# Агроскаутинг с применением дронов
## Современная система наблюдения, диагностики и проверяемых агрономических решений

**Дата исследования: 30 октября 2026 года.** Критический обзор с шестью параллельными тематическими исследованиями и интегрированным синтезом. Географический приоритет — растениеводство РФ; научная и техническая база международная. Цены и численные сценарии не являются коммерческими предложениями.

## Краткий вывод

Дрон — не замена агроному и не универсальная диагностическая лаборатория. Это промежуточный уровень между масштабным спутниковым мониторингом и детальным наземным обследованием. Он особенно полезен, когда одновременно важны сантиметровая детализация, выбор времени наблюдения и быстрый доступ к проблемному участку.

Правильная единица результата — **не гектар облета и не цветная карта, а своевременное, подтвержденное и проверенное решение**. Если хозяйство не успевает обследовать аномалию, принять решение и выполнить операцию в нужную фазу, дополнительная детализация снимка может не иметь экономической ценности.

Основной рекомендуемый контур:

> Вопрос и срок решения → фоновые данные и риск → дизайн выборки → съемка → контроль качества → наземная проверка → диагноз → порог и выбор действия → утверждение агрономом → исполнение → контроль результата и экономика.

## Навигация по исследованию

- [Критический разбор исходной главы](sources/chapter-2-review.md).
- [Агрономия, IPM, выборка и наземная верификация](research/01-agronomy.md).
- [Сенсоры, полеты, калибровка и инженерный QA](research/02-sensors-flights.md).
- [Компьютерное зрение, ИИ и архитектура данных](research/03-ai-data.md).
- [Научная карта зрелости и перспективные технологии](research/06-frontier.md).
- [Экономика, TCO, доказательство эффекта и пилот](research/04-economics.md).
- [Право и безопасность: РФ, ЕС, США](research/05-regulation.md).
- [Полевой протокол и приемка результатов](FIELD_PROTOCOL.md).
- [Метод исследования и ограничения источников](sources/METHOD.md).

## 1. Что такое агроскаутинг

Агроскаутинг — повторяемое наблюдение за культурой, вредными организмами и средой с документированием результатов для принятия решений. Это не только поиск болезней: сюда относятся всходы, густота и равномерность, фенология, сорняки, вредители и полезная энтомофауна, питание, водный режим, повреждения, полегание и качество выполненных операций.

У системы должны быть:

1. **Объект и единица учета:** растения/м², доля пораженных растений, тяжесть поражения, насекомые на ловушку за сутки, площадь пропуска, доля покрытия.
2. **Протокол:** где, когда, каким прибором, каким способом и с какой погрешностью измеряют.
3. **Контекст:** сорт, дата посева, фенофаза, предыдущие операции, почва, погода, история поля.
4. **Правило решения:** что считается достаточным основанием для действия, повторного осмотра или отказа от вмешательства.
5. **Ответственный и срок:** кто подтверждает диагноз, кто утверждает действие и когда оно теряет смысл.
6. **Обратная связь:** что изменилось после вмешательства и относительно какого контроля.

### 1.1. Три принципиально разных продукта

| Продукт | Что подтверждает | Чего не подтверждает |
|---|---|---|
| Сигнал аномалии | Участок отличается от ожидаемого фона | Конкретную причину и необходимость обработки |
| Диагностическое заключение | Наблюдения согласуются с определенной причиной после проверки | Автоматически оптимальную норму или способ внесения |
| Карта-предписание | Утвержденное правило действия пространственно привязано и технически исполнимо | Что операция действительно выполнена и дала эффект |

Это разделение необходимо отражать в интерфейсах и названиях слоев: «подозрение на стресс», «подтвержденный очаг», «утвержденная зона обработки» не должны выглядеть как одно и то же.

## 2. Что добавляет современный подход к исходному обзору

Исходная [глава 2](https://obzoragrodronov.ru/chapter%202/) правильно связывает БАС с точным земледелием, выделяет сплошную и точечную съемку, указывает ценность оперативности и необходимость наземных наблюдений. Но для производственного применения необходимо дополнить ее статистическим дизайном выборки, независимой валидацией ИИ, явной неопределенностью, разделением наблюдения и причинного решения, проверкой регламентов и учетом стоимости полного процесса.

Особенно важны четыре поправки:

- **GSD не равен геодезической точности.** Размер пикселя не гарантирует сантиметровую привязку и качество высотной модели.
- **Индекс не равен диагнозу.** Низкий NDVI может сопровождать нехватку азота, засуху, переувлажнение, болезнь, изреженность или особенности почвенного фона.
- **Точечная съемка не равна карте всей площади.** Между пробами остаются ненаблюдавшиеся места; интерполяция требует доказательств.
- **Меньше воды не означает меньше препарата.** Скаутинг, выбор химического средства и технология его внесения — отдельные задачи с отдельными ограничениями.

Полная таблица спорных утверждений, включая цены, QGIS, LiDAR, правовые требования и УМО, приведена в [разборе главы](sources/chapter-2-review.md).

