Дистанционное зондирование с помощью БПЛА для точного земледелия: области применения, технические основы, существующие барьеры и будущие возможности

+7 906 644 66 80 _____info@gisproxima.ru

Дистанционное зондирование с помощью БПЛА для точного земледелия: области применения, технические основы, существующие барьеры и будущие возможности

Абдул Саттар Машори¹˒², Фучжун Ли²*, Мухаммад Аман¹˒², Упин Чжан², Шуцзе Цзя², Аамир Али³, Нида Джабин⁴, Ванли Хао², Юйцяо Янь²

¹ Колледж сельскохозяйственной инженерии, Шаньсийский сельскохозяйственный университет, Тайгу, Цзиньчжун 030801, Китай

² Факультет программных технологий, Шаньсийский сельскохозяйственный университет, Тайгу, Цзиньчжун 030801, Китай

³ Кафедра микробиологии, Андижанский государственный медицинский институт, Андижан 170100, Узбекистан

⁴ Школа коммуникационной и информационной инженерии, Чунцинский университет почты и телекоммуникаций, Чунцин 400065, Китай

* Автор для корреспонденции. E-mail: lifuzhong@sxau.edu.cn (Ф. Ли).

Информация о статье

Получено 8 сентября 2025 г.; получено в переработанном виде 31 марта 2026 г.; принято 31 марта 2026 г.; доступно онлайн 1 апреля 2026 г.

DOI: https://doi.org/10.1016/j.atech.2026.102074

Ключевые слова: дистанционное зондирование; беспилотные летательные аппараты; сенсорные технологии; применение БПЛА; обработка данных; фенотипирование; точное земледелие.

Аннотация

Интеграция беспилотных летательных аппаратов (БПЛА) в сельскохозяйственную практику означает существенный переход от традиционных методов ведения хозяйства к ориентированным на точность системам, основанным на данных и соответствующим более широким целям точного земледелия. В настоящем обзоре систематически рассматривается развитие способов применения БПЛА в сельском хозяйстве; особое внимание уделено их возрастающей роли в повышении операционной эффективности и поддержке устойчивых методов земледелия. Оснащённые современными технологиями дистанционного зондирования (ДЗ), включая мультиспектральные и гиперспектральные датчики, тепловизионные системы, лидары (LiDAR) и системы глобального позиционирования (GPS), БПЛА обеспечивают мониторинг окружающей среды в реальном времени с высоким пространственным разрешением. Кроме того, они играют важнейшую роль в высокопроизводительном фенотипировании, наблюдении за сельскохозяйственными животными и управлении орошением с учётом особенностей конкретного участка, совместно содействуя формированию устойчивых к климатическим воздействиям сельскохозяйственных экосистем.

Интеграция алгоритмов искусственного интеллекта (ИИ) и машинного обучения (МО) в процессы предварительной и последующей обработки данных БПЛА дополнительно расширяет их функциональность, обеспечивая развитое прогнозное моделирование и аналитику. Однако, несмотря на эти преимущества, широкое внедрение БПЛА сдерживается рядом факторов: ограниченной продолжительностью полёта вследствие ограничений источников энергии, высокой стоимостью эксплуатации и технического обслуживания, нормативными и воздушно-пространственными ограничениями, а также присущей данному подходу сложностью управления и обработки больших объёмов данных, получаемых с БПЛА. Дополнительные технические ограничения, включая малую грузоподъёмность и уязвимость к неблагоприятным погодным условиям, также снижают эксплуатационные возможности аппаратов. Тем не менее такие новейшие достижения, как гибридные платформы БПЛА, интеграция нескольких датчиков, автономные роевые операции и энергоэффективные архитектуры, постепенно ослабляют указанные ограничения. Обобщая последние технологические разработки, практические сценарии применения и сохраняющиеся ограничения, данная работа служит всесторонним справочным материалом для исследователей, агрономов и лиц, определяющих политику, которые стремятся эффективно использовать технологии БПЛА для будущих сельскохозяйственных инноваций.

Таблица 1. Сокращения и их полные наименования, используемые в статье

1. Введение

Точное земледелие, также называемое прецизионным земледелием или дифференцированным управлением посевами, представляет собой прогрессивную стратегию ведения сельского хозяйства. В ней применяются сложные технологии для повышения эффективности, увеличения урожайности и обеспечения экологически ответственного природопользования. Подходы, основанные на данных, учитывают пространственную и временную изменчивость свойств почвы, потребностей культур и условий окружающей среды. Основная цель точного земледелия заключается во внесении необходимых ресурсов — воды, удобрений, пестицидов и иных средств производства — в оптимальном месте и в момент, когда они требуются. Использование таких передовых средств, как глобальная система позиционирования (GPS), географические информационные системы (ГИС), Интернет вещей (IoT), дистанционное зондирование (ДЗ), искусственный интеллект (ИИ) и машинное обучение (МО), позволяет фермерам принимать точные и обоснованные решения для повышения общей производительности. На рис. 1 представлена блок-схема эволюции сельскохозяйственной техники в различные эпохи — промышленной революции, зелёной революции и цифрового сельского хозяйства. Постепенное и устойчивое развитие технологий приближает человечество к практической реализации точного земледелия [1, 2].

Рис. 1. Базовая схема, показывающая четыре эпохи развития сельского хозяйства [1, 2].

В основе точного земледелия лежат сбор и анализ данных высокого разрешения. Для этого применяют широкий спектр современных технологий: БПЛА, спутники, наземные датчики и автоматизированные машины, которые непрерывно наблюдают за состоянием культур и собирают подробные сведения о свойствах почвы, уровне влаги, обеспеченности питательными веществами и активности вредителей. Этот обширный массив анализируют с помощью современных вычислительных средств и систем поддержки принятия решений (СППР), получая практически применимые выводы и оптимизируя агротехнические операции. Например, дифференцированное управление ресурсами, реализуемое посредством технологий переменных норм внесения (VRT), позволяет изменять нормы гербицидов, удобрений и воды. Аналогично системы ДЗ с тепловизионными, мультиспектральными и гиперспектральными средствами способны обнаруживать ранние признаки стресса растений, что обеспечивает своевременное принятие эффективных корректирующих мер.

За прошедшие годы БПЛА показали высокую эффективность в многочисленных гражданских областях, включая сельское хозяйство, правоохранительную деятельность, наблюдение и развлечения [3]. В интеллектуальном сельском хозяйстве они особенно ценны благодаря эксплуатационной гибкости и способности надёжно работать в широком диапазоне погодных условий. Развитие технологии позволило получать изображения высокого разрешения с типичных рабочих высот 50–100 м и одновременно обеспечивать точный и надёжный сбор пространственных данных с различных платформ. Это способствует детальному контролю посевов, выявлению неоднородности полей и быстрому принятию решений на больших сельскохозяйственных территориях [4, 5].

БПЛА также позволяют дистанционно выявлять биотические и абиотические стрессоры, включая проникновение животных, распространение сорняков и нашествие вредителей. С информационно-коммуникационной точки зрения собранные бортовыми датчиками данные обычно передаются на облачные платформы и становятся доступными через мобильные приложения и интеллектуальные устройства. Такая связность позволяет фермерам и специалистам сельского хозяйства, включая исследователей, вести непрерывный удалённый мониторинг и принимать обоснованные решения в реальном времени. Подходы, основанные на данных, повышают эффективность операций и производительность и способствуют устойчивому земледелию. БПЛА с системами точного опрыскивания обеспечивают адресное и эффективное внесение агрохимикатов, экономят ресурсы, уменьшают воздействие на окружающую среду и ограничивают контакт человека с опасными веществами [6]. Одним из наиболее заметных преимуществ БПЛА в интеллектуальном сельском хозяйстве является высокопроизводительное фенотипирование для селекции растений. Быстрая неинвазивная съёмка позволяет эффективно оценивать важнейшие признаки растений и ускоряет выявление перспективных генотипов [7].

БПЛА полезны и для адаптации земледелия к изменению климата: непрерывное наблюдение и системы раннего предупреждения помогают реагировать на засухи и наводнения. В работе [8] описан подход к раннему обнаружению наводнений с помощью БПЛА на основе IoT. Применение такой системы в сельскохозяйственных районах, подверженных наводнениям и внезапным паводкам, способно принести фермерам значительную пользу. Воздействие изменения климата на сельское хозяйство уже очевидно и, как ожидается, в будущем усилится. В [9] приведены убедительные свидетельства того, что изменение климата уже влияет на мировое производство продовольствия: урожайность ключевых культур, включая кукурузу и пшеницу, в некоторых регионах снижается вследствие изменений температуры и режима осадков. Исследователи [10, 11] показали, что дроны могут существенно повысить производительность сельского хозяйства благодаря точному мониторингу культур, адресному внесению ресурсов и сбору данных высокого разрешения. В [12] дан подробный анализ мультиспектральной съёмки с БПЛА в точном земледелии, отмечена её эффективность для быстрого выявления стресса, контроля здоровья растений и совершенствования управления ресурсами. В недавней работе [13] изучена интеграция IoT и сельскохозяйственных БПЛА в интеллектуальном сельском хозяйстве; подчёркнута роль интеллектуальных датчиков, протоколов связи и интеграции БПЛА.

На фоне постоянно развивающихся технологических тенденций авторы [14] и многих других работ подчёркивают растущую значимость интеграции БПЛА с ИИ и МО, которая облегчает анализ данных и прогнозное моделирование [15]. Сочетание ИИ и IoT с беспилотной авиацией открывает новые возможности точного земледелия. Эти инновации способны коренным образом изменить управление культурами, поддержать принятие решений на основе данных и оптимизировать использование ресурсов. Вместе с тем БПЛА всё ещё ограничены продолжительностью работы, проблемами конфиденциальности данных и низкой доступностью для мелких хозяйств. Ожидается, что продолжающиеся исследования и технический прогресс устранят эти проблемы и закрепят БПЛА в качестве важнейшего элемента будущего сельского хозяйства. По мере перехода отрасли к более устойчивым и эффективным методам БПЛА будут всё заметнее влиять на развитие систем производства продовольствия.

В статье подробно рассмотрено, как БПЛА уже используются в интеллектуальном сельском хозяйстве. Проанализированы типы бортовых датчиков и их конкретные функции, а также существующие трудности и новые возможности сельского хозяйства на базе БПЛА. На рис. 2 приведена базовая схема интеграции БПЛА в инфраструктуру IoT интеллектуального сельского хозяйства.

Рис. 2. Базовая схема мониторинга с применением БПЛА для любой возможной задачи в сельскохозяйственном Интернете вещей.

