Научный руководитель проекта АЭРАГРО д.т.н. Хомяков Д.М. представил свой доклад на тему «Тенденции и проблемы развития  земельного законодательства«.

По словам парламентария,  в большинстве случаев принимаемые законы в сфере земельных отношений направлены на решение довольно узких проблем. Не все рассматриваемые законодательные инициативы отвечают задачам развития страны и модернизации ее экономики. Часто они базируются на разных концептуальных правовых и экономических взглядах, не всегда согласованы между собой и не в полной мере отражают комплексный характер использования земли, ее социальное и экономическое значение, считает парламентарий. «Это создает препятствия в осуществлении земельным законодательством важной роли в систематизации регулирования использования земли в современных условиях, формировании справедливого земельного правопорядка».

По итогам парламентских слушаний участники выработали рекомендации в адрес Государственной Думы. В частности, нижней палате парламента предлагается при принятии в первом чтении проектов федеральных законов учитывать готовность подзаконных нормативных правовых актов, обеспечивающих механизм реализации проектируемых норм.

Участники также рекомендовали Правительству РФ разработать концепцию развития земельного законодательства, обеспечивающую его системное развитие, а также ускорить рассмотрение и внесение в Государственную Думу проекта федерального закона «О внесении изменений в Земельный кодекс Российской Федерации и некоторые законодательные акты Российской Федерации (в целях совершенствования определения видов разрешенного использования земельных участков)».

Министерству сельского хозяйства РФ предлагается ускорить доработку проектов ряда федеральных законов «О внесении изменений в отдельные законодательные акты Российской Федерации в части совершенствования оборота земель сельскохозяйственного назначения», «О внесении изменений в Федеральный закон «Об обороте земель сельскохозяйственного назначения», «О внесении изменений в Федеральный закон «О государственном регулировании обеспечения плодородия земель сельскохозяйственного назначения» и другие.

 


Входные параметры моделей урожайности

Данные о сельскохозяйственном угодье:

Географические коррдинаты

Тип возделываемой культуры

Тип почвы (опционально)

 

Погодные условия:

Средняя температура (° C) за временной интервал

Максимальная температура (° C)

Минимальная температура (° C)

Атмосферное давление на уровне моря (гПа)

Средняя относительная влажность (%)

Общее количество осадков и / или таяние снега (мм)

Средняя видимость (Km)

Средняя скорость ветра (км / ч)

Максимальная скорость ветра (км / ч)

Максимальная скорость ветра (км / ч)

Индикатор осадков в виде дождя (в среднем в месяц, в течение всех дней, когда шел дождь)

Индикатор осадков в виде снега (в среднем в месяц, общее количество снега в день)

Индикатор осадков в виде ливней и гроз (среднемесячно, общее количество дней с грозами)

Индикатор осадков в виде тумана (среднемесячно, общее количество дней с туманом)

 

Данные о состоянии посевов, полученные с беспилотника или со спутника

Например, данные MODIS, который рассчитывает мультиспектральные вегетационные индексы (NDVI & EVI) каждые 16 дней с разрешением 250м.

Почва и растения:

 

Засоренность посевов (по видам сорной растительности)

Количество вредителей (особей на растение (единицу площади или по коэффициенту заселения (процент заселения вредителем площади на исследуемой территории или ином регионе, деленный на среднюю численность вредителя в данном регионе)

Большинство современных нейросетевых моделей не учитывает тип почвы, её агрофизические характеристики и показатели почвенного плодородия.

Данные о почвенном плодородии, содержащиеся в паспортах плодородия полей, могут дать больше информации о фактическом состоянии почвы, уровне её деградации и потенциональном продуктивности.

 


Прогнозирование урожайности методами машинного обучения. Примеры и перспективы

Вместо того, чтобы совершенствовать уже существующие модели прогноза урожайности, добавлять в них дополнительные переменные или усложнять способ расчета, мы предлагаем использовать методы машинного обучения, преимущественно основанные на данных дистанционного зондирования земли в мультиспектральном диапазоне и информации погодных условиях.

