CC BY
46ОБЗОРНАЯ СТАТЬЯ
УДК 631.58:634.8
Б.У Сулейменов1, С.И. Танирбергенов1 ПЕРСПЕКТИВЫ ПРИМЕНЕНИЯ БЕСПИЛОТНЫХ ЛЕТАТЕЛЬНЫХ АППАРАТОВ В
ТОЧНОМ ЗЕМЛЕДЕЛИИ: ОБЗОР
1Казахский научно-исследовательский институт почвоведения и агрохимии им. У.У. Успанова, 050060, г. Алматы, пр. аль-Фараби, 75 В, Казахстан,
е-таИ: beibuts@mail.ru
Аннотация. Точное земледелие - новый этап развития агросферы, связанный с использованием геоинформационных систем. В настоящие время спутниковые снимки с высоким разрешением более широко используются для изучения в сельском хозяистве, что является инновациеи для Казахстана при реализации задач точного земледелия. Тем не менее, наличие и часто непомерно высокие затраты на такие изображения предполагают альтернативным продукт для этого конкретного приложения в точном земледелии. В частности, изображения, сделанные платформами дистанционного зондирования с малои высотои беспилотных летательных аппаратов (БПЛА), являются потенциальнои альтернативои, учитывая их низкую стоимость эксплуатации в мониторинге окружающеи среды, высоком пространственном и временном разрешении, и их высокои гибкости при захвате изображении, программировании. В мире было проведено несколько исследовании по применению изображении БПЛА для точного земледелия. Результаты этих исследовании указывают на то, что для обеспечения надежного конечного продукта для фермеров необходимы успехи в разработке платформ, производстве, стандартизации геопривязки изображении, а также в процессе обработки информации.
Ключевые слова: точное земледелие, беспилотные летательные аппараты, ГИС технологии.
ВВЕДЕНИЕ
В последние десятилетия в США и странах Европы быстрыми темпами развивается и все более широко внедряется в производство так называемое «точное земледелие» (ТЗ), отличитель-нои чертои которого является локальная дифференциация агротехнических воздеиствии с учетом пространствен-нои вариабельности почвенных и иных факторов формирования урожая в пределах отдельного сельскохозяиствен-ного поля [1].
Однои из уникальных характеристик этои отрасли является то, что она обеспечивает биологические продукты, которые чрезвычаино чувствительны как к условиям окружающеи среды, так и к методам управления [2]. Поэтому краине важно, чтобы фермеры своевременно знали, где существуют вариации в своих областях, с тем чтобы соответствующим образом скорректировать их
практику. Следовательно, любые методы, которые способствуют стабилизации или увеличению сельскохозяи-ственного производства при опосредовании воздеиствия этои деятельности на окружающую среду, будут полезны для общества. Например, датчики, способные обнаруживать изменчивость поля, такие как технология дифференцированного внесения удобрении (ТДВУ- англ. Variable Rate Technology (VRT)) и мониторы урожая зерна были использованы в сочетании с высокои точностью GPS положения для решения этих проблем [3, 4]. Такие системы подпадают под сферу ТЗ, регулирование посевов на конкретных участках или даже сельское хозяиство, ориентированное на конкретные объекты. Эти термины предполагают, что управление сельским хозяиством может быть осуществлено с определеннои степенью точности. Следовательно, ТЗ
предоставляет альтернативные и реалистичные средства для сокращения и оптимизации использования потенциально опасных соединении и, таким образом, может способствовать созданию более здоровои окружающеи среды для людеи. Несмотря на то, что в ТЗ есть некоторые ключевые проблемы, которые необходимо решать, включая отсутствие надлежащих систем поддержки принятия решении и недостаточное признание временных изменении и экологического аудита [5].
С развитием новых чувствительных технологии и все более широким применением ТЗ в настоящее время разрабатывается большое количество сельскохозяиственнои техники, которая все более усложняется. Сегодня ТДВУ является самои передовои областью ТЗ. Тем не менее, оперативныи успех ТДВУ требует точных карт роста сельскохозяиственных культур, сорняков, заражении насекомыми, недостатков питательных веществ в растениеводстве и других сельскохозяиствен-ных и почвенных условии [6]. Эти данные необходимы для сопоставления питательных веществ (и других операции) с пространственнои изменчивостью сельскохозяиственных культур [7, 4].
Таким образом, в краткое время позволяют оперативно реагировать на неблагоприятные урожаи или полевые условия. С нынешнеи тенденциеи к увеличению размера фермы также становится более дорогостоящим приобретать более крупные наборы данных для оценки изменчивости полеи. Спутниковые изображения и аэрофотоснимки, собранные в течение вегетационного периода, использовались для мониторинга роста сельскохозяиственных культур, повышения урожаиности и прогнозирования урожая сельскохозяи-ственных культур [3, 8], но до сих пор их использование было ограничено
плохим временем пересмотра и/или грубые пространственные разрешения [3, 6]. Кроме того, использование пилотируемых бортовых платформ ограничено высокои эксплуатационнои сложностью, затратами и длительнои до-ставкои продуктов [6, 9-11]. В связи с недавними технологическими достижениями в области аэрокосмическои техники, системои дистанционного зондирования с низкои высотои, относительно новая концепция получения изображении поверхности Земли на малои высоте с использованием беспилотных летательных аппаратов (БПЛА) [2], альтернативная платформа для этои цели. Сверхвысокое пространственное разрешение (например, сантиметры), относительно низкие эксплуатационные расходы и получение изображении в режиме реального времени [11-16] означают, что эти платформы являются идеальными инструментами для картографирования и мониторинга в ТЗ. Цель этого обзора - дать представление об этих конкретных устроиствах путем определения применения дистанционного зондирования в ТЗ и изучения использования и ограничении БПЛА в мониторинге окружающеи среды и ТЗ. Кроме того, обсуждаются потенциальные успехи и альтернативные виды использования БПЛА, что может помочь облегчить их использование и привлечь интерес фермеров к их применению в ТЗ.
Дистанционное зондирование и точное земледелие
Основными этапами практики ТЗ являются сбор данных, картирование изменчивости полеи, принятие решении и наконец, практика управления. Предполагается, что дистанционное зондирование может быть задеиство-вано в первых трех из этих этапов [3, 8]. В частности, краине важно получать обновленные изображения/карты во время процесса принятия решении, по-
этому изменчивость поля может отображаться с использованием изображении с дистанционным зондированием.
