МОБИЛЬНЫЕ ДАТЧИКИ ДЛЯ ПОДДЕРЖКИ ФЕРМЕРСТВА

Сельское хозяйство становится все более требовательным к проблемам изменения климата, требующим постоянного мониторинга и адаптации, включая мониторинг почвы для точных сельскохозяйственных нужд. Сельскохозяйственные почвы интенсивно используются фермерами для повышения производительности, которые вносят пестициды и нитрат-фосфаты. Также обостряются проблемы наводнений и засух, это приводит к неровностям почвы, что требует надлежащего мониторинга почвы на каждом участке. Мониторинг почвы обходится многим фермерам очень дорого. Для решения этой проблемы целесообразно использовать небольшую энергоэффективную и недорогую мобильную роботизированную платформу с различными типами датчиков для мониторинга почвы. Фермеры смогут управлять удаленно, исследовать верхние слои почвы и рельеф. Возможность применения в рамках исследовательских задач и активного отдыха может обусловить низкую стоимость целого комплекса действий, обеспечивающих понимание деталей исследуемой среды. Специализированная трехколесная мобильная платформа представляет собой инновационное устройство, предназначенное для автономного передвижения и выполнения различных задач. Благодаря использованию трех колес робот обладает высокой маневренностью и устойчивостью, что позволяет ему эффективно работать в ограниченном пространстве и на различных поверхностях. Робот оснащен датчиками и системой управления, обеспечивающей точное управление навигацией и обход препятствий. Возможности программирования и настройки позволяют адаптировать робота под конкретные задачи, такие как сбор данных, транспортировка небольших грузов, мониторинг окружающей среды и т.д. Робот может использоваться в образовательных целях, научных исследованиях, а также в промышленности и быту. Таким образом, трехколесный мобильный робот представляет собой многофункциональную и перспективную платформу для разработки современных робототехнических систем.

1. Abibulla B. Methods for improving energy efficiency in agriculture // International Scientific and Theoretical Conference “Seyfullin Readings – 15: Youth, Science, Technology, New Ideas and Prospects”, dedicated to the 125th anniversary of S. Seifullin. – 2019. – Vol. 237–239.

2. Айтхожин С.Қ., Балкибаева А.М., Рамазанова Р.Х., Ермеков Ф.К., Қарсыбаева Қ.А. Қазақстандағы нақты ауыл шаруашылығы жобасының экономикалық бағалауы // Periódico Tchê Química. – 2019. – Vol. 16. – No. 33. – P. 304–314. https://doi.org/10.52571/ptq.v16.n33.2019.319_periodico33_pgs_304_314.pdf

3. Алакунова А. Топырақты талдау 1034 сомнан: Хемизация департаменті шаруаларға бағаны жариялады // Aqparat. – 2025. URL: https://aqparat.info/news/2025/01/28/10747876-analiz_pochvy_ot_1034_somov_v_departamen.html

4. Alcolea J. Top 10 Vision AI benefits for agriculture // Ultralytics. – 2024. URL: https://www.ultralytics.com/ru/blog/top-10-benefits-of-using-vision-ai-for-agriculture

5. Аверченко Д. Тобылда көктайғақ болады: қостанайлықтарға әкімдік үндеу тастады // ҚазАқпарат. – 2025. URL: https://www.inform.kz/ru/led-budut-vzrivat-na-tobole-k-kostanaytsam-obratilisv-akimate-7a3228

6. Беляева Е. Шығыс Қазақстан облысында құтқарушылар 80 мың шаршы метрден астам мұзды жарып жіберді // Закон. – 2025. – 15 наурыз. URL: https://www.zakon.kz/sobytiia/6470465-bolee-80tysyach-kvadratnykh-metrov-lda-vzorvali-spasateli-v-vko.html

7. Bertocco M., Cappellazzo S., Flammini A., Parvis M. A multi-layer architecture for distributed data acquisition // Proc. 19th IEEE Instrumentation and Measurement Technology Conference. – 2003. https://doi.org/10.1109/imtc.2002.1007138

8. Budiharto W., Chowanda A., Gunawan A.a.S., Irwansyah E., Suroso J.S. A review and progress of research on autonomous drone in agriculture, delivering items and GIS // Proc. 2019 2nd World Symposium on Communication Engineering (WSCE). – 2019. – P. 205–209. https://doi.org/10.1109/wsce49000.2019.9041004

9. Carbone C., Garibaldi O., Kurt Z. Swarm robotics as a solution to crops inspection for precision agriculture // KnE Engineering. – 2018. – Vol. 3. – No. 1. – P. 552. https://doi.org/10.18502/keg.v3i1.1459

10. Debicka M., Jamroz E., Bekier J., Ćwieląg-Piasecka I., Kocowicz A. The influence of municipal solid waste compost on phosphorus transformations in soil // Agronomy. – 2023. – Vol. 13. – No. 5. – Art. 1234. https://doi.org/10.3390/agronomy13051234

11. Demush R. A brief history of computer vision (and convolutional neural networks) // HackerNoon. – 2019. URL: https://hackernoon.com/a-brief-history-of-computer-vision-and-convolutional-neural-networks8fe8aacc79f3

12. Dileep M.R., Navaneeth A.V., Ullagaddi S., Danti A. A study and analysis on various types of agricultural drones and applications // Proc. 2020 ICRCICN. – 2020. – P. 181–185. https://doi.org/10.1109/icrcicn50933.2020.9296195

