Результаты за 2024 год

Наши результаты за 2 полугодие 2024 года:

В соответствии с подзадачами календарного плана 1.2 (WP1.2) и 1.3 (WP1.3) были выполнены следующие работы:

1     Разработана программно-аппаратная платформа беспилотного летательного комплекса для выполнения задач мониторинга в пределах городского хозяйства (ПАПБЛКГ).  

1.2 Разработаны прототипы аппаратной части ПАПБЛКГ (аппараты тяжелее воздуха) (WP1.2)

Изготовлены композитные детали дрона. Выбраны комплектующие. Выбраны контроллеры двигателей и аккумуляторных батарей. Собран дрон и установлена полезная нагрузка.

1.2.1 Разработан и собран универсальный дрон для эко мониторинга на основе гексакоптера.

Проектирование рамы дрона осуществлено на основе использования программного продукта SolidWorks.

Дрон с шестью двигателями (гексакоптер) выбран исходя из требований грузоподъёмности для полезной нагрузки, времени полёта, компактности и возможности продолжения безопасного полёта в аварийном режиме при отказе одного из двигателей. Изготовление мастер-моделей деталей корпуса дрона проведено на станке с числовым программным управлением. Процесс изготовления показан на рисунке.

1.2.2 Выбраны комплектующие для изготовленного дрона

Выбран электромотор, воздушные винты, контроллеры, регулятор скорости, датчики, приемник, аккумуляторные батареи.

1.2.3 Собран дрон со всеми комплектующими

 

1.3 Разработаны модели и алгоритмы планирования полетов (WP1.3)

Были выполнены следующие шаги: анализ требований, алгоритмы оптимизации, создание математических моделей, разработка программы конвертирования полученных путевых точек, тестирование и валидация.

2 Разработан комплекс бортовых навесных систем для решения задач мониторинга городского хозяйства (выявления мусора, загрязнений воздушного и водного бассейнов) (подзадача WP2.2)

Были разработаны датчики анализа атмосферного воздуха, которые устанавливаются на беспилотный летательный аппарат. Разработанные датчики предназначены для измерения загрязняющих показателей, таких как NO₂, CO, NH₃, CO₂, VOCs, PM2.5, PM10.

Для проектирования 3D-модели датчиков использовалось CAD-приложение Onshape. Были созданы модели всех компонентов в масштабе 1:1. Внешний вид корпуса представлен на рисунке.

3 Разработаны программные средства для решения задач классификации и распознавания, получаемых с борта БПЛА изображений и данных для решения задач картирования экологических нарушений воздушной и наземной среды города, теплопотерь (подзадачи WP3.1, WP3.2, WP3.3)

3.1 Проведены облеты, собраны данные о загрязнениях в пределах городской агломерации (WP3.1)

Облеты проводились двумя дронами: первый был оборудован мультиспектральной камерой Micasense RedEdge-MX, RGB камерой и тепловизором FLIR, вторым дроном был DJI Mavic Mini, оборудованный RGB камерой.

В ходе проводимых работ по программе производились измерения качества воздуха с помощью датчика AtmoTube Pro.

 Носимый датчик AtmoTube Pro позволяет производить измерения качества воздуха (PM1, PM2.5, PM10), а также летучих органических соединений (ЛОВ), температуры, влажности и атмосферного давления.

 В ходе измерений качество воздуха отображается в мобильном приложении датчика в виде индекса качества воздуха (ИКВ), рассчитываемого на основании показателей вышеупомянутых PM и ЛОВ.

Далее была построена карта качества воздуха на основании проведенных измерений. Также на основе индекса качества воздуха отображаются пороговые значения, обобщающие информацию и говорящие об уровне загрязнения воздуха.

3.2 Cформированы размеченные наборы данных о загрязнениях в пределах городской агломерации для настройки моделей машинного обучения (WP3.2)

Было проведено сравнение сервисов, предоставляющих погодные данные Weatherbit, OpenWeather, Yandex, stormglass и AQICN. Предпочтение было отдано OpenWeather и сервису Yandex.Погода, так как у Stormglass и WeatherBit низкие частота обновления и пространственное разрешение, а также ограничение по количеству бесплатных запросов.