Основные результаты работы

1. Представлена комплексная, единая и сквозная техническая архитектура, систематически объединяющая все основные компоненты точного земледелия на базе БПЛА — от получения данных до анализа и поддержки принятия решений.

2. Разработана подробная систематическая таксономия платформ БПЛА и связанных сенсорных модальностей с ясным разделением их типов, характеристик и ролей в приложениях точного земледелия.

3. Построено хорошо структурированное систематическое соответствие между сельскохозяйственными приложениями БПЛА, используемыми датчиками и соответствующими методами аналитики данных, что облегчает понимание их взаимозависимостей и практической интеграции.

Дальнейший материал организован следующим образом. В разделе 2 всесторонне рассмотрены типы БПЛА, применяемые в сельском хозяйстве, и датчики, которые обычно устанавливают на эти платформы для сбора данных. Раздел 3 содержит углублённый анализ широкого круга сельскохозяйственных применений БПЛА и их роли в современном интеллектуальном земледелии. Раздел 4 посвящён методическим аспектам работы с данными БПЛА, включая предварительную и последующую обработку для повышения качества, надёжности и пригодности данных. В разделе 5 критически рассмотрены ограничения и эксплуатационные проблемы развёртывания БПЛА в сельскохозяйственных сценариях. В разделе 6 обсуждаются новые тенденции, технологические достижения и перспективные направления исследований. Заключение обобщает основные результаты и вклад работы и подчёркивает её актуальность для продолжающихся исследований сельскохозяйственных систем на базе БПЛА.

Поиск литературы, схема которого показана на рис. 3, охватывал период 2010–2025 гг. Систематически просматривались IEEE Xplore, MDPI, Wiley, Frontiers, Springer и Elsevier, а также отдельные рецензируемые материалы конференций по сельскохозяйственным применениям БПЛА. Использовались чётко определённые группы ключевых слов, относящиеся к: (i) типам БПЛА; (ii) типам датчиков; (iii) методам обработки данных и обучения; (iv) ограничениям БПЛА. Первоначально найдено 150 публикаций. После исключения редакционных материалов, мнений и нетехнических работ осталось 135 публикаций, близких к тематике обзора. После проверки релевантности по платформам, интеграции датчиков, сельскохозяйственным применениям и рабочим процессам обработки данных для подробного анализа отобрано 130 рецензируемых исследований. Включались работы, которые: (i) рассматривали сельскохозяйственное зондирование или применение БПЛА; (ii) содержали технические либо методические сведения; (iii) были опубликованы в установленный период. Исключались редакционные публикации, работы без достаточной технической глубины и исследования вне области сельскохозяйственных БПЛА.

Рис. 3. Блок-схема использованной методики исследования и структуры статьи.

2. Типы БПЛА и связанные сенсорные технологии

В разделе представлен углублённый обзор различных типов БПЛА, используемых для точного земледелия, а также интегрируемых в них датчиков, которые позволяют решать широкий круг задач средствами дистанционного зондирования.

2.1. Типы

Сельскохозяйственные БПЛА выпускаются в нескольких конфигурациях, каждая из которых адаптирована к определённым требованиям. Выделяют четыре основные категории: (i) мультироторные; (ii) самолётного типа; (iii) однороторные; (iv) гибридные аппараты вертикального взлёта и посадки (VTOL). На рис. 4 показаны основные конструктивные схемы этих категорий. Они поясняют характерные физические признаки и аэродинамическую компоновку каждого класса и помогают читателю понять структурные и функциональные различия [16–21].

Рис. 4. Основные типы широко применяемых БПЛА для различных задач точного земледелия средствами дистанционного зондирования.

2.1.1. Мультироторные БПЛА

Мультироторные аппараты широко применяются благодаря манёвренности и приспособленности к разнообразным задачам точного земледелия. Они имеют более двух роторов и обычно выполняются как квадрокоптеры (четыре ротора), гексакоптеры (шесть) или октокоптеры (восемь), как показано на рис. 4а и 5. Конструкция обеспечивает вертикальные взлёт и посадку с неподвижного положения без взлётно-посадочной полосы, а также устойчивое зависание. Это особенно полезно при детальном наблюдении за посевами и точном выполнении адресных операций [22], например внесении агрохимикатов с сокращением потерь и экологического воздействия.

По сравнению с аппаратами самолётного типа мультироторные системы проще в эксплуатации, поэтому фермеры могут быстрее освоить их без длительного обучения. Возможность вертикального взлёта и посадки облегчает работу в стеснённых пространствах и на сложном рельефе. Хотя при съёмке больших территорий они менее эффективны, чем аппараты самолётного типа, они хорошо подходят для картирования небольших полей и построения трёхмерных моделей высокого разрешения. Это позволяет быстро оценивать ущерб после неблагоприятных событий, своевременно вмешиваться и повышать производительность хозяйства. Более низкие первоначальные и эксплуатационные расходы делают их экономичным выбором для малых и средних хозяйств.

Аккумуляторные мультироторные дроны обычно работают 20–30 минут в зависимости от полезной нагрузки, поэтому до зарядки или замены батареи способны обследовать лишь небольшие и средние площади. Их грузоподъёмность также ниже, чем у аппаратов самолётного типа и однороторных систем, что ограничивает количество удобрений или пестицидов, переносимых и вносимых за один полёт [23, 24].

Рис. 5. Мультироторный дрон, широко используемый в сельском хозяйстве.

2.1.2. БПЛА самолётного типа

Показанные на рис. 4б аппараты самолётного типа — высокоразвитые авиационные средства, всё шире применяемые в точном земледелии для эффективного сбора геопространственных данных, совершенствования управления ресурсами и комплексного мониторинга полей. Аэродинамический профиль создаёт подъёмную силу при непрерывном поступательном движении, обеспечивая высокую эффективность, длительный полёт и обследование больших территорий за одну миссию. Поэтому они особенно подходят для крупных хозяйств, где своевременная подробная пространственная информация необходима для дифференцированного управления культурами.

Продолжительность полёта от 45 минут до нескольких часов позволяет за один вылет обследовать сотни гектаров [25]. Большинство аппаратов оснащены автономной навигацией, программированием маршрута по точкам GPS и инерциальными измерительными блоками (IMU), благодаря чему траектории точны и воспроизводимы. Дополнительно могут использоваться RTK и PPK. Широкий выбор полезной нагрузки обеспечивает адаптивный сбор данных над различным рельефом: мультиспектральные камеры формируют NDVI и GNDVI, тепловизоры контролируют эвапотранспирацию и водный стресс, гиперспектральные датчики дают подробные биохимические характеристики, а RGB-камеры — изображения высокого разрешения и ортомозаики [26].

К эксплуатационным недостаткам относятся необходимость свободной прямолинейной площадки для взлёта и посадки, ограничивающая применение среди густой растительности, на неровном рельефе и в стеснённых условиях. Заданный маршрут и большой радиус разворота уменьшают манёвренность по сравнению с мультироторными дронами, поэтому такие аппараты хуже подходят для задач, требующих зависания или близкого осмотра.

2.1.3. Однороторные БПЛА

Однороторные БПЛА (рис. 4в) представляют специализированную категорию систем VTOL с основным несущим винтом и хвостовым винтом либо эквивалентным противомоментным устройством для управления рысканьем. Подобно обычным вертолётам, они обладают высокой аэродинамической эффективностью и отношением мощности к массе, что обеспечивает длительный полёт и значительную грузоподъёмность. В точном земледелии их преимущества перед мультироторными платформами связаны с энергопотреблением, дальностью и полезной нагрузкой.

Аэродинамика обеспечивает устойчивое зависание, манёвренное управление и продолжительный горизонтальный полёт, позволяя с меньшими энергозатратами обследовать большие площади [27]. Высокая грузоподъёмность допускает установку мультиспектральных, гиперспектральных и тепловизионных систем, LiDAR и ёмких точных опрыскивателей. Собираемые данные необходимы для картирования NDVI и GNDVI, контроля температуры полога, оценки влажности почвы и извлечения фенотипических признаков. При точном опрыскивании однороторные аппараты обеспечивают более устойчивое зависание, широкую полосу распыления и расширенные возможности переменной нормы внесения [28, 29]. Высокое отношение тяги к массе позволяет точно работать на малой высоте даже при умеренном ветре, что важно для равномерного распределения капель и проникновения препарата в полог [30].

Недостатки обусловлены механической сложностью больших роторных узлов и трансмиссии, требующих тщательного обслуживания и строгих мер безопасности. Большая кинетическая энергия создаёт более высокий риск, чем у лёгких мультироторных платформ, поэтому нужны усиленный нормативный контроль и опытные специалисты. Развитие ИИ, МО и IoT ускоряет внедрение интеллектуальных однороторных аппаратов; анализ изображений и прогнозные модели помогают автоматически выявлять стресс и аномалии и эффективно распределять ресурсы [31].

2.1.4. Гибридные БПЛА VTOL

Гибридные VTOL (рис. 4г) сочетают вертикальные взлёт и посадку мультироторных систем с дальностью и энергоэффективностью самолётной схемы. Двухрежимная работа позволяет автономно взлетать и садиться на ограниченных или неровных площадках, а затем переходить к длительному горизонтальному полёту. В точном земледелии это эффективная альтернатива традиционным дронам для задач, требующих большой продолжительности полёта и быстрого развёртывания на конкретном участке.

Миссии обычно заранее программируются на наземной станции управления с использованием навигации по точкам GPS, средств планирования и геопространственного анализа. Современные гибридные аппараты несут RGB-камеры высокого разрешения, мульти- и гиперспектральные камеры для NDVI и GNDVI, тепловые датчики для оценки эффективности орошения и эвапотранспирации и LiDAR для точного картирования полога и рельефа. Зависание обеспечивает точный локальный сбор данных, а самолётный режим — быстрое и энергоэффективное покрытие больших площадей [32, 33]. Некоторые платформы имеют точные опрыскиватели для автономного внесения по картам-заданиям, повышающего точность и снижающего экологическое воздействие.

Инженерная надёжность повышается за счёт резервирования движителей и модульной конструкции планера, упрощающей обслуживание и смену нагрузки. Первоначальная стоимость и расходы на обслуживание выше, чем у обычных мультироторных систем, однако точность, масштабируемость и многофункциональность способны обеспечить экономическую эффективность в долгосрочной перспективе [34]. В табл. 2 приведено количественное сравнение типов, эксплуатационных конфигураций, функций, типичных сельскохозяйственных сценариев и допустимой полезной нагрузки; оно показывает гибкость разных платформ и их пригодность для целевых задач.

