Нейросетевые методы анализа азотного статуса зерновых культур по снимкам БПЛА в точном земледелии тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Молин Александр Евгеньевич

• Молин Александр Евгеньевич
• кандидат наук
• 2025

Оглавление диссертации кандидат наук Молин Александр Евгеньевич

Введение

Глава 1. Специализированный датасет мультиспектральных

аэрофотоснимков

1.1 Обзор существущих датасетов е полученными в полевых

условиях снимков БПЛА

1.2 Объекты и методы исследований

1.3 Общая схема сбора и предобратки снимков данных аэрофотосъемки БАС

1.4 Прикладные примеры использования датасета в задачах

точного земледелия

1.5 Общие выводы

Глава 2. Методы генерации синтетических данных для

обучения нейросетей в задаче сегментации уровня азотного режима растений на снимках БПЛА на с/х поле

2.1 Общие подходы к разметке данных дистанционного зондирования с/х полей для семантической сегментации изображений

2.2 Алгоритмы генерации синтетических изображений для

обучения нейросетей

2.2.1 Алгоритм на основе построения рядов

2.2.2 Алгоритм на основе построения парабол

2.2.3 Алгоритм построения пятен

2.2.4 Алгоритм построения пятен*

2.2.5 Алгоритм построения пятен**

2.3 Исследование алгоритмов глубокого и машинного обучения на синтетических данных

2.4 Экперимент по оценке эффективности методов генерации синтетических данных

2.5 Общие выводы

Стр.

Глава 3. Нейросетевые методы анализа азотного питания

культурных растений по снимкам БПЛА

3.1 Обзор применяемых методов в задачах точного земледелия

3.2 Материалы и методы

3.2.1 Область исследования

3.2.2 Общая схема процесса сегментации

3.2.3 Мульти-датасет

3.2.4 Предварительная обработка изображения и спектральные диапазоны

3.2.5 Процедура генерации и аугментации обучающих данных

3.2.6 Общая схема процесса обучения

3.3 Модели нейронных сетей

3.3.1 U-Net

3.3.2 Attention U-Net

3.3.3 R2U-Net and Attention R2U-Net

3.3.4 U-Net++

3.3.5 U-Net3+

3.4 Результаты

3.4.1 Метрики

3.4.2 Аппаратное обеспечение и программы

3.4.3 Эксперимент с размером батча

3.4.4 Эксперимент с комбинацией каналов

3.4.5 Визуализация результатов

3.5 Обсуждение

3.6 Общие выводы

Заключение

Список литературы

Список рисунков

Список таблиц

Введение диссертации (часть автореферата) на тему «Нейросетевые методы анализа азотного статуса зерновых культур по снимкам БПЛА в точном земледелии»

Введение

Стремительный прогресс в области вычислительной техники и скачок в росте вычислительных мощностей, а также появления такого специализированного оборудования, как тензорный процессор, заложили основу для развития технологий искусственного интеллекта. В последние десятилетия данные технологии все больше выходят за рамки теоретических исследований и все больше находят практическое применение в различных областях.

Наибольшее развитие получили технологии основанные на глубоких нейронных сетях. В настоящее время нейросети используются в таких областях как распознавание и анализ текста, речи; прогнозирование в финансах; выдача рекомендаций и.т.д. Одной из самых распространенных технологий широко использующих алгоритмы глубокого обучения — компьютерное зрение. В рамках данной технологии при анализе и обработке изображений решаются такие задачи как классификация, распознавание, детектирование, сегментация. В данной работе применение и адаптация методов компьютерного зрения и технологических решений на их основе рассматривается в такой социальной значимой предметной области, как сельское хозяйство, которое играло важную роль на протяжении всей человеческой истории. Благодаря развитию информационных и коммуникационных технологий появилась концепция «умного земледелия» (smart farming или e-agriculture) или «умного сельского хозяйства» включающая в себя интернет вещей (Internet of Things) [1] как часть Индустрии 5.0. Умное сельское хозяйство обычно относят к использованию современных цифровых технологий, интернета вещей, облачных вычислений, робототехники, датчиков, систем определения местоположения, а за последние несколько лет и искусственного интеллекта для решения различных задач в сельском хозяйстве [1; 2]. Однако для мониторинга больших открытых сельскохозяйственных территорий распространенными существующими решениями и технологиями в области умного сельского хозяйства не обойтись. Для принятия эффективных агроуправленческих решений требуется привлекать особые источники информации в виде космических снимков и данных аэрофотосъемки позволяющих анализировать состояние сельскохозяйственных культур на больших территориях.

Актуальность темы исследования. Перспективным и актуальным направлением для нашей страны является переход к высоким технологиям - точному земледелию, ориентированному на ресурсосбережение, экологизацию сельскохозяйственного производства растениеводческой продукции с применением новых информационных систем и прецизионной техники. Актуальность предлагаемого исследования состоит в том, что оно направлено на расширение возможностей применения методов искусственного интеллекта и компьютерного зрения для обработки прямых и дистанционных данных в точном земледелии, позволяющих, оптимизировать процессы производства растениеводческой продукции и повысить объемы и качество урожайности, тем самым обеспечить продуктовую безопасность в глобальных масштабах и осуществить эффективный переход к экологически чистому агрохозяйству. А благодаря развитию за последнее время беспилотных технологий летательного и наземного типов, а также систем ГЛОНАСС и спутниковых снимков расширяются возможности применения методов и технологий компьютерного зрения для интеллектуального анализа агрохимических показателей зерновых культур, направленных на повышение качества и объема урожайности. Мониторинг выполненный при помощи беспилотных технологий и методов компьютерного зрения позволит, например, обнаружить наличие сорняков [3], водный стресс [4], заболеваний культурных растений [5], а также классифицировать с/х культуры [6; 7]. В данной работе основной акцент уделяется мониторингу именно зерновых культур поскольку Россия является крупнейшим в мире экспортером пшеницы [8].

Однако для применения методов компьютерного зрения в сфере сельского хозяйства требуется большой объем данных для обучения. Для получения таких данных с целью мониторинга состояния с/х полей могут применяться такие методы как выемка проб с лабораторными исследованиями [9], применение датчиков для замеров [10], проведение полевых растениеводческих экспериментов [11]. В ряде случаев получение данных для создания обучающей выборки с помощью упомянутых методов может быть крайне трудозатратно и требовать огромных ресурсов, а может быть и вовсе невозможно.

Целью диссертационной работы является разработка и апробация нейросетевых методов анализа азотного статуса зерновых культур по снимкам БПЛА с/х полей в точном земледелии и комплекса программ на их основе.

Достижения поставленной цели требует решение следующих задач:

— Построить набор данных для обучения, тестирования и апробации методов анализа азотного статуса зерновых культур посредством закладки тестовых площадок с известным уровнем азота на опытных сельскохозяйственных полях, проведения мультиспектральной съемки БПЛА этих полей в течении периода созревания растений и построения отро-фотопокрытий на их основе;

— Разработать процедуру извлечения и обработки изображений тестовых площадок на опытных сельскохозяйственных полях;

— Разработать алгоритм генерации и расширения (аугментации) размеченных синтетических данных, представляющих собой фрагменты изображений тестовых площадок с разным уровнем азота и необходимых для обучения и проверки качества методов сегментации уровня азота зерновых культур;

— Разработать нейросетевые методы анализа азотного статуса зерновых культур по снимкам БПЛА, основанные на современных нейросетевых архитектурах в задаче сегментации изображений;

— Провести вычислительные эксперименты с обучением и тестированием разработанных нейросетевых методов анализа азотного статуса зерновых культур, дающих наиболее точные прогнозы в данной задаче;

— Провести вычислительные эксперименты с различной комбинацией каналов мультиспектрального изображения для выбора комбинации с максимальными значениями качественных показателей прогноза;

— Разработать комплекс программ на основе разработанного нейросетево-го метода для построения карты уровней азота зерновых культур на выбранном сельскохозяйственном поле.

