CC BY
28
Для реализации модулей использовалось свободно распространяемое программное обеспечение. Были выбраны инструменты с открытым исходным кодом.
Заключение.
Разработана автоматизированная справочная система аэропорта, использующая технологию машинного обучения, повышающая эффективность работы службы за счет переноса ответственности за выполнение рутинных операций на компьютеры, а также за счет предоставления доступа к истории вопросов/ответов из объединённых баз данных
партнёрских авиакомпаний. Результатом внедрения системы должно быть повышение качества обслуживания и комфорта авиапассажиров.
Преимуществом системы является используемая при проектировании системы плагинная архитектура, которая дает возможность безболезненно заменять модули приложения, подключать новые модули, не меняя существенно остальные модули системы [6], что особенно актуально для таких активно развивающихся технологий как машинное обучение.
ЛИТЕРАТУРА
1. Муравьев К.А., Манушян Д.Г. Анализ принципов построения самоорганизующихся сенсорных сетей // Труды Международного симпозиума «НАДЁЖНОСТЬ И КАЧЕСТВО». 2018, Т.1, с. 296- 301.
2. Васильев В. Г., Кривенко М. П. Методы автоматизированной обработки текстов - М.: ИПИ РАН, 2008. - 305 с.
3. TF-IDF - Википедия Режим доступа: https://ru.wikipedia.org/wiki/TF-IDF (дата обращения: 19.12.2019)
4. Malkov Yu. A., Yashunin D. A. Efficient and robust approximate nearest neighbor search using Hierarchical Navigable Small World graphs Доступ: https://arxiv.org/abs/1603.0 932 0 (дата обращения: 15.11.2019)
5. Zhang, X. Character-level convolutional networks for text classification / Xiang Zhang, Junbo Zhao, Yann LeCun // In Advances in Neural Information Processing Systems, 2015, Feb. 649 -657 p
6. Надейкина Л.А., Черкасова Н.И. Использование архитектурных паттернов и функциональной декомпозиции для повышения качества и надежности программного обеспечения. // Труды Международного симпозиума «НАДЁЖНОСТЬ И КАЧЕСТВО». 2016, Т.1, с. 148-151.
УДК 528.88
Канафин М.Ж., Ондрисов Д.Б., Рустемов А.Р., Керимбай Б.Н, Жакупова А.Е., Ергалиев Д.С.
Евразийский национальный университет им. Л.Н. Гумилева, Нур-Султан, Республика Казахстан МОНИТОРИНГ УРОЖАЙНОСТИ СЕЛЬСКОХОЗЯЙСТВЕННЫХ КУЛЬТУР НА ОСНОВЕ ОПТИЧЕСКИХ СНИМКОВ
В данной статье рассмотрено применение оптических данных для мониторинга зернового производства т.е. прогнозирование урожайности яровой пшеницы по количественному анализу мельчайших различий в спектральных характеристиках и составления карты сельскохозяйственной культуры. На основе данных создание тематической карты посевов яровой пшеницы. Ключевые слова:
ДИСТАНЦИОННОЕ ЗОНДИРОВАНИЕ ЗЕМЛИ, ОПТИЧЕСКИЕ СНИМКИ, МОНИТОРИНГ УРОЖАЙНОСТИ, СЕЛЬСКОЕ ХОЗЯЙСТВО
Введение
Оптические спутниковые сенсоры, способные предоставить полезную информацию для аграрных хозяйств, существуют около 2 0 лет. Данные съемки охватывают большие территории, подходят для специфических задач агробизнеса и могут быть использованы фермерами.
Сельское хозяйство является важной отраслью национальной экономики Республики Казахстан. В последние годы отмечается активный рост зернового производства - основы экспортной сельскохозяйственной продукции республики. При этом республиканским управляющим органам при увеличении объема дотаций, сокращении размеров налога или выработке политики страховых выплат необходима объективная информация о состоянии и использовании земель сельскохозяйственного назначения, получение которой становится все более сложной задачей без спутниковых данных [1].
Севера - восточная часть Казахстана является одним из уникальных мест, на котором располагаются крупные компактные массивы зерновых посевов, что делает космический мониторинг землепользования наиболее эффективным. Здесь в производстве доминируют в основном яровые зерновые культуры, занимающие свыше 90 % всех посевных площадей [2].
