CC BY
73
Sistemnyj administrator. 2017. vol. 1-2: 80-83. (In Russian)
5. Richards M. Software Architecture Patterns. O'Reilly Media, Inc. 2015: 47.
6. Oluwatosin H.S. Client-Server Model. IOSRJ Comput. Eng. 2014. vol. 16. No. 1: 2278-8727.
7. Paik H., Lemos A., Barukh M., Benatallah B., Natarajan A. Web Service Implementation and Composition Techniques. Springer International Publishing, 2017: 256.
8. Sam Newman. Building microservices. O'Reilly Media. 2015. (Russ. ed: N'yumen S. Sozdanie mikroservisov. Saint Petersburg: Piter. 2016: 304. (In Russian)
9. Kwan A., Jacobsen H.-A., Chan A., Samoojh S. Microservices in the modern software world. Proc. of 266 Ann Int Conf on Computer Science and Software Engineering (CASCON '16). Toronto. 2016: 297-299.
10. Bakshi K. Microservices-based software architecture and approaches. Proc IEEE Aerospace Conf. Big Sky, MT, USA. 2017: 18.
11. Artamonov Ju. S., Vostokin S. V. Razrabotka raspredelennyh prilozhenij sbora i analiza dannyh na baze mikroservisnoj arhitektury [Development of distributed applications for data collection and analysis based on microservice architecture]. \zvestija Samarskogo nauchnogo centra Rossijskoj akademii nauk. 2016. vol. 18. No. 4-4: 688-693. (In Russian)
12. Ting-Huan K., Chi-Hua C., Hsu-Yang K. Applications of the web service middleware framework based on the BPEL Proceedings of IEEE 5th Glob. Conf. on Consumer Electronics. 2016: 1-5.
УДК 631:62-539 Б01 10.24411/0131-5226-2019-10118
ЦИФРОВЫЕ ТЕХНОЛОГИИ ДИСТАНЦИОННОГО МОНИТОРИНГА ДЛЯ ДИСКРЕТНОГО ВНЕСЕНИЯ СРЕДСТВ ЗАЩИТЫ РАСТЕНИЙ
А.К. Лысов, канд. техн. наук; Т.В. Корнилов
Всероссийский научно-исследовательский институт защиты растений, г. Санкт-Петербург, Россия
В представленной работе рассмотрены результаты исследований по разработке дистанционных методов съема и обработки информации о мелкомасштабной неоднородности распределения вредных объектов в агроландшафтах сельскохозяйственных культур для дифференцированного внесения средств защиты растений. При исследованиях использовались два метода съема и обработки информации о фитосанитарной обстановке на участках поля. Метод дешифровки снимаемой информации, который базируется на решении обратной задачи, когда с полученных изображений удаляли основную культуру, имеющую однородно-периодическую структуру сильно контрастирующую с почвой и сорной растительностью. Вторым перспективным направлением исследований по разработке дистанционных методов съема и обработки информации является метод геокодированого сбора информации на основе использования оптоэлектронных датчиков, работающих в видимой и инфракрасной областях спектра излучений. Сравнительный анализ полученных результатов, при использовании нового метода обработки получаемой информации в сравнении с результатами наземных стандартных учетов засоренности, показал высокую его достоверность, которая составила 91,7% . Исследования так же показали, что спектральные характеристики отражения почвы и зеленых культурных и сорных растений имеют четкие различия
17
ISSN 0131-5226. Теоретический и научно-практический журнал.
_ИАЭП. 19 Вып. 98_
по величине значений отражательной способности при съеме и обработке информации с использованием оптоэлектронных датчиков. Это дает возможность использовать данный метод для геокодированного съема информации о гетерогенности распределения сорной растительности на полях до всходов основной культуры или на черных парах для дискретного внесения довсходовых гербицидов. Реализация работ в данном направлении по разработке цифровых технологий дистанционного мониторинга служит основой для реализации технологий по дискретному внесению средств защиты растений, повышающих эффективность и экологическую безопасность применения пестицидов.
