CC BY
99
10.36724/2409-5419-2022-14-3-55-61
РАЗРАБОТКА ИМИТАЦИОННОЙ МОДЕЛИ ИСПОЛЬЗОВАНИЯ РОЯ БЕСПИЛОТНЫХ ЛЕТАТЕЛЬНЫХ АППАРАТОВ В СЕЛЬСКОМ ХОЗЯЙСТВЕ
МОХАММАД НАВАР1
ВОРОНОВА Лилия Ивановна2
ВОРОНОВ
Вячеслав Игоревич3
Сведения об авторах:
1 аспирант каф. ИСУиА, Московский технический университет связи и информатики, Москва, Россия, nawar.info@gmail.com
АННОТАЦИЯ
Введение. Благодаря быстрому технологическому развитию коммуникационных и сетевых технологий и появлению технологии Интернета вещей, беспилотные летательные аппараты (БПЛА) стали использоваться практически во всех сферах жизни общества, от военных до граждан-ских. Сельское хозяйство - одна из областей, в которой БПЛА будут использоваться для контроля обширных площадей сельскохозяйственных культур. БПЛА смогут получать данные о состоянии почвы, улучшать сельское хозяйство и использовать средства защиты растений от насекомых и птиц. Следовательно, сельское хозяйство будет крупнейшим рынком для БПЛА. Цель работы. В статье рассмотрены вопросы возможности применения роя беспилотных летательных аппаратов в труднодоступных сельскохозяйственных районах для создания широкой зоны покрытия для передачи информации из наземных беспроводных сенсорных сетей. Исследованы архитектурные решения для летающих сенсорных сетей и представлена имитационная модель, интегрирующая летающие сенсорные сети (ЛСС) и наземные беспроводные сенсорные сети (БСС) для передачи данных. В модели изучается кластеризация роя БПЛА с помощью метода К-средних и поиск кратчайшего пути при маршрутизации с использованием алгоритма Дейкстры. Результат. Проведено компьютерное моделирование оптимальной маршрутизации для роя из 250 БПЛА. Приведены результаты моделирования кластеризации рой БПЛА, представлена модель кластеризации сети БПЛА с использованием метода машинного обучения - алгоритма К-средних, и представлена алгоритм маршрутизации данных через сеть роя БПЛА с ис-пользованием алгоритма Дейкстры, который находит кратчайший путь через сформированные кластеры.
2зав.каф. ИСУиА, д.ф.-м.н., Московский технический университет связи и информатики, Москва, Россия, voronova.lilia@ya.ru
3 к.т.н., доцент каф.ИСУиА, Московский технический университет связи и информатики, Москва, Россия, vorvi@mail.ru
КЛЮЧЕВЫЕ СЛОВА: БПЛА, БСС, ЛСС, алгоритм Дейкстры, алгоритм К-средних, кластеризация, маршрутизация.
Для цитирования: Мохаммад Навар, Воронова Л.И., Воронов В.И. Разработка имитационной модели использования роя беспилотных летательных аппаратов в сельском хозяйстве // Наукоемкие технологии в космических исследованиях Земли. 2022. Т. 14. № 3. С. 55-61. сЬИ 10.36724/2409-5419-2022-14-3-55-61
Введение
Благодаря быстрому технологическому развитию коммуникационных и сетевых технологий и появлению технологии Интернета вещей, беспилотные летательные аппараты (БПЛА) стали использоваться практически во всех сферах жизни общества, от военных до гражданских. БПЛА, оснащённые различными датчиками и средствами связи, используются на дорогах, в сельском хозяйстве, строительстве, средствах массовой информации и т.д [1].
Сельское хозяйство - одна из областей, в которой БПЛА будут использоваться для контроля обширных площадей сельскохозяйственных культур. БПЛА смогут получать данные о состоянии почвы, улучшать сельское хозяйство и использовать средства защиты растений от насекомых и птиц. Следовательно, сельское хозяйство будет крупнейшим рынком для БПЛА [2,3,4].
Применение БПЛА в сельском хозяйстве позволяет решать следующие задачи: инвентаризация сельхозугодий, создание электронных карт полей, оперативный мониторинг сельхозугодий, измерение объёмов собранного урожая, создание тематических карт земель сельхозназначения, карт состояния почвы, экологический мониторинг земель, карты подверженности сельхозкультур болезням и вредителям, карты состояния и объёмов посевов и т.д., и мониторинг земель сельхозназначения [5].