3.2.1 Разработан Telegram-бот для формирования наборов данных о мусоре кроудсорсинговым методом.

3.3 Разработаны методы для решения задач классификации и распознавания, получаемых с борта БПЛА изображений и данных для решения задач картирования экологических нарушений воздушной и наземной среды города, теплопотерь (WP3.3)

Рассмотрены возможности спутникового мониторинга спектральных характеристик водного зеркала озера Сорбулак (55 км², накопитель сточных вод г. Алматы) в Алматинской области Казахстана, которое с 1975 года аккумулирует сточные воды г. Алматы.

Проанализированы активности процессов самоочищения воздушного бассейна г. Алматы за счет горно-долинной циркуляции (ГДЦ) в условиях устойчивой погоды.

Проанализированы активности процессов самоочищения воздушного бассейна г. Алматы за счет горно-долинной циркуляции (ГДЦ) в условиях устойчивой погоды

Был проведен анализ состояния растительного покрова. Использование данных Sentinel-2, доступных с 2016 года, с пространственным разрешением 10 м, позволило характеризовать растительность урбанизированных территорий, парков, скверов, аллей и пр. насаждений.

Сравнение результатов трендового анализа состояния растительности юга Казахстана было построено на основе линейно-регрессионного анализа временных рядов продукта MOD09A1 (2002-2020гг.) против оценок средней направленности многолетних монотонных трендов (тест Манна-Кендалла) на основе MOD13Q1A1_NDVI (2000-2022 гг).

Изменение задымленности атмосферы в г. Алматы с 27 января 2025 года по 29 января 2025 года (результат работы стационарной камеры)

 