Научная новизна диссертационной работы заключается в следующем:

— Разработан подход к построению наборов данных для обучения, тестирования и апробации методов анализа азотного статуса зерновых культур посредством закладки тестовых площадок, размеченных агрономами-экспертами по уровню азота, на опытных сельскохозяйственных полях, мультиспектральной съемки БПЛА этих полей в течении периода созревания растений и построения отрофотопокрытий на их основе;

— Разработано методологическое и алгоритмическое обеспечение для обработки снимков БПЛА тестовых площадок на опытных сельскохо-

зяйственных полях и генерации синтетических данных из фрагментов этих изображений с разным уровнем азота, необходимых для обучения и проверки качества методов сегментации уровня азота зерновых культур;

— Разработан комплекс нейросетевых методов анализа азотного статуса зерновых культур по снимкам БПЛА, основанные на современных ней-росетевых архитектурах в задаче сегментации изображений;

— Изучено влияние различных комбинаций каналов мультиспектральных снимков с камеры БПЛА на точность сегментации уровня азота и предложена методика использования этих комбинаций для разработки точных нейросетевых методов в решении данной задачи;

— Разработаны и апробированы интеллектуальные информационные технологии анализа состояния азотного питания растений зерновых культур на ортофотоплане выбранного сельскохозяйственного поля, составления карты заданий для сельхозмашин и дифференцированного внесения азотных удобрений в контексте задач точного земледелия.

Теоретическая значимость работы. Разработанный комплекс методологических и алгоритмических подходов и программных инструментов на их основе позволит повысить эффективность решений задач точного земледелия, связанных с точечной оценкой азотного статуса зерновых культур на сельскохозяйственном поле с помощью мультиспектральных и гиперспектральных данных дистанционного зондирования.

Теоретическая значимость работы подтверждена участием в следующих научно-исследовательских проектах:

— Госзадание Агрофизического научно-исследовательского института, тема РСЕС-2022-0006 «Новые методы, алгоритмы, математические модели и измерительные средства направленные на информационное обеспечение адаптивного земледелия, мониторинг и прогноз состояния посевов и среды их обитания, оптимизацию агротехнологий, а также разномасштабные прототипы автоматизированных систем планирования и управления прецизионным производством растениеводческой продукции с целью повышения его эффективности, снижения технологических рисков, улучшения экологической безопасности на базе

экспериментальных исследований, цифровых технологий и роботизированной техники» 2022-2024 гг.

— 24-21-00231 «Разработка и исследование комплекса методов прогнозирования агрометеорисков и урожайности с применением гиперспектральных данных дистанционного зондирования» 2024-2025 гг. (РНФ, исполнитель).

Практическая значимость работы. На основе проведенных исследований разработан специализированный комплекс методологических подходов и программ, предназначенных для использования в фермерских организациях и хозяйствах применяющих технологию точного земледелия. Разработанный программный комплекс будет интегрирован в единую систему интернета вещей, анализирующей состояние азотного питания зерновых культур на сельскохозяйственных полях и строящий карту заданий автономной сельскохозяйственной технике для дифференцированного внесения азотных удобрений. Данный комплекс позволит увеличить урожайность зерновых культур, оптимизировать затраты азотных удобрений, а также сократить наносимый вред экологии и здоровью человека за счет снижения количества нитратов.

Практическая ценность разработанных нейросетевых методов определяется их низкими трудозатратами за счет использование оптических показателей зерновых культур без необходимости проведения дорогих полевых исследований.

Апробация работы. Основные результаты диссертационной работы были представлены и обсуждены на следующих конференциях:

— III Всероссийской научной конференции с международным участием «Применение средств дистанционного зондирования Земли в сельском хозяйстве» (Санкт-Петербург, 16-17 сентября 2021 года);

— LIII международная научная конференции аспирантов и студентов «ПРОЦЕССЫ УПРАВЛЕНИЯ И УСТОЙЧИВОСТЬ» - Control Processes and Stability (CPS'22) (Санкт-Петербург, 4-8 апреля 2022 года);

— Всероссийская конференция по естественным и гуманитарным наукам с международным участием «Наука СПбГУ - 2022» (Санкт-Петербург, 21 ноября 2022 года);

— IV международной научной конференции «Тенденции развития агрофизики: от актуальных проблем земледелия и растениеводства к технологиям будущего» (Санкт-Петербург, 13-15 сентября 2023 года);

— Международной выставки технологий для производства и переработки картофеля и овощей «КАРТОФЕЛЬ И ОВОЩИ АГРОТЕХ» (Москва, 24 - 26 января 2024 года).

Личный вклад. Все результаты диссертационной работы получены автором лично.

Публикации. Основные результаты по теме диссертации изложены в 7 печатных изданиях, 1 из которых издана в журналах, рекомендованных ВАК, 2 — в периодических научных журналах, индексируемых Web of Science и Scopus, 4 — в тезисах докладов.

Объем и структура работы. Диссертация состоит из введения, 3 глав, заключения. Полный объём диссертации составляет 97 страниц, включая 29 рисунков и 13 таблиц. Список литературы содержит 124 наименования.

Во введении производится общий обзор и обсуждение задач, рассматриваемых в диссертационной работе, и проводится краткий анализ научных публикаций по теме исследования.

Первая глава посвящена рассмотрению вопросов, связанных со сбором данных и их подготовки для последующего применения в задачах точного земледелия. В ней производится обзор уже существующих наборов данных и их область применения.

Дается описание экспериментального полигона, список используемого оборудования для съемок и его технические характеристики, а также условия при которых проводились съемки.

Описывается процесс сбора данных и предобработки полученных снимков.

Представлены примеры применения полученных данных в задачах точного земледелия, а также результат эксперимента по задаче определения азотного режима посевов на основе анализа аэрофотоснимков методами машинного и глубокого обучения. Было выявлено, что нейросетевые методы в рассмотренной задаче обладают намного большей точностью чем классические методы машинного обучения.

В конце главы даны общие выводы, в которых выделяются основные преимущества созданного набора данных и дается пример его практического применения в актуальных задачах точного земледелия.

Во второй главе исследуются методы увеличения объема данных для обучения нейросетей при ограниченном количестве имеющихся исходных данных.

Рассматривается проблематика недостатка обучающих данных, производится обзор существующих методов сбора данных в области точного земледелия для обучения и их ограничений, а также обзор уже существующих методов аугментации изображений для расширения объема объема данных.

Подробно описывается предобработка собранных данных на примере снимков двух сельскохозяйственных полей и приводится общая схема предложенных методов генерации синтетических данных создающие новые изображения путем смешивания исходных снимков тестовых площадок. Затем описываются алгоритмы работы пяти предложенных методов: на основе построения рядов, парабол и три на основе построения пятен.

Перечислены алгоритмы, которые были использованы для тестирования методов генерации синтетических данных, параметры обучения нейросетевых моделей, метрики для оценки точности работы алгоритмов. В частности перечислены архитектуры сверточных нейронных сетей и трансформеров, а также классические алгоритмы машинного обучения для сравнения.