Экологическое дистанционное зондирование, по существу, использует лучистую энергию для извлечения информации о наземных характеристиках вдоль крупных участков валков в течение короткого периода времени. Дистанционное зондирование наряду с другими геопространственными методами было применено в сельском хо-зяистве с 1950-х годов [17]. Тем не менее, более раннее использование аэрофотоснимков в 1930-х годах Администрации сельского хозяиства США для точных измерении пахотных земель также было за документировано [18]. Основная основополагающая предпосылка применения дистанционного зондирования в ТЗ заключается в том, что различия в уровне роста сельскохо-зяиственных культур и состоянии почвы можно обнаружить с помощью вариации спектральных каналов [8]. В частности, изменения в отражательнои способности дистанционного зондирования могут быть обнаружены до того, как симптомы, такие как грибковые и плесневые инфекции, станут видимыми для человеческого глаза [19].
Общие платформы дистанционного зондирования включают спутники, самолеты, воздушные шары и вертолеты, а на этих платформах для дистанционного зондирования установлены различные датчики, такие как оптические и ближние инфракрасные датчики и RADAR (RAdio Detection and Ranging). Диагностическая информация, полученная из изображении, собранных с этих бортовых датчиков, таких как биомасса, индекс листовои поверхности (LAI), заболевание, стресс и нехватка воды, может, таким образом, помочь в управлении культурами, прогнозировании урожаиности и защите окружающеи среды.
Общие сельскохозяйственные применения с использованием дистанционного зондирования включают мониторинг и картографирование своиств почв [20, 21], классификацию видов растении [22], вредители культур [23], определение стрессовых вод [24], анализ химического состава листьев [25] и контроль от сорняков [26]. Многие виды культур отслеживались с использованием методов дистанционного зондирования включая рапс, кукурузу, хлопчатник и пшеницу [8, 27, 28]. Аэрофотосъемка использовалась при отображении урожаиности для определения вариации поля [29], но большинство изображении, используемых в этих исследованиях, либо являются гиперспектральными [20, 29], спутниковыми гиперспектральными [22] или спутниковыми мультиспектральными [21, 30]. Кроме того, гиперспектральные методы с близкого расстояния были также использованы для изучения спектральных откликов полевого купола [21, 22, 28, 31]. На сегодняшнии день доминирующие дистанционно отобранные изображения для ТЗ были оптическими. Однако недавно было показано, что снимки с использованием радара синтезированнои апертурнои ре-шеткои (SAR) полезны для картографирования и оценки посевных культур, обработки почвы и картографирования вылова, оценки влажности почвы, прогнозирования урожаиности и управления зонами [32]. Ограниченное применение изображении SAR в сельском хо-зяистве, скорее всего, связано с затратами, сроками и интерпретациеи этих данных [32].
По сравнению со спутниковыми изображениями, полученные БПЛА изображения обычно имеют более высокие временные (например, ежедневные приобретения) и более высокие разрешения по пространству (например, сантиметры). По изображению с
высоким разрешением, было проведено много исследовании, посвященных изучению условии посева, особенно тех, которые связаны с LAI. LAI и является основным параметром купола в двух основных физиологических процессах, фотосинтезе и эвапотранспира-ции, которые в наибольшеи степени зависят от солнечнои радиации [8]. Большинство моделеи роста урожая и урожаиности сельскохозяиственных культур требуют оценки LAI навесов для сельскохозяиственных культур. Другие оценочные измерения с использованием данных дистанционного зондирования включают поверхностные своиства почвы [33], водныи стресс [34], растительныи покров [35], содержание азота [9, 36, 37], высота посевов [38], над наземнои биомассои [36], объем сорняков [31] и виды растении [39]. Эти данные также использовались для мониторинга других биологических параметров, таких как содержание (или концентрация) хлорофилла листьев и содержание (или концентрация) азота в листьях с течением вегетации [3, 10]. Многие из вышеупомянутых параметров определяются с использованием индексов растительности, которые являются одними из наиболее используемых инструментов в области дистанционного зондирования в сельском хо-зяистве. В частности, индексы растительности, такие как индекс нормали-зованнои разностнои растительности (NDVI), почвенныи вегетационныи индекс (SAVI) и Green NDVI, широко используются для количественного изучения различных биологических параметров [12, 13]. Однако общеи пробле-мои, возникающеи при использовании этих показателеи в сельскохозяиствен-ных исследованиях, является насыщение при высоком LAI [40].
Было показано, что применение дистанционного зондирования выгодно [27, 29, 41], но текущие приложения в ТЗ по-прежнему ограничены. Прове-
денному в США с 2004 по 2009 годы использование спутниковых снимков и аэрофотоснимков в ТЗ увеличилось с 16,1 до 30,3 % [42]. Однако число лю-деи, использующих дистанционное зондирование в технологиях ТЗ, остается довольно небольшим [42]. Ограничения, выявленные для применении систем дистанционного зондирования в управлении фермами, включают: сбор и доставку изображении своевременно, отсутствие данных с высоким пространственным разрешением, интерпретацию изображении и извлечение данных и интеграция этих данных с агрономическими данными в экспертные системы [30]. Например, некоторые конкретные решения управления хозяиством, такие как обнаружение сорняков и управление сорняками, требуют очень высоких изображении пространственного разрешения часто в порядке сантиметров [43]. К сожалению, наиболее доступные данные дистанционного зондирования, спутниковые снимки среднего разрешения (например, Landsat TM, ASTER, SPOT 5), полезны только для крупномасштабных исследовании. Более того, даже новеишие спутниковые снимки с более высоким разрешением (напри-мер, KazSAT-1) не могут предоставлять высокочастотные данные для возникновения ситуации (например, мониторинг стресса питательных веществ, болезнь) с ограниченным периодом повторения 1-2 дня. Погодные условия также являются критическим препятствием для приобретения спутниковых снимков, поскольку в вегетационныи период также часто является сезоном дождеи. В дополнение к фактическим ограничениям датчиков, применение дистанционного зондирования в сельском хозяистве также ограничено ин-терпретациеи и анализом проблем, которые возникают при работе с очень большими объемами цифровых данных [44]. Более того, ощущается недо-
статок полезности в картировании растущих культур и относительно малонадежных аналитиков дистанционного зондирования или консалтинговых фирм, которые могут заниматься этими продуктами [45]. Наконец, предлагается [45], что однои из основных причин низкои скорости приема изображении дистанционного зондирования в ТЗ является отсутствие надежных экономических оценок возврата от применения изображении с дистанционным зондированием. Некоторые [3, 46] считают, что издержки, доступность, гибкость и обработка удаленных изображении со спутников сделали их приложения запрещающими и, следовательно, непрактичными.
