《Automation》：Path Optimization for Aircraft Based on Geographic Information Systems and Deep Learning
摘要
农业无人机的自主导航长期面临大气扰动（如风向、温度梯度和压力变化）带来的挑战，这些因素可能导致其显著偏离预定飞行路径。本研究提出了一种基于深度学习的导航方法，将地理信息系统（GIS）与深度神经网络（DNN）相结合，旨在提高农业无人机作业的能源效率和轨迹精度。为了模拟真实的环境扰动，研究利用了伊拉克航空公司短途航线（巴格达–伊斯坦布尔–巴格达）的实际飞行数据。这些轨迹受到顺风和逆风的影响，并被用于分析和建模，以训练一个能够预测和校正路径偏差的DNN。优化后的系统随后在模拟的农业无人机场景中进行了测试。结果表明，在顺风条件下（巴格达–伊斯坦布尔），与实际情况相比，GIS-DNN模型减少了610升燃油消耗和31分钟飞行时间。在逆风条件下（伊斯坦布尔–巴格达），该模型实现了558升的燃油节约，并将飞行时间减少了28分钟。基于这些结果，可以得出结论：深度学习与GIS的结合能够显著增强无人机路径优化，从而提升精准农业中的能源效率和任务可靠性。
引言
对可持续和高效农业实践日益增长的需求加速了先进技术的采用，例如无人驾驶飞行器（UAV）、地理信息系统（GIS）和人工智能（AI）。现代农业越来越依赖自主系统来执行关键任务，包括作物监测、土壤分析和精准喷洒，尤其是在大规模或难以进入的农田中。在这些技术中，无人机为空中数据采集和实时田间分析提供了一种灵活且经济高效的解决方案。然而，这些无人机的性能高度依赖于精确的导航和路径规划，而这些常常受到风、温度和大气压力等动态环境因素的干扰。通过智能控制和自适应学习系统应对这些挑战，对于确保精准农业中无人机操作的可靠性和能源效率已变得至关重要。
航空运输公司，尤其是短途航班，饱受燃油消耗增加及其对高效完成飞行任务影响的问题困扰。本研究开发了一种经济的方法，结合使用GIS和DNN。该研究旨在提高燃油效率，改善飞行路径，并受益于GIS和DNN技术。显然，研究改进飞行路径以减少时间和燃油消耗是一个重要的领域，涵盖了许多技术和策略，包括动态飞行路径规划和使用精确的天气模型来预测风和气流等天气条件。这些数据可用于规划减少风阻并节省燃油消耗的飞行路径。它还包括利用人工智能进行规划，并应用人工智能算法来分析数据，基于多种因素提供最优飞行路径，以及以实现速度与燃油消耗之间平衡的经济速度飞行。一些研究已经通过空气动力学设计等方法接近了计算飞机燃油消耗的问题。
如表1所列，现有最符合当前提出方法的研究成果表明，多种人工智能方法被选择和研究，但每项研究根据其发现的结果都有其自身的局限性。从表中讨论的先前局限性可以明显看出，深度学习人工智能尚未得到充分研究，需要成为焦点。此外，实际和真实的实验数据应用是缺失的，而这在涉及关键方面的研究中是核心目的。因此，当前研究具有多个新颖点。
方法论
本节详细讨论了研究方法，图1展示了整体的示意图。
地理信息系统（GIS）
GIS由集成的计算机硬件和软件组成，用于存储、管理、分析、编辑、输出和可视化地理数据。这些操作大多在空间数据库内进行，但这对于满足GIS的定义并非必需。在更广泛的意义上，这样的系统还可以包括用户和支持人员、程序和工作流程、相关概念和方法的知识体系以及机构组织。GIS行业和专业最常用的术语是地理信息系统。研究这些系统及其基础地理原理的学科通常被称为GIS，但更明确的术语是地理信息科学（GI Science）。GI Science通常被认为是地理学的一个分支，属于技术地理学范畴。GIS被用于多种技术、过程、技术和方法中。它们与各种操作和众多应用相关联，涉及工程、规划、管理、运输/物流、保险、电信和商业。因此，GIS和位置智能应用是基于位置的服务的核心，这些服务依赖于地理分析和可视化。GIS能够通过使用位置作为“关键索引变量”将先前无关的信息关联起来。
