Стаття присвячена дослідженню використання нейронних мереж для оптимізації вибору насаджень у технологіях точного землеробства. Дослідження враховує такі комплексні аспекти відбору зразків, як швидкість отримання зображення, ефективність оцінки стану мінерального живлення та вологості ґрунту тощо. Ці дані є необхідною складовою для технологій точного землеробства і, зокрема, управління посівами. Дослідження проводили на виробничих полях у 2019-2020 роках у Бориспільському районі Київської області. Спектральні дослідження проводились за допомогою встановленого на БПЛА комплексу Slantrange 3p. Обробку даних проводили як за допомогою спеціалізованого програмного забезпечення для спектральних даних Slantview, так і за допомогою математичного пакету MathCad. Оцінка характеру розподілу як окремих спектральних каналів, так і їх поєднання у вигляді вегетаційних індексів виявилася непідготовленою для виявлення нерівномірного водозабезпечення територій. Червоний канал та його похідні виявилися найперспективнішими у напрямку виявлення водозабезпеченості пшениці. Застосування нейронних мереж дозволило виявити на картах розподілу вегетаційних індексів на місцях ймовірні ділянки підвищеної водності. Тривалість ідентифікації за допомогою нейронних мереж не заважатиме процедурі відбору проб, тому така процедура може бути ефективно реалізована в агрономічній практиці. Отже, використання нейронних мереж дозволяє автоматизувати та підвищити точність відбору, підвищити якість аналізу рослинних насаджень за умови дотримання технологій оцінки проб ґрунту. Отримані результати свідчать про перспективність впровадження даного підходу в сучасному сільському господарстві
відбір зразків рослин, точне землеробство, дистанційний моніторинг, вегетаційні індекси, БПЛА, нейронні мережі
[1] Yuniarto, D., Herdiana, D., & Junaedi, D.I. (2020). Smart farming precision agriculture project success based on information technology capability. In 2020 8th international conference on cyber and it service management (CITSM) (pp. 1-6). Pangkal, Indonesia. doi: 10.1109/CITSM50537.2020.9268807.
[2] Patidar, J., Khatri, R., & Gurjar, R.C. (2019). Precision agriculture system using Verilog hardware description language to design an ASIC. In 2019 3rd international conference on electronics, materials engineering & nano-technology (IEMENTech) (pp. 1-6), Kolkata, India. doi: 10.1109/IEMENTech48150.2019.8981128.
[3] Wiangtong, T., & Sirisuk, P. (2018). IoT-based versatile platform for precision farming. In 2018 18th international symposium on communications and information technologies (ISCIT) (pp. 438-441). Bangkok, Thailand. doi: 10.1109/ISCIT.2018.8587989
[4] Bhat, U.A., Thirunavukarasan, M., & Rajesh, E. (2022). Research on improving productivity of crops & enriching farmers using IoT-based smart farming. In 2022 4th international conference on advances in computing, communication control and networking (ICAC3N) (pp. 1403-1407). Greater Noida, India. doi: 10.1109/ICAC3N56670.2022.10074418.
[5] Patil, P., Kestur, R., Rao, M., & C, A. (2023). IoT-based data sensing system for AutoGrow, an autonomous greenhouse system for precision agriculture. In 2023 IEEE applied sensing conference (APSCON) (pp. 1-3). Bengaluru, India. doi: 10.1109/APSCON56343.2023.10101100.
[6] Zaryouli, M., Fathi, M.T., & Ezziyyani, M. (2020). Data collection based on multi-agent modeling for intelligent and precision farming in Lokoss region, Morocco. In 2020 1st international conference on innovative research in applied science, engineering and technology (IRASET) (pp. 1-6). Meknes, Morocco. doi: 10.1109/IRASET48871.2020.9092214
[7] Vechera, O.M., Rogovskii, I., & Pastushenko, S.I. (2018). Navigation systems in precision farming. Machinery & Energetics, 9(2), 133-138.
[8] Zhang, Z., Shen, S., & Lai, Q. (2022). Early-stage diagnosis of Panax Notoginseng plant blight disease by multispectral imaging. In 2022 international conference on intelligent systems and computational intelligence (ICISCI) (pp. 86-92), Changsha, China. doi: 10.1109/ICISCI53188.2022.9941455.
