Беспилотные летательные аппараты фото. Беспилотные летательные аппараты: развитие и применение в России

Какие типы беспилотников разрабатываются в России. Как используются БПЛА в вооруженных силах и других ведомствах. Каковы перспективы развития беспилотной авиации в стране.

Развитие беспилотной авиации в России

В последние годы Россия активно развивает беспилотную авиацию как для военного, так и для гражданского применения. Разрабатываются и поступают на вооружение различные типы беспилотных летательных аппаратов (БПЛА) — от малых разведывательных до тяжелых ударных дронов.

Основные направления развития беспилотной авиации в России:

• Создание разведывательных БПЛА различной дальности
• Разработка ударных беспилотников
• Внедрение БПЛА в системы связи и радиоэлектронной борьбы
• Применение дронов для решения гражданских задач

Активное развитие беспилотной авиации позволяет России сократить отставание от ведущих мировых производителей БПЛА и создать конкурентоспособные образцы техники.

Основные типы российских военных беспилотников

На вооружении российской армии стоят следующие основные типы БПЛА:

• «Орлан-10» — разведывательный БПЛА малой дальности
• «Форпост» — средний разведывательный беспилотник
• «Элерон-3» — малый тактический БПЛА
• «Тахион» — малый разведывательный беспилотник
• «Иноходец» (Orion) — средневысотный ударно-разведывательный БПЛА большой продолжительности полета

Ведется разработка и испытания новых перспективных образцов, в том числе тяжелых ударных беспилотников «Охотник» и «Альтиус».

Применение беспилотников в российской армии

Беспилотные летательные аппараты активно используются российскими вооруженными силами для решения следующих задач:

• Воздушная разведка и наблюдение
• Корректировка огня артиллерии
• Радиоэлектронная борьба
• Ретрансляция связи
• Нанесение ударов по наземным целям (ударные БПЛА)

Применение беспилотников позволяет существенно повысить эффективность действий войск, снизить потери личного состава и техники. БПЛА активно используются в ходе учений и боевой подготовки российской армии.

Использование БПЛА в других ведомствах России

Помимо вооруженных сил, беспилотные летательные аппараты находят широкое применение в других государственных структурах и ведомствах России:

• МЧС — мониторинг чрезвычайных ситуаций, поиск пострадавших
• МВД — охрана правопорядка, поиск преступников
• Росгвардия — антитеррористические операции
• Минсельхоз — мониторинг сельхозугодий
• Рослесхоз — обнаружение лесных пожаров

Использование БПЛА позволяет повысить эффективность работы различных ведомств, сократить расходы и снизить риски для персонала при выполнении опасных задач.

Перспективы развития беспилотной авиации в России

Основные направления дальнейшего развития беспилотных летательных аппаратов в России:

• Создание тяжелых ударных БПЛА большой продолжительности полета
• Разработка беспилотников, интегрированных в единую систему управления
• Внедрение элементов искусственного интеллекта
• Создание роев малых дронов для решения боевых задач
• Расширение применения БПЛА в гражданском секторе

Развитие беспилотной авиации является одним из приоритетных направлений для российского оборонно-промышленного комплекса. В ближайшие годы ожидается поступление на вооружение новых типов БПЛА, не уступающих зарубежным аналогам.

Проблемы и вызовы в развитии беспилотной авиации

Несмотря на значительные успехи, в развитии беспилотной авиации в России существует ряд проблем и вызовов:

• Отставание в создании тяжелых ударных БПЛА
• Зависимость от импортных комплектующих
• Недостаточное финансирование гражданских разработок
• Нехватка квалифицированных кадров
• Отсутствие нормативной базы для массового применения дронов

Для решения этих проблем требуется комплексный подход, включающий увеличение финансирования, подготовку специалистов, развитие технологической базы и совершенствование законодательства в сфере беспилотной авиации.

Заключение

Развитие беспилотных летательных аппаратов является одним из приоритетных направлений для России как в военной, так и в гражданской сфере. Несмотря на ряд проблем, в последние годы достигнут значительный прогресс в создании и внедрении различных типов БПЛА. Дальнейшее развитие беспилотной авиации позволит повысить обороноспособность страны и эффективность решения многих гражданских задач.

Беспилотные летательные аппараты (БПЛА) — Что такое Беспилотные летательные аппараты (БПЛА) ?

Беспилотные летательные аппараты (БПЛА), или дроны – это летательные аппараты без экипажа, которые управляются дистанционно (например, с земли или с другого воздушного судна) или при помощи другого автономного программного обеспечения, установленного на борту.

БПЛА имеют раму из легких композитных материалов или сплавов легких металлов, к которой крепятся остальные элементы:

• полетный контроллер, принимающий сигналы от наземного пульта управления или бортового компьютера и перенаправляющий их на другие элементы конструкции. В базовый набор элементов контроллера входят датчики высоты (барометр) и положения в пространстве (гироскоп), устройство для измерения ускорения (акселерометр), GPS-навигатор, Wi-Fi, ОЗУ;
• двигатели, пропеллеры и регуляторы оборотов, обеспечивающие полет;
• элементы питания – аккумуляторы.

По разнообразию конструкции существует 4 основных типа беспилотных летательных аппаратов:

• мультироторные – мультикоптерные дроны – самый распространенный тип. Представляют собой летающие платформы с 3, 4, 6, 8, 12 бесколлекторными двигателями с пропеллерами. В полете держат горизонтальное положение относительно поверхности земли и могут зависать над определенным местом, перемещаться в стороны, вперед, назад, вверх и вниз, поворачиваться вокруг своей оси. Действия совершаются путем изменения тяги на каждом моторе;

• БПЛА с неподвижным крылом – беспилотники, которые для полета и создания подъемной силы используют «крыло», как и обычные самолеты. Они не могут зависать на месте в воздухе, борясь с гравитацией, но могут двигаться вперед по заданному курсу до тех пор, пока позволяет их источник энергии. Чаще всего пилотируются находящимся на борту воздушного судна пилотом, однако некоторые предназначены для дистанционного управления или управляются компьютером;

• однороторные дрон – беспилотные вертолеты – БПЛА, похожие по  конструкции на настоящие вертолеты. В отличие от многороторного дрона имеют 1 большой ведущий винт и небольшой по размеру винт на хвосте для контролирования курса. Эффективнее, чем многороторные: имеют более высокое время полета и могут приводиться в действие двигателями внутреннего сгорания. Но из-за более сложной конструкции имеют высокую стоимость и эксплуатационные затраты;

• гибридные дроны – беспилотные летательные аппараты, сочетающие в себе преимущества моделей с неподвижным крылом (например, более высокое время полета) с преимуществами моделей на основе винтов (например, возможность парения). Гибридные конструкции летательных аппаратов проектировались с 1960
  х гг., но тогда не имели особого успеха. Однако с появлением датчиков нового поколения (гироскопов и акселерометров) гибридность конструкции получила новую жизнь и направление развития.  

В настоящее время БПЛА активно применяются в самых различных отраслях:

• в архитектуре и градостроительстве система с использованием дрона и специального ПО может автономно обследовать местность и формировать 2D и 3D карты и модели местности;
• в городском хозяйстве при помощи БПЛА производится поиск несанкционированных свалок, выявление незаконной застройки, контроль качества дорожного покрытия, взятие проб воздуха и пр.;
• в картографии и кадастре беспилотники помогают получать ортофотопланы для целей картографирования, постановки на кадастр и т.п.;
• в фотоискусстве и кинематографе при помощи БПЛА осуществляется профессиональная фото- и видеосъемка;
• в сельском хозяйстве беспилотники способны выявлять засушливые территории, проплешины, гибель урожая, могут также использоваться для точечного опрыскивания растений и плодовых деревьев.

Использование решений на базе беспилотных технологий дает большие преимущества и нефтегазовой отрасли: они позволяют выполнять предварительный анализ перспективных участков, осуществлять геодезические съемки для проектирования и подготовки сейсморазведки, проводить мониторинг трубопроводов с целью обнаружения утечек, выявлять состояние строительных объектов и т. д.

Почему России нужно вооружать беспилотные летательные аппараты

«На финальном этапе учений «Запад-2021» были массово применены робототехнические комплексы. На одном полигоне Мулино — более 30 единиц», – рассказал «Газете.Ru» военный эксперт Дмитрий Литовкин.

13 сентября 22:39

При этом эксперт отметил, что на вооружении российской армии пока нет боевых беспилотников, оснащенных оружием. В ее арсенале роботы-разведчики и комплексы, способные блокировать диапазоны сотовых сетей условного противника в ближнем радиусе.

Это, например, беспилотник-разведчик «Элерон-3», предназначенный для воздушной фоторазведки объектов, и «Форпост», разработанный на базе израильского беспилотника IAI Searcher II.

«Реальные беспилотники, машины, способные решать оперативно-тактические и стратегические задачи, только появились в России. Минобороны заинтересовано в них. Минобороны заявило о закупке комплексов «Орион» и «Сириус». То, что эти машины будут производиться массово, сомнений нет. Учения «Запад-2021» показали, что Минобороны знает, как будет их применять», – сообщил Литовкин.

Однако, отметил эксперт, вооружение к этим машинам на сегодняшний день «есть только теоретически».

Проверку боем не проходили

«Раньше было сложно разработать боеприпасы, так как было непонятно, какие будут беспилотники. В настоящий момент у производителей боеприпасов есть представления о беспилотниках, об их тактических возможностях, соответственно, создаются и боеприпасы», — рассказал Литовкин.

По словам члена общественного совета при Минобороны России, директора Центра анализа стратегий и технологий Руслана Пухова, Россия отстает от других стран в создании беспилотных аппаратов, их применении и в экспорте.

«Пока мы ни одну российскую беспилотную систему в бою не видели, только их применение на учениях и на полигонах в Сирии. То, что у России до сих пор нет в войсках значительного количества БЛА — абсолютно неприемлемая ситуация», — рассказал Руслан Пухов «Газете.Ru».

«Беспилотниками обзавелись страны третьего мира, причем целый ряд стран, которые никак нельзя было назвать до недавнего времени лидирующими военно-промышленными державами. К примеру, Турция и Иран. У них уже есть ударные беспилотники, которые они успешно активно применяют в боевых действиях. У нас же вроде беспилотники есть, но в то же время в войсках их нет. А в Сирии мы их применяем в качестве эксперимента», — добавил Пухов.

Сбивать дроны пачками

Боевые БЛА со временем смогут существенно потеснить пилотируемые самолеты, и России важно не упустить этот тренд.

«Человек ошибается при выборе решений, у него не такая быстрая реакция, как у компьютера. Сама система жизнеобеспечения летчика — катапультное кресло, кислородные баллоны — весит много. Если убрать человека с борта самолета, то можно взять больше топлива и оружия. Поэтому беспилотник легче, его сложнее сбить и он получается более дешевым. Но главное — потеря летчика это всегда трагедия. Общество требует, чтобы война велась, в идеале, с нулевыми потерями», — рассказал Руслан Пухов.

13 сентября 22:31

Дмитрий Литовкин отметил, что одно из основных преимуществ беспилотников над самолетами в том, что для них не нужно долго готовить летчиков.

«Самолет можно сделать, а человека подготовить очень тяжело. Дроны можно сбивать пачками. Пострадает бюджет, а люди останутся целы. Операторы, которые ими управляют, сделают выводы и смогут «начать игру заново». В глобальном плане это дешевле и эффективнее», — сказал Литовкин.

Вместе с тем эксперты уверены, что беспилотники не заменят пилотируемую авиацию полностью.

«От управляемой авиации никто не откажется. Тот же оператор по мониторам видит достаточно ограниченную ситуацию, которая происходит на земле. Пилот же может принять решение на изменение условий выполнения боевого задания, — рассказал Литовкин. — Оператор беспилотника не всегда это может сделать оперативно и происходят трагические ошибки.

К примеру, американцы бомбили в Афганистане свадебные процессии. Разведка докладывает, что там должен пройти караван с оружием — они наносят удары дронами, а оказывается, что там были мирные люди. Оператор беспилотника не смог принять решение, потому что он вообще не разобрался в ситуации».

«То, что время пилотируемой авиации прошло — сильное преувеличение, — согласен Руслан Пухов. — БЛА будут отвоевывать все больше места, но пилотируемые самолеты надежны, гибки и удобны для использования. Поэтому в обозримом будущем мы будем видеть некий микс роботизированных систем с системами пилотируемыми».

Армия получит новые комплексы с ударными беспилотниками в 2021 году

В 2021 году Российская армия получит новые комплексы с ударными беспилотными летательными аппаратами «Иноходец». И дальше их закупка пойдет по нарастающей.

Министр обороны Российской Федерации генерал армии Сергей Шойгу проверил выполнение государственного оборонного заказа на московском предприятии «Кронштадт», где действует полный производственный цикл по созданию беспилотных авиационных комплексов — от их проектирования до испытаний и сертификации.

Как сообщил Департамент информации и массовых коммуникаций военного ведомства, в конце февраля министру продемонстрировали процесс изготовления композитных деталей планеров беспилотных летательных аппаратов, сборки готовых изделий, а также наземный пункт управления беспилотниками. В центре внимания был «Иноходец» — комплекс воздушной разведки большой продолжительности полета с возможностью выполнения ударных задач. Сергей Шойгу также оценил перспективный скоростной ударный беспилотник «Гром», разведывательно-ударный и аппарат радиолокационного дозора «Гелиос-РЛД». Показали ему и беспилотники, находящиеся на плановом техобслуживании после боевого применения в Сирии.

Надо отметить, что это был первый столь обстоятельный визит министра на предприятие, специализирующееся только на разработке и производстве беспилотных летательных аппаратов различного назначения. Судя по всему, Сергей Кужугетович остался доволен увиденным. Именно на территории «Кронштадта» он обсудил с военными и гражданскими специалистами состояние и перспективы развития российской беспилотной авиации, определил меры по повышению темпов оснащения Вооруженных сил дронами отечественного производства.

Стало известно, что Вооруженные силы получат семь комплексов с «Иноходцами». В составе каждого комплекса три беспилотных ударно-разведывательных летательных аппарата. Министр обороны впервые открыто заявил, что требуется увеличить производство таких беспилотников. На что гендиректор предприятия Сергей Богатиков ответил, что уже в этом году планируется запустить в строй серийный завод.

Стоит уточнить. «Иноходец» — название опытно-конструкторской работы, заданной минобороны. В ее рамках требовалось создать многоцелевой беспилотник средней высотности и большой продолжительности полета. Он был создан в оговоренные сроки и получил гражданское имя «Орион». Этот дрон прошел полный цикл госиспытаний и готов к серийному производству. Однако военные предпочли дать закупаемому аппарату имя, под которым шли опытно-конструкторские работы — оно действительно звучит по-боевому. В октябре 2019 года генконструктор промышленной группы «Кронштадт» Николай Долженков за разработку первого в России многофункционального беспилотника большой продолжительности полета был удостоен премии имени Н.В. Огаркова.

«Иноходец» имеет максимальный взлетный вес 1000 кг и массу полезной нагрузки до 200 кг. Длина аппарата — 8 метров, размах крыла — 16 метров, продолжительность полета — 24 часа. Его вооружение, которое размещается на трех узлах подвески, было хорошо представлено на военно-техническом форуме «Армия 2020». Это корректируемые планирующие авиабомбы КАБ-100 и КАБ-50Л, корректируемая авиабомба КАБ-20С, неуправляемая фугасная авиабомба ФАБ-50. В арсенале есть и управляемые ракеты, названия которых пока не разглашаются.

Имеет смысл рассказать о беспилотнике дальнего радиолокационного дозора «Гелиос-РЛД». Он несколько отличается от «Иноходца», прежде всего, своим основным предназначением. Под фюзеляжем этот аппарат несет современную радиолокационную систему с функцией ретранслятора. Как утверждают специалисты, несколько таких беспилотников способны сформировать сплошное радиолокационное поле по всей Арктике и обеспечить там устойчивую радиосвязь. Помимо этого, «Гелиос» может осуществлять разведку в интересах ВМФ или погранслужбы. В экспедиционных миссиях Российской армии дроны дальнего радиолокационного обнаружения станут просто незаменимы в управлении войсками и получении жизненно важной информации.

Скоростной ударный беспилотный летательный аппарат «Гром», макет которого также показали Сергею Шойгу, — это перспектива, причем не столь уж и отдаленная. Его максимальная взлетная масса будет около семи тонн. Боевая нагрузка — две тонны. Скорость — до 1000 км/час. Максимальная высота полета — двенадцать тысяч метров. Радиус боевого применения — 700 км.

Он будет способен обеспечивать применение авиационных средств поражения с лазерным, спутниковым и телевизионным наведением. У него четыре точки подвески — две под консолями крыла и две — внутри фюзеляжа. «Гром» сможет нести и тяжелые корректируемые авиабомбы массой 500, 250, 100 кг, и совсем для него легкие КАБ-50С и КАБ-20Л, причем в большом количестве.

Как считают создатели «Грома», он вполне сможет работать вместе с пилотируемыми истребителями Су-35 и Су-57, причем в одном с ними боевом порядке. В частности, это позволит сохранить жизни пилотов при преодолении зоны ПВО.

Можно утверждать, что точка неопределенности пройдена. Наши Вооруженные силы начинают оснащаться самыми современными многофункциональными беспилотниками.

DELTA-M, беспилотный летательный аппарат

Компания участник: Автономные аэрокосмические системы, ООО

Беспилотное воздушное средство Delta-M фактически носит многоцелевое назначение, однако, его применение на сегодняшний день замечено исключительно в гражданской сфере, ввиду чего БПЛА т позиционируется как гражданское беспилотное воздушное судно.

Беспилотный летательный аппарат Delta-M может применяться для широкого спектра задач, куда входит разведка местности, проведение патрульных и наблюдательных полётов, геологическая и геодезическая разведка, осуществление задач связанных с аэрофотографированием и аэросъёмкой местности, проведением картографических работ и составлением планов и карт местности, осуществлением поисковых операций, применяться для патрулирования автомобильных дорог и др.

Delta-M обладает небольшими габаритными размерами, в частности, при длине беспилотного летательного аппарата в 0,46 метра, размах крыльев этого устройства составляет 1,2 метра, что обеспечивает удобство при транспортировке БПЛА.

Силовая установка беспилотного воздушного средства Delta-M представлена одним электрическим мотором, при относительной лёгкости данного устройства позволяет дрону разгоняться до скорости в 80 км\ч., и позволяет выполнять автономные полёты более чем в течение 3 часов.

В качестве средства наблюдения, на беспилотном летательном аппарате Delta-M применяется электрооптическая камера высокого разрешения, что позволяет получать высокоточные и высококачественные снимки и вести съёмку местности.

Ключевые особенности

• Автоматические взлет и посадка.
• Получение картографических материалов и цифровых моделей рельефа масштабом до 1:500.
• В составе комплекса доступна опция L1/L2 GLONASS/GPS приёмника, что повышает точность привязки центров фотографирования и снижает      объемы наземных работ.
• Бесплатная техподдержка на 4 года.
• Широкий диапазон рабочих температур от -35 до +45°С.

Технические характеристики

Скорость ЛА	60-80 км/ч.
Высота полёта	100-3000 м
Продолжительность полёта	до 2,5 часов
Максимальная дальность действия радиосвязи	50 км
Взлёт/посадка	катапультный/парашютная
Максимальная допустимая скорость ветра	15 м/с
Диапазон рабочих температур	от -35 до +45 °C
Взлётная масса	9 кг
Масса полезной нагрузки	до 1,75 кг
Размах крыла	2100 мм
Длина	840 мм
Высота	200 мм

Видео

Беспилотные летательные аппараты – незаменимые помощники петербургских спасателей

В последнее время все чаще в системе МЧС России, да и в других ведомствах и службах страны, стали фигурировать беспилотные летательные аппараты различных типов и назначений. Эти маленькие винтокрылые машины стали для спасателей незаменимыми помощниками, и уже успели снискать себе славу и уважение среди представителей этой мужественной профессии, продолжая и далее упрочивать свои позиции на фронтах пожарно-спасательного дела.

