CC BY
12
9. El Hajj C., Kyriacou P. A. Cuffless and continuous blood pressure estimation from ppg signals using recurrent neural networks //2020 42nd Annual International Conference of the IEEE Engineering in Medicine & Biology Society (EMBC). IEEE, 2020. С. 4269-4272.
10. Chowdhury M. H. et al. Estimating blood pressure from the photoplethysmogram signal and demographic features using machine learning techniques // Sensors. 2020. Т. 20. №. 11. С. 3127.
Щапова Лия Владимировна, аспирант, li.shchapova@mail.ru, Россия, Омск, Омский государственный технический университет
ACTUAL PROBLEMS OF A UTOMATION OF OUTPATIENT BLOOD PRESSURE MONITORING
L.V. Shchapova
In this paper, an analytical review of methods for automating the process of measuring blood pressure was carried out, the most promising solutions were identified and the main problems in the field of automation of blood pressure monitoring were formulated. Among the physical methods of measuring blood pressure, a method based on measuring the transit time of a pulse wave is singled out as the most promising. Among the mathematical models linking the pulse wave transit time and other parameters of physiological signals of photo-plethysmography and electrocardiography with the value of blood pressure, machine learning models show the highest accuracy.
Key words: blood pressure monitoring, automation of blood pressure measurements, photoplethys-
mography.
Shchapova Liia Vladimirovna, postgraduate, li.shchapova@mail.ru, Russia, Omsk, Omsk State Technical University
УДК 004.94
DOI: 10.24412/2071-6168-2023-4-269-276
ПОДХОД К ОБРАБОТКЕ КООРДИНАТ ДВИЖЕНИЯ БЕСПИЛОТНЫХ ЛЕТАТЕЛЬНЫХ АППАРАТОВ В СЕЛЬСКОХОЗЯЙСТВЕННОМ МОНИТОРИНГЕ
Ю.В. Доронина, М.И. Мустафаева
В статье приведены результаты анализа процессов обработки данных в высоконагруженной прикладной базе данных координатного пространства при управлении БПЛА на основе учета типа запросов SQL в задачах мониторинга сельскохозяйственных угодий эфиромасличных культур. Рассмотрены процессы обработки данных, необходимые для принятия решений об оптимальных координатах передвижения БПЛА. Результаты моделирования производительности высоконагруженной базы данных позволили сформулировать рекомендации при использовании в сфере мониторинга производства эфиро-масличных культур.
Ключевые слова: беспилотные летательные аппараты, обработка данных, координаты движения, SQL запросы, JOIN- запросы, статистический анализ, эфиромасличные культуры, сельское хозяйство.
Развитие современных сельскохозяйственных работ, в том числе при выращивании эфиромасличных культур, требует применения эффективных технологий, часто - с применением искусственного интеллекта и беспилотных технологий. Например, применение малых и легких беспилотных летательных аппаратов (БПЛА) позволяет проводить эффективный мониторинг области роста эфиромасличных культур, выбор эффективного режима полива (оперативная интенсификация или урежение, включение или выключение близлежащих от БПЛА точечных источников полива и т.п.) [1, 4].
Мониторинг и контроль всей площади полей - это процесс отслеживания состояния и управления производственными процессами на сельскохозяйственных угодьях.
В сельском хозяйстве для решения задач аэросъемки ранее было принято использовать сверхлегкую авиацию, например, самолёты вида АН-2 [6]. Однако, применение самолетов на небольших участках мониторинга сельскохозяйственных культур, малоразмерных полей, садов и т.п. вызывает сложности, вызванные высокими расходами ресурсов. В этой связи альтернативой самолетам такого класса можно считать БПЛА, применение которых значительно дешевле и позволяет обеспечивать заметную экономическую выгоду, в том числе от интенсивного (оперативного) мониторинга процесса роста эфиромасличных культур [4].
В источниках [1, 5-8] приводятся исследования БПЛА в сельскохозяйственных работах. В этих и других источниках указывается, что использование БПЛА в посевных работах значительно улучшает точность распределения семян и удобрений, приводит к более высокой урожайности и уменьшению затрат на семена и удобрения. Также БПЛА могут использоваться для контроля за состоянием посевов, выявления заболеваний и вредителей растений, что помогает своевременно принимать меры по защите урожая. Показано, что применение БПЛА в сельскохозяйственных работах снижает затраты на технику и персонал, ускоряет выполнение работ и улучшает качество работы благодаря точному и эффективному управлению процессами.