Перечень опубликованных работ по теме за 2024 год

1. Mukhamediev R.I. State-of-the-Art Results with the Fashion-MNIST Dataset // Mathematics. – 2024. – Т. 12. – P. 3174 https://doi.org/10.3390/math12203174. (CiteScore — Q1, 88%, JCR — Q1, IF: 2.3)
2. Mukhamediev R.I., Terekhov A., Amirgaliyev Y., Popova Y., Malakhov D., Kuchin Y., Sagatdinova G., Symagulov A., Muhamedijeva E., Gricenko P. Using Pseudo-Color Maps and Machine Learning Methods to Estimate Long-Term Salinity of Soils // Agronomy. – 2024. – Т. 14. – P. 2103 https://doi.org/10.3390/agronomy14092103. (JCR — Q1, CiteScore — Q1, 84%, WoS IF=3.3) 
3. Mukhamediev R., Kuchin Y., Yunicheva N., Kalpeyeva Z., Muhamedijeva E., Gopejenko V., Rystygulov P. Classification of Logging Data Using Machine Learning Algorithms // Applied Sciences. – 2024. – Т. 14. – P. 7779 https://doi.org/10.3390/app14177779. (CiteScore — Q1, 79%, JCR — Q1, IF: 2.5)
4. Mukhamediev R.I., Yelis M., Yakunin K., Popova Y., Kuchin Y., Symagulov A., Yunicheva N., Zaitseva E., Levashenko V., Muhamedijeva E., Gopejenko V., Mussabayev R. Exploring the health care system’s representation in the media through hierarchical topic modeling // Cogent Engineering. – 2024. – Т. 11. – P. 2324614. DOI: 10.1080/23311916.2024.2324614. (CiteScore — Q2, 64%, IF: 1.9)
5. Тереxов А.Г., Сагатдинова Г.Н., Мухамедиев Р.И., Савин И.Ю., Амиргалиев Е.Н., Саиров С.Б. Перспективы использования псевдоцветных композитов при анализе многолетних временных рядов спутниковых данных в задаче оценки состояния растительного покрова // Современные проблемы дистанционного зондирования Земли из космоса. – 2023. – Т. 20. – № 6. – С. 51-66 https://doi.org/10.21046/2070-7401-2023-20-6-51-66.
6. Оксененко А.А., Еримбетова А.С., Куанаев А., Мухамедиев Р.И., Кучин Я.И. Технические средства дистанционного мониторинга с помощью беспилотных летательных платформ // Известия НАН РК. – 2024. – Т. 3 (351). – С. 152-173 https://doi.org/10.32014/2024.2518-1726.298.
7. Мухамедиев Р.И., Терехов А.Г., Оксенеко А.А., Еримбетова А.С., Кучин Я.И., Сымагулов А., Құсайын Д.Р., Рыстыгулов П. Эмуляция показаний датчиков качества воздуха в городской среде умного города // Гидрометеорология и экология. – 2024. – С. 87-99 https://doi.org/10.54668/2789-6323-2024-114-3-87-99.
8. Смурыгин В.В., Құсайын Д.Р., Мухамедиев Р.И., Кучин Я.И., Исмаилов Д.В., Ксенофонтов Д.А. Парсер данных об уровне загрязненности воздушной среды городской агломерации// Научные труды ВИИРЭиС. – 2024. – № 4 (58). – С. 235-247. 
9. Свидетельство о внесении в государственный реестр прав на объекты, охраняемые авторским правом № 42480 от «30» января 2024 года Кучин Ян Игоревич, Мухамедиев Равиль Ильгизович, Терехов Алексей Геннадьевич, Сагатдинова Гульшат Наилевна, Сымагулов Адилхан, Кульдеев Нұрсұлтан Ержанұлы, Сағынұлы Санжар “Программный комплекс для оценки уровня воды в реке Или с использованием алгоритмов машинного обучения на основе оптических данных Sentinel-2” https://www.dropbox.com/scl/fi/dfqflosabeuhp9ojhmqhe/CUES.pdf?rlkey=1njy6jv9t7ffn9bki1f7kcfom&dl=0.
10. Свидетельство о внесении в государственный реестр прав на объекты, охраняемые авторским правом № 43308 от «27» февраля 2024 года Құсайын Диас Русланұлы, Смурыгин Валентин Вадимович, Мухамедиев Равиль Ильгизович, Сымагулов Адилхан, Кучин Ян Игоревич, Еримбетова Айгерим Сембековна “Парсер данных об уровне загрязненности воздушной среды городской агломерации” https://www.dropbox.com/scl/fi/9et3ogkat1t6rwyj8ceo1/1.pdf?rlkey=j1qcz0f3ljeno4z4y94u6cfxr&dl=0.
11. Свидетельство о внесении в государственный реестр прав на объекты, охраняемые авторским правом № 46522 от «28» мая 2024 года Смурыгин Валентин Вадимович, Мухамедиев Равиль Ильгизович, Сымагулов Адилхан «Программный комплекс для генерация карт сверхвысокого разрешения» https://www.dropbox.com/scl/fi/pdc021ljd2jhhdukoa556/.pdf?rlkey=23820nivwlw6lm3gtpwz2i8ik&st=jylh5anf&dl=0.
12. Свидетельство о внесении в государственный реестр прав на объекты, охраняемые авторским правом № 47743 от «21» июня 2024 года Толеш Гульзина, Маншарипова Алмагуль Тулеуовна “Разработка пациент-ориентированной программы менеджмента реабилитации пациентов с хронической сердечной недостаточностью и сохраненной фракцией выброса для медико-социальных организаций и абиотических факторах”.
13. Свидетельство о внесении в государственный реестр прав на объекты, охраняемые авторским правом № 46869 от «3» июня 2024 года Маншарипова Алмагуль Тулеуовна, Мухамедиев Равиль Ильгизович, Краснов Глеб Сергеевич, Тастайбек Тимур Аманжолович «Влияние экологческих факторов мегаполиса на организм пациентов с заболеваниями сердечно-сосудистой системы».
14. Свидетельство о внесении в государственный реестр прав на объекты, охраняемые авторским правом №500695 от «1» октября 2024 года Маншарипова Алмагуль Тулеуовна, Кудабаева Венера Жанарбековна, Тастайбек Тимур Аманжолович «Качество жизни пожилых в программе активного долголетия и абиотические факторы».
15. Использование беспилотных летательных систем для решения задач мониторинга: Монография. – Алматы, 2024. – 176 с. https://www.dropbox.com/scl/fo/8s09db0ov05rw1z2zynet/AMIO5ljoxOvOTLfkhDvwBhc?rlkey=o2hgw8beybwyeniwg3fswlfd3&dl=0