## 3. Многоуровневая система наблюдений

### 3.1. Спутник: фон и приоритеты

Спутниковые временные ряды помогают наблюдать весь земельный банк, находить устойчивые зоны неоднородности и отклонения от сезонной траектории. Их ограничения — облака для оптики, смешанные пиксели, невозможность различать мелкие органы и зависимость от доступного времени съемки. Они полезны не как конкурент дрону, а как механизм выбора, **куда и зачем направить дрон**.

### 3.2. Дрон: пространственная детализация и выбор момента

Дрон уточняет границы пропусков и повреждений, структуру рядков, состояние крон, распределение видимых сорняков и аномалий. Разрешение выбирают под объект, а не максимально возможное. Полевая задача «найти пятна полегания» и задача «определить вид мелкого сорняка» требуют принципиально разных высот, сенсоров и производительности.

### 3.3. Земля: причина, невидимые объекты и контроль

Наземное обследование необходимо для нижних сторон листьев, корней, почвенных вредителей, ранних или скрытых инфекций, тканевого и почвенного анализа. Ловушки, метеостанции, датчики влажности, SPAD и лабораторные исследования добавляют независимые измерения. Отсутствие видимой сверху аномалии не является доказательством отсутствия вредителя или болезни.

### 3.4. Техника: фактическое действие и итог

Журналы посева и внесения, телеметрия агрегатов и карты урожайности нужны для объяснения рисунка поля и проверки результата. Совпадение полосы низкого индекса с проходом сеялки может указывать на технологическую причину, но все равно требует проверки. Карта «как внесено» важнее одного файла задания при оценке эффекта.

## 4. Как выбирать сценарий съемки

| Сценарий | Полезен для | Главный предел |
|---|---|---|
| Быстрый визуальный осмотр | Оценить доступность, затопление, полегание, крупные пропуски | Субъективность и неполная воспроизводимость |
| Сплошная RGB-ортофотосъемка | Геометрия, рядки, разрывы, крупные сорняки, повреждения | Цена детализации и проблема перекрытого полога |
| Сплошная мультиспектральная съемка | Сопоставимые зоны состояния растительности | Неоднозначность физиологической интерпретации |
| Низковысотная выборочная RGB | Видимые растения, сорняки, фенофаза, учет на площадках | Репрезентативность и риск пропуска очагов |
| Тепловая съемка | Сравнение температуры полога при контроле среды | Зависимость от погоды, смешанных пикселей и калибровки |
| SfM/LiDAR | Высота, объем и структура, рельеф при соответствующих условиях | Земля под растительностью и высотная ошибка |

Оптимальный рабочий вариант часто гибридный: сплошной обзор умеренного разрешения → стратифицированная детальная выборка → наземное подтверждение → досъемка границ только подтвержденных очагов.

## 5. Почему «ромашка» требует статистического дополнения

В исходной главе для 100 га предлагаются 6–8 кластеров по 6–8 кадров с высоты 2–10 м. Такой подход может быть удобен как быстрый осмотр видимых растений, но число кадров нельзя трактовать как число независимых проб. Несколько соседних снимков могут измерять почти один и тот же участок среды.

### 5.1. Наглядная оценка риска пропуска

**Расчетная иллюстрация, не модель конкретного поля.** Пусть очаг занимает долю `p`, а `n` независимых точек выбираются равновероятно. Тогда вероятность хотя бы одного попадания:

`P(обнаружение) = 1 − (1 − p)^n`.

Если очаг занимает 1% поля, восемь независимых точек дают только `1 − 0,99^8 ≈ 7,7%`. Даже 64 действительно независимые точки дают около 47,4%. Для 95% вероятности хотя бы одного попадания потребуется `ceil(ln(0,05)/ln(0,99)) = 299` точек.

Реальные кадры имеют площадь, очаги — геометрию, точки — пространственную зависимость, а распознавание — ошибки. Поэтому эта формула не является способом напрямую назначить число кадров. Она показывает другое: **малое число точек не гарантирует обнаружение редкого очага**. Нельзя обещать полноту обследования на основании площади поля и количества фотографий без модели обнаружения.

### 5.2. Улучшенный дизайн

1. Разделить поле на страты по рельефу, почвам, истории урожайности, посеву и текущему спутниковому сигналу.
2. В каждой страте выбрать пространственно распределенные точки с известным способом включения; не подменять случайную выборку только удобными местами.
3. Отдельно обследовать рискованные края, разворотные полосы, переувлажненные зоны и известные очаги. Не смешивать эти целевые наблюдения с несмещенной оценкой среднего по полю.
4. На пилотных данных оценить дисперсию и пространственную корреляцию; увеличить число независимых кластеров, а не только кадров в одном кластере.
5. Привязать часть кадров к наземным учетным площадкам и повторить измерения другим наблюдателем.
6. При обнаружении угрозы провести адаптивное оконтуривание, а не продолжать механически прежний маршрут.
7. Для усреднения по полю учитывать площади страт и вероятности отбора; публиковать интервалы неопределенности и ненаблюдавшуюся площадь.

Для агрегированных оценок густоты этот дизайн может быть достаточным после проверки точности. Для точечного опрыскивания редких сорняков часто необходима более полная картографическая съемка или наземное распознавание непосредственно перед внесением.