Ключевые слова: дистанционный мониторинг, съём данных, оптико-электронные датчики, спектральные характеристики отражения, рефлекция, сорные растения, дискретное внесение, средства защиты, экологическая безопасность.
Для цитирования: Лысов А.К, Корнилов Т.В. Цифровые технологии дистанционного мониторинга для дискретного внесения средств защиты растений // Технологии и технические средства механизированного производства продукции растениеводства и животноводства. 2019. № 1(98). С. 17-26
DIGITAL REMOTE MONITORING TECHNOLOGY FOR DISCRETE APPLICATION OF
PLANT PROTECTION PRODUCTS
A.K. Lysov, Cand. Sc. (Engineering); T.V. Kornilov
All-Russian Research Institute for Plant Protection, St. Petersburg, Russia
The paper considers the research results associated with development of remote methods of information readout and processing concerning the small-scale heterogeneity of distribution of harmful objects in agricultural landscapes of crops for differentiated application of plant protection products. In the study, two methods were used to readout and process the information on the phyto-sanitary situation on the field plots. The method of retrieved information decoding was based on the inverse solution, when the main crop, which had a uniformly periodic structure strongly contrasting with soil and weeds, was removed from the images obtained. The second, most advanced method was that of geocoded information collection based on the use of optoelectronic sensors operating in the visible and infrared spectral bands. Comparative analysis of the results obtained with the use of the new method of information processing against the ground-based standard weed estimation showed the high reliability of this method, which amounted to 91.7%. The study demonstrated also that the spectral reflection characteristics of soil, green crops and weeds had clear differences in the reflectivity values when the information was readout and processed using the optoelectronic sensors. Therefore, this method may be applied for geocoded readout of information on the non-uniform distribution of weeds in the fields before the main crop emergence or on black fallows for the discrete introduction of pre-emergence herbicides. Development of digital remote monitoring technologies is the basis for introduction of techniques for discrete application of plant protection products, which improve the efficiency and environmental compliance of pesticides.
Key words: remote monitoring, data acquisition, optoelectronic sensor, spectral reflection characteristics, reflection, weeds, discrete application, protection product, environmental compliance.
For citation: Lysov A.K., Kornilov T.V. Digital remote monitoring technology for discrete application of plant protection products. Tekhnologii i tekhnicheskie sredstva mekhanizirovannogo proizvodstva produkcii rastenievodstva i zhivotnovodstva. 2019. 1(98): 17-26. (In Russian)
18
Введение
Рост объемов применения средств защиты растений и площадей обрабатываемых сельскохозяйственных культур от комплекса вредителей, болезней и сорной растительности неразрывно связан с решением задач по повышению биологической и экономической
эффективности защитных мероприятий, а с другой стороны снижению их потенциальной опасности для окружающей среды людей и животных. Известно, что необоснованное без учета экономических порогов вредоносности применение химических средств защиты растений, а также несоблюдение технологических регламентов, усиливает отрицательное воздействие на природные механизмы регуляции в экосистемах, вызывает накопление остаточных количеств пестицидов и их продуктов распада в растениеводческой продукции, почве, грунтовых водах, развитию резистентных форм вредных организмов к определенным классам действующих веществ пестицидов. В связи с этим совершенствование технологий применения средств защиты растений, прежде всего, связано с решением задач по снижению их негативного воздействия на окружающую среду и биосферу обитания человека и животного мира, а так же повышения качества и безопасности продуктов питания. Идет постоянное совершенствование средств механизации по пути повышения качества нанесения рабочей жидкости на обрабатываемую поверхность. Создаются новые рабочие органы к опрыскивающей технике, которые снижают
непроизводительные потери средств защиты растений в окружающую среду из- за уменьшения сноса мелких капель из зоны обработки. Прогресс в развитии цифровых технологий на основе,
высокопроизводительных персональных
компьютеров с большими объемами памяти баз данных, широкое использование Интернета создают новые возможности для использования в сельском хозяйстве качественно новых технологических решений и подходов. Важнейшей задачей по созданию и совершенствованию технических средств для защиты растений, повышения их технического уровня и экологической безопасности для окружающей среды является использование систем
автоматизированного управления
технологическим процессом
целенаправленного внесения средств защиты растений с учетом данных геокодированного сбора информации о мелкомасштабной неоднородности распределения вредных объектов на участках поля.