Технологично оснащённые беспилотники в сельском хозяйстве способны выполнять разнообразные операции: аэрофотосъёмку, видеосъёмку, ЗБ моделирование теплови-зионную съёмку, лазерное сканирование, и опрыскивание.
В данной работе предлагается кластерная модель роя БПЛА с беспроводными сенсорными сетями с использованием алгоритма кластера К-средних и механизма сбора информации из беспроводных сенсорных сетей и её доставки на БПЛА с применением алгоритма ближайшего соседа. Затем выбирается оптимальный путь для передачи информации, полученной от беспроводных сенсорных сетей или других беспилотных летательных аппаратов, пользователю или серверу через рой БПЛА с использованием алгоритма Дейкстры.
Эта модель способствует удалённому мониторингу земель и сельскохозяйственных культур, получению информации о почве и других, а также отправке предупреждений в случае пожаров или любого стихийного бедствия, которое угрожает сельскохозяйственным землям и посевам.
Материалы и методы
Архитектурные решения для летающих сенсорных сетей
Летающие сенсорные сети (ЛСС) - это разновидность беспроводных сенсорных сетей (БСС). Беспроводные сенсорные сети состоят из двух частей: наземной и летающей. Таким образом, эти сети могут быть архитектурно построены как одноранговые сети или иерархические сети. Летающая часть может содержать один БПЛА, как показано на рисунке 2а, или несколько БПЛА, которые взаимодействуют друг с другом и взаимодействуют с наземной частью беспроводных сенсорных сетей, как показано на рисунке 26 [7].
m
\ 1
Наземная сеть
(60 0 90 0 Q Q
Наммиаясеть
.—■е-ег .--е Елэ еь
;'ее0ээе 'еееэзе е'1 в © '-..sees..-''
епэ а--..
;9 9 8 9 9 9 О ■ --..В О О О
б)
Рис. 1. а) ЛСС с одним БПЛА и наземной сетью; б) ЛСС с несколькими БПЛА и наземной сетью
Наземная сеть: IEEE 802.15.4 - наиболее распространённая технология передачи данных от сенсорных сетей на БПЛА. Протоколы, которые используют эту технологию: ZigBee, 6L0WPAN, Thread, RPL и т.д. [8].
В качестве технологии передачи данных между роем БПЛА используется IEEE 802.15.4g, который предназначен для реализации беспроводных персональных сетей WPAN большой ёмкости с низким энергопотреблением и низкой скоростью передачи данных. Протоколы, использующие эту технологию: LoRa, SigFox и другие [9,10,11].
БПЛА может находиться в нескольких состояниях:
- БПЛА как шлюз в беспроводную сенсорную сеть: БПЛА собирает данные, полученные главными узлами кластера от остальных узлов кластера. БПЛА проходит через все основные узлы кластеров беспроводной сенсорной сети, используя алгоритм ближайшего соседа.
- БПЛА как главный узел в кластере: Механизм кластеризации применяется к рою БПЛА с использованием алгоритма динамического К-Средних, и один БПЛА на кластер выбирается в качестве главного узла кластера. Данные передаются на сервер или пользователю для обработки данных путём выбора оптимального пути передачи данных ме^ду главными узлами сетевых кластеров БПЛА путём с использованием алгоритма Дейкстры.
- БПЛА как видео сканер для сельскохозяйственных угодий: на современных БПЛА установлены камеры, проводящие съёмку в различных диапазонах длин волн [12]. В этом случае БПЛА также является шлюзом к беспроводной сенсорной сети и оснащён камерой, которая снимает фото и видео с сельскохозяйственных угодий и отправляет их в случае пожара на сельскохозяйственных культурах или дру-
гих местах. Съёмка видео с помощью БПЛА значительно сокращает время по сравнению с наземным сканированием, когда БПЛА снимает видео на площади 30 км2 за 1 час [12].