Таблица 2. Типы БПЛА и количественные параметры моделей

2.2. Сенсорные технологии БПЛА

Интеграция датчиков в рассмотренные платформы требует понимания принципов их работы, возможностей и потенциальных применений. Точное земледелие реализуется путём непрерывного контроля состояния культур, свойств почвы и окружающей среды с использованием мультиспектральных, тепловых, лидарных и гиперспектральных средств. БПЛА с современными датчиками помогают фермерам и исследователям принимать решения, направленные на повышение эффективности ресурсов, урожайности и устойчивости. Ниже дан краткий обзор каждой технологии. На рис. 6 обобщены известные сенсорные технологии, устанавливавшиеся на сельскохозяйственные БПЛА.

Рис. 6. Типы датчиков и сенсорных технологий, применяемых для решения различных задач на пути к точному земледелию.

2.2.1. RGB-камеры

Установленные на БПЛА RGB-датчики служат основным оптическим средством точного земледелия, регистрируя отражение с высоким разрешением в красном, зелёном и синем диапазонах видимого спектра. Они формируют ортомозаики в естественных цветах для подробной пространственной оценки структуры культур, однородности полога и локальных аномалий. Сочетание фотограмметрии и компьютерного зрения позволяет по RGB-изображениям количественно определять распределение растительности, густоту стояния и фенологические стадии [35]. Несмотря на ограничение видимым спектром, из этих данных рассчитывают индексы, включая VARI, которые могут характеризовать содержание хлорофилла и жизнеспособность растений. Низкая стоимость, малая масса и высокая совместимость с платформами делают RGB-камеры подходящими для регулярного мониторинга. Их применение повышает точность управления ресурсами, обеспечивает адресные вмешательства и способствует распространению земледелия, основанного на данных [36].

2.2.2. Мультиспектральные датчики

Мультиспектральные датчики регистрируют отражение в отдельных диапазонах: синем (450–520 нм), зелёном (520–600 нм), красном (630–690 нм), красном крае (700–740 нм) и ближнем ИК (760–900 нм). По изображениям рассчитывают NDVI, SAVI и GNDVI, отражающие содержание хлорофилла, фотосинтетическую активность и биомассу [37]. Высокая чувствительность к небольшим изменениям отражения полога помогает рано выявлять абиотический стресс, дефицит питания, вредителей и недостаток воды. В сочетании с GPS и IMU мультиспектральные системы создают геопривязанные ортомозаики для точного пространственного анализа. Облачные платформы могут анализировать эти наборы в реальном времени, предоставляя агрономические сведения, оптимизируя внесение ресурсов и улучшая урожайность, эффективность и устойчивость операций [38].

2.2.3. Гиперспектральные датчики

Гиперспектральные датчики обеспечивают высокоточное ДЗ нового поколения. Они регистрируют радиометрические данные в сотнях узких непрерывных полос, обычно от 400 до 2500 нм, с шириной полосы менее 10 нм, формируя чрезвычайно подробные спектральные сигнатуры отражения. Такая гранулярность позволяет глубоко оценивать биофизические и биохимические свойства культур и значительно превосходит мультиспектральные системы по диагностической точности. Гиперспектральная съёмка поддерживает тонкую классификацию видов, раннее обнаружение дефицита элементов, патогенов и недостатка воды, а также количественную оценку пигментов и фотосинтеза [39]. Полные спектральные данные позволяют рассчитывать сложные индексы, применять спектральные производные и модели классификации на базе ИИ. На БПЛА датчики дают оперативные геопривязанные данные высокого разрешения для пространственно-временной оценки культур, более точного распределения ресурсов, прогнозирования урожая и устойчивого управления [40–46].

2.2.4. Тепловые датчики

Тепловые датчики регистрируют радиометрические сигналы длинноволнового ИК-диапазона, обычно 8–14 мкм, и обеспечивают бесконтактное картирование температуры полога и почвы с высоким пространственным разрешением. Анализ теплового излучения отражает устьичную регуляцию и транспирацию, непосредственно связанные с достаточностью орошения и водным стрессом. Пространственные температурные различия могут выявлять абиотический стресс, вредителей или начало болезни до появления видимых симптомов [47]. Совмещение с мульти- и гиперспектральными данными создаёт более надёжную многоуровневую оценку. Геопривязанные тепловые ортомозаики обеспечивают оперативный пространственный контроль, повышают точность планирования орошения и эффективность воды и поддерживают дифференцированное управление [48].

2.2.5. Лидарные датчики

LiDAR — активное средство высокоточного ДЗ сложного сельскохозяйственного рельефа. Система, обычно работающая в ближнем ИК, излучает лазерные импульсы и определяет расстояние по времени их пролёта (TOF). С БПЛА формируются трёхмерные облака точек высокого разрешения, цифровые модели рельефа (DEM) и модели поверхности полога (CSM), позволяющие оценивать форму рельефа, архитектуру полога и пространственную изменчивость биомассы [49]. Главное преимущество LiDAR — проникновение сквозь растительный покров и точное восстановление поверхности земли, скрытой густой листвой. Это важно для топографического анализа, моделирования стока, снижения риска эрозии и точной планировки. Высокое пространственное и высотное разрешение способствует адресному управлению культурами, дифференцированному внесению и объединению геоданных. Поэтому лидарные БПЛА будут играть важную роль в повышении производительности, ресурсоэффективности и устойчивости [50].

2.2.6. Датчики окружающей среды

Такие датчики обеспечивают атмосферные и микроклиматические данные высокого разрешения: температуру воздуха, относительную влажность, давление, скорость ветра, солнечную радиацию и концентрацию CO₂. Сбор в реальном времени позволяет строить пространственно-временные профили среды, влияющей на рост культур и экосистемные процессы [51]. Температура и влажность используются для своевременной оценки эвапотранспирации, а освещённость и CO₂ — для моделирования фотосинтетической эффективности и углеродного обмена. Объединение с данными спектральной и тепловой съёмки улучшает раннее выявление стресса и прогнозное моделирование. Мультисенсорный подход лежит в основе геопространственных СППР, направляющих адресные адаптивные вмешательства и повышающих эффективность, точность и устойчивость [52, 53].

2.2.7. Флуоресцентные датчики

Флуоресцентные датчики представляют передовой неинвазивный способ оценки фотосинтетической функции. Они регистрируют индуцированную Солнцем флуоресценцию хлорофилла (SIF), главным образом в красной (685 нм) и дальней красной (740 нм) областях, характеризующую активность фотосистемы II (PSII) и физиологическое состояние. Измерение при естественном освещении позволяет обнаруживать фотосинтетический стресс от засухи, дефицита питания и перегрева до появления видимых признаков. На БПЛА датчики дают пространственно-временные данные высокого разрешения и карты фотосинтетической активности полога [54]. Совместный анализ с мультиспектральными, тепловыми и экологическими данными повышает точность выявления стресса и прогнозирования, помогает назначать локальные меры, оптимизировать ресурсы и вести мониторинг в реальном времени [55].

2.2.8. Радиолокационные датчики

Радиолокаторы обеспечивают всепогодное ДЗ, особенно когда оптические датчики ограничены облачностью, слабым освещением или густой растительностью. Работающие в микроволновом диапазоне радары с синтезированной апертурой (SAR) и георадары (GPR) излучают электромагнитные импульсы и анализируют обратное рассеяние для получения сведений о поверхности, структуре культур и подповерхностных слоях. SAR даёт данные высокого разрешения о биомассе, конфигурации полога и поверхностной влажности; GPR картирует подземные структуры, помогает оценивать корневую зону, уплотнение почвы и работу оросительных систем [56]. Независимость от солнечного света обеспечивает воспроизводимый сбор в разных условиях. Объединение с тепловыми, мультиспектральными и лидарными данными усиливает модели слияния, повышая точность анализа, прогноза урожайности и адресного управления.

2.2.9. Газовые и химические датчики

Эти датчики обеспечивают в реальном времени детальный контроль химических компонентов воздуха и почвенных выделений. Они определяют аммиак (NH₃), метан (CH₄), CO₂, оксиды азота (NOₓ), летучие органические соединения (VOC) и следы агрохимикатов. В [57] газоаналитический модуль установлен на БПЛА; при аномальной концентрации измерения передавались в центральный блок по беспроводной сенсорной сети. Пространственные карты потоков газов и химического распределения позволяют рано выявлять дефицит питания, снос пестицидов и локальное загрязнение, уточнять стратегии удобрения, оценивать воздействие и соблюдать нормы. Совмещение с геоданными и тепловыми, гиперспектральными и лидарными измерениями усиливает мультисенсорное слияние и повышает точность распределения ресурсов, мониторинга выбросов и устойчивой интенсификации [58].

2.2.10. Датчики приближения и ультразвуковые датчики

Ультразвуковые датчики излучают высокочастотные акустические сигналы и по задержке эха определяют расстояние до полога или поверхности земли. Они важны для постоянной высоты в низких полётах, равномерного сбора данных и точной оценки высоты и густоты растений. Инфракрасные либо электромагнитные датчики приближения обнаруживают препятствия в реальном времени, повышая безопасность в сложных условиях [59]. Интеграция с камерами и GNSS/IMU обеспечивает адаптивную навигацию, полёт с огибанием рельефа и пространственно согласованный сбор. Вместе эти средства поддерживают точное маневрирование, эффективное покрытие и надёжную автономную работу, повышая точность и масштабируемость точного земледелия [60].

2.2.11. Датчики GPS/GNSS

GPS/GNSS — ключевые геопространственные средства, обеспечивающие точное позиционирование, навигацию и синхронизацию для автономного полёта. Системы используют GPS (США), ГЛОНАСС (Россия), Galileo (ЕС) и BeiDou (Китай); при поправках RTK или PPK точность в реальном времени достигает субметрового и сантиметрового уровня. Это необходимо для оптимальных маршрутов, ортотрансформированных изображений, DEM высокого разрешения и карт переменных норм внесения. GNSS обеспечивает автоматическую маршрутизацию, адаптацию высоты и воспроизводимость миссий для временного сравнения культур. При объединении с мульти-, гиперспектральными, лидарными и тепловыми датчиками GNSS гарантирует пространственное совмещение и усиливает мультисенсорную интеграцию для моделирования урожая, диагностики стресса и устойчивого управления. В табл. 3 обобщены функции, преимущества, ограничения, недостатки и источники по сенсорным технологиям БПЛА.

Таблица 3. Датчики БПЛА в интеллектуальном сельском хозяйстве: преимущества, недостатки и ограничения

3. Применение БПЛА

БПЛА, широко известные как дроны, преобразуют сельскохозяйственные операции, предлагая точные технологические решения для наблюдения за культурами и управления хозяйством. RGB-, мультиспектральные, тепловые и лидарные датчики обеспечивают анализ состояния растительности, свойств почвы и орошения в реальном времени. Снимки высокого разрешения позволяют рано выявлять вредителей, болезни и дефицит питания. БПЛА также выполняют локальные операции — точное опрыскивание и посев, повышая эффективность ресурсов и продуктивность. Быстрое развёртывание и большая зона охвата делают их незаменимыми для устойчивых интеллектуальных систем земледелия. Ниже кратко рассмотрены основные применения; на рис. 7 они представлены совместно.