## 6. Инженерные расчеты: почему детализация имеет цену

Ниже — геометрические иллюстрации для **условной камеры**, не паспорт конкретного аппарата. Предполагаются надирная съемка плоского участка, высота над объектом `H`, ширина сенсора `S`, фокусное расстояние `f`, число пикселей по ширине `N`.

`GSD = H × S / (f × N)`.

При `H = 100 м`, `S = 13,2 мм`, `f = 8,8 мм`, `N = 5472` получается `GSD ≈ 0,0274 м/пиксель`, то есть 2,74 см/пиксель. Ширина кадра на земле — около 150 м. При боковом перекрытии 75% расстояние между маршрутами составит около 37,5 м.

При скорости 8 м/с идеальная площадная производительность прямых участков:

`Q = v × b × 3600 / 10000 = 8 × 37,5 × 0,36 = 108 га/ч`.

Это **не эксплуатационная производительность**: здесь нет разворотов, резерва батареи, переездов, ветра, препятствий, повторных съемок, ограничений видимости, подготовки, выгрузки и обработки. Для 100 га уже в этой идеальной модели потребуется около 56 минут прямолинейного движения. Это объясняет, почему выборочный осмотр за 15 минут нельзя сравнивать со сплошной высокодетальной съемкой.

Для GSD около 1 мм той же геометрии нужна высота порядка 3,65 м над объектом, а ширина кадра составит всего 5,47 м. Низкий полет над растениями добавляет риски столкновения, ошибки выдерживания высоты и воздействия потока роторов. Миллиметровый режим разумно рассматривать прежде всего для отдельных площадок, если нет убедительного расчета и допуска сплошной миссии.

### 6.1. Размер пикселя и видимость объекта

Объект шириной 10 мм при GSD 2,74 см занимает меньше половины пикселя и не может надежно классифицироваться по форме. При GSD 1 мм его ширина — около десяти пикселей, что потенциально позволяет различать форму, но не гарантирует видовую диагностику: нужны контраст, фокус, отсутствие перекрытия и подходящая обучающая выборка. Правило «достаточно нескольких пикселей» нельзя использовать как универсальный порог распознавания вида или болезни.

### 6.2. Смаз

Приближенный линейный смаз от поступательного движения: `d = v × t`. При скорости 8 м/с и выдержке 1/1000 с это 8 мм, около 0,29 пикселя при GSD 2,74 см. При GSD 1 мм тот же режим дает восемь пикселей смаза. Поэтому снижение высоты без изменения скорости/выдержки может ухудшить фактическую различимость, несмотря на красивый расчетный GSD. Вибрации, поворот камеры и rolling shutter добавляют другие искажения.

### 6.3. Объем данных

100 га — 1 000 000 м². Ортомозаика при пикселе 2 см содержит около 2,5 млрд пикселей. Только три канала RGB по одному байту требуют примерно 7,5 ГБ без сжатия; четыре спектральных канала по два байта — около 20 ГБ. Это размер итогового массива, не всей обработки: исходные перекрывающиеся кадры, пирамиды, промежуточные файлы и облака точек увеличивают потребность в диске и памяти.

При 1 мм по всей площади получилось бы 10¹² пикселей и примерно 3 ТБ только трехканального 8-битного массива без сжатия. Геометрическая оценка показывает, почему «сверхвысокое разрешение» надо применять адресно.

### 6.4. Пространственный бюджет ошибки карты

Для рабочего задания важно не только качество ортофото. Ошибка складывается из привязки наблюдения, переноса между датами, локализации очага, навигации исполнителя, задержки срабатывания и физического распределения материала. При 5 м/с задержка 0,5 с дает 2,5 м смещения — гораздо больше сантиметрового пикселя. Независимые случайные составляющие иногда объединяют через корень суммы квадратов, но систематические смещения и снос так учитывать нельзя: их нужно отдельно выявлять и устранять.

**Практический вывод:** размер ячейки карты должен соответствовать надежно измеряемому объекту и реально управляемой зоне воздействия. Сантиметровая визуализация не означает сантиметровую агротехнологическую операцию.

## 7. Практическое внедрение: минимальная дисциплина

Готовый [полевой протокол](FIELD_PROTOCOL.md) содержит допуски на каждом переходе от задачи к карте и проверке результата. Его следует адаптировать под культуру, фазу и организацию хозяйства.

Начинать целесообразно с одной-двух измеримых задач: например, учет пропусков всходов и оконтуривание полегания либо поиск зон для наземной диагностики водного стресса. Не стоит первым пилотом обещать одновременно диагностику всех болезней, точный прогноз урожайности и автоматическое назначение всех СЗР.

Критерии успеха задаются до съемки: время до подтвержденного решения, доля пропущенных значимых очагов, ошибка учета, процент принятой без повторной съемки площади, стоимость полного цикла, доля решений, реально выполненных в срок. Порог приемки выбирается по цене ошибки конкретной задачи, а не копируется из статьи с другой культурой.