Приведены результаты вычислительного эксперимента в двух таблицах: первая содержит результаты алгоритмов глубокого обучения, вторая — результаты классических алгоритмов машинного обучения.

В конце главы даются общие выводы по выбору предпочтительного метода генерации синтетических данных согласно полученным результатам и планы по дальнейшим исследованиям.

В третьей главе рассматриваются аспекты практического применения нейросетевых алгоритмов в актуальной задаче точного земледелия: определения уровня азота с целью с целью принятия эффективных агроуправленческих решений.

Производится обзор методов сбора данных о состоянии сельскохозяйственных полей и методов их дальнейшего анализа. Дается обоснование, что использование мультиспектральных снимков поля и нейросетевых методов позволит решать многие актуальные задачи в области точного земледелия в том

числе и поставленную задачу по определению уровня азота при этом значительно экономя затраченные ресурсы и время.

Подробно описывается область исследований и работа с полученными данными. Дается описание биополигона: географическое расположение и условия роста растений; сельскохозяйственных полей, на которых проводились исследования по получению мультиспектральных снимков и закладке тестовых площадок - небольшие участки поля, на которые вносилась известная доза азотных удобрений. Указана корреляция между оптическими характеристиками зерновых культур и реальным содержанием азота в растениях. Описан включающий в себя четыре этапа общий процесс составления карты уровней азота для сельскохозяйственного поля. Перечислено оборудование используемое в авиационном комплексе и его технические характеристики. Описаны этапы сбора аэрофотоснимков. Предоставлены параметры аэрофотосъемки для каждой мозаики снимков, из которых в дальнейшем были собраны ортофотопо-крытия. Была проведена дополнительная обработка для улучшения качества и созданы дополнительные слои для расширения набора данных. Дано описание каналов мультиспектральной камеры с помощью которой были сделаны аэрофотоснимки, а также дополнительный слой обучающих данных, на котором отмечены тестовые площадки с градацией уровня азота. Дано описание процесса получения исходных данных для двух сельскохозяйственных полей, которые в дальнейшем используются для создания синтетических данных при помощи разработанного алгоритма описанного в предыдущей главе. Перечислены параметры дополнительной аугментации данных во время процесса обучения. Приводится общая схема процесса обучения нейронных сетей. Перечислен ряд параметров обучения и техник позволяющих добиться качественных моделей с наиболее точным прогнозом сегментации уровня азота.

Дан подробный обзор и описание пяти нейросетевых архитектур, использованных в вычислительных экспериментах данного исследования: и производные модификаций, имплементирующие различные техники улучшения точности сегментации.

Приведены общие параметры параметры при которых проводилось обучение нейросетевых моделей. Перечислены наиболее популярные метрики для оценки точности результатов сегментации и приведены формулы двух дополнительных коэффициентов. Перечислено аппаратное и программное обеспечение, использованное в вычислительных экспериментах. Представлены

результаты вычислительного эксперимента для двух сельскохозяйственных полей при разных размерах батча. На основании полученных результатов была выбрана нейросетевая модель показавшая наилучшие результаты и также были выбраны наиболее оптимальные параметры её обучения. Представлены результаты вычислительного эксперимента, целью которого было выявить наилучшую комбинацию каналов из мультиспектральных снимков для обучения нейросетевых моделей. Дана визуализация результатов сегментации двух сельскохозяйственных полей сделанные при помощи нейросетевых моделей показавших наилучшие результаты.

Указаны ограничения предложенного метода для решения рассмотренной задачи, приведены дальнейшие направления исследований для улучшение и универсализации метода, подробно писан набор технологий и дана общая концепция конечного продукта в рамках которого будет реализован метод.

В конце главы даются общие выводы по результатам проведенных исследований продемонстрировавшие практическую осуществимость предложенного решения. В конечном итоге были выбраны алгоритмы, параметры и набор данных, позволившие достигнуть наилучших результатов и создать общий метод для улучшения питания сельскохозяйственных культур и повышения урожайности.

В заключении подведены итоги исследования и сформулированы основные выводы.

Благодарности.

Основные научные результаты

1. Разработка нейросетевых методов сегментации анализа азотного статуса зерновых культур, см. разделы 2.6 и 2.7 в работе [12]. Смотрите работы [13—15] (разработаны лично автором диссертации);

2. Алгоритмы генерации синтетических данных сельскохозяйчтвенных полей для обучения нейросетей и методов машинного обучения при решении задач точного земледелия, см. раздел 2.5 в работе [12]. Смотрите работу [16] (разработаны лично автором диссертации);

3. Методы построения и обработки ортофотопланов сельскохозяйственных полей в разные периоды созревания растений с размеченными значениями уровня азота в тестовых площадках, см. разделы «Объекты и методы», «Результаты и их обсуждение» в работе [17] и разделы 2.1, 2.3, 2.4 в работе [12];

4. Специализированный размеченный набор данных для обучения, созданный посредством извлечения изображений тестовых площадок из ортофотопланов, см. раздел 2.4 в работе [12] (создан лично автором диссертации);

5. Выявлены наилучшие гиперпараметры нейросетей и комбинации каналов мультиспектрального изображения для обучения нейросетевых моделей при решении задач точного земледелия, см. разделы 3.2 и 3.3 в работе [12] (вычислительные эксперименты проведены лично автором диссертации);

6. Выявлены наилучшие нейросетевые архитектуры для решения задачи сегментации азотного статуса культурных растений сельскохозяйственных полей, см. раздел 3.2 в работе [12] и раздел 4 в работе [16]. Смотрите работы [13—15; 18] (вычислительные эксперименты проведены лично автором диссертации);

7. Изучено влияние каналов мультиспектрального изображения на качество сегментации азотного статуса на снимках БПЛА, см. раздел 3.3 в работе [12] (вычислительные эксперименты проведены лично автором диссертации).

Положения, выносимые на защиту

1. Метод построения наборов обучающих данных в виде мультиспек-тральных изображений, полученных посредством закладки тестовых площадок с различными дозами внесенных азотных удобрений на опытных сельскохозяйственных полях, мультиспектральной съемки БПЛА этих полей в течении периода созревания растений и построения отрофотопокрытий на их основе;

2. Алгоритмы генерации синтетических данных из фрагментов изображений тестовых площадок на мультиспектральных снимках БПЛА, необходимых для обучения и тестирования методов сегментации азотного статуса зерновых культур;

3. Комплекс современных нейросетевых методов анализа азотного статуса зерновых культур по мультиспектральным снимкам БПЛА, основанных на современных нейросетевых архитектурах в задаче сегментации изображений;

4. Комплекс программ на основе разработанных нейросетевых методов для анализа состояния азотного питания растений зерновых культур

по снимкам БПЛА сельскохозяйственного поля и построения карты заданий дифференцированного внесения азотных удобрений автономной сельскохозяйственной техникой.

Глава 1. Специализированный датасет мультиспектральных

аэрофотоснимков

Благодаря стремительному развитию информационных технологий всё более актуальной становится задача создания наборов больших качественных данных дистанционного зондирования. В Агрофизическом научно-исследовательском институте (АФИ) методы искусственного интеллекта, анализа изображений используются на протяжении около 20 лет.

За этот период накоплен большой объём информации для решения задач точного земледелия. Объектом представленного исследования является опытный биополигон АФИ, расположенный в Ленинградской обл., который состоит из 29 полей. Для сбора применялся беспилотный летательный аппарат, разработанный в АФИ, а также беспилотная авиационная система «Геоскан-401». Съёмка осуществлялась в пяти спектрах: красном, зелёном, синем, инфракрасном и дальнем красном, средняя высота полётов составила 80 м, пространственное разрешение снимков — 1-10 см/пиксель.