О том, как используется беспилотная авиация в петербургском Главке МЧС, какие беспилотники стоят на вооружении спасателей города на Неве и в каких случаях они применяются, мы поговорили с главным специалистом Управления информационных технологий, автоматизированных систем управления и связи  Иваном Антошкиным.

— Иван Алексеевич, расскажите, пожалуйста, когда пожарно-спасательные подразделения Санкт‑Петербурга стали использовать в своей работе беспилотные летательные аппараты?

— В Главном управлении МЧС России по Санкт‑Петербургу беспилотные летательные аппараты появились с 2013 года. В настоящее время в распоряжении петербургских спасателей находятся четыре беспилотника. Два из них стоят на вооружении Центра управления в кризисных ситуациях, еще два переданы в  Специализированную пожарно-спасательную часть ФПС Санкт‑Петербурга.

Кроме того у нас подписано соглашение с одной из организаций, выпускающей беспилотные летательные аппараты, которая в случае необходимости или какой-либо экстренной ситуации готова выделить нам дополнительное количество беспилотников. 

—  Для чего и в каких ситуациях используются беспилотные летательные аппараты, какие основные задачи стоят перед ними?

— Применение этих устройств оказывает значительную помощь при анализе ситуации и проведении комплексного мониторинга. В ледовый сезон, когда рыбаков нередко уносит на льдине, БПЛА становятся незаменимыми помощниками, позволяющими с высоты в кратчайшие сроки и с минимальными усилиями обследовать, к примеру, акваторию Финского залива и передать точное место нахождения людей. Летом же их применение позволяет проводить мониторинг пляжных и лесопарковых зон, что в разы сокращает вероятность развития пожара. Ведь если обнаружить очаг только что возникшего, как правило, в труднодоступном месте лесного или торфяного пожара, можно избежать серьезных последствий. В весенне-летний пожароопасный период, когда зачастую возникают пожары от пала травы, беспилотные летательные аппараты также незаменимы: они используются для разведки развития пожара, который может охватить большие площади, сверху. «Картинка», которую в режиме реального времени беспилотник передает на пульт управления, помогает определить развитие пожара и направить пожарно-спасательную технику в нужном направлении.    

При сложных пожарах на больших площадях беспилотники дают возможность оценить ситуацию в целом и увидеть то, что с земли обычно остается незамеченным. Одним из примеров может послужить недавний пожар в Колпинском районе Петербурга. Вечером 7 июня в поселке Понтонный загорелось строящееся судно, стоящее в одном из цехов Средне-Невского судостроительного завода. Тогда огонь охватил 600 кв. метров площади, возгоранию был присвоен третий номер сложности. Для разведки обстановки сверху, прогнозирования возможного развития пожара, а также разведки естественных водоисточников в небо был поднят беспилотный летательный аппарат. Полученные с его помощью данные помогли также спрогнозировать ситуацию с направлением дыма от пожара и содержащихся в нем вредных токсичных веществ, направить туда Передвижную химико-радиометрическую лабораторию и предупредить население.

Беспилотная авиация – это также отличный способ мониторинга состояния транспортных магистралей, линий электропередач и других объектов, определение точных координат районов ЧС и пострадавших объектов.

— Почему беспилотники приобретают всю большую популярность в системе МЧС России?

— Наверное, это связано с тем, что использование беспилотной авиации позволяет, так сказать, экономить человеческий ресурс. Дополнительный, и весьма немаловажный, «плюс» БПЛА – это экономия материальных средств. Ведь гораздо дешевле использовать беспилотник, чем проводить облет территорий на вертолете, что и делалось ранее, например, для мониторинга обстановки с пожарной безопасностью лесов. Фото и видеоданные, получаемые в режиме реального времени с борта беспилотных летательных аппаратов, позволяют сотрудникам  МЧС не только оценивать и анализировать сложившуюся ситуацию, но и принимать оперативные решения. Благодаря этому, наземные группы в кратчайшие сроки ликвидируют негативные последствия ЧС, либо, если это возможно, и вовсе предотвращают ее.  

— Где и какое образование получают специалисты, которые работают с беспилотниками?

— Первоначальная подготовка операторов проводится на предприятиях-изготовителях данных аппаратов. Повышение квалификации осуществляется на базе Академии гражданской защиты МЧС России и других учебных заведениях ведомства. На базе Санкт‑Петербургского университета ГПС МЧС России в настоящее время создается специальный курс подготовки специалистов-операторов беспилотных летательных аппаратов. В настоящее время там осуществляется обучение преподавателей университета, которые уже в новом учебном году начнут давать студентам соответствующие курсы.

Однако практический опыт все равно накапливается с тренировками. Именно поэтому беспилотники в последнее время стали неотъемлемой частью учений сил и средств, проводимых Главным управлением МЧС России по Санкт‑Петербургу. Наряду с личным составом пожарно-спасательных подразделений операторы БПЛА также оттачивают свое мастерство на подобных тренировках. Немаловажно знать и тонкие вопросы законодательство в этой области.

 

как Россия усиливает беспилотную авиацию — РТ на русском

Военные железнодорожники Центрального военного округа впервые получат малые беспилотные летательные аппараты «Тахион». Об этом сообщило Минобороны России. В ведомстве уточнили, что комплексы БПЛА «будут применяться на плановых учениях и в ходе выполнения задач по ликвидации последствий чрезвычайных ситуаций в качестве средств воздушной разведки». По мнению экспертов, беспилотник повысит мобильность армии, а также позволит командованию адекватно оценивать обстановку и должным образом использовать штатные силы и средства. Россия активно развивает строительство военных БПЛА, которые могут составить достойную конкуренцию зарубежным аналогам, считают аналитики.

Железнодорожная бригада Центрального военного округа, дислоцированная в Хакасии, впервые получит на вооружение малые беспилотные летательные аппараты «Тахион». Об этом сообщило Министерство обороны России.

«Комплексы БПЛА будут применяться военными железнодорожниками ЦВО на плановых учениях и в ходе выполнения задач по ликвидации последствий чрезвычайных ситуаций в качестве средств воздушной разведки», — отмечается на сайте ведомства.

Также по теме

Облегчённый арсенал: на что будут способны российские БПЛА с новыми малогабаритными боеприпасами

Российские ударно-разведывательные беспилотники получат малогабаритные авиационные боеприпасы массой от 50 до 100 кг. Об этом сообщил…

Предполагается, что в чрезвычайных ситуациях беспилотники в режиме реального времени смогут следить за обстановкой в районах очагов лесных и полевых пожаров, защитой мостов и гидротехнических сооружений при паводках и аварийно-спасательных работах.

«Беспилотный летательный аппарат разработан по аэродинамической схеме «летающее крыло» и состоит из планера с системой автоматического управления», — уточнили в оборонном ведомстве.

По данным Минобороны, комплекс с БПЛА малой дальности «Тахион» используется в армии для воздушной фоторазведки объектов противника «в интересах подразделений» сухопутных войск, воздушно-десантных войск, береговых войск военно-морского флота. Эта информация, в свою очередь, впоследствии используется в том числе «для целеуказания ударным (огневым) средствам, ретрансляции радиосигнала».

«Полезная нагрузка включает сменные модули с тепловизионной камерой, цветной видеокамерой на гиростабилизированной поворотной платформе, фотокамерой, аппаратурой ретрансляции. Способ старта — с ручной катапульты», — ранее сообщало военное ведомство.

Стоит отметить, что аппараты «Тахион» могут использоваться в любое время суток на дальности до 40 км даже в неблагоприятных погодных условиях, например при порывах ветра, достигающих 15 м/с. Рабочий диапазон температур аппарата — -30…+40 °С, скорость — до 120 км/ч, максимальная высота полёта — 4 тыс. м.

• Минобороны России
• РИА Новости
• © Наталья Селиверстова

«Тахион» — детище ижевского ООО «Ижмаш — Беспилотные системы». Беспилотник был представлен в 2012 году, а в конце 2014-го они начали поступать на вооружение частям БПЛА Восточного военного округа. В настоящее время «Тахион» используется сухопутными войсками, а также подразделениями ВМФ России.

«Будет помогать командованию»

Как заявил в беседе с RT член Ассоциации эксплуатантов и разработчиков беспилотных авиационных систем Эдуард Багдасарян, «Тахион» даёт армии прежде всего такое важное преимущество, как оперативность.

«Ведь он разворачивается в течение 20 минут и практически сразу же готов к активному применению», — отметил аналитик.

С его точки зрения, для железнодорожных войск такой аппарат может быть крайне полезен.

«Ему под силу очень быстро промониторить путевую обстановку, проконтролировать состояние железнодорожного полотна», — пояснил Багдасарян.

Военный эксперт Алексей Леонков, в свою очередь, заметил в интервью RT, что благодаря «Тахиону» железнодорожные военные могут также отслеживать, что происходит в районе движения поезда с военной техникой или боеприпасами.

«В случае если речь идёт о таких составах спецназначения, разведка просто необходима. К тому же у Железнодорожных войск России есть важная функция — восстановление путей сообщения в результате, например, природного катаклизма или другой ЧС. При этом нужно определить масштабы происшествия, а бинокль тут не сильно поможет, но беспилотник «Тахион» выручит. Такой БПЛА будет помогать оператору и командованию оценивать обстановку, чтобы правильно и грамотно применить штатные силы и средства», — говорит Леонков.

Он также подчеркнул, что «Тахион» может быть трансформирован из разведывательного аппарата в боевой посредством «смены блоков целевой нагрузки».

• Беспилотный летательный аппарат «Тахион»
• © Виталий Тимкив

«На нём можно установить аппаратуру, ведь вес полезной нагрузки составляет 5 кг. То есть из этого БПЛА можно сделать боевой аппарат, однако основная его функция — это всё-таки разведка», — пояснил эксперт.

Качество наблюдения

Помимо «Тахиона», на вооружении российской армии стоят также такие БПЛА, как «Элерон-3», «Орлан-10», «Леер», «Гранат» и «Груша».

Все эти беспилотные летательные аппараты военные задействуют в том числе во время учений.

Так, в августе 2019 года более 70 этих комплексов беспилотной авиации Западного военного округа приняли участие в тактико-специальных манёврах, которые проходили одновременно на полигонах в Московской, Ленинградской, Калининградской, Воронежской и Смоленской областях.

Также по теме

«Закрыть стратегические расстояния»: какими возможностями обладают новые российские беспилотники тяжёлого класса

Перспективный тяжёлый беспилотник «Сириус» совершит свой первый полёт в 2022 году. Об этом на полях МАКС-2019 рассказал RT генеральный…

«Поднятые по тревоге расчёты комплексов с беспилотными летательными аппаратами (БЛА) «Орлан-10», «Леер», «Гранат», «Элерон-3», «Тахион» и «Груша» совершили многокилометровые марши в назначенные районы, где с применением БЛА выполнили разведку местности на высоте от 500 м до 2500 м и передачу командным пунктам мотострелковых, артиллерийских, авиационных и ракетных подразделений данных о скоплениях бронетехники, инженерных укреплениях, расположении войск и объектов условного противника», — отмечается в сообщении Минобороны РФ.

Кроме того, беспилотная авиация России осуществляет и мониторинг местности, преследуя разные цели, например облёт военных городков для уточнения обстановки в них. В июне 2018 года комплексы «Тахион», «Элерон-3» и «Орлан-10» Восточного военного округа провели мониторинг более 90 таких объектов, чтобы отследить состояние их инфраструктуры, передвижение военной техники, пожароопасную обстановку.

С помощью беспилотной авиации ведётся и мониторинг зон возможных кризисных ситуаций. В марте прошлого года российское военное ведомство сообщило, что БЛА воинских частей и соединений Южного военного округа следят за паводковой и пожарной обстановкой в зонах своей ответственности. Указывается, что получаемые данные позволяют командованию «оперативно реагировать на изменяющуюся обстановку и минимизировать последствия стихии». Только за полгода эти расчёты подразделений БЛА отработали в воздухе более 250 часов.

Напомним, в прошлом году модификации беспилотных летательных аппаратов «Элерон», «Тахион» и «Орлан» поступили на вооружение Амурского объединения Восточного военного округа.

А в ноябре стало известно, что батальон беспилотной авиации российской военной базы в Таджикистане получит БЛА «Элерон-3» и «Тахион» в 2020-м. Об этом сообщил журналистам командир базы полковник Сергей Горячев.

• Военнослужащие запускают беспилотный летательный аппарат во время тактических учений
• РИА Новости
• © Георгий Зимарев

«С помощью данных БЛА улучшается качество наблюдения за приграничными территориями», — сказал Горячев.

По его словам, новая техника увеличит мобильность подразделения, а также позволит «получать информацию и выполнять задачи быстро, качественно и в срок».

Достойный конкурент

Россия также ведёт разработки и других военных БПЛА. В декабре прошлого года Минобороны РФ и Уральский завод гражданской авиации (УЗГА) подписали контракт на создание разведывательно-ударного беспилотника «Альтиус-РУ». Об этом во время визита на предприятие сообщил заместитель главы военного ведомства Алексей Криворучко.

Также по теме

«Уникальные возможности для БПЛА такого класса»: как Россия модернизировала беспилотник «Форпост»

В 2020 году российская армия начнёт получать новые тяжёлые беспилотные комплексы «Форпост-Р». Об этом сообщила пресс-служба Минобороны…

По его словам, этот аппарат будет оснащён комплексом средств спутниковой связи и элементами искусственного интеллекта, «способного взаимодействовать с пилотируемыми летательными аппаратами».

Кроме того, УЗГА поставит в Вооружённые силы РФ десять разведывательных комплексов с обновлёнными беспилотными летательными аппаратами «Форпост-Р». А в текущем году Минобороны планирует заключить контракт на поставку ещё 18 таких комплексов.

«Комплекс получил новые возможности благодаря передовым отечественным разработкам, позволяющим вести разведку круглосуточно с применением не только оптических, но и радиотехнических и радиолокационных средств», — отмечают в министерстве.

По мнению Алексея Леонкова, новые российские БПЛА по своим характеристикам способны конкурировать с западными аналогами.

«Россия обладает научно-техническим заделом, который сейчас продолжает развивать и реализовывать. Поэтому РФ сейчас — достойный конкурент на мировом рынке строительства БПЛА. Разработки новых аппаратов идут полным ходом. Ряд БПЛА уже показали свою эффективность. Кроме того, РФ скорректировала соответствующие программы, и уже в ближайшем будущем мир увидит новые беспилотники, которые также будут крайне востребованны», — резюмировал Леонков.

Автоматизированный беспилотный летательный аппарат «Шмель». Представляет компания «Стилсофт»

В рубрику «Видеонаблюдение (CCTV)» | К списку рубрик  |  К списку авторов  |  К списку публикаций

Беспилотные летательные аппараты (БПЛА) уже давно используются в различных ведомствах и структурах для выполнения задач по разведке труднодоступных территорий, охраны государственных границ, для нужд Министерства обороны, МВД и МЧС.

Общеизвестно, что основными недостатками большинства присутствующих на отечественном рынке БПЛА является необходимость наличия высококвалифицированного обслуживающего персонала, специально подготовленного места для взлета и посадки, а также сложность его эксплуатации без привязки к конкретной местности.

Для решения проблем ключевых заказчиков специалистами компании «Стилсофт» был разработан БПЛА «Шмель», основная инновационность которого заключается в способности эксплуатироваться неквалифицированными операторами в полностью автоматическом режиме.

Основные инновации и преимущества:

1. Автоматическое выполнение полетного задания: позиционирование на местности, взлет, передвижение по маршруту, а также посадка в автоматическом режиме.
2. Автоматическое самотестирование неполадок: экстренная посадка или возврат на место старта при обнаружении во время самотестирования каких-либо неполадок.
3. Автоматическое патрулирование охраняемых территорий: возможность использования для охраны периметров в комплексе с периметральной системой охраны объекта.

В базовый состав БПЛА «Шмель» входят беспилотная летательная платформа, гиростабилизированная платформа, пульт управления и высококачественная фото/видеокамера.

Ключевые отличия

1. Видеосъемка при сильном боковом или порывистом ветре.
2. Привязка GPS-координат и времени к фотографии местности.
3. Детализация объектов местности на большом удалении: использование высококачественной фото/видеокамеры дает возможность детального рассмотрения объектов местности на большом удалении с минимальными оптическими искажениями.

Опубликовано: Спец.приложение «Video & Vision»-2013
Посещений: 25462

В рубрику «Видеонаблюдение (CCTV)» | К списку рубрик  |  К списку авторов  |  К списку публикаций

Sky-bots: взгляд на беспилотные летательные аппараты

Хотя беспилотные летательные аппараты (БПЛА), обычно называемые «дронами», существуют с самых первых дней авиации, их использование резко возросло в первом десятилетии 21-го века. С 2001 по 2012 год количество БПЛА только в вооруженных силах США выросло с 60 до более 6000 самолетов.

Военные БПЛА представляют лишь часть картины. Мы также используем дроны для самых разных целей: от правоохранительных органов до поисково-спасательных работ после стихийных бедствий, исследования погоды, борьбы с вредителями и даже для съемки с воздуха для застройщиков.Изображения: Быстрое распространение этих беспилотных летательных аппаратов в военных и гражданских правоохранительных операциях привлекло к ним внимание общественности и вызвало споры. Но что такое БПЛА? Как они работают? Откуда они пришли?

Выставка Sky-bots в Большой галерее музея знакомит с историей и использованием беспилотных летательных аппаратов. На выставке представлены несколько исторически значимых БПЛА, в том числе немецкий Фау-1; Insitu Aerosonde, первый беспилотный самолет, совершивший перелет через Атлантику; и Dark Star, первая попытка сделать беспилотник-невидимку.

Сборка ScanEagle:

Подписи к фотографиям

Сверху

1. General Atomics MQ-9 Reaper парит над пустыней. -ВВС США
2. В 1918 году Элмер Сперри осуществил первый успешный полет специального беспилотного летательного аппарата с двигателем. Здесь можно увидеть прототип Sperry Aerial Torpedo 1917 года на пусковой установке. -Питер М.Коллекция Бауэрса, Музей полета
.
3. Insitu Aerosonde Laima стал первым БПЛА, перелетевшим Атлантический океан в 1998 году. Он стартовал в свой исторический полет с заднего сиденья автомобиля. -Группа Инситу

   ---

Хотите узнать больше о БПЛА?

Ознакомьтесь с некоторыми из этих ресурсов

В печати:

• МакДейд, Хью и Дэвид Оливер. Умное оружие: совершенно секретная история дистанционно управляемого бортового оружия .Барнс энд Ноубл, Инк., 1997.
.
• Ньюком, Лоуренс Р. Беспилотная авиация: краткая история беспилотных летательных аппаратов . Pen and Sword Aviation, 2004.
• Уиттл, Ричард. «Дрон стартовал здесь». Воздух и космос . Май 2013.
• Йенн, Билл. Атака дронов: история беспилотного воздушного боя . Зенит Пресс, 2004.
.

Онлайн :

БПЛА Торговые организации:

10 основных плюсов и минусов беспилотных летательных аппаратов (БПЛА) дронов

Технология дронов

Последний стандарт инспекций охватывает дроны, которые эффективно владеют искусством сбора данных.Технологии БПЛА стимулируют различные отрасли промышленности. Однако при всех достоинствах есть и недостатки. Хотя дроны стремятся к совершенству, они не созданы безупречно. Изучите последующие 10 основных плюсов и минусов беспилотных летательных аппаратов (БПЛА) и узнайте больше обо всем, что могут предложить дроны!