Наши результаты за 1 полугодие 2024 года

В соответствии с задачами календарного плана выполнены следующие работы:

Раздел календарного плана: № WP1.2. Разработка прототипов аппаратной части ПАПБЛКГ (аппараты тяжелее воздуха).

Разработаны прототипы аппаратных частей беспилотного летательного комплекса. Рассмотрены основные технические требования, разработана конструкция, представлены выбор компонентов, сборка и настройка дрона эко мониторинга с полётным весом менее 250 грамм. Учтены основные требования к дрону, связанные с  длительностью полета (время автономной работы), дальностью полета и связи, возможностью несения датчиков и оборудования, оснащение системами стабилизации,  оснащение GPS-навигацией, передачей изображения с камеры,    способностью   датчиков на борту дрона  обнаруживать частица газа и пыли в воздухе для оценки его качества,  наличием автоматической системы управления полетом для  выполнения дроном заданных маршрутов и задач без постоянного участия оператора. А также  учет безопасности и надежности дрона для  обеспечения надежной работы в различных условиях.

Рассмотрены и учтены основные лётно-технические требования. Выбор компоновки и комплектующих по следующим параметрам: количество моторов,  расположение двигателей,  диаметр воздушного винта,  съемные лучи или цельная пластина,  материал рамы,  поддерживаемые размеры батарей,  верхнее или нижнее крепление аккумулятора. Выбор комплектующих: двигатель – HappyModel EX1404 3500KV, воздушный винт – HQ Prop T3.5x2x3, полётный контроллер AIO – HappyModel ELRS X1, видео передатчик – RushFPV Tank Tiny, видеокамера – Caddx Ant 1200 TVL, антенна передачи видео —  RushFPV Cherry, антенна приемника радиоуправления – Radiomaster T Antenna, GPS приемник – Flywoo GOKU GM10 Nano v3. На основании выбранных комплектующих собран дрон, полётный вес которого  191 грамм.

Для Настройки полётного контроллера Betaflight учтены общие шаги,  включающие  в себя подключение контроллера к компьютеру, использование конфигурационного приложения Betaflight Configurator, и выполнение нескольких ключевых настроек: подготовка оборудования, установка драйверов, установка конфигуратора, подключение к конфигуратору, калибровка, настройка радиоуправления.

 Для настройки аппаратуры радиоуправления произведена настройка внутреннего модуля передачи управления и настройка последовательности каналов радиоуправления. Проведены тестовые испытания изготовленного дрона  для анализа  его корректной работы и настройки перед  использованием его в реальных условиях. Тестирование максимального времени полёта с LiIon 3S аккумулятором составило 24 минуты 26 секунд. Тестирование максимальной дальности полёта составило 8-10 км в зависимости от погодных условий.

По результатам исследований подготовлена и подана на рецензирование в журнал Известия НАН Республики Казахстан, Серия физико-математическая статья «Технические средства дистанционного мониторинга с помощью беспилотных летательных платформ» Оксененко А.А., Еримбетова А.С., Куанаев А., Мухамедиев Р.И.,Кучин Я.И

Работы будут продолжены.

Раздел календарного плана: № WP1.3 Разработка моделей и алгоритмов планирования полетов.