- БПЛА как беспроводное зарядное устройство: БПЛА содержит беспроводной распределитель энергии, который заряжает узлы беспроводных датчиков энергией с помощью Wi-Fi, чтобы продлить срок службы датчиков и жизненный цикл сети беспроводных датчиков, когда значение мощности падает ниже определенного порогового значения [13, 14].
Разработанная авторами сетевая модель ЛСС+БСС для передачи данных
В статье предлагается обеспечить маршрутизацию передачи информационных пакетов в комбинированной сети интернета вещей для обмена информацией в труднодоступных сельскохозяйственных районах, содержащей наземные стационарные датчики, передающие информацию в главный кластерный узел, которая затем передаётся в рой БПЛА рассредоточенный на определенной достаточно большой сельскохозяйственной площади. Разработанная модель приведена на рисунке 2.
БСС
Рис. 2. Разработанная модель
Предлагаемая сетевая модель используется для передачи данных на большие расстояния и состоит из двух частей:
Первая часть (БСС) - это сеть беспроводных датчиков, которая состоит из очень большого количества самоорганизующихся коммуникативных групп из множества различных датчиков с низким энергопотреблением, которые следят за состоянием земли и сельскохозяйственных культур (например, датчик влажности, датчик температуры, так далее.). Эти датчики сгруппированы в кластеры, и в каждом кластере есть главный узел, который собирает данные от остальных узлов кластера и отправляет их БПЛА, который, в свою очередь, отправляет их серверу или пользователю через рой БПЛА.
Вторая часть (ЛСС) представляет собой рой БПЛА, для которых в свою очередь, можно построить коммуникатив-
ные кластеры, в которых один из БПЛА играет ГКУ, через который в сети БПЛА передаются данные на ССОП (Сеть связи общего пользования).
Авторы в разработанной имитационной модели используют ряд ограничений, описанных ниже в предлагаемом алгоритме поиска кратчайшего пути:
При имитационном моделировании сделаны следующие предположения и приняты ограничения:
• БПЛА в модели рассматриваются как точки с заданными координатами, которые изменяются с течением времени
• Рассматривается ситуация в фиксированный моментом времени
• Точки (БПЛА) приблизительно равномерно распределены в трёхмерном модельном кубе, с относительными координатами х,у,г (0,0,0), (1,1.1) в слое между плоскостями
г=0.1, г=1
• Источник сигнала с сети наземных датчиков располагается вблизи т. (0, 0, 0) - начала координат. Это модель приёмника сигналов с сети наземных датчиков.
• Базовая станция или сервер куда должен передаваться сигнал находится вблизи т(1,1,0).
• В заданный момент времени осуществляется кластеризация роя БПЛА, которая реализуется с использованием метода К-средних
• Затем находятся кластеры, у которых ГКУ расположены наиболее близко к источнику сигнала с сети наземных датчиков (ГКУ1) и к базовой станции (ГКУ 2).
• С приёмника сигнал передаётся на ГКУ1, затем включается алгоритм Дейкстры, который ищет кратчайший путь между ГКУ1 и ГКУ 2, сигнал с ГКУ 2 передаётся на базовую станцию.
Кластеризация роя БПЛА
Кластеризация - это метод, который группирует близкие друг к другу данные в группы на основе характеристик этих данных, а процесс кластеризации выполняется путём уменьшения расстояния между данными и центроидом (ГКУ) кластера [15, 16, 17].
Одним из самых популярных алгоритмов кластеризации является алгоритм к-средних, в котором изначально произвольно задаются центры кластеров, затем вычисляются расстояния между всеми данными и центрами этих кластеров и происходит группировка данных на основе наименьшего расстояния между каждым центром и данными. В образованных кластерах вычисляются новые центры и шаги повторяются до достижения состояния стабильности. Кроме того, существует подход, позволяющий определять оптимальное количество кластеров в заданном пространстве [18,19,20].
Для определения меры близости БПЛА к определенному кластеру, мы будем использовать метрику Евклидова расстояния по формуле (1)
p ( х, y ) = |\х - y\\ =
(х'>
х - y
p Sp
)2,где: x,y eRn (1)
X'> e Rn
где: х, у - координаты БПЛА и центра кластера в п-мерном пространство пространстве.
В этой статье механизм кластеризации реализован с использованием алгоритма К-средних в отношении роя БПЛА, описываемых координатами в трёхмерном пространстве.