ПЛЮСЫ И ПРОТИВ БПЛА

ПРЕИМУЩЕСТВА:

1. ПОДДЕРЖАНИЕ БЕЗОПАСНОЙ СРЕДЫ — БПЛА используются во многих случаях благодаря их повышению безопасности.Благодаря своим возможностям дистанционного управления дроны контролируют местоположение, сообщают о возможных опасностях и уведомляют об угрожающих условиях, таких как нефте- и газоперерабатывающие заводы, трубопроводы и факельные трубы. Мало того, технология дронов используется в вооруженных силах и в периоды повышенного риска. Их функции позволяют получать данные в режиме реального времени для создания и сохранения безопасной среды.
2. ЭКОНОМИЧНАЯ ТЕХНОЛОГИЯ. Поскольку область применения дронов становится все более широкой, их цены также становятся более доступными.Теперь люди приобретают дроны не только для своей производственной деятельности, но и для удовлетворения своей технологической страсти к гаджетам. БПЛА больше не предназначены только для военных, правоохранительных органов или элиты. Поскольку БПЛА берут на себя несколько рабочих, транспортных средств и операций в коммерческих целях, многие расходы сохраняются. Например, дрон дешевле покупать, обслуживать и заправлять, чем самолеты для инспекций. Кроме того, вам не нужно арендовать лестницу, автоподъемники и другое тяжелое оборудование.
3. КАЧЕСТВО АЭРОСЪЕМКИ —
   АЭРОСЪЕМКА Благодаря камерам высокого разрешения, оснащенным первоклассными датчиками, БПЛА могут делать отличные аэрофотоснимки, аэровидеосъемку и накапливать большие объемы точных данных. Полученные данные преобразуются в подробные 3D-карты и 3D-модели для полного анализа. Трехмерное картирование особенно актуально для обнаружения трещин, повреждений или других опасных элементов в зонах стихийных бедствий. Дроны, в сочетании с изображениями с высоким разрешением или возможностями видео 4K, хорошо известны тем, что транслируют в прямом эфире важные события, такие как развлечения, личные, политические и глобальные события.
4. ТОЧНОСТЬ — БПЛА используют GPS (систему глобального позиционирования) в своем программном обеспечении, поэтому их можно запрограммировать и точно направить в определенные места. Например, в точном земледелии беспилотный летательный аппарат используется для выполнения многих сельскохозяйственных работ, таких как опрыскивание пестицидами, выявление сорняков, мониторинг здоровья урожая, его повреждение, оценка урожая, анализ почвы в поле, мониторинг орошения и т. д. Эта функция точности благодаря GPS экономит время и деньги фермеров.
5. ЛЕГКО УПРАВЛЯЕМЫЙ ИЛИ РАЗВЕРТЫВАЕМЫЙ — Постоянное развитие технологий управления дронами позволяет операторам быстро развертывать и управлять дронами даже при относительно минимальном техническом опыте. Благодаря широкому спектру недорогих дронов, доступных для нескольких целей, дроны открыты для широкого круга операторов. Беспилотные летательные аппараты (БПЛА) имеют более широкий диапазон движения, летают ниже во всех направлениях и могут легко перемещаться по сравнению с пилотируемым самолетом.
6. БЕЗОПАСНОСТЬ. Еще одним преимуществом, которое взвешивает плюсы и минусы дронов, является безопасность, сосредоточенная вокруг них. Имея соответствующие разрешения и лицензии, операторы дронов могут использовать беспилотную авиационную систему (БАС) для обеспечения безопасности и наблюдения за частными организациями, потенциальными объектами и другими расходами. Дроны также могут собирать достоверную информацию о стихийных бедствиях для обеспечения безопасности и восстановления.
7. СНИЖАЕТ ОЧЕВИДНУЮ ОПАСНОСТЬ И РИСКИ ДЛЯ ЗДОРОВЬЯ. Благодаря поддержке дрона многочисленные опасности, такие как высота, ветер, погода и радиация, от которых ранее страдали члены экипажа, были заменены более жизнеспособными и безопасными альтернативами.Дроны облегчают простой и безопасный осмотр высоких и сложных конструкций, таких как нефте- и газоперерабатывающие заводы, факельные трубы и трубопроводы.
8. УГЛУБЛЕННЫЕ И ПОДРОБНЫЕ ДАННЫЕ В НАЛИЧИИ. Многие модели дронов выпускаются на рынок с возможностью обхода препятствий. Они могут действовать довольно близко к сооружениям, и это побуждает их собирать точные данные. Они снимают изображения с высоким разрешением или видео 4K, на которых четко видны трещины, повреждения, смещенные провода и дополнительные дефекты, которые мы не можем обнаружить невооруженным глазом.БПЛА позволяют получать полные данные, не подвергая опасности членов досмотровой бригады компании.
9. ГИБКОСТЬ ДЛЯ БЫСТРОЙ ПРОВЕРКИ. Поскольку дроны поставляются с различными характеристиками, некоторые из них могут проводить проверки на большой или малой высоте. Универсальность этих характеристик позволяет клиентам легко настраивать инструменты для своих проектов. Дроны подходят как для обычных, так и для чрезвычайных ситуаций, строительная отрасль соблюдает эти преимущества, особенно застройщики для осмотра крыш.Дроны могут выполнять несколько функций, таких как съемка высококачественных фотографий, видео, тепловизионных изображений и т. д. Затем эти данные передаются и обрабатываются немедленно, в отличие от традиционного метода, отнимающего много времени.
10. REACH HAZARDOUS AREA — БПЛА делают получение эффективных данных из труднодоступных мест легкой прогулкой для профессионалов отрасли. Это наиболее подходящая альтернатива для преодоления ограничений традиционных методов в отношении безопасности работников, особенно в опасных ситуациях, таких как радиационный контроль, осмотр высоковольтных линий.Дроны также позволяют использовать более экономичный подход к инспекциям этих мест.

НЕДОСТАТКИ:

1. КОНФИДЕНЦИАЛЬНОСТЬ. Хотя преимущества дронов безграничны, у технологии дронов есть несколько недостатков. БПЛА могут быстро стать жертвой манипуляций и нарушить частную жизнь группы или отдельного человека. Хотя многие хотят использовать дроны для обеспечения безопасности, это может нарушить многочисленные индивидуальные свободы во имя общественной безопасности.
2. ЗАКОНОДАТЕЛЬНАЯ НЕОПРЕДЕЛЕННОСТЬ — Широкое распространение получило использование беспилотных авиационных систем (БАС); однако закон все еще развивается, учитывая, что это новая технология в отрасли. Конкретные методы, установленные для крошечных дронов, также применимы к коммерческим и развлекательным приложениям, но все еще неясны в некоторых аспектах. Правила регулирования движения дронов и защиты собственности от проникновения с воздуха все еще находятся в разработке; таким образом, технология БПЛА функционирует в судебной серой зоне.Существуют многочисленные разногласия между правительственными постановлениями и любыми законами штата или города по управлению правами собственности на воздушное пространство, из-за которых операторы дронов могут нарушать правила, о которых они не знали.
3. БЕЗОПАСНОСТЬ. Безопасность является фундаментальным элементом, которому следует отдавать приоритет при использовании технологии дронов. БПЛА, оснащенные высококачественными датчиками, распознают возможные столкновения и безопасно обходят их, что делает их важной характеристикой. Эти возможности беспилотников должны напоминать возможности пилотируемых самолетов-штурманов.Похвально нанимать профессиональных поставщиков услуг дронов, которые могут управлять воздушным дроном, не разбивая его. Дроны, эксплуатируемые в густонаселенных регионах, подвергаются повышенному риску столкновения с землей или повреждения, в основном из-за сбоя системы или взлома.
4. ПРОБЛЕМЫ ИЛИ НЕИСПРАВНОСТЬ ПРОГРАММНОГО ОБЕСПЕЧЕНИЯ. Раньше было много дронов, которые стреляли из оружия по простолюдинам, что приводило к значительному количеству жертв, травм и повреждений из-за сбоев или ошибок программного обеспечения.Несчастные случаи с дронами наносят ущерб и другим военнослужащим. Дроны все еще находятся в процессе усовершенствования, чтобы ограничить несчастные случаи или опасности, которые могут повлиять на здоровье и безопасность человеческих жизней.
5. УЯЗВИМЫЕ ДЛЯ ДИКИХ ЖИВОТНЫХ — Дроны подвержены нападениям диких животных, а иногда и опасны для природы. Вполне возможно, что когда оператор дрона летит в области со значительным количеством диких животных, он врезается в дерево или, возможно, конфликтует с уязвимым животным.Крупные летающие птицы, такие как орлы, регулярно атакуют и даже захватывают дроны, работающие в их пространстве, для получения важных данных.
6. ШПИОНГ —
   ШПИОНГМногие правонарушители используют дроны в качестве стратегии для нацеливания на своих жертв и отслеживания их. Громкий шум пропеллеров больше не беспокоит и незаметен, что позволяет преступникам вторгаться в чью-то частную жизнь. Многие дроны, оснащенные тепловыми и ночными датчиками, идентифицируют признаки жизни и эффективно нацеливаются на тех, кто в данный момент интересует шпиона.Поскольку БПЛА могут собирать точные данные, они могут регистрировать обычные привычки и распознавать подозрительные действия без разрешения.
7. ЛЕГКО ВЗЛОМАТЬ. Одним из существенных недостатков развития технологии дронов является ее уязвимость. Хакеры могут быстро атаковать центральную систему управления дроном и стать первоначальным контроллером дрона. Первичная система управления включает в себя важные знания, необходимые хакерам для обхода без ведома первоначального оператора. Хакеры могут получить личную информацию, испортить или повредить файлы, а также передать данные неавторизованным третьим лицам.
8. ЗАВИСИМОСТЬ ОТ ПОГОДЫ. Дроны более уязвимы к погодным условиям по сравнению с традиционными летательными аппаратами. Например, если климатические условия неблагоприятны, БПЛА не будет надлежащим образом маневрировать или собирать надежные данные или изображения. Однако есть дроны, которые более устойчивы и могут успешно противостоять порывам ветра.
9. ЗНАНИЯ И НАВЫКИ. Как обсуждалось ранее, если кому-то необходимо получить точные, высококачественные данные, он должен обладать требуемым набором навыков.Эта спецификация указывает на то, что среднему фермеру потребуется всестороннее обучение или сторонний поставщик услуг дронов для сбора, обработки и анализа сельскохозяйственных данных. По мере расширения операторов в отрасли затраты на дроны и связанные с ними затраты на ресурсы будут постепенно снижаться.
10. МЕДЛЕННАЯ СКОРОСТЬ ПЕРЕДАЧИ ДАННЫХ. Одним из недостатков расширения технологии дронов в точном земледелии является скорость передачи данных, которая, по мнению некоторых, может составлять неделю.Если время, необходимое для доставки данных, приводит к непроизводительности фермера и повреждению удобрений, сельскохозяйственных культур или пестицидов, работа дрона в конечном итоге будет пустой тратой времени. Таким образом, если скорость передачи данных низкая, в этот период могут возникнуть страдания и ущерб, после чего все усилия будут потрачены впустую.

Беспилотные летательные аппараты – обзор

21.1 Введение

Беспилотные летательные аппараты (БПЛА) широко используются в воздушных и наземных миссиях (Alzahrani et al., 2020; Фрейтас и др., 2020). Использование БПЛА в воздушных миссиях несложно, но они обеспечивают дополнительный уровень безопасности для наземных миссий с точки зрения наблюдения, навигации и разведки. К популярным типам БПЛА относятся полуавтономные летательные аппараты, которым требуется человек-оператор или наземная станция для дистанционного управления БПЛА, а также автономные летательные аппараты, работающие независимо без участия человека с использованием одного бортового компьютера (Palossi et al., 2019). Недавние приложения БПЛА включают управление толпой, пожаротушение, удаленные миссии по оказанию неотложной медицинской помощи, высокоточное сельское хозяйство, поиск и спасение, одновременную локализацию и картографирование, а также интеллектуальный транспорт (Хамид и др., 2017). БПЛА используют широкий спектр датчиков, которые позволяют им независимо перемещаться в сложной городской среде при наличии динамических и непредсказуемых препятствий (González-Sieira et al., 2020). Среди прочего, эти датчики включают в себя инерциальные измерительные блоки, основанные на технологии микроэлектромеханических систем со встроенными гироскопами, компасом, магнитометрами и акселерометрами, визуальными и тепловизионными камерами, гидролокаторами, LiDAR, GPS и другими типами датчиков (Samanta et al., 2018). Традиционные технологии и оборудование не способны обрабатывать разнородные типы данных, генерируемых этими датчиками, а новые технологии, такие как большие данные и граничные вычисления, используются на сложном бортовом компьютере, который может выполнять высокопроизводительные вычислительные приложения с использованием искусственного интеллекта для обнаружения целей. , задачи идентификации и узнавания.Это создает совершенно новую отрасль специально для коммерческих приложений БПЛА, и к концу 2022 года (Interact Analysis, 2020) чистая стоимость этой отрасли составит около 15 миллиардов долларов США, что составляло 1,3 миллиарда долларов США в 2016 году, как показано на рис. 21.1. .

Рисунок 21.1. (Слева) Процентное увеличение спроса на БПЛА в различных отраслях. (Справа) Коммерческий рынок БПЛА.

БПЛА обычно делятся на конфигурации с неподвижным крылом, конфигурации с винтокрылом и гибриды конфигураций с неподвижным и винтокрылым крылом.БПЛА с неподвижным крылом имеют жесткие крылья с аэродинамическим профилем, и полет БПЛА зависит от тяги воздушной скорости. Эта конфигурация поддерживает более длительные полеты на выносливость, обеспечивает движение с высокой скоростью и поддерживает большую полезную нагрузку по сравнению со второй конфигурацией винтокрыла. Некоторые из проблем, связанных с этой конфигурацией, заключаются в том, что для взлета или посадки требуется взлетно-посадочная полоса, поскольку она зависит от скорости полета, и эти БПЛА не могут слоняться или зависать в точке. Вторая конструкция — винтокрылые БПЛА с резкими преимуществами в маневренности за счет поворотных винтов.Его вращающиеся пропеллеры способны создавать достаточную аэродинамическую силу тяги, чтобы поднять автомобиль. Эта платформа способна выполнять вертикальный взлет и посадку (СВВП), полеты на низких высотах, например, в сложных городских условиях, и выполнять задачи зависания. Однако та же полезная нагрузка, поддерживаемая конфигурацией с неподвижным крылом, не может поддерживаться. На самом деле, эта конфигурация подразделяется на подкатегории в зависимости от количества включенных винтов, в том числе однороторные (вертолеты) и мультироторные (например, вертолеты).г., квадрокоптеры). Одинарные роторы представляют собой механическую сложность и высокую стоимость, поскольку они могут взлетать или приземляться вертикально, поддерживая относительно высокую полезную нагрузку, в то время как мультироторы очень маневренны и могут очень плавно зависать или перемещаться вокруг цели. Гибридные конфигурации сочетают в себе преимущества как фиксированных, так и поворотных крыльев БПЛА и имеют дополнительное преимущество в виде увеличенного времени полета, высокой скорости полета, большой продолжительности полета, высокой маневренности и вертикального взлета и посадки. Распространенными типами гибридных БПЛА являются конвертопланы, которые выполняют маневрирование, сохраняя опорную линию БПЛА в горизонтальном направлении, и хвостовые самолеты, которые могут выполнять СВВП на своем хвосте.Также существуют некоторые другие типы БПЛА, и использование БПЛА зависит от требований миссии.

Есть несколько ключевых факторов, которые учитываются при работе с БПЛА. В этой главе основное внимание уделяется проблеме планирования маршрута для БПЛА, работающих в сложных городских условиях. Что касается БПЛА, то планирование пути определяется как проблема нахождения возможного пути без столкновений из начальной точки в конечную. Конечная точка иногда называется пунктом назначения, целью или целевой точкой.Задача планирования пути в автономных полетах БПЛА необходима и очень сложна (Zheng et al., 2005; Besada-Portas and de la Torre, 2010). Чтобы найти допустимый путь, необходимо выполнить различные критерии, такие как физические или кинематические ограничения, минимальная продолжительность полета и временные ограничения, ограничения окружающей среды, ограничения полезной нагрузки и батареи, кинетические ограничения и т. д. Успешный план полета сочетает в себе оба этих фактора. слабые стороны и обеспечивает оптимальную траекторию без столкновений.Проблему планирования пути можно разделить на две части: планирование статического пути и планирование динамического или частичного пути (Sung, 2020; Babel, 2019; Yao et al., 2019). Статическое планирование часто называют глобальным планированием, потому что вся информация об окружающей среде уже установлена ​​и нет сложных барьеров. В случае частично или полностью неизвестных сред с динамическими барьерами применяется метод частичного планирования пути. В этой главе алгоритмы динамического планирования пути используются для поиска допустимого и оптимального пути для БПЛА.

Планирование динамического пути для БПЛА в сложной трехмерной среде — очень сложная задача из-за неопределенных динамических объектов, которые могут появиться на пути летательного аппарата и повлиять на исходный путь. Поскольку автономные БПЛА управляются и принимают решения самостоятельно без какого-либо взаимодействия с человеком, необходимо преодолеть все ограничения транспортного средства и пути, которые могут возникнуть во время плана полета, и разработать план, который был бы одновременно выполнимым и оптимальным. Чтобы получить реалистичный план полета, который является выполнимым и оптимальным, и учесть все факторы на пути, необходимо учитывать ряд шагов и факторов при создании динамического плана пути для БПЛА.

Дискретность 3D-мира: Во время выполнения плана полета на траектории полета БПЛА могут быть динамические препятствия и отсутствовать зоны полета. Путешествие из начальной точки в целевую в непрерывном мире невозможно из-за бесконечного количества планов полета, которые могут существовать. Вместо того, чтобы определять траекторию БПЛА как плавную кривую, непрерывный мир делится на конечный набор дискретных состояний, через которые транспортное средство должно пройти, чтобы добраться от начальной точки до конечной точки.Наиболее распространенный тип дискретизации — разделение непрерывного мира на сетки соответствующего размера.

Пространство действия и стоимость: Для перемещения от начальной точки к конечной в ячейках сетки определяется пространство действия, которое представляет допустимое движение транспортного средства из состояния в состояние. Каждому типу действия назначается стоимость, которая описывает, насколько осуществимы действия по отношению друг к другу в зависимости от текущего положения БПЛА.

Извлечение путевой точки: Каждая ячейка сетки может быть интерпретирована как путевая точка в направлении БПЛА.Поскольку ячейки сетки соединены и перемещаются между соседними сетками, это означает, что путевая точка всегда перемещается. Это сделало бы движение автомобиля неплавным с большим количеством ненужных вычислений. Лучший способ — удалить промежуточные ячейки сетки, лежащие вдоль линии, и найти набор путевых точек, которые аппроксимируют исходный план и при этом сохраняют транспортное средство безопасным и свободным от столкновений. Методы, используемые для сохранения правильных путевых точек и удаления промежуточных путевых точек, лежащих вдоль прямой линии, включают проверку коллинеарности, алгоритм трассировки лучей и алгоритм Брезенхэма.

Завершение длины пути: Длина пути — это общее расстояние, пройденное транспортным средством во время полета от начального местоположения до пункта назначения. При построении дискретизации непрерывного трехмерного мира с помощью сеток или графиков важна полнота плана, а это означает, что если выполнимый план существует, планировщик должен убедиться, что он найден и что план является оптимальным.

Графические сетки: Сетки хороши тем, что сохраняют всю геометрию системы и просты в реализации.В результате сетки получаются полными и оптимальными для небольшого количества ячеек сетки. Проблема с гибкостью на основе сетки заключается в том, что она требует больших вычислительных ресурсов, а стоимость вычислений возрастает экспоненциально с увеличением длины пути и разрешения ячеек сетки. Еще один способ различать окружающую среду — построить график. Граф имеет множество узлов и ребер. Узлы — это расположение или состояние ячейки сетки, а ребра — это кратчайшая связь между соответствующими состояниями.Теперь вместо формирования плана, пересекающего ячейку сетки за ячейкой, можно сформировать план, пересекающий граф от узла к узлу через ребра. Преимущество работы с графикой заключается в том, что специализированная графика является полной, оптимальной и недорогой в вычислительном отношении.