Машинное обучение (Machine Learning) — обширный подраздел искусственного интеллекта, изучающий методы построения алгоритмов, способных обучаться. Машинное обучение находится на стыке математической статистики, методов оптимизации и классических математических дисциплин, но имеет также и собственную специфику.

Нейронные сети (Neural Networks)— это один из типов модели обучения, который эмулирует принцип работы синапсов в человеческом  мозге и соединяет в себе большое количество относительно простых элементов, а обучение сводится к построению оптимальной структуры связей и настройке параметров связей.

Примеры использования

Поэтапная регрессия была использована в для прогнозирования производства риса в Китае.

Подробнее: Huang J, Wang X, Li X, Tian H, Pan Z (2013) Remotely Sensed Rice Yield Prediction Using Multi-Temporal NDVI Data Derived from NOAA’s-AVHRR. PLoS ONE 8(8): e70816. 

Иерархическая кластеризация, байесовские нейронные сети и рекурсивное разбиение  нашли применение в вопросах прогнозирования урожайности ячменя, канолы (сорт рапса) и яровой пшеницы.

Подробнее: Michael D. Johnson, William W. Hsieh, Alex J. Cannon, Andrew Davidson, & Frédéric Bédard (2016). Crop yield forecasting on the Canadian Prairies by remotely sensed vegetation indices and machine learning methods. Agricultural and Forest Meteorology, 218–219: 74–84.

Нейронную сеть работающую по перетасованному комплексному алгоритму оптимизации эволюции, разработали в Университете Аризоны (SCE-UA) для прогнозирования урожайности кукурузы и сои в США.

Источник: Li, A., Liang, S., Wang, A., & Qin, J. (2007). Estimating crop yield from multi-temporal satellite data using multivariate regression and neural network techniques. Photogrammetric Engineering & Remote Sensing, 73(10), 1149-1157.

Алгоритм случайного леса с успехом применяется  для классификации пикселей в спутниковых изображениях в разных категориях землепользования. Например, неконтролируемое линейное смешение использовалось на гиперспектральных данных для различения почвы и растительности в пределах одного пикселя.

Источник: Barrett Lowe and Arun Kulkarni (2015). MULTISPECTRAL IMAGE ANALYSIS USING RANDOM FOREST. International Journal on Soft Computing (IJSC) Vol.6, No. 1, February 2015. DOI: 10.5121/ijsc.2015.6101 1.

Zhe Zhu, Curtis E.Woodcock (2014). Continuous change detection and classification of land cover using all available Landsat data. Remote Sensing of Environment 144: 152–171. 

Многослойные нейронные сети (персептроны) и радиальные базисные функции были использованы в 13 для прогнозирования площади посевов и урожайности кукурузных полей в Индии.

Bin Luo, Chenghai Yang, Jocelyn Chanussot, and Liangpei Zhang (2013). Crop Yield Estimation Based on Unsupervised Linear Unmixing of Multidate Hyperspectral Imagery. IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING, VOL. 51, NO. 1. 

«Обучающиеся алгоритмы — как семена, почва — это данные, а обученные программы — это наша жатва. Эксперт по машинному обучению похож на крестьянина, сеющего, поливающего и удобряющего землю. Он присмат­ривает за здоровьем растущего урожая, но в целом не вмешивается»

Педро Домингос , автор книги «Верховный алгоритм: как машинное обучение изменит наш мир»

Проблемы эффективности государственного управления земельными ресурсами

Научный руководитель проекта АэрАгро д.т.н. Хомяков Д.М. выступил на «круглом столе» с докладом «Проблемы эффективности государственного управления  земельными ресурсами» в Совете Федерации Федерального собрания Российской Федерации 05 апреля 2018 года.

Доклад был посвящен проблемам государственного управления земельными ресурсами.  В аннотации доклада указывается на необходимость полноценного, научно-обоснованного и легального (юридически значимое) определения почвы как природного объекта и ее плодородия, что позволит, учитывать почвы как важнейший ресурс, осуществлять их охрану, разработать адекватный механизм государственной поддержки отечественных агропроизводителей.

