Умные сельскохозяйственные системы
内容描述: Дисциплина изучает современные технологии и методы, применяемые для автоматизации и оптимизации процессов в сельском хозяйстве. Рассматривает изучение систем управления, датчиков, больших данных и искусственного интеллекта, направленных на повышение эффективности производства, улучшение качества продукции и устойчивое использование ресурсов в аграрной отрасли.
贷款数: 5
*СomplexityDiscipline(zh-CN)*:
| *TypesOfClasses(zh-CN)* | *hours(zh-CN)* |
|---|---|
| *Lectures(zh-CN)* | 15 |
| *PracticalWork(zh-CN)* | 30 |
| *LaboratoryWork(zh-CN)* | |
| *srop(zh-CN)* | 30 |
| *sro(zh-CN)* | 75 |
| *FormOfFinalControl(zh-CN)* | экзамен |
| *FinalAssessment(zh-CN)* |
零件: Компонент по выбору
循环次数: Профилирующие дисциплины
Цель
- сформировать у студентов теоретические знания и практические навыки в области умных сельскохозяйственных систем, включающих цифровые технологии, автоматизацию, роботизацию, сенсорные сети, искусственный интеллект и системы поддержки принятия решений, обеспечивающие повышение эффективности, устойчивости и инновационного развития аграрного производства.
Задача
- Изучение принципов построения умных сельскохозяйственных систем и их компонентного состава. Освоение цифровых технологий, используемых в агросекторе: IoT-датчики, дроны, робототехника, ИИ и Big Data. Формирование навыков работы с цифровыми платформами и системами мониторинга сельскохозяйственных процессов. Изучение методов сбора, обработки и анализа агроданных для принятия обоснованных решений. Развитие компетенций в области применения интеллектуальных технологий для автоматизации и оптимизации производственных процессов. Оценка эффективности, устойчивости и экономической целесообразности внедрения умных технологий в сельское хозяйство.
Результат обучения: знание и понимание
- – основные принципы цифровизации аграрного сектора и роль современных цифровых технологий; – принципы работы ГИС, GPS/GNSS, IoT, Big Data, AI и Smart Farming-систем; – структуру пространственных данных, спутниковых изображений и сенсорной информации, а также их значение в аграрном управлении; – возможности и области применения цифровых платформ и систем управления (FMIS, ERP, traceability); – методику сбора, хранения, обработки и анализа аграрных данных; – логику работы и структуру смарт-ферм и цифровых двойников; – основы экономической и экологической эффективности цифровых технологий.
Результат обучения: применение знаний и пониманий
- применение знаний и понимания изучаемой дисциплины для решения профессиональных задач и анализа практических ситуаций.
Результат обучения: формирование суждений
- формирование обоснованных суждений при анализе пространственных, сенсорных и цифровых данных, а также при выборе оптимальных решений в сфере умных сельскохозяйственных систем и цифровых технологий агропроизводства.
Результат обучения: коммуникативные способности
- развитие коммуникативных способностей, обеспечивающих эффективное взаимодействие при работе с цифровыми платформами, интерпретации аграрных данных, обсуждении результатов мониторинга и принятии решений в области умных сельскохозяйственных систем.
Результат обучения: навыки обучения или способности к учебе
- формирование навыков обучения и способностей к самостоятельному освоению новых цифровых технологий, методов анализа аграрных данных и инструментов умных сельскохозяйственных систем.
*TeachingMethods(zh-CN)*
Современные образовательные технологии направлены на повышение качества обучения, развитие компетенций студентов и создание интерактивной, гибкой и доступной образовательной среды. Их применение обеспечивает активное вовлечение обучающихся в учебный процесс, углублённое освоение материала и расширение возможностей самостоятельной работы. 1. Интерактивные технологии обучения Включают использование цифровых ресурсов, симуляторов, виртуальных лабораторий, интерактивных досок, онлайн-платформ. Позволяют моделировать реальные процессы, проводить виртуальные эксперименты и повышать вовлечённость студентов. 2. Проектное и проблемно-ориентированное обучение Студенты получают задачи, близкие к реальным профессиональным ситуациям, разрабатывают проекты, анализируют данные и предлагают решения. Это формирует практические навыки и критическое мышление. 3. Цифровые платформы и онлайн-обучение Использование LMS (Moodle, Canvas, Google Classroom), облачных сервисов, видеолекций, вебинаров и обучающих приложений расширяет доступ к учебным материалам и позволяет организовать смешанное или дистанционное обучение.
*AssessmentKnowledge(zh-CN)*
Преподаватель проводит все виды работ текущего контроля и выводит соответствующую оценку текущей успеваемости обучающихся два раза в академический период. По результатам текущего контроля формируется рейтинг 1 и 2. Учебные достижения обучающегося оцениваются по 100-балльной шкале, итоговая оценка Р1 и Р2 выводится как средняя арифметическая из оценок текущей успеваемости. Оценка работы обучающегося в академическом периоде осуществляется преподавателем в соответствии с графиком сдачи заданий по дисциплине. Система контроля может сочетать письменные и устные, групповые и индивидуальные формы.
