The object of research, development or design (in Russian) : Объектом исследования является интеллектуальная информационная система, предназначенная для мониторинга и прогнозирования развития болезней и вредителей сельскохозяйственных культур в степных регионах Казахстана. Исследование включает совершенствование математических моделей и алгоритмов машинного обучения для обработки спутниковых и спектральных данных Sentinel-2, расширение базы эталонных спектральных коэффициентов, а также разработку модулей анализа и визуализации данных в рамках программного прототипа.

The object of research, development or design (in Kazakh) : Зерттеу Қазақстанның далалық аймақтарында ауыл шаруашылығы аурулары мен зиянкестерінің дамуын бақылауға және болжауға арналған интеллектуалды ақпараттық жүйеге бағытталған. Бұл зерттеу Sentinel-2 спутнигі мен спектрлік деректерді өңдеуге арналған математикалық модельдер мен машиналық оқыту алгоритмдерін жетілдіруді, анықтамалық спектрлік коэффициенттер дерекқорын кеңейтуді және бағдарламалық жасақтама прототипі шеңберінде деректерді талдау және визуализациялау модульдерін әзірлеуді қамтиды.

Aim of work (in Russian) : Целью научно-исследовательской работы за 2025 год является совершенствование и экспериментальная верификация интеллектуальной модели мониторинга и прогнозирования развития болезней и вредителей сельскохозяйственных культур на основе интеграции спутниковых данных, агроэкологических параметров и методов машинного обучения.

Aim of work (in Kazakh) : 2025 жылға арналған зерттеу жобасының мақсаты - спутниктік деректерді, агроэкологиялық параметрлерді және машиналық оқыту әдістерін интеграциялау негізінде ауыл шаруашылығы аурулары мен зиянкестерінің дамуын бақылау және болжау үшін интеллектуалды модельді жетілдіру және эксперименттік түрде тексеру.

Методы исследования (на русском) : В ходе выполнения работы применялись современные методы машинного обучения для анализа данных, включая алгоритмы XGBoost, Random Forest, Logistic Regression и сверточные нейронные сети (CNN) для классификации заболеваний и вредителей сельскохозяйственных культур. Использовались методы обработки и анализа спутниковых изображений Sentinel-2, расчёт вегетационных индексов (NDVI, EVI, SAVI, GNDVI, ARVI) и построение эталонных спектральных коэффициентов яркости (СКЯ).

Методы исследования (на казахском) : Зерттеуде деректерді талдау үшін XGBoost, Random Forest, Logistic Regression және ауылшаруашылық аурулары мен зиянкестерін жіктеуге арналған конволюциялық нейрондық желілер (CNN) сияқты заманауи машиналық оқыту әдістері қолданылды. Sentinel-2 спутниктік суреттері өңделіп, талданды, өсімдік индекстері (NDVI, EVI, SAVI, GNDVI және ARVI) есептелді және анықтамалық спектрлік сәулелену коэффициенттері (ЖСК) құрылды.

Obtained results and novelty (in Russian) : Разработаны и экспериментально проверены усовершенствованные методы обработки спутниковых данных Sentinel-2 и машинного обучения для идентификации и прогнозирования болезней и вредителей сельскохозяйственных культур. Создана расширенная база эталонных спектральных коэффициентов яркости для 23 видов болезней и вредителей, характерных для степных регионов Казахстана. Проведено обучение и сравнительный анализ моделей XGBoost, Random Forest и CNN, показавших точность прогнозирования свыше 90 %. Разработан прототип интеллектуальной информационной системы, включающий модуль визуализации и автоматического анализа данных, а также алгоритмы адаптации к региональным агроклиматическим условиям. Научная новизна работы заключается в создании интегрированной модели, сочетающей спектральные, текстурные и агроклиматические признаки для повышения достоверности классификации заболеваний и вредителей сельскохозяйственных культур.

Obtained results and novelty (in Kazakh) : Ауыл шаруашылығы зиянкестері мен ауруларын анықтау және болжау үшін Sentinel-2 спутниктік деректерін өңдеудің және машиналық оқытудың озық әдістері әзірленіп, эксперименталды түрде сынақтан өткізілді. Қазақстанның далалық аймақтарына тән 23 зиянкес пен ауру түрі үшін анықтамалық спектрлік сәулелену коэффициенттерінің кеңейтілген дерекқоры жасалды. XGBoost, Random Forest және CNN модельдері оқытылып, салыстырылды, бұл болжам дәлдігін 90%-дан астам көрсетті. Визуализация модулі мен деректерді автоматты түрде талдауды, сондай-ақ аймақтық агроклиматтық жағдайларға бейімделу алгоритмдерін қамтитын интеллектуалды ақпараттық жүйенің прототипі жасалды. Бұл жұмыстың ғылыми жаңалығы ауыл шаруашылығы зиянкестері мен ауруларын жіктеудің сенімділігін арттыру үшін спектрлік, текстуралық және агроклиматтық ерекшеліктерді біріктіретін интеграцияланған модельді жасауда жатыр.