Алгоритм К-средних реализован для кластеризации сети из двухсот пятидесяти БПЛА с координатами в фиксированный момент времени с использованием языка Python и среды разработки Anaconda.
Псевдокод К-средних:
• Choose the number of clusters(K)
• Choose randomly points c_l, c_2,.....c_k as centroids
• Repeat steps 4 and 5 until convergence or until the end of number of iterations
• for each data point x_i:
• find the nearest centroid(c_l, c_2 .. c_k)
• assign the point to that cluster
• for each clusterj = 1. .k
• new centroid = mean of all points assigned to that cluster
• End
Поиск кратчайшего пути для передачи данных в рое БПЛА
Маршрутизация - одна из основных задач в сетях БПЛА, связанная с поиском кратчайшего пути для передачи данных от источника к приёмнику. В целом, при разработке любого алгоритма маршрутизации необходимо учитывать ряд важных вопросов, таких как самоорганизация, энергоэффективность, гибкость, масштабируемость, отказоустойчивость, точность и качество.
В этой работе использовался алгоритм Дейкстры, который находит дерево кратчайших путей, начиная с источника на основе двух групп, первая группа содержит вершины в дереве кратчайших путей, а вторая группа содержит вершины, которые ещё не были добавлены к дерево кратчайшего пути. Пока алгоритм работает, мы ищем вершину в наборе вершин, не добавленных в дерево, которая имеет кратчайшее возможное расстояние от источника.
Псевдокод алгоритма Дейкстры:
function Dijkstra (graph, source) for each (vertex) in (graph) distancefvertex] = infinite previousfvertex] = NULL
If (vertex) != source, add (vertex) to Priority Queue (queue) distancefsource] = 0 while (queue) IS NOP EMPPY N = Pop MIN from (queue) for each unvisited neighbor (vertex) ofN temp = distance[N] + distanceBetween(N, vertex) if temp < distancefvertex] distancefvertex] = temp previousfvertex] = N return distance[], previous[]
Описанный выше алгоритм К-средних/Дейкстры реализован на 250 БПЛА с заданными координатами в трёхмерном пространстве с использованием среды Python. Рой БПЛА моделируется как летающая сеть из 250 БПЛА за определенный период времени. В целом нам не нужно такое
количество БПЛА, но мы выбрали это количество, чтобы получить большее количество кластеров и проверить эффективность механизма маршрутизации в этой сети.
Эти БПЛА распределены таким образом, что каждый БПЛА, который играет роль главного кластерного узла, находится в пределах радиовидимости, по крайней мере, одного из оставшихся главных кластерных узлов, когда выполняется кластеризация летающей сети.
Нормальное распределение роя БПЛА в модельном кубе с относительными координатами х, у, z (0,0,0), (1,1,1) в слое между плоскостями z = 0,7, z = 1, показано на рисунке За. Узел sender с координатами (0,0,0) является передатчиком данных от наземных датчиков в рой дронов или БПЛА. Узел gateway с координатами (1,1,0) - это шлюз, который получает данные, отправленные от отправителя через сеть БПЛА, и отправляет их на базовую станцию.
• «Ч«?. 'Тч1.. v
- - К> ' Ух -iJX'.jX * -
б)
Centroids СН СН134 СН167 СН106 СН26 СН123 СН158 СН225 СН 63 СН109 СН154
(СН5):
a.Z11172 а.172405 0.588331 а.55Н303 Э.В99413 0.956852 в.982140 0.696755 в.345087 а.709913
555061 279193 839072 240419 231401 7486В9 474015 786675 089431 426409
0.856627 0.8113В2 0.882089 0.881615 0.932340 0.829655 0.914523 0.899372 0.77589В 0.9152В8
С)
Рис. 3. Размещение роя БПЛА: а) в модельном пространстве; б) результат кластеризации; с) координаты центров кластеров
В результате реализации алгоритма К-средних рой БПЛА группируется в десять кластеров в зависимости от ближайшего центра кластера (СН), как показано на рисунке 36, где каждый цвет представляет кластер, а каждый знак (х) представляет центр кластера (СН). БПЛА, играющие роль головных узлов кластера, были получены после округления значений центров кластеров, полученных после завершения процесса кластеризации, до ближайших БПЛА. Этими основными узлами являются: СН134, СН167, СН106, СН26, СН1123, СН158, СН225, СН63, СН109 и СН154. СН167 указывает, что 167-й БПЛА является головным узлом или центром кластера и. и т. д., как на рисунке Зс. После определения положения головных кластерных узлов (CHs) узел sender собирает данные с наземных датчиков, а затем отправляет их ближайшему головному кластерному узлу (ближайший СН), чтобы начать маршрутизацию с использованием алгоритма Дейкстры.