Применение БПЛА для исследование окружающей среды в системе ТЗ
Как указано, затраты и доступность спутниковых снимков высокого разрешения часто ограничивают их применение в ТЗ [25]. Следовательно, БПЛА может быть недорогои и более практичнои заменои для спутниковых и авиационных самолетов большои дальности для данных дистанционного зондирования с высоким разрешением. Кроме того, БПЛА немедленно доступны в качестве инструмента для ученых и фермеров, занимающихся дистанционным зондированием [47]. В последние годы были доступны небольшие коммерческие БПЛА (<50 кг) [48] для экологических и сельскохозяиственных применении. Небольшим БПЛА принадлежат технологии дистанционного зондирования земель (ДЗЗ), всегда популярному набору инструментов для мониторинга окружающеи среды. Гибкость во времени сбора данных и значительно меньшие затраты на извлечение изображении могут привести к тому, что небольшая индустрия БПЛА превысит спрос со стороны традиционных пилотируемых самолетов. Изображения, снятые с использованием БПЛА, обычно имеют пространственное раз-
решение в сантиметрах, и получение изображений управляемо и не зависит от облачного покрова. Таким образом, полученные БПЛА изображения могут быть практическои альтернативои аэрофотоснимкам и спутниковым снимкам высокого разрешения. Несмотря на то, что в БПЛА не было много тематических исследовании, в которых примеры применения БПЛА в исследованиях окружающеи среды становятся все более очевидными в литературе. Такие исследования могут дать представление о том, насколько применимы эти инструменты для различных целеи ТЗ.
Использование небольшого БПЛА процветало за последнее десятилетие, при этом различные платформы LARS использовались специально для мониторинга изменении окружающеи среды. В настоящее время существует множество таких инструментов, доступных по разным ценам. Хотя относительно дешево, маневренность этих платформ делает его сложным для мониторинга состояния сельскохозяиственных культур. Следовательно, самои популярнои платформои для экологических исследовании была небольшая БПЛА, которые также известны как дистанционно управляемые транспортные средства (ДУТС/RPV), летательные аппараты с дистанционным управлением (ЛАДУ/ ROA) и дистанционно управляемые вертолеты (RC-Helicopter) [49]. В последние годы было больше применении с использованием небольших беспилотных летательных аппаратов [12, 49-52] дроны и квадрокоптеры [14, 53, 54] (рисунок 1). Эти платформы включают собранные блоки из готовых частеи [16] или полные коммерчески доступные [48, 49].
В дополнение к множеству доступных платформ существует множество типов датчиков дистанционного зондирования, которые могут использоваться для фактического сбора дан-
ных. Датчики для захвата изображений включают пленочные камеры [50, 55], готовые коммерческие (неметрические) цифровые камеры [13, 14, 49, 50, 56] и даже модифицированные цифровые камеры с вблизи инфракрасного
диапазона [57]. Также были разработаны специфические БПЛА которые включают в себя мультиспектральную камеру ADC [16, 54] и картографическую камеру MCA [10, 58].
Рисунок 1 - Беспилотные летательные аппараты
На сегодняшнии день полученные БПЛА изображения были успешно использованы для оценки степени использования кустарников [59], картирования видов трав [60], для картирования лесных пожаров [61], измерения кустарниковои биомассы [59, 60], для помощи в управлении виноградниками [54] и для картирования растительности пастбищных угодии [62]. Что касается сельского хозяиства, то они были
использованы для обнаружения небольших пастбищных сорняков в пастбищных угодьях [63], документирования водного стресса в культурах [10] мониторинга биомассы культур [12, 47], сопоставления виноградников [54] и изучения результатов различных обработок азота на культурах [12, 2]. БПЛА также использовались для оценки ирригационных систем в полевом масштабе (рисунок 2).
Рисунок 2 - Оценка состояние ирригационнои системы
ния спутников было проведено минимальное количество исследовании роста сельскохозяиственных культур на основе полученных изображении БПЛА [10, 12, 13, 57]. В этих исследованиях
Типы культур, исследованные с использованием данных, собранных БПЛА, включают рис [2, 47], пшеницу [57] и кукурузу [12]. К сожалению, в отличие от дистанционного зондирова-
изучались отношения индексов растительности, полученных от датчиков на основе БПЛА, со статусом азота кукурузы и биомассы сои [12], различными обработками азотом рис [2] и с пшени-цеи LAI [13].
Потенциал применения БПЛА в сельском хозяйстве
Хотя практика по ТЗ набирает популярность во всем мире [3, 4], использование методов дистанционного зондирования в сельском хозяистве по-прежнему ограничено. Согласно этому исследованию, системы GPS-навигации являются наиболее часто используемым методом ТЗ. Однако применение других методов, включая технологию картирования (ГИС и дистанционного зондирования) было показано, что оно значительно ниже. По данным Stafford [3], основным драивером ТЗ является максимизация прибыли, и фермеры просто не уверены в экономических выгодах инвестирования в спутниковые снимки и другие пространственные продукты. Кроме того, необходимы навыки для пространственного анализа (т.е. создания карты на основе интегрированных источников данных), чего не хватает многим фермерам [45, 64]. Более того, неопределенность в отношении надежности карт урожаи-ности для управления культурами еще больше снижает их воспринимаемую ценность [3], хотя некоторые испытания на ферме показали преимущества не менее 20 долл./га на основе методов управления зонами [4, 27, 29]. Несмотря на то, что имеется несколько исследовании относительно прибыльности принятия ТЗ [65], мало говорится о экономических преимуществах дистанционного зондирования БПЛА для ТЗ [41]. Следовательно, Tenkorang и DeBo-er [41] предложили, чтобы в этои области ТЗ проводились подробные анализы затрат и выгод с достаточным количеством повторении.
