Архітектурні особливості реалізації системи підтримки прийняття рішень в управлінні урожайністю зернових культур

Abstract

Стаття презентує архітектурні рішення для реалізації системи підтримки прийняття рішень в управлінні урожайністю зернових культур. Основною метою є інтеграція даних БПЛА з історичними та поточними ГІС-даними для забезпечення адаптивного прогнозування урожайності в реальному часі. Запропонована мікросервісна архітектура складається із трьох функціональних рівнів: прийому даних, обробки та аналітики, моделювання та рішень. Ключовою особливістю є використання асинхронної комунікації через брокер повідомлень Apache Kafka, що забезпечує слабку зв'язаність компонентів та високу пропускну здатність. Розроблено сервіс моніторингу ефективності агротехнічних рекомендацій, який відокремлює логіку прогнозування від логіки застосування бізнес-правил. Система включає математичні моделі перевірки умов ущільнення ґрунту та оцінки доцільності додаткових підживлень. Впровадження асинхронного підходу забезпечує відмовостійкість, масштабованість та незалежне оновлення сервісів. Технологічний стек включає Python, scikit-learn, PyTorch, Django, Kubernetes, PostgreSQL/PostGIS. Результатом є підтримка прийняття управлінських рішень щодо підвищення урожайності зернових культур в системі точного землеробства.

The article presents architectural solutions for implementing a decision support system for grain crop yield management. The main objective is to integrate UAV data with historical and current GIS data to ensure adaptive yield prediction in real time. The proposed microservice architecture consists of three functional layers: data ingestion, processing and analytics, modeling and decisions. A key feature is the use of asynchronous communication through Apache Kafka message broker, which ensures loose coupling of components and high throughput. A service for monitoring the effectiveness of agrotechnical recommendations has been developed, which separates forecasting logic business rule application logic. The system includes mathematical models for checking soil compaction conditions and assessing the feasibility of additional fertilization. Implementation of asynchronous approach ensures fault tolerance, scalability and independent service s. The technology stack includes Python, scikit-learn, PyTorch, Django, Kubernetes, PostgreSQL/PostGIS. The result is decision support for management decisions on increasing grain crop yields in precision agriculture systems.