После применения алгоритма К-средних и нахождения головных кластерных узлов выполняется алгоритм Дейкстры для поиска кратчайшего пути между узлами этих головных кластеров (СН134, СН167, СН106, СН26, СН1123, СН158, СН225, СН63, СН109, СН154. СН167) как показано на рисунке 4а, б.
Рис. 4. Результаты применения алгоритма Дейкстры: а) путь данных через головные узлы кластера от отправителя к получателю в ЗБ; б) путь данных в 2Б
Этот путь начинается от отправителя с координатами (0, 0, 0), который передаёт данные в ближайший к нему кластер головного узла кластера СН109, который, в свою очередь, выглядит для его ближайшего СН-СН26. и так далее, пока не будет достигнут ближайший СН к шлюзу, который является СН158, который передаёт данные на базовую станцию, поэтому путь данных через сеть БПЛА является СН126 -> СН154 -> СН225 -> СН158, а затем данные передаются на базовую станцию через узел Gateway с координатами (1, 1,0).
Таким образом, проведенные эксперименты показали, что рой БПЛА, представляющий собой летающую сеть, группируется с помощью алгоритма K-средних в определенный период времени, и между собранными кластерами находится кратчайший путь для отправки данных из сети, беспроводных датчиков на приемник, который, в свою очередь, передает полученные данные на базовую станцию или сервер для обработки этой информации.
Заключение
В статье приведены результаты моделирования кластеризации рой БПЛА, представлена модель кластеризации сети БПЛА с использованием метода машинного обучения - алгоритма K-средних, и представлена алгоритм маршрутизации данных через сеть роя БПЛА с использованием алгоритма Дейкстры, который находит кратчайший путь через сформированные кластеры.
В результате типичного эксперимента на рое из 250 БПЛА за определенный период времени в среде Python найдены кластеры, БПЛА в них, которые действуют как головные узлы, используемые в маршрутизации, и найден кратчайший путь между передатчиком и получатель (шлюз).
Литература
1. Бондарев А.Н., Киричек Р.В. Обзор беспилотных летательных аппаратов общего пользования и регулирования воздушного движения БПЛА в разных странах II Информационные технологии и телекоммуникации. 2016. Т. 4. № 4. С. 13-23.
2. Кучкароеа Д. Ф., Хаитов Б. У. Современные системы ведения сельского хозяйства II Молодой ученый. 2015. №12. С. 222-223.
3. Бауэре П. Летательные аппараты нетрадиционных схем. М.: Мир, 2016. 320 с. (С. 130-131).
4. Битер А. Ф., Турусов В.И., Гармашов В.М. и др. Обработка почвы как фактор регулирования почвенного плодородия: монография. М.: НИЦИНФРА-М, 2014.173 с.
5. Хорт Д.О., Личман Г.И., Филиппов P.A., Беленков А.И. Применение беспилотных летательных аппаратов (дронов) в точном земледелии II Фермер. Поволжье. 2016. № 7. С. 34-37.
6. Andrew Meola. Here's what to expect from the FAA's upcoming drone regulations. Режим доступа: http://www.businessinsider.com/heres-what-toexpect-from-the-faas-upcoming-droneregulations-2016-5
7. Кучерявый A.E., Владыко А.Г., Киричек Р.В., Прокопъев A.B., Богданов И.А., Дорт-Гольц A.A. Летающие сенсорные сети II Электросвязь. № 9. 2014.
8. Мутханна А. Сравнение протоколов маршрутизации для всепроникающих сенсорных сетей II Электросвязь. 2014. № 9.
9. Кумаритова Д.Л., Киричек Р.В. Обзор и сравнительный анализ технологий LPWAN сетей II Информационные технологии и телекоммуникации. 2016. Т. 4. № 4. С. 33-48.