Разработаны модели и/или алгоритмы планирования полетов беспилотного летательного комплекса. На основе разработанного алгоритма генетической оптимизации маршрутов для нескольких БПЛА в рамках комплекса утилит Swarmown, появилась возможность эффективно выделять и планировать полеты над объектами различного типа, такими как рощи, долины, поля, аграрные и городские структуры. В связи с этим возникла необходимость интеграции этих возможностей в существующее программное обеспечение, способное принимать путевые точки для построения полетных миссий. В результате был выбран QGroundControl, как наиболее удобный вариант с учетом специфики имеющегося оборудования (Рисунок 1). Для обеспечения этой интеграции  создана утилита PlanMaker, которая генерирует путевые точки в необходимом для QGroundControl формате .plan.

На основании этого  начаты практические эксперименты с БПЛА и проверки полетных миссий. Генетический алгоритм из комплекта утилит Swarmown путем многофакторной стохастической оптимизации определяет близкий к оптимальному маршрут, которые затем преобразуются утилитой PlanMaker в совместимый формат и импортируются в платформу QGroundControl. Это позволяет спланировать оптимальный маршрут движения нескольких БПЛА и затем автоматически управлять полетами дронов в реальных условиях. Работы будут продолжены.

Раздел календарного плана: № WP2.2 Разработка комплектов БНС для решения задач экологического мониторинга в пределах городской агломерации.

Разработаны комплекты бортовых навесных систем для решения задач экологического мониторинга в пределах городской агломерации. Основная цель — минимизация веса бортового комплекта для соответствия юридическим ограничениям полета в городе. Собран прототип бортовой навесной системы имеющий следующие датчики: газовый датчик, акселерометр, гироскоп (MPU6050), и микроконтроллер (ATmega328) в роли управляющего модуля. Микроконтроллер выполняет следующие задачи: чтение показателей от датчиков, пре обработка входящих данных, применение фильтров от шума, перевод в правильный формат, сохранение данных.  Разработана схема электропитания от литий-полимерной батареи. Была использована электросхема TP4056 для обеспечения зарядки батареи от источника напряжения 5В, а также защиты от отрицательного заряда в электрической цепи. Электросхема MT3608 была использована для вывода стабильного напряжения 7В от динамически изменяющегося напряжения (3,2В — 4,2В) от батареи. Разница напряжений шин транзисторно-транзисторной логики (ТТЛ) 5В и 3,3В между микроконтроллером и MPU6050, включающий гироскоп и акселерометр, была решена с помощью N-канального МОП-транзистора BSS138. Разработан алгоритм сбора и сохранения данных на TF флеш накопитель.  Проведена оптимизация веса комплекта. Работы будут продолжены.

Раздел календарного плана: №  WP3.1 Проведение облетов, сбор данных о загрязнениях в пределах городской агломерации.

            Выполнены облеты с применением БПЛА и наземные измерения загрязненности воздуха с целью сбора данных о загрязнении в городской агломерации. Облеты проводились с применением оборудования партнера. Целью облетов и наземных измерений был не только сбор данных, но и отработка технических аспектов использования оборудования. Облеты проводились двумя дронами: первый был оборудован мультиспектральной камерой Micasense RedEdge-MX, RGB камерой и тепловизором FLIR, вторым дроном был DJI Mavic Mini, оборудованный RGB камерой. В общей сложности было получено 8320 фотоизображений городской агломерации на которых отображаются состояние воздуха, тепловые потери, свалки твердых бытовых отходов. Проведено 550 замеров качества воздуха на разных высотах с привязкой по координатам (PM1, PM2.5, PM10), а также 1500 замеров качества воздуха (PM1, PM2.5, РМ10), летучих органических соединений (ЛОВ), температуры, влажности и атмосферного давления помощью носимого датчика AtmoTube Pro. Фото с облетов представлены на рисунке 1.