В настоящее время список задач космического мониторинга сельскохозяйственных угодий Казахстана включает оценку площадей посевов яровых культур, контроль сроков ярового сева, оценку засоренности и состояния зерновых посевов; прогноз валового сбора зерна; контроль сроков уборочных работ и убранных площадей.
Целью данной работы является применение оптических данных для мониторинга зернового производства т.е. прогнозирование урожайности яровой пшеницы и создание карты посева яровой пшеницы Железинского района, Павлодарской области, межевание, т. е. установление границ землеполь-зований, определение посевных площадей и прогнозирование объема урожайности яровой пшеницы.
Основная часть
Создание карты использования земель на основе данных ДЗЗ. Для космического мониторинга сельскохозяйственного производства и состояния посевов зерновых культур использовалась информация со спутника Landsat 8 также были использованы снимки с Sentinel-2 L1C+L2A с пространственным разрешением 10 м.
Разработка ГИС включала создание многослойной электронной карты сельскохозяйственных объектов и атрибутивной базы данных, проводилась с использованием программного обеспечения Агс9^ компании Esri. Графические и тематические базы данных, соединенные с модельными и расчетными функциями позволяют проводить расчет площадей по каждому району, а при внесении кадастровых данных учет может проводиться по каждому субъекту агробизнеса. Согласно инструкциям по работе с программным продуктом Агс9^ (ArcView) было выполнено создание тематических слоев и базы геоданных, что позволило включить в анализ и визуализировать большие объёмы статистической информации на карте (рис. 1).
В начале мая схемы внутрихозяйственного землеустройства передаются главным агрономам в районные управления сельского хозяйства Павлодарской области и руководителям сельскохозяйственных предприятий для сбора информации о возделываемых сельскохозяйственных культурах в текущем году. По каждому сельскохозяйственному предприятию формируется схема размещения возделываемых культур (рисунок 2), на основании которой выполняется наблюдение за определенными культурами с момента появления всходов и до окончания вегетационного периода. Данные о размещении сельскохозяйственных культур используются при прогнозировании урожайности зерновых культур. По мере необходимости производится обновление схем по актуальным спутниковым данным в связи с изменением границ полей, выведением полей из оборота или присоединением новых земель.
Рисунок 2 - Схема размещения сельскохозяйственных угодий Железинского района, Павлодарской
области РК
Также для того, чтобы повысить точность оценки и определения площадей посевов пшеницы было проведено дешифрование контрольных точек. Был выполнен сбор наземной информации, которая использовалась для верификации. В данной работе был взят участок поля №21(5) которая находится в Железинском районе, Павлодарской области, данный участок был засеян яровой пшеницей (рис.3).
Для прогнозирования объема валового сбора пшеницы и оценки посевных площадей, прогноза урожая и определение состояния растительности проводят по количественному анализу мельчайших различий в спектральных характеристиках растений. Обычно, при обработке данных стоит задача отделения растительных объектов от прочих. Для этого используют индекс NDVI. NDVI (Normalized Difference Vegetation Index) - нормализованный относительный индекс растительности - простой количественный показатель количества фотосинтетический активной биомассы (обычно называемый
вегетационным индексом). Один из самых распространенных и используемых индексов для решения задач, использующих количественные оценки растительного покрова [3].
Рисунок 3 - Карта посевов сельскохозяйственных культур Железинского района
Для качественной оценки состояния посевов пшеницы использовались значения вегетационных индексов (NDVI), полученных на основе космических снимков. Обработка космических снимков проводилась на базе электронного ресурса EOS Land Viewer и программного обеспечения ArcGIS.