Для Федерального закона от 16.07.1998 № 101-ФЗ (ред. от 05.04.2016) «О государственном регулировании обеспечения плодородия земель сельскохозяйственного назначения», где исчезло понятие «почвы», требуется корректировка названия и внесения существенных изменений и дополнений в текст. Предлагается редакция названия: «О государственном регулировании обеспечения воспроизводства плодородия почв сельскохозяйственных угодий и рационального использования сельскохозяйственных земель».

Для целей ведения сельскохозяйственного производства может производиться классификация и группировка именно почв, а не земель. Плодородие – свойство, присущее только почвам. Нужны комплексные многофакторные исследования, включающие определения генезиса (происхождения) почв. Они не должны ограничиваться только пахотным слоем. Попытка оптимизация средств и времени на проведение работ, при ограничении их только верхним слоем почв (0-20 см) несет в себе большую методологическую ошибку.

На основании результатов лишь одного химического анализа почв объективно оценить плодородие неправомерно, для восстановления плодородия недостаточно только агрохимических средств. Присутствие тех или иных количеств элементов минерального питания в корнеобитаемом слое почвы – еще не показатель их обязательного продуктивного использования в процессе роста и развития растений, и формирования урожая.

Правовые основы функционирования государственной системы экологического мониторинга почв должна быть пересмотрены, скорректированы с учетом положений Указа Президента Российской Федерации от 19.04.2017 № 176 «О Стратегии экологической безопасности Российской Федерации на период до 2025 года». Необходим четкий план мероприятий Правительства РФ по ее реализации. Это позволит повысить эффективность бюджетного финансирования мероприятий по поддержанию и воспроизводству плодородия почв, осуществляемых отечественными агропроизводителями, а также адекватность оценки и управления почвенными ресурсами страны.

 


Программное обеспечение прогноза урожайности. Шаг 1: выбор модели

При разработке программных средств прогноза урожайности используются следующие виды моделей:

  1. эмпирические (физико-статистические модели или балансовые, мате-
    матико-статистические);
  2. теоретические (комплексные динамические имитационные модели);
  3. нейронные сети различной архитектуры.

Балансовые модели (1950-1970 гг)

Самые первые модели продуктивности агробиоценозов были физико-статистическими или балансовыми. Они связывали продуктивность земель с обобщенными агроклиматическими и почвенными показателями и позволяли приближенно прогнозировать возможную продуктивность сельскохозяйственных посевов на больших территориях. При этом величина урожая могла определяться только одной из групп параметров:

  1. приходящей фотосинтетически активной радиации (ФАР) и коэффициенту
    её использования посевами;
  2. тепловым ресурсам (так называемые гидротермические или биоклиматические показатели продуктивности);
  3. водному балансу (влагообеспеченности) посевов;
  4. фотосинтетическому потенциалу растений;
  5. потенциальным возможностям культуры и сорта (исходя из того факта, что различные сорта по-разному реагируют на нормы высева, дозы и соотношения основных элементов питания, вносимых с удобрениями и т.д.)
  6. эффективному плодородию почвы на основе учета запаса питательных веществ
    почвы, других ее агрохимических показателей, коэффициентов использования
    питательных веществ из почвы и удобрений, потребности растений в питательных веществах, обеспечивающих получение запрограммированного урожая и его качества.

Примеры балансовых моделей продуктивности агроценозов:

  1. структурная формула урожая (Савицкий, 1973),
  2. балансовый метод программирования урожайности (Шатилов, 1975);
  3. расчет «эффективного плодородия» почвы (Белорусский НИИ почвоведения и агрохимии, 1980)

Плюсы и минусы балансовых моделей:

Балансовые модели позволяют проследить только общие закономерности влияния различных факторов на урожайность агроценоза.

Использование только обобщенных (усредненных) показателей в балансовых моделях дает точность расчетов недостаточную для принятия управленческих решений на основе смоделированных данных.