Рис. 7. Возможные области применения БПЛА в сельском хозяйстве.

3.1. Мониторинг роста растений

БПЛА служат точными и эффективными платформами для детального наблюдения за развитием культур и растительности, предоставляя пространственно-временные данные высокого разрешения. RGB-, мультиспектральные, гиперспектральные и тепловые камеры позволяют получать и анализировать такие важные биофизические и биохимические показатели, как индекс листовой поверхности (LAI), нормализованный разностный вегетационный индекс (NDVI), содержание хлорофилла и температура полога. Эти показатели помогают точно отслеживать стадии развития, изменчивость здоровья растений и рано выявлять дефицит питания, недостаток воды, вредителей и заболевания.

В исследовании [81] авторы с помощью БПЛА наблюдали рост отдельного растения брокколи. Технология была выбрана, поскольку способна снизить расходы на пестициды, труд и удобрения. Совмещённые видимые и мультиспектральные изображения использовали для обнаружения объектов и семантической сегментации, получив визуальную карту для точного мониторинга поля и управления выращиванием брокколи. Системы БПЛА быстро собирают данные на больших площадях с сантиметровой точностью и существенно сокращают трудоёмкие наземные обследования. Интеграция МО и пространственной аналитики поддерживает прогнозирование урожая, оценку эффективности обработок и точное управление хозяйством. Таким образом, БПЛА содействуют интеллектуальному, устойчивому и адаптивному сельскому хозяйству [82].

3.2. Мониторинг здоровья и болезней культур

БПЛА являются передовыми платформами ДЗ, предоставляющими данные высокого разрешения для оценки здоровья культур и раннего обнаружения болезней, а следовательно — для принятия решений на основе данных. Мультиспектральные, гиперспектральные и тепловые датчики регистрируют спектральные и температурные признаки физиологического стресса либо патогенов. Рассчитываемые NDVI, фотохимический индекс отражения (PRI) и понижение температуры полога (CTD) точно характеризуют фотосинтетическую активность, содержание хлорофилла и водный статус.

Показатели позволяют рано выявлять грибные, бактериальные и вирусные болезни, насекомых, а также засуху и дефицит элементов питания. Мониторинг быстро и устойчиво покрывает большие площади, сокращая интервал между появлением симптомов и вмешательством. Обработка данных алгоритмами классификации на базе ИИ и геопространственным анализом улучшает диагностику, оптимизирует обработку и поддерживает точное адресное применение агрохимикатов [82, 83].

3.3. Картирование сорняков

БПЛА всё чаще применяются для высокоточного картирования сорняков и дифференцированного управления ими. RGB-, мульти- и гиперспектральные датчики регистрируют подробные спектральные и пространственные характеристики, позволяя различать полог культур и инвазивные сорняки по отражательной способности. Для повышения чувствительности используют NDVI, индекс избыточной зелени (ExG) и положение красного края (REP). Объектно-ориентированный анализ изображений (OBIA), свёрточные нейронные сети (CNN) и метод опорных векторов (SVM) обеспечивают автоматическую классификацию и пространственную оценку засорённости [84]. Карты распределения высокого разрешения позволяют точно вносить гербициды и применять механическую обработку, уменьшая расход химикатов, затраты и нецелевое воздействие. Такой мониторинг масштабируем, быстр и воспроизводим, что повышает продуктивность, ресурсоэффективность и устойчивость [85].

3.4. Оценка и прогнозирование урожайности

БПЛА стали незаменимыми средствами точной оценки урожайности и прогнозного моделирования. Полезная нагрузка с RGB-, мульти-, гиперспектральными и тепловыми камерами даёт богатые пространственно-временные наборы для количественного определения спектрального отражения полога, LAI, высоты растений, доли растительного покрова и флуоресценции хлорофилла. Эти биофизические показатели алгоритмически объединяют в индексы NDVI, EVI и REP, надёжно предсказывающие накопление биомассы и потенциальный урожай. Общая схема показана на рис. 8.

Случайный лес, регрессия на опорных векторах и глубокие нейронные сети формируют модели прогноза с высокой точностью и пространственной детализацией [86]. Рабочие процессы с БПЛА превосходят традиционные выборочные методы, поскольку являются неинвазивными, масштабируемыми и динамичными во времени. Они поддерживают упреждающие агрономические решения, оптимальное распределение ресурсов и улучшенную логистику уборки, соответствуя принципам точного земледелия и устойчивого растениеводства [87].

Рис. 8. Простой сценарий применения БПЛА для оценки урожайности в яблоневом саду.

3.5. Точное опрыскивание и внесение удобрений

БПЛА всё чаще работают как автономные платформы точного внесения агрохимикатов и питательных веществ, меняя подход к пространственно оптимизированному управлению ресурсами. RTK-позиционирование, адаптация к рельефу по LiDAR и спектральная съёмка высокого разрешения позволяют строить геопривязанные карты-задания из NDVI, флуоресценции хлорофилла и CTD. Алгоритмы переменной нормы обеспечивают листовое опрыскивание и внесение удобрений с сантиметровой точностью [88].

Форсунки с широтно-импульсной модуляцией (PWM) и электростатическое распыление улучшают однородность капель, проникновение и прилипание, повышая биодоступность и уменьшая снос и испарение. БПЛА позволяют быстро повторять обработки и особенно полезны на неоднородном рельефе и участках, недоступных наземной механизации. Подход повышает эффективность использования питательных веществ (NUE) и подавления вредителей и соответствует устойчивой интенсификации с минимизацией внешних эффектов и избыточных затрат [53, 89].

3.6. Посадка и посев

Воздушный посев и точная посадка с БПЛА — эффективная масштабируемая альтернатива наземным методам, особенно на удалённых, неровных и экологически чувствительных территориях. RTK-GPS, инерциальная навигация и геопространственные карты-задания обеспечивают точную адресную доставку семян. Пневматические или гравитационные системы часто сбрасывают капсулы семян с биостимуляторами, микроэлементами и полезными микроорганизмами для улучшения всхожести и начальной силы роста [90, 91].

Метод особенно полезен для покровных культур, агролесоводства и восстановления нарушенных земель. Алгоритмы переменной нормы, использующие ДЗ и оценку здоровья почвы, адаптируют густоту посева к пространственной изменчивости. Мультиспектральная съёмка позволяет в реальном времени контролировать всходы и их равномерность. Автономный подход повышает эффективность ресурсов, снижает зависимость от труда, улучшает экологическую устойчивость, биоразнообразие, почвенный покров и долгосрочную продуктивность [92, 93].

3.7. Точное применение воды

По тепловым и мультиспектральным данным БПЛА выявляют зоны водного стресса и низкой влажности почвы. Фермер может поливать только нуждающиеся участки, сокращая лишний расход и повышая эффективность. Точное орошение одновременно уменьшает потери воды и обеспечивает оптимальную гидратацию культур [94]. Интеграция данных БПЛА с автоматизированными системами позволяет в реальном времени корректировать полив по изменяющемуся состоянию культур и почвы и снижать затраты труда и эксплуатации.

3.8. Мониторинг сельскохозяйственных животных

Животноводство способствует продовольственной безопасности, доходам и устойчивому производству, особенно в сельской местности. БПЛА помогают эффективно наблюдать за животными и угодьями, своевременно проводить лечебные мероприятия и улучшать благополучие стада. Они сокращают трудоёмкие наземные обходы, ускоряют обнаружение проблем, точно подсчитывают животных и оценивают здоровье по внешним и поведенческим признакам. Тепловизоры выявляют изменения температуры тела и необычные тепловые сигнатуры, указывающие на болезнь, травму или стресс.

Автономное GPS-слежение обеспечивает положение и подробную траекторию в реальном времени, поддерживает картирование и планирование маршрутов и гарантирует полное покрытие пастбищ. На больших территориях обнаружение и подсчёт с БПЛА значительно эффективнее и точнее традиционной переписи [95]. В табл. 4 обобщены типичные входные данные, эталонные наземные измерения, семейства моделей, метрики и часто встречающиеся отказы.

Таблица 4. Сельскохозяйственные применения БПЛА по классам задач

4. Обработка и анализ данных

Точное земледелие существенно опирается на БПЛА как источник изображений высокого разрешения и разнообразных спектральных данных. Чтобы извлечь сведения для эффективного управления культурами, требуется подробная обработка и анализ. Ниже кратко рассмотрены процессы, основные средства и аналитические методы.

4.1. Обработка данных БПЛА

Обработка представляет структурированный конвейер преобразования исходных воздушных наблюдений в практически применимые агрономические сведения. Он включает шесть взаимосвязанных этапов с различными техническими целями.

4.1.1. Фотограмметрия и создание ортомозаик

После съёмки перекрывающиеся RGB-, мультиспектральные, гиперспектральные или тепловые кадры обрабатывают фотограмметрическими методами. Сопоставление признаков, уравнивание связок и построение плотного облака точек дают цифровые модели поверхности (DSM) и пространственно непрерывные ортомозаики. Эти продукты формируют базовую пространственную основу последующего анализа [96].

4.1.2. Радиометрическая калибровка

Радиометрическая нормализация преобразует исходные цифровые отсчёты в физически осмысленные коэффициенты отражения. Она компенсирует характеристики датчика, изменение освещённости, атмосферные эффекты и геометрию «Солнце — датчик», обеспечивая согласованность между датами и полётами. Для повышения спектральной достоверности применяют калибровочные панели и бортовые измерители облучённости [97].

4.1.3. Геометрическая коррекция и геопривязка

Геометрическая коррекция и ортотрансформирование совмещают изображения с реальными координатами с учётом рельефа, движения платформы и искажений камеры. Опорные точки, GNSS/IMU и цифровые модели высот повышают позиционную точность, позволяя картировать поля и сравнивать их во времени [98].

4.1.4. Конвейер машинного обучения: обучение и вывод

После геометрической и радиометрической коррекции начинается аналитический этап. Извлекаются NDVI, VARI, SAVI, текстурные характеристики и структурные признаки полога; они поступают в модели МО и глубокого обучения для выявления стресса, классификации болезней, оценки урожая и фенотипирования. Обучение, проверку и вывод обычно выполняют по размеченным наземным эталонным данным в средах, интегрированных с ГИС или облаком [99].