Система EOS Land Viewer включает в себя набор комбинаций каналов. При выполнении расчетов NDVI из рассмотрения были исключены пиксели космического изображения, соответствующие водным объектам, облачности, открытой почве. После обработки, включавшей процедуры настройки отображения каналов изображения, выделяется область, для которой необходимо рассчитать значения NDVI и в
параметре анализа временных рядов получили график изменяя значения NDVI по времени (рис.4). Отсюда следует что при появлении всходов, в течение вегетационного периода, росту биомассы пшеницы соответствует увеличение значений NDVI, а с наступлением периода созревания снижается содержание хлорофилла и, соответственно, значения NDVI [5]. Снижение значений NDVI в период активной вегетации (до наступления фазы молочной спелости) свидетельствует о стрессовом состоянии посевов. Это может быть поражение посевов вследствие стихийных явлений (град, ливни, засуха, пожары), а также поражение вредителями, такими как хлебная полосатая блошка, ячменная шведская му:са и др.
Индекс NDVI
Сенсоры Sentinel-2
Период Custom » 2018-05-01 2018-09-14 Применить
Mm i i Мах
Разделить по годам
± Figure ± Table
Рисунок 4 - Динамика NDVI вегетации пшеницы
Результаты испытания модели биопродуктивности показали, что существует достаточно стабильная зависимость между значениями NDVI и урожайностью яровой пшеницы (рис. 5) которые были разработаны в Сельскохозяйственной научно-исследовательской
лаборатории (Grassland Soil and Water Research Laboratory; США, штат Техас). Модель позволяет рассчитывать урожайность различных сельскохозяйственных культур [4].
Рисунок 5 - Диаграмма зависимости между максимальными значениями NDVI и прогностической
урожайностью
При оценке состояния посевов на основе NDVI были получены усредненные значения NDVI в рамках отдельного поля пшеницы № 21(5) (табл.1). В пе-
риод от появления всходов до начала уборки посева. Прогнозирование урожайности пшеницы выполнялось на период от 17.05.18 - 15.08.18 года в Железинском районе, Павлодарской области. Среднее значение коэффициентов NDVI для определения урожайности Таблица 1
Дата сьемки NDVI коэффициент (max)
17.05.18 0.37
11.06.18 0.70
16.07.18 0.82
21.07.18 0.72
26.07.18 0.77
15.08.18 0.74
Усредненное значение: 0.69
Коэффициент корреляции, рассчитанный по отдельным полям между максимальными значениями NDVI и фактической урожайностью, составил 0,69, что примерно равно 12,5ц/га (рис.4). Отсюда примерный расчет показал, что прогнозируемая урожайность составила 3006,25 центнеров пшеницы с 2 4 0,5 га земли.
Таким образом, по результатам космического мониторинга в Павлодарской области, Железинского района была проведена оценка посевных площадей яровой пшеницы. Установлена граница землепользования, определена посевная площадь яровой
пшеницы. Применение оптических данных для мониторинга зернового производства позволила выявить прогнозируемую урожайность, которая составила 3006,25 центнеров пшеницы с 240,5 га земли. Вариации урожайности существенно зависят от агрохимического состава почвы, соблюдения оптимальных сроков сева и наличия локальных осадков над отдельными хозяйствами. Практика использования оперативного анализа спутниковых данных для мониторинга сельскохозяйственного производства показала высокую эффективность.
ЛИТЕРАТУРА
1. Журнал Космические исследования и технологии [электронный ресурс] - URL: http://www.unikaz.asia/ru/content/kosmicheskiy-monitoring-selhozproizvodstva-v-rk
2. Муратова Н.Р., Терехов А.Г. Опыт пятилетнего оперативного мониторинга сельскохозяйственных угодий Северного Казахстана с помощью спутниковых данных / Труды Всероссийской конференции «Современные проблемы дистанционного зондирования земли из космоса», Москва, 10-12 ноября 2003 г., Сборник научных статей, с.277-283.
3. Lur'ye I.S. Geoinformatsionnoe kartografirovanie. Metody geoinformatiki i tsifrovoy obrabotki kosmicheskikh snimkov // Uchebnoe posobie, 2011. S. 1-6.
4. В.Н. Антонов Л.А. Сладких Мониторинг состояния посевов и прогнозирование урожайности яровой пшеницы по данным ДЗЗ / Журнал «Геоматика» №4 2009 г., Сборник научных статей, с.50-53.
5. Закарин Э.А., Спивак Л.Ф., Архипкин О.П., Муратова Н.Р., Терехов А.Г. Методы дистанционного зондирования в сельском хозяйстве Казахстана, Алматы, 1999 г., с. 91-111.
