Интеграция беспилотных летательных аппаратов (БПЛА) с искусственным интеллектом (ИИ) и машинным обучением (МО) коренным образом изменила точное земледелие, повысив эффективность, устойчивость и принятие решений на основе данных.
В данной статье представлен всесторонний обзор интеграции мультиспектральных, гиперспектральных и тепловых датчиков, установленных на дронах, с алгоритмами на основе ИИ для преобразования современных ферм. Такие технологии поддерживают мониторинг состояния урожая в режиме реального времени, управление ресурсами и автоматизированное принятие решений, тем самым повышая производительность при значительном снижении потребления ресурсов.
Однако к ограничениям относятся высокие эксплуатационные расходы, ограниченный срок службы батарей БПЛА и насущная необходимость в высококвалифицированных операторах.
Новизна данного исследования заключается в тщательном анализе и сравнении всех исследований по интеграции БПЛА и ИИ, а также в обзоре существующих смежных работ и анализе пробелов. Кроме того, обобщены практические решения технологических проблем, что позволяет получить представление о точном земледелии. В статье также обсуждаются барьеры на пути внедрения БПЛА и предлагаются практические решения для преодоления существующих ограничений.
В заключение, в данной статье изложены будущие направления исследований, в которых будут рассмотрены достижения в области сенсорных технологий, энергоэффективные модели искусственного интеллекта и то, как эти аспекты влияют на этические соображения, касающиеся повсеместного использования БПЛА в сельскохозяйственных исследованиях.
1. Введение
В условиях растущего спроса на мировое производство продуктов питания и последствий изменения климата модернизация сельскохозяйственных практик стала неизбежной. Сельское хозяйство, зависящее от традиционных методов ведения сельского хозяйства, остается надежным, но уже не способно удовлетворить потребности глобальной продовольственной безопасности. Благодаря прогрессу в области беспилотных летательных аппаратов (БПЛА), искусственного интеллекта (ИИ) и машинного обучения (МО), точное земледелие представляется перспективным подходом к эффективному и устойчивому земледелию, основанному на данных [1, 2, 3, 4].
Что еще более важно, модели ИИ и МО, такие как сверточные нейронные сети (CNN) и машины опорных векторов (SVM), еще больше активизируют этот тип анализа генерируемых ими данных, позволяя выполнять критически важные сельскохозяйственные задачи, такие как идентификация болезней культур, прогнозирование урожайности и распределение ресурсов [5, 6].
Упрощая сложные анализы, интеграция ИИ обеспечивает прогнозы и понимание состояния здоровья и урожайности культур. Недавние исследования показали, что беспилотные летательные аппараты на основе ИИ могут обнаруживать болезни сельскохозяйственных культур со средней точностью более 90%, что делает такой инструмент необходимым для современного сельского хозяйства [7]. Обзор сенсорных, БПЛА и технологий ИИ, используемых в точном земледелии, представлен на рисунке 1 .
Рисунок 1. Использование датчиков, БПЛА и технологий искусственного интеллекта для точного земледелия.
Несмотря на их потенциал трансформации, внедрение БПЛА и ИИ в сельское хозяйство сталкивается с такими проблемами, как высокие первоначальные затраты, необходимость технической экспертизы и воздействие БПЛА на окружающую среду [8, 9]. БПЛА интегрированы с ИИ для точного земледелия с целью максимизации управления урожаем, повышения производительности и снижения воздействия на окружающую среду.
БПЛА собирают большие объемы данных высокого разрешения, включая мультиспектральные, гиперспектральные и тепловые изображения. Алгоритмы ИИ имеют решающее значение для обработки этих данных. Применение моделей глубокого обучения и машинного обучения помогает аналитикам анализировать состояние урожая, выявлять вредителей и оценивать состояние почвы с высокой степенью точности.
Данные БПЛА, требующие обработки с высоким разрешением, требуют значительной вычислительной мощности и памяти, особенно при работе с мультиспектральными и тепловыми данными. Для моделей ИИ может потребоваться обработка в реальном времени, что требует либо высокопроизводительных бортовых вычислительных мощностей, либо надежного подключения к удаленным вычислительным центрам.
БПЛА ограничены емкостью батареи с точки зрения времени полета, что ограничивает их способность собирать данные за один полет. Инвестиции в технологии БПЛА и ИИ могут быть дорогостоящими; Однако долгосрочная экономия и повышение производительности могут быть существенными. В точном земледелии использование БПЛА и ИИ позволяет принимать решения на основе данных и повышает эффективность использования ресурсов.
С развитием этой технологии и повышением ее доступности, вероятно, возрастет производительность и устойчивость сельского хозяйства. В данной статье рассматриваются текущие области применения БПЛА и ИИ в точном земледелии, обсуждаются их сильные стороны, недостатки и предлагаются способы решения этих проблем. Далее в статье рассматриваются будущие направления исследований — сенсорные технологии, энергоэффективность и интеграция данных, а также этические дилеммы, связанные с использованием БПЛА в сельском хозяйстве.
1.1. Вклад данного исследования
Новаторский вклад данного исследования в область точного земледелия заключается в его всестороннем обзоре интеграции БПЛА и искусственного интеллекта, с акцентом на следующие области:
Вклад и новизна: Данное исследование представляет собой всестороннее сравнение различных типов БПЛА и датчиков, таких как мультиспектральные, гиперспектральные и тепловые датчики, для мониторинга урожая, обнаружения вредителей и управления ресурсами. Новизна этого исследования охватывает не только традиционные модели БПЛА, но и новые, включая гибридные или привязанные дроны, что расширяет понимание их применения в сельском хозяйстве.
Алгоритмы ИИ и машинного обучения для точного земледелия: В этом исследовании рассматриваются алгоритмы ИИ и машинного обучения, включая сверточные нейронные сети (CNN), опорные векторы (SVM) и деревья решений, которые обрабатывают данные, полученные с помощью беспилотных летательных аппаратов, для решения важных сельскохозяйственных задач, таких как обнаружение болезней, прогнозирование урожайности и управление орошением. Новизна исследования заключается в сравнительном анализе методов ИИ, который выявляет их сильные и слабые стороны и предоставляет уникальные сведения о том, какие алгоритмы наиболее эффективны при выполнении конкретных сельскохозяйственных задач и как они улучшают точное земледелие.
Инновации в области беспилотных летательных аппаратов, управляемых искусственным интеллектом: уникальной особенностью данного исследования является подробный обзор существующих инноваций в области беспилотных летательных аппаратов, управляемых искусственным интеллектом, в точном земледелии, а также обсуждение их характеристик, ограничений и показателей производительности.
Препятствия и решения для внедрения БПЛА: В данной статье освещаются существенные препятствия на пути внедрения БПЛА, такие как слишком высокая стоимость их использования, короткий срок службы батареи, необходимость технических знаний и сложная нормативно-правовая база. Новизна статьи заключается в представлении подробных практических решений, начиная от миниатюризации датчиков для БПЛА, работающих на солнечной энергии, и заканчивая программами обучения и конкретными рекомендациями регулирующих органов, которые предлагают четкий план действий по решению этих проблем в точном земледелии.
Проблемы существующих решений: В данном исследовании оцениваются технические и эксплуатационные проблемы, связанные с внедрением технологий БПЛА и искусственного интеллекта в сельском хозяйстве, и предлагаются возможные решения для миниатюризации датчиков, повышения энергоэффективности и создания автономных систем полета.
Перспективные направления исследований: В данной статье рассматривается будущее точного земледелия, где передовые методы искусственного интеллекта, такие как обучение с подкреплением и генеративно-состязательные сети, могут быть интегрированы в беспилотные летательные аппараты с большей адаптивностью и операционной эффективностью.
В следующем разделе мы представим различные технологии БПЛА и их роль в точном земледелии. Затем мы рассмотрим современные методы сенсорного мониторинга с использованием БПЛА и искусственного интеллекта в точном земледелии. После этого мы представим открытые исследовательские вопросы, проблемы и будущие направления исследований. Наконец, в следующем разделе мы подведем итоги исследования.
2. Технологии беспилотных летательных аппаратов и их роль в точном земледелии.
2.1. Типы БПЛА
БПЛА приобрели значительную важность для сельскохозяйственных операций, поскольку они широко используются для мониторинга урожая, отслеживания инфекций и управления орошением. БПЛА можно дополнительно разделить на различные классы в зависимости от их конструкции, полезной нагрузки, диапазона высот, типов датчиков, режима полета и зоны покрытия [11].
Обычно БПЛА с неподвижным крылом используются для картирования больших площадей полей и мониторинга состояния урожая с помощью БПЛА с векторным управлением [12]. Этот тип БПЛА имеет большую продолжительность полета — до 6 часов — и летает на большей высоте, чем другие, до 210 м [13].
Как правило, он оснащен датчиками, такими как мультиспектральные и тепловизионные камеры, которые помогают в изучении изменчивости урожая и управлении водными ресурсами [14]. Согласно [15], БПЛА с вращающимся крылом более маневренны, поскольку они могут выполнять задачи, требующие точной маневренности, такие как мониторинг на близком расстоянии и идентификация заболеваний в определенных культурах, таких как цитрусовые.
Время работы этих датчиков обычно составляет 10–20 минут; Они, как правило, более универсальны для использования в небольших и средних помещениях с многоспектральными и тепловыми датчиками [16]. Специализированные БПЛА включают дроны с вертикальным взлетом и посадкой (VTOL), которые предлагают еще более продвинутые возможности в области внесения удобрений с переменной нормой и автоматизированной оценки состояния урожая [17].
На рисунке 3 показаны несколько типов БПЛА, используемых в сельском хозяйстве . Существует три основных типа БПЛА, различающихся аэродинамическими характеристиками: с неподвижным крылом, с вращающимся крылом и гибридные БПЛА. По сравнению с БПЛА с вращающимся крылом и гибридными БПЛА, БПЛА с неподвижным крылом обладают лучшей аэродинамической эффективностью, что приводит к большей продолжительности полета.
В контексте сельского хозяйства это дает преимущества при картировании больших полей, обследовании больших площадей и мониторинге состояния урожая. Благодаря более высоким скоростям и большей дальности полета они идеально подходят для ферм, требующих мониторинга на больших территориях, включая десятки или сотни акров.
БПЛА с неподвижным крылом, как правило, более экономически выгоден на больших расстояниях, поскольку требует меньше энергии для поддержания полета, что делает его идеальным инструментом для обширных обследований земель и анализа урожая. БПЛА с неподвижным крылом не могут зависать на месте, что ограничивает их применение задачами, требующими стационарного позиционирования, такими как осмотр отдельных растений или точечная обработка.
Рисунок 3. В сельском хозяйстве используются различные виды БПЛА.
Беспилотные летательные аппараты с вращающимся крылом идеально подходят для задач, требующих точности, таких как мониторинг отдельных растений, локальная обработка или проведение детальных инспекций. Благодаря небольшим требованиям к взлетно-посадочной площадке, этот тип БПЛА хорошо подходит для полей с неровным или ограниченным рельефом. БПЛА с вращающимся крылом потребляет меньше энергии, что приводит к сокращению времени полета и уменьшению дальности, ограничивая его эффективность при обследовании больших территорий.
Как правило, эти БПЛА движутся с меньшей скоростью, что делает их менее эффективными для быстрого охвата больших площадей. Гибридные БПЛА сочетают в себе преимущества как самолетов, так и вертолетов, часто объединяя возможности вертикального взлета и посадки с аэродинамической эффективностью. Благодаря возможности вертикального взлета и посадки гибридные БПЛА могут работать в ограниченных пространствах.
Они также могут достигать большего времени полета, чем самолеты, по сравнению с вертолетами. Благодаря сочетанию зависания и эффективного полета вперед, они способны выполнять как крупномасштабные обследования, так и задачи точной обработки, в зависимости от потребностей. По сравнению с более простыми типами БПЛА, гибридные БПЛА, как правило, сложнее в проектировании и эксплуатации, что увеличивает их стоимость и делает их более подверженными механическим поломкам.
На БПЛА установлено несколько типов датчиков для сбора данных о посевах. Гиперспектральные, лазерные (LIDAR) и тепловизионные системы на сложных датчиках обеспечивают данные в режиме реального времени для оптимизации сельскохозяйственных ресурсов, повышения урожайности и снижения негативного воздействия на окружающую среду [18, 19, 20].
Например, аэророботы Yamaha R-50 (Yamaha Motor Company, Ивата, Япония), Yamaha KG-135 (Yamaha Motor Company, Ивата, Япония) и YH300 (Yamaha Corporation, Хамамацу, Япония) обладают грузоподъемностью для тяжелых работ, таких как опрыскивание пестицидами, до 22,7 кг, и впечатляющей продолжительностью полета до 5 часов, что делает их подходящими для обработки больших площадей [21, 22]. В таблице 1 приведены типы БПЛА и их применение в точном земледелии.