## 8. Агрономические задачи: что действительно подтверждать

| Задача | Роль дрона | Необходимое дополнение | Разумное решение |
|---|---|---|---|
| Всходы и густота | Считать видимые растения до смыкания, картировать пропуски | Ручной учет на той же площади, проверка фазы и поздних всходов | Доследование/решение о пересеве с учетом компенсации культуры и срока |
| Засоренность | Покрытие и видимые растения, границы подтвержденных пятен | Вид, фаза, плотность, скрытые пологом растения, риск резистентности | Выбор стратегии IPM и проверенных зон вмешательства |
| Болезни | Найти симптомы и спектрально/термически подозрительные зоны | Осмотр органов и ярусов, погода, восприимчивость сорта, лаборатория при необходимости | Подтверждение диагноза либо риск-ориентированное профилактическое решение |
| Насекомые и клещи | Найти крупные объекты или последствия повреждения | Ловушки, сачок, листовой/почвенный учет по биологии объекта | Сопоставить численность, стадию и полезную фауну с применимым порогом |
| Азот и питание | Сравнить развитие, хлорофилл-связанные признаки и динамику | Почва, ткани, влага, корни, полосы питания, ожидаемый отклик | Не «добавить везде, где желто», а выбрать экономически оправданный локальный вариант |
| Водный стресс | Температура и неоднородность полога | Влажность по глубине, погода, водный баланс, причины нарушения корней | Проверка орошения/дренажа и приоритет наземного обследования |
| Полегание, град, затопление | Площадь и геометрия повреждения | Механизм повреждения, жизнеспособность, качество и уборочные потери | Очередность работ, логистика, документирование ущерба |
| Прогноз урожая | Пространственные и временные признаки биомассы/структуры | Независимые сезоны, сорт, погода, калиброванные уборочные данные | Прогноз с датой, горизонтом и интервалом, а не точная цифра без ошибки |

Подробная методика и источники: [агрономическое исследование](research/01-agronomy.md). Важно различать распространенность болезни и тяжесть поражения, растения и побеги зерновых, покрытие сорняков и их плотность. Эти величины не взаимозаменяемы.

Для IPM существенна разница между экономическим уровнем повреждения и порогом действия: вмешиваться может понадобиться раньше, чем реализуется экономический ущерб, с учетом роста популяции и задержки исполнения. Для болезней видимые симптомы могут возникнуть после оптимального профилактического окна. Дрон поэтому дополняется прогнозом риска, а не заменяет его. [FAO](https://www.fao.org/pest-and-pesticide-management/ipm/en/) рассматривает IPM как сочетание биологических, агротехнических, физических и химических мер, а не автоматическое опрыскивание при любом обнаружении.

## 9. ИИ: как отличить демонстрацию от надежного измерения

### 9.1. Отдельные задачи и отдельные метрики

Детектор отвечает, где отдельные объекты; сегментатор — какая видимая площадь относится к классу; модель диагноза — как интерпретировать симптомы; агрономическое правило — что делать. Нельзя оценивать всю систему одной accuracy. Для густоты нужны ошибка счета и систематическое смещение, для редких очагов — полнота и ложные тревоги, для карты — ошибка площади и границ, для хозяйства — цена ошибочных решений.

### 9.2. Главная опасность — утечка между обучением и тестом

Соседние кадры и тайлы одной ортомозаики могут содержать те же растения. Их случайное разделение создает завышенный результат. Разбиение выполняют **до нарезки кадров**, группируя исходники по пространственным блокам, полям и визитам. Отдельно проверяют новые поля, будущий сезон и внешний регион. Интервалы качества считают по независимым группам, а не миллионам пикселей.

Хороший ориентир постановки задач — [PhenoBench](https://arxiv.org/abs/2306.04557): раздельные типы разметки и скрытый тест, включающий новое поле. Но ни он, ни любой benchmark не доказывают переносимость на российские культуры и местный видовой состав без собственного теста.

### 9.3. Отказ от определения — функция безопасности

В производственной модели нужны классы «неизвестно», «неразличимо» и «технический брак», а не принудительный выбор ближайшего знакомого вида. Вероятность softmax не является автоматически вероятностью правильного заключения. Калибровка, проверки новых условий и аудит случайной выборки должны продолжаться после запуска.

Foundation-модели полезны как инструменты: SAM ускоряет обводку, DINOv2 дает признаки для переноса и поиска похожих случаев, VLM помогает описывать симптомы и собирать черновик отчета. Ни одна из этих функций не превращает модель в специалиста по видам сорняков и регламентам препаратов. [AgroBench, ICCV 2025](https://openaccess.thecvf.com/content/ICCV2025/html/Shinoda_AgroBench_Vision-Language_Model_Benchmark_in_Agriculture_ICCV_2025_paper.html) выявляет серьезные ограничения тонкого аграрного распознавания у рассмотренных VLM; результат относится к конкретному тесту, не ко всем моделям вообще.

### 9.4. Техническая блокировка опасной автоматизации

Рекомендуемые состояния результата:

`observation → reviewed → approved → exported → executed → verified`.

До утверждения агрономом слой остается наблюдением. Изменение исходных данных, модели, контура или нормы аннулирует прежнее утверждение. NoData не означает ни «сорняков нет», ни «нужна максимальная доза». Файл для техники экспортируется только после проверки ограничений, единиц и возможности исполнения.

Полный разбор метрик, OOD, active learning и 15 источников: [исследование ИИ](research/03-ai-data.md).