6. Ашуров А.Е., Ермеков Ф.К., Ергалиев Д.С. Применение технологии высокоточной спутниковой навига-ции для мониторинга пространственно-протяженных объектов. Надежность и качество. Труды международного симпозиума. г.Пенза, РФ - 22 -31 мая 2017 г., №2, С. 38-41.
7. Moldamurat K., Kalmanova D., Beybithan T., Yergaliyev D.S. Intelligent mechanism of hinding cryptograp-hically protected communication channel. Надежность и качество. Труды международного симпозиума. г.Пенза, РФ - 21 -31 мая 2018 г., Т.2, С. 25-26.
УДК 517.91
Yemelyev А., Moldamurat Kh., Yergaliyev D., Nurbyergen Y., Koshkarbay N.Zh.
Eurasian national university. L.N. Gumilyov, Nur-Sultan, Kazakhstan
SCOPE OF UNMANNED AERIAL VEHICLES IN THE XXI CENTURY
The article describes the technical scope and relevance of an unmanned aerial vehicle, as well as provides a software system. We consider unmanned aerial vehicles and technologies for their use in the largest countries of the world that have been used to date .
Unmanned aerial vehicle-refers to the classification of robot aircraft. Remote control ofground-based sensing, reconnaissance, and scanning of unmanned aerial vehicles is performed at the station by remote control. Mechatronic sensors are also used for these aircraft and for docking with both the supply ship and the new modules when performing maneuvers.
Keywords:
REMOTE SENSING OF THE EARTH, UNMANNED AERIAL VEHICLE; OPERATIONAL TECHNOLOGIES; ROBOTIC AIRCRAFT
INTRODUCTION
Unmanned aerial vehicles with remote control and operations performed by the automatic control system are specially programmed and provided with neural and robotic functions. Unmanned aerial vehicles are the cheapest and most affordable to use, as well as the safest among spacecraft [1].
Due to the development of space robotics, unmanned aerial vehicles are very effective for ground reconnaissance. Because there are no harmful emissions in nature.
At present, many types are found in connection with the calculation of the development of electronics and radio communications. But for automation all UAVs are considered by 2 types:
- Remote control;
- Fully automated
And by design, we use the considered UAVs of the Ski King type of aircraft. Earth exploration is 10 times larger , but the image quality will be high. You can fix this problem by reducing the speed.
Currently, the scope of UAVs is growing . This device, originally used for military purposes, allows it to be used in agriculture under the influence of the development of GPS and radio communication systems.
Agriculture, in turn, is divided into two major parts, crop production and livestock grazing. UAVs used in the field of crop production are of great importance in the market, but they do not correspond to horse breeding.
MAIN PART
An aircraft with an unmanned aerial vehicle " for itself " is equipped with an artificial intelligence system. Researchers provide an oppor-
tunity to independently solve the work of artificial intelligence in the block camera of an aircraft with the choice of object and other conditions. That is the results of the work of aircraft in neural-robotic unmanned flights are effective [2].
Robotic aircraft are used in scientific research, defense control, aerovisual research, and so on, and photos in the space zoning of pilots become more vivid and high- quality. Probing involves an image conversion algorithm to explain data about the Earth and identify a specific object.
The intelligent robotic aircraft effectively performs hazard monitoring and trajectory correction in real time to avoid danger. For this purpose, an intelligent robotic aircraft must clearly know where the aircraft is relative to the Earth's surface (localization), which may pose a danger to the Earth, and the flying vessel must be operating at the present time. To do this, an intelligent robotic spacecraft must be able to assess its condition in order to reliably observe itself and ensure its good maneuverabil-ity[3].
Providing intelligent UAV programming: controlling the UAV's servo drive using the AT-Mega328p microcontroller and controlling signals from the aircraft's servo drive via the I/o port.
In AVR Studio 5.1, tracking the software nature of on-board system parameters from the 8xLEDBoard panel using the ATMegaAVR32 8P. microcontroller.
For intelligent orientation of UAVs, it is necessary to provide neneral rules: adjust the signals coming from the microcontrollers AT-Mega328P in the header under the servo control