[9] Sabah, N.U., Usama, M., Zafar, Z., Shahzad, M., Fraz, M.M., & Berns, K. (2022). Analysis of vegetation indices in the cotton crop in South Asia region using UAV imagery. In 2022 17th international conference on emerging technologies (ICET) (pp. 70-75). Swabi, Pakistan. doi: 10.1109/ICET56601.2022.10004662.
[10] Lysenko, V., Shvorov, S., Opryshko, O., Komarchuk, D., Lukin, V., & Pasichnyk, N. (2019). Methodological solutions for the IoT concept for biogas production using the local resource. In 2019 IEEE international scientific-practical conference problems of infocommunications, science and technology (PIC S&T) (pp. 561-566). Kyiv, Ukraine. doi: 10.1109/PICST47496.2019.9061238.
[11] Edmonds, M., & Yi, J. (2021). Efficient multi-robot inspection of row crops via kernel estimation and region-based task allocation. In 2021 IEEE international conference on robotics and automation (ICRA) (pp. 8919-8926). Xi'an, China. doi: 10.1109/ICRA48506.2021.9560826.
[12] Gunchenko, Y., Shvorov, S., Lukin, V., & Mezhuyev, V. (2019). Intellectual control system for unmanned energy crop combine. CEUR Workshop Proceedings, 2683, 21-24.
[13] Voronin, N., Mosorin, P.D., Tkachenko, M.V., & Shvorov, S.A. (2003). Application of a nonlinear trade-off scheme in the problem of structure synthesis of the data transfer systems. Journal of Automation and Information Sciences, 35(5-8), 59-71.
[14] Pak, J., Kim, J., Park, Y., & Son, H.I. (2022). Field evaluation of path-planning algorithms for autonomous mobile robot in smart farms. IEEE Access, 10, 60253-60266. doi: 10.1109/ACCESS.2022.3181131.
[15] Voronin, A.N., Yasinsky, A.G., & Shvorov, S.A. (2002). Synthesis of compromise-optimal trajectories of mobile objects in conflict environment. Journal of Automation and Information Sciences, 34(2), 1-8.
[16] Shvorov, S.A., Pasichnyk, N.A., Kuznichenko, S.D., Tolok, I.V., Lienkov, S.V., & Komarova, L.A. (2019). Using UAV during planned harvesting by unmanned combines. In 2019 IEEE 5th international conference actual problems of unmanned aerial vehicles developments (APUAVD), Kiev, Ukraine. doi: 10.1109/APUAVD47061.2019.8943842.
[17] Komarchuk, D.S., Opryshko, O.A., Shvorov, S.A., Reshetiuk, V., Pasichnyk, N.A., & Lendiel, T. (2021). Forecasting the state of charging batteries on board the UAV on the basis of neuro-fuzzy network using. 2021 IEEE 6th international conference on actual problems of unmanned aerial vehicles development (APUAVD) (pp. 188-194). Kyiv, Ukraine. doi: 10.1109/APUAVD53804.2021.9615413.
[18] Krishnan, R.S., Narayanan, K.L., Julie, E.G., Boopesh, V.A., Marimuthu, P.K., & Sundararajan, S. (2022). Solar powered mobile controlled agrobot. In 2022 second international conference on artificial intelligence and smart energy (ICAIS) (pp. 787-792). Coimbatore, India. doi: 10.1109/ICAIS53314.2022.9742856.
[19] Pandian, M.J., & Karthik, D. (2022). Crop water stress identification and estimation: A review. In 3rd international conference on electronics and sustainable communication systems (ICESC) (pp. 1376-1379). Coimbatore, India. doi: 10.1109/ICESC54411.2022.9885418.
[20] Pasichnyk, N., Komarchuk, D., Korenkova, H., Shvorov, S., Opryshko, O., & Kiktev, N. (2021). Spectral-spatial analysis of data of images of plantings for identification of stresses of technological character. 2nd International Conference on Intellectual Systems and Information Technologies (ISIT 2021) CEUR Workshop Proceedings, 312, 305-312.