GIS软件
必须区分单一地理信息系统（为特定用途安装的软件和数据以及相关硬件、员工和机构）和GIS软件（一种通用应用程序，旨在用于各种应用领域中的许多独立地理信息系统中）。自20世纪70年代末以来，已经创建了许多专门用于GIS应用的软件包。Eris的ArcGIS（包括ArcGIS Pro和旧版软件ArcMap）目前主导着GIS市场。其他GIS示例包括Autodesk、MapInfo Professional以及开源程序如QGIS、GRASS GIS、MapGuide和Hadoop-GIS。这些以及其他桌面GIS应用程序包含用于输入、管理、分析和可视化地理数据的全套功能，并设计用于独立使用。从20世纪90年代末互联网出现以来，随着计算机网络技术的进步，GIS基础设施和数据开始转移到服务器上，提供了另一种提供GIS功能的机制。这是通过安装在服务器上的独立软件实现的，类似于其他服务器软件（如HTTP服务器和关系数据库管理系统），允许客户端访问GIS数据和处理工具，而无需安装专门的桌面软件。这些网络被称为分布式GIS。这种策略已通过互联网和基于云的GIS平台（如ArcGIS Online和专门的GIS软件即服务（SAAS））得到扩展。使用互联网促进分布式GIS被称为在线GIS。另一种方法是将部分或全部这些功能集成到其他软件或IT基础设施中。图2和图3分别显示了基本的GIS概念和示意图。
在本研究中，GIS被用作地理空间数据层，用于提取和构建可视化的真实飞行路线和坐标序列，这些随后被用作DNN模型的学习输入。具体来说，使用ArcGIS Pro（版本3.1）进行所有地理数据处理、路线可视化和坐标提取，而未使用旧版ArcMap软件。这种方法反映了一个实际场景，即现代无人机平台已经拥有嵌入式GIS和导航系统，而提出的框架作为一个智能优化层运行，基于学习到的空间偏差来增强轨迹规划。
数学建模
在应用于航空的GIS中，使用各种数学方程和模型来计算燃油消耗、飞行时间和航程。这些计算对于飞行规划和优化至关重要。以下是使用的关键方程和模型。
燃油消耗，即总燃油消耗，可以使用以下公式计算：总燃油消耗 = 燃油流量 × 飞行时间，其中燃油流量通常以加仑/小时（gal/h）或升/小时（L/h）等单位给出，飞行时间以小时（h）衡量。
飞行时间可以确定如下：飞行时间 = 距离 / 平均速度，其中距离是总飞行距离（以海里、英里或公里为单位），平均速度是飞机在飞行期间的平均速度（以节、英里/小时或公里/小时为单位）。
航程定义为：航程 = 总燃油容量 / 燃油消耗率（SFC） × 巡航速度，其中总燃油容量是飞机能携带的最大燃油量，SFC是燃油消耗率。最后，巡航速度是飞机巡航飞行时的速度。
燃油消耗率（SFC）是燃油效率的度量，可以使用以下公式计算：燃油消耗率（SFC） = 燃油流量 / 推力，其中燃油流量是单位时间内消耗的燃油量。推力是发动机产生的推力（通常以磅或牛顿计量）。或者，SFC也可以根据功率来表示：SFC = 燃油流量 / 输出功率。
最优巡航速度通常与最小化燃油消耗相关，并根据飞机的性能特征计算。然而，估算它的一个简化方法是：最优巡航速度 = 使单位距离燃油消耗最小的速度。这通常通过飞行性能图表或经验数据确定。