## 10. Данные и инструменты: открытый, проверяемый конвейер

Минимальная архитектура:

1. Неизменяемые исходники, контрольные суммы, паспорт съемки и права доступа.
2. Фотограмметрия и радиометрия: Metashape, ODM или эквивалент с сохранением параметров и отчета качества.
3. Растры ортофото, вероятностей и качества — GeoTIFF/COG; каталог времени, геометрии и происхождения — STAC.
4. Полевые точки, контуры и атрибуты — GeoPackage либо пространственная БД; офлайн-доступ для агронома.
5. QGIS/геоаналитика — проверяемые модели обработки, не только ручное раскрашивание.
6. Журнал решений и согласований, экспорт в поддерживаемый конкретным терминалом формат, журнал фактического выполнения.
7. Повторная проверка и привязка к результатам уборки.

[STAC](https://docs.ogc.org/cs/25-004/25-004.html) — каталог, а не формат изображения; [COG](https://docs.ogc.org/is/21-026/21-026.html) позволяет читать части большого растра; GeoPackage не является универсальным исполнительным форматом всех сельхозмашин. Открытость экспорта следует проверять на практике до закупки сервиса.

Ключевые идентификаторы: поле, сезон, визит, полет, сенсор, площадка, образец, версия модели, наблюдение, решение и фактическая операция. Без них невозможно надежно связать фото, анализ, действие и урожайность. Для каждой записи хранить время, footprint/геометрию, единицы, способ измерения и неопределенность. Доступ и размещение данных должны соответствовать проверенному правовому режиму материала.

## 11. Экономика: окупается информация, меняющая действие

### 11.1. Ценность информации

Мониторинг имеет добавочную ценность относительно реальной альтернативы — существующего агронома, спутника и наземных обходов. Он не может присваивать себе всю стоимость спасенного урожая, если проблему и так обнаружили бы вовремя.

Чистая ценность — улучшение ожидаемого результата оптимальных решений после получения сигнала минус полный расход на получение и интерпретацию информации. Она снижается при ложных тревогах, пропусках и задержке. Даже точное обследование бесполезно для текущего вмешательства, если нет законного или технического способа исполнить решение в срок.

### 11.2. Прозрачный сценарий владения и подряда

**Все суммы ниже — учебные допущения, не рыночные цены.** Заимствованы из расчетной модели [экономического исследования](research/04-economics.md).

Условное хозяйство: 2 000 уникальных га, четыре полезных обследования, 8 000 га-проходов в год. Комплект — 1,2 млн руб., остаточная стоимость через четыре года — 0,2 млн. Приближенные годовые постоянные экономические затраты: износ 250 тыс., проценты на средний связанный капитал 84 тыс., прочие постоянные 180 тыс.; всего 514 тыс. руб. Это упрощенный учет владения, не точная дисконтированная эквивалентная годовая стоимость. Переменные — 45 руб./принятый полезный га-проход. Подряд — 120 руб./га-проход плюс 60 тыс. руб. внутреннего сопровождения.

| Показатель | Свой комплект | Подряд |
|---|---:|---:|
| Полные годовые затраты | 874 000 руб. | 1 020 000 руб. |
| На полезный га-проход | 109,25 руб. | 127,50 руб. |
| На уникальный га-сезон | 437 руб. | 510 руб. |

Порог равенства при этих предпосылках: `(514 000 − 60 000)/(120 − 45) ≈ 6 053 га-прохода`. Если обследований всего два, подряд оказывается дешевле. Повторный вылет из-за брака увеличивает расход, но не объем принятой полезной услуги.

Если добавочная маржа до оплаты мониторинга, но после расходов на вызванные им действия равна 650 руб./га-сезон, чистый эффект своего варианта — 426 тыс. руб. При марже 300 руб./га-сезон — убыток 274 тыс. руб. **Эти числа не прогноз доходности:** они показывают, какое полевое доказательство и какая загрузка нужны для покупки.

### 11.3. Производительность и качество могут перевесить годовую цену

При условных 180 полезных га/смену один проход 2 000 га занимает 12 смен. Если нужное окно — пять дней, годовая выгодность своего аппарата не решает задачу. Нужны резерв, больше команд, адресный облет либо другой метод. Сравнение своего парка, подряда и гибрида должно сначала пройти проверку выполнимости, а затем проверку стоимости при одинаковом качестве.

### 11.4. Как доказать эффект

Сравнивать стандарт хозяйства с политикой «стандарт плюс дополнительная информация дрона». До сезона выбрать первичную метрику — добавочную маржу на га — и рандомизировать независимые блоки/полосы/поля, учитывая перенос вредителей и информационную утечку между вариантами. Контроль не обязательно означает отсутствие защиты: это может быть полноценная обычная технология.

Учетная экспериментальная единица — назначенная полоса или поле, не пиксель. Показать эффект и интервал, учитывать сорванные полеты и несвоевременные решения. Операционная проверка за 90 дней возможна, но окончательный ROI без уборки и качества урожая часто остается неизвестным. Подробности TCO, SLA и дизайна испытания — в [экономическом исследовании](research/04-economics.md).