Математико-статистические модели (1970-1980 гг)

На втором историческом этапе разработки методов прогнозирования и программирования урожая широкое распространение получили математико-статистические модели.

В целях их разработки использовались данные научных учреждений и сортоучастков, закладывались длительные полевые эксперименты.
Применение простых и комплексных статистических моделей для целей
прогнозирования и оптимизации урожая* целесообразно в тех случаях, когда
конечный урожай определяется суммарным значением факторов, заранее рассчитанных на получение планируемого урожая, а распределение управляемых факторов во времени осуществляется на неформальной основе. В силу случайного характера погодных условий расчет возможного урожая ведется по средним многолетним данным с одновременным определением вероятности получения запланированного урожая.

Примеры математико-статистических моделей:

  1. Weather and grain yields in the Soviet Union. Desai P. // International Food Policy
    Research Institute. Res. Rep. 1986. N. 54.
  2. Типовые программы и методические рекомендации для проведения исследований по прогнозированию и оптимизации факторов среды для получения запланированных урожаев и питательной ценности кормовых культур. Образцов А. С, Ковалев В.М., Головатый В.Г. и др.  М., 1982.

Плюсы и минусы статистических моделей:

Математико-статистические модели — это результат длительных полевых опытов в общей системе агроэкосистемных исследований в совокупности с краткосрочными опытами, сплошными агрохимическими обследованиями и компьютерным моделированием. Входные данные, полученные для их разработки, представляют большую ценность и в настоящем, в том числе для обучения нейронных сетей (ссылка, материал обновляется)

Модели, полученные с использованием данных одного полевого опыта, как правило, имеют локальное применение — они правомерны в погодных и почвенных условиях, близких к условиям проведения эксперимента.

Динамическое имитационное моделирование (1970 — 2000 гг)

Метод имитационного моделирования является одним из мощных инструментов исследования поведения сложных систем, особенно в тех случаях, когда непосредственное экспериментирование на объекте в.реальном масштабе времени сопряжено со значительными материальными затратами либо невозможно вообще.

Как правило, имитационные модели продуктивности представляют собой динамическую балансовую структуру блочного типа. Балансовый характер моделей заключается в том, что по каждой из включенных в модель субстанций производится полный расчет всех составляющих баланса:

  1. блок погоды (исходные метеоданные);
  2. блок водного режима почва/растение;
  3. блок теплового режима почвы;
  4. блок роста и развития растений ( в т.ч. вычисление биомассы наземной части и корней, площадь листовой поверхности и поглощающей поверхности корня);
  5. блок микроклимата (распределение температуры и влажности воздуха, ветра, радиации по высоте растительного покрова, профиль поглощаемой интегральной радиации и ФАР);
  6. блок питания (модели динамики минеральных и органических веществ в почве, поглощение питательных веществ корнями растений).

Примеры динамических имитационных моделей

ELCROS (Elementary crop simulator) —  США, 1958 год;

BACROS (Basic crop simulator) — США, 1974 год;

SPAM (Soil-plant-atmosphere model) — США, 1978 год.

Модель WOFOST используется в Системе мониторинга развития культур ЕС
(CGMS — Crop Growth Monitoring System) в рамках проекта MARS.  WOFOST принадлежит семейству моделей, разработанных Вагенингенской школой, включающему модели SUCROS, ARID CROP, MACROS и ORYZA1, которые отражают развитие различных культур при лимитирующих факторах. Модель WOFOST позволяет рассчитывать урожайность следующих культур: пшеница, кукуруза, ячмень, рис, сахарная свекла, картофель, горох, соя, подсолнечник.
WOFOST  использует ежедневные погодные данные с сеткой 50×50 км. Эти данные интерполируются исходя из данных сети метеостанций, используя специальную разработанную процедуру.