Реализация работ в данном направлении по дискретному внесению средств защиты растений, повышающих эффективность и экологическую безопасность применения пестицидов невозможно решить без разработки современных
высокопроизводительных методов
дистанционного фитосанитарного
мониторинга с учетом пространственной неоднородности распределения вредных объектов на участках поля.
Проводимые в настоящее время исследования за рубежом и в нашей стране показывают, что разработка современных дистанционных методов геокодированного сбора информации и автоматизированных методов обработки получаемой информации о неравномерности распределения засоренности поля сорной растительностью или поражения вредными объектами, являются одними из наиболее перспективных направлений по решению задач снижения пестицидной нагрузки на агроценозы, уменьшению затрат на мероприятия по защите растений.
Цель исследований
Оценка методологических подходов по разработке дистанционных методов съема и обработки информации о мелкомасштабной неоднородности распределения вредных объектов в агроландшафтах сельскохозяйственных культур для технологий дифференцированного внесения средств защиты растений при борьбе с сорной растительностью и вредителями.
Исследования направлены на решение задач по снижению пестицидной нагрузки на агроценозы, созданию интеллектуальных систем для управления процессом принятия решений о необходимости проведения защитных мероприятий с учетом экономической целесообразности и экологической безопасности для
окружающей среды.
Материалы и методы
В разработке оборудования и методик для проведения исследований принимали участие специалисты и аспиранты из Санкт-Петербуржского государственного университета аэрокосмического приборостроения.
Методика исследований предусматривала оценку результатов двух методов дистанционного съема информации о мелкомасштабной неоднородности распределения сорной растительности на посевах и посадках сельскохозяйственных культур с использованием сверхлегких и беспилотных летательных аппаратов, оснащенных мультиспектральной аппаратурой для геокодированного съема информации.
Полученные изображения участков поля обрабатывались с использованием программы Adobe Photoshop. В базе данных были внесены эталонные изображения сорных растений в уязвимой для гербицидов фазе развития. Полученные изображения участков поля обрабатывались с использованием вышеуказанной программы путем сравнения полученных изображений с эталонными изображениями. Использование
этого метода показало, что он достаточно трудоемок и не всегда дает объективные показатели. Поэтому для обработки полученных данных по зараженности полей сорной растительностью был предложен другой метод.
Поскольку форма и цвет сорной растительности разнообразна,
автоматизированное ее выделение на исходном изображении представляет собой весьма нетривиальную задачу. Проще решить обратную задачу. Как правило, посевы имеют однородно-периодическую структуру и сильно контрастируют с окружающими объектами, следовательно, необходимо удалить с исходного изображения именно основную культуру, а затем определять степень поражения поля. Для этих целей эффективным оказывается метод анализа в частотной области. Суть этого метода заключается в следующем.
Для преобразования исходного изображения в частотную область используется прямое дискретные
преобразование Фурье.
Главное достоинство дискретного преобразования Фурье заключается в простоте его реализации на компьютерах. Существуют специальные алгоритмы быстрого Фурье преобразования
позволяющие резко уменьшить время проведения дискретного Фурье
преобразования, т.к. в них отсутствуют операции суммирования с бесконечными пределами и вычисления интегралов. Кроме того, дискретное преобразование Фурье идеально подходит для изображений растровой графики, Поскольку частота прямо связана со скоростью изменения сигнала, то интуитивно ясно, что частоты в Фурье-преобразовании связаны с вариацией яркости на изображении. Наиболее медленно меняющаяся (постоянная) частота, находящаяся в начале координат Фурье-преобразования (р=д=0), совпадает со
средней яркостью изображения. Низкие частоты, отвечающие точкам вблизи начала координат Фурье-преобразования,
соответствуют медленно меняющимся компонентам изображения. По мере удаления от начала координат, более высокие частоты начинают соответствовать все более и более быстрым изменениям яркости.