Когда гибкость достигнута, есть несколько других важных соображений, которые необходимо учитывать при выполнении миссии по планированию маршрута. Некоторые из них включают затраты на использование памяти, энергоэффективность, т.е.например, затраты на зарядку и аккумулятор, затраты на программное и аппаратное обеспечение, экономию времени, быстрое обнаружение препятствий и предотвращение столкновений, а также устойчивость к внешним помехам и порывам ветра. Следовательно, следует учитывать упомянутые выше факторы для создания реалистичного, выполнимого и оптимального плана полета БПЛА. В следующем разделе представлен обзор литературы по проблеме планирования пути для БПЛА.

Границы | Оценка полевого фенотипирования температуры растительного покрова с использованием множества изображений беспилотных летательных аппаратов с высокой пропускной способностью

Введение

В свете текущих сценариев изменения климата температура растительного покрова (CT) считается важной характеристикой для отбора адаптированных генотипов.CT был тесно связан с водным статусом и устьичной проводимостью пшеницы (Berliner et al., 1984; Blum et al., 1989; Amani et al., 1996). Низкие значения CT были связаны с повышением урожая на 30% и повышенным поглощением воды более глубокими корнями (Lopes and Reynolds, 2010) при измерении во время наполнения зерна. Даже в регионах с обильным количеством осадков, таких как центральное плато Швейцарии, механизмы предотвращения жары и засухи, связанные с измененной архитектурой корневой системы, могут играть важную роль в экстремальные годы (Oberholzer et al., 2017), по прогнозам, в ближайшем будущем частота и серьезность возрастут. Регулярная оценка CT в процессе селекции имеет большие перспективы для непрямого отбора сортов с оптимизированным поведением укоренения. Повышенная транспирация является основным фактором, обеспечивающим высокий потенциал урожайности культур С3 в условиях, характеризующихся стрессом от низкого до умеренного (Roche, 2015). Тем не менее, по-прежнему сложно получить надежные количественные измерения КТ для более крупных экспериментов по размножению с небольшими делянками, поскольку измерения КТ на каждом участке обычно имеют низкую повторяемость (Pask et al., 2012; Ребецке и др., 2013 г.; Сукумаран и др., 2015 г.; Deery et al., 2016) и занимают очень много времени.

Принцип определения эвапотранспирации растений на основе теплового дистанционного зондирования КТ использовался во множестве исследований (Jones et al., 2009; Maes and Steppe, 2012; Liebisch et al., 2015; Khanal et al., 2017). ). Он успешно применялся для оценки урожайности зерна (Elsayed et al., 2015; Becker and Schmidhalter, 2017; Elsayed et al., 2017), воды для растений и стресса растений от засухи (Calderón et al., 2013; Зарко-Техада и др., 2013 г.; Gómez-Candón et al., 2016), состояние воды в растениях (Pou et al., 2014; Shafian and Maas, 2015; Bellvert et al., 2016) и состояние воды в почве (Hassan-Esfahani et al., 2015). Термография на основе беспилотных летательных аппаратов (БПЛА) также проводилась во множестве исследований (Zarco-Tejada et al., 2013; Gómez-Candón et al., 2016; Hoffmann et al., 2016; Ortega-Farías et al. ., 2016; Maes et al., 2017; Ribeiro-Gomes et al., 2017; Santesteban et al., 2017; Malbéteau et al., 2018; Sankaran et al., 2018; Саган и др., 2019). Однако только в нескольких исследованиях (Liebisch et al., 2015; Deery et al., 2016; Rutkoski et al., 2016; Sagan et al., 2019) он использовался в контексте разведения, где он был бы крайне необходим в в контексте высокопроизводительного полевого фенотипирования (HTFP). Целью HTFP является быстрая и надежная оценка фенотипических признаков в полевых условиях. Отсутствие подходящих инструментов для HTFP было определено как одно из основных узких мест для селекции растений, замедляющее будущие успехи в селекции (Araus and Cairns, 2014; Walter et al., 2015). Кроме того, надежный метод, который позволяет повторно проверять большое количество участков за короткий период времени, был бы необходим, в частности, для термического HTFP, поскольку термографическая реакция растений зависит от условий окружающей среды, таких как температура, освещенность и влажность, которые могут изменяться во время измерений.

Беспилотные летательные аппараты (БПЛА) представляют собой низковысотный инструмент дистанционного зондирования с высоким разрешением, который обещает стать эффективной системой-носителем для датчиков, используемых для мониторинга растительности (Андерсон и Гастон, 2013; Коломина и Молина, 2014; Санчес-Азофейфа и др.). др., 2017; Aasen et al., 2018), включая HTFP (Zaman-Allah et al., 2015; Deery et al., 2016; Hund et al., 2019). Эти несущие системы обеспечивают эффективный сбор данных с высоким пространственным и временным разрешением при относительно низких затратах (Berni et al., 2009b; Bellvert et al., 2016; Yousfi et al., 2016; Shakoor et al., 2017). Таким образом, они также все чаще применяются в полевых приложениях для фенотипирования (например, Gómez-Candón et al., 2016; Shakoor et al., 2017; Joalland et al., 2018; Sagan et al., 2019), и мы предполагаем, что они также полезно для HTFP CT.

Можно использовать два основных подхода для получения данных дистанционного зондирования растений с помощью тепловизионных изображений, полученных бортовыми системами-носителями на малой высоте. Первый подход заключается в том, чтобы сделать одно изображение, чтобы охватить интересующую область (Zarco-Tejada et al., 2012; Calderón et al., 2013; Sankaran et al., 2018). Второй подход заключается в объединении нескольких изображений в ортомозаику (Берни и др., 2009a; Гонсалес-Дуго и др., 2013; Хоффманн и др., 2016; Сантестебан и др., 2017). Последнее увеличивает площадь, которая потенциально может быть охвачена одной сценой, и, таким образом, позволяет захватывать большие площади и/или увеличивать пространственное разрешение (расстояние выборки на земле, GSD) данных за счет более низкого полета (Aasen et al., 2018). Но когда ортомозаика создается из нескольких перекрывающихся изображений, каждая представляющая интерес область на земле (например, участок) захватывается несколькими изображениями с разной геометрией просмотра, и существует несколько вариантов извлечения подписи этой области (Aasen and Bolten, 2018). ). Было показано, что различные подходы к обработке и извлечению данных влияют на кажущуюся отражательную способность данных дистанционного зондирования в видимом и ближнем инфракрасном диапазоне, например, (Aasen, 2016; Aasen and Bolten, 2018).Это является результатом взаимодействия поверхностной анизотропии (что означает, что сигнал зависит от направленности) и геометрии измерения [выраженной двунаправленной функцией распределения отражательной способности; BRDF (Nicodemus et al., 1977; Schaepman-Strub et al., 2006)], который также влияет на кажущуюся температуру (Jones et al., 2009; Cao et al., 2019). Хотя в исследованиях сообщалось о проблемах, когда несколько тепловизионных изображений должны быть объединены в мозаику (Hoffmann et al., 2016; Ribeiro-Gomes et al., 2017), не было исследовано, как различные подходы к обработке данных, мозаике и захвату влияют на видимую КТ. .

Кроме того, данные могут дополнительно включать пространственные тренды из-за изменчивости полей и временные тренды из-за изменений во время летной кампании. Корректировка данных для этих влияний имеет важное значение, если основной интерес представляет генотипическая характеристика (Gilmour et al., 1997; Piepho and Williams, 2010; Araus and Cairns, 2014). Существует несколько подходов для выполнения этой коррекции, наиболее распространенными из которых являются автокорреляционные модели первого порядка (Gilmour et al., 1997; Piepho and Williams, 2010) и P-сплайны (Velazco et al., 2017; Rodríguez-Alvarez et al., 2018), оба реализованы в рамках смешанной модели.

Это исследование сочетает в себе вышеупомянутые аспекты и направлено на разработку интегрированной концепции того, как можно оценивать КТ с помощью дистанционного зондирования БПЛА с высоким разрешением в контексте размножения. В частности, исследование направлено на:

i. Создание рабочего процесса для дистанционного зондирования БПЛА с высоким разрешением HTFP

ii. Изучение и обсуждение различных режимов обработки данных для создания термальных ортофотопланов

iii.Оценить метод в условиях умеренного климата в течение всего сезона

iv. Изучить оптимальное время для термографических измерений

v. Сравнить подход БПЛА с другими установленными подходами для HTFP CT

Материалы и методы

Экспериментальный участок и выращивание пшеницы

Полевой эксперимент был проведен на платформе ETH для полевого фенотипирования полевого фенотипирования платформа (FIP) (Kirchgessner et al., 2017), поле площадью один гектар («поле FIP»), расположенное на исследовательской станции ETH Zurich [47°27′01″ с.ш. и 8°40′57″ в.д., мир Геодезическая система (WGS) 84].Тип почвы представляет собой богатую скелетом переменную камбисоль (от застойной до слегка кислой) с содержанием глины 21%, ила 21% и органического вещества 3,5%. На «поле FIP» используется севооборот, содержащий основные сельскохозяйственные культуры Швейцарии в шести участках (рис. 1). Опыт был высеян в двух повторностях (представлены партиями один и три на «поле FIP», рис. 1) и состоял из 354 генотипов озимой пшеницы, в основном из панели GABI-пшеница (Kollers et al., 2013) с дополнительными швейцарскими сорта.В качестве контрольных использовали три из 354 генотипов (CH Claro, Suretta и CH Nara). Генотипы были распределены в эксперименте с использованием пакета R «DiGGer» (Coombes, 2009) в расширенном 2D-дизайне следующим образом: контрольные сорта были распределены в каждой повторности (рис. 1) в девяти полных блоках (семь рядов по шесть диапазонов). , следя за тем, чтобы в каждом ряду и каждом диапазоне дизайна была размещена хотя бы одна контрольная площадка (всего 27 контрольных площадок на повторность). По этой схеме 351 тестовый генотип был увеличен до неполных блоков в ряду (один ряд на неполный блок) и в направлении диапазона (6 диапазонов на неполный блок).351 тестовый генотип и 27 контрольных делянок дали в сумме 378 делянок для каждой повторности или 756 делянок для всего эксперимента. Каждая повторность опыта состояла из 21 ряда и 18 рядов. В вегетационный период 2018 г. озимая пшеница была посеяна в обеих повторностях 17.10.2017 г. с густотой высева 400 семян на м ² . Размер повторов озимой пшеницы был примерно 40 м х 36 м. Отдельные делянки имели длину 1,7 м и ширину 1 м с междурядьем 12.5 см, что соответствует девяти рядам на делянке. Урожай озимой пшеницы был 13.07.2018. Данные о погоде были получены местной метеостанцией (рис. 1). Лето 2018 г. было очень засушливым, без дождя в период с 14 июня 2018 г. по 02 июля 2017 г. В течение всего сезона в полевых условиях оценивали стадии роста BBCH (Lancashire et al., 1991). Старение кроны оценивали визуально с интервалом в 2–3 дня путем оценки общей зелени участка при осмотре под углом примерно 45°.Целочисленное среднее значение на делянку оценивали по шкале от 0 (полностью зеленый полог) до 10 (полностью стареющий полог). Начало старения определяли, когда участок достигал оценки выше нуля. Первые генотипы начали стареть 16 июня 2018 г. Основываясь на этих измерениях, мы определили набор из 178 генотипов, у которых не было признаков визуального старения до 23 июня 2018 г., генотипы «оставаться зелеными» (см. Корреляция по дням и датам ).После этой даты набор «зеленых» генотипов стал очень маленьким.

Рисунок 1 Красно-зелено-синий (RGB) ортофотоплан поля «FIP» на сельскохозяйственной исследовательской станции в Эшиконе с расположением 16 наземных контрольных точек (GCP) (белые точки), две повторности озимой пшеницы полевые испытания (лот 1 и лот 3) и метеостанция (красный крест).

Полеты беспилотных летательных аппаратов

В период с начала июня 2018 г. по середину июля 2018 г. было выполнено 24 полета БПЛА, охватывающих фазу налива и созревания зерна (стадии роста BBCH 73-92).Большинство полетов выполнялись около полудня или в первой половине дня и при стабильной облачности (безоблачность или редкая облачность). 16.06.2018 и 20.06.2018 было выполнено несколько рейсов с утра до вечера. 16 июня 2018 г. облачность колебалась, при этом фотосинтетически активная радиация (ФАР, измеренная в плотности потока фотосинтетически активных фотонов) колебалась между 750 и 2200 мкмоль м ^-2 с ^-1 . 20 июня 2018 г. условия были очень стабильными с типичным суточным ходом температуры и ФАР.Поэтому этот день называют «стабильным днем». Даты полета и соответствующие этапы BBCH можно найти в таблице 1 дополнительных материалов. Геопривязка тепловых сцен (раздел Обработка тепловых данных ) была выполнена с использованием тепловых наземных контрольных точек (GCP). Эти изготовленные на заказ опорные точки состояли из пенополистирольной плиты размерами 0,5 м х 0,5 м х 0,04 м, наклеенной на деревянную панель. Поверх панели из пенополистирола были приклеены два черных алюминиевых треугольника, чтобы получить характерную крестообразную опорную точку (подробности см. в разделе «Обработка тепловых данных» ).Черные алюминиевые пластины нагревались значительно больше, чем белый пенополистирол, что проявляется в отчетливой картине на GCP. Шестнадцать опорных точек были равномерно распределены по экспериментальному участку (рис. 1), и их положения были измерены с помощью приемника Trimble R10 GNSS (Global Navigation Satellite System) (Trimble Ltd., США) с коррекцией swipos-GIS/GEO RTK (Real Time Kinematic). (Федеральное управление топографии Swisstopo, Ваберн, Швейцария) с общей горизонтальной и вертикальной точностью 0,1 м.

Платформа для беспилотных летательных аппаратов

Платформой БПЛА был DJI Matrice 600 Pro (SZ DJI Technology Co. Ltd., Китай). Общий вес БПЛА, включая аккумуляторы, составляет 9,5 кг, а максимальная полезная нагрузка составляет 6 кг. В БПЛА используется полетный контроллер DJI A3, который был модернизирован до стандарта A3 Pro с усовершенствованной системой GNSS для данных о местоположении. Управление БПЛА осуществлялось с помощью пульта дистанционного управления DJI Matrice серии 600 и iPad (Apple Inc., США) с приложением DJI Ground Station Pro (SZ DJI Technology Co.ООО, Китай). Для работы БПЛА требуется шесть заряженных аккумуляторов емкостью 99,9 Втч. С полезной нагрузкой время полета составляет около 15 минут.

Система тепловизионных камер

Радиометрически откалиброванная тепловизионная камера FLIR A65 (FLIR Integrated Imaging Solutions Inc., Канада) была установлена ​​в изготовленный на заказ блок датчиков (рис. 2). Тепловизионная камера имеет поле зрения (FOV) 25° x 20° и разрешение 640 x 512 пикселей. Датчик камеры представляет собой неохлаждаемый микроболометрический детектор на основе оксида ванадия (VOx) с шагом детектора 17 мкм в спектральном диапазоне 7.5–13 мкм. Максимальная частота изображения камеры составляет 30 Гц. Он весит примерно 0,2 кг и подключается к компьютеру Intel ^® NUC с помощью стандартного сетевого кабеля RJ45. Заданный диапазон температур объектов измерения составляет от −40°C до +550°C. Разность температур эквивалента шума (NETD) камеры составляет 0,05°C при 30°C, а абсолютная точность измерения составляет ±5°C или 5% от показаний (FLIR Systems, 2014). Система камеры управлялась собственной разработкой MATLAB (MATLAB R2017b, The MathWorks Inc.USA) на компактном компьютере Intel ^® NUC (двухъядерный процессор i7-5557U, 16 ГБ ОЗУ и 256 ГБ SSD, операционная система Windows 10). Вся система была установлена ​​на трехосном стабилизированном подвесе DJI Ronin-MX Gimbal (SZ DJI Technology Co. Ltd., Китай) для обеспечения геометрии обзора в надире (рис. 2).

Рис. 2 Комплект датчиков (белая коробка) с четырьмя камерами и компьютером Intel NUC, установленный на подвесе под беспилотным летательным аппаратом (БПЛА). На всех камерах до сих пор есть защитные колпачки.

Протокол измерений

Планирование миссии проводилось с помощью «Инструмента планирования PhenoFly» (Roth et al., 2018). Детали полета: высота 80 м над уровнем земли с перекрытием изображений >70% поперек направления полета и >90% вдоль направления. Изображения были получены с частотой 2,2 Гц. Средняя продолжительность полета составляла 8 минут, чтобы охватить две повторности (партии один и три, рисунок 1). Поскольку неохлаждаемые тепловизионные камеры имеют тенденцию дрейфовать при изменении их температуры (Mesas-Carrascosa et al., 2018; Kelly et al., 2019), камера была включена более чем за 30 минут до измерений [согласно рекомендациям Berni et al. (2009b) и Келли и соавт. (2019)], чтобы обеспечить температурную стабилизацию системы. После взлета в момент, предшествующий началу последовательности измерений, вручную запускалась коррекция неравномерности (NUC). Дальнейшие NUC во время полета не проводились, так как за время полета температура датчика почти не изменилась (чип: ~0,2°C, корпус: ~0.4°C согласно метаданным датчика).

Обработка тепловизионных данных

Фотограмметрическая обработка

Обработка тепловизионных данных представлена ​​на рис. 3. После того, как необработанные данные (необработанные цифровые числа, DN) каждого изображения были преобразованы в °C, фотограмметрическая обработка данных тепловизионных изображений выполнено в программе Agisoft PhotoScan Professional 1.4.3 (ООО «Агисофт», Санкт-Петербург, Россия). Agisoft PhotoScan — это программное обеспечение, выполняющее алгоритм «Структура из движения» (SfM), который позволяет фиксировать трехмерную структуру объектов путем двумерного преобразования набора их проецируемых изображений (Ullman, 1979).Это позволяет получать трехмерную информацию за счет использования характерных точек, обнаруженных в перекрывающихся изображениях (Harwin and Lucieer, 2012). SfM выполняет сопоставление изображений, вычисляя относительное положение серии изображений путем идентификации характерных точек. Характерные точки используются при уравнивании пакетов, при котором оцениваются параметры просмотра (положение камеры и/или калибровка) для отдельных изображений (Triggs et al., 2000). Уравнивание связки приводит к набору 3D-точек, соответствующих разреженному 3D-облаку точек.«Выравнивание изображения» в Agisoft PhotoScan выполнялось с параметром качества, установленным на «высокий», ограничением ключевых точек 40 000 и ограничением связующих точек 1000. Кроме того, предварительно оцененные параметры камеры были загружены и установлены как фиксированные, чтобы обеспечить последовательное создание ортомозаики. Параметр качества «высокий» снизил качество изображения вдвое (Agisoft LLC, 2016), но значительно сократил время обработки. Облака точек были географически привязаны к системе координат EPSG:2056 (Ch2903+/LV95) с использованием тепловых опорных точек (рис. 3, внизу в центре).Опорные точки были вручную отмечены на трех-четырех изображениях для каждой опорной точки, пока алгоритм не определил их правильное расположение на всех изображениях. Эта привязка также оптимизировала разреженное облако точек, исправив эффекты искажения. Плотность оптимизированного разреженного облака точек была увеличена на этапе «создание плотного облака» в Agisoft PhotoScan, что привело к плотному облаку точек. «Создание плотного облака» выполнялось с использованием «высокого» качества и «агрессивных» настроек фильтрации по глубине. Плотное облако точек с географической привязкой затем использовалось для создания цифровой модели поверхности (DSM), эффективно представляющей захваченную поверхность в трех координатах.