10. Гимранов P.P., Киричек Р.В., Шпаков М.Н. Технология межмашинного взаимодействия LoRa II Информационные технологии и телекоммуникации. 2015. № 2. С. 62-73.
11. Sigfox Our Story 2020 https://www.sigfox.com/en/sigfox-story.
12. Геомир Беспилотники в сельском хозяйстве 2019 https://www.geomir.ru/publikatsii/bespilotniki-v-selskom-khozyaystve/
13. Prakash S., Saroj V. 2019 A Review of Wireless Charging Nodes in Wireless SensorNetworks: ACM-WIR. Springer, pp. 177-188.
14. Renesas Introduction to Wireless Battery Chargin. Retrieved from: https://www.renesas.com/us/en/products/power-management/ wireless-power/ introduction-to-wireless-battery-charging
15. Bezumnov D.N., Voronov V.I. Development of the Research Stand for Exploration of Models and Algorithms for Group Control of Ground-Based Mobile Robots Systems of Signals Generating and Processing in the Field of on Board Communications, 2021, pp. 1-6.
16. Bykov A.D., Voronov V.l., Voronova L.I., Zharov I.A. Web Application Development for Biometrie Identification System Based on Neural Network Face Recognition Systems of Signals Generating and Processing in the Field of on Board Communications. 2020, pp. 1-6.
17. Voronova L.I., Voronov V.I., Nawar M. Modeling the Clustering of Wireless Sensor Networks Using the K-means Method International Conference "Quality Management, Transport and Information Security, Information Technologies" (IT&QM&IS), 2021.
18. Puccinelli D., Haenggi M. Wireless sensor networks: Applications and challenges of ubiquitous sensing. IEEE Circuits Syst. 2005. No.5,pp. 19-31.
19. Torri T., Sanada Y. Radiation Measurement by Unmanned Aircraft after Fukushima Daiich Nuclear Power Plant Accident in Proceedings ofthe ofSymp. ICAO. 2015.
20. Francesco M., Das S., Anastasi G. Data collection in wireless sensor networks with mobile elements: A survey ACM Trans. Sen. Netw. 2011.No.8,pp. 1-31.
DEVELOPMENT OF A SIMULATION MODEL FOR UNMANNED AERIAL VEHICLES IN AGRICULTURE
MOHAMMAD NAWAR
Moscow, Russia, nawar.info@gmail.com
LILIA I. VORONOVA
Moscow, Russia, voronova.lilia@ya.ru
VYACHESLAV I. VORONOV
Moscow, Russia, vorvi@mail.ru
KEYWORDS: Unmanned aerial vehicles, Dijkstra's algorithm, K-means algorithm, clustering, routing.
ABSTRACT
Introduction: Due to the rapid technological development of communication and network technologies and the emergence of the Internet of Things technology, unmanned aerial vehicles (UAVs) have become used in almost all areas of society, from military to civilian. Agriculture is one area where UAVs will be used to monitor vast areas of crops. UAVs will be able to receive data on the state of the soil, improve agriculture and use plant protection products from insects and birds. Consequently, agriculture will be the largest market for UAVs. Objective. The article discusses the possibility of using a swarm of unmanned aerial vehicles in hard-to-reach agricultural areas to create a wide coverage area for transmitting information
from ground-based wireless sensor networks. Architectural solutions for flying sensor networks are investigated and a simulation model is presented that integrates flying sensor networks (LSNs) and terrestrial wireless sensor networks (WSNs) for data transmission. The model studies the clustering of an UAV swarm using the K-means method and the search for the shortest path in routing using the Dijkstra algorithm. Result. Computer simulation of optimal routing for a swarm of 250 UAVs has been carried out. The results of UAV swarm clustering modeling are presented, a UAV network clustering model is presented using the machine learning method - the K-means algorithm, and an algorithm for routing data through the UAV swarm network using Dijkstra's algorithm, which finds the shortest path through the formed clusters.
REFERENCES
1. A. N. Bondarev, R. V. Kirichek (2016). Review of unmanned aerial vehicles for general use and UAV air traffic control in different countries. Information technologies and telecommunications. Vol. 4. No. 4, pp. 13-23.
