Интеллектуальный мониторинг теплиц в ВКР: от IoT до ML-модели

Поддомен: AI/ML (Интеллектуальные системы)  |  Роль: Data/ML-инженер

В марте 2026 года учёные Ставропольского ГАУ объявили о разработке надёжной беспроводной системы мониторинга для промышленных теплиц. Проект сочетает IoT-сенсоры, машинное обучение и облачную аналитику. Для студента ИТ это готовый кейс, вокруг которого можно построить защищаемую ВКР: от сбора данных до прогнозной модели, оценки экономического эффекта и архитектурной документации по ГОСТ. В статье разберём, как превратить новость в дипломную работу с реальной практической ценностью.

Темы ВКР на основе кейса Ставрополья

Тема 1. Разработка IoT-платформы для сбора и предиктивного анализа микроклимата теплицы

Актуальность: Статья подтверждает запрос АПК на автономные системы мониторинга. Цель – спроектировать платформу на базе LoRaWAN + MQTT, реализовать ML-модель для прогноза температуры/влажности.

• Задачи: 1) Обзор беспроводных протоколов (LoRaWAN, Zigbee, NB-IoT). 2) Проектирование архитектуры (сенсоры → шлюз → облако → ML-сервис). 3) Реализация дата-пайплайна (Ingestion → Preprocessing → Training). 4) Валидация модели (MAE ≤ 1°C).
• Структура: Глава 1 – Анализ IoT в тепличных хозяйствах; Глава 2 – Архитектура и реализация; Глава 3 – Эксперименты и экономическая эффективность.

Тема 2. Интеллектуальная система управления поливом на основе машинного обучения

Актуальность: Неэффективный полив – до 40% потерь воды. Система из статьи может быть расширена ML-алгоритмом для оптимизации орошения.

• Цель: Разработать модуль принятия решений на основе Random Forest / LightGBM.
• Задачи: 1) Сбор и разметка данных (влажность почвы, температура, освещённость). 2) Выбор признаков и обучение модели. 3) Интеграция с исполнительными механизмами (Arduino/ESP32). 4) Оценка F1-метрики и сокращения расхода воды.
• Структура: Глава 1 – Обзор методов машинного обучения в сельском хозяйстве; Глава 2 – Проектирование системы (C4-диаграммы); Глава 3 – Тестирование и расчёт ROI.

Тема 3. Отказоустойчивая архитектура облачной платформы мониторинга теплиц

Актуальность: В статье упоминается «надёжная беспроводная система». Для ВКР можно разработать архитектуру с Kubernetes, балансировкой и резервированием.

• Цель: Спроектировать и прототипировать отказоустойчивый кластер для сбора и анализа телеметрии.
• Задачи: 1) Анализ требований (RTO < 1 мин, RPO < 5 мин). 2) Построение схемы C4 (контейнеры: Ingress → MQTT-broker → Kafka → ML-service). 3) Настройка автоскейлинга в Kubernetes. 4) Оценка TCO и сопоставление с традиционной архитектурой.
• Структура: Глава 1 – Обзор облачных паттернов отказоустойчивости; Глава 2 – Развёртывание в Yandex Cloud / AWS; Глава 3 – Нагрузочное тестирование и метрики доступности.

Как встроить материал статьи в главы ВКР

Глава 1. Анализ и постановка задачи

Используйте ссылку на новость как обоснование актуальности. Приведите цитаты: «учёные Ставропольского ГАУ займутся созданием…». Сделайте обзор существующих решений (Alibaba Cloud AI for Agriculture, CropX). Опишите пробелы: недостаток открытых моделей для конкретных культур, проблемы синхронизации датчиков.

Глава 2. Проектирование и реализация

Обязательно включите архитектурные диаграммы. Для поддомена AI/ML подойдут:

• C4-диаграмма контейнеров (Sensor → MQTT Broker → Stream Processor → ML Model → Dashboard).
• UML-диаграмма последовательности (цикл сбора данных, предиктивный анализ, отправка управляющего сигнала).
• ER-диаграмма базы данных временных рядов (InfluxDB).

Пример конфигурации MQTT-топика для датчика температуры:

# config/mqtt_sensor.yaml
mqtt:
  broker: tcp://iot-hub:1883
  topic: "greenhouse/sensor/temperature"
  qos: 1
publish_interval: 30  # seconds
transforms:
  - filter: out_of_range
    min: -10
    max: 50
  - calibrate: slope=1.02, offset=0.5

Глава 3. Тестирование и эффективность

Метрики, которые требуют от студента на защите:

Метрика	Целевое значение	Инструмент расчёта
MAE (модель температуры)	≤ 0.5°C	scikit-learn, Python
Доступность системы (SLA)	99.9%	Prometheus + Blackbox Exporter
Экономия ресурсов (вода/энергия)	≥ 20%	Сравнение с базовым периодом

Не забудьте экономический расчёт: стоимость датчиков + облачных сервисов vs снижение потерь урожая. Примерный NPV покажет выгоду.

Чему вы научитесь

• Проектировать отказоустойчивые IoT-решения с Kubernetes и MQTT.
• Обучать модели регрессии/классификации для прогноза параметров среды.
• Строить C4-диаграммы и оформлять ТЗ по ГОСТ 34.601.
• Считать TCO, NPV и аргументировать внедрение на защите.
• Валидировать модель по метрикам F1, MAE, RMSE.

FAQ: частые вопросы студентов

Где взять данные для ML-модели, если нет доступа к реальным теплицам?

Используйте открытые датасеты: NASA POWER (агроклиматические), Kaggle «Greenhouse Environment Data». В главе 1 укажите, что данные синтезированы на основе реальных трендов, а в главе 3 проведите валидацию на тестовой выборке. ГОСТ допускает имитационное моделирование.

Как оформить схемы по ГОСТ? Нужны ли UML или C4?

ГОСТ 19.701 (схемы алгоритмов) и ГОСТ 34.601 (ТЗ) не запрещают C4. В дипломе лучше использовать C4-диаграмму контейнеров и UML-диаграмму последовательности – это понятно рецензенту. На защите покажите, как вы преобразовали требования в архитектуру.

Как считать экономическую эффективность, если система не внедрена?

Используйте метод «сравнения с базовым вариантом»: ручной мониторинг vs автоматизированный. Оцените трудозатраты, стоимость оборудования и срок окупаемости. Приведите расчёт NPV с пессимистичным/оптимистичным сценарием – это покажет навык бизнес-анализа.

Можно ли взять эту тему, если я слабо знаю ML?

Да. Сфокусируйтесь на архитектуре и пайплайне данных, а модель возьмите готовую (например, из sklearn). В главе 2 опишите, как модель подключается, в главе 3 – результаты её работы. На защите объясните выбор гиперпараметров. Если нужно – наши эксперты помогут с доработкой ML-части.

Источник: На Ставрополье разработают интеллектуальную систему мониторинга для промышленных теплиц (опубликовано 2026-03-16)