При анализе исходных изображений и их представлений в спектральной области можно видеть, что объекты с периодической структурой в Фурье-образе дают ярко выраженные светлые пятна на некотором удалении от начала координат тогда как у не периодических объектов такие пятна отсутствуют. Это свойство преобразования Фурье и используется для анализа сельскохозяйственных полей с посевами периодической структуры.
На Фурье-образах реальных фотографий сельскохозяйственных полей, также как и в случае с изображением чередующихся светлых и темных вертикальных полос, можно наблюдать ярко выраженные светлые пятна, появление которых связано с тем, что яркость основной массы растений меняется в небольшом диапазоне частот. Расстояние от начала координат Фурье-образа до центра этого пятна определяет среднюю частоту, с которой изменяется яркость основной культуры на исходном изображении. При фильтрации (удалении) это пятна в Фурье-образе фильтруется и основная культура на исходном изображении. При этом другие объекты исходного изображения, яркость которых меняется с другой частотой, остаются нетронутыми. Таким образом, задача отделения основной культуры от других объектов на изображении сводится к нахождению оптимального фильтра для подавления периодического шума, вносимого основной культурой (в данном случае именно основная культура является нежелательным шумом, от которого следует
избавиться).
Процедура фильтрации в частотной области проста и состоит из следующих шагов:
1. Исходное изображение умножается на (-1)х+у, чтобы его Фурье-преобразование оказалось центрированным;
2. Вычисляется прямое ДПФ F(p,q) изображения, полученного после шага 1;
3. Функция F(p,q) умножается на функцию фильтра Н(р^);
4. Вычисляется обратное ДПФ от результата шага 3;
5. Выделяется вещественная часть результата шага 4;
6. Результат шага 5 умножается на (-1)х+у.
Для фильтрации изображений используются узкополосные режекторные фильтры, не пропускающие частоты в определенных окрестностях своих центральных частот. На рис. 1 представлены трехмерные изображения узкополосных режекторных фильтров. Из свойств симметрии преобразования Фурье следует, что для получения осмысленных (т.е. вещественных) результатов фильтрации фильтр должен иметь вид симметричный относительно начала координат (центра частотного прямоугольника). Поэтому узкополосные фильтры должны иметь вид симметричных относительно начала координат пар.
Рис. 1. Трехмерные перспективные изображения узкополосныхрежекторных фильтров: идеальный фильтр (а); фильтр Баттерворта порядка 2 (б); гауссов фильтр (в).
После фильтрации Фурье-образа оптимальным режекторным фильтром на исходном изображении остаются только пораженные области, по площади которых легко определить степень зараженности поля и принять решение о необходимости поведения дифференцированного внесения средств защиты растений. Кроме того, по координатам местоположения участков засоренности можно составить карту и определится оптимальный маршрут движения летательного аппарата или опрыскивателя с бортовым компьютером, что дает возможность избирательного внесения средств защиты растений.
Для реализации второго метода нами проводились исследования по определению значений спектральных характеристик излучения культурных растений, почвы, и сорной растительности. Исследования осуществлялись с использованием прибора PSR-1100, представляющего собой оптико-электронное устройство для
спектрорадиометрических измерений в диапазоне длин волн электромагнитного излучения 320-1100 нм с матричным детектором в 512 элементов, то есть возможностью проводить в заявленном диапазоне 512 измерений. Угловое поле зрения прибора составляет 4о.
Каждое измерение PSR-1100 сохраняется в памяти устройства в виде файла с расширением *.sed, который используется в программном обеспечении DARWin SP в качестве входных данных. Измеряемая устройством величина -Radiance - спектральная плотность энергетической яркости (СПЭЯ); единица измерения - мкВт / (см • ср» нм).
Спектрорадиометрические измерения объектов и белой калибровочной панели проводятся в идентичных условиях (расстояние от прибора до объекта, угол съемки). Номер измерения, отображаемый на экране прибора - номер измерения, которое
при
следующем
будет проведено сканировании.