Рис. 3 Схематическое описание рабочего процесса для получения высокоточных тепловых ортофотопланов на основе одиночных необработанных тепловизионных изображений беспилотных летательных аппаратов (БПЛА). Тепловые наземные контрольные точки (GCP), используемые в этом исследовании, изображены внизу в центре: как видно красным, зеленым, синим (RGB) (слева) и через портативную инфракрасную (ИК) камеру. Извлечение температуры растительного покрова (CT) с помощью полигонов, представляющих графики, показано вверху справа.

Генерация ортомозаики

ЦММ с географической привязкой затем использовался для создания тепловой ортомозаики полетов БПЛА путем создания мозаики отдельных изображений («Ортомозаика» в дальнейшем используется взаимозаменяемо с «тепловой ортомозаикой» в этом исследовании, если не указано иное).Agisoft PhotoScan предлагает несколько режимов обработки для расчета ортофотоплана, из которых в данном исследовании были выбраны следующие два:

- В режиме наложения «усреднение» усреднялись значения всех пикселей из всех изображений, покрывающих точку ортофотоплана. . Следовательно, каждый пиксель в окончательной ортомозаике происходит только от множества изображений.

- В режиме наложения «отключено» использовалось значение пикселя из изображения с видом, наиболее близким к нормали в этой точке (надир).Следовательно, каждый пиксель в окончательной ортомозаике происходит только от одного изображения.

Следовательно, угловые свойства данных в двух различных типах ортомозаики различаются. Геометрия просмотра каждого пикселя в режиме наложения «отключена» ортомозаика такая же, как и в исходном изображении и, таким образом, очень узкая (из-за узкого мгновенного поля зрения каждого пикселя) и может быть описана как (почти) направленное измерение. геометрия (Schaepman et al., 2015; Aasen and Bolten, 2018).В режиме наложения «усреднение» геометрия просмотра состоит из всех геометрий просмотра пикселей, усредненных для одного пикселя в ортомозаике. Таким образом, общая геометрия просмотра каждого пикселя в ортомозаике шире, чем в режиме наложения «отключено», и может быть описана как коническая геометрия измерения (Schaepman et al., 2015; Aasen and Bolten, 2018). Хотя подробное описание и обсуждение этих различий для спектральных данных можно найти в Aasen and Bolten (2018), в этой статье исследуется влияние на кажущуюся CT в ортомозаике.Это будет сделано путем качественного сравнения двух режимов наложения для полета 20 июня 2018 г. в 14:00 и количественного исследования зависимости кажущейся КТ от геометрии обзора в тот же день. Кроме того, мы использовали анализ Бланда-Альтмана (Bland and Altman, 1986) для оценки систематических различий между двумя режимами смешения по отношению к средней температуре графика. Различия в наследуемости (раздел Пространственная коррекция и расчет наследуемости ) также будут исследованы.

Извлечение и нормализация температуры навеса на участке

Для извлечения температуры БПЛА на участке с использованием экспериментального плана был создан многоугольник, описывающий форму и местоположение участка. Программное обеспечение географической информационной системы QGIS 3.2.3 (группа разработчиков QGIS, 2018 г.) использовалось для создания внутреннего буфера в 50 см от фигур, чтобы исключить краевые эффекты (рис. 3, вверху справа: синий многоугольник). На основе сценария Python 3.6 медиана этой области затем использовалась в качестве CT для графика.CT был нормализован по температуре окружающего воздуха (T _A ) для сравнения температур в разные даты измерений (Balota et al., 2007; Maes and Steppe, 2012; Zarco-Tejada et al., 2013; Bellvert et al., 2016) следующим образом:

T _A был измерен на высоте 2 м над уровнем земли с помощью датчика температуры (CS215, Campbell Scientific, Inc., США), закрытого 10-пластинчатым экраном от солнечного излучения (RAD10, Campbell Scientific, Inc., США). , Inc., США), расположенной на местной метеостанции (рис. 1).

Пространственная коррекция и расчет наследуемости

Коррекция пространственных трендов как за счет пространственной изменчивости значений признака (CT) в поле, так и, в случае CT, дополнительных изменений во время летной кампании выполнялась с помощью R- пакеты SpATS (Rodríguez-Alvarez et al., 2018). Для каждого полета БПЛА модель подгонялась с учетом особенностей экспериментальной площадки: обычно мы наблюдаем четкую закономерность в повторениях (партии 1 и 3, рис. 1) в рабочем направлении (направление ряда), в то время как тенденции более плавные. перпендикулярно этому направлению (направление дальности).Пространственная модель была следующей:

, где f ( r , c ) — сглаженная двумерная поверхность, определенная по ряду (r = 1–74) и диапазону (c = 1–18) позиций виртуальной сетки в которым были устроены обе репликации (см. ниже). Вектор c _g = (c _g1 , …, c _g354 ) – коэффициент случайности генотипов, связанных с матрицей дизайна Z _g , c _r = (c _r1, …, c _r74 ) ~ N(0, σ _r ² I ₇₄ ) — случайный коэффициент строк, связанных с матрицей плана Z _r , а ε — вектор случайной ошибки ε= (ε ₁ , …,ε _n ) ~ N(0, σ ² I _n ).Репликация 1 (партия 1) находилась в диапазоне от 1 до 21 строки и в диапазоне от 1 до 18, а репликация 2 (партия 3) располагалась в диапазоне от 54 до 74 строки и в диапазоне от 1 до 18 в виртуальной сетке. Таким образом, было 32 строки, разделяющие две репликации в виртуальной сетке, представляющей вторую партию (участок между первой и третьей партиями, рис. 1). Количество точек сплайна было установлено равным 2/3 от общего количества строк и диапазонов в виртуальной сетке соответственно. Для расчета наилучшей линейной несмещенной оценки (BLUE) генотипы были установлены как фиксированные эффекты, а матрица плана в уравнении два соответственно стала X _g .Пространственно скорректированные значения участка были получены как сумма пересечения модели, генотипических BLUE, характерных для участка, и остаточной ошибки. Наследуемость пространственно скорректированных признаков (вторая модель) была рассчитана в соответствии с (Rodríguez-Álvarez et al., 2018) на основе генетических эффективных размерностей, предоставленных SpATS, как:

, где ED _g — эффективная размерность для генотипов и n _g — общее количество оцененных генотипов. Знаменатель (n _g –1) отражает верхнюю границу эффективной размерности [см. Rodríguez-Alvarez et al.(2018) для получения дополнительной информации].

Результаты

Анализ ортомозаики, полученной в результате различных режимов наложения

Обработка термических данных (раздел Обработка термических данных , рис. 3) привела к ортофотоплану, как показано на рис. 4. Тепловые опорные точки (раздел Беспилотные летательные аппараты) Полеты и рис. 3) были хорошо видны на ортофотоплане (рис. 4), что привело к общей высокой пространственной точности. Полученная GSD этих ортомозаиков варьировалась от 4.89 до 5,11 см из-за небольшого изменения высоты полета. Расчетная GSD тепловизионной камеры, использованной на высоте полета 80 м, составила 5,5 см. Среднеквадратичное отклонение (RMSE) позиций GCP во всех 24 полетах БПЛА варьировалось от 1,25 до 10,05 см при среднем RMSE 4,79 см. Точные показатели точности для каждой даты полета можно найти в таблице 2 дополнительных материалов.

Рисунок 4 Термальная ортомозаика экспериментального участка [поле «поля платформы для фенотипирования (ФИП)»] с использованием режима наложения «среднее» из полета 23 июня 2018 г. в 15:09 по местному времени.Размер ортофотоплана составляет 3990 x 4490 пикселей, расстояние выборки на поверхности земли 4,89 см/пиксель при высоте полета 87 м (оценка Agisoft PhotoScan). Увеличенная область (вверху слева) показывает тепловую опорную точку (GCP), как видно на ортофотоплане. Обратите внимание на «шахматную» структуру отдельных делянок с пшеницей в двух повторностях (партии один и три).

Детальное изучение термальной ортомозаики показало, что геометрия просмотра влияет на кажущуюся КТ. На рис. 5 приведены примеры ситуаций для полета 20 июня 2018 г. в 14:00.На рис. 5A, B показаны ортомозаики, созданные с режимами наложения «отключено» и «среднее» соответственно. Горячие участки — это пути между участками. Высокое пространственное разрешение позволяет выявить различия в пределах графиков до нескольких градусов Цельсия. прибл. 20 см (четыре пикселя) на каждом графике, по-видимому, подвержены влиянию краевых эффектов в обеих ортофотопланах. Качественное сравнение ортомозаики показало более выраженную неоднородность в «отключенном» режиме.

Рисунок 5 Фрагмент ортофотоплана, созданного с режимом наложения «отключено» (A) и «средним» (B) 20 июня 2018 г. в 14:00 по местному времени.Цвет соответствует кажущейся температуре купола (CT). (C) показывает геометрию просмотра информации, используемой для создания «отключенного» режима наложения ортофотоплана (A) . В A и C черные линии сшивки отмечают границу информации, взятой из разных изображений. Белым прямоугольником выделен участок, на котором собрана информация из четырех изображений в режиме наложения «отключена» мозаика (A) . (D) показывает среднюю кажущуюся температуру всех участков этого полета в зависимости от его геометрии обзора.Солнце имело азимутальный угол ок. 199° и зенитный угол ок. 25°. Геометрия просмотра кажущейся температуры была рассчитана по относительному положению камеры, видимой на графике.

Черные линии на рис. 5A, C обозначают линии сшивки между информацией о различных изображениях, используемых для составления ортофотоплана в режиме наложения «отключено». Белый прямоугольник выделяет график, составленный из информации из четырех разных изображений. В пределах графика кажущаяся температура изменяется вдоль линий стыка.На рисунке 5C показано, что в этот момент информация с различной геометрией просмотра (разница примерно в 4°) была составлена ​​рядом друг с другом. Подробное объяснение и схематический рисунок того, как составляется ортофотоплан, см. в Aasen and Bolten (2018), а подробное описание того, как отслеживать свойства, зависящие от пикселей, см. в Aasen et al. (2015). Как правило, в режиме наложения «отключено» используются только очень небольшие диапазоны геометрии просмотра. В режиме наложения «средний» (рис. 5Б) резких переходов между кажущимися температурами не видно.В этом режиме усреднялась информация более чем 20 изображений и, таким образом, использовался широкий диапазон геометрий просмотра.

На рис. 5D показана средняя кажущаяся температура всех участков этого боя в зависимости от геометрии его просмотра. Солнце имело азимутальный угол ок. 199° и зенитный угол ок. 25° (получено с https://www.suncalc.org, для Линдау, Цюрих, Швейцария, в 14:01 UTC+2). Геометрия просмотра кажущейся температуры была рассчитана по относительному положению камеры, видимой на графике.Таким образом, геометрия просмотра с азимутом и зенитом 0° соответствует надиру (измерение прямо над графиком), а геометрия обзора с зенитом 20° и азимутом 199° будет иметь острый угол, в то время как зенит 20° и азимут 19° будут иметь острый угол. тупой угол к солнцу. График показывает, что в среднем кажущаяся температура различается более чем на 3,5°C (36,5–40,1°C) в пределах различных геометрий обзора на изображении, при этом наибольший градиент в направлении главной плоскости солнца был при измерении. геометрия (солнце-объект-датчик) меняется с тупого угла на острый угол.При внимательном рассмотрении рисунка 5D видно, что вокруг надира, где доля сигнала от почвы выше по сравнению с другими геометриями просмотра, температуры немного повышены по сравнению с общей картиной. Тепловые изображения с высоким разрешением, полученные полевой станцией фенотипирования ETH (Kirchgessner et al., 2017), объясняют это наблюдение, поскольку между рядами культур можно увидеть теплую почву (см. Рисунок 1 в дополнительных материалах для примера).

Для всех полетов вместе значения CT, полученные двумя оцениваемыми режимами смешивания, были линейно связаны между собой для всех полетов БПЛА (пересечение = 0.14; наклон = 0,96; R ² = 0,98, рис. 2 в дополнительных материалах вместе с линейными зависимостями для каждого полета БПЛА). На рисунке 6 показан график Бланда-Альтмана от 20 июня 2018 г., содержащий отношение среднего значения CT на графиках для обоих режимов смешивания (ось x) к разнице в CT между обоими режимами смешивания (ось y, «отключено», вычтенное из « средний»). Это позволяет сравнивать систематические различия между двумя режимами наложения. В целом разница становилась более отрицательной до полудня и увеличивалась ближе к вечеру.Для первого и последнего полета разница между режимами наложения была незначительной. Все остальные полеты БПЛА демонстрировали слегка отрицательную тенденцию между средним CT и разницей CT между режимами смешивания.

Рисунок 6. График Бланда-Альтмана , показывающий среднюю температуру полога (CT, в ΔT) обоих режимов смешивания («средний» и «отключенный») по оси x и разность CT (в ΔT) между обоими режимами смешивания по оси Y («среднее» минус «отключено») для измерений, проведенных 20 июня 2018 г.

Наследственность температуры купола в течение дня и дат

Для первого дня с несколькими полетами — 16.06.2018 — колебания ФАР из-за прохождения облачности и, в меньшей степени, дефицита давления пара (ВДП) (рис. 7 , внизу) привели к значениям переменной H ² (рис. 7, вверху). Для всех генотипов значения H ² колебались от 0,46 до 0,58 для режима наложения «отключено» и от 0,48 до 0,61 для режима наложения «средний». В целом H ² увеличилось утром, достигнув максимума в 12:50 16 июня 2018 г., сразу после прохождения облаков.H ² значения генотипов «stay green» были низкими при измерениях в 14:06 и 15:27. Они варьировались от 0,29 до 0,6 для режима наложения «средний» и от 0,3 до 0,59 для режима наложения «отключено».

Рисунок 7 Суточный ход значений h3 на 16 июня 2018 г. и 20 июня 2018 г. (вверху) для всех генотипов (черный) и для генотипов «оставайся зеленым» (красный). Данные были собраны с использованием режима смешивания, установленного на «средний». Время оси в часах:минутах, местное время. Суточный ход температуры, фотосинтетически активной радиации (ФАР в мкмоль м ^-2 с ^-1 ) и дефицита давления пара (ДПД) 16.06.2018 и 20.06.2018 (внизу) .Вертикальные линии соответствуют времени начала полетов беспилотных летательных аппаратов (БПЛА).

На второй день с несколькими полетами, 20 июня 2018 г., погодные условия были стабильными, а значения H ² были одинаковыми для большинства полетов (рис. 7, вверху). Значения H ² измерения 9:24 ч были низкими со значениями ниже 0,3 как для режимов смешивания, так и для наборов генотипов. Другие полеты БПЛА показали более высокие значения H ² в диапазоне от 0,48 до 0,54 для режима наложения «средний» и от 0.от 43 до 0,54 для режима наложения «отключено». В этот день максимальное значение H ² было достигнуто в 14:00, а затем снова уменьшилось. Генотипы «оставаться зелеными» продемонстрировали более низкие значения H ² , чем все генотипы на протяжении 20 июня 2018 г., за исключением измерения «отключенного» режима смешивания в 15:05. Характер значений H ² для этих генотипов был аналогичен таковому для всех генотипов.

На рис. 8 показаны значения H ² измерений, проведенных в разные дни (вверху), и данные о погоде для полетов БПЛА (внизу).В целом значения H ² обычно увеличивались от цветения в конце мая до пика 4 июля 2018 г. Увеличение значений H ² совпало с засушливым периодом без осадков между 14 июня 2018 г. и 02 июля 2017 г. Значения H ² варьировались от 0,30 до 0,67 для режима наложения «отключено» и от 0,36 до 0,74 для режима наложения «средний». КТ, полученный с режимом смешивания «средний», показал более высокие значения H ² на все даты измерений, кроме 04.06.2018 и 20.06.2018.Компоненты дисперсии наследуемости, разделенные на генотипическую и остаточную дисперсию, показали, что режим смешивания «средний» снижает обе дисперсии (рис. 8). Однако влияние остаточной дисперсии было больше, чем генотипической дисперсии.

Рисунок 8 Наследуемость для измерений солнечного полудня, показанных для данных с пространственной поправкой (вверху) для всех генотипов (черный) и для генотипов «оставайся зеленым» (красный). Генотипическая и остаточная дисперсии двух режимов смешивания также нанесены на график (средние панели).Генотипическая и остаточная дисперсия скорректированных данных SpATS была в целом ниже для режима смешивания «средний». Данные о погоде (внизу) представлены в виде средней суточной температуры воздуха (°C, красная линия) и суммированных данных о суточных осадках (мм, синие столбцы) и фотосинтетически активной радиации (ФАР в мкмоль·м ⁻² с ⁻¹ , черный прямоугольники) за период измерения. Данные о погоде с местной метеостанции (рис. 1). Вертикальными пунктирными линиями отмечены даты полетов беспилотных летательных аппаратов (БПЛА).

«зеленые» генотипы (красные точки данных на рис. 8, вверху) также показали аналогичное увеличение значений H ² после цветения в конце мая до начала старения с выбросом на 2018-06- 16, где ФАР была низкой по сравнению с другими полетами БПЛА (рис. 8, внизу). Значения H ² , полученные в режиме наложения «средний», как правило, также выше, чем в режиме наложения «отключено», за исключением 20 июня 2018 г. Режим смешивания «средний» также уменьшал компоненты генотипической и остаточной дисперсии для «зеленых» генотипов.Дополнительные результаты представлены для CT, измеренного с режимом смешивания, установленным на «средний», из-за обычно более высокой наследуемости.

Корреляция температуры растительного покрова по дням и датам

Коэффициенты корреляции между измерениями, выполненными около солнечного полудня в разные даты, варьировались от 0,41 до 0,95 (рис. 9). Все корреляции, показанные на рисунке 9, были значимыми при p ≤ 0,01. Корреляция между датами последовательных измерений была высокой и колебалась от 0,68 до 0.95 (рис. 9, диагональ). В частности, три измерения между периодом 16.06.2018 и 30.06.2018 показали высокую корреляцию. Для 16 июня 2018 г. корреляции Пирсона между измерениями были в целом высокими и варьировались от 0,83 до 0,93 (рис. 10А). Корреляции между последовательными полетами также были высокими, от 0,88 до 0,93. Для измерений в тот же день 20 июня 2018 г. корреляции Пирсона варьировались от 0,49 до 0,95 (рис. 10B). Два измерения, проведенные до солнечного полудня (09:24 и 10:11), показали слабую корреляцию с измерениями, проведенными около солнечного полудня, и измерениями в 15:05 и 15:49.Измерения солнечного полудня (11:05, 12:27 и 14:00) сильно коррелировали.

Рис. 9 Коэффициенты корреляции между пространственно скорректированными значениями генотипической температуры растительного покрова (CT) в разные даты, измеренными около солнечного полудня. Все корреляции были значимы при p ≤ 0,01.

.Все корреляции были значимы при p ≤ 0,01.

Обсуждение

В этом исследовании был представлен сравнительно дешевый метод высокопроизводительного фенотипирования КТ, основанный на термографии БПЛА в сочетании с фотограмметрией и компьютерным зрением, а именно подход SfM. Общая стоимость оборудования составила 18 тысяч евро (6 тысяч евро для Matrice 600 pro, 8 тысяч евро для камеры A65, 3,5 тысячи евро для профессиональной версии Agisoft, 0,5 тысячи евро для управляющего оборудования). Кроме того, необходимо высокоточное решение GNSS для измерения позиций опорных точек и рабочая станция для фотограмметрической обработки.С параметрами полета, использованными в этом исследовании, площадь в один гектар была захвачена за время полета примерно 8 минут. Поскольку беспилотник питался от электричества, не нужно было учитывать никаких существенных последующих затрат, кроме затрат на замену батарей. С увеличением времени полета и высоты этот подход потенциально позволяет захватывать очень большие площади, поскольку он позволяет объединять множество отдельных изображений в ортомозаику. Далее обсуждаются результаты этого метода.