Таблица 1. Типы БПЛА и их применение в точном земледелии.
| Тип БПЛА | Применение в точном земледелии | Полезная нагрузка | Высота | Выносливость |
|---|---|---|---|---|
| БПЛА с неподвижным крылом [ 23 ] | Мониторинг урожая, картирование больших полей и орошение. | 2–5 кг | 100–500 м | 1–4 часа |
| Многороторный БПЛА [ 23 ] | Обследование посевов, мониторинг вредителей и внесение удобрений с переменной нормой. | 1–3 кг | 50–200 м | 20–40 мин |
| Гибридный БПЛА [ 23 ] | Картирование полей, мониторинг состояния посевов и точное опрыскивание. | 2–10 кг | 100–400 м | 2–5 часов |
| БПЛА вертикального взлета и посадки [ 24 ] | Осмотр посевов на неровной местности и внесение удобрений с переменной нормой. | 3–8 кг | 50–400 м | 1–2 часа |
| Нано/мини БПЛА [ 25 ] | Мониторинг с близкого расстояния, выявление заболеваний и осмотр небольших фермерских хозяйств. | 0,1–0,5 кг | 10–100 м | 10–20 мин |
| Автономный БПЛА [ 26 ] | Точное орошение, опрыскивание и автоматизированный анализ состояния сельскохозяйственных культур. | 5–15 кг | 50–300 м | 3–6 часов |
| Беспилотный летательный аппарат на привязи [ 27 ] | Непрерывный мониторинг и сбор данных в режиме реального времени. | До 10 кг | 20–100 м | Без ограничений (с подключением к сети) |
| БПЛА с неподвижным крылом [ 28 ] | Мониторинг сельскохозяйственных культур и определение реакции растений на них | Маленькая камера | 90 м | <1 ч |
| Полевой вертолет БПЛА [ 29 ] | Получение изображений высокого разрешения и анализ водного режима в виноградниках. | <1 кг | Низкая высота | Нет в наличии |
| Многороторный БПЛА [ 30 ] | Контроль за посевами и выявление болезней цитрусовых | <1 кг | 100 м | 10–20 мин |
| Гексакоптер БПЛА [ 31 ] | Исследование методов культивирования и обработка мультиспектральных данных. | До 2,5 кг | Низкая высота | 12–20 мин |
| Беспилотный летательный аппарат с неподвижным крылом [ 32 ] | Оценка характеристик зерновых культур | <1 кг | Низкая высота | <1 ч |
| Вертолёт Vario XLC [ 33 ] | Борьба с сорняками и сокращение использования гербицидов. | 7 кг | Низкая высота | 30 мин |
| Тип БПЛА | Тип используемого датчика | Режим полета | Зона покрытия |
|---|---|---|---|
| БПЛА с неподвижным крылом [ 23 ] | Многоспектральные, RGB и тепловые | Автономный | Большие территории |
| Многороторный БПЛА [ 23 ] | Мультиспектральные, RGB и LIDAR-данные | Ручной/автономный | Небольшие/средние площади |
| Гибридный БПЛА [ 23 ] | Многоспектральные, RGB и тепловые | Автономный | Большие территории |
| БПЛА вертикального взлета и посадки [ 24 ] | Мультиспектральные, RGB и гиперспектральные | Автономный | Средние/большие площади |
| Нано/мини БПЛА [ 25 ] | RGB и мультиспектральные | Ручной/автономный | Небольшие участки |
| Автономный БПЛА [ 26 ] | Тепловые, гиперспектральные и лидарные данные | Полностью автономный | Большие территории |
| Беспилотный летательный аппарат на привязи [ 27 ] | Многоспектральные и RGB | Привязанный | Фиксированное положение |
| БПЛА с неподвижным крылом [ 28 ] | Тепловизионная инфракрасная камера | Автономный | Большие территории |
| Полевой вертолет БПЛА [ 29 ] | Многоспектральные и тепловизионные камеры | Ручной/автономный | Небольшие участки |
| Многороторный БПЛА [ 30 ] | Шестиканальный мультиспектральный и многодиапазонный | Ручной/автономный | Небольшие участки |
| Гексакоптер БПЛА [ 31 ] | Камера Тетракам | Автономный | Средние районы |
| Беспилотный летательный аппарат с неподвижным крылом [ 32 ] | Цифровая камера с датчиком изображения | Автономный | Средние районы |
| Вертолёт Vario XLC [ 33 ] | 3D мультиспектральные датчики изображения | Ручной/автономный | Малые — это как |
2.2. Концепция точного земледелия с интеграцией БПЛА, датчиков и ИИ.
Точное земледелие в основном использует полноценные БПЛА для оптимизации сельскохозяйственной производительности. Они оснащены передовыми датчиками изображения и камерами, создающими изображения высокого разрешения, которые могут помочь фермерам в мониторинге состояния урожая, определении состояния почвы и даже обнаружении вредителей или дефицита питательных веществ в почве [34, 35].
Данные в режиме реального времени позволяют принимать точные решения с минимальным потреблением избыточных удобрений, пестицидов и воды, экономя деньги и защищая окружающую среду [36]. Мониторинг урожая является одним из основных применений БПЛА; существуют мультиспектральные и гиперспектральные датчики, используемые для оценки жизнеспособности растений и содержания хлорофилла, а также для оценки стресса у растений [37, 38].
БПЛА используют такие датчики для создания высокодетальных карт изменений состояния растений в поле. Затем это можно использовать для принятия мер в конкретных местах, которые улучшают качество и эффективность урожая. На рисунке 4 показаны различные применения БПЛА в точном земледелии.
Рисунок 4. Применение БПЛА в точном земледелии.
Беспилотные летательные аппараты с неподвижным крылом подходят для обширных сельскохозяйственных угодий, поскольку они охватывают большие расстояния и обладают выносливостью на больших дистанциях [39]. Беспилотные летательные аппараты с вращающимся крылом или многороторные БПЛА обладают большей маневренностью и могут быть лучше использованы там, где требуется высокая точность в таких приложениях, как осмотр растений или локальная обработка [40].
БПЛА позволяют проводить картографирование и съемку, а также создавать высокоточные 3D-модели сельскохозяйственных угодий для топографических исследований, которые необходимы для планирования орошения и борьбы с эрозией [41]. С дальнейшим развитием ИИ и автоматизации БПЛА, вероятно, улучшат автономное принятие решений в точном земледелии, тем самым повышая урожайность и устойчивость сельскохозяйственных культур [42].
Диаграмма на рисунке 5 иллюстрирует интеграцию БПЛА, датчиков и ИИ в точное земледелие, выделяя этапы сбора, обработки, анализа и использования сельскохозяйственных данных для принятия обоснованных решений.
Рисунок 5. Схема процесса интеграции БПЛА, датчиков и ИИ в точное земледелие.
Сбор данных: Для сбора данных используются датчики (для анализа почвы, погоды и состояния урожая), спутники и дроны. Для получения подробных данных об окружающей среде и состоянии урожая применяются различные типы камер, такие как мультиспектральные, видимые и тепловизионные камеры.
Обработка данных: Выполняется калибровка и удаление шума из всех исходных данных. Методы слияния информации объединяют информацию из различных источников в полные наборы данных.
Извлечение признаков: Обработанные данные подвергаются извлечению признаков, включая индексы растительности, такие как нормализованный разностный индекс растительности (NDVI) и нормализованный разностный индекс красного края (NDRE). Текстурный анализ, обнаружение объектов и другие важные атрибуты помогают в мониторинге сельскохозяйственных культур.
Алгоритм машинного обучения: Алгоритмы машинного обучения применяются к извлеченным признакам с использованием таких подходов, как контролируемое обучение, т.е. классификация и регрессия, а также неконтролируемое обучение, т.е. кластеризация [43] и обучение с подкреплением [44].
Обучение модели: данные разделяются на обучающую, валидационную и тестовую выборки. Для оптимизации производительности моделей применяются такие методы, как настройка гиперпараметров и перекрестная проверка.
Оценка моделей: Эффективность моделей определяется на основе таких метрик, как точность, прецизия, полнота и F1-мера.
Управление БПЛА с помощью ИИ: модели ИИ развертываются в системах БПЛА для автоматизации сбора данных в реальном времени, их анализа и принятия решений с высоты птичьего полета. Эти БПЛА динамически адаптируются к изменяющимся полевым условиям для оптимизации процессов точного земледелия.
2.3. Данные с датчиков и их роль в точном земледелии с использованием искусственного интеллекта.
Качество данных с датчиков играет важную роль в точном земледелии для повышения точности и эффективности решений, принимаемых ИИ. Критические показатели производительности датчиков, такие как разрешение, спектральный диапазон и объем данных, влияют на то, насколько модели ИИ анализируют, прогнозируют и оптимизируют сельскохозяйственные операции [45].
Такие высококачественные данные с датчиков позволяют точно отслеживать урожай, выявлять болезни и управлять ресурсами, что в конечном итоге приводит к лучшему прогнозированию урожайности и устойчивым методам ведения сельского хозяйства. Поэтому понимание взаимосвязи между производительностью датчиков и результатами работы ИИ важно для раскрытия полного потенциала технологий точного земледелия [46]. В таблице 2 показано влияние показателей производительности датчиков на ИИ в приложениях точного земледелия.
Таблица 2. Показатели производительности датчиков и их влияние на точное земледелие.
| Тип датчика | Ключевые показатели | Применение в сельском хозяйстве | Производительность моделей, управляемых искусственным интеллектом | Ограничения |
|---|---|---|---|---|
| RGB-камера [ 47 ] | Разрешение и частота кадров | Мониторинг роста сельскохозяйственных культур и выявление заболеваний | Более высокое разрешение обеспечивает детализированные изображения и улучшает задачи классификации изображений (например, выявление закономерностей распространения заболеваний). | Ограниченный спектральный диапазон не позволяет зафиксировать содержание хлорофилла или незначительные изменения состояния растений. |
| Многоспектральный датчик [ 48 ] | Спектральный диапазон (от видимого до ближнего инфракрасного излучения) и NDVI | Мониторинг состояния растительности и выявление сорняков. | Позволяет рассчитывать индексы растительности, такие как NDVI, и повышает точность прогнозов моделей искусственного интеллекта относительно состояния и жизнеспособности растений. | Чувствителен к атмосферным условиям (например, к облачности и интенсивности света). |
| Гиперспектральный датчик [ 49 ] | Спектральное разрешение и объем данных | Мониторинг питательных веществ и выявление заболеваний | Более высокое спектральное разрешение повышает точность выявления дефицита питательных веществ и болезней сельскохозяйственных культур и имеет решающее значение для детальной классификации с помощью ИИ/машинного обучения. | Генерирует большие наборы данных, что может замедлить обработку моделей ИИ/машинного обучения и является дорогостоящим в развертывании. |
| Тепловизионная камера [ 50 ] | Температурная чувствительность и пространственное разрешение | Управление орошением и выявление водного стресса | Предоставляет точные данные о температуре и позволяет моделям искусственного интеллекта оптимизировать орошение, выявляя дефицит воды у сельскохозяйственных культур на ранней стадии. | Более низкое пространственное разрешение и меньшая эффективность для детализации мелких деталей поля по сравнению с RGB или мультиспектральными изображениями. |
| ЛИДАР [ 51 ] | Плотность точек и дальность | Топографическое картирование и оценка биомассы | Создает точные 3D-модели местности и биомассы, а также повышает точность прогнозирования урожайности и картирования местности на основе искусственного интеллекта. | Ограниченное применение в густо заросших растительностью районах и дорогостоящее оборудование. |
| Радиолокатор с синтезированной апертурой (SAR) [ 52 ] | Глубина проникновения и разрешение | Мониторинг влажности почвы и всепогодное картирование | Подходит для любых погодных условий и освещения, поддерживает модели искусственного интеллекта в анализе текстуры и влажности, обеспечивая улучшенную производительность в различных погодных условиях. | Для точной интерпретации требуется высокий уровень технической квалификации, а эксплуатационные расходы высоки. |
Точное земледелие в значительной степени опирается на датчики, поскольку они предоставляют данные, которые помогают фермерам принимать обоснованные решения относительно управления посевами, орошения, борьбы с вредителями и других аспектов сельского хозяйства. В таблице 3 представлен обзор нескольких реальных условий, которые могут ограничивать эффективность этих датчиков.