Одним из первых примеров использования космических методов для решения
задач оценки состояния сельскохозяйственных культур и прогноза
урожая служит эксперимент LACIE (Large Area Grop Inventory Experiment) no оценке урожая на больших площадях, выполнявшийся в середине 70-х годов в рамках программ спутника «LANDSAT» на территории США. Основная задача эксперимента — разработка методики дистанционной оценки площадей, состояния посевов и прогноза урожая пшеницы для крупных регионов. Для оценки урожайности применялись эмпирические связи «погода-урожай», полученные по данным агрометеорологических наблюдений. Спутниковая информация использовалась только для оценки площадей под посевами. Для Канады и США погрешность составляла, соответственно, 15 и 20%.

Одной из самых перспективных на сегодняшней день имитационных моделей блочного типа является модель EPIC (Erosion-Productivity Impact Calculator), разработанная Техасской сельскохозяйственнойнаучно-исследовательской лабораторией, США. Модель позволяет рассчитывать урожайность различных сельскохозяйственных культур (пшеница, овес, травы, кукуруза и др.).

Модель EPIC состоит из следующих десяти блоков:
1. Погода. Производится обработка измеренных ежедневных погодных данных
и (или) их генерирование вероятностными методами из среднемесячных
измерений.
2. Гидрология. Учитывая ежедневное количество осадков, рассчитывается
просачивание, боковой сток и таяние снега, производится оценка эва-
потранспирации четырьмя методами.
3. Эрозия. Моделируется эрозия почвы, вызванная ветром и водой.
4. Цикл питания: Моделируется удобрение азотом и фосфором, их преобразования
и чувствительность к ним культуры. Учитывается применение
как минеральных удобрений, так и органических.
5. Пестициды. Моделируется движение пестицидов с водой.
6. Температура почвы. Температура почвы зависит от погоды, содержания
воды в почве и объемной плотности почвы. Расчет производится ежедневно
для каждого слоя почвы.
7. Обработка земли. Моделируется воздействие землеобрабатывающего
оборудования на гидрологию почвы и цикл питания.
8. Рост культуры. Используется единая модель урожайности для всех культур.
Развитие растения происходит, пока не будет накоплена сумма потенциальных
температур. При неблагоприятных условиях развитие прекращается
и возобновляется, когда условия станут благоприятными, т.е.
гибель растения не наступает.
9. Управление культурой и почвой. Отражает проводимые сельскохозяйственные операции.
10.Экономика. Имеется простой пакет бухгалтерского учета для вычисления
затрат на посев и предполагаемой выручки.

Модель EPIC имеет следующие входные параметры: температура воздуха
(максимальная и минимальная), количество осадков, солнечная радиация, относительная влажность воздуха, скорость ветра, характеристики почвы (содержание питательных веществ, твердых веществ, песка, ила и др.) и характеристики поля (длина, ширина, направление, угол наклона). Также входными параметрами являются агрономические сельскохозяйственные операции (день посадки и уборки культуры, внесения питательных веществ и другие мероприятия).

Выходные параметры EPIC: биомасса (общая: корни и побеги), листовой индекс и др. Урожайность не является выходным параметром, но ее можно рассчитать по формуле: наземная биомасса х индекс урожайности, где индекс урожайности фактически отражает процент веса полезной части растения от
его общего веса (для пшеницы — зерна в колосе).

Самая известная имитационная модель, разработанная для российских почвенно-климатических условий была разработана в 1979 году в ФГБНУ «Агрофизический научно-исследовательский институт» и называлась «СИМОНА», позже переименована в AGROTOOL.

Модель AGROTOOL имеет суточный временной шаг, за исключением блока фотосинтеза, в котором реализован часовой шаг. В качестве входных погодных данных модели в целом используется следующий набор суточных метеопараметров (реальных или смоделированных): минимальная и максимальная температура воздуха, минимальная относительная влажность воздуха, осадки, скорость ветра и длительность солнечного сияния. Кроме того, для прогона модели необходимо задать начальное условие — дату сева и влагозапас в метровом слое почвы (до сева или в день сева).

Плюсы и минусы динамических имитационных моделей

Динамические имитационные модели дают наиболее полное представление о о вкладе различных факторов в урожайность агроценоза при условии его однородности.