Генерация ортомозаики из тепловых изображений

Ортомозаика показала высокую детализацию, что позволило оценить неоднородность на участке. Визуально видно, что на температуру участка влияют граничные эффекты межучасткового пространства примерно на четыре пикселя (примерно 0,25–0,3 м или два ряда) (рис. 5А, В). Глядя на графики с разных геометрий просмотра, можно увидеть, что CT является анизотропным. Он показывает почти симметричный рисунок, параллельный главной плоскости солнца, с разницей в среднем в несколько ° C по полю зрения (25 °) датчика.Вокруг надира видна горячая точка, где температура немного повышена по сравнению с общей картиной (рис. 5D). Это можно объяснить более высокими температурами почвы по сравнению с температурами растений, которые обнаруживаются при просмотре изображений с очень высоким разрешением с полевой платформы для фенотипирования, снятых в то же время (рис. 1, дополнительные материалы). Однако эффект от этого различается в зависимости от структуры полога на каждом участке. Визуальный осмотр изображений с высоким разрешением показал, что угол наклона головок и листьев также влияет на видимую температуру.

Систематические различия, возникающие из-за геометрии просмотра, также обнаруживаются в режимах наложения. Режим смешивания «отключен» показал более высокую неоднородность на графике. В этом режиме наложения используется только центральная часть каждого изображения, что соответствует просмотру геометрии, близкой к надиру (рис. 5C). Эта геометрия обзора потенциально позволяет получить больше информации изнутри полога и фона почвы, чем наклонная геометрия обзора (подробное обсуждение влияния геометрии обзора на видимый сигнал — в частности, соотношение видимой почвы и растительного материала — см. Аасен и Болтен, 2018 г.).В режиме наложения «усреднение» учитывается вся информация со всех изображений, покрывающих определенный пиксель ортофотоплана, и, таким образом, информация усредняется по широкому диапазону геометрий просмотра (включая надир и наклон). Следовательно, по сравнению с геометрией просмотра только в надире, захватывается больше информации о растительном материале с более высоких уровней полога (Aasen and Bolten, 2018). Этот эффект также виден на графике Бланда-Альтмана (рис. 6). Отрицательные различия между режимами наложения «средний» и «отключен» соответствуют более высоким кажущимся температурам в геометрии обзора, близкой к надиру (режим наложения «отключен»).Отрицательные наклоны зависимостей указывают на то, что с более высокой абсолютной температурой участка близкие к надиру значения относительно увеличиваются. Это может быть результатом более высоких температур участка в менее плотном пологе (с меньшей биомассой), где геометрия просмотра в надире захватывает больше теплого фона почвы. Ближе к вечеру охлаждение растительного покрова уменьшается, а фон почвы затеняется, так что измерения надира становятся более прохладными (15:05 ч полета), а позже (15:49 ч полета) различия между двумя процедурами измерений становятся незначительными.Аналогично, ранним утром (09:24 ч полета) температура почвы и листьев в значительной степени определяется температурой воздуха, что приводит к незначительной разнице в кажущейся температуре между режимами смешивания. В целом, интерпретация результатов в этой детали очень сложна. Необходимы дополнительные исследования, чтобы распутать взаимодействие структуры полога, освещения и геометрии обзора с КТ, чтобы установить надежную связь между КТ и фактическим физиологическим состоянием (например, устьичной проводимостью) растений.

Многие исследования, в которых используется 2D-сканер [c.f. (Aasen et al., 2018)] на основе термографии использовали отдельные изображения для извлечения КТ (Bendig et al., 2012; Zarco-Tejada et al., 2012; Calderón et al., 2013; Deery et al., 2016; Sankaran). et al., 2018; Deery et al., 2019), устраняя необходимость в сложной мозаике изображений. Недостаток подхода с одним изображением заключается в том, что можно захватить только ограниченную область, и для увеличения этой области необходимо увеличить высоту полета, что, следовательно, уменьшит GSD.Учитывая ограниченное разрешение современных тепловизионных камер (большинство из них имеют разрешение до 640 x 480 пикселей) и ограниченную максимальную допустимую высоту полета систем БПЛА в большинстве стран, применимость подхода с одним изображением для недорогого фенотипирования БПЛА ограничена. . Кроме того, в подходе с одним изображением эффекты анизотропии оказывают более сильное влияние на данные, поскольку в одном изображении используется большее разнообразие геометрий просмотра.

Для достижения высокой точности позиционирования при создании ортомозаики используются опорные точки (Ortega-Farías et al., 2016; Рибейро-Гомес и др., 2017 г.; Мальбето и др., 2018 г.; Саган и др., 2019). Плотное распределение GCP по экспериментальному участку помогает получить оптимальные результаты (Mesas-Carrascosa et al., 2015; Roth et al., 2018). Ключевая проблема с обычными опорными точками в тепловизионных изображениях заключается в том, что их трудно обнаружить на тепловых изображениях из-за низкой контрастности таких изображений (Malbéteau et al., 2018). Это было подтверждено в испытательных полетах, проведенных для этого исследования. Чтобы преодолеть это ограничение, некоторые авторы сначала привязывали красно-зелено-синие (RGB) изображения к опорным точкам, а затем привязывали тепловые изображения к данным RGB (Sagan et al., 2019). С помощью специальных тепловых опорных точек можно выполнять географическую привязку тепловых ортофотопланов без необходимости точного и дорогостоящего бортового решения RTK для БПЛА. В большинстве исследований не сообщалось о точности позиционирования созданных термальных ортофотопланов (Berni et al., 2009b; Berni et al., 2009a; Zarco-Tejada et al., 2013; Maes et al., 2017; Santesteban et al., 2017; Malbéteau). и др., 2018; Санкаран и др., 2018; Саган и др., 2019). Рибейро-Гомес и соавт. (2017) использовали резиновые листы с алюминиевой пластиной в качестве тепловых опорных точек и сообщили о тепловом ортофотоплане RMSE, равном 7.2 м при высоте полета 80 м. После повышения контрастности своих тепловизионных изображений они уменьшили среднеквадратичную ошибку своего положения до 1,2 м. Мальбето и соавт. (2018) использовали алюминиевые пластины с черными крестами, наклеенными скотчем, но не сообщали о пространственной точности их ортомозаики. Используя обычные GCP, Gómez-Candón et al. (2016) сообщают об ортомозаичных среднеквадратичных отклонениях от 15 до 19,4 см для их тепловых полетов на высоте полета 40 м. По сравнению с этими исследованиями, полученная точность позиционирования в нашем исследовании была очень высокой, при этом среднеквадратическая ошибка позиционирования находилась в диапазоне от 1.от 25 до 10,05 см с общим средним среднеквадратичным отклонением 4,79 см. И Гомес-Кандон, и соавт. (2016) и Ribeiro-Gomes et al. (2017) использовали тепловизионную камеру с таким же разрешением, как и в этом исследовании.

Из этих результатов можно сделать некоторые выводы:

— При использовании информации об отдельных изображениях или «отключенном» режиме наложения схема полета должна быть спланирована таким образом, чтобы графики были захвачены с похожей геометрией просмотра, поскольку уже небольшие различия влияют на кажущаяся температура.В идеале схема полета должна быть по дальности или рядам конструкции и с высокой частотой кадров в секунду.

— «Средний» режим наложения способен уменьшить влияние геометрии просмотра. Поскольку анизотропия симметрична главной плоскости солнца, рекомендуется схема полета параллельна главной плоскости. В идеале позиция захвата должна быть симметричной во всех направлениях, но она должна быть, по крайней мере, вдоль главной плоскости, чтобы должным образом усреднить эффекты просмотра.Этому также способствовала бы высокая частота измерений.

— В случае незначительных колебаний условий измерения рекомендуется летать параллельно диапазону или направлению ряда, поскольку тогда различия могут быть включены в компонент диапазона или ряда модели пространственной коррекции. В будущем модели, которые интегрируют время измерения, могут улучшить коррекцию. При сильно меняющихся условиях окружающей среды проводить измерения не рекомендуется, поскольку сопоставимость измерений может быть нарушена из-за изменений в физиологии растений во время измерений.

— Независимо от процедуры генерации данных, точная географическая привязка имеет ключевое значение, если данные из нескольких полетов должны обрабатываться автоматически.

Оптимальное время для характеристики температуры растительного покрова

Сравнение генотипических значений CT из нескольких измерений 16 июня 2018 г. и 20 июня 2018 г. показало постоянную корреляцию между всеми измерениями 16 июня 2018 г. (рис. 10A). . С другой стороны, корреляции утренних измерений с последующими измерениями уменьшались ближе к полудню 20 июня 2018 г. (рис. 10B).Это свидетельствовало об изменении реакции генотипов на условия окружающей среды в течение суток с быстрым повышением температуры в течение суток 20.06.2018 по сравнению с умеренным повышением 16.06.2018 (21°C против ). .25°C интервал между измерениями).

H ² значения были самыми высокими в первой половине дня в 14:00 по местному времени (рис. 7). Это можно объяснить повышенным потенциалом фотосинтеза из-за высокой освещенности и увеличивающимся дефицитом давления пара ближе к полудню (рис. 7), что потенциально может увеличить проводимость и может привести к увеличению дисперсии между генотипами.Эти результаты совпадают с результатами (Deery et al., 2016; Deery et al., 2019) для пшеницы. Таким образом, в целом можно сделать вывод, что полеты в это время лучше всего оценивают генотипические различия в СТ. Тем не менее, самая высокая H ² на 16 июня 2018 г. была обнаружена около полудня сразу после перехода через облака. Это может свидетельствовать о различиях между генотипами в усилении транспирации после перехода через облака в засушливые периоды. Кроме того, вполне вероятно, что наилучшие сроки зависят от наличия воды в почве.Таким образом, для разрешения таких взаимодействий были бы полезны непрерывные измерения.

Если рассматривать весь период, H ² в целом увеличивалась к началу июля (рис. 8). Период между 14 июня 2018 г. и 02 июля 2017 г. соответствовал засушливому периоду без осадков (рис. 8, внизу), и можно предположить, что в этот период также увеличился водный стресс. Тем не менее, старение также началось 16 июня 2018 г. для ранних стареющих генотипов. В попытке отделить влияние фенологии и водного стресса мы выбрали генотипы «оставаться зеленым».Они показали аналогичную тенденцию для H ² , как и для всего набора генотипов (рис. 8), предполагая, что не только старение, но и продолжающийся засушливый период увеличивали дисперсию между генотипами. Падение H ² , наблюдаемое 16 июня 2018 г. для генотипов «оставайся зеленым», могло быть результатом низкого PAR во время этого полета БПЛА (рис. 7, слева и рис. 8, внизу), что, возможно, привело к плохая транспирация, которая снижала наследуемость и, следовательно, способность дифференцировать генотипы. Другие рейсы в этот день показали такие же H ² , как и рейсы 20 июня 2018 г.Этот эффект не наблюдался во всем наборе генотипов, содержащем уже генотипы визуального старения. Тем не менее, следует отметить, что генотипы «оставаться зелеными» были идентифицированы только на основе визуальных признаков старения в этом исследовании, процессы до визуального старения все еще могут влиять на результаты. Следовательно, чтобы получить стабильные оценки CT, которые соответствуют физиологии, а не фенологии, авторы предлагают проводить измерения CT в начале дня и до начала старения. Необходимы дальнейшие исследования по этой теме, так как 1) изменение физиологии во время превизуального старения уже может влиять на КТ и 2) засуха и фенология (т.э., раннее старение) могут взаимодействовать, и оба они влияют на CT, как также упоминается в Lopes and Reynolds (2010).

Сравнение различных подходов к измерению температуры растительного покрова

В типичном сценарии полевого фенотипирования необходимо проверить от нескольких сотен до тысячи участков, расположенных на нескольких гектарах. Для КТ существует несколько других подходов к измерению, помимо описанного в этом исследовании. В таблице 1 анализируются преимущества и недостатки этих подходов. Ручные измерения имеют очень привлекательную стоимость настройки, просты в настройке и очень гибки, хотя, возможно, имеют самые высокие доступные GSD.Отбор проб в таком крупном полевом эксперименте вручную в большинстве случаев невозможен из-за высоких эксплуатационных расходов, длительного времени, необходимого для отбора проб на участке, и изменений условий окружающей среды во время отбора проб, что приводит к низкой наследуемости (Deery et al., 2016; Саган и др., 2019).

Таблица 1 Преимущества (+, ++) и недостатки (-, —) наиболее распространенных сценариев определения температуры растительного покрова (CT) в условиях полевого фенотипирования.

Станции фенотипирования, такие как «платформа полевого фенотипирования» (FIP) в ETH Zürich (Kirchgessner et al., 2017), «Field Scanalyzer» в Ротамстеде (Virlet et al., 2017) и аналогичные станции, описанные в Hund et al. (2019) высоко автоматизированы, что снижает затраты на ручной труд. Станции фенотипирования требуют небольших усилий для сбора данных, умеренно высокой площади, которую они могут эффективно покрывать, и применимы для измерения высокорослых культур в определенной степени (< 3 м). Поскольку датчики расположены всего в нескольких метрах над землей, они имеют очень высокий GSD, что позволяет различать различия между органами растений.Однако они требуют больших затрат на установку и очень негибки в пространственном отношении из-за своего стационарного характера. Кроме того, измерения записываются последовательно, что может привести к систематической ошибке из-за изменяющихся воздействий окружающей среды. Джонс и др. (2018) и Deery et al. (2019) использовали сенсорную сеть инфракрасных точечных датчиков для одновременного выявления CT на 84 из 400 участков в своих полевых экспериментах.

Несмотря на то, что это сводит к минимуму эксплуатационные расходы, приобретение достаточного количества датчиков для проведения таких измерений требует больших затрат на установку и, возможно, обслуживание.Однако такая система имеет то преимущество, что все измерения выполняются одновременно, что сводит к минимуму влияние изменения условий окружающей среды во время измерений.

Таблица 1 содержит два сценария «ортофотоплан с БПЛА» и «одно изображение с пилотируемого летательного аппарата» для измерений с воздуха, тогда как оба — с пилотируемых летательных аппаратов и с БПЛА — могут использоваться для обоих подходов. Тем не менее, эти два сценария являются наиболее популярными, когда речь идет о фенотипировании теплового поля в воздухе (Liebisch et al., 2015; Deery et al., 2016; Гомес-Кандон и др., 2016 г.; Мальбето и др., 2018 г.; Дири и др., 2019; Саган и др., 2019).

БПЛА имеет преимущество перед пилотируемыми летательными аппаратами, когда речь идет о настройке и эксплуатационных расходах измерительной системы. Усилия по настройке (реализации датчика) примерно одинаковы для двух систем. Размер покрываемой области в ортофотоплане ограничен только временем полета несущей системы, но может быть увеличен за счет объединения изображений нескольких полетов. Таким образом, ортомозаичный сценарий может эффективно охватывать большую площадь, чем подход с одним изображением, за счет потенциального воздействия изменяющихся условий окружающей среды во время измерения изображений.Сценарий «одного изображения» позволяет отобрать больше участков за более короткое время, когда высота полета выше, чтобы захватить все участки, за счет более низкого GSD, чем ортомозаика, снятая с более низкой высоты. Кроме того, отдельные изображения ограничены по площади покрытия для каждого изображения. Более низкая стоимость и администрирование, необходимые для управления БПЛА, делают эту систему более гибкой, чем пилотируемые самолеты.

Ограничением ортомозаики на основе БПЛА, используемой в этом исследовании, было время полета мультироторного БПЛА, которое в настоящее время составляет максимум 15–20 минут.Высокое пространственное разрешение полученных ортофотопланов означало, что высоту полета потенциально можно удвоить, сохраняя при этом хорошую GSD. Из-за высокой скорости измерения камеры также возможна более высокая скорость полета, что увеличивает возможный охват за полет. Однако наибольшего преимущества в области отбора проб можно добиться, установив тепловизионные камеры на беспилотных летательных аппаратах с неподвижным крылом. БПЛА с неподвижным крылом способны покрывать большие территории [до десятков га за один полет [например, (Wingtra, 2019; senseFly, 2019)].

Заключение

В этом исследовании был представлен недорогой тепловизионный подход на основе беспилотного летательного аппарата (БПЛА) для оценки температуры растительного покрова (CT) для экспериментов по фенотипированию в полевых условиях. Такой подход позволил получить данные с высоким временным и пространственным разрешением в различных масштабах, поскольку многие тепловые изображения могут быть объединены в мозаику в один ортофотоплан. Были проанализированы эффекты геометрии обзора в тепловых изображениях, и было обнаружено, что они потенциально могут сильно влиять на получаемый сигнал в пределах одного изображения.Обсуждалось, как они преобразуются в эффекты в термальной ортомозаике, в зависимости от того, как были созданы ортомозаики. Было обнаружено, что усреднение информации всех изображений для характеристики интересующей области (например, сюжета) имеет более высокую наследуемость, чем использование только центральных частей изображений в процессе создания мозаики. При усреднении информации при построении ортомозаики предлагается использовать регулярную сетку измерений, параллельную главной плоскости солнца, и высокую частоту кадров.Коррекция пространственных эффектов в данных с помощью 2D-сплайнов СпАТС привела к наследуемости от 0,36 до 0,74 для КТ-измерений в зависимости от дня, времени полета и режима обработки данных. Анализ нескольких полетов в день и в течение всего сезона показал, что оптимальным моментом времени для температурных измерений пшеницы является время до начала старения, а идеальное время полета для оценки генотипических различий в CT — послеобеденное время около 14:00 по местному времени. В целом, результаты этого исследования демонстрируют, что низковысотное тепловое дистанционное зондирование подходит для высокопроизводительного полевого фенотипирования.Сравнение с другими подходами показало, что он помогает закрыть пробел в существующих приложениях термографии в крупномасштабных сценариях фенотипирования для селекции растений. Будущие исследования должны быть направлены на установление надежной связи между наблюдаемым CT и физиологическими признаками растений (например, устьичной проводимостью), поскольку многочисленные результаты указывают на искажающий эффект структурных признаков кроны, таких как густота кроны, листья и наклон головы.

Заявление о доступности данных

Наборы данных, созданные для этого исследования, доступны по запросу соответствующему автору.

Вклад автора

GP написал большую часть рукописи, выполнил постобработку тепловых данных/внедрение цепочки обработки, статистический анализ, создал цифры, построил опорные точки и помог с полетами дронов. AH организовал и руководил полевым экспериментом (дизайн эксперимента), внес значительный вклад в рукопись и предоставил код для пространственной коррекции. JA провела оценку старения и внесла свой вклад в рукопись. LR поддержала сборку и эксплуатацию комплекта датчиков и дронов, сбор и предварительную обработку данных метеостанций, конвейер обработки данных и внесла свой вклад в соответствующую часть рукописи.MB поддержал применение и понимание методологии SpATS и соответствующего пакета R и отредактировал соответствующие части рукописи. AW внесла свой вклад, осуществив эксперименты в группе Crop Science в ETH и предоставив ценные отзывы при написании рукописи. FL поддержал проведение эксперимента и написание рукописи. HA задумал и изложил идею рукописи, внес большой вклад в рукопись, в значительной степени внес свой вклад в исправления, построил систему датчиков, выполнил полеты дронов, разработал цепочку обработки и руководил исследованием.

Финансирование

Мы признательны за поддержку Швейцарского национального научного фонда в рамках проекта «Phenocool» (грант № 169542). LR признает финансирование от Innosuisse (www.innosuisse.ch) в рамках проекта «Обнаружение признаков» (грант № KTI P-Nr 27059.2 PFLS-LS).

Конфликт интересов

Авторы заявляют, что исследование проводилось при отсутствии каких-либо коммерческих или финансовых отношений, которые могли бы быть истолкованы как потенциальный конфликт интересов.

Благодарности

Мы благодарим Хансуэли Зеллвегер за заботу об экспериментальном участке и растениях в течение всего вегетационного периода. Мы благодарим Пабло Бови и Дельфину Пикко, поддержавших полевые работы.