В данной главе подробно рассмотрены сформированные алгоритмы сбора данных, а также предварительной обработки информации. В исследовании в качестве демонстрации применимости созданного размеченного датасета был проведён эксперимент по анализу ортофотоплана одного из полей биополигона за период 2019-2021 гг., составленного из снимков мультиспектральной камеры Micasense RedEdge MX. В качестве методов анализа изображений использовались адаптированный под задачу метод классического алгоритма машинного обучения Random Forest и метод глубокого обучения на основе архитектуры U-Net. Результаты проведённого эксперимента продемонстрировали преимущество метода глубокого обучения при решении задачи определения азотного режима посевов для дифференцированного внесения удобрений.

По полученным результатам данного раздела была опубликована статья

1.1 Обзор существущих датасетов с полученными в полевых

условиях снимков БПЛА

В современном мире усиливаются негативные факторы, оказывающие существенное влияние на продовольственную безопасность: глобальные изменения климата, экономическая обстановка, прогнозируемое увеличение населения мира на два миллиарда в ближайшие 30 лет [19; 20]. Эти аспекты ставят перед нами беспрецедентные вызовы: необходимо наращивать объёмы производства растениеводческой продукции, при этом снизив негативное воздействие на водные, почвенные ресурсы, замедлив деградацию плодородных земель. Решение таких задач не представляется возможным без перехода от интенсивного сельского хозяйства к устойчивому (точному земледелию — ТЗ).

В последние десятилетия в научных исследованиях достаточно широко представлено использование данных дистанционного зондирования для землепользования и мониторинга состояния культурных растений [21—23]. При этом следует отметить, что аэрофотосъёмка при решении определённого круга задач точного земледелия имеет преимущества перед спутниковой съёмкой, так как космоснимки, как правило, ограничены временным и пространственным разрешением и не позволяют оперативно получить высокодетализированные данные для сельскохозяйственной территории [24].

Применение беспилотных летательных аппаратов (БЛА) и беспилотных авиационных систем (БАС) становится всё более актуальным и перспективным в задачах ТЗ благодаря высокому пространственному разрешению, скорости получения и обработки данных, а также автоматизации процессов сбора информации [25]. Неоднократно свою эффективность продемонстрировало использование методов интеллектуального анализа данных, полученных с изображений сельскохозяйственной территории [26; 27]. Снимки, собранные с помощью БЛА или БАС, применяются во многих задачах ТЗ: в мониторинге состояния культурных растений [28], оценке биомассы [29], обнаружении посевов [30], выявлении заболеваний и засорённости [31] и др. Всё более актуальной в растениеводстве становится мультиспектральная съёмка [32].

Список литературы диссертационного исследования кандидат наук Молин Александр Евгеньевич, 2025 год

Список литературы

1. Big Data in Smart Farming - A review [текст] / S. Wolfert [et al.] // Agricultural Systems. - 2017. - May. - Vol. 153. - P. 69-80.

2. Regan, A. 'Smart farming' in Ireland: A risk perception study with key governance actors [текст] / A. Regan // NJAS - Wageningen Journal of Life Sciences. - 2019. - Feb. - Vol. 90/91. - P. 100292.

3. Improving efficiency of organic farming by using a deep learning classification approach [текст] / F. Knoll [et al.] // Computers and Electronics in Agriculture. - 2018. - Oct. - Vol. 153. - P. 347-356.

4. Challenges and Future Perspectives of Multi-/Hyperspectral Thermal Infrared Remote Sensing for Crop Water-Stress Detection: A Review [текст] / M. Gerhards [et al.] // Remote Sensing. — 2019. — May. — Vol. 11.

5. Bauriegel, E. Hyperspectral and Chlorophyll Fluorescence Imaging for Early Detection of Plant Diseases, with Special Reference to Fusarium spec. Infections on Wheat [текст] / E. Bauriegel, W. Herppich // Agriculture. — 2014. - Mar. - Vol. 4. - P. 32-57.

6. Bhosle, K. Evaluation of CNN model by comparing with convolutional autoencoder and deep neural network for crop classification on hyperspectral imagery [текст] / K. Bhosle, V. Musande // Geocarto International. — 2020. — Mar. - Vol. 37. - P. 1-15.

7. Zhang, Y. Advances in crop fine classification based on Hyperspectral Remote Sensing [текст] / Y. Zhang, D. Wang, Q. Zhou // 2019 8th International Conference on Agro-Geoinformatics (Agro-Geoinformatics). — 07/2019. — P. 1-6.

8. USDA-WASDE. World agricultural supply and demand estimates [текст] : tech. rep. / USDA-WASDE ; United States Department of Agriculture. — 03/2017. - No. 563.

9. Assessing the effectiveness of ground truth data to capture landscape variability from an agricultural region using Gaussian simulation and geostatistical techniques [текст] / E. Salas [et al.] // Heliyon. — 2021. — June. — Vol. 7. — e07439.

10. Towards a Semantic Structure for Classifying IoT Agriculture Sensor Datasets : An Approach based on Machine Learning and Web Semantic Technologies [текст] / D. Lynda [et al.] // Journal of King Saud University - Computer and Information Sciences. — 2023. — Aug. — Vol. 35. — P. 101700.

11. WeedMap: A Large-Scale Semantic Weed Mapping Framework Using Aerial Multispectral Imaging and Deep Neural Network for Precision Farming [текст] / I. Sa [et al.] // Remote Sensing. - 2018. - Sept. - Vol. 10. -P. 1423.

12. Monitoring of grain crops nitrogen status from uav multispectral images coupled with deep learning approaches [текст] / I. Blekanov [et al.] // Computers and Electronics in Agriculture. - 2023. - Vol. 212. - P. 108047.

13. Мониторинг азотного питания зерновых культур на основе нейросетевых технологий [текст] / И. С. Блеканов [и др.] // Материалы III Всероссийской научной конференции с международным участием «Применение средств дистанционного зондирования Земли в сельском хозяйстве». — 09.2021. — с. 141—145.

14. Нейросетевые методы анализа азотного питания растений [текст] / А. Е. Молин [и др.] // Материалы IV Международной научной конференции «Тенденции развития агрофизики: от актуальных проблем земледелия и растениеводства к технологиям будущего». — 09.2023. — с. 573—575.

15. Блеканов, И. С. Нейросетевые методы для решения задач умного сельского хозяйства [текст] / И. С. Блеканов, А. Е. Молин // Всероссийская конференция по естественным и гуманитарным наукам с международным участием «Наука СПбГУ - 2022». — 11.2022. — с. 107—109.

16. Методы генерации синтетических данных для обучения нейросетей в задаче сегментации уровня азотного режима растений на снимках беспилотных летательных аппаратов на сельскохозяйственном поле [текст] / А. Е. Молин [и др.] // Современные проблемы дистанционного зондирования Земли из космоса. — 2024. — т. 20, № 1. — с. 20—33.

17. Специализированный датасет мультиспектральных аэрофотоснимков для решения задач точного земледелия с применением методов искусственного интеллекта [текст] / О. А. Митрофанова [и др.] // Современные

проблемы дистанционного зондирования Земли из космоса. — 2023. — т. 20, № 6. — с. 67—79.