Облеты производились на территории Казахского национального исследовательского технического университета имени К.И. Сатпаева по адресу г. Алматы, ул. Сатпаева, 22, Медеуском и Алмалинском районах г.Алматы, а так же прилегающей к городу местности. Подготовлены протоколы облетов и данные собранные в пределах городской агломерации. Работы будут продолжены.

Раздел календарного плана: №  WP 3.2 Формирование размеченных наборов данных о загрязнениях в пределах городской агломерации для настройки моделей машинного обучения.

 Сформирован набор данных, который включает показатели качества воздуха и погодные данные собираемые несколько раз в день в трех точках города Алматы с января по март 2024 года. Упомянутые точки сбора данных нумеровались цифрами 0,1,6. (Рисунок 2).

Расстояние между точками 1 и 6 составляет 2.7 км, тогда как расстояние между 0 и 1 около 7 км. В качестве прибора, оценивающего воздушные загрязнения, применялся мобильный комплект датчиков загрязненности воздуха Atmotube Pro.

Прибор позволяет измерять концентрацию пылевых частиц (PM1, PM2.5, PM10)  и органических соединений (VOCs), а также давление, влажность воздуха и температуру. В качестве источника погодных данных (направление и скорость ветра, влажность и температура) использовался портал https://yandex.kz/pogoda.  Данные в каждой точке измерения собирались в таблицы. Набор данных каждого датчика включает ежедневные показания записанные в 9, 12, 15, 18 и 21 час. PM1, PM2.5, PM10 — концентрация пылевых частиц в мкг на метр кубический размером 1,2.5 и 10 мкм, соответственно. VOCs (volatile organic compound)– концентрация огранических соединений, AQS (air quality score) – интегрированные показатель качества воздуха, bar – давление воздуха. Кроме этого, погодные данные (портал Яндекс):

• wind_dir -направление ветра в румбах (0- север, 8- юг, 12 – запад);
• wind_speed – скорость ветра в m/sec;
• temp – температура в точке измерения;
• humidity – влажность воздуха в процентах.

Всего исходный набор данных содержит  либо 208, либо 384 строки данных и 78 колонок. Меньшее количество строк соответствует синхронизированному по времени файлу, содержащему данные всех трех точек измерения. Данный файл можно получить по ссылке

https://www.dropbox.com/scl/fi/r25jfow8k3uuwlyqa0n8x/air_pollution_0_1_6.xlsx?rlkey=wej2da7x0be5wr3zu6e9q23dq&dl=0.

 В зависимости от цели регрессионной модели целевым параметром выбирались PM1, PM2.5, PM10, VOCs и AQS  на одном из трех датчиков. Данные целевого датчика  исключались из набора данных. Погодные данные в точке установки целевого датчика оставались в составе набора данных. В зависимости от цели регрессионной модели целевым параметром выбирались PM1, PM2.5, PM10, VOCs и AQS  на одном из трех датчиков. Данные целевого датчика  исключались из набора данных. Погодные данные в точке установки целевого датчика оставались в составе набора данных.По результатам исследований подготовлена и подана на рецензирование в журнал «Гидрометеорология и экология» статья Мухамедиев РИ, Терехов ОГ, Оксенеко АА, Ерембетова АС, Кучин Я.И., Сымагулов А, Құсайын Диас Русланұлы «Эмуляция показаний датчиков качества воздуха в городской среде умного города».

По результатам исследований подготовлена и подана на рецензирование в журнал «Гидрометеорология и экология» статья Мухамедиев РИ, Терехов ОГ, Оксенеко АА, Ерембетова АС, Кучин Я.И., Сымагулов А, Құсайын Диас Русланұлы «Эмуляция показаний датчиков качества воздуха в городской среде умного города». 

Работы будут продолжены.

Раздел календарного плана: №  WP 3.3 Разработка методов для решения задач классификации и распознавания, получаемых с борта БПЛА изображений и данных для решения задач картирования экологических нарушений воздушной и наземной среды города, теплопотерь.