4.1.5. Оценка неопределённости и валидация

Для надёжности решений всё чаще количественно учитывают неопределённость: распространение ошибок от шума датчика, неточности геолокации, вариативности модели и разреженности данных. Статистические доверительные интервалы, метрики перекрёстной проверки и ансамблевые оценки дают более устойчивые агрономические интерпретации [100].

4.1.6. Развёртывание и поддержка решений: периферия или облако

Результаты развёртывают на облачных платформах либо в периферийных вычислительных средах. Облако обеспечивает масштабное хранение, повторное обучение и исторический анализ; периферийные и IoT-системы — вывод с малой задержкой, автономную обратную связь для переменных норм и решения непосредственно на участке [101].

4.2. Программные средства и платформы

Современные сельскохозяйственные БПЛА используют комплекс ПО для эффективной обработки и извлечения практически применимых сведений. DJI Terra, Pix4Dcapture и DroneDeploy применяют для планирования миссий с заданием высоты, перекрытия и настроек датчика. Pix4Dmapper, Agisoft Metashape и RealityCapture преобразуют снимки в геопривязанные ортомозаики, DSM и трёхмерные реконструкции высокого разрешения. QGIS и ArcGIS обеспечивают визуализацию, расчёт NDVI и SAVI и временной анализ развития культур.

Для расширенной аналитики Google Earth Engine, TensorFlow и MATLAB поддерживают классификацию культур, обнаружение аномалий и прогнозирование на базе МО. Облачные DroneDeploy, Precision Analytics компании PrecisionHawk и FieldAgent компании Sentera обеспечивают визуализацию в реальном времени, автоматическую отчётность и упрощённую интеграцию. Совместимость через API с IoT и периферийными системами позволяет передавать потоковые данные и выполнять автономные полевые операции. Вместе эти средства образуют технологическую основу интеллектуального сельского хозяйства с БПЛА.

4.3. Методы анализа

Для получения подробных практически применимых агрономических сведений используют разные современные методы. Спектральный анализ рассчитывает NDVI, SAVI и GNDVI по отражению в отдельных диапазонах; эти индексы оценивают жизнеспособность растений, хлорофилл и фотосинтетическую эффективность. Тепловая съёмка отслеживает температуру полога и эвапотранспирацию, характеризуя потребность в поливе и водный стресс. SVM, случайный лес и CNN выполняют классификацию культур, обнаружение болезней и прогноз урожая по сложным многомерным данным.

Обучение без учителя, включая k-средних и DBSCAN, выделяет зоны поля со сходными спектральными и временными признаками. Моделирование временных рядов и обнаружение изменений отслеживают динамику роста и тенденции стресса. Слияние RGB-, мультиспектральных, тепловых и лидарных входов повышает точность и контекстную значимость. Геостатистическая интерполяция и пространственное моделирование в ГИС формируют точные карты внесения, оптимизируя ресурсы и производительность [102].

4.4. Модели машинного обучения

4.4.1. Классические методы МО

Классическое МО, или моделирование по признакам, применяют, когда доступны вручную сформированные спектральные индексы, текстурные описатели и геометрические характеристики. SVM широко используется для классификации земного покрова и типов культур, случайный лес — для оценки урожая, выявления стресса и анализа значимости переменных. Метод k ближайших соседей служит простой базовой линией классификации культур или почвы, а линейная, гребневая и лассо-регрессия — для прогноза биомассы и урожая [103]. Наивный Байес используют для быстрой базовой классификации. Входами служат NDVI, EVI, SAVI, модели высоты полога и текстуры GLCM. Преимущества — интерпретируемость и малая потребность в данных; ограничения — масштабируемость и пространственное обобщение [104].

4.4.2. Глубокое обучение изображений БПЛА

Глубокое обучение, прежде всего архитектуры CNN, стало доминирующим для RGB-, мульти-, гиперспектральных и тепловых данных благодаря способности изучать представления и устойчивости в сложных полевых условиях. ResNet, DenseNet и EfficientNet извлекают иерархические признаки и классифицируют культуры, различая тонкие спектральные и текстурные особенности [105–107]. U-Net и DeepLabv3+ выполняют семантическую сегментацию полога, отделение почвы от культур и картирование сорняков. Mask R-CNN обеспечивает подсчёт растений и плодов при перекрытиях. YOLO и Faster R-CNN используют для обнаружения плодов, сорняков и животных в реальном или близком к реальному времени. Эти средства лежат в основе обнаружения стресса и болезней, различения сорняков и культур, сегментации полога и автоматического фенотипирования [104, 108].

4.4.3. Восстановление изображений и предварительная обработка средствами МО

Восстановление до обнаружения, сегментации и оценки урожая компенсирует ухудшения из-за движения платформы, неоптимального освещения, атмосферы и шума. Шумоподавляющие автоэнкодеры устраняют случайный шум, сохраняя пространственные и спектральные особенности [106, 109]. Генеративно-состязательные сети применяют для сверхразрешения и устранения смазывания, восстанавливая мелкие детали низкокачественных или затронутых движением снимков. CNN-системы радиометрической коррекции нормализуют отклик датчика и освещение между датами, а сети удаления теней уменьшают соответствующие артефакты. В результате растёт пространственное разрешение, снижается смаз и нормализуются условия, повышая устойчивость моделей [110].

4.4.4. Облегчённые модели МО для периферийных устройств

Такие модели нужны для бортового вывода при ограниченных вычислениях, энергии и времени реакции. MobileNet, ShuffleNet и Tiny-YOLO минимизируют число параметров и операций с плавающей точкой, сохраняя приемлемую точность обнаружения, мониторинга и понимания сцены [111]. Прореживание и квантование удаляют лишние веса и снижают разрядность, уменьшая память и энергопотребление. Дистилляция знаний переносит представления от большой «учительской» сети к малой «ученической» модели для встроенной платформы. Эти методы учитывают ограничение батареи, бортовых GPU/FPGA и жёсткую задержку и позволяют автономно принимать решения без постоянного облака.

В табл. 5 сопоставлены точность, прецизионность, полнота, F1, время обучения и масштабируемость моделей. Приведённые значения не являются новыми экспериментальными результатами: они собраны и синтезированы из ранее опубликованных и процитированных исследований, чтобы представить сводную картину, а не новый эталон [112]. Рис. 9 показывает иерархию: мультимодальное слияние даёт наибольшие значения всех метрик благодаря объединению неоднородных источников и сложных пространственно-временных закономерностей; трансформеры близки к нему благодаря глобальному вниманию; CNN и LSTM/GRU конкурентоспособны, но ниже. Классическое МО и облегчённое периферийное глубокое обучение менее точны, однако привлекательны при малой вычислительной стоимости, быстром обучении и масштабировании в реальном времени.

Рис. 9. Сравнительная оценка производительности моделей машинного обучения в приложениях БПЛА.

Таблица 5. Сравнение моделей МО для анализа данных БПЛА

4.4.5. Сравнительный взгляд на современные сельскохозяйственные БПЛА с ИИ

Исследования демонстрируют переход от обычного обнаружения к трём взаимодополняющим направлениям: облегчённому обнаружению в реальном времени; улучшенному извлечению признаков посредством моделей пространства состояний или фундаментальных моделей; восстановлению ухудшенных изображений. Ориентированная на эффективность YOLOv8-DDS [113] использует компактную архитектуру и быстрый вывод на ограниченной платформе, сохраняя надёжность и показывая тенденцию к малой задержке и периферийному развёртыванию.

Rose Mamba YOLO [114], напротив, повышает репрезентативную способность, а не только снижает стоимость: моделирование пространства состояний в стиле Mamba объединяется с YOLO для контекстных зависимостей и многомасштабных признаков в сложных теплицах с перекрытиями и структурной изменчивостью. Succulent YOLO [115] и системы наблюдения за ростом роз с БПЛА сочетают сверхразрешение или восстановление с сетями обнаружения, рассматривая улучшение качества как часть конвейера при низком разрешении, дымке и неоднородном освещении [116]. Оценка зрелости голубики [106] объединяет сверхразрешение с сегментацией для тонкого фенологического анализа, качества и готовности к уборке.

В целом лёгкие YOLO подходят для малой задержки и ограниченных ресурсов, Mamba — для сложных пространственно-временных закономерностей, а конвейеры с восстановлением — когда ограничивает качество изображения. Это переводит выбор ИИ-конвейера от описательного перечня методов к ориентированному на решения учёту ограничений.

5. Ограничения БПЛА в интеллектуальном сельском хозяйстве

5.1. Технические ограничения

Сельскохозяйственные операции с БПЛА сдерживаются несколькими техническими факторами. Ограниченная ёмкость аккумуляторов сокращает продолжительность полёта: большинство платформ работает от одной зарядки лишь 20–60 минут, что уменьшает покрытие и требует многократной замены батарей на больших полях [117, 118]. Грузоподъёмность ограничивает одновременную установку мультиспектральных, гиперспектральных, лидарных и тепловых датчиков и вынуждает выбирать между возможностями сенсоров и временем полёта [119]. Сильный ветер, осадки, туман и экстремальные температуры ухудшают устойчивость полёта и надёжность датчиков [120]. Изменение освещённости и облачности создаёт радиометрические несоответствия и снижает точность оценки здоровья культур [121].

5.2. Нормативные ограничения

Развёртывание БПЛА существенно зависит от авиационных правил и управления воздушным пространством. Как правило, требуется лицензия пилота, регистрация платформы и соблюдение ограничений по высоте и бесполётным зонам. Полёты за пределами прямой видимости (BVLOS), критически важные для крупномасштабного мониторинга, часто запрещены или требуют специального разрешения, что существенно уменьшает эксплуатационную гибкость. Дополнительные барьеры возникают для ночных полётов и работы вблизи населённых или полугородских сельскохозяйственных зон, увеличивая административную нагрузку и сложность планирования [122, 123].

5.3. Экономические ограничения

Экономические факторы остаются важным препятствием широкому внедрению. Передовые платформы, специализированные датчики и наземная инфраструктура требуют больших капитальных затрат (CAPEX) [124]. Текущие расходы (OPEX) — обслуживание, замена батарей, лицензии на ПО, хранение данных и обучение квалифицированных сотрудников — увеличивают долгосрочную стоимость. Эти ограничения особенно существенны для мелких фермеров и систем с ограниченными ресурсами.

5.4. Ограничения, связанные с данными

Миссии формируют большие объёмы пространственно-временных данных высокого разрешения, предъявляя значительные требования к вычислительной инфраструктуре и хранению [125]. Для эффективной обработки нужны знания фотограмметрии, ГИС и аналитики ИИ, не всегда доступные сельскохозяйственным сообществам. Малое число размеченных наборов, дрейф датчиков и различия между культурами, сезонами и регионами снижают обобщающую способность моделей. Когда съёмка содержит чувствительную информацию о землепользовании или управлении хозяйством, возникают вопросы конфиденциальности и собственности.