Знания фермера об изменениях в их областях также являются важным фактором, влияющим на восприятие и принятие технологии ТЗ [66]. Было обнаружено, что те люди, которые больше осведомлены о пространственном изменении своиств почвы арендованных земель, с большеи вероятностью признают и применяют технологию ТЗ [67]. В дополнение к отсутствию информации для фермеров относительно использования БПЛА, в предыдущих исследованиях на базе БПЛА использовались экспериментальные поля для сельскохозяиственных культур и просто не привлекались к практикам ТЗ. Эти культивирования пахотных земель были специально разработаны для обеспечения идеальнои культуры для экспериментов по дистанционному зондированию. Таким образом, в настоящее время не представляется правдоподобным оценить целесообразность использования полученных БПЛА изображении фермерами в более реалистичных условиях. К счастью, было показано, что использование модели участия на уровне сообщества было очень успешным с использованием спутниковых снимков Landsat высокого разрешения [27]. Для БПЛА это может указывать на то, что текущие исследования практически не оказывают прямого воздеиствия на потенциальное применение фермерами геопространственных методов в своеи практике.
Таким образом, ясно, что применение БПЛА в ТЗ все еще находится в зачаточном состоянии и что есть значительные возможности для дальнеи-шего развития как в отношении технологии, так и в различных потенциальных приложениях. Улучшенное согласование между образцами БПЛА и данными об истине на местах, гибкость времени сбора и относительно низкая стоимость должны побуждать других
рассматривать эти устроиства в качестве ключевых инструментов в будущих точных сельскохозяиственных усилиях. На данныи момент успешное применение БПЛА для мониторинга условии пастбищных угодии [48, 68] демонстрирует, что использование БПЛА в ТЗ может стать следующим этапом успеха в приложениях дистанционного зондирования. Это могло бы консолидировать интеграцию БПЛА в ТЗ и тем самым способствовать совершенствованию технологии. Как и в настоящее время, будущие приложения могут быть приписаны совершенствованию дизаина БПЛА, снижению системных цен, улучшенным методам / процедурам обработки изображении, более слабым правилам для применения в окру-жающеи среде и системам распространения практическои информации для фермеров.
Способы извлечения информации из изображений БПЛА
Подобно спутниковым изображениям и аэрофотоснимкам изображения БПЛА могут применяться в зональном картографировании, используемом для количественнои оценки биологических переменных и используемых для выявления аномалии в пахотных землях. Зональное отображение может быть ключевым компонентом ТЗ, поскольку необходима точная информация о пространственных изменениях почвы и посевов. Одним из наиболее распространенных методов зонального картирования почв является выборка грунта физических и химических своиств на основе сетки (ячеики или центра), которая затем может использоваться для пространственнои интерполяции [3, 69]. Тем не менее, в некоторых странах, таких как Австралия, была разработана стратегия отбора проб почвы [70]. Long и др. [71] показано, что данные об уро-жаиности с аэрофотоснимков оказались более точными, чем от традицион-нои геостатистическои интерполяции
и карт почвенного обследования. Зональные карты также могут быть осно-вои на нескольких годах исторических данных урожаиности, собранных с использованием мониторов выхода [69, 72]. Такие карты использовались в качестве входных данных для процедур применения удобрении и других методов [6]. Однако данные из мониторов выхода могут содержать много источников ошибок [46]. Невзирая на то, что отбор проб почвы является дорогостоящим и требует много времени [3], а зональные карты, основанные на урожаиности, нуждаются в дополнительном вкладе в состояние текущего года. Следовательно, спутниковые снимки высокого разрешения были применены в качестве альтернативы для мониторинга состояния растительности и почвы. Например, недавно была создана зональная карта с использованием NDVI, основаннои на IKONOS, и было показано, что она значительно дешевле, чем карты, созданные из образцов почвы на основе сетки [27]. Yang и др. соавторы [73] обнаружили, что между классификационными картами, полученными из карт дистанционного зондирования и производства, наблюдаются высокие корреляции. Следовательно, процедура создания зональнои карты, основанная на изображениях БПЛА, может предоставить чрезвычаино важную информацию для фермеров.
Также можно было бы установить автоматическую процедуру идентификации цели, чтобы идентифицировать аномалии полеи сельскохозяиственных культур (например, сорняки, болезни, стрессы засухи) в изображениях БПЛА. Кроме того, необходимо проверить извлечение различных биологических переменных (например, LAI, концентрация хлорофилла на куполе и выход) из изображении БПЛА. Способность точно оценивать концентрацию хлорофилла растении может предоставить производителям ценную информацию
для оценки урожайности сельскохозяйственных культур и принятия решений относительно управления N [47]. Захват изображении БПЛА в течение всего вегетационного периода для одного конкретного урожая также может помочь решить решающую дату получения изображении для многих биологических переменных.
Привлечение интересов фермеров и проведение экономической эффективности анализа
В целях расширения применения БПЛА в ТЗ ученые дистанционного зондирования могли более тесно сотрудничать с практиками ТЗ, демонстрируя, таким образом, способность БПЛА и их потенциальную прибыльность посредством анализа затрат и выгод. Многие фермеры стремятся применять современные технологии в своеи практике [27], чтобы максимизировать прибыль, но, как указывалось ранее, затраты, доставка и извлечение информации, связанные с данными дистанционного зондирования, были препятствием их использования в сельскохозяиственнои практике [3]. Однако Seelan и др. соавторы [27] показали, что использование учебного сообщества, объединяющего ученых-исследователеи, фермеров и поставщиков данных, может сократить время, необходимое для рассеивания изображении. В своем исследовании сообщества Seelan и др. соавторы [27] использовали Landsat, изображения IKONOS с высоким разрешением и аэрофотоснимки.
Изображения с высоким разрешением использовались для визуальнои интерпретации, классификации и вали-дации, и исследование основывалось на большои пространственнои шкале. Используя доступныи БПЛА, экономическая эффективность при реализации интегрированнои программы дистанционного зондирования подобного типа может быть значительно улучшена. Например, Beeri и Peled [74] показали,
что приложения, использующие захваченные изображения БПЛА, могут сократить временные рамки, необходимые для корректировки сельскохозяи-ственнои практики, и что результаты мониторинга дистанционного зондирования были лучше, чем результаты традиционных методов контроля. Более того, демонстрация таких приложении имеет важное значение для убеждения фермеров в преимуществах использования геопространственных технологии на своих фермах. Кроме того, примеры экономических и экологических преимуществ также имеют решающее значение, если большее число конечных пользователеи должно быть убеждено в их важности. В таких случаях ценность технологии оправдана, поскольку полученная информация позволяет принять решение, которое приведет к повышению прибыльности и более ответственному управлению. Для этого необходимо провести анализ затрат и выгод, чтобы убедить фермеров принять БПЛА или запросить обслуживание у консультационных организации, которые предоставляют изображения БПЛА.