13. Дорошкевич Г. Қазақстандық азамат фермасын цифрлық жүйеге айналдырып, жетістікке жетті // Сандық бизнес. – 2025. – 19 наурыз. URL: https://digitalbusiness.kz/2025-03-19/kazahstanetssdelal-svoe-fermerskoe-hozyaystvo-tsifrovim-i-preuspel-vot-ego-istoriya/

14. Егорова Н. Ауыл шаруашылығындағы шағын кәсіпкерліктің мәселелері // Концепт. – 2016. – P. 48–51. URL: https://e-koncept.ru/2017/770431.htm

15. Ferreira C.S., Seifollahi-Aghmiuni S., Destouni G., Ghajarnia N., Kalantari Z. Soil degradation in the European Mediterranean region // Sci. Total Environ. – 2021. – Vol. 805. – Art. 150106. https://doi.org/10.1016/j.scitotenv.2021.150106

16. Furtak K., Wolińska A. Impact of extreme weather events on soil moisture and agricultural quality // CATENA. – 2023. – Vol. 231. – Art. 107378. https://doi.org/10.1016/j.catena.2023.107378

17. Ғабдуалиева Р., Мелекова А., Жакупова А., Базарова Б. Қазақстанның ауыл шаруашылығы саласын цифрландыру // BIO Web Conf. – 2024. – Vol. 82. – Art. 05038. https://doi.org/10.1051/bioconf/20248205038

18. Григорук В.В., Әкімбекова Ч.У., Климов Е.В. Органикалық ауыл шаруашылығын институционалдық және экономикалық ынталандыру. – LEM Publishing, 2024. – 72 с.

19. Gonzalez-Dugo V., Zarco-Tejada P., Nicolás E. et al. Assessing variability in tree water status with UAV thermal imagery // Precision Agriculture. – 2013. – Vol. 14. – No. 6. – P. 660–678. https://doi.org/10.1007/s11119-013-9322-9

20. Groover P.M. Manufacturing applications of automation and robotics // Encyclopedia Britannica. – 2025. – 12 March. URL: https://www.britannica.com/technology/automation/Manufacturing-applications-ofautomation-and-robotics

21. Rehman W.U., Koondhar M.A., Afridi S.K. et al. Role of 5G network in revolutionizing agriculture for sustainable development // Energy Nexus. – 2025. – Art. 100368. https://doi.org/10.1016/j.nexus.2025.100368

22. Ruiz J., Torres E., Villarreal E. Design and construction of a mobile robot with regenerative brake on DC motors // Int. J. Mater. Sci. Eng. – 2014. https://doi.org/10.12720/ijmse.2.1.6-9

23. Seidaliyeva U., Ilipbayeva L., Taissariyeva K., Smailov N., Matson E.T. Advances and challenges in drone detection and classification // Sensors. – 2023. – Vol. 24. – No. 1. – Art. 125. https://doi.org/10.3390/s24010125

24. Shi S., Zhu L., Luo Z., Qiu H. Contributions of climate and anthropogenic factors to NPP variability // Remote Sensing. – 2023. – Vol. 15. – No. 3. – Art. 789. https://doi.org/10.3390/rs15030789

25. Silverberg B.D. Lasers, drones and AI: the future of weeding // BBC. – 2023. URL: https://www.bbc.com/news/business-64742513

26. Steidl V., Bamber J.L., Zhu X.X. Physics-aware machine learning for glacier ice thickness // Cryosphere. – 2025. – Vol. 19. – No. 2. – P. 645–661. https://doi.org/10.5194/tc-19-645-2025

27. Strickland S. Making the 5G precision agriculture connection // Ericsson Blog. – 2022. URL: https://www.ericsson.com/en/blog/north-america/2022/making-the-5g-precision-agriculture-connection

28. Tkáčik M., Březina A., Jadlovská S. Design of prototype for modular mobile robotic platform // IFAC-PapersOnLine. – 2019. – Vol. 52. – No. 27. – P. 192–197. https://doi.org/10.1016/j.ifacol.2019.12.755

29. Tleubayev A., Bobojonov I., Gagalyuk T., Glauben T. Business group affiliation and financial performance in agriculture // J. East Eur. Manag. Stud. – 2022. – Vol. 27. – No. 2. – P. 280–310. https://doi.org/10.5771/0949-6181-2022-2-280

30. Trianni V. Robot swarms for precision agriculture // Consiglio Nazionale Delle Ricerche. – 2016. URL: https://www.cnr.it/it/comunicato-stampa/7077/robot-swarms-for-precision-agriculture

31. Tripicchio P., Satler M., Dabisias G., Ruffaldi E., Avizzano C.A. Towards smart farming with drones // Proc. 2015 International Conference on Intelligent Environments. – 2015. – P. 140–143. https://doi.org/10.1109/ie.2015.29

32. Tsirtsakis P., Zacharis G., Maraslidis G.S., Fragulis G.F. Deep learning for object recognition: review // Int. J. Cogn. Comput. Eng. – 2025. https://doi.org/10.1016/j.ijcce.2025.01.004

33. Turysbekova. What awaits Kazakhstan in a changing climate: expert opinion // Kazpravda. URL: https://kazpravda.kz/n/chto-zhdet-kazahstan-v-usloviyah-izmenyayushchegosya-klimata-mnenie-eksperta/