5.5. Эксплуатационные ограничения и проблемы внедрения

В реальной работе системы требуют регулярной калибровки, обслуживания и квалифицированного обращения, повышая зависимость от технической поддержки. Внедрение фермерами может сдерживаться недостаточной технической грамотностью, воспринимаемой сложностью и неопределённой окупаемостью. Бортовые датчики в основном наблюдают поверхность и не способны выявлять процессы под густым пологом без наземных или подземных систем [126]. Неправильная утилизация литий-ионных аккумуляторов и беспокойство животных повторными низкими полётами также вызывают экологические вопросы [127]. Табл. 6 связывает сельскохозяйственные ограничения с проектированием конвейера БПЛА и даёт практическую основу для решений.

Таблица 6. Ориентированное на решения соответствие ограничений и архитектуры конвейера БПЛА

6. Будущие тенденции и направления исследований

Автономные операции рассматриваются как ответ на ручное планирование, зависимость от оператора и ограниченную временную масштабируемость крупных проектов. Навигация на базе ИИ, бортовое принятие решений и позиционирование GNSS/RTK повышают воспроизводимость и снижают трудовые затраты. Открытыми остаются надёжное восприятие при меняющемся освещении, отказоустойчивость и нормативное признание полностью автономных сельскохозяйственных полётов.

Рои БПЛА решают проблемы недостаточного покрытия, малой продолжительности и риска отказа единственной платформы. Совместные аппараты параллельно собирают данные, создают резервирование и быстрее покрывают поля. Нерешёнными остаются надёжность межбортовой связи, координация в реальном времени при ограниченной полосе, предотвращение столкновений и энергоэффективное распределение задач.

Гибридные VTOL непосредственно снимают компромисс между зависанием и дальностью обычных мультироторных и самолётных систем. Они пригодны для раздробленных полей и мест без инфраструктуры, сохраняя покрытие больших площадей. Требуют дальнейшего изучения энергетические потери при переходе режимов, аэродинамическая сложность, масса и повышенное обслуживание.

Мультисенсорное слияние и периферийные вычисления отвечают на перегрузку данными и задержку решений в чисто облачных конвейерах. Слияние повышает устойчивость, а периферийная аналитика уменьшает задержку, но сохраняются проблемы синхронизации, дрейфа калибровки, энергоэффективных бортовых вычислений и стандартизованных архитектур слияния.

7. Заключение

В работе систематизированы современные достижения дистанционного зондирования с БПЛА для точного земледелия. Показано, как мультироторные, самолётные, однороторные и гибридные VTOL-платформы обеспечивают масштабируемый мониторинг высокого разрешения, адаптированный к конкретным задачам на разных пространственных и временных масштабах.

Предложена комплексная таксономия сенсорных технологий, подчёркивающая, что RGB-, мультиспектральные, гиперспектральные, тепловые, лидарные и вспомогательные датчики дают взаимодополняющую биофизическую и биохимическую информацию для контроля культур, оценки урожая, выявления стресса и оптимизации ресурсов. Особо отмечена роль развитых конвейеров обработки и аналитики ИИ/МО в преобразовании исходных данных в практически применимые агрономические сведения, прогнозные модели, дифференцированное управление и СППР на основе данных.

Критически проанализированы малая продолжительность полёта, ограничения полезной нагрузки, сложность калибровки, чувствительность к окружающей среде, нормативные барьеры и вычислительные издержки и их влияние на качество данных, выбор моделей и реальное развёртывание. Перспективными путями преодоления ограничений названы мультисенсорное слияние, периферийные вычисления, роевые операции, гибридные энергоэффективные платформы и более тесная интеграция с IoT и СППР.

В целом исследование формирует единый справочный каркас, связывающий аппаратуру БПЛА, сенсорные модальности, аналитику данных, приложения и ограничения, и даёт ясные рекомендации исследователям, агрономам и лицам, определяющим политику, для развития устойчивых и масштабируемых систем точного земледелия.

Финансирование

Работа поддержана Крупным научно-технологическим проектом провинции Шаньси, Китай, № 202202140601021.

Заявление о доступности данных

В исследовании не использовались и не создавались наборы данных.

Этическое заявление

· Статья не рассматривается для публикации в другом издании.

· Публикация одобрена всеми авторами и, прямо или косвенно, ответственными органами организаций, где выполнялась работа.

· В случае принятия статья не будет опубликована в той же форме на английском или ином языке, включая электронную публикацию, без письменного согласия правообладателя.

Вклад авторов по таксономии CRediT

Абдул Саттар Машори: написание первоначального варианта, администрирование проекта, курирование данных, концептуализация. Фучжун Ли: рецензирование и редактирование, визуализация, валидация, руководство, ресурсы, администрирование проекта, привлечение финансирования. Мухаммад Аман: рецензирование и редактирование, методология, исследование, формальный анализ. Упин Чжан: рецензирование и редактирование, методология, исследование, формальный анализ. Шуцзе Цзя: рецензирование и редактирование, визуализация, формальный анализ. Аамир Али: рецензирование и редактирование, визуализация, формальный анализ. Нида Джабин: рецензирование и редактирование, визуализация, формальный анализ. Ванли Хао: рецензирование и редактирование, визуализация, формальный анализ. Юйцяо Янь: рецензирование и редактирование, визуализация, формальный анализ.

Декларация об отсутствии конфликта интересов

Авторы заявляют, что им неизвестны финансовые интересы или личные отношения, способные повлиять на представленную работу. Описанная работа ранее не публиковалась, за исключением препринта, аннотации, опубликованной лекции, академической диссертации или зарегистрированного отчёта. Статья не рассматривается в другом издании. Публикация одобрена всеми авторами и ответственными организациями. В случае принятия статья не будет опубликована в той же форме на английском или ином языке, в том числе электронно, без письменного согласия правообладателя.

Благодарности

Исследование поддержано Колледжем сельскохозяйственной инженерии и Факультетом программных технологий Шаньсийского сельскохозяйственного университета, Тайгу, Цзиньчжун, Китай.

Доступность данных

Для исследования, описанного в статье, данные не использовались.

Список литературы

Библиографические записи воспроизводятся в исходном виде для сохранения точных названий публикаций, наименований журналов, DOI, URL и возможности однозначного поиска источников.

[1] Farmonaut, Agriculture history farming revolutions: timeline & evolution, Available at: https://farmonaut.com/blogs/agriculture-history-farming-revolut ions-timeline-evolution, 2026. Accessed June 2025.

[2] Nationalgeographic, The Development of Agriculture, Accessed June 2025, https ://education.nationalgeographic.org/resource/development-agriculture/, 2026. Accessed June 2025.

[3] M. Mozaffari, W. Saad, M. Bennis, Y.-H. Nam, M. Debbah, tutorials, A tutorial on UAVs for wireless networks: applications, challenges, and open problems, IEEE Commun. surv. 21 (3) (2019) 2334–2360.

[4] D.C. Tsouros, S. Bibi, P.G. Sarigiannidis, A review on UAV-based applications for precision agriculture, Information 10 (11) (2019) 349.

[5] C. Norasma, M. Fadzilah, N. Roslin, Z. Zanariah, Z. Tarmidi, F. Candra, Unmanned aerial vehicle applications in agriculture, in: IOP Conference Series: Materials Science and Engineering 506, IOP Publishing, 2019 012063.

[6] Y. Zhou, et al., Therapeutic target database update 2022: facilitating drug discovery with enriched comparative data of targeted agents, Nucleic Acids Res. 50 (D1) (2022) D1398–D1407.

[7] A. Gracia-Romero, et al., Improving in-season wheat yield prediction using Remote Sensing and additional agronomic traits as predictors, Front. Plant Sci. 14 (2023) 1063983.

[8] M. Siddique, T. Ahmed, M.S. Husain, Flood monitoring and early Warning systems–an IoT based perspective, EAI Endorsed Trans. Internet of Things 9 (2) (2023).

[9] D.K. Ray, P.C. West, M. Clark, J.S. Gerber, A.V. Prishchepov, S. Chatterjee, Climate change has likely already affected global food production, PLoS. One 14 (5) (2019) e0217148.

[10] N. Singh, et al., Application of drones technology in agriculture: a modern approach, Sci. Res. Rep 30 (2024) 142–152.

[11] S.K. Phang, T.H.A. Chiang, A. Happonen, M.M.L. Chang, From satellite to UAVbased Remote Sensing: a review on precision agriculture, IEEe Access. 11 (2023) 127057–127076.

[12] M. Padhiary, D. Saha, R. Kumar, L.N. Sethi, A. Kumar, Enhancing precision agriculture: a comprehensive review of machine learning and AI vision applications in all-terrain vehicle for farm automation, Smart Agric. Technol. (2024) 100483.

[13] A.D. Boursianis, et al., Internet of things (IoT) and agricultural unmanned aerial vehicles (UAVs) in smart farming: a comprehensive review, Internet of Things 18 (2022) 100187.

[14] J. Kim, S. Kim, C. Ju, H.I. Son, Unmanned aerial vehicles in agriculture: a review of perspective of platform, control, and applications, IEEe Access. 7 (2019) 105100–105115.

[15] C. Wang, Z. Wang, G. Wang, J.Y.-N. Lau, K. Zhang, W. Li, COVID-19 in early 2021: current status and looking forward, Signal Transduct. Targeted Ther. 6 (1) (2021) 1–14.

[16] AEROMOTUS, DJI WIND 8 industrial octocopter,. https://www.aeromotus.com/, 2025.

[17] STORE, SenseFly eBee X fixed-wing mapping drone,. https://anloveov.click/, 2025.

[18] G. sources, 25 L single-rotor agriculture UAV helicopter pesticide spraying drones,. https://www.globalsources.com/, 2025.

[19] S. Chakraverty, M.F. Zulkafli, M.F. Pairan, M.N.M.S. See, I.K.J. Mahmud, The structural design and aerodynamics analysis for a hybrid VTOL fixed-wing drone for parcel delivery applications, Prog. Aerospace Aviation Technol. 2 (1) (2022) 41–52.

[20] D. C. BROWSER, Four-rotor UAV drone CAD model,. https://www.3dcadbrowser. com/, 2024.

[21] ROBOCRAFT, Agriculture drone EFT hexacopter 10L frame. https://robocraftstore. com/, 2025.

[22] T. Agri, Considering fixed wing or multirotor drones for your agriculture. https://getliner.com/, 2024.

[23] T. DRONES, The ultimate guide to DJI Agras T50. https://talosdrones.com/, 2024.