Выбор подходящего типа БПЛА для определенной задачи может быть сложным, учитывая большое количество моделей и конфигураций, которые доступны на рынке. Например, в сельском хозяйстве часто применяются БПЛА самолетного типа. Самолетный тип - выполняет аэрофотосъемку масштабной площади; такие БПЛА характеризуются способностью фиксации протяженных объектов, в случае отдаленной точки нахождения. В связи с особенностями данного режима, наблюдаются недостатки, вызванные постоянным движением, образуются зависания над объектом, что и приводит ограничение по съемке территорий [8-9].
Таким образом, применимость БПЛА обоснована и имеет определенный опыт использования. Наряду с представленными примерами, в источниках не приводятся особенности реализации информационного обмена БПЛА с диспетчерскими центрами (ДЦ), что особенно влияет на эффективность (оперативность) принятия решений на основе данных, полученных с БПЛА. Исследования в этой области представляют интерес и составляют содержание настоящей статьи.
Применение БПЛА в сельскохозяйственном производстве эфиромасличных культур. Беспилотные летательные аппараты для задач мониторинга в сельском хозяйстве России - одно из самых интенсивно развивающихся направлений, на которое постоянно усиливается спрос. Для обеспечения точной обработки площади земельных участков создают и обновляют аппаратно - программные комплексы, которые в заданные сроки обрабатывают полученные данные, в том числе при мониторинге роста и созревания эфиромасличных культур (ЭМК) [12].
Для достижения наибольшей производительности в сельскохозяйственных угодьях необходимо обладать детализацией территориальных особенностей, рельефа, грунта полей, что особенно важно, например, в областях, где выращивают эфиромасличные культуры, к которым относятся: роза, лаванда, кориандр, мята и др. [7]. Описание методов и технологий выращивания ЭМК представлены в табл.1.
Таблица 1
Методы и технологии выращивания ЭМК
Культура Методы выращивания Технологии выращивания Возможности применения БПЛА
Лаванда Выращивание семенами или рассадой; посадка на холмы или в ряды с определенным расстоянием; использование пленочных теплиц для раннего выращивания. Выбор сортов, подготовка почвы, удобрение, полив, обрезка, борьба с вредителями и болезнями, сбор и переработка урожая. Подходят среднетяжелые, песчаные почвы. Размножают семенами или рассадой. Посадка на холмы или в ряды с расстоянием до 100 см между растениями. Важно правильно проводить обрезку и убирать сорняки вокруг кустов. Уборка проводится при полном цветении растений. Мониторинг интенсивности усвоения почвой влаги, удобрений; Мониторинг процесса полного созревания и т.п.
Кориандр Выращивание рассадой или семенами; высадка на холмы или в ряды; использование пленочных теплиц для раннего выращивания. Выбор сортов, подготовка почвы, удобрение, полив, обрезка, борьба с вредителями и болезнями, сбор и переработка урожая. Размножение черенками, рассадой или семенами. Посадка на холмы или в ряды с расстоянием 40-50 см между растениями. Обрезка проводится после цветения. Растение засухоустойчиво, но чувствительно к заморозкам. Мониторинг интенсивности усвоения почвой влаги, удобрений; Мониторинг процесса полного созревания и т.п. Не подходит при реализации раннего выращивания в теплицах.
Мята Выращивание рассадой или семенами; высадка на холмы или в ряды; уход за растениями включает обрезку и прополку. Выбор сортов, подготовка почвы, удобрение, полив, обрезка, борьба с вредителями и болезнями, сбор и переработка урожая. Мониторинг интенсивности усвоения почвой влаги, удобрений; Мониторинг процесса полного созревания и т.п.
Согласно данным Табл.1 операции с БПЛА позволяют снизить затраты на трудовые ресурсы и ресурсы оборудования при реализации мониторинга процессов выращивания ЭМК, а также улучшить качество и количество производимой продукции. Рассмотрим различные операции, которые выполнены с использованием БПЛА в сельском хозяйстве, а также преимущества и недостатки каждой операции в зависимости от конкретных требований и задач.