Если фермеры должны быть интегрированы в этапы интерпретации и обработки изображении, может возникнуть необходимость в создании веб-ГИС для совместного использования изображении, ввода информации и обработки. Фермерам не хватало необходимых навыков для извлечения досто-вернои информации из изображении БПЛА, но ученые дистанционного зондирования могут быть незнакомы с полевыми и культурными условиями. Поэтому подход, которыи объединяет навыки как ученых, так и фермеров с дистанционным зондированием, может быть использован для определения наиболее подходящих средств для использования новои технологии ТЗ при одновременном содеиствии устоичиво-му развитию. Ученые, занимающиеся
дистанционным зондированием, могли собирать изображения с использованием датчиков на борту БПЛА и тесно сотрудничать с фермерами для мониторинга роста посевов. Отклики от фермеров будут необходимы для определения наиболее оптимального использования этои новои технологии. Самое главное, что это сотрудничество может значительно сократить время, необходимое для извлечения информации из изображении, следовательно, для фермеров, чтобы скорректировать свою сельскохозяиственную практику.
ЗАКЛЮЧЕНИЕ За последнее годы все большее число примеров применения БПЛА в мониторинге окружающеи среды и ТЗ. Приложения дистанционного зондирования БПЛА в ТЗ включают, но не ограничиваются ими, картографирование урожаиности, измерение химического состава, картографирование энергии, мониторинг стресса растительности и оценку воздеиствия удобрения на рост сельскохозяиственных культур. Однако по-прежнему существует множество
с дистанционным зондированием БПЛА, включая высокие начальные затраты, надежность платформы, возможности датчиков и отсутствие стан-дартизованнои процедуры обработки больших объемов данных. Более того, строгие авиационные правила и простое отсутствие интереса со стороны фермеров могут помешать принятию БПЛА. К счастью, ожидается, что с развитием технологии платформ БПЛА, новыми камеры, меньшими затратами, улучшенными технологиями обработки изображении и большим количеством экспериментальных исследовании дистанционного зондирования на базе БПЛА для применения в сельском хозяистве будет более выгодным использование преимуществ этих систем в ТЗ и мониторинге окружающеи среды. Кроме того, предлагается, чтобы, если бы авиационные правила БПЛА могли быть смягчены, а ученые-исследователи более активно взаимо-деиствовали с фермерским сообществом, может произоити более широкое внедрение БПЛА в ТЗ.
существенных недостатков, связанных
СПИСОК ЛИТЕРАТУРЫ
ISidorova V.A., Zhukovskii E.E., Lekomtsev P.V., Yakushev V.V. Geostatistical analysis of the soil and crop parameters in a field experiment on precision agriculture // Eurasian Soil Science. - 2012. - 8 (45). - Рр. 783-792.
2Swain K.C., Jayasuriya H.P., Salokhe V.M. Suitability of low-altitude remote sensing images for estimating nitrogen treatment variations in rice cropping for precision agriculture adoption [Electronic resource] // Journal of Applied Remote Sensing. -2007. - №1. - Mode of access: https://doi.org/l0.m7/L2824287.
3Stafford J.V. Implementing precision agriculture in the 21st century // Journal of Agricultural Engineering Research. - 2000. - Vol. 76. - Рр. 267-275.
4Robertson M., Carberry P., Brennan L. The economic benefits of precision agriculture: cast studies from Australia grain farms / Controlled Traffic and Precision Agriculture Conference. - 2007. - Рр. 181-187.
5McBratney A., Whelan B., Ancev T. Future directions of precision agriculture// Precision Agriculture. - 2005. - Vol. 6. - Рр. 7-23.
6Moran M.S., Inoue Y., Barnes E.M. Opportunities and limitation for image-based remote sensing in precision crop Management // Remote Sensing of Environment. -1997. - Vol. 61. - Рр. 319-346.
7Cook S.E., Bramley R.G. Precision agriculture: Opportunities, benefits and pitfalls of site specific crop management in Australia // Australian Journal of Experimental Agriculture. - 1998. - Vol. 38. - P. 753-763.
8Warren G., Metternicht G. Agricultural applications of high-resolution digital multispectral imagery: Evaluating within-field spatial variability of canola (Brassica na-pus) in Western Australia // Photogrammetric Engineering and Remote Sensing. -2005.
- Vol. 71. - Pp. 595-602.
9Zhang J.H., Wang K., Bailey J.S., Wang R.C. Predicting nitrogen status of rice using multispectral data at canopy scale // Pedosphere. - 2006. - Vol. 16. - Pp. 108-117.
10Berni J.A., Zarco-Tejada P.J., Suarez L., Fereres E. Thermal and narrowband mul-tispectral remote sensing for vegetation monitoring from an unmanned aerial vehicle // IEEE Transactions on Geoscience and Remote Sensing. - 2009. - Vol. 47. - Pp. 722-738.
11Rango A., Laliberte A.S., Herrick J.E., Winters C., Havstad K., Steele C. Unmanned aerial vehicle-based remote sensing for rangeland assessment, monitoring, and management [Electronic resource] // Journal of Applied Remote Sensing. - 2009. - Vol. 3. -Mode of access: https://doi.org/10.1117/1.3216822
12Hunt E.R., Cavigelli M., Daughtry C.S., McMurtrey J.E., Walthall C.L. Evaluation of digital photography from model aircraft for remote sensing of crop biomass and nitrogen status // Precision Agriculture. - 2005. - Vol. 6. - Pp. 359-378.
13Lelong C.D., Burger P., Jubelin G., Roux B., Labbe S., Barett F. Assessment of unmanned aerial vehicles imagery for quantitative monitoring of wheat crop in small plots // Sensors. - 2008. - Vol. 8. - Pp. 3557-3585.
14Nebiker S., Annen A., Scherrer M., Oesch D. A light-weight multispectral sensor for micro UAV: Opportunities for very high resolution airborne remote sensing//The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. - 2008. - Vol. XXXVII. Part B1. - Pp. 1193-1200.
15Hardin P. J., Hardin T.J. Small-scale remotely piloted vehicles in environmental research // Geography Compass. - 2010. - Vol. 4. - Pp. 1297-1311.
16Xiang H., Tian L. Method for automatic georeferencing aerial remote sensing (RS) images from an unmanned aerial vehicle (UAV) platform // Biosystems Engineering. - 2011. - Vol. 108. - Pp. 104-113.