[24] X. AUSTRALIA, The pinnacle of smart and efficient farming. https://shop.xag-au. com/, 2025.

[25] T. Elijah, R.S. Jamisola Jr, Z. Tjiparuro, M. Namoshe, Control, A review on control and maneuvering of cooperative fixed-wing drones, Int. J. Dyn. 9 (3) (2021) 1332–1349.

[26] M. Zhou, Z. Zhou, L. Liu, J. Huang, Z. Lyu, Review of vertical take-off and landing fixed-wing UAV and its application prospect in precision agriculture, Int. J. Precis. Agric. Aviat. 3 (4) (2020).

[27] C. Wang, X. He, Y. Liu, J. Song, A. Zeng, The small single-and multi-rotor unmanned aircraft vehicles chemical application techniques and control for rice fields in China, Asp. Appl. Biol. 132 (3) (2016) 73–81.

[28] P.I. Devi, M. Manjula, R. Bhavani, Agrochemicals, environment, and human health, Annual Rev. Environ. Resour. 47 (1) (2022) 399–421.

[29] M. Naeem, J.F.J. Bremont, A.A. Ansari, S.S. Gill, Agrochemicals in Soil and environment: Impacts and Remediation, Springer, 2022.

[30] A. Liu, et al., Effects of supplementary pollination by single-rotor agricultural unmanned aerial vehicle in hybrid rice seed production, Agric. Sci. Technol. 18 (3) (2017) 543–552.

[31] A. Muhammad, et al., A comprehensive review of crop stress detection: destructive, non-destructive, and ML-based approaches, Front. Plant Sci. 16 (2025) 1638675.

[32] A. Koubaa, A. Ammar, M. Abdelkader, Y. Alhabashi, L. Ghouti, AERO: aI-enabled Remote Sensing observation with onboard edge computing in UAVs, Remote Sens. 15 (7) (2023) 1873.

[33] VIEWPRO, HVT390 Super powerful hybrid VTOL drone with robust. https://www. viewprouav.com/, 2024.

[34] M. Rehan, F. Akram, A. Shahzad, T. Shams, Q.J.T.A.J. Ali, Vertical take-off and landing hybrid unmanned aerial vehicles: an overview, Aeronautical J. 126 (1306) (2022) 2017–2057.

[35] X. Li, B. Hou, R. Zhang, Y. Liu, A review of RGB image-based internet of things in smart agriculture, IEEE Sens. J. 23 (20) (2023) 24107–24122.

[36] S. Moradi, A. Bokani, J. Hassan, UAV-based smart agriculture: a review of UAV sensing and applications, in: 2022 32nd International Telecommunication Networks and Applications Conference (ITNAC), IEEE, 2022, pp. 181–184.

[37] D. Zhang, et al., Integration of UAV multispectral Remote Sensing and random forest for full-growth stage monitoring of wheat dynamics, Agriculture 15 (3) (2025) 353.

[38] M. Barjaktarovic, M. Santoni, L. Bruzzone, Design and verification of a low-cost multispectral camera for precision agriculture application, IEEE J. Selected Topics Appl. Earth Observ. Remote Sens. (2024).

[39] B.G. Ram, P. Oduor, C. Igathinathane, K. Howatt, X. Sun, A systematic review of hyperspectral imaging in precision agriculture: analysis of its current state and future prospects, Comput. Electr. Agric. 222 (2024) 109037.

[40] J. Hariharan, J. Fuller, Y. Ampatzidis, J. Abdulridha, A. Lerwill, Finite difference analysis and bivariate correlation of hyperspectral data for detecting laurel wilt disease and nutritional deficiency in avocado, Remote Sens. 11 (15) (2019) 1748.

[41] J. Abdulridha, Y. Ampatzidis, J. Qureshi, P. Roberts, Laboratory and UAV-based identification and classification of tomato yellow leaf curl, bacterial spot, and target spot diseases in tomato utilizing hyperspectral imaging and machine learning, Remote Sens. 12 (17) (2020) 2732.

[42] J. Abdulridha, Y. Ampatzidis, P. Roberts, S.C. Kakarla, Detecting powdery mildew disease in squash at different stages using UAV-based hyperspectral imaging and artificial intelligence, Biosyst. Eng. 197 (2020) 135–148.

[43] A. Jaafar, A. Yiannis, K.S. Charan, P. Roberts, Detection of target spot and bacterial spot diseases in tomato using UAV-based and benchtop-based hyperspectral imaging techniques, Precis. Agric. 21 (5) (2020) 955–978.

[44] H.T. Nguyen, et al., Advancing crop resilience through high-throughput phenotyping for crop improvement in the face of climate change, Plants 14 (6) (2025) 907.

[45] L.d.C. Ferreira, I.C.B. Carvalho, L.A.d.C. Jorge, A.M. Quezado-Duval, M. Rossato, Hyperspectral imaging for the detection of plant pathogens in seeds: recent developments and challenges, Front. Plant Sci. 15 (2024) 1387925.

[46] M. Aman, et al., A review of Remote Sensing based crop yield estimation: machine learning techniques and environmental, algorithmic, hardware limitations, Front. Plant Sci. 17 (2026) 1742689.

[47] M. Awais, et al., UAV-based Remote Sensing in plant stress imagine using highresolution thermal sensor for digital agriculture practices: a meta-review, Int. J. Environ. Sci. Technol. (2022) 1–18.

[48] E. Tunca, E.S. Köksal, S.Ç. Taner, Calibrating UAV thermal sensors using machine learning methods for improved accuracy in agricultural applications, Infrared Phys. Technol. 133 (2023) 104804.

[49] G. Rivera, R. Porras, R. Florencia, J.P. Sánchez-Solís, LiDAR applications in precision agriculture for cultivating crops: a review of recent advances, Comput. Electr. Agric. 207 (2023) 107737.

[50] V.N. Lednev, et al., Fluorescence mapping of agricultural fields utilizing dronebased LIDAR, in: Photonics, 9, MDPI, 2022, p. 963.

[51] A. Yablokova, D. Kovalev, I. Kovalev, V. Podoplelova, K. Astanakulov, Environmental safety problems of swarm use of UAVs in precision agriculture, in: E3S web of conferences 471, EDP Sciences, 2024 04018.

[52] S. Kondo, N. Yoshimoto, Y. Nakayama, Farm monitoring system with drones and optical camera communication, Sensors 24 (18) (2024) 6146.

[53] R. Guebsi, S. Mami, K. Chokmani, Drones in precision agriculture: a comprehensive review of applications, technologies, and challenges, Drones 8 (11) (2024) 686.

[54] N. Wang, et al., Diurnal variation of sun-induced chlorophyll fluorescence of agricultural crops observed from a point-based spectrometer on a UAV, Int. J. Appl. Earth Observ. 96 (2021) 102276.

[55] V.N. Lednev, V.A. Zavozin, M.Y. Grishin, D.V. Grigorieva, P.A. Sdvizhenskii, Drone-based fluorescence lidar for agricultural applications, in: BIO Web of Conferences 57, EDP Sciences, 2023 07003.

[56] P. Linna, A. Halla, N. Narra, Ground-penetrating radar-mounted drones in agriculture, in: New Developments and Environmental Applications of Drones: Proceedings of FinDrones 2020, Springer, 2022, pp. 139–156.

[57] M. Kaliszewski, et al., The multi-gas sensor for remote UAV and UGV missions—Development and tests, Sensors 21 (22) (2021) 7608.

[58] P. Arroyo, J. Gómez-Suárez, J.L. Herrero, J. Lozano, Electrochemical gas sensing module combined with Unmanned Aerial Vehicles for air quality monitoring, Sens. Actuators B 364 (2022) 131815.

[59] C. Donati, M. Mammarella, L. Comba, A. Biglia, P. Gay, F. Dabbene, 3D distance filter for the autonomous navigation of UAVs in agricultural scenarios, Remote Sens. 14 (6) (2022) 1374.

[60] A. Atanasov, D. Mihaylova, S. Stoyanov, Drone sensor units applied in the precision agriculture, in: 2024 5th International Conference on Communications, Information, Electronic and Energy Systems (CIEES), IEEE, 2024, pp. 1–5.

[61] J. Rábago, M. Portuguez-Castro, Use of drone photogrammetry as an innovative, competency-based architecture teaching process, Drones 7 (3) (2023) 187.

[62] B. Cottrell, et al., Limitations of a multispectral UAV sensor for satellite validation and mapping complex vegetation, Remote Sens. 16 (13) (2024) 2463.

[63] M. Akewar, M. Chandak, Hyperspectral imaging algorithms and applications: a review, Authorea Preprints (2023).

[64] A. Matese, J.M.P. Czarnecki, S. Samiappan, R. Moorhead, Are unmanned aerial vehicle-based hyperspectral imaging and machine learning advancing crop science? Trends Plant Sci. 29 (2) (2024) 196–209.

[65] N. Liu, P.A. Townsend, M.R. Naber, P.C. Bethke, W.B. Hills, Y. Wang, Hyperspectral imagery to monitor crop nutrient status within and across growing seasons, Remote Sens. Environ. 255 (2021) 112303.

[66] D. Enterprise, The basics of thermal drones - insights - DJI. https://getliner.com/, 2022.

[67] H. Drones, Drones with thermal cameras - what are their advantages?. https://hp-drones.com/, 2023.

[68] D. Enterprise, LiDAR drone systems: using LiDAR equipped UAVs. https://enterprise-insights.dji.com/, 2022.

[69] M. Company, What is LiDAR technology? Advantages and disadvantages. https://getliner.com/, 2023.

[70] C. Love, H. Nazemi, E. El-Masri, K. Ambrose, M.S. Freund, A. Emadi, A review on advanced sensing materials for agricultural gas sensors, Sensors 21 (10) (2021) 3423.

[71] T. Seesaard, N. Goel, M. Kumar, C. Wongchoosuk, Advances in gas sensors and electronic nose technologies for agricultural cycle applications, Comput. Electr. Agric. 193 (2022) 106673.

[72] W.D. Hively, et al., Evaluation of SWIR crop residue bands for the Landsat Next mission, Remote Sens. 13 (18) (2021) 3718.

[73] K.F. Bronson, A.N. French, M.M. Conley, E.M. Barnes, Use of an ultrasonic sensor for plant height estimation in irrigated cotton, Agron. J. 113 (2) (2021) 2175–2183.

[74] H.A. Al-agele, H. Jashami, C.W. Higgins, Evaluation of novel ultrasonic sensor actuated nozzle in center pivot irrigation systems, Agric. Water. Manage 262 (2022) 107436.

[75] M. Saines, What positioning technology is right for your UAV - GPS World. https://getliner.com/, 2023.