Технологично оснащенные БПЛА в сельском хозяйстве способны выполнять разнообразные
операции:
• Аэросъемка - выполняет задачу определения воздействия внешних факторов на объекты, а также другие дефекты, которые нуждаются в своевременном устранении. Аэросъемка с БПЛА более де-
тальная, чем фиксация со спутника, за счет небольшой высоты полета. Кроме того, БПЛА позволяют снимать даже в условиях искажения погодных условий: сильного ветра и пасмурности [10].
• Видеосъемка - характерная производительность БПЛА при фиксации видео кадров 30 км2 за 1 час. Это свидетельствует, как об увеличении обработки, так и об уменьшении бюджетной нагрузки на предприятие в сравнении с применением сверхлегкой авиации. А это означает, что время и бюджет снижается в сравнении со сверхлегкой авиацией.
• 3Б моделирование - выполняет задачу для определения земельных участков, которые требуют увлажнения в засушливых зонах, либо переувлажнением. Позволяет создавать план для увлажнения/осушения почвы, мелиорации земель.
• Тепловизионная съемка - выполняет задачу с применением замеров спектра инфракрасного излучения различных диапазонов. Исследование с БПЛА предоставляет возможность определения сроков дифференцирования точек роста, что напрямую влияет на урожайность и сохранение продуктивных свойств [11].
• Лазерное сканирование - используется для рассмотрения местности на труднодоступной или недоступной площади.
• Опрыскивание - позволяет БПЛА использовать выборочное оснащение земельных участков. Такой подход позволяет обрабатывать дефектные и больные растения [12].
При этом любой из видов операций БПЛА требует обработки данных и систематическое сохранение полученных сведений в базе данных (БД) посредством взаимодействия с оператором диспетчерского центра. Кроме того, при таком взаимодействии требуется интенсивный перерасчет координат для оптимизации движения БПЛА. Таким образом, комплекс задач мониторинга требует внедрения системы управления (диспетчеризации) автономными БПЛА на основе искусственного интеллекта (ИИ); укрупненная схема такой системы представлена на рис.1.
Для функционирования системы требуется взаимодействие нескольких подсистем: диспетчера, системы принятия решений на основе ИИ, подсистем технического зрения, стратегий выполнения с/х операций (полив/удобрение и т.д.), управления движения БТС, подсистемы навигации.
Из представленной на рис.1. схемы видно, что критически важной задачей построения такой системы является обеспечение надежного, устойчивого и эффективного обмена информацией между всеми компонентами системы, с учетом большого объема передаваемых данных и жёстких требований к временам их передачи.
Рис. 1 Укрупненная схема взаимодействия диспетчерского центра и искусственного интеллекта в составе БПЛА в сельскохозяйственном мониторинге ЭМК
Задачи анализа и обработки данных при использовании БПЛА в сельскохозяйственном производстве ЭМК. При управлении летательными аппаратами и принятии решений при процессах передачи сигнала, например, к источникам полива, обработка данных играет важную роль. При работе БПЛА генерируется большое количество данных, включая координаты полета, фотографии и видео, которые передаются в хранилище данных (БД). Обработка этих данных позволяет сформировать вторичные данные, которые применимы для принятия решений по ряду процессов, касающихся реализации и поддержки сельскохозяйственных процессов.
Одним из ключевых компонентов при обработке данных, связанных с управлением БПЛА, является база данных координатного пространства (БДКП). Эта база данных хранит информацию о местоположении БПЛА и других объектов в режиме реального времени, а также на ее основе возможно обрабатывать и анализировать большой объем данных.
Для эффективного управления БПЛА, необходимо обеспечить высокую производительность прикладной БД, в данном случае - БДКП, чтобы минимизировать время ответа на запросы, увеличить скорость обработки данных и обеспечить высокую доступность сервиса.
Цель исследования - оценить производительность высоконагруженной прикладной БД координатного пространства при управлении агропромышленными БПЛА на основе учета типа запросов SQL (вида JOIN) в задачах мониторинга сельскохозяйственных угодий, в том числе эфиромасличных культур.