| Аспект | RGB-датчики | Многоспектральные датчики | Термодатчики | Датчики LIDAR |
|---|---|---|---|---|
| Погодные условия | Из-за облачной погоды и колебаний освещенности качество изображения снижается [ 19 ]. | Чувствителен к облачному покрову, что приводит к непоследовательному сбору данных [ 40 ]. | Меньше подвержено влиянию облаков, но сильная жара может искажать показания [ 31 ]. | Не подвержен влиянию погоды, обеспечивает надежные 3D-модели [ 42 ]. |
| Условия освещения | Плохо работает при слабом освещении, особенно рано утром или поздно вечером [ 26 ]. | Зависимость от солнечного света; трудности в условиях низкой освещенности и затененных местах [ 41 ]. | Эффективен при слабом освещении, используя разницу температур для обнаружения стресса растений [ 19 ]. | Независимо от освещения; позволяет получать точные модели местности в любое время [ 31 ]. |
| Калибровка датчика | Требуется частая перекалибровка, особенно при изменении условий освещения [ 42 ]. | Для поддержания точности индексов растительности необходима калибровка [ 40 ]. | Требуется минимальная калибровка; ошибки могут искажать показания температуры [ 41 ]. | Требуется минимальная калибровка, данные о рельефе местности, как правило, надежны [ 31 ]. |
| Операционные проблемы | Подвержен воздействию ветра и вибраций БПЛА, что снижает точность изображения [ 42 ]. | Вибрации искажают показания, влияя на индексы растительности [ 19 ]. | Менее подвержен влиянию движения БПЛА; надежен для обнаружения водного стресса [ 40 ]. | Минимальное воздействие ветра или вибраций, высокая надежность для 3D-картирования [ 41 ]. |
| Ограничения, связанные с использованием одного датчика. | Ограничено наземными изображениями, оценка ниже уровня растительного покрова невозможна [ 41 ]. | Предоставляют индексы растительности, но не содержат данных о влажности почвы и структурных особенностях [ 40 ]. | Обнаружение водного стресса, но отсутствие детального анализа поверхности [ 19 ]. | Отлично подходит для получения данных о рельефе местности, но не позволяет выявлять состояние растительности [ 42 ]. |
| Потенциал объединения данных с датчиков | Тепловое и RGB-изображение повышает точность за счет балансировки ограничений, зависящих от освещения [ 19 ]. | Мультиспектральные и лидарные технологии компенсируют изменения погоды и освещения, предоставляя исчерпывающие данные о посевах и рельефе [ 41 ]. | Сочетание тепловых и мультиспектральных данных расширяет возможности анализа орошения и обнаружения водного стресса [ 40 ]. | Лидар с мультиспектральным/тепловым излучением обеспечивает надежную оценку урожайности и картирование биомассы [ 31 ]. |
2.4. Точное земледелие: технологические и операционные барьеры
Хотя БПЛА приносят много пользы точному земледелию, существует ряд технологических и операционных барьеров, препятствующих их широкому внедрению. Это может быть связано с высокими инвестиционными затратами, технической экспертизой и нормативными ограничениями [53]. Все эти факторы необходимо учитывать, чтобы технологии БПЛА могли быть полностью внедрены в современные методы ведения сельского хозяйства. В таблице 4 показаны технические и операционные барьеры на пути внедрения БПЛА в точное земледелие.
Высокая первоначальная стоимость: Высокая стоимость БПЛА, датчиков и программного обеспечения для обработки данных является основным препятствием, особенно для небольших и средних фермерских хозяйств. Дорогие современные датчики, такие как мультиспектральные и LIDAR, а также облачные системы обработки данных, которые дорого арендовать, ограничивают более широкое внедрение, и даже государственные субсидии или программы лизинга не могут полностью компенсировать стоимость как ограничение, прежде всего для небольших фермерских хозяйств [54].
Ограниченный срок службы батареи: БПЛА обычно летают всего 20–40 минут, а более тяжелые полезные нагрузки еще больше сокращают время полета. Это означает, что на больших полях всегда требуется частая замена батарей [55]. Разрабатываются такие решения, как БПЛА на солнечных батареях, но они еще не получили широкого распространения, что снижает эффективность эксплуатации.
Нормативно-правовые ограничения: строгие правила ограничивают высоту полета БПЛА, требуют прямой видимости и вызывают опасения по поводу конфиденциальности. Такие правила ограничивают гибкость использования БПЛА и могут задерживать их внедрение в регионах со строгими правилами использования воздушного пространства. Лоббирование исключений для сельского хозяйства и стандартизированных руководств по безопасности может ослабить некоторые ограничения.
Технические знания: Эксплуатация БПЛА и анализ собранных данных требуют значительных знаний в области географических информационных систем (ГИС) и машинного обучения, что является препятствием для их внедрения, особенно среди фермеров, не имеющих технического образования. Хотя разрабатываются программные решения на основе искусственного интеллекта, удобные в использовании и более готовые к применению, зависимость от консультантов по-прежнему очень велика, что увеличивает затраты.
Воздействие на окружающую среду: Разряд батарей и шум от БПЛА могут нанести вред окружающей среде, особенно если их планируется использовать в экологически чувствительных районах. Хотя такие экологически чистые технологии, как водородные топливные элементы, могут минимизировать воздействие на окружающую среду, адаптация в чувствительных регионах может быть затруднена из-за существующих ограничений в мощности батарей.
Таблица 4. Краткое описание технических и эксплуатационных барьеров на пути внедрения БПЛА в сельском хозяйстве.
| Фактор | Описание | Технологические ограничения | Интеграция датчиков |
|---|---|---|---|
| Высокая начальная стоимость [56] | Для небольших и средних фермерских хозяйств приобретение беспилотных летательных аппаратов, датчиков и соответствующего программного обеспечения может оказаться непомерно дорогим. | Дорогостоящее оборудование (БПЛА, датчики и системы обработки данных). | Многоспектральные, тепловые и лидарные датчики значительно увеличивают затраты. |
| Ограниченный срок службы батареи [ 57 ] | Большинство БПЛА имеют короткое время полета, что часто требует частой замены батарей, ограничивая их использование на больших сельскохозяйственных полях. | Короткое время работы от батареи (20–40 мин), частая необходимость подзарядки или замены. | Более тяжелые полезные нагрузки, такие как лидары или тепловизоры, еще больше сокращают время полета, усугубляя проблему с батареей. |
| Техническая экспертиза [ 58 ] | Эксплуатация беспилотных летательных аппаратов и интерпретация собранных данных требуют значительных технических знаний, которые могут быть недоступны не всем фермерам. | Необходимость в специализированной подготовке по управлению БПЛА и работе с программным обеспечением для анализа данных (ГИС, инструменты машинного обучения). | Интеграция сложных комплексов датчиков (многоспектральных, тепловых) требует высокого уровня навыков калибровки и предварительной обработки данных. |
| Нормативно-правовые ограничения [ 59 ] | Использование БПЛА регулируется во многих регионах, что ограничивает высоту полета, зоны эксплуатации и создает проблемы с обеспечением конфиденциальности. | Во многих странах действуют ограничения на полеты (максимальные ограничения по высоте и требование прямой видимости). | Н/Д |
| Воздействие на окружающую среду [ 60 ] | Эксплуатация беспилотных летательных аппаратов может оказывать воздействие на окружающую среду, особенно в части утилизации батарей, нарушения среды обитания диких животных и шумового загрязнения. | Ограниченный срок службы батарей приводит к частым проблемам с утилизацией или переработкой литий-ионных аккумуляторов. | Н/Д |
| Фактор | Проблемы обработки данных | Возможные решения | Влияние на внедрение |
|---|---|---|---|
| Высокая начальная стоимость [56] | Обработка больших массивов данных требует дорогостоящей вычислительной инфраструктуры или облачных систем, что увеличивает общую стоимость. | Государственные субсидии, программы лизинга или совместная закупка моделей фермерами для снижения финансового бремени. | Это ограничивает широкое внедрение, особенно для небольших фермерских хозяйств с ограниченным капиталом. |
| Ограниченный срок службы батареи [57] | Передача данных в режиме реального времени затруднена на больших территориях; беспилотным летательным аппаратам может потребоваться частая посадка, что прерывает непрерывный сбор данных. | Разработка энергоэффективных БПЛА, использование дронов на солнечных батареях или гибридных БПЛА с большей продолжительностью полета. | Снижает эффективность работы на крупных месторождениях, увеличивая время простоя и трудозатраты. |
| Техническая экспертиза [58] | Для анализа данных часто требуются алгоритмы машинного обучения, которые нуждаются в настройке и обучении, что является сложной задачей для пользователей без технических знаний. | Удобные программные интерфейсы, автоматизированная обработка данных на основе искусственного интеллекта и программы обучения для фермеров. | Ограничивает внедрение для пользователей, не являющихся экспертами; зависимость от специализированных поставщиков услуг или консультантов увеличивает операционные расходы. |
| Нормативно-правовые ограничения [59] | Соблюдение авиационных правил требует использования программного обеспечения и ручного ввода данных для обеспечения безопасных операционных границ, что может снизить гибкость полетов. | Лоббирование исключений для сельскохозяйственного сектора в правилах регулирования БПЛА, разработка стандартов безопасности эксплуатации сельскохозяйственных дронов. | Неопределенность в нормативно-правовом отношении может задержать или предотвратить широкое внедрение, особенно в регионах со строгими правилами регулирования использования БПЛА. |
| Воздействие на окружающую среду [60] | Обработка данных в удаленных местах может потребовать дополнительной инфраструктуры (генераторов и сигнальных вышек), что оказывает влияние на экосистемы. | Разработка экологически чистых аккумуляторных технологий (водородных топливных элементов) и более экологичных конструкций беспилотных летательных аппаратов. | Экологические соображения могут замедлить внедрение новых технологий в районах с чувствительными экосистемами или строгими экологическими нормами. |
3. Подходы к использованию датчиков, оснащенных БПЛА, на основе искусственного интеллекта для точного земледелия.
Благодаря развитию сельскохозяйственных технологий, анализ данных с датчиков, разработанный с использованием БПЛА, стал широко интегрирован в системы точного земледелия. Например, такие разработки обеспечивают мониторинг в реальном времени для критически важных параметров сельского хозяйства, таких как состояние урожая, состояние почвы и уровень водного стресса. Датчики включают в себя RGB, мультиспектральные, гиперспектральные и тепловизионные датчики.
Эти методы собирают огромные объемы данных, которые анализируются алгоритмами глубокого обучения для классификации, регрессии и обнаружения объектов. Хорошим примером этого может служить мультиспектральная и гиперспектральная оценка состояния почвы и урожая, которая возможна благодаря тому, что позволяет моделям ИИ прогнозировать содержание воды, соленость и состояние здоровья растений [61]. Водный стресс растений можно дополнительно отслеживать с помощью тепловых датчиков, которые повышают эффективность решений по планированию орошения [62].
Прогнозирование урожайности на основе ИИ гарантирует, что фермеры смогут собирать урожай, когда у них будет максимальное количество продукции, и принимать другие обоснованные решения [63]. Эти источники данных совершают революцию в точном земледелии, минимизируя ручной труд и повышая точность принятия решений, тем самым оптимизируя сельскохозяйственные практики.
В этом отношении включение данных, полученных с помощью методов ИИ, в обработку данных БПЛА и датчиков позволит оживить сельское хозяйство и деятельность, связанную с данными, и сделать их более устойчивыми. В таблице 5 показано использование различных методов ИИ для обработки данных датчиков, полученных с помощью БПЛА, для нескольких конкретных сельскохозяйственных приложений.
| Элементы | Типичные примеры | Датчики БПЛА | Проблемы ИИ |
|---|---|---|---|
| Оценка площади [ 42 ] | Соя и несколько типов растительности | RGB, мультиспектральные и гиперспектральные | Классификация |
| Почвенные условия [ 15 ] | Содержание воды и соленость | Многоспектральные, гиперспектральные и тепловые | Регрессия |
| Параметры урожая [ 64 ] | Высота растений, сомкнутость листового покрова, биомасса, индекс листовой поверхности (LAI) и содержание азота в листьях. | RGB, мультиспектральные, гиперспектральные и LIDAR-данные | Регрессия и классификация |
| Болезни сельскохозяйственных культур [ 65 ] | Желтая ржавчина, цитрусовая язва, бактериальное увядание, болезни листвы и фитофтороз | RGB, мультиспектральные и гиперспектральные | Регрессия и классификация |
| Вредители сельскохозяйственных культур [ 66 ] | Вредители плодовых культур, фитофтороз и вредители сои. | RGB, мультиспектральные и гиперспектральные | Обнаружение и классификация объектов |
| Водный стресс растений [ 67 ] | Ячмень, кукуруза, виноград и пшеница | RGB, мультиспектральные и тепловые | Индексный анализ и регрессия |
| Сорняки [ 68 ] | Мятлик черный на пшенице, сорняки на сахарной свекле и сое. | RGB, мультиспектральные и гиперспектральные | Классификация и обнаружение объектов |
| Прогнозирование урожайности [ 69 ] | Соя, хлопок, цитрусовые и плоды масличной пальмы | RGB, мультиспектральная и стереокамера | Регрессия и обнаружение объектов |
| Решение о сборе урожая [ 70 ] | Соя, арахис, брокколи и рапс | RGB, мультиспектральные и гиперспектральные | Регрессия и обнаружение объектов |
| Планирование орошения [ 71 ] | Сахарный тростник, пшеница и рис | RGB и тепловые | Индексный анализ и регрессия |
| Мониторинг питательных веществ [ 72 ] | Кукуруза, сорго и пшеница | Гиперспектральные и мультиспектральные | Классификация и регрессия |
| Стадия роста урожая [ 73 ] | Хлопок, кукуруза и пшеница | RGB и мультиспектральные | Классификация и обнаружение объектов |
| Послеуборочный мониторинг [ 74 ] | Зерновые, фрукты и овощи | RGB, мультиспектральные и гиперспектральные | Регрессия и классификация |
| Раннее выявление заболевания [ 75 ] | Рис, пшеница и помидоры | Тепловые, гиперспектральные и RGB-изображения | Обнаружение и классификация объектов |
| Элементы | Высота | Выносливость | Режим полета |
|---|---|---|---|
| Оценка площади [ 42 ] | 100–500 м | 1–3 ч | Автономный |
| Почвенные условия [ 15 ] | 50–200 м | 20–40 мин | Ручной/автономный |
| Параметры урожая [ 64 ] | 50–400 м | 1–4 ч | Автономный |
| Болезни сельскохозяйственных культур [ 65 ] | 50–300 м | 2–5 ч | Ручной/автономный |
| Вредители сельскохозяйственных культур [ 66 ] | 20–100 м | 20–60 мин | Полностью автономный |
| Водный стресс растений [ 67 ] | 50–500 м | 1–3 ч | Автономный |
| Сорняки [ 68 ] | 50–200 м | 1–2 ч | Автономный |
| Прогнозирование урожайности [ 69 ] | 100–400 м | 1–3 ч | Полностью автономный |
| Решение о сборе урожая [ 70 ] | 50–300 м | 2–5 ч | Ручной/автономный |
| Планирование орошения [ 71 ] | 50–150 м | 20–60 мин | Автономный |
| Мониторинг питательных веществ [ 72 ] | 100–500 м | 1–3 ч | Автономный |
| Стадия роста урожая [ 73 ] | 50–200 м | 1–2 ч | Полностью автономный |
| Послеуборочный мониторинг [ 74 ] | 50–300 м | 1–4 ч | Автономный |
| Раннее выявление заболевания [ 75 ] | 50–400 м | 1–3 ч | Ручной/ автономный |
3.1. Машинное обучение и БПЛА для автоматизации точного земледелия
Применение машинного обучения и БПЛА в точном земледелии произвело революцию в традиционных методах ведения сельского хозяйства, обеспечив более эффективные и основанные на данных методы работы. Используя передовые датчики в сочетании с высокоточными алгоритмами машинного обучения, БПЛА могут выполнять ряд важных операций, таких как распознавание растений, идентификация болезней, идентификация сорняков, прогнозирование урожайности и картирование питательных веществ в почве.