[76] JOUAV, A comprehensive guide to using ground control points for drone. https://www.jouav.com/, 2024.

[77] R. Al-Najadi, Y. Al-Mulla, I. Al-Abri, A.M. Al-Sadi, Effectiveness of drone-based thermal sensors in optimizing controlled environment agriculture performance under arid conditions, Sci. Rep. 15 (1) (2025) 9042.

[78] J. Simon, A. Essex, J. Muhlhausen, J. Scott, Analysis, Drones and environmental monitoring, Envtl. L. Rep. News 47 (2017) 10101.

[79] N. Wang, J.G. Clevers, S. Wieneke, H. Bartholomeus, L. Kooistra, Potential of UAV-based sun-induced chlorophyll fluorescence to detect water stress in sugar beet, Agric. Forest Meteorol. 323 (2022) 109033.

[80] K. Kohzuma, K. Sonoike, K. Hikosaka, Imaging, screening and Remote Sensing of photosynthetic activity and stress responses, J. Plant Res. 134 (4) (2021) 649–651.

[81] C.-J. Lee, M.-D. Yang, H.-H. Tseng, Y.-C. Hsu, Y. Sung, W.-L. Chen, Single-plant broccoli growth monitoring using deep learning with UAV imagery, Comput. Electr. Agric. 207 (2023) 107739.

[82] H. Zhu, et al., Intelligent agriculture: deep learning in UAV-based Remote Sensing imagery for crop diseases and pests detection, Front. Plant Sci. 15 (2024) 1435016.

[83] R. Chin, C. Catal, A. Kassahun, Plant disease detection using drones in precision agriculture, Precis. Agric. 24 (5) (2023) 1663–1682.

[84] Y. Huang, X. Sun, N. Rai, H. Yao, K.N. Reddy, J. Jenkins, Remote Sensing for precision weed management, Pest Manag. Sci. (2025).

[85] J.E. Hunter III, T.W. Gannon, R.J. Richardson, F.H. Yelverton, R.G. Leon, Integration of remote-weed mapping and an autonomous spraying unmanned aerial vehicle for site-specific weed management, Pest Manag. Sci. 76 (4) (2020) 1386–1392.

[86] Y. Ji, et al., Estimation of plant height and yield based on UAV imagery in faba bean (Vicia faba L.), Plant Methods 18 (1) (2022) 26.

[87] K. Tatsumi, N. Igarashi, X. Mengxue, Prediction of plant-level tomato biomass and yield using machine learning with unmanned aerial vehicle imagery, Plant Methods 17 (2021) 1–17.

[88] E. Ozkan, Drones For Spraying Pesticides—Opportunities and Challenges, The Ohio State University, Columbus, OH, USA, 2024, pp. 1–16.

[89] I. Kishor, D. Goyal, K. Khushboo, K. Gupta, U. Mamodiya, K. Tiwari, An intelligent farming revolution system based on IoT, AI & augmented reality drone technology, in: Proceedings of the 5th International Conference on Information Management & Machine Intelligence, 2023, pp. 1–7.

[90] ZenaDrone, Drone seeding. www.zenadrone.com/, 2025.

[91] L. Francheteau, Reforestation: how drones and manual planting work together,. https://getliner.com/, 2023.

[92] J. Castro Gutiérrez, D. Alcaraz Segura, J.L Baltzer, L. Amorós, F. Morales Rueda, and S. Tabik, "Automated precise seeding with drones and artificial intelligence: a workflow," 2024.

[93] i. epazz, Drone reforestation: revolutionizing tree planting - ZenaDrone 1000,. https://getliner.com/, 2022.

[94] M. Yadav, et al., UAV-enabled approaches for irrigation scheduling and water body characterization, Agric. Water. Manage 304 (2024) 109091.

[95] M.A. Alanezi, M.S. Shahriar, M.B. Hasan, S. Ahmed, A. Yusuf, H.R. Bouchekara, Livestock management with unmanned aerial vehicles: a review, IEEe Access. 10 (2022) 45001–45028.

[96] A. Doroż, P. Bożek, J. Taszakowski, J. Janus, Use of UAV imagery for land consolidation: analysis of the accuracy of the resulting orthophotomosaic in relation to the GNSS RTK measurement, Appl. Geom. 16 (3) (2024) 561–573.

[97] Y. Wang, G. Kootstra, Z. Yang, H.A. Khan, UAV multispectral Remote Sensing for agriculture: a comparative study of radiometric correction methods under varying illumination conditions, Biosyst. Eng. 248 (2024) 240–254.

[98] H.-S. Shin, S.-H. Go, J.-H. Park, Robust radiometric and geometric correction methods for drone-based hyperspectral imaging in agricultural applications, Korean J. Remote Sens. 40 (3) (2024) 257–268.

[99] X. Ni, et al., Machine learning and optimization pipeline for agricultural drone aerial imaging operations, in: AIAA AVIATION FORUM AND ASCEND 2024, 2024, p. 3657.

[100] F. Khalesi, I. Ahmed, P. Daponte, F. Picariello, L. De Vito, I. Tudosa, The uncertainty assessment by the monte carlo analysis of ndvi measurements based on multispectral uav imagery, Sensors 24 (9) (2024) 2696.

[101] A.N. Jasim, L.C. Fourati, O.S. Albahri, Evaluation of unmanned aerial vehicles for precision agriculture based on integrated fuzzy decision-making approach, IEEe Access. 11 (2023) 75037–75062.

[102] S. Albahli, Agrifusionnet: a lightweight deep learning model for multisource plant disease diagnosis, Agriculture 15 (14) (2025) 1523.

[103] M. Al-Naeem, M. Hafizur Rahman, A. Banerjee, A. Sufian, Support vector machine-based energy efficient management of UAV locations for aerial monitoring of crops over large agriculture lands, Sustainability. 15 (8) (2023) 6421.

[104] I. Zualkernan, D.A. Abuhani, M.H. Hussain, J. Khan, M. ElMohandes, Machine learning for precision agriculture using imagery from unmanned aerial vehicles (uavs): a survey, Drones 7 (6) (2023) 382.

[105] A. Bouguettaya, H. Zarzour, A. Kechida, A.M. Taberkit, A survey on deep learning-based identification of plant and crop diseases from UAV-based aerial images, Cluster Comput. 26 (2) (2023) 1297–1317.

[106] F. Zhao, et al., Smart UAV-assisted blueberry maturity monitoring with Mambabased computer vision, Precis. Agric. 26 (4) (2025) 56.

[107] L. Zhang, "CSM-DETR: construction site monitoring via Mamba-enhanced detection transformer for UAV aerial imagery," 2026.

[108] A. Bouguettaya, H. Zarzour, A. Kechida, A.M. Taberkit, Deep learning techniques to classify agricultural crops through UAV imagery: a review, Neural Comput. Appl. 34 (12) (2022) 9511–9536.

[109] L. Kouvaras, G.P. Petropoulos, A novel technique based on machine learning for detecting and segmenting trees in very high resolution digital images from unmanned aerial vehicles, Drones 8 (2) (2024) 43.

[110] Z.U. Rahman, M.S.M. Asaari, H. Ibrahim, I.S.Z. Abidin, M.K. Ishak, Generative adversarial networks (GANs) for image augmentation in farming: a review, IEEe Access. 12 (2024) 179912–179943.

[111] B. Cui, et al., Exploring the YOLO-FT deep learning algorithm for UAV-based smart agriculture detection in communication networks, IEEE Trans. Netw. Serv. Manage. 21 (5) (2024) 5347–5360.

[112] C. Chen, et al., Yolo-based uav technology: a review of the research and its applications, Drones 7 (3) (2023) 190.

[113] H. Junjie, et al., YOLOv8-DDS: a lightweight model based on pruning and distillation for early detection of root mold in barley seedling, Info. Process. Agric. (2025).

[114] S. You, et al., Rose-Mamba-YOLO: an enhanced framework for efficient and accurate greenhouse rose monitoring, Front. Plant Sci. 16 (2025) 1607582.

[115] H. Li, et al., Succulent-YOLO: smart UAV-assisted Succulent farmland monitoring with CLIP-based YOLOv10 and Mamba computer Vision, Remote Sens. 17 (13) (2025) 2219.

[116] F. Zhao, et al., Smart UAV-assisted rose growth monitoring with improved YOLOv10 and Mamba restoration techniques, Smart Agric. Technol. 10 (2025) 100730.

[117] C. Zhang, J.M. Kovacs, The application of small unmanned aerial systems for precision agriculture: a review, Precis. Agric. 13 (2012) 693–712.

[118] R.P. Sishodia, R.L. Ray, S.K. Singh, Applications of Remote Sensing in precision agriculture: a review, Remote Sens. 12 (19) (2020) 3136.

[119] V. Puri, A. Nayyar, L. Raja, Agriculture drones: a modern breakthrough in precision agriculture, J. Stat. Manage. Syst. 20 (4) (2017) 507–518.

[120] P. Tokekar, J. Vander Hook, D. Mulla, V. Isler, Sensor planning for a symbiotic UAV and UGV system for precision agriculture, IEEE Trans. Robot. 32 (6) (2016) 1498–1511.

[121] J. Bendig, et al., Combining UAV-based plant height from crop surface models, visible, and near infrared vegetation indices for biomass monitoring in barley, Int. J. Appl. Earth Observ. Geoinfo. 39 (2015) 79–87.

[122] F. A. Authority, FAA, Retrieved Dec 1 (2011) 2013.

[123] T. Kwon, S. Nah, S. Jeon, An understanding of the legal framework of EASA UAS regulation towards improvement of Aviation Safety law, J. Korean Soc. Aeronautical Space Sci. 49 (5) (2021) 425–435.

[124] S. Sankaran, et al., Low-altitude, high-resolution aerial imaging systems for row and field crop phenotyping: a review, Eur. J. Agron. 70 (2015) 112–123.

[125] F. Shahbazi, S. Valizade, A. Dowlatshah, Mechanical damage to green and red lentil seeds, Food Sci. Nutr. 5 (4) (2017) 943–947.

[126] J. Primicerio, et al., A flexible unmanned aerial vehicle for precision agriculture, Precis. Agric. 13 (4) (2012) 517–523.

[127] D. Chabot, D.M. Bird, Wildlife research and management methods in the 21st century: where do unmanned aircraft fit in? J. Unmanned. Veh. Syst. 3 (4) (2015) 137–155.

Дополнительная литература

[128] S. Tsuchikawa, T. Ma, T. Inagaki, Application of near-infrared spectroscopy to agriculture and forestry, Anal. Sci. 38 (4) (2022) 635–642.

24 августа / 2026