| *Period2(zh-CN)* | *TypeOfTask(zh-CN)* | *Total(zh-CN)* |
|---|---|---|
| 2 *Rating(zh-CN)* | Лекция 1 Практическая работа 1 | 0-100 |
| Лекция 2 Практическая работа 2 | ||
| Лекция 3 Практическая работа 3 | ||
| Лекция 4 Практическая работа 4 | ||
| Лекция 5 Практическая работа 5 | ||
| Лекция 6 Практическая работа 6 | ||
| Лекция 7 Практическая работа 7 | ||
| Лекция 8 Практическая работа 8 | ||
| Лекция 9 Практическая работа 9 | ||
| Лекция 10 Практическая работа 10 | ||
| Лекция 11 Практическая работа 11 | ||
| Лекция 12 Практическая работа 12 | ||
| Лекция 13 Практическая работа 13 | ||
| Лекция 14 Практическая работа 14 | ||
| Защита курсовой работы для тех групп обучающихся, у которых выполнение курсовой работы/проекта значится в учебных планах. | ||
| *TotalControl(zh-CN)* | экзамен | 0-100 |
*PolicyAssignmentTask(zh-CN)*
| *TypeOfTask(zh-CN)* | 90-100 | 70-89 | 50-69 | 0-49 |
|---|---|---|---|---|
| Excellent | *Grade4(zh-CN)* | *Grade3(zh-CN)* | *Grade2(zh-CN)* | |
| Выполнение всех заданий. | Глубокое знание всего материала; самостоятельное решение нетиповых задач ТММ; безупречный расчет в практических заданиях, а также расчет и конструирование в курсовой работе; аргументированная защита (сдано своевременно). | Твердое знание основного материала; успешное решение типовых задач ТММ и ДМ; все задания и курсовая работа выполнены качественно и защищены с небольшими замечаниями. | Базовое знание материала, необходимое для понимания. Решены минимально необходимые расчетные задачи. Курсовая работа и/или практические задания содержат основные разделы и защищены после устранения всех замечаний. | Отсутствие понимания ключевых разделов. Неспособность решить типовые задачи и/или невыполнение курсовой работы. |
*EvaluationForm(zh-CN)*
Итоговая оценка знаний обучающего по дисциплине осуществляется по 100 балльной системе и включает:
- 40% результата, полученного на экзамене;
- 60% результатов текущей успеваемости.
Формула подсчета итоговой оценки:
| И= 0,6 | Р1+Р2 | +0,4Э |
| 2 |
где, Р1, Р2 – цифровые эквиваленты оценок первого, второго рейтингов соответственно; Э – цифровой эквивалент оценки на экзамене.
Итоговая буквенная оценка и ее цифровой эквивалент в баллах:
Буквенная система оценки учебных достижений обучающихся, соответствующая цифровому эквиваленту по четырехбалльной системе:
| Оценка по буквенной системе | Цифровой эквивалент | Баллы (%-ное содержание) | Оценка по традиционной системе |
|---|---|---|---|
| A | 4.0 | 95-100 | Отлично |
| A- | 3.67 | 90-94 | |
| B+ | 3.33 | 85-89 | Хорошо |
| B | 3.0 | 80-84 | |
| B- | 2.67 | 75-79 | |
| C+ | 2.33 | 70-74 | |
| C | 2.0 | 65-69 | Удовлетворительно |
| C- | 1.67 | 60-64 | |
| D+ | 1.33 | 55-59 | |
| D | 1.0 | 50-54 | |
| FX | 0.5 | 25-49 | Неудовлетворительно |
| F | 0 | 0-24 |
Темы лекционных занятий
- 1. Введение в умные сельскохозяйственные системы
- 2. Цифровизация аграрного сектора: принципы и инструменты
- 3. Геоинформационные системы (ГИС) в сельском хозяйстве
- 4. GPS/GNSS-навигация и мониторинг сельхозтехники
- 5. Дистанционное зондирование Земли и спутниковый мониторинг посевов
- 6. Сенсорные технологии и IoT в агросекторе
- 7. Big Data в агропроизводстве
- 8. Искусственный интеллект и машинное обучение в сельском хозяйстве
- 9. Роботизация и автономная сельхозтехника
- 10. Цифровые платформы и системы управления фермерскими хозяйствами (FMIS)
- 11. Технологии точного земледелия
- 12. Смарт-фермы и цифровые теплицы
- 13. Цифровые двойники в сельском хозяйстве
- 14. Экономическая эффективность цифровых технологий
- 15. Экологическая устойчивость и “зелёные” технологии в Smart Farming
Основная литература
- Курдюмов В. М., Жученко А. А. Цифровые технологии в сельском хозяйстве. — Москва: Колос, 2021. Гусев А. В., Назаренко И. И. Информационные технологии в агробизнесе. — Москва: Инфра-М, 2020. Тагаров Б. Ж., Дмитриева Т. М. Геоинформационные системы в агротехнологиях. — Алматы: Эверо, 2019. Соренсен С. G., Фаунтас С. Технологии Smart Farming. — Academic Press, 2020. Редькин А. И. Современные цифровые платформы в АПК: теория и практика. — Москва: РГАУ-МСХА, 2022. Longley P., Goodchild M., Maguire D., Rhind D. Geographic Information Systems and Science.
Дополнительная литература
- Курдюмов В. М., Жученко А. А. Цифровые технологии в сельском хозяйстве. — Москва: Колос, 2021. Гусев А. В., Назаренко И. И. Информационные технологии в агробизнесе. — Москва: Инфра-М, 2020. Тагаров Б. Ж., Дмитриева Т. М. Геоинформационные системы в агротехнологиях. — Алматы: Эверо, 2019. Соренсен С. G., Фаунтас С. Технологии Smart Farming. — Academic Press, 2020. Редькин А. И. Современные цифровые платформы в АПК: теория и практика. — Москва: РГАУ-МСХА, 2022. Longley P., Goodchild M., Maguire D., Rhind D. Geographic Information Systems and Science.