## 12. Право и безопасность: проверять шесть разных контуров

Для РФ отдельно проверяются:

1. Учет/регистрация и допуск конкретного БВС по максимальной взлетной массе.
2. Статус деятельности оператора и применимость требований к авиационным работам.
3. Воздушное пространство конкретного маршрута и актуальные региональные ограничения.
4. Разрешительный порядок съемки и статус полученных материалов.
5. Хранение, передача, публикация и официальное использование геоданных.
6. Если планируется внесение — отдельные требования к операции и конкретному препарату.

**Ни собственное поле, ни малая высота, ни учет аппарата сами по себе не разрешают весь этот комплекс.** Автопилот и видеоканал не доказывают непосредственный визуальный контакт.

Важная поправка к исходной главе — [разъяснение Минтранса от 12.11.2025 № ВП-287-р](https://www.mintrans.gov.ru/eye/documents/2/14969). В прочитанной [полнотекстовой републикации](https://pravo.ppt.ru/rasporyazheniye/320587) необходимость подтверждения соответствия ФАП-494 связана с услугами юрлица/ИП стороннему заказчику по договору авиационных работ. Это не позволяет автоматически приравнять собственную съемку посевов к съемочной услуге подрядчика. Но не освобождает от остальных требований.

Аналогично лицензия на работу с гостайной имеет определенный предмет: нельзя выводить ее всеобщую обязательность только из наличия камеры. Одновременно нельзя самостоятельно объявить любые материалы несекретными и безопасными для публикации.

По внесению найдено [ведомственное разъяснение Россельхознадзора от 12.10.2026](https://16.fsvps.gov.ru/news/o-vozmozhnosti-ispolzovaniya-pesticzidov-s-pomoshhyu-bpla/) о применении БАС и препаратах для наземного внесения. Однако первичная нормативная цепочка и индивидуальные регламенты не сверены полностью. Поэтому отчет **не утверждает**, что теперь любым дроном разрешено вносить любое наземное СЗР, и не повторяет противоположное универсальное утверждение о только авиационных препаратах.

**Предел проверки:** действующая на дату среза полная редакция воздушных правил, все региональные запреты, порядок съемки и вся цепочка применения изменений к препаратам здесь не подтверждены. Для запуска работ эти пробелы нужно закрыть документально. [Правовое исследование](research/05-regulation.md) содержит реквизиты актов, 15 источников и степень проверки каждого; это карта проверки, не юридическое разрешение.

## 13. Выбор платформы и сенсоров

### 13.1. Платформа

| Тип | Когда рассматривать | Компромиссы |
|---|---|---|
| Компактный мультикоптер | Частые оперативные осмотры, точечные площадки, небольшие и сложные поля | Невысокая длительность, большое число смен батарей при сплошной съемке |
| Более тяжелый мультикоптер со сменной нагрузкой | Thermal, hyperspectral, LiDAR, несколько сенсоров | Стоимость, логистика, масса, обслуживание и возможное усложнение правового режима |
| Самолет/летающее крыло | Большие открытые массивы и длинные маршруты | Минимальная скорость, старт/посадка, отсутствие зависания, ограничения доступа и видимости |
| VTOL фиксированного крыла | Большая площадь при ограниченной площадке старта | Сложность переходных режимов, стоимость, дополнительное обслуживание |
| Док-станция | Повторяющиеся маршруты при доказанном правовом и эксплуатационном допуске | Не устраняет необходимость обслуживания, контроля качества и аварийного реагирования |

Паспортный максимум времени в воздухе без нужной нагрузки нельзя использовать как гарантированный рабочий ресурс. Выбор — по полезной принятой площади в срок, а не максимальному километражу.

### 13.2. Сенсорная стратегия

**Начальный уровень:** хороший RGB, стандартизированная съемка и наземная выборка. Это часто разумнее дорогой камеры без процедуры проверки. **Мультиспектральный уровень:** добавить, когда есть конкретная целевая переменная и проверенный способ использовать отражение/red edge. **Тепловой уровень:** когда управляют водой либо исследуют физиологию и способны одновременно измерять метеорологию и проверять температуру. **LiDAR/hyperspectral:** под отдельную задачу, где более простое решение не обеспечивает нужного качества.

Наличие нескольких каналов само по себе не означает количественные данные. Для мультиспектра нужны панели и корректная радиометрическая цепочка; для thermal — радиометрические файлы, прогрев/дрейф и температурные референсы; для LiDAR — траектория, ориентация, юстировка и наземные отражения.

### 13.3. Что индекс измеряет и чего не измеряет

Для отражательных способностей `ρ`:

- `NDVI = (ρNIR − ρRed)/(ρNIR + ρRed)`;
- `NDRE = (ρNIR − ρRE)/(ρNIR + ρRE)`.

При NIR=0,50, Red=0,05, RE=0,20 получаются NDVI≈0,818 и NDRE≈0,429. Это безразмерные отношения, не кг азота/га. NDVI может насыщаться в плотном пологе; NDRE нередко сохраняет полезную чувствительность, но не гарантирует лучшего результата во всех фазах и культурах. Камеры с разными спектральными полосами не обязаны выдавать одинаковый индекс.