对于高度和速度的考虑，真实空速（TAS）可以根据高度使用以下公式进行调整：TAS = 指示空速（IAS） × √(海平面标准温度 / 高度标准温度)，其中IAS是飞机空速指示器上显示的速度。海平面标准温度通常为15°C或288.15K。高度标准温度可以从标准大气表中确定。空气密度随高度增加而降低，影响发动机性能和燃油效率。这些方程和概念构成了分析和优化飞机性能（尤其是在燃油效率和航程方面）的基础。
深度神经网络（DNN）
机器学习（ML）是描述人工智能在许多应用中使用的核心方法。使用DNN来提高车辆燃油效率是一种创新方法，它利用ML来优化燃油消耗。DNN可以分析来自飞行操作的大量数据，以预测和提高燃油效率，从而带来显著的环境和经济效益。将网络与强大的GIS集成可以实现空间数据学习技术的全面分析。燃油效率优化传统上侧重于飞机参数和驾驶条件。然而，集成GIS可以考虑地理因素，例如空中路线和这些路线上的空中交通管制模式，这些因素显著影响燃油消耗。DNN可以分析这种复杂的多维数据，以提供更准确和可操作的见解。
DNN和反向传播（BP）算法是流行的ML技术。两者都旨在模拟自然界中发生的结构和过程，并使用BP算法来训练网络。由于其理想的特性，它们被广泛应用于解决各种建模和优化问题，尽管这些技术通常单独使用，但结合使用可以扩展其潜在应用范围。DNN是由许多相互连接的基本元素（称为人工神经元）构建的结构。它类似于大脑中的自然组织，由许多神经元组成。观察自然神经元的行为揭示了它们的基本操作原理和有趣的性质。一个被感知的人工神经元可以被视为许多输入信号转换为单个输出的转换器。这导致了神经元数学描述的推导，其特性由方程（1）描述并在图4中展示：
y = F(∑i=1nwixi+ b) (1)
其中：
- •
y — 输出信号的值；
- •
F — 激活函数；
- •
n — 输入特征的数量；
- •
b — 偏置项；
- •
xi— 第i个输入信号的值；
- •
wi— 第i个连接的权重值。
位于输入连接上的权重是在学习过程中设置的系数。它们可以类似于获得知识的存储。每个输入值乘以权重系数并在最后相加。然后这个和成为所选激活函数的参数。激活函数决定了人工神经元的特性。通常，使用由方程（2）定义的单极S型激活函数。显示其曲线的图表在图5中给出。该函数的结果在0到1的范围内。该方程中的参数β负责S型函数的陡度。学习过程基本上等同于激活函数的形状修改。该函数的结果是输出值，它可以是最终的，也可以成为另一个人工神经元的输入：
F(x) = 1 / (1 + e-βx) (2)
为了扩展单感知器对非线性关系的分类能力，许多人工神经元被分组为多个层以创建多层感知器（MLP）。输入层和输出层之间的层称为隐藏层。这类DNN被广泛用于解决问题，因为它可以对高度非线性的数据关系进行建模。DNN的结构也必须仔细选择。由许多层或神经元组成的过大结构可能导致过拟合。这意味着DNN只能正确分类训练数据。选择多层感知器中隐藏层的最佳层数和人工神经元数量可以成为遗传算法要解决的任务。DNN也不是统一的；根据神经元之间的连接类型和隐藏层的数量，它们可以分为不同的组。用于开发所提出DNN架构的训练参数总结在表2中。
选择逻辑S型函数是因为其平滑且有界的性质，并且特别适用于小规模问题。具有128、64、32和16个神经元的四层隐藏层架构是通过试错法凭经验确定的，以平衡性能和计算成本，正如先前的研究所做的那样。该模型使用Orange Data Mining实现，并采用Adam优化器，因其具有自适应学习率能力和与传统SGD变体相比更快的收敛速度。应用Xavier均匀初始化以确保层间稳定的权重分布。
该研究通过将空间数据转换为与每个航路点坐标对齐的归一化数值格式，将GIS衍生的特征（即地形高程、土地分类和禁飞区）集成到DNN的输入层中。这种地理空间编码允许模型在轨迹预测过程中考虑物理和监管约束；因此，它提高了路线优化的准确性。