Эти инновации приводят к повышению точности, сокращению времени обработки и более эффективному использованию ресурсов, среди прочего, в современном сельском хозяйстве. Однако другие проблемы, такие как шум окружающей среды, вычислительные требования и ограничения батареи БПЛА, по-прежнему создают препятствия, требующие усовершенствования конструкции таких технологий. Обзор автоматизации сельского хозяйства представлен в таблице 6 .
| Сельско-хозяйственные задачи | Культура / Система | Взносы | Автоматизированное транспортное средство / платформа | Алгоритмы машинного обучения |
|---|---|---|---|---|
| Классификация растений | Виноград и сады [ 18 ] | Беспилотный летательный аппарат используется для быстрой и точной классификации растений. | БПЛА с RGB-датчиками | CNN и случайный лес |
| Пшеница и ячмень [ 76 ] | Усовершенствованный анализ роста растений с помощью БПЛА и машинного обучения. | БПЛА с мультиспектральными датчиками | Глубокое обучение и SVM | |
| Соя и кукуруза [ 15 ] | Системы LIDAR повышают точность классификации. | Беспилотный летательный аппарат с лидаром и камерами ближнего инфракрасного диапазона (NIR). | Деревья решений и SVM | |
| Выявление заболеваний | Оливки и цитрусовые [ 77 ] | Точное выявление заболеваний на ранних стадиях. | Беспилотный летательный аппарат с тепловизионной и гиперспектральной камерами. | YOLO и CNN |
| Многочисленные культуры [ 78 ] | Перенос знаний повышает точность обнаружения болезней растений. | Беспилотный летательный аппарат с RGB- и гиперспектральными камерами. | Перенос обучения и сверточные нейронные сети | |
| Помидор и огурец [ 79 ] | Выявление заболеваний на ранних стадиях с помощью БПЛА и машинного обучения. | БПЛА с RGB и мультиспектральными датчиками | SVM | |
| Фруктовые деревья [ 80 ] | Тепловизионные камеры помогают выявлять невидимые симптомы заболеваний. | Беспилотный летательный аппарат с RGB и тепловизионными камерами. | Нейронные сети | |
| Обнаружение сорняков | Полевые культуры и кукуруза [ 18 ] | Точное обнаружение сорняков с помощью гиперспектральной съемки. | БПЛА с гиперспектральной съемкой | Метод k-ближайших соседей и деревья решений |
| Рис и соя [ 79 ] | Высокоточное обнаружение сорняков с помощью машинного обучения. | БПЛА с мультиспектральными камерами | Случайный лес и SVM | |
| Прогнозирование урожайности сельскохозяйственных культур | Кукуруза и рис [ 79 ] | Поддерживает оценку урожайности в режиме реального времени. | БПЛА с мультиспектральными датчиками | Случайный лес и XGBoost |
| Пшеница и виноград [ 81 ] | Улучшает принятие решений по уборке урожая благодаря данным с БПЛА. | БПЛА с RGB и мультиспектральными датчиками | Регрессия опорных векторов | |
| Виноград [ 82 ] | Прогнозирование индекса листовой поверхности виноградника с использованием сверточной нейронной сети. | Беспилотный летательный аппарат с RGB и LIDAR датчиками | ResNet50 и Xception | |
| Картирование питательных веществ в почве | Соя и кукуруза [ 80 ] | Детальное картирование питательных веществ в почве с помощью БПЛА-ЛИДАРА | Беспилотный летательный аппарат с лидаром и ближнеинфракрасными датчиками. | Алгоритмы регрессии |
| Картофель и пшеница [ 18 ] | Улучшенное картирование питательных веществ в почве. | Беспилотный летательный аппарат с RGB и мультиспектральными камерами. | Деревья решений и случайный лес | |
| Борьба с вредителями | Цитрусовые и виноградная лоза [ 83 ] | Поддерживает автоматическое обнаружение вредителей. | БПЛА с камерами высокого разрешения | Нейронные сети и YOLO |
| Яблоко и груша [ 84 ] | Выявление поражений яблок с использованием моделей YOLO | Беспилотный летательный аппарат с RGB и тепловизионными камерами. | Циклическая GAN и плотная сеть | |
| Кукуруза и хлопок [ 79 ] | Эффективен в выявлении и борьбе с вредителями. | БПЛА с мультиспектральными камерами | Глубокое обучение и случайный лес | |
| Автономное опрыскивание | Виноградник и пшеница [ 15 ] | Высокоточное распыление снижает расход химикатов. | БПЛА с механизмами распыления | Обучение с подкреплением |
| Хлопок и кукуруза [ 81 ] | Повышает эффективность применения пестицидов. | Беспилотный летательный аппарат с автономными системами распыления | Глубокое обучение и XGBoost |
| Сельско-хозяйственные задачи | Алгоритмы машинного обучения | Показатели эффективности | Сильные стороны | Пробелы |
|---|---|---|---|---|
| Классификация растений | CNN и случайный лес | Точность: 92%, полнота: 90%. | Высокая точность благодаря RGB-датчикам | Высокие вычислительные требования, сложности обработки в реальном времени. |
| Глубокое обучение и SVM | Точность: 94%, прецизионность: 92%. | Более высокая точность при использовании многоспектральных датчиков. | Чувствителен к изменениям освещения. | |
| Деревья решений и SVM | Точность: 91%, время обработки: 2 сек/поле. | Быстрая обработка (2 сек/поле) | Сложности калибровки могут ограничивать точность. | |
| Выявление заболеваний | YOLO и CNN | Точность обнаружения: 90%, специфичность: 88%. | Высокая точность мониторинга заболеваний | Шум окружающей среды и изменения температуры могут повлиять на точность. |
| Перенос обучения и сверточные нейронные сети | Точность обнаружения: 95%, прецизионность: 92%. | Требуется высокая точность и минимальный объем обучающих данных. | Чувствителен к изменениям входных данных. | |
| SVM | Точность: 88%, F1-мера: 85%. | Надежный F1-балл (85%) | Факторы окружающей среды (например, погода) могут повлиять на обнаружение. | |
| Нейронные сети | Точность обнаружения: 93%, прецизионность: 90%. | Высокая точность (90%) | Ограничения по времени полета и времени работы батареи БПЛА | |
| Обнаружение сорняков | Метод k-ближайших соседей и деревья решений | Точность идентификации сорняков: 93%, полнота: 90%. | Точное определение сорняков | Проблемы, связанные с воздействием окружающей среды и освещением. |
| Случайный лес и SVM | Точность обнаружения: 91%, показатель F1: 88%. | Высокая точность обнаружения (91%) | Для оптимальной работы требуется постоянное освещение. | |
| Прогнозирование урожайности сельскохозяйственных культур | Случайный лес и XGBoost | Точность прогнозирования урожайности: 85%, погрешность: 1,02. | Эффективен в прогнозировании урожайности. | Точность прогнозирования урожайности может варьироваться из-за непостоянства доступных данных. |
| Регрессия опорных векторов | Точность прогнозирования: 86%, погрешность: 0,9 | Эффективный показатель RMSE для прогнозирования | Точность прогнозирования урожайности зависит от вида культуры. | |
| ResNet50 и Xception | Ошибка: 0,28 при оценке LAI | Точное прогнозирование индекса листовой поверхности с помощью модели Xception. | В некоторых областях модели демонстрировали непостоянную эффективность. | |
| Картирование питательных веществ в почве | Алгоритмы регрессии | Точность определения состава почвы: 86%, прецизионность: 84,5%. | Высокая точность анализа состава почвы. | Ограниченное разрешение может препятствовать проведению мелкомасштабного картирования. |
| Деревья решений и случайный лес | Точность картирования питательных веществ в почве: 87%, полнота: 85%. | Высокая точность (87%) при картировании питательных веществ в почве. | Ограничивающими факторами являются время полета БПЛА и зона покрытия. | |
| Борьба с вредителями | Нейронные сети и YOLO | Точность обнаружения вредителей: 91%, прецизионность: 88%. | Высокая точность (91%) в идентификации вредителей. | Ограниченное время полета и пересеченная местность могут негативно сказаться на характеристиках БПЛА. |
| Циклическая GAN и плотная сеть | F1-мера: 81,6% | Обнаружение поражений яблок в режиме реального времени | Ограниченная точность при отображении объектов, частично скрытых другими объектами. | |
| Глубокое обучение и случайный лес | Точность идентификации вредителей: 89%, прецизионность: 87%. | Высокая точность в идентификации вредителей | Посторонний шум может повлиять на точность работы. | |
| Автономное опрыскивание | Обучение с подкреплением | Точность распыления: 94%, эффективность покрытия: 87%. | Высокая точность и эффективность при опрыскивании | Операционная сложность может стать препятствием для широкого внедрения. |
| Глубокое обучение и XGBoost | Точность распыления: 91%, эффективность покрытия: 90%. | Высокая точность распыления и обильность покрытия. | Ограничения рельефа местности и время работы от батареи сокращают время работы. |
3.2. Инновации в точном земледелии с использованием БПЛА на основе ИИ
Точное земледелие претерпело революционные изменения благодаря внедрению искусственного интеллекта и беспилотных летательных аппаратов (БПЛА), что позволяет фермерам выполнять более точные задачи, принимая решения на основе информации и с высокой эффективностью. БПЛА оснащаются алгоритмами ИИ и машинного обучения, которые включают мониторинг урожая в режиме реального времени, анализ состояния растений, обнаружение сорняков и вредителей, а также оптимальные методы орошения.
Современные достижения позволяют интегрировать в БПЛА мультиспектральные, тепловые и лидарные датчики, а также датчики состояния растений в почве, что обеспечивает интенсивный анализ для принятия мер и, следовательно, оптимизацию управления урожайностью. С помощью платформ на основе ИИ можно автоматизировать сложные функции, такие как точный посев и внесение химикатов, включая обнаружение стресса растений, что позволяет минимизировать трудозатраты и максимизировать использование ресурсов.