17Colewell R.N. Determining the prevalence of certain cereal crop diseases by means of aerial photography // Hilgardia. - 1956. - Vol. 26. - Pp. 223-286.
18Monmonier M. Aerial photography at the Agricultural Adjustment Administration: Acreage controls, conservation // Photogrammetric Engineering & Remote Sensing. - 2002. - Vol. 68. - Pp. 1257-1261.
19Malthus T.J., Maderia A.C. High resolution spectroradiometry: Spectral reflectance of field bean leaves infected by Botrytis fabae // Remote Sensing of Environment.
- 1993. - Vol. 45. - Pp. 107-116.
20De Tar W.R., Chesson J.H., Penner J.V., Ojala J.C. Detection of soil properties with airborne hyperspectral measurements of bare fields // Transactions of the ASABE. -2008. - Vol. 51. -Pp. 463-470.
21Gomez C., Rossel R.V., McBratney A.B. Soil organic carbon prediction by hyper-spectral remote sensing and field vis-NIR spectroscopy: An Australian case study// Ge-oderma. -2008. - Vol. 146. - Pp. 403-411.
22Rao N.R., Garg P.K., Ghosh S.K., Dadhwal V.K. Estimation of leaf total chlorophyll and nitrogen concentrations using hyperspectral satellite imagery // Journal of Agricultural Science. - 2008. - Vol. 146. - Pp. 65-75.
23Lan Y., Huang Y., Martin D.E., Hoffmann W.C. Development of an airborne remote sensing system for crop pest management: System integration and verification // American Society of Agricultural and Biological Engineers. - 2009. - Vol. 25. - P. 607-615.
24Erickson B.J., Johannsen C.J., Vorst J.J., Biehl L.L. Using remote sensing to assess stand loss and defoliation in maize // Photogrammetric Engineering and Remote Sensing. - 2004. - Vol. 70. - Pp. 717-722.
25Wu J.D., Wang D., Bauer M.E. Assessing broadband vegetation indices and QuickBird data in estimating leaf area index of corn and potato canopies // Field Crops Research. - 2007. - Vol. 102. - Pp. 33-42.
26Gutierrez P.A., Lopez-Granados F., Jurado-Exposito J.M., Hervas-Martinez C. Logistic regression product-unit neural networks for mapping Ridolfia segetum infestations in sunflower crop using multitemporal remote sensed data // Computers and Electronics in Agriculture. - 2008. - Vol. 64. - Pp. 293-306.
27Seelan S.K., Laguette S., Casady G.M., Seielstad G.A. Remote sensing applications for precision agriculture: A learning community approach // Remote Sensing of Environment. -2003. - Vol. 88. - Pp. 157-169.
28Zhao D.H., Huang L.M., Li J.L., Qi J.G. A comparative analysis of broadband and narrowband derived vegetation indices in predicting LAI and CCD of a cotton canopy// ISPRS Journal of Photogrammetry and Remote Sensing. - 2007. - Vol. 62. - Pp. 25-33.
29Godwin R.J., Richards T.E., Wood G.A., Welsh J.P., Knight S.M. An economic analysis of the potential for precision farming in UK cereal production//Biosystems Engineering. - 2003. - Vol. 84. - Pp. 533-545.
30Du Q., Chang N.B., Yang C.H., Srilakshmi K.R. Combination of multispectral remote sensing, variable rate technology and environmental modeling for citrus pest management// Journal of Environmental Management. - 2008. - Vol. 86. - Pp. 14-26.
31Gomez-Casero M.T., Castillejo-Gonzalez I.L., Garcia-Ferrer A., Pena-Barragan J.M., Jurado-Exposito M., Garcia-Torres L. Spectral discrimination of wild oat and canary grass in wheat fields for less herbicide application // Agronomy for Sustainable Development. - 2010. - Vol. 30. - Pp. 689-699.
32McNairn H., Brisco B. The application of C-band polarimetric SAR for agriculture: A review // Canadian Journal of Remote Sensing. - 2004. - Vol. 30. - Pp. 525-542.
33Sullivan D.G., Shaw J.N., Rickman D. IKONOS imagery to estimate surface soil property variability in two Alabama physiographies//Soil Science Society of America Journal. -2005. - Vol. 69. - Pp. 1789-1798.
34Zarco-Tejada P.J., Gonzalez-Dugo V., Berni J.A. Fluorescence, temperature and narrow-band indices acquired from a UAV platform for water stress detection using a micro-hyperspectral imager and a thermal camera // Remote Sensing of Environment.
- 2012. - Vol. 117. -Pp. 322-337.
35Laliberte A.S., Rango A., Fredrickson E.L. Multi-scale, object-oriented analysis of QuickBird imagery for determining percent cover in arid land vegetation. In: 20th Biennial Workshop on Aerial Photography, Videography, and High Resolution Digital Imagery for Resource Assessment [Electronic resource]. - Weslaco, TX, 2012. - Mode of access: https://jornada.nmsu.edu/bibliography/05-055Proc.pdf.
36Beeri O., Phillips R., Carson P., Liebig M. Alternate satellite models for estimation of sugar beet residue nitrogen credit // Agriculture, Ecosystems & Environment. -2005. - Vol. 107. - Pp. 21-35.
37Bausch W.C., Khosla R. QuickBird satellite versus ground-based multi-spectral data for estimating nitrogen status of irrigated maize // Precision Agriculture. - 2010.
- Vol. 11. - Pp. 274-290.
38Donoghue D., Watt P., Cox N., Wilson J. Remote sensing ofspecies mixtures in coniferplantations using LiDAR height and intensity data. International Workshop 3D
remote sensing in Forestry [Electronic resource]. - 2012. - Mode of access: http://
www.rali.boku.ac.at/fileadmin/_/H857-VFL/workshops/3drsforestry/
presentations/6a.5-donoghue.pdf.
39Castillejo-Gonzalez I.L., Lopez-Granados F., Garcia-Ferrer A., Pena-Barragan J.M., Jurado-Exposito M., Orden M.S. Object- and pixel-based analysis for mapping crops and their agro- environmental associated measures using QuickBird imagery // Computers and Electronics in Agriculture. - 2009. - Vol. 68. - Pp. 207-215.
40Haboudane D., Miller J.R., Pattey E., Zarco-Tejada P.J., Strachan I.B. Hyperspec-tral vegetation indices and novel algorithms for predicting green LAI of crop canopies: Modeling and validation in the context of precision agriculture // Remote Sensing of Environment. - 2004. - Vol. 90. - Pp. 337-352.