训练过程分为两部分——一部分使用从巴格达到伊斯坦布尔（BGW–IST）的指定飞行路线数据，另一部分使用从伊斯坦布尔到巴格达（IST–BGW）的数据——每个方向都有相应的测试数据集以评估整体模型性能。
实验案例研究
为了支持农业无人机智能导航系统的开发，进行了一项案例研究，使用真实世界的航空数据模拟飞行路径规划中的环境扰动。这项研究是通过GIS进行的，如前所述，GIS是一种用于计算机化制图的工具。FlightRadar24程序用于成像和路线。MATLAB (R2023a) 和 Simulink (R2023a) 程序用于训练和测试DNN模型，该模型对真实实验数据进行了建模并模拟了结果。这些工具共同构成了一个强大的AI-GIS框架，可以适用于农业环境中的自主无人机操作，以实现智能自动化和精准农业的目标。
空中航线根据航程分为三种：短途航班、中途航班和长途航班。本研究分析并模拟了伊拉克航空公司（飞行计划编号0279）从巴格达飞往伊斯坦布尔的实际短途航班，该航线国际航班号为IA223。众所周知，飞机在空中的飞行路径不是直线，而是由于温度、压力和空气密度的差异，呈左右锯齿状。还需要指出的是，访问IA223的官方历史飞行数据需要付费订阅，因为像Flightradar24这样的平台只提供超过7天的IA223飞行历史记录（需升级至Silver（90天）、Gold（1年）或Business（3年）订阅计划）。
在此基础上，在分析飞行路径的过程中，确定了三条线：
- •
指定航线（Itinerary assigned）：已确定的飞行路径。它是飞机的虚拟线路，呈直线形式。使用GIS系统，可以找到虚拟飞行路径的坐标；
- •
实际航线（Itinerary actual）：这是飞机实际飞行的线路，其坐标可以使用GIS系统找到；
- •
基于DNN的航线（Itinerary-based DNN）：这是基于DNN的飞行路径。这条线及其坐标是通过对指定线和实际线坐标进行编程和模拟，经过ANN建模和模拟数据后得到的结果。本研究将讨论短途航班，并分析巴格达和伊斯坦布尔之间的实际往返航班及其国际航线（指定线）。
用于模型训练的指定轨迹和实际轨迹如图6所示，图6a显示了使用GIS数据生成的指定巴格达-伊斯坦布尔航线，图6b展示了从实际操作记录中提取的相应实际飞行路径。回程航线的类似比较在图7中提供，图7a描述了指定的伊斯坦布尔-巴格达轨迹，图7b显示了飞机飞行的实际飞行路径。
图8中的雷达图提供了数值结果以及指定轨迹和实际飞行轨迹之间变化的可视化。六个标记的轴（图8a和图8b中的P1–P6）代表沿巴格达-伊斯坦布尔飞行路径随机选择的六个地理航路点。这些航路点对应于经纬度坐标对，这些坐标已被归一化到0到1之间的共同尺度，以便进行直接视觉比较。图表上绘制的值（例如0.1、0.2等）不代表原始坐标值，而是反映每个航路点在整体数据集中的相对位置。这种归一化确保坐标大小的差异不会扭曲可视化。图表中的红线和绿线分别说明了指定飞行路线和实际飞行路线的模式。
结果与讨论
方法论结果
巴格达-伊斯坦布尔航线的DNN模拟结果（详见表3）显示在预测飞行路径坐标方面具有稳健的性能。在56个航路点条目中，预测的纬度和经度与实际路线紧密匹配，并且一致地改善了指定轨迹和实际轨迹之间观察到的偏差。例如，在航路点1，指定坐标为40°59′23.785″ N, 28°48′29.377″ E，而实际匹配坐标为41°08′23.785″ N, 28°48′29.377″ E。DNN将其校正为40°55′22.886″ N, 28°39′28.244″ E，显示了其使路线预测适应实际行为的能力。