18. Andrienko, V. Semantic breast ultrasound image segmentation with neural networks based on U-net architecture [текст] / V. Andrienko, M. A.E. // Control Processes and Stability. - 2022. - Vol. 9, no. 1. - P. 141-150.

19. FAO. The future of food and agriculture — Trends and challenges [текст] / FAO. - 2017.

20. Wheeler, T. Climate change impacts on global food security [текст] / T. Wheeler, J. Von Braun // Science. - 2013. - Vol. 341, no. 6145. -P. 508-513.

21. Блохин, Ю. И. Современные решения для формирования опорной информации с целью повышения точности определения агрофизических свойств почвы по спутниковым данным [текст] / Ю. И. Блохин, В. В. Якушев, С. Ю. Блохина // Современные проблемы дистанционного зондирования Земли из космоса. — 2020. — т. 17, № 4. — с. 164—178.

22. Якушев, В. В. Оценка внутриполевой изменчивости посевов с помощью вариограммного анализа спутниковых данных для точного земледелия [текст] / В. В. Якушев, В. М. Буре, О. А. Митрофанова // Современные проблемы дистанционного зондирования Земли из космоса. — 2020. — т. 17, № 2. — с. 114—122.

23. Weiss, M. Remote sensing for agricultural applications: A meta-review [текст] / M. Weiss, F. Jacob, G. Duveiller // Remote Sensing of Environment. - 2019. - Nov. - Vol. 236.

24. Zhang, C. The application of small unmanned aerial systems for precision agriculture: A review [текст] / C. Zhang, J. M. Kovacs // Precision Agriculture. - 2012. - Dec. - Vol. 13. - P. 693-712.

25. Tsouros, D. C. A Review on UAV-Based Applications for Precision Agriculture [текст] / D. C. Tsouros, S. Bibi, P. G. Sarigiannidis // Information. — 2019. - Nov. - Vol. 10, no. 11. - P. 349.

26. Precision Agriculture Workflow, from Data Collection to Data Management Using FOSS Tools: An Application in Northern Italy Vineyard [текст] / E. Belcore [et al.] // International Journal of Geo-Information. — 2021. — Apr. — Vol. 10, no. 4.

27. Lu, J. Review on Convolutional Neural Network (CNN) Applied to Plant Leaf Disease Classification [текст] / J. Lu, L. Tan, H. Jiang // Agriculture. — 2021. - July. - Vol. 11. - P. 707.

28. The potential of remote sensing and artificial intelligence as tools to improve the resilience of agriculture production systems [текст] / J. Jung [et al.] // Current Opinion in Biotechnology. — 2021. — Aug. — Vol. 70. — P. 15—22.

29. Biomass estimation of pasture plots with multitemporal UAV-based pho-togrammetric surveys [текст] / I. Sinde-Gonzalez [et al.] // International Journal of Applied Earth Observation and Geoinformation. — 2021. — Sept. - Vol. 101.

30. Early season detection of rice plants using RGB, NIR-G-B and multispectral images from unmanned aerial vehicle (UAV) [текст] / H. Zheng [et al.] // Computers and Electronics in Agriculture. — 2020. — Feb. — Vol. 169. — P. 105223.

31. Recognition of Banana Fusarium Wilt Based on UAV Remote Sensing [текст] / H. Ye [et al.] // Remote Sensing. - 2020. - Vol. 12, no. 6. -P. 938.

32. UAV Based Remote Sensing for Tassel Detection and Growth Stage Estimation of Maize Crop Using Multispectral Images [текст] / A. Kumar [et al.] // IGARSS 2020 - 2020 IEEE International Geoscience and Remote Sensing Symposium. - 2020. - P. 1588-1591.

33. WeedNet: Dense Semantic Weed Classification Using Multispectral Images and MAV for Smart Farming [текст] / I. Sa [et al.] // IEEE Robotics and Automation Letters. — 2017. — Sept. — Vol. 3, no. 1.

34. Agricultural robot dataset for plant classification, localization and mapping on sugar beet fields [текст] / N. Chebrolu [et al.] // The International Journal of Robotics Research. - 2017. - July. - Vol. 36. - P. 027836491772051.

35. Image set for deep learning: Field images of maize annotated with disease symptoms [текст] / T. Wiesner-Hanks [et al.] // BMC Research Notes. — 2018. - Dec. - Vol. 11.

36. Pereira, P. C. J. Weed Mapping on Aerial Images — A Systematic Literature Review: Technical Repor [текст] : tech. rep. / P. C. J. Pereira, A. Monteiro, A. von Wangenheim ; Federal University of Santa Catarina. — 2019.

37. DeepSeedling: deep convolutional network and Kalman filter for plant seedling detection and counting in the field [текст] / Y. Jiang [et al.] // Plant Methods. - 2019. - Nov. - Vol. 15.

38. The Oil Radish Growth Dataset for Semantic Segmentation and Yield Estimation [текст] / A. Krogh Mortensen [et al.] // CVF Conf. Computer Vision and Pattern Recognition Workshop (California, US). — Long Beach : 2019 IEEE, 06/2019. - P. 8.

39. Haug, S. A Crop/Weed Field Image Dataset for the Evaluation of Computer Vision Based Precision Agriculture Tasks [текст] / S. Haug, J. Ostermann // Computer Vision — ECCV 2014 Workshops. Lecture Notes in Computer Science. - ECCV 2014, 03/2015. - P. 105-116.

40. DeepWeeds: A Multiclass Weed Species Image Dataset for Deep Learning [текст] / A. Olsen [et al.] // Scientific Reports. - 2019. - Feb. - Vol. 9, no. 1.

41. Open Plant Phenotype Database of Common Weeds in Denmark [текст] / S. Madsen [et al.] // Remote Sensing. - 2020. - Apr. - Vol. 12, no. 8. -P. 1246.

42. Transfer learning between crop types for semantic segmentation of crops versus weeds in precision agriculture [текст] / P. Bosilj [et al.] // Journal of Field Robotics. - 2019. - Mar. - Vol. 37. - P. 7-19.

43. Agriculture-Vision: A Large Aerial Image Database for Agricultural Pattern Analysis [текст] / M. Chiu [et al.]. - 01/2020.

44. A UAV Open Dataset of Rice Paddies for Deep Learning Practice [текст] / M. Yang [et al.] // Remote Sensing. - 2021. - Apr. - Vol. 13. - P. 1358.

45. WHU-Hi: UAV-borne hyperspectral with high spatial resolution (H2) benchmark datasets and classifier for precise crop identification based on deep convolutional neural network with CRF [текст] / Y. Zhong [et al.] // Remote Sensing of Environment. — 2020. - Dec. - Vol. 250. - P. 112012.

46. Identifying sunflower lodging based on image fusion and deep semantic segmentation with UAV remote sensing imaging [текст] / Z. Song [et al.] // Computers and Electronics in Agriculture. — 2020. — Vol. 179. — P. 105812.

47. UAV-based Multispectral and Thermal dataset for exploring the diurnal variability, radiometric and geometric accuracy for precision agriculture [текст] / C. Kallimani [et al.] // Open Data Journal for Agricultural Research. — 2020. - Apr. - Vol. 6. - P. 1-7.

48. Шпанев, А. М. Влияние минеральных удобрений на пространственное размещение сорных растений в посевах ярового ячмен [текст] / А. М. Шпанев // Плодородие. — 2022. — № 2. — с. 8—12.