Разработаны методы и алгоритмы для решения задач классификации и распознавания, получаемых с борта БПЛА изображений и данных. Обработка спутниковых данных Sentinel-2 (разрешение 10 м) для создания спектральных эталонов ключевых объектов, с оценкой их многолетней (2016-2023) вариативности, для целей калибровки БПЛА изображений и продуктов на их основе. Проведен анализ и обработка спутниковых данных Sentinel-2 (разрешение 10 м), определены оптимальные алгоритмы обработки ДДЗ и спектральные индексы эффективные для оценки загрязнений водных объектов по компонентам: мутность, содержание хлорофилла. Подготовлены теоретические основы для калибровки разномасшабных данных (наземные – БПЛА — спутник) в условиях Алматы для создания спектральных эталонов ключевых объектов, с оценкой их многолетней (2016-2023) вариативности, для целей калибровки БПЛА изображений и продуктов на их основе. Предложен метод подготовки изображений для классификации уровня загрязнения воздуха на основе густоты смога по 10 балльной шкале для последующей настройки моделей машинного обучения. Предложен crowdsourcing метод сбора данных о загрязненности, основанный на использовании телеграмм бота. Рассмотрены и апробированы как источник данных, открытые ресурсы по погоде и качеству воздуха необходимые для формирования объемного набора данных, который можно использовать для предсказания загрязненности.

Работы будут продолжены.

Раздел календарного плана: №  WP 4.1 Разработка требований к системе отображения получаемых данных и результатов их анализа.    

Разработана спецификация требований на систему отображения получаемых данных и результатов их анализа. Спецификация содержит информацию о функционале будущей разработки системы, разделенная по следующим модулям: модуль хранения данных, визуализации, картографических слоев и инструментов пользователя. Также осуществлены мероприятия по реализации удобного механизма сбора данных в хранилище с использованием телеграмм-бота, что позволяет значительно упростить процесс накопления и структурирования информации. Полученные данные в последующем отображаются на веб-сайте проекта с применением API, обеспечивая доступность и актуальность информации для заинтересованных сторон (рисунок 3).

Открытые ресурсы по погоде и качеству воздуха апробированы в рамках прототипа ГИС системы визуализации данных.  Работы будут продолжены.

Видео ролик поля сои, снятый с дрона:

Перечень опубликованных работ:

1. Ravil I. Mukhamediev, Marina Yelis, Kirill Yakunin, Yelena Popova, Yan Kuchin, Adilkhan Symagulov, Nadiya Yunicheva, Elena Zaitseva, Vitaly Levashenko, Elena Muhamedijeva, Viktors Gopejenko & Rustam Mussabayev (2024) Exploring the health care system’s representation in the media through hierarchical topic modeling, Cogent Engineering, 11:1, 2324614, DOI: 10.1080/23311916.2024.2324614 (Scopus Quartile: Q2, 64%, WoS IF=1.9).
2. Zaitseva, E., Levashenko, V., Mukhamediev, R., Brinzei, N., Kovalenko, A., & Symagulov, A. (2023). Review of Reliability Assessment Methods of Drone Swarm (Fleet) and a New Importance Evaluation Based Method of Drone Swarm Structure Analysis. Mathematics, 11(11), 2551. https://www.mdpi.com/2227-7390/11/11/2551
3. Mukhamediev, R.; Amirgaliyev, Y.; Kuchin, Y.; Aubakirov, M.; Terekhov, A.; Merembayev, T.; Yelis, M.; Zaitceva, E.; Levashenko, V.; Popova, Y.; Symagulov, A.; Tabynbayeva, L. Operational Mapping of Salinization Areas in Agricultural Fields Using Machine Learning Models Based on Low-Altitude Multispectral Images. Drones 2023, 7, 357. https://doi.org/10.3390/drones7060357
4. Zaitseva, E., Levashenko, V., Brinzei, N., Kovalenko, A., Yelis, M., Gopejenko, V., & Mukhamediev, R. Reliability Assessment of UAV Fleets //Emerging Networking in the Digital Transformation Age: Approaches, Protocols, Platforms, Best Practices, and Energy Efficiency. – Cham : Springer Nature Switzerland, 2023. – С. 335-357. https://link.springer.com/chapter/10.1007/978-3-031-24963-1_19
5. Mukhamediev R. I. Yakunin, K., Aubakirov, M., Assanov, I., Kuchin, Y., Symagulov, A., Levashenko V., Zatceva E., Sokolov D., Amirgaliyev, Y. . Coverage path planning optimization of heterogeneous UAVs group for precision agriculture //IEEE Access. – 2023. – Т. 11. – №. 15. – С. 5789-5803, doi: 10.1109/ACCESS.2023.3235207, https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=10011226
6. Yakunin, K.; Mukhamediev, R.I.; Yelis, M.; Kuchin, Y.; Symagulov, A.; Levashenko, V.; Zaitseva, E.; Aubakirov, M.; Yunicheva, N.; Muhamedijeva, E.; Gopejenko, V.; Popova, Y. Analysis of the Correlation between Mass-Media Publication Activity and COVID-19 Epidemiological Situation in Early 2022 //Information. – 2022. – Т. 13. – №. – С. 434.  https://doi.org/10.3390/info13090434
7. Mukhamediev, R. I., Popova, Y., Kuchin, Y., Zaitseva, E., Kalimoldayev, A., Levashenko V., Symagulov, A., Abdoldina F., Gopejenko V., Yakunin K., Muhamedijeva E., Yelis, M. Review of Artificial Intelligence and Machine Learning Technologies: Classification, Restrictions, Opportunities and Challenges //Mathematics. – 2022. – Т. 10. – №. – С. 2552. https://doi.org/10.3390/math10152552
8. Mukhamediev R. I., Kuchin, Y. et al. Estimation of Filtration Properties of Host Rocks in Sandstone-type Uranium Deposits Using Machine Learning Methods //IEEE Access. – 2022. – T.10. –  C.18855-18872. DOI 10.1109/ACCESS.2022.3149625; https://ieeexplore.ieee.org/abstract/document/9706226

Авторские свидетельства:

1. Свидетельство о внесении в государственный реестр прав на объекты, охраняемые авторским правом № 42480 от «30» января 2024 года. Кучин Ян Игоревич, Мухамедиев Равиль Ильгизович, Терехов Алексей Геннадьевич, Сагатдинова Гульшат Наилевна, Сымагулов Адилхан, Кульдеев Нұрсұлтан Ержанұлы, Сағынұлы Санжар “Программный комплекс для оценки уровня воды в реке Или с использованием алгоритмов машинного обучения на основе оптических данных Sentinel-2” https://www.dropbox.com/scl/fi/dfqflosabeuhp9ojhmqhe/CUES.pdf?rlkey=1njy6jv9t7ffn9bki1f7kcfom&dl=0

2. Свидетельство о внесении в государственный реестр прав на объекты, охраняемые авторским правом № 43308 от «27» февраля 2024 года. Құсайын Диас Русланұлы, Смурыгин Валентин Вадимович, Мухамедиев Равиль Ильгизович, Сымагулов Адилхан, Кучин Ян Игоревич, Еримбетова Айгерим Сембековна “Парсер данных об уровне загрязненности воздушной среды городской агломерации”

https://www.dropbox.com/scl/fo/lzrp2hqocsd2li4esv97b/h?rlkey=c5fjqmqlpsz6y5pk3lro8vyry&dl=0

3. Свидетельство о внесении в государственный реестр прав на объекты, охраняемые авторским правом № 46522 от «28» мая 2024 года Смурыгин Валентин Вадимович, Мухамедиев Равиль Ильгизович, Сымагулов Адилхан «Программный комплекс для генерация карт сверхвысокого разрешения» https://www.dropbox.com/scl/fi/pdc021ljd2jhhdukoa556/.pdf?rlkey=23820nivwlw6lm3gtpwz2i8ik&st=jylh5anf&dl=0

Результаты 2023