Для одной из референсных форм CWSI: `(Tc − Twet)/(Tdry − Twet)`. При Tc=31 °C, Twet=27 °C, Tdry=35 °C значение равно 0,5. Ошибка температуры полога на 1 °C при фиксированных референсах меняет индекс на 0,125. Следовательно, чувствительность камеры и ее абсолютная точность — разные параметры; красивый тепловой градиент не гарантирует надежный порог полива. Нужны обоснованные эталоны, а не минимальный и максимальный пиксель произвольной сцены.

### 13.4. Рельеф и структура

DSM описывает видимую поверхность, DTM — землю. Под сомкнутым пологом фотограмметрия обычно не наблюдает землю: фильтрация не создает отсутствующих измерений. Для высоты культуры используют `CHM = DSM − DTM`, проверяя дату и совместную регистрацию основания. Старый DTM может перестать подходить после земляных работ или эрозии.

LiDAR полезен там, где есть просветы и достаточные наземные отражения; он не гарантирует проникновение сквозь любую растительность. Для дренажа важны вертикальная точность, гидрологическая согласованность и проверка водопропусков/канав. Гидрологический алгоритм по шумному DSM способен нарисовать ложные стоки.

Основной методический источник — [USGS, Guidelines for Calibration of Uncrewed Aircraft Systems Imagery, 2023](https://pubs.usgs.gov/publication/ofr20231033/full). Подробные расчеты RTK/PPK, временной синхронизации, панелей, спектральных кубов и перекрытий приведены в [инженерном исследовании](research/02-sensors-flights.md). Численные примеры там и в §6 используют **разные условные камеры**, поэтому их гектары в час не являются противоречащими паспортами одного изделия.

## 14. Современные научные результаты и границы зрелости

### 14.1. Что поддерживают конкретные полевые исследования

| Направление | Найденный пример | Содержательный вывод | Чего результат не доказывает |
|---|---|---|---|
| Азот | [Yin et al., 2024, хлопчатник](https://doi.org/10.3389/fpls.2024.1380306) | Отделение почвы и теней существенно для локальной оценки листового N | Оптимальную дозу N и перенос на другие культуры |
| Вода | [Chen et al., 2024, сорго и кукуруза](https://doi.org/10.1016/j.jia.2024.03.042) | Качество модели зависит от культуры и условий; комбинация температуры и индексов может превосходить CWSI в конкретном опыте | Универсальные миллиметры полива по одному индексу |
| Урожайность | [Wayal et al., публикация с неоднозначной годовой маркировкой 2025/2026, лук](https://doi.org/10.3389/fpls.2025.1696730) | Качество training и validation существенно различается; межгодовая вариабельность важна | Надежный ранний прогноз нового региона |
| Рекомендации N | [Puntel et al., 2024, Precision Nitrogen Project](https://doi.org/10.3389/fagro.2024.1234232) | Рандомизированные производственные полосы и блоки доз позволяют оценить прибыль и отклик | Превосходство любого дрона или любого индекса |
| SIF | [Choza Farías et al., набор данных 17.08.2026](https://doi.org/10.26165/JUELICH-DATA/TCRO1L) | Реальны повторные полевые измерения флуоресценции и исследовательская инфраструктура | Окупаемую коммерческую автоматическую рекомендацию |

Это не метаанализ и не рейтинг технологий. Степень доступа к полным текстам, библиографические оговорки и дополнительные работы указаны в [научном исследовании](research/06-frontier.md). В частности, для статьи Wayal год в экспорте издателя и год тома/DOI различаются; точный день публикации не установлен, поэтому не следует придавать ей статус точно датированного новейшего результата.

### 14.2. Самый важный переход — от предсказания к причинному отклику

Модель, связывающая индекс с урожаем, оценивает результат при уже наблюдавшейся практике. Чтобы назначить вмешательство, требуется знать, насколько изменится результат **при другом действии**. Изреженный участок может хорошо ответить на подкормку, а может быть хронически переувлажнен и не окупить ее. Одинаковый индекс не определяет одинаковый отклик.

Поэтому наиболее сильное современное дополнение — не новая нейросеть, а соединение ДЗЗ с контролируемыми производственными опытами, контрольными полосами и процессными моделями. Это позволяет учить не только состояние, но и контекстно-зависимый эффект действия.

### 14.3. Карта практической зрелости

**Пригодно для регулярного процесса при локальной проверке:** ортофото, крупные пропуски и повреждения, зоны неоднородности, маршрутизация скаута, отдельные задачи учета видимых растений в заданных фазах.

**Есть полевые исследования, но переносимость требует доказательства:** абсолютные оценки N, диагностические модели болезней, thermal-пороги, сложные прогнозы урожая, многосенсорные модели.

**Передовой исследовательский/интеграционный уровень:** SIF-прескрипции, универсальные физиологические диагнозы, полностью автономный контур от обнаружения до обработки без агронома, доказанно выгодный сезонный рой. Это не означает отсутствия отдельных коммерческих компонентов; их наличие не доказывает надежность всей системы.