Такие системы сканируют большие участки аэрофотоснимков и данных датчиков в режиме реального времени, используя сложные алгоритмы машинного обучения для принятия решений на месте с высокой точностью. Однако остаются проблемы, такие как высокие первоначальные затраты на настройку, воздействие окружающей среды и ограниченное время полета, что требует постоянных инноваций для повышения масштабируемости и удобства использования во всем мире для фермеров. В таблице 7 перечислены промышленные решения на основе БПЛА с искусственным интеллектом, используемые в точном земледелии .
| Категория | Продукт | Описание | Алгоритм машинного обучения |
|---|---|---|---|
| Беспилотный летательный аппарат с поддержкой ИИ для точного картографирования | DJI Phantom 4 RTK [ 85 ] | Беспилотный летательный аппарат с технологией кинематики в реальном времени (RTK) для точного картографирования и мониторинга урожая. | Сверточные нейронные сети для анализа изображений |
| Платформа для мониторинга урожая с использованием искусственного интеллекта | Таранис [ 86 ] | Платформа на основе искусственного интеллекта для мониторинга состояния сельскохозяйственных культур и вредителей с использованием аэрофотоснимков высокого разрешения. | Глубокое обучение и SVM для анализа состояния сельскохозяйственных культур |
| Беспилотник для посева и опрыскивания с управлением на основе искусственного интеллекта | сельскохозяйственный дрон XAG P100 [ 87 ] | Беспилотный летательный аппарат с искусственным интеллектом, предназначенный для точного посева и опрыскивания в сельском хозяйстве. | Обучение с подкреплением для оптимизации полета и нейронные сети для моделирования посева |
| Интеллектуальное орошение с использованием искусственного интеллекта | Net Beat от Netafim [ 88 | Система орошения на основе искусственного интеллекта, оптимизирующая использование воды на основе данных в реальном времени. | Регрессионные модели и деревья решений для оптимизации водопотребления |
| Беспилотный летательный аппарат для мониторинга стрессовых состояний почвы и растений. | CropX [ 89 ] | Платформа на основе искусственного интеллекта для мониторинга почвы и урожая, интегрирующая датчики для определения состояния растений. | Случайный лес и метод k-ближайших соседей (KNN) для обнаружения стресса |
| Система мониторинга состояния почвы | Пахотная марка 2 [ 90 ] | Датчик, работающий от солнечной энергии, отслеживает влажность почвы, температуру и показатели состояния растений. | Метод опорных векторов (SVM) для прогнозирования состояния почвы |
| Категория | Функции | Ограничения | Показатели эффективности |
|---|---|---|---|
| Беспилотный летательный аппарат с поддержкой ИИ для точного картографирования | Высокоточная система глобального позиционирования, мониторинг урожая в реальном времени, мультиспектральная съемка и RGB-датчики. | Дороговизна, ограничения по времени работы батарей на больших полях. | Точность позиционирования RTK: ±1 см, время полета: 30 мин, разрешение изображения: 20 МП, точность изображения: 98%. |
| Платформа для мониторинга урожая с использованием искусственного интеллекта | Автоматизированное обнаружение вредителей, ранняя идентификация заболеваний и интегрированные в БПЛА мультиспектральные датчики | Подвержен влиянию погодных условий, зависит от наличия дронов. | Точность обнаружения: 95%, разрешение изображения: 0,5 см/пиксель, скорость обработки данных: 30 мин на гектар. |
| Беспилотник для посева и опрыскивания с управлением на основе искусственного интеллекта | Автономный полёт, точный посев, схемы распыления, управляемые ИИ, RGB-изображения и механизмы распыления. | Ограниченная грузоподъемность, требует квалифицированного обращения. | Точность посева: 95%, продолжительность полета: 25 мин, грузоподъемность: 25 кг, точность полета: 96%, точность опрыскивания: 94%. |
| Интеллектуальное орошение с использованием искусственного интеллекта | Автоматизированное управление поливом, оптимизация водопотребления, датчики влажности и расхода воды. | Высокие первоначальные затраты на установку, требуются современные датчики. | Сокращение водопотребления: до 30%, точность полива: ±3%, время отклика: в режиме реального времени. |
| Беспилотный летательный аппарат для мониторинга стрессовых состояний почвы и растений. | Анализ влажности почвы, автоматическое обнаружение напряжений, облачные аналитические данные и датчики влажности почвы. | Точность данных зависит от расположения датчиков и ограниченной зоны покрытия. | Точность определения состояния растений: 92%, точность датчика влажности: ±0,03 м³ / м³ , скорость обработки в облаке: <5 мин. |
| Система мониторинга состояния почвы | Солнечная энергия, отслеживание состояния почвы в режиме реального времени, беспроводная связь, датчики температуры и влажности почвы. | Ограниченная зона покрытия и высокая стоимость для больших полей. | Точность датчика (влажность): ±0,02 м³ / м³ , точность измерения температуры: ±0,5°C, точность измерения влажности почвы: 98%. |
3.3. Примеры из практики
В этом разделе мы приводим несколько реальных примеров использования БПЛА и искусственного интеллекта в точном земледелии.
БПЛА в точном земледелии [21]: Фермер из Айовы, выращивающий кукурузу, совершил несколько прорывов в точном земледелии с помощью БПЛА, оснащенного мультиспектральными камерами. Это позволило ему детально наблюдать за своими посевами на обширной территории, оценивая состояние здоровья растений. Применение пестицидов с помощью БПЛА принесло дополнительный доход в размере примерно 434–488 долларов с гектара и потребовало значительно меньше времени на внесение пестицидов.
Беспилотные летательные аппараты с привязью для опрыскивания и мониторинга [22]: Полезность беспилотных летательных аппаратов с привязью заключается в их практическом применении, которое может включать мониторинг урожая и точное опрыскивание, а также в том, что они работают непрерывно, поскольку питание поступает непосредственно с земли.
Доказано, что это повышает точность опрыскивания и увеличивает продолжительность работы, поскольку беспилотные летательные аппараты с привязью не ограничены временем работы батареи традиционных БПЛА. Например, на крупных фермах беспилотные летательные аппараты с привязью могут непрерывно контролировать борьбу с вредителями и внесение питательных веществ без перерыва, тем самым расширяя охват.
Этот метод находит применение в мониторинге состояния урожая и крупномасштабном картировании. В приложениях, где необходимо регулярно собирать данные, таких как мониторинг роста и проверка состояния здоровья, беспилотные летательные аппараты с привязью успешно применяются, поскольку они могут работать весь день, в отличие от дронов с батарейным питанием.
Тематические исследования показали, что фермы, использующие беспилотные летательные аппараты с привязью для таких приложений, сообщали о более высоком разрешении данных, поскольку БПЛА могли оставаться в воздухе в течение более длительных периодов и получать высококачественные изображения для детального анализа урожая.
Эффективность проекта отражается в снижении затрат на топливо и рабочую силу, а использование беспилотных летательных аппаратов с привязью минимизирует необходимость частого ручного вмешательства, а также остановок для дозаправки или подзарядки, особенно при работе на больших полях. Хотя в данном исследовании не была установлена экономия конкретных затрат, возможность бесперебойной работы беспилотных летательных аппаратов с привязью обеспечивает значительную экономию трудозатрат за счет сокращения времени простоя, что подтверждается результатами испытаний на коммерческих фермах в Азии и Европе.
Гибридные БПЛА в сельском хозяйстве [23]: В данном исследовании рассматривается прагматическое применение гибридных БПЛА для многоцелевой работы в поле с использованием методов точного земледелия с применением БПЛА. Гибридные БПЛА обладают уникальными свойствами, сочетающими в себе характеристики БПЛА с неподвижным крылом и многороторных БПЛА; таким образом, они подходят для разнообразного использования в сельскохозяйственном управлении.
При использовании в условиях интенсивного сельского хозяйства, охватывающего такие разнообразные культуры, как кукуруза и пшеница, гибридные БПЛА сохраняют конфигурацию мультиспектральных камер для картирования состояния посевов, а также для целевого внесения удобрений и пестицидов. Гибкость их работы позволяет БПЛА охватывать обширные территории и легко перемещаться по различным типам местности.
На этапе картирования гибридные БПЛА получают изображения высокого разрешения, из которых фермеры могут получить информацию, необходимую для оценки состояния своих посевов, путем проведения расширенного спектрального анализа. Собранные данные помогли выявить области, требующие срочного внимания, такие как дефицит питательных веществ или заражение вредителями, а точное картирование позволило своевременно принять меры, которые повысили потенциал урожайности и эффективность использования ресурсов.
Кроме того, на заключительном этапе наблюдалось использование гибридных БПЛА для опрыскивания с высокой точностью внесения удобрений и средств защиты растений. Здесь применялась технология переменной нормы внесения, при которой БПЛА определял необходимое количество удобрений и средств защиты растений, учитывая предварительно проведенную оценку состояния почвы. Это снижает количество отходов и негативное воздействие на окружающую среду.
Длительное время полета, обеспечиваемое конструкциями с неподвижным крылом, в сочетании с эффективностью вертикального взлета многороторных аппаратов, гарантировало отсутствие необходимости охватывать исключительно большие сельскохозяйственные поля.
Сбор точных и своевременных данных перед опрыскиванием сократил использование химикатов и максимизировал эффективность применения, способствуя более здоровому урожаю с меньшим ущербом для окружающей среды. Гибридные БПЛА продемонстрировали универсальность в решении различных задач, таких как комплексное картографирование и сбор данных, для эффективного опрыскивания сельскохозяйственных культур в рамках одной миссии и удовлетворения множества оперативных потребностей. Гибридные конструкции сокращают количество БПЛА, необходимых для применения, тем самым снижая эксплуатационные расходы, что делает эту технологию более доступной для фермеров при внедрении точного земледелия.
Финансовые решения для небольших фермерских хозяйств: Начальные затраты, связанные с технологией БПЛА, существенно высоки и включают в себя факторы, связанные с оборудованием, такие как дроны и датчики, а также факторы, связанные с программным обеспечением, включая инструменты обработки данных. Для эффективного осуществления точного земледелия обычно требуются мультиспектральные или тепловые датчики.
Такие компоненты значительно увеличивают общие инвестиции. В некоторых исследованиях утверждается, что эти технологии могут окупить часть затрат с течением времени, поскольку эффективность обычно достигается за счет мониторинга урожая, управления орошением и снижения использования пестицидов. Это соотношение затрат и выгод сохраняется даже при учете увеличения урожайности и снижения затрат на ресурсы [31, 32].
В контексте небольших фермерских хозяйств наиболее практичными средствами для смягчения финансовых ограничений стали программы аренды, государственные субсидии и модели кооперативной собственности. Например, большинство правительств предоставляют субсидии на технологии точного земледелия в контексте снижения стоимости приобретения БПЛА. Даже модели совместной собственности оказались весьма продуктивными во многих регионах, поскольку многие небольшие фермерские хозяйства объединяются, чтобы совместить свои инвестиции и совместно использовать индивидуальную систему БПЛА [33].
4. Вызовы, решения, нерешенные вопросы и направления будущих исследований
4.1. Проблемы и возможные решения в точном земледелии
Интеграция систем БПЛА с алгоритмами восприятия на основе искусственного интеллекта имеет огромный потенциал в области точного земледелия. Однако БПЛА представляют собой множество технических проблем при работе в сельскохозяйственных условиях, от стабильности полета и энергоэффективности до проблем, связанных с адаптацией моделей ИИ к изменениям в зависимости от культуры и окружающей среды. Кроме того, низкое качество данных, задержка при передаче данных и высокая стоимость получения изображений и обработки данных высокого разрешения создают дополнительные препятствия. Необходимо устранить эти барьеры, чтобы точное земледелие могло реализовать весь свой потенциал с помощью систем БПЛА, использующих искусственный интеллект. Проблемы и возможные решения для систем ИИ на основе БПЛА, применяемых в точном земледелии, перечислены в таблице 8 .
| Испытание | Подробности | Возможные решения | Варианты использования |
|---|---|---|---|
| Стабильность и надежность полета | Небольшие беспилотные летательные аппараты испытывают проблемы со стабильностью в условиях турбулентности, что влияет на качество изображения и точность данных. | Разработка более надежных планеров, совершенствование алгоритмов управления полетом и улучшение навигации БПЛА для более эффективного избегания препятствий и подавления помех. | Применение БПЛА в виноградниках и садах, где стабильность полета обеспечивает получение высококачественных данных [ 65 ]. |
| Полезная нагрузка и выносливость | Беспилотные летательные аппараты имеют ограниченную грузоподъемность и короткое время полета из-за низкой емкости аккумулятора и высокого энергопотребления. | Разрабатывать батареи с более высокой плотностью энергии (например, литий-серные), использовать водородные топливные элементы или солнечную энергию, а также снижать вес полезной нагрузки за счет миниатюрных датчиков. В качестве альтернативы можно выбрать более крупные платформы для беспилотных летательных аппаратов. | БПЛА, использующие водородные батареи (серия HyDrone), демонстрируют более длительное время полета, что делает их подходящими для масштабного мониторинга [ 91 ]. |
| Разрешение изображения и стоимость | Получение изображений высокого разрешения — дорогостоящий процесс, требующий компромиссов в отношении эффективности полета. | Используйте гиперспектральную и мультиспектральную съемку для фокусировки на критически важных длинах волн, оптимизации траекторий полета и внедрения периферийных вычислений для обработки данных в реальном времени. | Высокоразрешающая визуализация виноградников позволяет эффективно управлять питательными веществами [ 92 ]. |
| Энергоэффективность | Беспилотные летательные аппараты работают от батареи с ограниченным временем автономной работы, а модели искусственного интеллекта потребляют много энергии. | Разработка легковесных моделей ИИ и использование энергоэффективных алгоритмов или граничных вычислений для снижения энергопотребления во время полета. Кроме того, это внедряет стратегии энергосбережения, такие как динамическое распределение задач между граничными и облачными вычислениями. | Обработка краев в полевых условиях использовалась на виноградниках для продления срока службы батарей БПЛА и оптимизации траекторий полета [ 93 ]. |
| Доступность эталонного набора данных | Отсутствие крупномасштабных размеченных наборов данных для обучения моделей ИИ замедляет развитие приложений в области точного земледелия. | Разработайте эталонные наборы данных, специфичные для БПЛА, с аннотированными данными для различных условий выращивания сельскохозяйственных культур, стадий стресса и регионов. Перенос обучения на уже существующих наборах данных может быть полезен для повышения обобщающей способности. | Применение трансферного обучения в приложениях для обнаружения сорняков помогло сократить требования к набору данных [ 42 ]. |
| Общность алгоритма | Модели искусственного интеллекта нелегко адаптируются к новым условиям окружающей среды, культурам или условиям выращивания. | Внедрить методы трансферного обучения и адаптации к предметной области для повышения обобщающей способности моделей ИИ в различных сельскохозяйственных условиях. | Была предпринята попытка адаптации алгоритма в условиях выращивания различных культур для повышения его применимости [ 94 ]. |
| Точность в сборе данных | Изменчивость высоты полета БПЛА и условий окружающей среды (например, солнечного света) может приводить к непоследовательному сбору данных с таких датчиков, как мультиспектральные и гиперспектральные камеры. | Внедрить адаптивное планирование полетов БПЛА с калибровкой датчиков в реальном времени и использовать алгоритмы машинного обучения для корректировки изменений окружающей среды во время сбора данных. | Многоспектральные БПЛА с адаптивным планированием используются для оценки содержания хлорофилла при различных условиях солнечного света [ 95 ]. |
| Передача данных в отдаленных районах | Ограниченная доступность сети в сельских или отдаленных сельскохозяйственных районах препятствует передаче данных в режиме реального времени и работе беспилотных летательных аппаратов. | Используйте маломощные сети дальнего действия (LPWAN) в сочетании с граничными вычислениями для локальной обработки и передачи данных через спутники в критических ситуациях. | LPWAN и граничные вычисления были применены для обеспечения локализованной обработки данных для БПЛА на сельских фермах [ 96 ]. |
4.2. Открытые исследовательские вопросы и будущие направления исследований в области точного земледелия
Интеграция алгоритмов искусственного интеллекта и сенсорных технологий с беспилотными летательными аппаратами имеет значительный потенциал для революционизации точного земледелия. Эта конвергенция направлена на повышение эффективности сельского хозяйства за счет более точного сбора данных, анализа в реальном времени и автономного принятия решений. Будущие исследования и разработки в этой области, вероятно, будут сосредоточены на следующих направлениях.