41Tenkorang F., DeBoer L. On-farm profitability of remote sensing in agriculture// Journal of Terrestrial Observation. - 2007. - Vol. 1. - Pp. 50-59.
42Whipker L.D., Akridge J.T. Precision agricultural services dealership survey results [Electronic resource]. - 2012. - Mode of access: http://www.agecon.purdue.edu/ cab/research_articles/articles/2009_crop_life_precision_report.pdf.
43Robert P.C. Use of remote sensing imagery for precision farming/In: Proceedings of 26th International Symposium on Remote Sensing of Environment and 18th symposium of the Canadian Remote Sensing Society, Ontario, Canada. - 1996. - Pp. 596599.
44Murakami E., Saraiva A.M., Ribeiro L.C., Cugnasca C.E., Hirakawa A.R., Correa P. L. An infrastructure for the development of distributed service-oriented information systems for precision agriculture // Computers and Electronics in Agriculture. - 2007. -Vol. 58. - Pp. 37-48.
45Griffin T.W., Lowenberg-Deboer J., Lambert D.M., Peone J., Payne T., Daberkow S. G. Adoption, profitability, and making better use of precision farming data [Electronic resource] / Staff paper.- West Lafayette, IN, USA: Department of Agricultural Economics, Purdue University, 2004. - No. 04-06. - Mode of access: http://ageconsearch.umn.edu/ record/28615.
46Lamb D.W., Frazier P., Adams P. Improving pathways to adoption: Putting the right P's in precision agriculture // Computers and Electronics in Agriculture. - 2008. -Vol. 61. - Pp. 4-9.
47Swain K.C., Thomson S.J., Jayasuriya H.P. Adoption of an unmanned helicopter for low- altitude remote sensing to estimate yield and total biomass of a rice crop// American Society of Agricultural and Biological Engineers. -2010. - Vol. 53. - Pp. 21-27.
48Laliberte A.S., Rango A. Image processing and classification procedures for analysis of sub-decimeter imagery acquired with an unmanned aircraft over arid rangelands // GIScience & Remote Sensing. - 2011. - Vol. 48. - Pp. 4-23.
49Eisenbeiss H. A mini unmanned aerial vehicle (UAV): system over and image acquisition. In: A. Gruen, Sh. Murai, T. Fuse,F. Remondino (Eds.) [Electronic resource] / Proceedings of International Workshop on Processing and Visualization Using HighResolution Imagery, XXXVI(5/W1), Pitsanulok, Thailand. - 2012. - Mode of access: http://www.isprs.org/proceedings/XXXVI/5-W1/papers/11.pdf.
50Hunt E.R., Daughtry C.S., Walthall C.L., McMurtrey J.E., Dulaney W.P. Agricultural remote sensing using radio-controlled aircraft. In: T. VanToai, D. Major, M. McDonald, J. Schepers & L. Tarpley (Eds.). Digital image and spectral techniques: Applications to precision agriculture and crop physiology // American Society of Agronomy. - 2003. - Vol. 66. - Pp. 197-205.
51Johnson L.F., Herwitz S.R., Lobitz B.M., Dunagan S.E. Feasibility of monitoring coffee field ripeness with airborne multispectral imagery // Applied Engineering in Agriculture. -2004. - Vol. 20. - Pp. 845-849.
52Laliberte A.S., Herrick J.E., Rango A. Acquisition, orthorectification, and object-based classification of unmanned aerial vehicle (UAV) imagery for rangeland monitoring // Photogrammetric Engineering and Remote Sensing. - 2010. - Vol. 76. - Pp. 661672.
53Kendoul F., Lara D., Fantoni-Coichot I., Lozano R. Real-time nonlinear embedded control for an autonomous quadrotor helicopter // Journal of Guidance Control and Dynamics. -2007. - Vol. 30. - Pp. 1049-1061.
54Primicerio J., Gennaro S.D., Fiorillo E., Genesio L., Lugato E., Matese A., et al. A flexible unmanned aerial vehicle for precision agriculture // Precision Agriculture. -2012. - Vol. 13. -Pp. 517-523.
55Aber J.S., Marzolff I., Ries J.B. Small-format aerial photography // Boston: Elsevier, 2010. - 266 p.
56Lewis G. Evaluating the use of a low-cost unmanned aerial vehicle platform in acquiring digital imagery for emergency response. In J. Li, S. Zlatanova, & A. Fabbri (Eds.), Geomatics solutions for disaster management. - Berlin: Springer, 2007. - Pp. 117133.
57Hunt E.R., Hively W.D., Fujikawa S.J., Linden D.S., Daughtry C.S.T., McCarty G. W. Acquisition of NIR-green-blue digital photographs from unmanned aircraft for crop monitoring // Remote Sensing. - 2010. - Vol. 2. - Pp. 290-305.
58Gomez-Candon D., Lopez-Granados F., Caballero-Novella J.J., Gomez-Casero M.T., Jurado-Exposito M., Garcia-Torres L. Geo-referencing remote images for precision agriculture using arti-ficial terrestrial targets // Precision Agriculture. - 2011. - Vol. 12. -Pp. 876-891.
59Quilter M.C., Anderson V.J. A proposed method for determining shrub utilization using (LA/ LS) imagery // Journal of Range Management. - 2001. - Vol. 54. - Pp. 378-381.
60Hardin P., Jackson M. An unmanned aerial vehicle for rangeland photography // Rangeland Ecology & Management. - 2005. - Vol. 58. - Pp. 439-442.
61Hinkleya E.A., Zajkowski T. USDA forest service-NASA: Unmanned aerial systems demon- strations-pushing the leading edge in fire mapping // Geocarto International. - 2011.- Vol. 26. - Pp. 103-111.
62Laliberte A.S., Rango A. Texture and scale in object-based analysis of sub-decimeter resolution unmanned aerial vehicle (UAV) imagery // IEEE Transactions on Geoscience and Remote Sensing, Special Issue on UAV Sensing Systems in Earth Observation. - 2009. - Vol. 47. - Pp. 761-770.
63Hardin P.J., Jackson M.W., Anderson V.J., Johnson R. Detecting squarrose knapweed (Centaurea virgata Lam. Ssp. Squarrosa Gugl.) using a remotely piloted vehicle: A Utah case study // GIScience & Remote Sensing. - 2007. - Vol. 44. - Pp. 203-219.