The main constructive and technical economic indicators (in Russian) : Разработан усовершенствованный программный прототип информационной системы мониторинга болезней и вредителей сельскохозяйственных культур, включающий функциональные модули для обработки спутниковых данных, анализа вегетационных индексов, классификации признаков и визуализации результатов. Система реализована на платформе Python с использованием библиотек TensorFlow, Scikit-learn, OpenCV, QGIS и интегрирована с геопространственными сервисами Google Earth Engine. Производительность обработки данных составляет в среднем до 500 спутниковых сцен в сутки, при объёме данных порядка 20–30 ГБ. Средняя точность классификации болезней и вредителей по результатам валидации превышает 90 %, при времени отклика системы менее 5 секунд для одной области анализа. С точки зрения экономической эффективности, внедрение системы позволяет сократить затраты на агромониторинг на 25–30 % за счёт автоматизации анализа и раннего выявления поражённых участков, а также повысить урожайность сельскохозяйственных культур на 5–7 % благодаря своевременным управленческим решениям

The main constructive and technical economic indicators (in Kazakh) : Ауыл шаруашылығы зиянкестер мен ауруларды бақылау ақпараттық жүйесінің жетілдірілген бағдарламалық жасақтама прототипі жасалды. Оған спутниктік деректерді өңдеу, өсімдік индекстерін талдау, ерекшеліктерді жіктеу және нәтижелерді визуализациялау үшін функционалды модульдер кіреді. Жүйе Python платформасында TensorFlow, Scikit-learn, OpenCV және QGIS кітапханаларын пайдаланып жүзеге асырылған және Google Earth Engine геокеңістіктік қызметтерімен біріктірілген. Деректерді өңдеудің өткізу қабілеті күніне орта есеппен 500 спутниктік көрініске дейін жетеді, деректер көлемі шамамен 20-30 ГБ құрайды. Валидация нәтижелеріне негізделген аурулар мен зиянкестерді жіктеудің орташа дәлдігі 90%-дан асады, жүйенің бір талдау аймағы үшін жауап беру уақыты 5 секундтан аз. Шығындардың тиімділігі тұрғысынан алғанда, жүйені енгізу автоматтандырылған талдау және зардап шеккен аймақтарды ерте анықтау арқылы ауыл шаруашылығын бақылау шығындарын 25-30%-ға азайтады және уақтылы басқару шешімдерін қабылдау арқылы дақылдардың өнімділігін 5-7%-ға арттырады.

Level of implementation (in Russian) : Уровень внедрения разработанной модели находится на стадии пилотного внедрения. Кроме того, результаты исследования были представлены в виде доклада на международной конференции и обсуждены научным сообществом, что свидетельствует о возможности её дальнейшего полноценного внедрения на промышленном и отраслевом уровне.

Level of implementation (in Kazakh) : Әзірленген модельдің енгізілу деңгейі пилоттық (тәжірибелік) кезеңде болып табылады. Сонымен қатар зерттеу нәтижелері халықаралық конференцияда баяндама ретінде ұсынылып, ғылыми қауымдастық тарапынан талқыланды, бұл оның әрі қарай өндірістік және салалық деңгейде толық енгізілуіне мүмкіндік бар екенін дәлелдейді.

Efficiency (in Russian) : В течение первого года реализации проекта разработанная модель продемонстрировала устойчивую эффективность при обработке и анализе спектрально-вегетационных данных. Апробация на тестовых наборах показала повышение точности выявления болезней сельскохозяйственных культур и сокращение времени диагностики. Полученные результаты подтвердили целесообразность выбранных методов и их потенциал для дальнейшего расширения и внедрения в практические агротехнологические процессы.

Efficiency (in Kazakh) : Жобаның бірінші жылында әзірленген модель спектрлік және өсімдік деректерін өңдеу мен талдауда тұрақты тиімділікті көрсетті. Сынақ деректер жиынтығындағы валидация дақыл ауруларын анықтаудың дәлдігінің жақсарғанын және диагностикалау уақытының қысқарғанын көрсетті. Нәтижелер таңдалған әдістердің орындылығын және оларды практикалық ауылшаруашылық процестерінде одан әрі кеңейту және енгізу әлеуетін растады.

Field of application (in Russian) : Информационная система может применяться в аграрных предприятиях, научно-исследовательских институтах и организациях, занимающихся мониторингом и управлением сельскохозяйственными угодьями.

Field of application (in Kazakh) : Ақпараттық жүйені ауыл шаруашылығы кәсіпорындарында, ғылыми-зерттеу институттарында және ауыл шаруашылығы жерлерін бақылаумен және басқарумен айналысатын ұйымдарда пайдалануға болады.