49. Блохин, Ю. И. Комплексная система контроля влажности почвы и локальных метеоусловий для интерпретации данных дистанционного зондирования [текст] / Ю. И. Блохин, А. В. Белов, С. Ю. Блохина // Современные проблемы дистанционного зондирования Земли из космоса. — 2019. — т. 16, № 3. — с. 87—95.

50. Optimization of options for differential application of nitrogen fertilizers in the precision farming system [текст] / D. Matvejenko [et al.] // Agraarteadus: J. Agricultural Science. - 2020. - Vol. 31, no. 1. - P. 41-46.

51. Ronneberger, O. U-Net: Convolutional Networks for Biomedical Image Segmentation [текст] / O. Ronneberger, P. Fischer, T. Brox // Medical Image Computing and Computer-Assisted Intervention — MICCAI 2015. — 2015. — May. - Vol. 9351.

52. Breiman, L. Random Forests [текст] / L. Breiman // Machine Learning. — 2001. - Vol. 45. - P. 5-35.

53. Adaptive Coherency Matrix Estimation for Polarimetric SAR Imagery Based on Local Heterogeneity Coefficients [текст] / S. Yang [et al.] // IEEE Transactions on Geoscience and Remote Sensing. — 2016. — July. — Vol. 54. — P. 1-14.

54. Deep Learning Classification of Land Cover and Crop Types Using Remote Sensing Data [текст] / N. Kussul [et al.] // IEEE Geoscience and Remote Sensing Letters. - 2017. - Mar. - Vol. 14, no. 5. - P. 778-782.

55. Jadhav, J. K. Automatic semantic segmentation and classification of remote sensing data for agriculture [текст] / J. K. Jadhav, R. P. Singh // Mathematical Models in Engineering. — 2018. — June. — Vol. 4. — P. 112—137.

56. Semantic segmentation of forest stands of pure species as a global optimization problem [текст] / C. Dechesne [et al.] // ISPRS Annals of Photogrammetry Remote Sensing, Spatial Information Sciences. — 2017. — May. — Vol. 4. — P. 141-148.

57. A modified U-Net with a specific data argumentation method for semantic segmentation of weed images in the field [текст] / K. Zou [et al.] // Computers and Electronics in Agriculture. — 2021. — Aug. — Vol. 187. — P. 106242.

58. AgriSegNet: Deep Aerial Semantic Segmentation Framework for IoT-Assisted Precision Agriculture [текст] / T. Anand [et al.] // IEEE Sensors Journal. — 2021. - Vol. 21, no. 16. - P. 17581-17590.

59. Singh, P. Disease and pest infection detection in coconut tree through deep learning techniques [текст] / P. Singh, A. Verma, J. C. R. Alex // Computers and Electronics in Agriculture. — 2021. — Mar. — Vol. 182. — P. 105986.

60. Crop Pest Recognition in Real Agricultural Environment Using Convolu-tional Neural Networks by a Parallel Attention Mechanism [текст] / S. Zhao [et al.] // Frontiers in Plant Science. - 2022. — Feb. - Vol. 13. - P. 1-14.

61. MFBP-UNet: A Network for Pear Leaf Disease Segmentation in Natural Agricultural Environments [текст] / H. Wang [et al.] // Plants. — 2023. — Sept. — Vol. 12. - P. 3209.

62. Deep learning-based precision agriculture through weed recognition in sugar beet fields [текст] / A. Nasiri [et al.] // Sustainable Computing: Informatics and Systems. - 2022. - May. - Vol. 35. - P. 100759.

63. Takahashi, R. Data Augmentation Using Random Image Cropping and Patching for Deep CNNs [текст] / R. Takahashi, T. Matsubara, K. Uehara // IEEE Transactions on Circuits and Systems for Video Technology. — 2020. — Vol. 30, no. 9. - P. 2917-2931.

64. Data augmentation for deep learning based semantic segmentation and crop-weed classification in agricultural robotics [текст] / D. Su [et al.] // Computers and Electronics in Agriculture. — 2021. — Sept. — Vol. 190. — P. 1-12.

65. Deep learning-based segmentation of multiple species of weeds and corn crop using synthetic and real image datasets [текст] / A. Picon [et al.] // Computers and Electronics in Agriculture. — 2022. — Mar. — Vol. 194. — P. 106719.

66. Usefulness of synthetic datasets for diatom automatic detection using a deep-learning approach [текст] / A. Venkataramanan [et al.] // Engineering Applications of Artificial Intelligence. — 2023. — Jan. — Vol. 117. — P. 105594.

67. A Synthetic Datasets Based Instance Segmentation Network for High-throughput Soybean Pods Phenotype Investigation [текст] / S. Yang [et al.] // Expert Systems with Applications. - 2021. - Dec. - Vol. 192. - P. 116403.

68. Tomato plant disease detection using transfer learning with C-GAN synthetic images [текст] / A. Abbas [et al.] // Computers and Electronics in Agriculture. - 2021. - June. - Vol. 187.

69. Synthetic data for X-ray CT of healthy and disordered pear fruit using deep learning [текст] / A. Tempelaere [et al.] // Postharvest Biology and Technology. - 2023. - June. - Vol. 200. - P. 112342.

70. Attention U-Net: Learning Where to Look for the Pancreas [текст] / O. Oktay [et al.] // ArXiv. - 2018. - Vol. abs/1804.03999.

71. Recurrent Residual Convolutional Neural Network based on U-Net (R2U-Net) for Medical Image Segmentation [текст] / Z. Alom [et al.] // ArXiv. — 2018. - Feb. - Vol. abs/1802.06955.

72. UNet++: A Nested U-Net Architecture for Medical Image Segmentation [текст] / Z. Zhou [et al.] // Deep Learning in Medical Image Analysis and Multimodal Learning for Clinical Decision Support / ed. by D. Stoyanov. — Springer International Publishing, 07/2018. — P. 3—11.

73. UNet 3+: A Full-Scale Connected UNet for Medical Image Segmentation [текст] / H. Huang [et al.] // ICASSP 2020 - 2020 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP). — 04/2020. — P. 1055-1059.

74. TransUNet: Transformers Make Strong Encoders for Medical Image Segmentation [текст] / J. Chen [et al.] // ArXiv. - 2021. - Vol. abs/2102.04306.

75. UNETR: Transformers for 3D Medical Image Segmentation [текст] / A. Hatamizadeh [et al.] // 2022 IEEE/CVF Winter Conference on Applications of Computer Vision (WACV). - 2022. - P. 1748-1758.

76. Tianqi, C. XGBoost: A Scalable Tree Boosting System [текст] / C. Tianqi, G. Carlos // Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. — 2016. — Aug. — P. 785—794.

77. Agapkin, A. M. The grain market of Russia [текст] / A. M. Agapkin, I. A. Makhotina // IOP Conference Series: Earth and Environmental Science. - 2021. - Sept. - Vol. 839. - P. 022023.

78. Managing Water and Fertilizer for Sustainable Agricultural Intensification [текст] / P. Drechsel [et al.]. — 1st ed. — Paris, France : International Fertilizer Industry Association (IFA), International Water Management Institute (IWMI), International Plant Nutrition Institute (IPNI), International Potash Institute (IPI), 01/2015. - P. 270.

79. May smart technologies reduce the environmental impact of nitrogen fertilization? A case study for paddy rice [текст] / J. Bacenetti [et al.] // Science of The Total Environment. - 2020. - Jan. - Vol. 715. - P. 136956.