Для сельскохозяйственных угодий, характеризующееся высоким значением коэффициента вариации, например, для черноземной зоны, где коэффициенты вариации почвенных условий составляют 30% и более, применение факторных моделей ограничено.

Одна из самых больших трудностей в имитационном моделировании заключается в получении адекватных метеоданных. Минимальный набор суточных метеопараметров для рассматриваемой территории может быть или слишком дорогим (что делает работу по прогнозу урожайности нерентабельным), либо эти данные могут отсутствовать совсем. Во втором случае, реальные метеопараметры заменяют смоделированными, что вносит значительную методическую погрешность в работу.

И последний минус использования современных имитационных моделей, заключается в том, что  большинство из них, либо невозможно использовать совместно с полученными с беспилотника, данными дистанционного зондирования земли (ДЗЗ), либо невозможно модифицировать для использования с данными ДЗЗ без участия разработчиков.

Методы машинного обучения и нейронных сетей (с 2000 гг по настоящее время)… статья обновляется…

 

По материалам: Брыксин В. М. Разработка математической модели и программных средств оценки урожайности зерновых культур в условиях Западной Сибири : дис. – Алтайский государственный университет, 2009.

 


Совершенствование бюджетной поддержки АПК: федеральный и региональный аспекты

Комитет Государственной Думы по аграрным вопросам провел 26 марта 2018 года парламентские слушания на тему: «Совершенствование бюджетной поддержки АПК: федеральный и региональный аспекты». На слушаниях присутствовали представители из 50 муниципальных регионов России, в том числе участники местного и регионального самоуправления,  депутаты из Государственной Думы, председатели комитетов, депутаты, заместители председателей комитетов, общественные организации, очень большая группа академиков, министерства, ведомства, наши союзы, директорский корпус.

Научный руководитель проекта «Аэрагро» д.т.н. Хомяков Д.М. выступил на слушаниях с докладом «Бюджетная поддержка АПК и задача воспроизводства плодородия почв».

Необходимость скорейшего решения проблемы бюджетного  подтверждается анализом результатов работы сельскохозяйственной отрасли в целомотрасли.

По данным министерства сельского хозяйства, валовой сбор зерна в 2017 году увеличили на 11% по отношению к 2016 году и преодолел отметку 134 млн. тонн. Урожайность в целом по зерновым превысила 30 ц/га. Это позволило России заслуженно занять лидирующие позиции на мировом зерновом рынке.

Закономерен успех в производстве ряда технических культур. За последние 27 лет их посевные площади увеличились почти в 2,5 раза. За то же время производство масличных выросло в 3 раза.  Эти успехи позволили нам достичь самообеспеченности по сахару на уровне 96,5%, а по растительному маслу – 84%.

В этой части следует упомянуть отсутствие позитивной динамики в овощеводстве и картофелеводстые. До сих пор более 70% этой продукции производится в хозяйствах населения с очень низкой товарностью.

Уменьшилось производство плодов, ягод и овощей. В 2016 году в России было произведено немногим более 3,3 млн. тонн плодов и ягод. Большая часть этих объемов (2,5 млн. тонн) пришлась на личные подсобные хозяйства, оставив на долю товарного производства около 850 тыс. тонн. По предварительным данным за 2017 год ситуация изменилась в худшую сторону – валовые сборы плодов и ягод сократились до 2,9 млн. тонн.

Все больше вопросов возникает к качеству производимой продукции.
Огромное количество нерешенных проблем с земельными ресурсами, как с их количеством, так и качеством. За четверть века в структуре земельного фонда площадь земель сельскохозяйственного назначения сократилась почти в два раза. Площадь посевов сельскохозяйственных культур с 117,7 млн. га в 1990 году до 80,6 млн. га в 2017 году.

Низкая техническая вооруженность сельскохозяйственных организаций является причиной потери 10-15 млн. тонн зерна в год. И это только на этапе уборки урожая! Только подсолнечника в 2017 году на полях осталось более 1,5 млн. тонн. Использование технологий беспилотного мониторинга сельскохозяйственных полей и угодий может содействовать в решении этих и многих других проблем отрасли.