### 14.4. Перспективные направления

- **Временные ряды:** форма траектории и длительность стресса часто содержательнее одной даты; нужны сопоставимость и обработка пропусков.
- **Мультимодальность:** RGB-структура, red edge, thermal, почва и погода дополняют друг друга. Проверять добавочную пользу каждого канала при равном бюджете.
- **Active learning:** отправлять на разметку разнообразные, редкие и спорные случаи, сохраняя случайную контрольную выборку для оценки ошибок.
- **Edge AI:** быстрый локальный отбор подозрительных зон и работа без облака; оценивать качество после сжатия/квантования, энергопотребление и полный путь до координат.
- **Docking:** повышение частоты наблюдений, если законны маршрут и режим управления; считать успешные миссии и вмешательства оператора за сезон.
- **Цифровые двойники:** обновляемая процессная модель с неопределенностью и проверкой сценариев. Просто 3D-карта и dashboard еще не цифровой двойник в сильном смысле.
- **Биологическая защита:** связать ловушки, наземные учеты и карту риска с выпуском полезных организмов, проверяя жизнеспособность, сроки, фактическое распределение и эффект. Не называть Trichoderma насекомым.

## 15. Дорожная карта внедрения и исследовательская программа

### Этап 1: сформулировать узкий сценарий

Выбрать культуру, фазу, действие и цену ошибки. Собрать исходную практику и проверить возможность полетов. Зафиксировать целевой результат: например, уменьшить пропуски значимых повреждений, а не «внедрить ИИ».

### Этап 2: теневой пилот

Дрон наблюдает, но пока не меняет стандартные решения автоматически. Параллельно выполняется независимый наземный учет, в том числе в нормальных зонах. Измеряются геометрия, радиометрия, точность распознавания и реальное время работы.

### Этап 3: контролируемое изменение решений

После приемки измерения запускается заранее описанное сравнение со стандартом хозяйства. Сохраняются рандомизация, фактические затраты, время, отказавшие миссии и причины изменения протокола. При необходимости эксперимент проводится на уровне полей, а не тесных полос.

### Этап 4: сезонная оценка

Сопоставить добавочную маржу, результат для культуры, расходы воды/СЗР, побочные эффекты и качество сервиса. Проверить устойчивость к ценам, частоте событий и плохим сезонам. Если данных мало, продолжить проверку, а не объявлять положительный ROI по одному удачному случаю.

### Этап 5: масштабирование

Добавлять поля и сенсоры только после подтверждения рабочей цепочки и пиковой мощности. Сохранить наземный резерв, независимый аудит и проверку дрейфа моделей.

### Приоритетные вопросы дальнейших опытов

1. Сколько независимых пространственных кластеров нужно для конкретной цели и культуры, и когда «ромашка» проигрывает/выигрывает при одинаковом времени?
2. Какова добавочная ценность дрона по отношению к хорошей спутниково-наземной системе, а не отсутствию наблюдений?
3. Какие виды/фазы сорняков надежно различимы при заданном GSD и бюджете?
4. Сохраняется ли качество на новом сезоне, камере и команде съемки?
5. Какие спектральные/тепловые признаки помогают выбрать действие, а не только предсказать состояние?
6. Какова реальная сезонная доступность с учетом права, погоды, GNSS, обслуживания и обработки?
7. Как меняются прибыль и экологическая нагрузка при учете всех ложных тревог и пропусков?

## 16. Итоговые рекомендации

1. **Начать с решения, не с покупки.** Для первого пилота достаточно одного узкого сценария.
2. **Сохранить наземную диагностику.** Дрон сокращает поиск и уточняет географию, но не устраняет необходимость причинной проверки.
3. **Разделить обзор, выборку и предписание.** Особенно не выдавать разреженные точки за сплошное знание.
4. **Измерять качество независимо.** Контрольные точки, наземные площадки и новые поля важнее внутренних красивых метрик.
5. **Не путать технологическую и агрономическую точность.** RTK, пиксель и автопилот не гарантируют правильный диагноз и действие.
6. **Считать полный цикл и срок.** Стоимость принятых га-проходов и время до исполненного решения информативнее рекламных га/ч.
7. **Автоматизировать безопасные переходы.** ИИ помогает искать и измерять; ответственное назначение и правовой допуск остаются отдельными воротами.
8. **Проверять эффект экспериментом.** Наиболее убедительный итог — устойчивая добавочная маржа и снижение ненужных вмешательств при приемлемом риске, а не число построенных карт.

## Ограничения всего исследования

Выполнены шесть тематических направлений, а не исчерпывающий систематический обзор. Часть источников доступна только по аннотациям, некоторые полные тексты и паспорта закрыты; это отмечено в тематических библиографиях. Всего в них 74 библиографические позиции **до удаления повторов**, не 74 независимых эксперимента. Нет собственных полевых испытаний, воспроизведения моделей, актуального обзвона цен и полного юридического аудита. Дата 30.10.2026 — срез поиска, а не гарантия полноты литературы и всех нормативных поправок до этого дня.

Наиболее надежный вывод — архитектура проверяемого процесса и его ограничений. Локальная точность, экономический эффект и законность конкретной операции устанавливаются отдельно для хозяйства. Полезный следующий результат этого исследования — техническое задание на пилот с измеримыми критериями приемки, а не обещание универсальной «автономной агрономии».