80. Aktar, M. W. Impact of Pesticides Use in Agriculture: Their Benefits and Hazards [текст] / M. W. Aktar, D. Sengupta, A. Chowdhury // Interdisciplinary toxicology. - 2009. - Mar. - Vol. 2. - P. 1-12.

81. Systematic literature review of implementations of precision agriculture [текст] / I. Cisternas [et al.] // Computers and Electronics in Agriculture. — 2020. - Sept. - Vol. 176. - P. 105626.

82. Delineation of site-specific management zones for pest control purposes: Exploring precision agriculture and species distribution modeling approaches [текст] / L. Méndez-Vázquez [et al.] // Computers and Electronics in Agriculture. - 2019. - Sept. - Vol. 167. - P. 105101.

83. An Alternative Approach to Managing the Nitrogen Content of Cereal Crops [текст] / O. Mitrofanova [et al.] // Robotics, Machinery and Engineering Technology for Precision Agriculture. — 01/2022. — P. 481—491.

84. Incorporating dynamic crop growth processes and management practices into a terrestrial biosphere model for simulating crop production in the United States: Toward a unified modeling framework [текст] / Y. You [et al.] // Agricultural and Forest Meteorology. - 2022. - Oct. - Vol. 325. - P. 109144.

85. Performance of 13 crop simulation models and their ensemble for simulating four field crops in Central Europe [текст] / M. Kostkova [et al.] // The Journal of Agricultural Science. - 2021. - June. — Vol. 159. - P. 1—21.

86. Role of existing and emerging technologies in advancing climate-smart agriculture through modeling: A review [текст] / D. Gupta [et al.] // Ecological Informatics. - 2022. - Sept. - Vol. 71. - P. 101805.

87. Yang, C. Remote Sensing and Precision Agriculture Technologies for Crop Disease Detection and Management with a Practical Application Example [текст] / C. Yang // Engineering. — 2020. — Mar. — Vol. 6.

88. An overview of crop nitrogen status assessment using hyperspectral remote sensing: Current status and perspectives [текст] / Y. Fu [et al.] // European Journal of Agronomy. - 2021. - Mar. - Vol. 124. - P. 126241.

89. Grain yield prediction of rice using multi-temporal UAV-based RGB and mul-tispectral images and model transfer a case study of small farmlands in the South of China [текст] / L. Wan [et al.] // Agricultural and Forest Meteorology. - 2020. - Sept. - Vol. 291. - P. 108096.

90. Hansen, P. Reflectance measurement of canopy biomass and nitrogen status in wheat crops using normalized difference vegetation indices and partial leaves in response to N limitation [текст] / P. Hansen, J. Schjoerring // Remote Sensing of Environment. — 2003. — Aug. — Vol. 86. — P. 542—553.

91. Maes, W. Perspectives for Remote Sensing with Unmanned Aerial Vehicles in Precision Agriculture [текст] / W. Maes, K. Steppe // Trends in Plant Science. - 2018. - Dec. - Vol. 24.

92. UAV-based multispectral remote sensing for precision agriculture: A comparison between different cameras [текст] / L. Deng [et al.] // ISPRS Journal of Photogrammetry and Remote Sensing. — 2018. — Dec. — Vol. 146. — P. 124-136.

93. Crop nitrogen status of early- and late-sown maize at different plant densities [текст] / N. Maltese [et al.] // Field Crops Research. - 2020. - Nov. -Vol. 258. - P. 107965.

94. Advances in the estimations and applications of critical nitrogen dilution curve and nitrogen nutrition index of major cereal crops. A review [текст] / X. Li [et al.] // Computers and Electronics in Agriculture. — 2022. — June. — Vol. 197. - P. 106998.

95. Monitoring nitrogen status of vegetable crops and soils for optimal nitrogen management [текст] / F. Padilla [et al.] // Agricultural Water Management. - 2020. - Nov. - Vol. 241. - P. 106356.

96. Estimating the nitrogen status of crops using a digital camera [текст] / Y. Li [et al.] // Field Crops Research. - 2010. - Sept. - Vol. 118. - P. 221-227.

97. Evaluation of optical sensor measurements of canopy reflectance and of leaf flavonols and chlorophyll contents to assess crop nitrogen status of muskmelon [текст] / F. Padilla [et al.] // European Journal of Agronomy. — 2014. — Aug. - Vol. 58. - P. 39-52.

98. Airborne and ground level sensors for monitoring nitrogen status in a maize crop [текст] / J. Gabriel [et al.] // Biosystems Engineering. — 2017. — June. - Vol. 160. - P. 124-133.

99. LiDAR based biomass and crop nitrogen estimates for rapid, non-destructive assessment of wheat nitrogen status [текст] / J. Eitel [et al.] // Field Crops Research. - 2014. - Mar. - Vol. 159. - P. 21-32.

100. Chlingaryan, A. Machine learning approaches for crop yield prediction and nitrogen status estimation in precision agriculture: A review [текст] / A. Chlingaryan, S. Sukkarieh, B. Whelan // Computers and Electronics in Agriculture. - 2018. - Aug. - Vol. 151. - P. 61-69.

101. Shaikh, T. Towards leveraging the role of machine learning and artificial intelligence in precision agriculture and smart farming [текст] / T. Shaikh, T. Rasool, F. Lone // Computers and Electronics in Agriculture. — 2022. — July. - Vol. 198. - P. 107119.

102. Sharma, V. Technological revolutions in smart farming: Current trends, challenges and future directions [текст] / V. Sharma, A. Tripathi, H. Mittal // Computers and Electronics in Agriculture. — 2022. — Aug. — Vol. 201. — P. 107217.

103. CED-Net: Crops and Weeds Segmentation for Smart Farming Using a Small Cascaded Encoder-Decoder Architecture [текст] / T. Ilyas [et al.] // Electronics. - 2020. - Oct. - Vol. 9.

104. An image segmentation method based on deep learning for damage assessment of the invasive weed Solanum rostratum Dunal [текст] / Q. Wang [et al.] // Computers and Electronics in Agriculture. — 2021. — Sept. — Vol. 188. — P. 106320.

105. Combining fixed-wing UAV multispectral imagery and machine learning to diagnose winter wheat nitrogen status at the farm scale [текст] / J. Jiang [et al.] // European Journal of Agronomy. — 2022. — Aug. — Vol. 138. — P. 126537.

106. Estimation of nitrogen nutrition index in rice from UAV RGB images coupled with machine learning algorithms [текст] / Z. Qiu [et al.] // Computers and Electronics in Agriculture. - 2021. — Oct. - Vol. 189. - P. 106421.

107. Mekha, P. Image Classification of Rice Leaf Diseases Using Random Forest Algorithm [текст] / P. Mekha, N. Teeyasuksaet // 2021 Joint International Conference on Digital Arts, Media and Technology with ECTI Northern Section Conference on Electrical, Electronics, Computer and Telecommunication Engineering. - 03/2021. - P. 165-169.

108. Deep supervised learning for hyperspectral data classification through con-volutional neural networks [текст] / K. Makantasis [et al.] // 2015 IEEE International Geoscience and Remote Sensing Symposium (IGARSS). — 01/2015. - P. 4959-4962.

109. Abraham, G. Smart Agriculture Based on IoT and Machine Learning [текст] / G. Abraham, R. Raksha, M. Nithya // 2021 5th International Conference on Computing Methodologies and Communication (ICCMC). — 04/2021. — P. 414-419.

110. Deep Recurrent Neural Networks for Winter Vegetation Quality Mapping via Multitemporal SAR Sentinel-1 [текст] / D. Ho Tong Minh [et al.] // IEEE Geoscience and Remote Sensing Letters. — 2018. — Jan. — Vol. 15. — P. 464-468.