Материалы и методы. Под мониторингом ЭМК понимается процесс слежения за ростом и развитием ЭМК посредством БПЛА (выбор конкретного технического решения БПЛА не входит в данное исследование). Данные, собранные в ходе мониторинга ЭМК, анализируются и интерпретируются в соответствии с целями и принципами управления ростом и развитием ЭМК. Поток данных, которые анализируется в работе, представляет собой не сами результаты мониторинга, а данные координатного пространства при управлении агропромышленными БПЛА на основе учета типа запросов SQL (вида JOIN). Исследования включают статистический анализ, моделирование и экспертную интерпретацию.
Анализ производительности высоконагруженных БД на основе различных типов операций JOIN по заданным координатам перемещения беспилотного летательного аппарата. Существуют различные типы операций JOIN, которые могут быть использованы для соединения данных из нескольких таблиц по различным критериям, например, INNER JOIN, OUTER JOIN, FULL JOIN. Производительность этих операций может варьироваться в зависимости от размера данных, типа соединения таблицы, доступных индексов и вычислительной мощности системы [3].
В рассматриваемой БД операция left join (или left outer join) выбирает все строки из таблицы "карта" и соответствующие строки из таблицы "действия". Если для строки из таблицы "карта" не найдется соответствующая строка в таблице "действия", то значения в столбцах таблицы "действия" будут заполнены значением NULL.
Пример SQL-запроса для left join:
SELECT *
FROM карта
LEFT JOIN действия
ON карта.координаты = действия.координаты;
Операция right join (или right outer join) выбирает все строки из таблицы "действия" и соответствующие строки из таблицы "карта". Если для строки из таблицы "действия" не найдется соответствующая строка в таблице "карта", то значения в столбцах таблицы "карта" будут заполнены значением NULL.
Пример SQL-запроса для right join:
SELECT *
FROM карта
RIGHT JOIN действия
ON карта.координаты = действия.координаты;
При использовании данных, полученных с БПЛА, где задействованы координаты движения, операция JOIN может стать более сложной и низкоскоростной из-за большого объема данных. Например, для отслеживания движения БПЛА может потребоваться соединение нескольких таблиц, содержащих информацию о его местоположении, сложных участках, остановках и других параметрах.
Для решения проблемы снижения размерности промежуточных объемов данных, полученных при соединении различных участков карт, различных элементов слоев карт для требуемых координат БПЛА, могут быть использованы различные подходы: разделение данных на более мелкие наборы, использование индексации и кэширования, а также оптимизация запросов SQL. Например, использование индексации для столбцов соединения может значительно повысить производительность операции JOIN; или использование распределенной базы данных также может помочь повысить общую производительность системы за счет распределения нагрузки между несколькими узлами.
Рассмотрим пути повышения производительности операций JOIN в случае высоконагружен-ных БД и различные методы оптимизации, исходя из конкретных требований и характеристик данных.
Результаты экспериментов по анализу различных типов SQL запросов. Выберем в качестве исходных данных схему формирования сложных участков в применении к экологическому мониторингу лавандового поля, город Бахчисарай. Спутниковая карта Лавандового поля г. Бахчисарай с возможной примерной компоновкой координатного передвижения и условных обозначений приведена на рис.2. Расположение пунктов в данной зоне является условной проектной конструкцией в связи с незаконченными полевыми работами.
Преимуществом использования беспилотных технологий в конкретном случае являются следующие возможности БПЛА:
- оперативно распознавать препятствия и сложные участки дорог, остановок, ям при низком маневрировании;
- оперативный контроль неблагоприятных погодных условий, например, сильного внезапного дождя, интенсивного тумана, снега;
- оперативная визуализация непредвиденных остановок; сложных земельных участков и т. п.
[2].
Методика проведения экспериментов. При реализации моделирования процесса взаимодействия системы управления БПЛА с БД, выбранный фрагмент карты был разбит на прямоугольные фрагменты равного размера, рис 3.
координата движения
■ «■■■■Etf ■ ■■■!=---
Прямая дорога
Поворот
цовое поле;
arc i довода я,и
■ Е
Сложный участок: яма
Поворот
Сложный участок
■■■■■■
Конечная ксордината движения
Рис. 2. Спутниковая карта «Лавандовое поле» г. Бахчисарай
^^[Xstart У Start]
Ji] [*2:>'i] [...]