Опорным измерением является калибровочная характеристика - Reference (Ref) - прибором фиксируется СПЭЯ, отраженного от белой калибровочной панели (прилагается к спектрорадиометру) электромагнитного излучения. Белая калибровочная панель обладает свойствами идеально диффузно рассеивающей поверхности в рабочем диапазоне длин волн спектрорадиометра.
Обработка результатов измерений заключается в получении спектральных характеристик отражения различных объектов в виде зависимостей СПЭЯ и коэффициентов спектральной яркости (КСЯ) - Reflectance - от длины волны. Для расчета КСЯ применяется формула:
Б(Л)
р(Л) =
В0(Л)
где р(Х) - КСЯ, В(Х) - СПЭЯ данной поверхности в заданном направлении, В0(Х) - СПЭЯ идеально рассеивающей поверхности с единичным коэффициентом отражения и освещенной так же, как и данная поверхность. В качестве величины Б0(Л) используется измеренная
калибровочная характеристика.
КСЯ рассчитываются в программном обеспечении DARWin SP.
Результаты и обсуждение
Для оценки нового метода дешифрации снимаемой информации специалистами ВИЗР совместно с Университетом аэрокосмического приборостроения были проведены исследовательские испытания применения сверхлегкого летательного аппарата Бо-2 Агро со специальной аппаратурой для геокодированного съема информации о неоднородности
распределения сорной растительности на участках капустного поля в районе д. Манушкино (Всеволожский район Ленинградской области). Для контроля
достоверности снимаемой информации на выбранных учетных площадках проводилась оценка засоренности по стандартной методике. Полученные снимки участков капустного поля обрабатывались с использованием нового метода, а именного метода дешифровки снимаемой информации, который базируется на решение обратной задачи, когда с полученных изображений удаляли основную культуру, имеющую однородно-периодическую структуру,
сильно контрастирующую с почвой и сорной растительностью.
После фильтрации Фурье-образа оптимальным режекторным фильтром, на исходном изображении геокодированных участков капустного поля остались только области с сорной растительностью (рис.2), Полученные данные дали возможность определить уровень засоренности поля для принятия решения об экономической целесообразности проведения защитных мероприятий путем дифференцированного (дискретного) внесения гербицидов.
Рис.2. Изображение капустного поля с сорной растительностью до и после обработки
Сравнительный анализ полученных результатов, при использовании нового методе обработки получаемой информации в сравнении с результатами наземных стандартных учетов засоренности, показал высокую его достоверность, которая составила 91,7%. Апробация данного метода дистанционного мониторинга засоренности овощных культур показала, что обеспечивается снижение норм расхода гербицидов до 50% за счет дискретного внесения препарата на участки поля где была сорная растиельность. В настоящее время проводятся исследования данного метода по оценке засоренности посевов зерновых культур, где некоторые виды сорной растительности не имеют отличия контрастирающей окраски от основной культуры (например пырей ползучий).
Известно, что основными компонентами биомассы растений являются: вода, клетчатка (целлюлоза) и хлорофилл, которые определяют спектральные характеристики отражения растительности в видимой (0,4...0,76 мкм) и ближней (0,8...1,4 мкм) инфракрасной области спектра излучений, а также спектральные характеристики собственного излучения растительности в дальней инфракрасной (тепловой области спектра 8.13 мкм).
По данным АФИ усреднённое значение спектрального коэффициента излучения в диапазоне 8.13 мкм для зеленой листвы составляет 0,92%, а для листвы сухой 0,96%, для травы зелёной 0,97%, а для травы сухой 88%.. Разница в значениях спектральных коэффициентах излучения составляет от 4 до 9 процентов.
В связи с этим, на наш взгляд, вторым перспективным направлением исследований по разработке дистанционных методов съема и обработки информации о неоднородности распределения вредных объектов на участках поля, является геокодированый сбор информации на основе использования
оптикоэлектронных датчиков, работающих в видимой и инфракрасной областях спектра излучений. Зная значения сектральных характеристик отражения культурных растений, сорной растительности и почвы можно по разнице значений спектрального коэффициента излучения, проводить геокадированное картирование участков поля для дифференцированного внесения средств защиты растений.