Дополнительный материал

Дополнительный материал к этой статье можно найти в Интернете по адресу: https://www.frontiersin.org/articles/10.3389/fpls.2020.00150/full#supplementary-material

Ссылки

Aasen, H. , Болтен, А. (2018).Многовременная спектроскопия изображений с высоким разрешением с помощью гиперспектральных двумерных формирователей изображений — от теории к применению. Дистанционный датчик окружающей среды. 205, 374–389. doi: 10.1016/j.rse.2017.10.043

CrossRef Полный текст | Google Scholar

Аасен Х., Буркарт А., Болтен А., Барет Г. (2015). Генерация трехмерной гиперспектральной информации с помощью легких БПЛА для мониторинга растительности: от калибровки камеры до обеспечения качества. ISPRS J. Photogramm. Дистанционный датчик 108, 245–259. doi: 10.1016/j.isprsjprs.2015.08.002

CrossRef Полный текст | Google Scholar

Аасен Х., Хонкаваара Э., Люсиер А., Зарко-Техада П.Дж. (2018). Количественное дистанционное зондирование со сверхвысоким разрешением с помощью спектроскопии БПЛА: обзор технологии датчиков, процедур измерения и рабочих процессов коррекции данных. Дистанционный датчик 10, 1–42. doi: 10.3390/rs10071091

CrossRef Полный текст | Google Scholar

Аасен, Х. (2016). Влияние геометрии обзора на гиперспектральные изображения, полученные с камер моментальных снимков БПЛА. ISPRS Ann. фотограмм. Дистанционный сенсор Спл. Инф. науч. 3, 257–261. doi: 10.5194/isprs-annals-III-7-257-2016

Полный текст CrossRef | Google Scholar

ООО «Агисофт» (2016). Руководство пользователя Агисофт Фотоскан. Проф. Эд. Версия 0.9.0 37. doi:10.1021/jp303597m.

Google Scholar

Амани И., Фишер Р. А., Рейнольдс М. П. (1996). Связь понижения температуры растительного покрова с урожайностью орошаемых сортов яровой пшеницы в жарком климате. Дж. Агрон.Растениеводство. 176, 119–129. doi: 10.1111/j.1439-037X.1996.tb00454.x

Полный текст CrossRef | Google Scholar

Андерсон, К., Гастон, К. Дж. (2013). Легкие беспилотные летательные аппараты произведут революцию в пространственной экологии. Перед. Экол. Окружающая среда. 11, 138–146. doi: 10.1890/120150

CrossRef Полный текст | Google Scholar

Балота М., Пейн В. А., Эветт С. Р., Лазар М. Д. (2007). Отбор проб понижения температуры растительного покрова для оценки урожайности зерна и генотипической дифференциации озимой пшеницы. Растениеводство. 47, 1518–1529. doi: 10.2135/cropsci2006.06.0383

Полный текст CrossRef | Google Scholar

Беккер, Э., Шмидхальтер, У. (2017). Оценка урожайности и засухи с использованием активных и пассивных систем спектрального зондирования на репродуктивной стадии пшеницы. Перед. Растениевод. 8. doi: 10.3389/fpls.2017.00379

PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

Беллверт Дж., Марсал Дж., Жирона Дж., Гонсалес-Дуго В., Феререс Э., Ustin, S.L., et al. (2016). Аэрофотосъемка для определения сезонной эволюции состояния воды в персиковых, нектариновых и персиковых садах Сатурна. Дистанционный датчик 8. doi: 10.3390/rs8010039

CrossRef Full Text | Google Scholar

Бендиг Дж., Болтен А., Барет Г. (2012). Представляем недорогой мини-БПЛА для тепловизионной и мультиспектральной съемки. Междунар. Арка фотограмм. Дистанционный сенсор Спл. Инф. науч. 39, 345–349. doi: 10.5194/isprsarchives-XXXIX-B1-345-2012

Полный текст CrossRef | Google Scholar

Берлинер, П., Oosterhuis, DM, Green, G.C. (1984). Оценка инфракрасного термометра в качестве детектора стресса растений. Сельскохозяйственный. За. метеорол. 31, 219–230. doi: 10.1016/0168-1923(84)-4

Полный текст CrossRef | Google Scholar

Берни, Дж. А. Дж., Зарко-Техада, П. Дж., Сепулькре-Канто, Г., Феререс, Э., Вильялобос, Ф. (2009a). Картирование электропроводности растительного покрова и CWSI в оливковых садах с использованием тепловых изображений дистанционного зондирования с высоким разрешением. Дистанционный датчик окружающей среды. 113, 2380–2388.doi: 10.1016/j.rse.2009.06.018

CrossRef Полный текст | Google Scholar

Берни Дж. А. Дж., Зарко-Техада П. Дж., Суарес Л., Феререс Э., Суарес Л., Феререс Э. (2009b). Тепловое и узкополосное мультиспектральное дистанционное зондирование растительности с беспилотного летательного аппарата. IEEE Trans. Geosci. Дистанционный датчик 47, 722–738. doi: 10.1109/TGRS.2008.2010457

CrossRef Полный текст | Google Scholar

Бланд, Дж. М., Альтман, Д. Г. (1986). Статистические методы оценки соответствия между двумя методами клинических измерений. Ланцет 327, 307–310. doi: 10.1128/AAC.00483-18

CrossRef Полный текст | Google Scholar

Блюм А., Шпилер Л., Голан Г., Майер Дж. (1989). Стабильность урожая и температура полога генотипов пшеницы в условиях засушливого стресса. F. Crop Res. 22, 289–296. doi: 10.1016/0378-4290(89)-2

Полный текст CrossRef | Google Scholar

Кальдерон, Р., Навас-Кортес, Дж. А., Лусена, К., Зарко-Техада, П. Дж. (2013). Гиперспектральные и тепловизионные изображения высокого разрешения с воздуха для раннего выявления вертициллезного увядания оливкового дерева с использованием флуоресцентных, температурных и узкополосных спектральных индексов. Дистанционный датчик окружающей среды. 139, 231–245. doi: 10.1016/j.rse.2013.07.031

Полный текст CrossRef | Google Scholar

Cao, B., Liu, Q., Du, Y., Roujean, J.-L., Gastellu-Etchegorry, J.-P., Trigo, I. F., et al. (2019). Обзор наблюдения и моделирования направленности теплового излучения земной поверхности: историческое развитие, современное состояние и перспективы. Дистанционный датчик окружающей среды. 232, 111304. doi: 10.1016/j.rse.2019.111304

CrossRef Полный текст | Google Scholar

Коломина И., Молина, П. (2014). Беспилотные авиационные комплексы для фотограмметрии и дистанционного зондирования: обзор. ISPRS J. Photogramm. Дистанционный датчик 92, 79–97. doi: 10.1016/j.isprsjprs.2014.02.013

CrossRef Полный текст | Google Scholar

Coombes, NE (2009). Инструмент поиска дизайна DiGGer в R [WWW Document].

Google Scholar

Deery, D.M., Rebetzke, G.J., Jimenez-Berni, J.A., James, R.A., Condon, A.G., Bovill, W.D., et al. (2016). Методология высокопроизводительного полевого фенотипирования температуры полога с использованием воздушной термографии. Перед. Растениевод. 7, 1–13. doi: 10.3389/fpls.2016.01808

PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

Deery, D.M., Rebetzke, G.J., Jimenez-berni, J.A., Bovill, B., James, R.A., Condon, A.G., et al. (2019). Оценка фенотипической повторяемости температуры кроны пшеницы с использованием непрерывных наземных и воздушных измерений. Перед. Растениевод. 10, 1–19. doi: 10.3389/fpls.2019.00875

PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

Команда разработчиков QGIS (2018 г.).Географическая информационная система QGIS.

Google Scholar

Эльсайед С., Ришбек П., Шмидхальтер У. (2015). Сравнение характеристик активных и пассивных датчиков отражения для оценки нормализованной относительной температуры листового полога и урожайности сортов ячменя, подверженных засухе. Полевые культуры Res. 177, 148–160. doi: 10.1016/j.fcr.2015.03.010

CrossRef Полный текст | Google Scholar

Эльсайед С., Элховейти М., Ибрагим Х. Х., Девир Ю. Х., Мигдади, Х.М., Шмидхальтер, У. (2017). Тепловизионное и пассивное отражательное зондирование для оценки состояния воды и урожайности зерна пшеницы при различных режимах орошения. Сельскохозяйственный. Управление водой . 189, 98–110. doi: 10.1016/j.agwat.2017.05.001

Полный текст CrossRef | Google Scholar

Гомес-Кандон, Д., Вирлет, Н., Лаббе, С., Джоливо, А., Регнар, Дж. Л. (2016). Полевой фенотип водного стресса в масштабе деревьев с помощью изображений, полученных с помощью БПЛА: новые идеи для теплового сбора и калибровки. Точный. Агр. 17, 786–800. doi: 10.1007/s11119-016-9449-6

CrossRef Полный текст | Google Scholar

Гилмор, А. Р., Каллис, Б. Р., Вербила, А. П. (1997). Учет естественной и посторонней изменчивости при анализе полевых опытов. Дж. Агрик. биол. Окружающая среда. Стат. 2, 269. doi: 10.2307/1400446

CrossRef Full Text | Google Scholar

Гонсалес-Дуго В., Зарко-Техада П., Николас Э., Нортес П. А., Аларкон Дж. Дж., Интриглиоло Д.С. и др. (2013). Использование тепловых изображений БПЛА высокого разрешения для оценки изменчивости состояния воды пяти видов фруктовых деревьев в коммерческом саду. Точный. Агр. 14, 660–678. doi: 10.1007/s11119-013-9322-9

CrossRef Полный текст | Google Scholar

Харвин С., Люсиер А. (2012). Оценка точности облаков точек с географической привязкой, созданных с помощью многоракурсного стереоскопического изображения из изображений беспилотных летательных аппаратов (БПЛА). Дистанционный датчик 4, 1573–1599.doi: 10.3390/rs4061573

Полный текст CrossRef | Google Scholar

Хассан-Эсфахани Л., Торрес-Руа А., Дженсен А., Макки М. (2015). Оценка поверхностной влажности почвы с использованием мультиспектральных изображений высокого разрешения и искусственных нейронных сетей. Дистанционный датчик 7, 2627–2646. doi: 10.3390/rs70302627

CrossRef Полный текст | Google Scholar

Хоффманн Х., Ньето Х., Дженсен Р., Гузински Р., Зарко-Техада П., Фрибур Т. (2016). Оценка испарения с помощью тепловых данных БПЛА и моделей энергетического баланса с двумя источниками. Гидр. Земля Сист. науч. 20, 697–713. doi: 10.5194/hess-20-697-2016

Полный текст CrossRef | Google Scholar

Хунд А., Кроненберг Л., Андерегг Дж., Ю К., Уолтер А. (2019). Неинвазивный полевой фенотип развития злаков. в Успехи в селекции зерновых культур . (Издательство Берли Доддс Сайенс). 13, 249–292. doi: 10.19103/as.2019.0051.13

Полный текст CrossRef | Google Scholar

Joalland, S., Screpanti, C., Varella, H.V., Reuther, M., Schwind, M., Lang, C., et al. (2018). Воздушное и наземное зондирование устойчивости сахарной свеклы к свекловичной нематоде. Дистанционный датчик 10, 1–21. doi: 10.3390/rs10050787

Полный текст CrossRef | Google Scholar

Джонс, Х.Г., Серрадж, Р., Ловис, Б.Р., Сюн, Л., Уитон, А., Прайс, А.Х. (2009). Тепловое инфракрасное изображение растительного покрова для дистанционной диагностики и количественной оценки реакции растений на водный стресс в поле. Функц.биол. растений 36, 978–989. doi: 10.1071/FP09123

Полный текст CrossRef | Google Scholar

Джонс, Х.Г., Хатчинсон, П.А., Мэй, Т., Джамали, Х., Дири, Д.М. (2018). Практический метод, использующий сеть стационарных инфракрасных датчиков для оценки проводимости растительного покрова и скорости испарения. Биосист. англ. 165, 59–69. doi: 10.1016/j.biosystemseng.2017.09.012

Полный текст CrossRef | Google Scholar

Келли Дж., Клюн Н., Олссон П. О., Михай Л., Liljeblad, B., Weslien, P., et al. (2019). Проблемы и передовые методы получения данных о температуре с некалиброванной тепловизионной инфракрасной камеры БПЛА. Дистанционный датчик 11. doi: 10.3390/rs11050567

CrossRef Полный текст | Google Scholar

Ханал С., Фултон Дж., Ширер С. (2017). Обзор текущих и потенциальных применений теплового дистанционного зондирования в точном земледелии. Вычисл. Электрон. Агр. 139, 22–32. doi: 10.1016/j.compag.2017.05.001

Полный текст CrossRef | Google Scholar

Кирхгесснер, Н., Liebisch, F., Yu, K., Pfeifer, J., Friedli, M., Hund, A., et al. (2017). Платформа для полевого фенотипирования ETH FIP: мультисенсорная система с подвеской на кабеле. Функц. биол. растений 44, 154–168. doi: 10.1071/FP16165

Полный текст CrossRef | Google Scholar

Коллерс С., Родеманн Б., Линг Дж., Корзун В., Эбмейер Э., Аржилье О. и др. (2013). Полногеномное ассоциативное картирование устойчивости к фузариозу озимой пшеницы европейской (Triticum aestivum L.). PloS One 8.doi: 10.1371/journal.pone.0057500

PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

Ланкашир П., Блейхолдер Х., Ван ден Бум Т., Лангелюдекке П., Стаусс Р., Вебер Э. и др. (1991). Единый десятичный код для стадий роста сельскохозяйственных культур и сорняков. Энн. заявл. биол. 119, 561–601. doi: 10.1111/j.1744-7348.1991.tb04895.x

Полный текст CrossRef | Google Scholar

Либиш Ф., Кирхгесснер Н., Шнайдер Д., Вальтер А., Хунд А. (2015).Дистанционное воздушное фенотипирование признаков кукурузы с помощью мобильного мультисенсорного подхода. Plant Methods 11. doi: 10.1186/s13007-015-0048-8

CrossRef Полный текст | Google Scholar

Лопес М.С., Рейнольдс М.П. (2010). Распределение ассимилятов по более глубоким корням связано с более прохладным пологом и повышенной урожайностью пшеницы в условиях засухи. Функц. биол. растений 37, 147–156. doi: 10.1071/FP09121

Полный текст CrossRef | Google Scholar

Мэйс, В.Х., Степь, К. (2012). Оценка эвапотранспирации и стресса от засухи с помощью наземного теплового дистанционного зондирования в сельском хозяйстве: обзор. Дж. Экспл. Бот. 63, 4671–4712. doi: 10.1093/jxb/err313

PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

Maes, WH, Huete, AR, Steppe, K. (2017). Оптимизация обработки тепловизионных изображений с БПЛА. Дистанционный датчик 9. doi: 10.3390/rs

76

CrossRef Полный текст | Google Scholar

Мальбето, Ю., Паркес С., Арагон Б., Росас Дж., Маккейб М.Ф. (2018). Запись суточного цикла температуры поверхности земли с помощью беспилотного летательного аппарата. Дистанционный датчик 10. doi: 10.3390/rs10091407

CrossRef Полный текст | Google Scholar

Месас-Карраскоса Ф. Дж., Торрес-Санчес Дж., Клаверо-Румбао И., Гарсия-Феррер А., Пенья Дж. М., Борра-Серрано И. и др. (2015). Оценка оптимальных параметров полета для создания точных многоспектральных ортофотопланов с помощью БПЛА для поддержки управления посевами на конкретных участках. Дистанционный датчик 7, 12793–12814. doi: 10.3390/rs71012793

Полный текст CrossRef | Google Scholar

Месас-Карраскоса Ф. Х., Перес-Поррас Ф., де Ларрива Х. Э. М., Фрау К. М., Агуэра-Вега Ф., Карвахаль-Рамирес Ф. и др. (2018). Коррекция дрейфа термодатчиков легкого микроболометра на борту беспилотных летательных аппаратов. Дистанционный датчик 10, 1–17. doi: 10.3390/rs10040615

Полный текст CrossRef | Google Scholar

Никодимус Ф., Ричмонд Дж., Ся, Дж. (1977). Геометрические соображения и номенклатура отражательной способности. наук. Технол. 60, 1–52. doi: 10.1109/LPT.2009.2020494

CrossRef Full Text | Google Scholar

Оберхольцер С., Прасун В., Хунд А. (2017). Использование воды сельскохозяйственными культурами в педоклиматических условиях Швейцарии – оценка данных лизиметра за семилетний период. F. Crop Res. 211, 48–65. doi: 10.1016/j.fcr.2017.06.003

Полный текст CrossRef | Google Scholar

Ортега-Фариас, С., Ортега-Салазар, С., Поблете, Т., Килич, А., Аллен, Р., Поблете-Эчеверрия, С., и соавт. (2016). Оценка составляющих энергетического баланса над оливковым садом с капельным орошением с помощью тепловизионных и мультиспектральных камер, размещенных на вертолетном беспилотном летательном аппарате (БПЛА). Дистанционный датчик 8, 1–18. doi: 10.3390/rs8080638

Полный текст CrossRef | Google Scholar

Паск А., Пьетрагалла Дж., Муллан Д., Рейнольдс М. (2012). Физиологическая селекция II: Полевое руководство по фенотипированию пшеницы (Мексика: CIMMYT).