2. D.F. Kuchkarova, B.U. Khaitov (2015). Modern systems of agricultural management. Young scientist. No. 12, pp. 222-223.
3. P. Bowers (2016). Aircraft of non-traditional schemes. Moscow: Mir, 2016. 320 p. (P. 130-131).
4. A.F. Viter, V.I. Turusov, V.M. Garmashov et al. (2014). Soil cultivation as a factor in the regulation of soil fertility. Moscow: NITs INFRA-M. 173 p.
5. D.O. Hort, G.I. Lichman, R.A. Filippov, A.I. Belenkov (2016). The use of unmanned aerial vehicles (drones) in precision farming. Farmer. Volga region. No. 7, pp. 34-37.
6. Andrew Meola Here's what to expect from the FAA's upcoming drone regulations.
7. A.E. Kucheryavy, A.G. Vladyko, R.V. Kirichek, R.V. Kirichek, A.V. Prokopiev, I.A. Bogdanov, A.A. Dort-Goltz (2014). Flying Sensory Networks. Electrosvyaz, No. 9. ISSN 0013-5771
8. A. Muthanna (2014). Comparison of routing protocols for pervasive sensor networks. Elektrosvyaz. No. 9.
9. D. L. Kumaritova, R. V. Kirichek (2016). Overview and comparative analysis of LPWAN network technologies. Information technologies and telecommunications. Vol. 4. No. 4, pp. 33-48.
10. R. R. Gimranov, R. V. Kirichek, M. N. Shpakov (2015). Technology of machine-to-machine interaction LoRa. Information technologies and telecommunications. No. 2, pp. 62-73.
11. Sigfox Our Story 2020 https://www.sigfox.com/en/sigfox-story
12. Geomir Unmanned aerial vehicles in agriculture 2019 https://www.geomir.ru/publikatsii/bespilotniki-v-selskom-khozyaystve/
13. S. Prakash, V. Saroj (2019). A Review of Wireless Charging Nodes in Wireless Sensor Networks: ACM-WIR Springer, pp.177-188.
14. Renesas Introduction to Wireless Battery Chargin. Retrieved from: https://www.renesas.com/us/en/products/power-man-agement/wireless-power/introduction-to-wireless-battery-charging.
15. D.N. Bezumnov and V.I. Voronov (2021). Development of the Research Stand for Exploration of Models and Algorithms for Group Control of Ground-Based Mobile Robots. Systems of Signals Generating and Processing in the Field of on Board Communications, pp. 1-6.
16. A.D. Bykov, V.I. Voronov, L.I. Voronova and I.A. Zharov (2020). Web Application Development for Biometric Iden-tification System Based on Neural Network Face Recognition. Systems of Signals Generating and Processing in the Field of on Board Communications, pp. 1-6.
17. L.I. Voronova, V.I. Voronov, M. Nawar (2021). Modeling the Clustering of Wireless Sensor Networks Using the K-means Method. International Conference "Quality Man-agement, Transport and Information Security, Information Technologies" (IT&QM&IS).
18. D. Puccinelli, M. Haenggi (2005). Wireless sensor networks: Applications and challenges of ubiquitous sensing. IEEE Circuits Syst. No.5, pp. 19-31.
19. T. Torri and Y. Sanada (2015). Radiation Measurement by Unmanned Aircraft after Fukushima Daiich Nuclear Power Plant Accident in Proceedings of the of Symp. ICAO.
20. M. Francesco, S. Das, G. Anastasi (2011). Data collection in wireless sensor networks with mobile elements: A survey ACM Trans. Sen. Netw. No.8, pp. 1-31.
INFORMATION ABOUT AUTHORS:
Mohammad Nawar, graduate student, MTUCI, Moscow, Russia
Lilia I. Voronova, Head of Department, Doctor of Physical and Mathematical Sciences, MTUCI, Moscow, Russia Vyacheslav I. Voronov, candidate of technical sciences, associate professor, MTUCI, Moscow, Russia
For citation: Nawar Mohammad, Voronova L.I., Voronov V.I. Development of a simulation model for unmanned aerial vehicles in agriculture. H&ES Reserch. 2022. Vol. 14. No 3. P. 55-61. doi: 10.36724/2409-5419-2021-14-3-55-61 (In Rus)