Для реализации данного подхода нами проводились исследования по определению значений спектральных характеристик излучения культурных растений, почвы, и сорной растительности на опытных полях ВИЗР и филиала Тосненская опытная станция защиты растений ВИЗР.
Определение спектральных
характеристик излучения проводились в полевых условиях на культурах картофель, капуста и следующих видах сорной растительности: лопух паутинистый, крапива двудомная, полынь обыкновенная, хвощ полевой, Так же снимались спектральные характеристики излучения почвы в посадках данных культур. Анализ спектральных характеристик излучения почвы, культурных и сорных растений показал следующее. Свет почвой рефлектируется по-другому, чем культурными и сорными растениями. Это связано с тем, что красный свет (600 ... 700 нм) сильно абсорбируется хлорофиллом, а близко-инфракрасный свет (750 ... 1000 нм) сильно рефлектируется. Рефлекция почвой возрастает постепенно по спектру. На рис.3 показаны спектральные характеристики почва и культурных растений на примере капусты и картофеля, а на рис.4 -спектральные характеристики
распространенных видов сорных растений, Кривая спектральной характеристики отражательной способности культурных зеленых растений имеет весьма характерный вид, и отражательная способность заметно изменяется в зависимости от длины волны.
Рис.3. Спектральные характеристики почвы и культурных растений
Рис.4. Спектральные характеристики сорных растений
В ближней инфракрасной части спектра отражательная способность культурных растений и почвы имеет пиковое значение 0.53 мкм. Следующий экстремум у культурных растений приходится на 0.66 мкм.
В тоже время отраженные спектральные характеристики сорных растений в диапазоне 0.32 - 0.69 мкм имеют почти линейный характер.
Отчетливые различия отражательной способности в видимом, ближнем и среднем инфракрасных диапазонах. В видимой части спектра на отражательную способность наибольшее влияние оказывает пигментация листвы, в ближнем инфракрасном диапазоне - структура растительности, а в среднем инфракрасном диапазоне - влажность.
Выводы
1.Сравнительный анализ полученных результатов, при использовании нового методе обработки получаемой информации
путем удаления с полученных изображений участков поля основной культуры в сравнении с результатами наземных стандартных учетов засоренности поля с капустой, показал высокую его достоверность, которая составила 91,7%.
2. Исследования показывают, что спектральные характеристики отражения почвы и зеленых культурных и сорных растений имеют четкие различия по величине значений отражательной способности. Это дает возможность использовать данный метод для геокодированного съема информации о
гетерогенности распределения сорной растительности на полях до всходов основной культуры для дискретного внесения довсходовых гербицидов.
3. По спектральным характеристикам отражения культурных и сорных растений можно определить различие в их отражательной способности, но сложно идентифицировать по конкретным видам сорной растительности, особенно с сорные растения с малой площадью листовых пластинок (хвощи, пырей и др.).
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Точное сельское хозяйство (Precision Agriculture). Учеб.-практ. пособие / Под ред. Д. Шпаара, А. В. Захаренко, В. П. Якушева. СПб. Пушкин, 2009. 397 с.
2. Орешкина Л.В. Обнаружение и распознавание класса объектов на многозональных изображениях дистанционного зондирования // Информатика. - № 2. - 2005. - С. 79-85.
3. Пятницкий М.А. Распознавание образов и биоинформатика [Электронный ресурс]. URL: http://bioinformatics.ru/Data-Analysis/ patrecog bioinf.html (дата обращения: 21.01.2017).
4. Рыжиков ДМ. Метод обработки мультиспектральных спутниковых данных для решения задач контроля зон произрастания борщевика Сосновского Информационно-управляющие системы. 2017, №6. с.43-51.