4.2.1. Усовершенствованные алгоритмы ИИ для адаптивного обучения
Будущие модели ИИ будут делать упор на адаптивные алгоритмы обучения [97, 98, 99], способные адаптироваться к изменяющимся условиям окружающей среды, типам сельскохозяйственных культур и географическим регионам. Традиционные алгоритмы обучения с учителем, такие как SVM и случайные леса, показывают хорошие результаты, но ограничены зависимостью от больших размеченных наборов данных.
Новые направления включают использование обучения с подкреплением и генеративно-состязательных сетей (GAN) для адаптации в реальном времени к изменениям окружающей среды и неизвестным распределениям данных [100]. Например, адаптивный ИИ может помочь БПЛА автономно корректировать траектории полета на основе данных о скорости ветра в реальном времени или изменяющихся условиях состояния сельскохозяйственных культур, тем самым снижая необходимость постоянного вмешательства человека.
4.2.2. Слияние данных из многосенсорных сетей
БПЛА оснащены различными датчиками (например, RGB, мультиспектральными, гиперспектральными и LIDAR), которые предоставляют широкий спектр данных. Интеграция алгоритмов слияния данных с нескольких датчиков позволит проводить более комплексный анализ, особенно при объединении данных с поверхности и из-под поверхности [101, 102].
Будущие исследования будут посвящены изучению алгоритмов слияния данных, таких как фильтры Калмана, байесовские сети и системы слияния на основе глубокого обучения, для бесшовного объединения данных с воздушных и наземных датчиков. Например, объединение данных с БПЛА с данными датчиков влажности почвы может обеспечить более точные прогнозы для управления орошением и обнаружения стресса у растений.
4.2.3. Легковесные и энергоэффективные модели ИИ
С учетом ограничений по времени работы батарей БПЛА и доступной вычислительной мощности, будущие подходы должны быть сосредоточены на разработке облегченных моделей ИИ, которые также являются вычислительно и энергоэффективными [103].
Поэтому периферийный ИИ и федеративное обучение будут играть важную роль в обеспечении возможности локального запуска моделей ИИ на БПЛА и снижении зависимости от передачи больших объемов данных на удаленные серверы [104]. Усеченные нейронные сети и квантованные модели могут достичь очень высокой точности при минимальной вычислительной нагрузке, тем самым экономя энергию во время работы БПЛА. Например, энергоэффективный ИИ для БПЛА может увеличить охват поля, собирая данные в течение более длительных периодов без необходимости частой подзарядки.
4.2.4. Улучшенное 3D-картирование и реконструкция
Достижения в алгоритмах компьютерного зрения сыграют решающую роль в улучшении трехмерной реконструкции сельскохозяйственных полей с помощью БПЛА. Алгоритмы одновременной локализации и картирования (SLAM) будут продолжать развиваться для создания высокоточных трехмерных моделей полей и культур в реальном времени, что позволит оптимизировать отслеживание высоты, биомассы и состояния растений, среди прочего [105].
Например, усовершенствованные алгоритмы SLAM на БПЛА могут отслеживать динамические изменения в росте растений и, следовательно, предоставлять немедленные предупреждения о потенциальном возникновении заболеваний или проблем с дефицитом питательных веществ гораздо раньше, чем обычно.
4.2.5. Масштабируемость с 5G и последующими поколениями
Сеть 5G повысит масштабируемость систем БПЛА в точном земледелии, поскольку она обеспечивает высокую пропускную способность для низкой задержки и мгновенной передачи данных [106]. Это позволит паркам БПЛА охватывать большие поля и отправлять данные обратно в централизованные системы без значительных задержек [107].
Например, с помощью 5G БПЛА могут передавать данные о состоянии посевов с высоким разрешением в режиме реального времени, что позволит немедленно вносить необходимые корректировки, не прибегая к стратегиям орошения или внесения удобрений.
4.2.6. Формирование многоцелевых БПЛА и автоматизация
Исследователи также изучали методы управления роем, использующие несколько БПЛА для эффективного выполнения различных задач. Применение роевой технологии может значительно снизить затраты на батареи, повысить эффективность и сократить время работы.
В сельском хозяйстве БПЛА используются для внесения удобрений и пестицидов на поля, хотя все эти задачи по-прежнему выполняются вручную. Для выполнения активных задач, таких как мониторинг состояния посевов, опрыскивание и внесение удобрений и пестицидов на поля, в сельском хозяйстве необходимо автоматизировать использование БПЛА. Это требует сложного сочетания разработок в области управления роем БПЛА, управления полетом, устойчивости, аэродинамики и компьютерного зрения.
4.2.7. Удобные приложения для смартфонов
Наконец, необходимо разработать удобные для пользователей приложения для смартфонов и браузеров, предназначенные для управления БПЛА и датчиками. Управление БПЛА обычно представляет трудности для людей, работающих в сельском хозяйстве. Более интуитивно понятный пользовательский интерфейс может упростить управление БПЛА для пожилых или неопытных пользователей. Снижение зависимости от квалифицированных операторов для полевого мониторинга позволит фермерам легче внедрять технологии БПЛА. В частности, человекоориентированные пользовательские интерфейсы и обратная связь эффективны при работе с системами, включающими несколько БПЛА.
4.2.8. Необходимость в эталонных наборах данных в области искусственного интеллекта в сельском хозяйстве
Основная трудность в разработке сельскохозяйственного ИИ заключается в дефиците больших, размеченных и специализированных эталонных наборов данных. Это серьезно ограничивает обучение и проверку моделей ИИ для обобщения на другие условия выращивания культур, фенологические стадии и условия окружающей среды.
В будущих исследованиях следует создать эталонные наборы данных, специфичные для БПЛА, для различных типов культур, индикаторов стресса и условий окружающей среды. Такие наборы данных повысят надежность моделей и позволят масштабировать решения ИИ для множества применений в сельском хозяйстве [42].
Более общие наборы данных, такие как ImageNet, ранее использовались для предварительного обучения моделей в сельском хозяйстве, но они не содержат специфического сельскохозяйственного контента, который не позволяет уловить более тонкие нюансы состояния растений или региональные фенотипические различия [18]. Для повышения точности прогнозирования мониторинга на основе БПЛА исследования в области сельскохозяйственного ИИ должны сместиться в сторону специально предназначенных эталонных наборов данных.
4.2.9. Стандартизированные среды тестирования
Для обеспечения согласованной оценки и воспроизводимости моделей ИИ в сельскохозяйственных приложениях БПЛА крайне необходимы полноценные стандартизированные среды тестирования. Отсутствие общих протоколов тестирования в настоящее время затрудняет сопоставимость исследований, ограничивая прогресс в разработке надежных, готовых к полевым испытаниям решений на основе БПЛА и ИИ. Стандартизированные структуры могут основываться как на реальных, так и на смоделированных условиях, учитывая следующие ключевые переменные: разнообразие окружающей среды, включая погоду и освещение, типы датчиков и разнообразие культур. Все это способствует перекрестной проверке и согласованию методологий [108].
4.2.10. Вычислительная мощность
Беспилотные летательные аппараты (БПЛА) обычно имеют ограничения по энергопотреблению, особенно когда они несут энергоемкие датчики или летают над сложными средами, требующими значительной обработки данных. Необходимость ограничения энергопотребления БПЛА подразумевает, что используемые на них модели искусственного интеллекта должны быть эффективными и энергоэффективными.
Исследованные методы включали в себя обрезку моделей, которая удаляет избыточные веса в нейронных сетях; квантование, при котором используются веса с более низкой точностью; и дистилляцию, обучение меньших моделей с использованием знаний из больших моделей. Эти методы особенно полезны для периферийных вычислений, таких как БПЛА, которые характеризуются ограниченной вычислительной мощностью и энергопотреблением.
5. Выводы
Интеграция БПЛА с технологиями искусственного интеллекта, машинного обучения и передовыми сенсорными технологиями открывает значительные возможности для революционизации точного земледелия за счет повышения эффективности, точности и устойчивости. БПЛА, оснащенные высокоразрешающими мультиспектральными, гиперспектральными и тепловыми датчиками, предоставляют критически важные данные о состоянии урожая, состоянии почвы и заражении вредителями в режиме реального времени.
Данные, собранные с помощью таких датчиков и проанализированные с помощью моделей ИИ и машинного обучения, позволяют системе принимать конкретные решения для оптимизации использования ресурсов и достижения более эффективного управления урожаем. Преимущества включают экономию трудозатрат, увеличение урожайности и снижение воздействия на окружающую среду за счет сокращения использования воды, удобрений и пестицидов. Однако проблемы сохраняются, связанные с эксплуатационными расходами, коротким сроком службы батарей и воздействием на окружающую среду.
Еще одна серьезная проблема заключается в том, что связь высокотехнологичных датчиков с БПЛА поднимает вопросы экономической эффективности и удобства использования. Это требует дальнейшей миниатюризации датчиков, более энергоэффективных моделей ИИ и полностью автономных систем БПЛА, которые, как ожидается, станут движущей силой следующей волны инноваций в точном земледелии.
В данной статье представлен краткий обзор технологий беспилотных летательных аппаратов с искусственным интеллектом для точного земледелия. Различные алгоритмы ИИ и машинного обучения были тщательно рассмотрены и проанализированы с точки зрения их возможностей и потенциальной полезности. Представлен общий технический обзор текущего прогресса исследований в области технологий беспилотных летательных аппаратов с искусственным интеллектом в точном земледелии. Кроме того, в конце статьи приведен список открытых вопросов и перспективных направлений исследований.
В будущем в общих областях применения будут наблюдаться тенденции повышения эффективности сельскохозяйственных процессов за счет автоматизации с использованием беспилотных летательных аппаратов (БПЛА) с искусственным интеллектом. Эти системы смогут осуществлять мониторинг и вмешиваться в режиме реального времени с минимальным участием человека. Тем не менее, можно разработать еще более надежную и адаптируемую сенсорную систему с упором на более высокую точность данных и применимость в различных сельскохозяйственных условиях.
Обеспечение конфиденциальности и безопасности данных при минимизации социально-экономических последствий такой автоматизации для сельского хозяйства имеет решающее значение для эффективного использования этих технологий. В будущем повышение устойчивости, эффективности и экологичности сельского хозяйства обеспечит устойчивость сельскохозяйственных приложений за счет интеграции БПЛА, ИИ и датчиков, что позволит обеспечить продовольственную безопасность человечества в условиях усиливающегося изменения климата.
Литература
- Arafat, M.Y.; Moh, S. A Survey on Cluster-Based Routing Protocols for Unmanned Aerial Vehicle Networks. IEEE Access 2019, 7, 498–516.
- Singh, P.K.; Sharma, A.K. An Intelligent WSN-UAV-Based IoT Framework for Precision Agriculture Application. Comput. Electr. Eng. 2022, 100, 107912.
- Fei, S.; Hassan, M.A.; Xiao, Y.; Su, X.; Chen, Z.; Cheng, Q.; Duan, F.; Chen, R.; Ma, Y.N. UAV-Based Multi-Sensor Data Fusion and Machine Learning Algorithm for Yield Prediction in Wheat. Precis. Agric. 2022, 24, 187–212.