[Ъ-УзЗ
[■■■] i^W^N-l]
I^N-liyAl] [хщун]
ч
[хеп^УЕП«!
Рис. 3. Условное обозначение координат в схеме движений
Каждый фрагмент характеризуется координатами, рассчитанными по следующей методике.
Определим startCoordinates = [44.988789, 34.005899]; координатой левого верхнего угла, рассматриваемого фрагмента карты; endCoordinates = [44.984145, 34.013533]; координатой правого нижнего угла фрагменты карты. Тогда шаг разбиения по оси X всего участка на сегменты определяется по формуле:
Дх =
xend xstart V400 '
где xend - конечная координата; xstart - начальная координата; 400 - количество элементов разбиения фрагментов карты (сетка со сторонами 20*20).
Координата i - ого фрагмента Xj =xstart + Дх * i; Аналогично для оси Y: yt =уstart + Ду * ¿.
Рис. 4. Схема хранилища координат движения БПЛА
273
Для сохранения координат предложена модель данных, изображенная на рис.4, которая содержит следующие сущности и их атрибуты: «карта», «сложный участок», «остановка», «действия». Созданы таблицы с соответствующими связями и типами данных. В таблице «map» («карта») сформирован атрибут «объект» с типом данных blob, в данный атрибут загружаются фрагменты карты местности лавандового поля.
Запрос в среде Dbeaver для выборки значений координат x и y будет иметь следующий вид: select m.x,m.y, a."action" from maptable m inner join actiontable a on a.mapchunkid = m.id limit 4000
Осуществим моделирование производительности созданной по приведенной схеме исследовательской БД на основе реализации группы запросов различных видов. Результаты выполнения запросов представлены в табл. 2-3.
В табл.2. приведены результаты моделирования движения БПЛА по заданным координатам движения за время выполнения поддержки в 3 режимах работы: интенсивная нагрузка БД (сложные участки дорог, ямы) при коэффициенте вероятности JU = 0,2; интенсивная нагрузка БД (остановка) при коэффициенте вероятности /Л = 0,3; обычная нагрузка БД (таблица с прямой дорогой) при коэффициенте вероятности JU= 0,8. Эксперименты производились на платформе DBeaver с развернутой базой данных при подключении по внешней сети с максимальным количеством записей в рамках данного исследования — 4000. На рис.3 отражены различия в длительности выполнения запросов вида join при выполнении операции на выборках по координатам и действиям.
Таблица2
Оценки производительности БД при выполнении операции left и right join при выборках
__по координатам и действиям__
Тип соединения Количество записей Время выполнения запросов (несколько прогонов), мс Среднее время выполнения, секунды Тип соединения Время выполнения запросов (несколько прогонов), мс Среднее время выполнения, секунды
LEFT JOIN 500 98 , 89 , 96 0.094 RIGHT JOIN 88, 89, 96 0.091
1000 128 0.13 110 0.11
2000 702 0.7 142 0.14
3000 356 0.36 192, 269 0.23
4000 418 0.42 236 0.24
Таблица 3
Оценки производительности БД при выполнении операции inner и full join при выборках
__по координатам и действиям __
Тип соединения Количество записей Время выполнения запросов (несколько прогонов), мс Среднее время выполнения, секунды Тип соединения Время выполнения запросов (несколько прогонов), мс Среднее время выполнения, секунды
INNER JOIN 500 76, 224, 94 0.13 FULL JOIN 107 , 306 , 123 0.15
1000 159, 314,148 0.21 112,106,150,227 0.18
2000 139, 241, 371 0.25 191, 159, 221 0.19
3000 198, 222,1 с 121 0.51 387, 221, 256 0.29
4000 787,379,539 0.57 254, 274, 235 0.25
0.8
U
SOO looo гооо зооо tooo
Количество записей в таблице
* left * right * inner * full
Рис.5 Результаты оценки длительности запросов двух таблиц с различными видами соединения
относительно числа кортежей 274
Для выявления зависимости времени выполнения запросов от различных параметров произведена статистическая обработка полученных результатов. В частности, выполнены элементы корреляционного анализа в различных разрезах (в зависимости от типа запроса, в зависимости от количества записей).