111. Yakushev, V. Evaluation of wheat nitrogen status by colorimetric characteristics of crop canopy from digital images [текст] / V. Yakushev, E. Kanash // Journal of Agricultural Informatics. — 2011. — Jan. — Vol. 7. — P. 341—351.

112. Use of test sites for determination of nitrogen fertilizer rates in the system of precision agriculture [текст] / D. Matveenko [et al.] // Agrophysica. — 2016. - Vol. 4. - P. 43-51.

113. Methodical approaches for the differentiation of nitrogen top-dressing using test sites [текст] / D. Matveenko [et al.] // Agrochemical Herald. — 2017. — Vol. 1. - P. 19-24.

114. High-quality vegetation index product generation: A review of NDVI time series reconstruction techniques [текст] / S. Li [et al.] // International Journal of Applied Earth Observation and Geoinformation. — 2021. — Dec. — Vol. 105. - P. 102640.

115. Huang, G. Densely Connected Convolutional Networks [текст] / G. Huang, Z. Liu, K. Weinberger // ArXiv. - 2016. - Aug. - Vol. arXiv.1608.06993. -P. 12.

116. Grandini, G. Metrics for Multi-Class Classification: an Overview [текст] / G. Grandini, E. Bagli, G. Visani // ArXiv. - 2020. - Aug. -Vol. abs/2008.05756.

117. Detecting powdery mildew disease in squash at different stages using UAV-based hyperspectral imaging and artificial intelligence [текст] / J. Ab-dulridha [et al.] // Biosystems Engineering. — 2020. — Sept. — Vol. 197. — P. 135-148.

118. Using ground-based spectral reflectance sensors and photography to estimate shoot N concentration and dry matter of potato [текст] / Z. Zhou [et al.] // Computers and Electronics in Agriculture. — 2018. — Jan. — Vol. 144. — P. 154-163.

119. Assessing the visibility of urban greenery using MLS LiDAR data [текст] / L. Tang [et al.] // Landscape and Urban Planning. — 2023. — Apr. — Vol. 232. - P. 104662.

120. Khdery, G. Innovative spectral library for identification common wild plants using hyperspectral technology in Northwestern Coast, Egypt [текст] / G. Khdery, M. Yones // The Egyptian Journal of Remote Sensing and Space Science. - 2020. - Sept. - Vol. 24.

121. Evaluating the performance of the CCCI-CNI index for estimating N status of winter wheat [текст] / M. Palka [et al.] // European Journal of Agronomy. — 2021. - Oct. - Vol. 130. - P. 126346.

122. Smart agriculture and digital twins: Applications and challenges in a vision of sustainability [текст] / S. Cesco [et al.] // European Journal of Agronomy. — 2023. - May. - Vol. 146. - P. 126809.

123. Purcell, W. Digital Twins in agriculture: challenges and opportunities for environmental sustainability [текст] / W. Purcell, T. Neubauer, K. Mallinger // Current Opinion in Environmental Sustainability. — 2023. — Jan. — Vol. 61.

124. Pylianidis, C. Smart agriculture and digital twins: Applications and challenges in a vision of sustainability [текст] / C. Pylianidis, S. Osinga, I. Athanasiadis // Introducing digital twins to agriculture. — 2021. — May. — Vol. 184. - P. 105942.

Список рисунков

1.1 Биополигон АФИ (д. Меньково, Гатчинский район, Ленинградская

обл.)..........................................................................20

1.2 Алгоритм предобработки данных аэрофотосъемки для одного обследуемого участка в программе Ме1авЬаре..................22

1.3 Общая схема одной из задач применения созданного датасета .... 25

2.1 Биополигон с сельскохозяйственными полями №9 и №26..............30

2.2 Схема генерации изображений............................................31

2.3 Рис. 3. а-г — алгоритмы: а — на основе рядов, б — на основе парабол, в — на

основе пятен, г — на основе пятен*, д — на основе пятен**. Строки каждого фрагмента а-д обозначают каналы изображения: RGB, NeaIR и NDVI; столбцы — отдельные примеры сгенерированных изображений с учетом специфики каждого алгоритма; последняя строка Labels — примеры масок

сегментации с размеченными данными ........................................40

3.1 Два сельскохозяйственных поля экспериментального биополигона Агрофизического научно-исследовательского института (АФИ) ... 50

3.2 Общая схема всего процесса анализа азотного питания................51

3.3 Оборудование беспилотного авиационного комплекса Геоскан-401 . . 52

3.4 Пример плана полета и мозаика аэрофотоснимков в программе Geoscan Planner для сельскохозяйственного поля №9 ..................54

3.5 Пример объединения слоев ортофотоплана с картой NDVI и тестовыми площадками ....................................................55

3.6 Каналы камеры ............................................................56

3.7 Пример тестовых площадок на поле №9..................................56

3.8 Пример предобработки ортофотоплана для сегментации..............57

3.9 Цикл обучения..............................................................59

3.10 Архитектура U-Net ........................................................60

3.11 Архитектура Attention U-Net..............................................61

3.12 Архитектура R2U-Net......................................................62

3.13 Архитектура Attention R2U-Net..........................................62

3.14 Архитектура U-Net++ ....................................................63

3.15 Архитектура U-Net3+......................................................64

3.16 Влияние размера батча на обучение (поле 9): а), б) — при размере батча 5, в), г) - при размере батча 25, д), е) - при размере батча 50 . 69

3.17 Влияние размера батча на обучение (поле 26): а), б) — при размере батча 5, в), г) - при размере батча 25, д), е) - при размере батча 50 . 70

3.18 (а) точность обучения; (b) функция потерь архитектуры Attention R2U-Net(t2) с разными комбинациями слоев (поле 9)......... 72

3.19 (а) точность обучения; (b) функция потерь архитектуры Attention R2U-Net(t2) с разными комбинациями слоев (поле 26) ........ 72

3.20 Результат сегментации изображения поля 9 с различными архитектурами U-Net, обученными с размером батча 50 ....... 73

3.21 Результат сегментации изображения поля 26 с различными архитектурами U-Net, обученными с размером батча 5 ........ 73

3.22 Архитектура разработанной единой сетевой системы......... 75

3.23 Общая концепция технологии цифровых двойников для точного земледелия ................................. 76

Список таблиц

1.1 Примеры существующих датасетов со снимками, полученными в полевых условиях............................. 17

1.2 Общие сведения об используемых БЛА, БАС и сенсорах....... 19

1.3 Общие сведения об аэрофотосъемочных работах на биополигоне АФИ 22

1.4 Точность анализа снимков ........................ 24

2.1 Точность алгоритмов глубокого обучения................ 41

2.2 Точность алгоритмов машинного обучения............... 42

3.1 Сравнение методов ЭЬ и МЬ для решения задач сегментации/классификации изображений в точном земледелии ... 47

3.2 Технические характеристики дрона и мультиспектральной камеры . 51

3.3 Общие параметры аэрофотосъемки................... 53

3.4 Значения метрик нейросетевых моделей с разными размерами

батча для поля №9............................. 66

3.5 Значения метрик нейросетевых моделей с разными размерами

батча для поля №26............................ 68

3.6 Значения метрик нейросетевых моделей с разными комбинациями слоев для поля №9 ............................. 71

3.7 Значения метрик нейросетевых моделей с разными комбинациями слоев для поля №26 ............................ 71