Google Scholar

Пьефо, Х. П., Уильямс, Э. Р. (2010). Модели линейной дисперсии для селекционных испытаний. Порода растений. 129, 1–8. doi: 10.1111/j.1439-0523.2009.01654.x

Полный текст CrossRef | Google Scholar

Поу, А., Диаго, М.П., ​​Медрано, Х., Балуджа, Дж., Тардагила, Дж. (2014). Валидация тепловых индексов для определения состояния воды в виноградной лозе. Сельскохозяйственный. Управление водой. 134, 60–72. doi: 10.1016/j.agwat.2013.11.010

CrossRef Полный текст | Google Scholar

Ребецке, Г.Дж., Рэтти, А.Р., Фаркуар, Г.Д., Ричардс, Р.А., Кондон, А.Г. (2013). Геномные области для температуры полога и их генетическая связь с устьичной проводимостью и урожайностью зерна у пшеницы. Функц. биол. растений 40, 14–33. doi: 10.1071/fp12184

Полный текст CrossRef | Google Scholar

Рибейро-Гомес К., Эрнандес-Лопес Д., Ортега Дж. Ф., Бальестерос Р., Поблете Т., Морено М. А. (2017). Калибровка неохлаждаемой тепловизионной камеры и оптимизация процесса фотограмметрии для приложений БПЛА в сельском хозяйстве.Датчики (Швейцария) 17, 9–11. doi: 10.3390/s17102173

CrossRef Полный текст | Google Scholar

Рош, Д. (2015). Устьичная проводимость необходима для повышения потенциальной урожайности культур C3. КРЦ. крит. Преподобный завод наук. 34, 429–453. doi: 10.1080/07352689.2015.1023677

CrossRef Full Text | Google Scholar

Родригес-Альварес, М. Х., Бур, М. П., ван Эувейк, Ф. А., Эйлерс, П. Х. К. (2018). Коррекция пространственной неоднородности в экспериментах по селекции растений с помощью P-сплайнов. Сплю. Стат. 23, 52–71. doi: 10.1016/j.spasta.2017.10.003

CrossRef Полный текст | Google Scholar

Рот, Л., Хунд, А., Аасен, Х. (2018). Инструмент планирования PhenoFly: планирование полета для оптического дистанционного зондирования с высоким разрешением с помощью беспилотных площадных систем. Plant Methods 14, 116. doi: 10.1186/s13007-018-0376-6

PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

Руткоски Дж., Поланд Дж., Мондал С., Отрик Э., Перес Л. Г., Кросса Дж., и другие. (2016). Температура растительного покрова и индексы вегетации, полученные с помощью высокопроизводительного фенотипирования, повышают точность родословной и геномной селекции для определения урожайности зерна пшеницы. Гены G3 Геномы Генет. 6, 2799–2808. doi: 10.1534/g3.116.032888

CrossRef Полный текст | Google Scholar

Саган В., Маймайтицзян М., Сидике П., Эблимит К., Петерсон К. Т., Хартлинг С. и др. (2019). Тепловизионное изображение высокого разрешения на базе БПЛА для мониторинга растительности и фенотипирования растений с использованием ICI 8640 P, FLIR Vue Pro R 640 и термокартографических камер. Дистанционный датчик 11. doi: 10.3390/rs11030330

CrossRef Полный текст | Google Scholar

Санчес-Азофейфа А., Антонио Гусман Дж., Кампос С.А., Кастро С., Гарсия-Миллан В., Найтингейл Дж. и др. (2017). Технологии дистанционного зондирования двадцать первого века произвели революцию в изучении тропических лесов. Биотропика 49, 604–619. doi: 10.1111/btp.12454

Полный текст CrossRef | Google Scholar

Санкаран С., Чжоу Дж., Хот Л. Р., Трапп Дж.Дж., Мндолва, Э., Миклас, П. Н. (2018). Высокопроизводительное полевое фенотипирование сухих бобов с использованием мультиспектральных изображений с помощью небольшого беспилотного летательного аппарата. Вычисл. Электрон. Агр. 151, 84–92. doi: 10.1016/j.compag.2018.05.034

CrossRef Полный текст | Google Scholar

Сантестебан, Л. Г., Ди Дженнаро, С. Ф., Эрреро-Лангрео, А., Миранда, К., Ройо, Дж. Б., Матезе, А. (2017). Тепловизионное изображение с высоким разрешением на основе БПЛА для оценки мгновенной и сезонной изменчивости водного режима растений на винограднике. Сельскохозяйственный. Управление водой. 183, 49–59. doi: 10.1016/j.agwat.2016.08.026

CrossRef Полный текст | Google Scholar

Шепман М. Э., Йеле М., Хуэни А., Д’Одорико П., Дамма А., Вейерманн Дж. и др. (2015). Расширенные радиометрические измерения и приложения в области наук о Земле с помощью эксперимента с воздушной призмой (APEX). Дистанционный датчик окружающей среды. 158, 207–219. doi: 10.1016/j.rse.2014.11.014

CrossRef Полный текст | Google Scholar

Шепман-Штруб, Г., Шепман, М.Е., Пейнтер, Т.Х., Дангель, С., Мартончик, Дж.В. (2006). Величины отражения в оптическом дистанционном зондировании — определения и тематические исследования. Дистанционный датчик окружающей среды. 103, 27–42. doi: 10.1016/j.rse.2006.03.002

Полный текст CrossRef | Google Scholar

Шафиан С., Маас С. Дж. (2015). Индекс влажности почвы с использованием необработанных данных цифрового подсчета изображений Landsat в Высоких равнинах Техаса. Дистанционный датчик 7, 2352–2372. doi: 10.3390/rs70302352

Полный текст CrossRef | Google Scholar

Шакур Н., Ли, С., Моклер, ТК (2017). Высокопроизводительное фенотипирование для ускорения селекции сельскохозяйственных культур и мониторинга заболеваний в поле. Курс. мнение биол. растений 38, 184–192. doi: 10.1016/j.pbi.2017.05.006

PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

Сукумаран С., Драйсигакер С., Лопес М., Чавес П., Рейнольдс М. П. (2015). Полногеномное ассоциативное исследование урожайности зерна и связанных с ним признаков в элитной популяции яровой пшеницы, выращиваемой в умеренно орошаемых условиях. Теор. заявл. Жене. 128, 353–363. doi: 10.1007/s00122-014-2435-3

PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

Триггс Б., Маклаухлан П. Ф., Хартли Р. И., Фитцгиббон ​​А. В. (2000). Bundle Adjustment — A Modern Synthesis, in: Vision Algorithms (Берлин, Гейдельберг: Springer-Verlag Berlin Heidelberg), 298–372.

Google Scholar

Веласко Дж. Г., Родригес-Альварес М. Х., Бур М. П., Джордан Д. Р., Эйлерс П. Х.С., Малосетти М. и соавт. (2017). Моделирование пространственных тенденций в полевых испытаниях селекции сорго с использованием двумерной смешанной модели P-сплайна. Теор. заявл. Жене. 130, 1375–1392. doi: 10.1007/s00122-017-2894-4

PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

Вирлет, Н., Саберманеш, К., Садеги-Тегеран, П., Хоксфорд, М. Дж. (2017). Field Scanalyzer: автоматизированная роботизированная платформа для фенотипирования полей для детального мониторинга посевов. Функц. биол. растений 44, 143–153.doi: 10.1071/FP16163

Полный текст CrossRef | Google Scholar

Юсфи С., Келлас Н., Саиди Л., Бенлакехал З., Чау Л., Сиад Д. и др. (2016). Сравнительная эффективность методов дистанционного зондирования при оценке продуктивности пшеницы в средиземноморских условиях. Сельскохозяйственный. Управление водой. 164, 137–147. doi: 10.1016/j.agwat.2015.09.016

CrossRef Полный текст | Google Scholar

Заман-Аллах М., Вергара О., Араус Дж. Л., Тарекегне А., Магорокошо К., Zarco-Tejada, P.J., et al. (2015). Многоспектральная визуализация на базе беспилотной воздушной платформы для полевого фенотипирования кукурузы. Растительные методы 11, 1–10. doi: 10.1186/s13007-015-0078-2

PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

Зарко-Техада, П.Дж., Гонсалес-Дуго, В., Берни, Дж.А.Дж. (2012). Флуоресценция, температура и узкополосные индексы, полученные с платформы БПЛА для обнаружения водного стресса с использованием микрогиперспектрального формирователя изображений и тепловизионной камеры. Дистанционный датчикОкружающая среда. 117, 322–337. doi: 10.1016/j.rse.2011.10.007

CrossRef Полный текст | Google Scholar

Зарко-Техада П. Дж., Гонсалес-Дуго В., Уильямс Л. Э., Суарес Л., Берни Дж. А. Дж., Голдхамер Д. и др. (2013). Индекс водного стресса на основе PRI, сочетающий структурные эффекты и эффекты хлорофилла: оценка с использованием дневных узкополосных аэрофотоснимков и теплового индекса CWSI. Дистанционный датчик окружающей среды. 138, 38–50. doi: 10.1016/j.rse.2013.07.024

CrossRef Полный текст | Google Scholar

Краткая история дронов

Беспилотные летательные аппараты (БПЛА) — это воздушные суда без экипажа и пассажиров на борту.Это могут быть автоматизированные «дроны» или дистанционно-пилотируемые аппараты (ДПЛА). БПЛА могут летать в течение длительного периода времени на контролируемом уровне скорости и высоты и играют важную роль во многих аспектах авиации.

Первые беспилотные автомобили были разработаны в Великобритании и США во время Первой мировой войны . Британская воздушная мишень, небольшой радиоуправляемый летательный аппарат, впервые была испытана в марте 1917 года, а американская воздушная торпеда, известная как Kettering Bug , впервые поднялась в воздух в октябре 1918 года.Хотя оба показали себя многообещающими в летных испытаниях, ни один из них не использовался в боевых действиях во время войны.

В межвоенный период продолжались разработки и испытания беспилотной авиации. В 1935 году британцы произвели несколько радиоуправляемых самолетов, которые использовались в качестве мишеней в учебных целях. Считается, что в это время начал использоваться термин «дрон», навеянный названием одной из этих моделей, DH.82B Queen Bee. Радиоуправляемые дроны также производились в США и использовались для стрельбы по мишеням и тренировок.

разведывательных БПЛА впервые были широко применены во время войны во Вьетнаме. Дроны также начали использоваться в ряде новых ролей, таких как действия в качестве приманки в бою, запуск ракет по неподвижным целям и сбрасывание листовок для психологических операций.

После войны во Вьетнаме другие страны за пределами Великобритании и США начали исследовать беспилотные летательные аппараты. Новые модели стали более совершенными, с повышенной выносливостью и способностью удерживать большую высоту.В последние годы были разработаны модели, в которых используются такие технологии, как солнечная энергия, для решения проблемы заправки топливом для более длительных полетов.

Дроны

теперь выполняют множество функций, начиная от наблюдения за изменением климата и заканчивая проведением поисковых операций после стихийных бедствий, фотографированием, видеосъемкой и доставкой грузов. Но наиболее известное и противоречивое их использование военными для разведки, наблюдения и точечных атак. После терактов 11 сентября Соединенные Штаты, в частности, значительно увеличили использование беспилотников.В основном они используются для наблюдения за районами и территориями, куда войска не могут безопасно пройти. Но они также используются в качестве оружия, и им приписывают убийство подозреваемых боевиков. Их использование в текущих конфликтах и ​​над некоторыми странами подняло вопросы об этичности этого вида оружия, особенно когда оно приводит к гибели гражданских лиц либо из-за неточных данных, либо из-за их близости к «цели».

 

Не очень короткая история беспилотных летательных аппаратов (БПЛА)

1783 – Первый БПЛА  

Когда мы думаем о БПЛА, обычно речь не идет о воздушных шарах.

С технической точки зрения эти корабли были первыми летательными аппаратами, не требующими пилота-человека. Жозеф-Мишель и Жак-Этьен Монгольфье организовали первую публичную демонстрацию беспилотного воздушного шара в Анноне, Франция.

1849 – Первое боевое применение БПЛА

Австрийский лейтенант артиллерии Франц фон Ухатиус изобретает аэростатную бомбу. Фельдмаршал фон Радецкий использовал воздушные шары для нападения на Венецию, но в основном они были неэффективны.

1858 – Первая аэрофотосъемка

Гаспер Феликс Турнашон делает первую аэрофотосъемку с воздушного шара в Париже, Франция. К сожалению, фотография затерялась в истории.

1896 – Первая камера на БПЛА

Альфред Нобель, известный изобретением динамита, запускает ракету с камерой на ней. Эксперимент Нобеля знаменует собой первое размещение камер в беспилотной системе.

1898 – Первый радиоуправляемый корабль

Никола Тесла демонстрирует свою радиоуправляемую лодку публике в Мэдисон Сквер Гарден.

Корабль может реагировать на сигналы направления, посылаемые ему Теслой, а также мигать фарами. Некоторые из зрителей думали, что Тесла был волшебником или обладал силой телекинеза. Другие считали, что в маленькой лодке находилась дрессированная обезьяна.

Это была захватывающая демонстрация того, что может превратиться в радиоуправляемый летательный аппарат.

1915 г. – Великобритания использует фотографии с аэрофотосъемки

Во время битвы при Нев-Шапель британские войска использовали аэрофотосъемку для построения карты немецкого фронта.Фотографии были расположены друг над другом и являются одним из самых ранних примеров ортомозаики.

1917 – Первый БПЛА-торпедо Жук Кеттеринга

Чарльз Кеттеринг изобрел беспилотную воздушную торпеду Кеттеринга, получившую в Огайо прозвище «Жук».

Жук использовал систему предустановленных внутренних пневматических и электрических элементов управления для стабилизации самолета. Когда Жук достигал заданного расстояния, двигатель останавливался, крылья отделялись, и Жук падал с неба.

Он нес 180 фунтов взрывчатки.

1935 – Разработан первый современный дрон

Когда в 1918 году были созданы Королевские военно-воздушные силы, Великобритания нуждалась в эффективных методах обучения пилотов.

Практика стрельбы по мишеням обычно выполнялась путем буксировки планеров за пилотируемыми самолетами. Однако этот метод не смог обеспечить реалистичную симуляцию боя с истребителями противника в реальном бою.

В ответ самолет De Havilland DH.82B Queen Bee был использован как недорогой радиоуправляемый дрон, разработанный для тренировок по воздушным мишеням.Многие считают его первым современным дроном.

1936 — Начало программы беспилотных летательных аппаратов США

Адмирал США Уильям Харрисон Стэндли стал свидетелем испытательного полета пчелиной матки в 1936 году. Великобритании. Считается, что Фарни впервые использовал термин «дрон» для американской платформы в качестве намека на британскую пчелиную королеву.

1937 – У.S. Navy разрабатывает радиоуправляемый БПЛА Torpedo

Первым радиоуправляемым БПЛА был Curtiss N2C-2.

N2C-2 получил команды от оператора, находившегося в пилотируемом самолете, который летел рядом с Curtiss. Хотя это ограничивало эффективность БПЛА, это был значительный шаг в развитии технологии радиоуправляемых БПЛА.

1941 – Актер Реджинальд Денни изобретает радиосамолет

Радиосамолет был радиоуправляемым самолетом-мишенью.

После создания своей компании Денни производил дроны-мишени для военных и отвечал за многочисленные инновации в области технологий дронов. К тому времени, когда корпорация Northrop купила компанию в 1952 году, компания Денни произвела почти 70 000 дронов-мишеней для армии США.

1943 — Начало полетов с видом от первого лица (FPV)

Компания Boeing и ВВС США разработали BQ-7, который работал на примитивной системе FPV.

Старые бомбардировщики были эффективно лишены второстепенного оборудования и заряжены взрывчаткой.Пилот-человек будет вести самолет к обозначенной цели. Как только цель оказалась в поле зрения, включился автопилот, и пилот выпрыгнул из самолета. Затем BQ-7 самостоятельно летал к цели.

BQ-7 был практически неэффективен в бою, а пилоты, спасавшиеся с парашютом, имели высокий уровень гибели или пленения.

1973 г. – Израиль разрабатывает БПЛА для наблюдения и разведки

Серия БПЛА Mastiff и IAA Scout представляет собой скачок в возможностях дронов.

Военные командиры смогли значительно повысить свою ситуационную осведомленность с помощью этих платформ.

1982 г. — БПЛА Battlefield 

Битва при Джеззине стала первой битвой, в которой дроны оказали значительное влияние на исход боя.

Израиль использовал свои беспилотники, чтобы перехитрить сирийские ВВС и выиграть битву с минимальными потерями. Была установлена ​​легитимность использования БПЛА в боевых действиях.

1985 — США значительно увеличили производство дронов

По завершении войны во Вьетнаме СШАS. был готов расширить свою программу беспилотных летательных аппаратов.

Успехи израильской программы БПЛА в начале 1980-х годов ясно показали, что дроны будут играть все более важную роль на полях сражений будущего.

1986 — Разработан первый дрон RQ2

США и Израиль совместно разрабатывают то, что станет одной из самых успешных платформ БПЛА на сегодняшний день.

Система представляла собой модернизированный дрон-разведчик IAI со значительными улучшениями полезной нагрузки. Во время войны в Персидском заливе некоторые иракские силы даже сдались БПЛА Pioneer.

1991 г. — БПЛА летали круглосуточно и без выходных во время войны в Персидском заливе

Впервые в крупном конфликте по крайней мере один беспилотник находился в воздухе с начала конфликта до его завершения.

1996 – Разработан дрон Predator

С помощью таких гигантов БПЛА, как Абрахам Карем, США разрабатывают дрон Predator. Эта платформа вывела на поле боя вооруженные дроны, как никогда раньше. Вероятно, больше, чем какой-либо другой БПЛА, Predator создал общественный образ беспилотников, наносящих удары по целям по всему миру.

2006 г. – БПЛА впервые разрешены в гражданском воздушном пространстве США

После разрушений, вызванных ураганом Катрина, FAA разрешило БПЛА летать в гражданском воздушном пространстве для поисково-спасательных операций и операций по оказанию помощи при стихийных бедствиях.

Дроны Predator с тепловизионными камерами могли обнаруживать тепловые сигнатуры людей на расстоянии до 10 000 футов. Примерно в это же время начала формироваться индустрия потребительских дронов.

В то время как DJI еще только предстояло стать гигантом рынка, которым она является сегодня, такие компании, как Parrot, DJI, 3DR и многие другие, стремились использовать военные технологии БПЛА и перепрофилировать их.Потенциала промышленных и потребительских рынков БПЛА было более чем достаточно, чтобы многие компании могли инвестировать в эту технологию.

2010 — Parrot управляет дроном с помощью смартфона

На выставке CES французский производитель дронов Parrot представил свой дрон с дополненной реальностью.

БПЛА представлял собой небольшой квадрокоптер, пригодный для потребительского использования. Приложение на смартфоне — это все, что нужно пилоту для безопасного управления дроном.

2013 — DJI выпускает первый дрон Phantom

Хотя компания была основана в 2006 году, культовая серия Phantom не выпускалась до 2013 года.

Этот дрон положил начало современному увлечению дронами с камерами. Всего через несколько лет DJI займет доминирующее положение на рынке потребительских дронов, при этом почти 80% потребительских дронов будут произведены DJI или одной из ее дочерних компаний.

2013 г. – Крупные компании планируют начать доставку дронами

FedEx, UPS, Amazon, Google, Uber и множество других компаний по доставке признают преимущества дронов в качестве платформы доставки. Начинаются испытания различных концепций БПЛА и работа с регулирующими органами по всему миру.

2014 г. – Использование дронов быстро растет в промышленности и у потребителей

С 2014 г. возможности и варианты использования БПЛА продолжают расширяться.

По мере того, как все больше отраслей изучают, как дроны могут сделать их работу более безопасной и рентабельной, ожидается, что в ближайшие годы рост будет стремительно расти. К 2030 году весь рынок БПЛА будет стоить 90 188 92 миллиардов долларов 90 189 .

2020 – Борьба с пандемией

От соблюдения карантина и социального дистанцирования до массовой дезинфекции и доставки медицинских товаров дроны были основным продуктом во время вспышки коронавируса.

Сейчас больше, чем когда-либо, правила корректируются, чтобы обеспечить ускоренную авторизацию для многообещающих вариантов использования. Невозможно предсказать долгосрочные последствия этих событий, но одно можно сказать наверняка: пандемия помогла странам всего мира представить себе потенциал, который беспилотники несут для общества.

Системы БПЛА с разрешением

точек на дюйм, расширяющие возможности человека с помощью беспилотных вертолетов

Грузовой БПЛА , как и тандемный БПЛА DP-14, обеспечивает большую грузоподъемность / логистику с внутренним хранением, длительным сроком службы и возможностью вертикального взлета / посадки.

Привязные БПЛА электрически соединены с землей. Это позволяет БАС летать почти бесконечно. Привязной дрон действует как переносная мачта или мгновенная вышка для обеспечения ISR, связи и видео для коммерческих, военных и служб безопасности. Привязанные дроны DPI могут летать и следовать за базовыми платформами, включая корабли, лодки, грузовики и беспилотные наземные транспортные средства. Эти прочные самолеты предназначены для морской/морской среды. Простой пользовательский интерфейс снижает нагрузку на оператора и значительно расширяет возможности миссии.

ДП-14 Грузовой БАС ЮМАР Морские Коммуникации Радио и камера TUAS с двойной полезной нагрузкой

Разница DPI

Продукты

DPI представляют собой решения для беспилотных летательных аппаратов, изготовленные по индивидуальному заказу для наших клиентов. Ассортимент нашей продукции варьируется от свободнолетающих тандемных БПЛА до привязанных БПЛА. DPI проектирует, строит и испытывает автономные беспилотные вертолеты. С 1992 года наш профессиональный и последовательный опыт предоставляет клиентам надежные услуги по проектированию самолетов и компонентов. Эти услуги включают в себя аэродинамические характеристики, проектирование конструкций, проектирование электрических систем и автоматизацию.

Услуги по проектированию и испытаниям БАС

Используя давнее наследие и историю БАС, мы разработали строгие процессы испытаний, оборудование и средства. DPI обладает уникальными возможностями для обеспечения быстрого, надежного и экономичного проектирования, создания прототипов и испытаний БПЛА.

Интеграция полезной нагрузки

DPI имеет встроенные радиоприемники, LIDAR, датчики EO/IR, 3D-акустические датчики, детекторы магнитных аномалий и другие компоненты для удовлетворения сложных потребностей клиентов.