В ходе исследования определены: среднее значение, средние отклонения, стандартные отклонения, коэффициенты корреляции, а также рангового коэффициента корреляции Спирмена в различных типах соединения таблиц. По полученным результатам можно сделать вывод об отличиях в производительности БД при различных видах соединений таблиц: так, при реализации соединения left join и inner join показатель среднего отклонения в 4 раза больше, чем у right join и full join, а коэффициент корреляции достиг максимальных значений у right и inner join = 0,96.
Таким образом, на основе полученных результатов, предлагается сепарировать тип запросов в каждом случае применения операции соединения таблиц координатного пространства. Например, left join в задачах, когда нужно получить все записи из таблицы mapTable, даже если для них не существует соответствующих записей в таблице actionTable. Такой тип соединения может быть полезен, например, при анализе данных, когда нужно получить информацию о всех передвижениях БПЛА, даже если некоторые из них не имеют соответствующих записей в таблице actionTable. Для типа соединения inner join рекомендуется использовать при анализе данных, когда нужно оперативно получить информацию о полетах БПЛА, для которых есть записи о координатах.
Заключение. В ходе исследования оценено влияние различных типов join соединений при выполнении операции на выборках по координатам и действиям из БД, содержащей схемы пространств для деятельности БПЛА по мониторингу сельскохозяйственных угодий. По полученным результатам можно сделать выводы о существенных отличиях в производительности БД при различных видах соединений таблиц: так, при реализации соединения left join и inner join показатель среднего отклонения в 4 раза больше, чем у right join и full join, а коэффициент корреляции достиг максимальных значений у right и inner join = 0,96.
Полученные результаты предполагается использовать в последующих работах для создания системы поддержки принятия решений (СППР) для улучшения производительности высоконагруженной прикладной базы данных координатного пространства БПЛА. Более быстрый доступ к данным о координатах движения БПЛА позволит улучшить реактивность и точность управления объектом, а также сократить время задержки при передаче данных. Кроме того, оптимизация запросов и обработки данных может повысить эффективность расчета оптимальных маршрутов для БПЛА и сократить время мониторинга производственных площадей.
Подход, представленный в статье, возможен для применения и в других отраслях сельского хозяйства помимо эфиромасличных культур, где сельскохозяйственный мониторинг является важной составляющей производственного процесса.
Список литературы
1. Кудрявцев М. Г. Проектирование баз данных в высоконагруженных системах. 2022.
2. Доронина, Ю. В. Классификация требований при создании системы мониторинга каналов информационного обмена / Ю. В. Доронина // Автоматизация и измерения в машино- приборостроении. 2021. № 4(16). С. 38-49. EDN WEWWAS.
3. Доронина Ю.В., Мустафаева М.И. Система поддержки принятия решений по повышению производительности прикладных высоконагруженных баз данных // Автоматизация и измерения в ма-шино- приборостроении. 2022. № 1 (17). С. 56-70.
4. Вдовенко А. В. и др. ИСПОЛЬЗОВАНИЕ ИННОВАЦИОННЫХ ТЕХНОЛОГИЙ В ЦЕЛЯХ МОНИТОРИНГА ЗЕМЕЛЬ //Международный научно-исследовательский журнал. 2022. №. 1-1 (115). С. 172-177.
5. Вторый В.Ф., Вторый С.В. Перспективы экологического мониторинга сельскохозяйственных объектов с использованием беспилотных летательных аппаратов //АгроЭкоИнженерия. 2017. №. 92. С. 158-166.
6. Зволинский В.П. и др. Экологический мониторинг с использованием сверхлёгких летательных аппаратов для нужд народного хозяйства // Мониторинг. Наука и технологии. 2011. №. 4. С. 53-66.
7. Щербаков Д. А. ПРИМЕНЕНИЕ БЕСПИЛОТНЫХ ЛЕТАТЕЛЬНЫХ АППАРАТОВ В СЕЛЬСКОМ ХОЗЯЙСТВЕ //Инновации и научные достижения в агропромышленных технологиях и агробизнесе. 2020. С. 9-12.
8. Иванов С.А., Майданников Н.А., Бондарева Ю.А. Анализ применения беспилотных летательных аппаратов в сельском хозяйстве //Мелиорация и водное хозяйство. 2016. С. 210-214.