64Fisher P.D., Abuzar M., Rab M.A., Best F., Chandra S. Advances in precision agriculture in south-eastern Australia. I. A regression methodology to simulate spatial variation in cereal yields using farmers' historical paddock yields and normalised difference vegetation index // Crop & Pasture Science. - 2009 .- Vol. 60. - Pp. 844-858.
65Silva C.B., Vale S.R., Pinto F.C., Muller C.S., Moura A.D. The economic feasibility of precision agriculture in Mato Grosso do Sul State, Brazil: A case study // Precision Agriculture. - 2007. - Vol. 8. - Pp. 255-265.
66Adrian A.M., Norwood S.H., Mask P.L. Producers' perceptions and attitudes toward precision agriculture technologies // Computer and Electronics in Agriculture. -2005. - Vol. 48. - Рр. 256-271.
67Torbett J.C., Roberts R.K., Larson J.A., English B.C. Perceived improvements in nitrogen fertilizer efficiency from cotton precision farming // Computers and Electronics in Agriculture. - 2008. - Vol. 64. - Рр. 140-148.
68Rango A., Laliberte A.S. Impact of flight regulations on effective use of unmanned aerial vehicles for natural resources applications [Electronic resource] // Journal of Applied Remote Sensing. - 2010. - Vol. 4. - Mode of access: https:// doi.org/10.1117/1.3474649.
69Flowers M., Weisz R., White J.G. Yield-based management zones and grid sampling strategies: Describing soil test and nutrient variability // Agronomy Journal. -2005. - Vol. 97. -Р р. 968-982.
70McBratney A.B., Whelan B.M., Shatar T. Variability and uncertainty in spatial, temporal and spatio-temporal crop yield and related data // In: Precision agriculture: Spatial and temporal variability of environmental quality. Chichester: Wiley - 1997. -Pp. 141-160.
71Long D.S., Carlson G.R., DeGloria S.D. Quality of field management maps. In P. C. Robert (Ed.), Proceedings of Site-Specific Management for Agriculture Systems Madison: American Society of Agronomy - 1995. - Pp. 251-271.
72Diker K., Heermann D.F., Bordahl M.K. Frequency analysis of yield for delineating yield response zones // Precision Agriculture. - 2004. - Vol. 5. - Рр. 435-444.
73Yang C., Bradford J.M., Wiegand C.L. Airborne multispectral imagery for mapping variable growing conditions and yields of cotton, grain sorghum, and corn. American Society of Agricultural and Biological Engineers. - 2001. - Vol. 44. - Рр. 1983-1994.
74Beeri O., Peled A. Geographical model for precise agriculture monitoring with real-time remote sensing // Journal of Photogrammetry and Remote Sensing. - 2009. -Vol. 64. - Рр. 47-54.
TYËIH
Б.У Сулейменов1, С.И. Танирбергенов1 ПИЛОТСЫЗ ¥ШУ АППАРАТТАРЫН НАКТЫ ЕГ1НШ1Л1К ШАРУАШЫЛЬ^ЫНДА КОЛДАНУДЫН, КЕЛЕШЕГ1: ШОЛУ 1в.О.Оспанов атындагы К,азак, топырацтану жэне агрохимия гылыми-зерттеу институты, 050060, Алматы, ал-Фараби д. 75 Б, Цазацстан,
e-mail: beibuts@mail.ru
На;ты егшшыж - бул геоакрараттьщ жYЙелердi пайдаланумен байланысты агросфераньщ дамуындагы жаца кезец. Казiргi уа;ытта ауылшаруашылыгын зерттеу Yшiн жогары дэлджт спутниктж бейнелер кецшен ;олданылады, бул на;ты ауыл шаруашылыгыныц мшдеттерш жYзеге асыруда Казахстан Yшiн инновация болып табылады. Алаида, жогары дэлджт бейнелердi алу шыгынды артырады, сондай-а; бейнелердi алуга жйi тыйым салынуына байланысты фермерлiк шаруашылыщтарга на;ты ;олдану Yшiн балама eнiмдi усынады. Атап айт;анда, пилотсыз ушу аппараттары (П¥А) тeменгi бйiктiкте ;ашы;ты;тан бас;ару ар;ылы платформаларымен жасалган суреттердi ;оршаган ортаны ба;ылауга, жогары кещстжтж жэне уа;ытша ажыратымдылы;;а жэне оларды суретке тYсiруде, багдарламалауда жогары йкемдiлiкке байланысты операциялардыц темен куны ескерiле отырып элеуеттi балама болып табылады. Элемде на;ты егiншiлiк Yшiн П¥А-ц суреттерш ;олдану бойынша бiрнеше зерттеулер жYргiзiлдi. Осы зерттеулердщ нэтйжелерi фермерлер Yшiн сенiмдi ешмнщ
TYnKimrcri eHiMiH ;aMTaMacbi3 eTy YmiH n.naT$opMaHbi ^eTi^gipyge, eHgipicre, cTaHgaprrayga, coHgafl-a; anpapaTTbi e^ey npo^ciHge ;a^eT.
TYuiHdi ce3dep: Ha^ra ermmimK, nraoTCbB ^my annaparrapH, rA® TexHonorHHCbi.
SUMMARY B.U. Suleymenov1, S.I. Tanirbergenov1 PERSPECTIVES OF APPLICATION OF UNMANNED AERIAL VEHICLE IN THE PRECISION
FARMING: REVIEW
1U.U.Uspanov Kazakh research institute of soil science and agrochemistry, 050060, Almaty, ave. al-Faraby 75B, Kazakhstan, e-mail: beibuts@mail.ru Precision farming is a new stage in the development of the agrosphere, connected with the use of geoinformation systems. At present, satellite images with high resolution are more widely used for study in agriculture, which is an innovation for Kazakhstan in the implementation of the tasks of precision farming. However, the presence and often-prohibitive costs of such images suggest an alternative product for this particular application in precision farming. In particular, images made by remote sensing platforms with low altitude of unmanned aerial vehicle (UAV) are a potential alternative, given their low cost of operation in monitoring the environment, high spatial and temporal resolution, and their high flexibility in image capture, programming. In the world, several studies have been carried out on the application of UAV images for precision farming. The results of these studies indicate that in order to provide a reliable end product for farmers, success in platform development, production, standardization of image georeference, and also in the process of information processing is necessary.
Key words: precision farming, unmanned aerial systems, GIS technology.