- Kumar, C.; Mubvumba, P.; Huang, Y.; Dhillon, J.; Reddy, K. Multi-Stage Corn Yield Prediction Using High-Resolution UAV Multispectral Data and Machine Learning Models. Agronomy 2023, 13, 1277.
- Shahi, T.B.; Xu, C.-Y.; Neupane, A.; Guo, W. Recent Advances in Crop Disease Detection Using UAV and Deep Learning Techniques. Remote Sens. 2023, 15, 2450.
- Bouguettaya, A.; Zarzour, H.; Kechida, A.; Taberkit, A.M. A Survey on Deep Learning-Based Identification of Plant and Crop Diseases from UAV-Based Aerial Images. Clust. Comput. 2022, 26, 1297–1317.
- Shaikh, T.A.; Mir, W.A.; Rasool, T.; Sofi, S.A. Machine Learning for Smart Agriculture and Precision Farming: Towards Making the Fields Talk. Arch. Comput. Methods Eng. 2022, 29, 4557–4597.
- Arafat, M.Y.; Poudel, S.; Moh, S. Medium Access Control Protocols for Flying Ad Hoc Networks: A Review. IEEE Sens. J. 2021, 21, 4097–4121.
- Karunathilake, E.M.B.M.; Le, A.T.; Heo, S.; Chung, Y.S.; Mansoor, S. The Path to Smart Farming: Innovations and Opportunities in Precision Agriculture. Agriculture 2023, 13, 1593.
- Arafat, M.Y.; Moh, S. Routing Protocols for Unmanned Aerial Vehicle Networks: A Survey. IEEE Access 2019, 7, 99694–99720.
- Alam, M.M.; Arafat, M.Y.; Moh, S.; Shen, J. Topology control algorithms in multi-unmanned aerial vehicle networks: An extensive survey. J. Netw. Comput. Appl. 2022, 207, 103495.
- Salamí, E.; Barrado, C.; Pastor, E. UAV Flight Experiments Applied to the Remote Sensing of Vegetated Areas. Remote Sens. 2014, 6, 11051–11081.
- Linaza, M.T.; Posada, J.; Bund, J.; Eisert, P.; Quartulli, M.; Döllner, J.; Pagani, A.; Olaizola, I.G.; Barriguinha, A.; Moysiadis, T.; et al. Data-Driven Artificial Intelligence Applications for Sustainable Precision Agriculture. Agronomy 2021, 11, 1227.
- Dong, H.; Dong, J.; Sun, S.; Bai, T.; Zhao, D.; Yin, Y.; Shen, X.; Wang, Y.; Zhang, Z.; Wang, Y. Crop water stress detection based on UAV Remote Sensing Systems. Agric. Water Manag. 2024, 303, 109059.
- Delavarpour, N.; Koparan, C.; Nowatzki, J.; Bajwa, S.; Sun, X. A Technical Study on UAV Characteristics for Precision Agriculture Applications and Associated Practical Challenges. Remote Sens. 2021, 13, 1204.
- Ganesh Kumar, S.S.; Gudipalli, A. A comprehensive review on payloads of Unmanned Aerial Vehicle. Egypt. J. Remote Sens. Space Sci. 2024, 27, 637–644.
- Canicattì, M.; Vallone, M. Drones in Vegetable Crops: A Systematic Literature Review. Smart Agric. Technol. 2024, 7, 100396.
- Zualkernan, I.; Abuhani, D.A.; Hussain, M.H.; Khan, J.; ElMohandes, M. Machine Learning for Precision Agriculture Using Imagery from Unmanned Aerial Vehicles (UAVs): A Survey. Drones 2023, 7, 382.
- Messina, G.; Modica, G. Applications of UAV Thermal Imagery in Precision Agriculture: State of the Art and Future Research Outlook. Remote Sens. 2020, 12, 1491.
- Arafat, M.Y.; Alam, M.M.; Moh, S. Vision-Based Navigation Techniques for Unmanned Aerial Vehicles: Review and Challenges. Drones 2023, 7, 89.
- Liu, Z.; Li, J. Application of Unmanned Aerial Vehicles in Precision Agriculture. Agriculture 2023, 13, 1375.
- Hafeez, A.; Husain, M.A.; Singh, S.P.; Chauhan, A.; Khan, M.T.; Kumar, N.R.; Chauhan, A.; Soni, S.K. Implementation of Drone Technology for Farm Monitoring & Pesticide Spraying: A Review. Inf. Process. Agric. 2022, 10, 192–203.
- Raj, M.; N B, H.; Atiquzzaman, M.; Rawlley, O.; Goel, L. Leveraging Precision Agriculture Techniques Using UAVs and Emerging Disruptive Technologies. Energy Nexus 2024.
- Radoglou-Grammatikis, P.; Sarigiannidis, P.; Lagkas, T.; Moscholios, I.D. A Compilation of UAV Applications for Precision Agriculture. Comput. Netw. 2020, 172, 107148.
- Srivastava, K.; Pandey, P.C.; Sharma, J.K. An Approach for Route Optimization in Applications of Precision Agriculture Using UAVs. Drones 2020, 4, 58.
- Mukherjee, A.; Misra, S.; Raghuwanshi, N.S. A Survey of Unmanned Aerial Sensing Solutions in Precision Agriculture. J. Netw. Comput. Appl. 2019, 148, 102461.
- Trethowan, J.; Wang, Z.; Wong, K.C. The Viability of a Grid of Autonomous Ground-Tethered UAV Platforms in Agricultural Pest Bird Control. Machines 2023, 11, 377.
- del Cerro, J.; Cruz Ulloa, C.; Barrientos, A.; de León Rivas, J. Unmanned Aerial Vehicles in Agriculture: A Survey. Agronomy 2021, 11, 203.
- Puri, V.; Nayyar, A.; Raja, L. Agriculture Drones: A Modern Breakthrough in Precision Agriculture. J. Stat. Manag. Syst. 2017, 20, 507–518.
- Toscano, F.; Fiorentino, C.; Capece, N.; Erra, U.; Travascia, D.; Scopa, A.; Drosos, M.; D’Antonio, P. Unmanned Aerial Vehicle for Precision Agriculture: A Review. IEEE Access 2024, 12, 69188–69205.
- Maddikunta, P.K.R.; Hakak, S.; Alazab, M.; Bhattacharya, S.; Gadekallu, T.R.; Khan, W.Z.; Pham, Q.-V. Unmanned Aerial Vehicles in Smart Agriculture: Applications, Requirements, and Challenges. IEEE Sens. J. 2021, 21, 17608–17619.
- Kim, J.; Kim, S.; Ju, C.; Son, H.I. Unmanned Aerial Vehicles in Agriculture: A Review of Perspective of Platform, Control, and Applications. IEEE Access 2019, 7, 105100–105115.
- Rahman, M.F.F.; Fan, S.; Zhang, Y.; Chen, L. A Comparative Study on Application of Unmanned Aerial Vehicle Systems in Agriculture. Agriculture 2021, 11, 22.
- Amorim, J.G.A.; Schreiber, L.; de Souza, M.R.Q.; Negreiros, M.; Susin, A.A.; Bredemeier, C.; Trentin, C.; Vian, A.L.; de Andrades-Filho, C.O.; Doering, D.; et al. Biomass Estimation of Spring Wheat with Machine Learning Methods Using UAV-Based Multispectral Imaging. Int. J. Remote Sens. 2022, 43, 4758–4773.
- López-Granados, F.; Torres-Sánchez, J.; Serrano-Pérez, A.; Castro, A.; Mesas-Carrascosa, F.-J.; Peña, J.M. Early Season Weed Mapping in Sunflower Using UAV Technology: Variability of Herbicide Treatment Maps against Weed Thresholds. Precis. Agric. 2016, 17, 183–199.
- Dhanaraju, M.; Chenniappan, P.; Ramalingam, K.; Pazhanivelan, S.; Kaliaperumal, R. Smart Farming: Internet of Things (IoT)-Based Sustainable Agriculture. Agriculture 2022, 12, 1745.
- Singhal, G.; Bansod, B.S.; Mathew, L.; Goswami, J.; Choudhury, B.U.; Raju, P.L.N. Chlorophyll Estimation Using Multi-Spectral Unmanned Aerial System Based on Machine Learning Techniques. Remote Sens. Appl. Soc. Environ. 2019, 15, 100235.
- Gokool, S.; Mahomed, M.; Kunz, R.; Clulow, A.; Sibanda, M.; Naiken, V.; Chetty, K.; Mabhaudhi, T. Crop Monitoring in Smallholder Farms Using Unmanned Aerial Vehicles to Facilitate Precision Agriculture Practices: A Scoping Review and Bibliometric Analysis. Sustainability 2023, 15, 3557.
- Ukaegbu, U.F.; Tartibu, L.K.; Okwu, M.O.; Olayode, I.O. Development of a Light-Weight Unmanned Aerial Vehicle for Precision Agriculture. Sensors 2021, 21, 4417.
- Deng, L.; Mao, Z.; Li, X.; Hu, Z.; Duan, F.; Yan, Y. UAV-Based Multispectral Remote Sensing for Precision Agriculture: A Comparison between Different Cameras. Isprs J. Photogramm. Remote Sens. 2018, 146, 124–136.
- Rehman, T.H.; Lundy, M.E.; Linquist, B.A. Comparative Sensitivity of Vegetation Indices Measured via Proximal and Aerial Sensors for Assessing N Status and Predicting Grain Yield in Rice Cropping Systems. Remote Sens. 2022, 14, 2770.
- Su, J.; Zhu, X.P.; Li, S.; Chen, W.-H. A survey on AI empowered UAV perception systems for precision agriculture. Neurocomputing 2023, 518, 242–270.
- Arafat, M.Y.; Moh, S. Bio-Inspired Approaches for Energy-Efficient Localization and Clustering in UAV Networks for Monitoring Wildfires in Remote Areas. IEEE Access 2021, 9, 18649–18669.
- Arafat, M.Y.; Moh, S. A Q-Learning-Based Topology-Aware Routing Protocol for Flying Ad Hoc Networks. IEEE Internet Things J. 2021, 9, 1985–2000.
- Istiak, M.A.; Syeed, M.; Hossain, M.S.; Uddin, M.F.; Hasan, M.; Khan, R.; Azad, N.S. Adoption of Unmanned Aerial Vehicle (UAV) Imagery in Agricultural Management: A Systematic Literature Review. Ecol. Inform. 2023, 78, 102305.
- de Montes Oca, A.; Flores, G. The AgriQ: A Low-Cost Unmanned Aerial System for Precision Agriculture. Expert Syst. Appl. 2021, 182, 115163.
- Jiang, X.; Sun, S.; Adamchuk, V.; Weisman, G.; Ramsay, P.; Rincon, A. Spinach Yield Mapping Using Multispectral UAV Imagery. Smart Agric. Technol. 2023, 7, 100389.
- Cottrell, B.; Kalacska, M.; Arroyo-Mora, J.-P.; Lucanus, O.; Inamdar, D.; Løke, T.; Soffer, R.J. Limitations of a Multispectral UAV Sensor for Satellite Validation and Mapping Complex Vegetation. Remote Sens. 2024, 16, 2463.
- Neri, I.; Caponi, S.; Bonacci, F.; Clementi, G.; Cottone, F.; Gammaitoni, L.; Figorilli, S.; Ortenzi, L.; Aisa, S.; Pallottino, F.; et al. Real-Time AI-Assisted Push-Broom Hyperspectral System for Precision Agriculture. Sensors 2024, 24, 344.
- Akay, S.S.; Özcan, O.; Özcan, O.; Yetemen, Ö. Efficiency Analysis of Solar Farms by UAV-Based Thermal Monitoring. Eng. Sci. Technol. Int. J. 2024, 53, 101688.
- Sangaiah, A.K.; Anandakrishnan, J.; Meenakshisundaram, V.; Rahman, M.A.; Arumugam, P.; Das, M. Edge-IOT-UAV adaptation toward Precision Agriculture using 3D-lidar point clouds. IEEE Internet Things Mag. 2024, 1–7.
- Sorokin, A.; Stepanov, A.; Dubrovin, K.; Verkhoturov, A. Enhancement of Comparative Assessment Approaches for Synthetic Aperture Radar (SAR) Vegetation Indices for Crop Monitoring and Identification—Khabarovsk Territory (Russia) Case Study. Remote Sens. 2024, 16, 2532.
- Holtorf, L.; Titov, I.; Daschner, F.; Gerken, M. UAV-Based Wireless Data Collection from Underground Sensor Nodes for Precision Agriculture. AgriEngineering 2023, 5, 338–354.
- Arafat, M.Y.; Habib, M.A.; Moh, S. Routing Protocols for UAV-Aided Wireless Sensor Networks. Appl. Sci. 2020, 10, 4077.
- Arafat, M.Y.; Moh, S. JRCS: Joint Routing and Charging Strategy for Logistics Drones. IEEE Internet Things J. 2022, 9, 21751–21764.
