Обоснование параметров полетного задания беспилотного воздушного судна для мультиспектральной аэрофотосъемки

Показали возможность сбора мультиспектральных и RGB-данных о состоянии сельскохозяйственных культур с помощью беспилотного воздушного судна. Отметили, что использование нескольких программ для создания полетного задания приводит к неэффективному использованию ресурсов беспилотного воздушного судна. (Цель исследования) Рассчитать параметры аэрофотосъемки с мультиспектральной и RGB-камерами для повышения эффективности использования ресурсов беспилотного воздушного судна. (Материалы и методы) Изучили спецификации характеристик RGB и мультиспектральных камер, устанавливаемых на беспилотник. Использовали результаты научных исследований по расчету параметров аэрофотосъемки: продольное и поперечное перекрытие, а также скорость полета беспилотного воздушного судна. (Результаты и обсуждение) Установили, что рассчитанные значения продольного и поперечного перекрытия, а также скорости полета беспилотного воздушного судна для RGB-камеры Zenmuse X4S при совместной аэрофотосъемке с мультиспектральной камерой позволяют применять стандартные мобильные приложения для создания полетного задания. (Выводы) Определили, что полученные значения гарантируют создание качественных цифровых карт. Рассчитали параметры полетного задания, обеспечивающие эффективное использование ресурсов беспилотного воздушного судна, при одновременном использовании RGB-камеры Zenmuse X4S и одной из шести моделей мультиспектральных камер на борту беспилотного воздушного судна.

1. Лачуга Ю.Ф., Измайлов А.Ю., Лобачевский Я.П., Шогенов Ю.Х. Результаты научных исследований агроинженерных научных организаций по развитию цифровых систем в сельском хозяйстве (окончание) // Техника и оборудование для села. 2022. N4(298). С. 2-6.

2. Pathak H., Igathinathane C., Zhang Z., Archer D., Hendrickson J. A review of unmanned aerial vehicle-based methods for plant stand count evaluation in row crops. Computers and Electronics in Agriculture. 2022. N198. 107064.

3. Лобачевский Я.П., Дорохов А.С. Цифровые технологии и роботизированные технические средства для сельского хозяйства // Сельскохозяйственные машины и технологии. 2021. N15(4). С. 6-10.

4. Аникеева И.А. Оценка рекомендуемых и допустимых значений показателей изобразительного качества по материалам, полученным различными аэрофотосъемочными системами для целей картографирования // Геодезия и картография. 2021.N 9. 30-40.

5. Акинчин А.В., Левшаков Л.В., Линков С.А. и др. Информационные технологии в системе точного земледелия // Вестник Курской государственной сельскохозяйственной академии. 2017. N9. С. 16-21.

6. Yishan J., Zhen C., Qian C., Rong L., Mengwei L., Xin Y., Guan L. Estimation of plant height and yield based on UAV imagery in faba bean (Vicia faba L.). Plant Methods. 2022. N18(1). 26.

7. Титович М.В., Таргонская М.В., Афанасьева Л.В. и др. Многофункциональная беспилотная мобильная платформа. Обеспечение точного земледелия // Актуальные проблемы авиации и космонавтики. 2018. N3(14). С. 898-900.

8. Курбанов Р.К., Захарова О.М., Захарова Н.И., Горшков Д.М. Программное обеспечение для мониторинга и контроля показателей селекционных процессов посевов сои // Инновации в сельском хозяйстве. 2019. N3(32). С. 122-132.

9. Курбанов Р.К., Костомахин М.Н., Захарова Н.И. и др. Рекомендации для легких беспилотных летательных аппаратов по сбору данных // Сельскохозяйственная техника: обслуживание и ремонт. 2018. N6. С. 47-53.

10. Tugay A., Zeltser R., Kolot M., Panasiuk I. Organization of supervision over construction works using UAVs and special software. Science and Innovation. 2019. Vol. 15. N4. 21-28.

11. Ignas D., Jurate Suziedelyte V., Jurate K. Detection and analysis of methane emissions from a landfill using unmanned aerial drone systems and semiconductor sensors. Detritus. 2020. N10. 127-138.

12. Przybilla H.-J., Gerke M., DIkhoff I., Ghassoun Y. Investigations on the geometric quality of cameras for UAV applications using the high precision UAV test field zollern colliery. International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences – ISPRS Archives. 2019. N42 (2/W13). 531-538.

13. López-Calderón M.J., Estrada-ávalos J., Rodríguez-Moreno V.M., Mauricio-Ruvalcaba J.E., Martínez-Sifuentes A.R., Delgado-Ramírez G. Estimation of total nitrogen content in forage maize (Zea mays l.) using spectral indices: Analysis by random forest. Agriculture. 2020 N451. 10(10). 1-15.

14. Zhou T. Atita P., Chunpeng James C., Yang H., Samuel R., Cesar Augusto M., Sen L., Zhang Z., Yu L.-X. Validation of UAV-based alfalfa biomass predictability using photogrammetry with fully automatic plot segmentation. Scientific Reports. 2021. N3336. 11

15. Bannari A., Selouani A., El-Basri M., Rhinane H., El-Harti A., El-Ghmari A. Multi-scale analysis of DEMS derived from unmanned aerial vehicle (UAV) in precision agriculture context. International Geoscience and Remote Sensing Symposium. 2021. 8285-8288

16. Кузнецова И.А., Гильязов М.Р. Влияние высоты полета беспилотного летального аппарата при обработке данных в автоматизированных программных обеспечениях // StudNet. 2021. Т. 4. N5.

17. Юрченко В.И. Учет физических факторов при проектировании топографической аэрофотосъемки // Геодезия и картография. 2022. N5. 53-64.

18. Lili L., Jiangwei Q., Jiana Y., Jie L., Li L. Automatic freezing-tolerant rapeseed material recognition using UAV images and deep learning. Plant Methods. 2022. N18. 5.

19. Smith D.L., Abdullah Q.A., Maune D.F., Heidemann H.K. New ASPRS Positional Accuracy Standards for Digital Geospatial Data Released. Photogrammetric Engineering and Remote Sensing. 2015. 81(I.4). 1073-1085.

20. Young D.J.N., Koontz M.J., Weeks J.M. Optimizing aerial imagery collection and processing parameters for drone-based individual tree mapping in structurally complex conifer forests. Methods in Ecology and Evolution. 2022. N13(7). 1447-1463.