9. Сметнев А.С. и др. Использование беспилотных летательных аппаратов в сельскохозяйственном производстве // Вестник Российского государственного аграрного заочного университета. 2015. №. 18. С. 51-56.
10. Глаголева Г.И. Преимущества применения БПЛА и их использование для нужд сельского хозяйства // Наука и молодёжь. 2018. С. 104-106.
11. Ильиных А.Л. Разработка базы данных автоматизированной информационной системы мониторинга земель сельскохозяйственного назначения // Интерэкспо Гео-Сибирь. 2011. Т. 3. №. 2. С. 124129.
12. Симонов С.В., Ламонина Л.В., Смирнова О.Б. Беспилотные летательные аппараты: виды, преимущества и применение в сельском хозяйстве // Инновационные технологии в апк, как фактор развития науки в современных условиях. 2020. С. 224-228.
Доронина Юлия Валентиновна, д-р техн. наук, профессор, YVDoronina@sevsu. ru, Россия, Севастополь, Севастопольский государственный университет,
Мустафаева Мерьем Ибраимовна, аспиран, Россия, Севастополь, Севастопольский государственный университет
ANALYSIS OF DATA PROCESSING FOR THE SELECTION OF THE COORDINATES OF THE MOVEMENT OF UNMANNED AERIAL VEHICLES IN MONITORING THE PRODUCTION OF ESSENTIAL OIL CROPS
Yu. V. Doronina, M.I. Mustafaeva
The article presents the results of a study of the performance of a highly loaded coordinate space application database when controlling an UAV based on the SQL query type in agricultural land monitoring tasks. The paper considers the data processing processes necessary for making decisions about the optimal flight coordinates. The work of highly loaded systems was simulated, the time characteristics of their functioning were obtained, and a statistical analysis of the results obtained was carried out.
Key words. Unmanned aerial vehicles, data processing, movement coordinates, SQL queries, join connections, statistical analysis, essential oil crops, agriculture.
Doronina Yulia Valentinovna, doctor of technical sciences, professor, YVDoronina@sevsu.ru, Russia, Sevastopol, Sevastopol State University,
Mustafayeva Meryem Ibragimovna, postgraduate, Russia, Sevastopol, Sevastopol State University
УДК 621.396
DOI: 10.24412/2071-6168-2023-4-276-285
СТРУКТУРНО-ФУНКЦИОНАЛЬНАЯ МОДЕЛЬ ПРОЯВЛЯЕМОСТИ ОБЪЕКТОВ
МОНИТОРИНГА
Н.П. Удальцов, П.А. Агеев, И. Ю. Уланов, А. А. Донченко
В статье рассматриваются основные этапы проявляемости объектов мониторинга в различных физических полях (средах), описываемые в приведенной структурно-функциональной модели, которая позволяет сформировать динамично изменяющиеся эталоны объектов мониторинга с учетом мероприятий по маскировке.
Ключевые слова: маскировка, мониторинг, проявляемость, объект, модель, физико-географические условия, природно-климатические условия.
Физико-географические условия (факторы). Местность, окружающая объект маскировки и одновременно с объектом попадающая в зону ответственности средства мониторинга, называется фоном. При наземном мониторинге фоном выступают также местные предметы или небо за объектом. В маскировочном отношении каждый фон характеризуется цветом, фактурой, рисунком, а также его отражательной и излучательной способностями в радиочастотном, оптическом, тепловом и других диапазонах работы средств мониторинга [1].
Фактура фона - это характер строения его поверхности. В зависимости от фактуры поверхности фонов делятся на зеркальные, гладкие, шероховатые и ворсистые. Зеркальные поверхности - поверхность спокойной воды, стекла, полированного металла и др. Гладкие поверхности - песок, бетон, снег. Шероховатые поверхности - свежеотрытая земля, щебень, взрыхленный снег. Ворсистые поверхности -трава, листва, хвоя, мох.
При скрытии объекта фактуру его поверхности или фактуру маски стремятся подогнать под фактуру фона.
Объекты противоборствующей стороны обнаруживаются средствами мониторинга при заметном различии их с фоном по отражению световых волн, радиоволн или излучению тепла, таким различием называется контраст.