- Kouadio, L.; El Jarroudi, M.; Belabess, Z.; Laasli, S.-E.; Roni, M.Z.K.; Amine, I.D.I.; Mokhtari, N.; Mokrini, F.; Junk, J.; Lahlali, R. A Review on UAV-Based Applications for Plant Disease Detection and Monitoring. Remote Sens. 2023, 15, 4273.
- De Ocampo, A.L.; Montalbo, F.J. A multi-vision monitoring framework for simultaneous real-time unmanned aerial monitoring of farmer activity and Crop Health. Smart Agric. Technol. 2024, 8, 100466.
- Puppala, H.; Peddinti, P.R.T.; Tamvada, J.P.; Ahuja, J.; Kim, B. Barriers to the Adoption of New Technologies in Rural Areas: The Case of Unmanned Aerial Vehicles for Precision Agriculture in India. Technol. Soc. 2023, 74, 102335.
- Rodriguez, R. Perspective: Agricultural Aerial Application with Unmanned Aircraft Systems: Current Regulatory Framework and Analysis of Operators in the United States. Trans. ASABE 2021, 64, 1475–1481.
- Song, C.; Zhou, Z.; Zang, Y.; Zhao, L.; Wenwu, Y.; Luo, X.; Jiang, R.; Rui, M.; Yu, Z.; Zi, L.; et al. Variable-Rate Control System for UAV-Based Granular Fertilizer Spreader. Comput. Electron. Agric. 2021, 180, 105832.
- Subeesh, A.; Mehta, C.R. Automation and digitization of agriculture using Artificial Intelligence and internet of things. Artif. Intell. Agric. 2021, 5, 278–291.
- Zhou, Z.; Majeed, Y.; Naranjo, G.D.; Gambacorta, E.M.T. Assessment for Crop Water Stress with Infrared Thermal Imagery in Precision Agriculture: A Review and Future Prospects for Deep Learning Applications. Comput. Electron. Agric. 2021, 182, 106019.
- Sharma, A.; Jain, A.; Gupta, P.; Chowdary, V. Machine Learning Applications for Precision Agriculture: A Comprehensive Review. IEEE Access 2021, 9, 4843–4873.
- Shadrin, D.; Menshchikov, A.; Somov, A.; Bornemann, G.; Hauslage, J.; Fedorov, M.V. Enabling Precision Agriculture Through Embedded Sensing with Artificial Intelligence. IEEE Trans. Instrum. Meas. 2020, 69, 4103–4113.
- Tsouros, D.C.; Bibi, S.; Sarigiannidis, P.G. A Review on UAV-Based Applications for Precision Agriculture. Information 2019, 10, 349.
- Lambertini, A.; Mandanici, E.; Tini, M.A.; Vittuari, L. Technical Challenges for Multi-Temporal and Multi-Sensor Image Processing Surveyed by UAV for Mapping and Monitoring in Precision Agriculture. Remote Sens. 2022, 14, 4954.
- Lacerda, L.N.; Snider, J.L.; Cohen, Y.; Liakos, V.; Gobbo, S.; Vellidis, G. Using UAV-Based Thermal Imagery to Detect Crop Water Status Variability in Cotton. Smart Agric. Technol. 2022, 2, 100029.
- Mohidem, N.A.; Che’Ya, N.N.; Juraimi, A.S.; Fazlil Ilahi, W.F.; Mohd Roslim, M.H.; Sulaiman, N.; Saberioon, M.; Mohd Noor, N. How Can Unmanned Aerial Vehicles Be Used for Detecting Weeds in Agricultural Fields? Agriculture 2021, 11, 1004.
- Popescu, D.; Stoican, F.; Stamatescu, G.; Ichim, L.; Dragana, C. Advanced UAV–WSN System for Intelligent Monitoring in Precision Agriculture. Sensors 2020, 20, 817.
- Mazzia, V.; Comba, L.; Khaliq, A.; Chiaberge, M.; Gay, P. UAV and Machine Learning Based Refinement of a Satellite-Driven Vegetation Index for Precision Agriculture. Sensors 2020, 20, 2530.
- Sitharthan, R.; Rajesh, M.G.; Vimal, S.; Kumar, E.S.; Yuvaraj, S.; Kumar, A.; Raglend, I.J.; Vengatesan, K. A Novel Autonomous Irrigation System for Smart Agriculture Using AI and 6G Enabled IoT Network. Microprocess. Microsyst. 2023, 101, 104905.
- Zhu, W.; Eyshi Rezaei, E.; Nouri, H.; Sun, Z.; Li, J.; Yu, D.; Siebert, S. UAV-Based Indicators of Crop Growth Are Robust for Distinct Water and Nutrient Management but Vary between Crop Development Phases. Field Crops Res. 2022, 284, 108582.
- Maimaitijiang, M.; Sagan, V.; Sidike, P.; Daloye, A.M.; Erkbol, H.; Fritschi, F.B. Crop Monitoring Using Satellite/UAV Data Fusion and Machine Learning. Remote Sens. 2020, 12, 1357.
- Babu, P.J.; Longchar, B.; Rajasekhar, A. Nanobiotechnology-Mediated Sustainable Agriculture and Post-Harvest Management. Curr. Res. Biotechnol. 2022, 4, 326–336.
- Zeng, T.; Wang, Y.; Yang, Y.; Liang, Q.; Fang, J.; Li, Y.; Zhang, H.; Fu, W.; Wang, J.; Zhang, X. Early Detection of Rubber Tree Powdery Mildew Using UAV-Based Hyperspectral Imagery and Deep Learning. Comput. Electron. Agric. 2024, 220, 108909.
- Eladl, S.G.; Haikal, A.Y.; Saafan, M.M.; ZainEldin, H.Y. A proposed plant classification framework for smart agricultural applications using UAV images and artificial intelligence techniques. Alex. Eng. J. 2024, 109, 466–481.
- Chin, R.; Catal, C.; Kassahun, A. Plant Disease Detection Using Drones in Precision Agriculture. Precis. Agric. 2023, 24, 1663–1682.
- Wasswa, S.; Tufail, A.; De Silva Liyanage, C.; Apong, R.A. Using Transfer Learning-Based Plant Disease Classification and Detection for Sustainable Agriculture. BMC Plant Biol. 2024, 24, 136.
- Liu, J.; Xiang, J.; Jin, Y.; Liu, R.; Yan, J.; Wang, L. Boost Precision Agriculture with Unmanned Aerial Vehicle Remote Sensing and Edge Intelligence: A Survey. Remote Sens. 2021, 13, 4387.
- Velusamy, P.; Rajendran, S.; Mahendran, R.K.; Naseer, S.; Shafiq, M.; Choi, J.-G. Unmanned Aerial Vehicles (UAV) in Precision Agriculture: Applications and Challenges. Energies 2022, 15, 217.
- Bhat, S.A.; Huang, N.-F. Big Data and AI Revolution in Precision Agriculture: Survey and Challenges. IEEE Access 2021, 9, 110209–110222.
- Zheng, Y.; Sarigul, E.; Panicker, G.; Stott, D. Vineyard Lai and canopy coverage estimation with convolutional neural network models and Drone Pictures. In Sensing for Agriculture and Food Quality and Safety XIV; SPIE: Bellingham, WA, USA, 2022.
- Shahi, T.B.; Xu, C.-Y.; Neupane, A.S.; Guo, W.W. Machine Learning Methods for Precision Agriculture with UAV Imagery: A Review. Electron. Res. Arch. 2022, 30, 4277–4317.
- Tian, Y.; Yang, G.; Wang, Z.; Li, E.; Liang, Z. Detection of Apple Lesions in Orchards Based on Deep Learning Methods of CycleGAN and YOLOV3-Dense. J. Sens. 2019, 1, 7630926.
- Phantom 4 RTK. Available online: ссылка (accessed on 1 October 2024).
- Admin Leading Crop Management Software. Available online: ссылка (accessed on 1 October 2024).
- XAG P100 Agricultural Drone. Available online: ссылка (accessed on 1 October 2024).
- Grow More with lessTM. Available online: ссылка (accessed on 1 October 2024).
- CropX Agronomic Farm Management System. Available online: ссылка (accessed on 1 October 2024).
- Arable Mark 3: In-Field Sensing & Monitoring Made Simple. Available online: ссылка (accessed on 1 October 2024).
- Huang, X.; Li, Y.; Ma, H.; Huang, P.; Zheng, J. Fuel cells for multirotor unmanned aerial vehicles: A comparative study of energy storage and performance analysis. J. Power Sources 2024, 518, 230736.
- Cristea, M.; Matache, M.G.; Grigore, A.I.; Vladutoiu, L.; Dumitru, I.; Biriş, S.S.; Ungureanu, N.; Cristea, R.D. Precision agriculture, the importance of using drones in agriculture for effective cost management. In International Symposium ISB-INMA-TEH’; Agricultural and Mechanical Engineering: Bucharest, Romania, 2022; pp. 454–465. Available online: ссылка (accessed on 1 October 2024).
- Ren, Z.; Chen, J.; Xie, P.; Xu, Y. Applications of robotic and solar energy in precision agriculture and smart farming. Sensors 2022, 22, 7910.
- Vélez, S.; Ariza-Sentís, M.; Valente, J. Precision viticulture multimodal dataset of vineyards affected by Esca disease consisting of geotagged smartphone images, phytosanitary status, UAV 3D data, and multispectral imagery. Data Brief 2024, 54, 110497.
- Liu, Q.; Wu, Z.; Cui, N.; Zheng, S.; Zhu, S.; Jiang, S. Soil moisture content estimation of drip-irrigated citrus orchard based on UAV images and machine learning algorithm in Southwest China. Agric. Water Manag. 2024, 303, 109069.
- Tripathi, R.N.; Ramachandran, A. Optimizing Riparian Habitat Conservation: A Spatial Approach using Aerial and Space Technologies. IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens. 2024, 17, 16932–16943.
- Castro, G.G.R.d.; Berger, G.S.; Cantieri, A.; Teixeira, M.; Lima, J.; Pereira, A.I.; Pinto, M.F. Adaptive Path Planning for Fusing Rapidly Exploring Random Trees and Deep Reinforcement Learning in an Agriculture Dynamic Environment UAVs. Agriculture 2023, 13, 354.
- Murugan, D.; Garg, A.; Singh, D. Development of an Adaptive Approach for Precision Agriculture Monitoring with Drone and Satellite Data. IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens. 2017, 10, 5322–5328.
- Arafat, M.Y.; Pan, S.; Bak, E. An adaptive reinforcement learning-based mobility-aware routing for heterogeneous wireless body area networks. IEEE Sens. J. 2024, 24, 31201–31214.
- Pamuklu, T.; Syed, A.; Kennedy, W.S.; Erol-Kantarci, M. Heterogeneous GNN-RL-based task offloading for UAV-aided Smart Agriculture. IEEE Netw. Lett. 2023, 5, 213–217.
- Salam, A.; Javaid, Q.; Ahmad, M.; Wahid, I.; Arafat, M.Y. Cluster-Based Data Aggregation in Flying Sensor Networks Enabled Internet of Things. Future Internet 2023, 15, 279.
- Chebrolu, N.; Labe, T.; Stachniss, C. Robust long-term registration of UAV images of crop fields for precision agriculture. IEEE Robot. Autom. Lett. 2018, 3, 3097–3104.
- Boursianis, A.D.; Papadopoulou, M.S.; Diamantoulakis, P.; Liopa-Tsakalidi, A.; Barouchas, P.; Salahas, G.; Karagiannidis, G.; Wan, S.; Goudos, S.K. Internet of things (IOT) and Agricultural Unmanned Aerial Vehicles (uavs) in Smart farming: A comprehensive review. Internet Things 2022, 18, 100187.
- Hunt, E.R.; Daughtry, C.S.; Mirsky, S.B.; Hively, W.D. Remote sensing with simulated unmanned aircraft imagery for precision agriculture applications. IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens. 2014, 7, 4566–4571.
- Mukhamediev, R.I.; Yakunin, K.; Aubakirov, M.Z.; Assanov, I.; Kuchin, Y.I.; Symagulov, A.; Levashenko, V.; Zaitseva, E.P.; Sokolov, D.; Amirgaliyev, Y. Coverage Path Planning Optimization of Heterogeneous UAVs Group for Precision Agriculture. IEEE Access 2023, 11, 5789–5803.
- Gokool, S.; Mahomed, M.T.M.; Brewer, K.; Naiken, V.; Clulow, A.D.; Sibanda, M.; Mabhaudhi, T. Crop Mapping in Smallholder Farms Using Unmanned Aerial Vehicle Imagery and Geospatial Cloud Computing Infrastructure. Heliyon 2024, 10, e26913.
- Valente, J.; Del Cerro, J.; Barrientos, A.; Sanz, D. Aerial coverage optimization in Precision Agriculture Management: A musical harmony inspired approach. Comput. Electron. Agric. 2013, 99, 153–159.
- Lu, Y.; Young, S. A survey of public datasets for computer vision tasks in precision agriculture. Comput. Electron. Agric. 2020, 178, 105760.
Авторы: Juhi Agrawal, Muhammad Yeasir Arafat