5. Лысов А.К., Яковлев А.А., Бабич Н.В., Дудко В.Г., Воробьев Ю.Д. Геоинформационные технологии в защите растений Материалы Международного
конгресса «Повышение
конкурентоспособности российской
сельскохозяйственной продукции на внутренних и внешних рынках (для обсуждения и выработки решений) ». СПб. 2017. с. 59-61
6. Lysov A.K.,Fedchenko V.G. New approaches for remote reading the information on the heterogeneity of the distribution of weeds in the areas of the field for a discrete application of plant protection products". Proc. VIII International Plant Protection Congress (Falko Feldmann & E. A. Short Heinrichs (Eds.). Berlin. 2015: 141. (In English)
7. Манылов И.В. Сравнение алгоритмов дешифрации аэрофотоснимков земель сельскохозяйственного назначения // Информационно-управляющие системы. 2011. № 3. С. 24-29.
8. Лысов А.К. Новые технологии по дистанционному съему диагностической информации. Защита и карантин растений. 2016, №12 с.31-33. https://elibrary.ru/ item.asp?id=28360443
REFERENCES
1. Tochnoe sel'skoe hozyajstvo. [Precision Agriculture] / Pod obshchej redakciej D. Shpaar, A. Zaharenko, V. Yakushev. [General edition of D. Shpaar, A. Zakharenko, V. Yakushev]. Saint Petersburg, 2009: 397 (In Russian)
2. Oreshkina L.V. Obnaruzhenie i raspoznavanie klassa ob"ektov na mnogozonal'nykh izobrazheniyakh distantsionnogo zondirovaniya [Detection and recognition of object classes on multispectral remote sensing images]. Informatika. 2005. No. 2: 79-85. (In Russian)
3. Pyatnitskiy M.A.Raspoznavanie obrazov i bioinformatika [Pattern recognition and bioinformatics]. Available at: http://bioinformatics.ru/Data-Analysis/patrecog bioinf.html (accessed 21.01.2017).
4. Ryzhikov DM. Metod obrabotki mul'tispektral'nykh sputnikovykh dannykh dlya resheniya zadach kontrolya zon proizrastaniya borshchevika Sosnovskogo [Heracleum Sosnowskyi Growth Area Control by Multispectral Satellite Data]. Informatsionno-upravlyayushchie sistemy [Information and Control Systems]. 2017. No. 6: 43-51. (In Russian) https://doi.org/10.15217/issn1684-8853.2017.6.43
5. Lysov A.K., Yakovlev A.A., Babich N.V., Dudko V.G., Vorobev Yu.D. Geoinformatsionnye tekhnologii v zashchite rastenii [Geoinformational technologies in plant
protection]. Materialy Mezhdunarodnogo kongressa «Povyshenie konkurentosposobnosti rossiiskoi sel'skokhozyaistvennoi produktsii na vnutrennikh i vneshnikh rynkakh (dlya obsuzhdeniya i vyrabotki reshenii)»» [Proc. Int. Cong. "Improving the competitiveness of Russian agricultural products in domestic and foreign markets (for discussion and decision making)]. Saint Petersburg. 2017: 59-61 (In Russian)
6. Lysov A.K.,Fedchenko V.G. New approaches for remote reading the information on the heterogeneity of the distribution of weeds in the areas of the field for a discrete application of plant protection products". Proc. VIII International Plant Protection Congress (Falko Feldmann & E. A. Short Heinrichs (Eds.). Berlin. 2015: (In English)
7. Manylov I.V. Sravnenie algoritmov deshifratsii aerofotosnimkov zemel' sel' skokhozyaistvennogo naznacheniya [Decoding Algorithms Comparison of Aerial Photographs of Agricultural Areas]. Informatsionno-upravlyayushchie sistemy. 2011. No. 3: 24-29. (In Russian)
8. Lysov A.K. Novye tekhnologii po distantsionnomu s"emu diagnosticheskoi informatsii [ New technologies for the remote readout of the diagnostic information]. Zashchita i karantin rastenii. 2016, No. 12: 3133. (In Russian) https://elibrary.ru/ item.asp?id=28360443