在整个数据集中观察到类似的趋势：在第28点，指定纬度为38°47′1.646″ N，但实际纬度为41°08′23.785″ N，DNN预测为38°42′2.770″ N，与真实情况更吻合。值得注意的是，经度也表现出减小的偏差——例如，第10点的指定东经为28°52′51.647″ E，实际坐标为28°51′55.713″ E，预测坐标为28°51′55.400″ E。预测线和实际线之间更紧密聚类的这种一致趋势证实了DNN从真实飞行行为中学习的能力，尤其是在变化的大气条件下。因此，很明显，像GIS-DNN这样的系统可以改进农业轨迹，其中无人机被大量使用且燃油至关重要。
图9以黄色突出显示了使用DNN模拟的飞行路线，以及巴格达-伊斯坦布尔走廊沿线的指定轨迹和实际轨迹。黄色的DNN预测路径与实际飞行线紧密对齐，证明了其在最小化由大气扰动引起的偏差方面的高精度和有效性。
表4显示了沿巴格达-伊斯坦布尔飞行路线的56个航路点，比较了指定坐标、实际坐标和DNN预测坐标。在第1点，指定纬度为33°40′9.878″，实际纬度为33°40′9.861″，DNN预测纬度为33°40′9.878″，绝对误差仅为0.017″。在第28点，经度值分别为：指定：38°52′9.904″，实际：38°52′9.947″，DNN：38°52′9.932″，DNN值仅与实际值相差0.015″。在所有点上，平均位置误差保持在0.02″以下，这清楚地证实了DNN高精度复制实际飞行行为的能力。
图10展示了伊斯坦布尔-巴格达航线的DNN模拟飞行路径，标记为黄色，与指定飞行线和实际飞行线进行比较。DNN轨迹在所有56个航路点上始终与实际路线更紧密地对齐。这实际上加强了其在优化现实世界短途航班导航方面的精确性和可靠性。
巴格达 → 伊斯坦布尔和伊斯坦布尔 → 巴格达三种飞行路线策略的比较性能总结在表5和表6中。对于巴格达到伊斯坦布尔航线（表5），实际飞行消耗了4938公斤燃油，持续了3.33小时，覆盖了1728公里，而最初指定的计划预计为4643公斤，2.36小时和1667公里。DNN优化路线取得了最佳结果，仅消耗4302公斤燃油，3.02小时，以及更短的1650公里距离，与实际飞行相比，净节省636公斤燃油，31分钟和78公里。类似地，对于伊斯坦布尔到巴格达航线（表6），DNN模型消耗了4245公斤，耗时3.17小时，飞行了1640公里，而实际路线使用了4872公斤，耗时3.45小时，覆盖了1708公里。这分别相当于节省了627公斤燃油，28分钟和68公里。这些结果证实了DNN模型在长途航段上优化能源和时间效率的能力。
所有模拟都使用统一的平均巡航速度重新计算，以确保跨比较评估的一致性。校正后的路线距离和旅行时间现在反映了超过大圆距离最小值的现实值，解决了先前的差异。DNN优化路线在空域和交通管制约束范围内展示了在燃油消耗和飞行时间方面的可衡量改进。
飞行燃油消耗、时间和航程的差异是由于风向造成的。在巴格达-伊斯坦布尔航班的情况下，风是顺风，这种情况下的风向减少了燃油消耗、时间和飞行航程。至于伊斯坦布尔-巴格达航班，风是逆风。这种情况下的风向被认为是不利的，因为它增加了空气阻力和制动过程，从而增加了燃油消耗并减少了飞行时间和航程。但在两种情况下（巴格达-伊斯坦布尔和伊斯坦布尔-巴格达），在燃油消耗以及旅行时间和航程方面都获得了收益，如上表结果所示。
需要重要的是，表5和表6中报告的距离指的是在空域约束内的指定和优化飞行路线的长度，而不是巴格达和伊斯坦布尔之间的大圆距离。实际飞行的距离包括偏差、天气绕飞和可能的等待航线。这些障碍物会并且将会增加总里程。DNN优化路径通过最小化允许空域内不必要的偏差和转弯，实现了相对于最初指定的受空中交通管制约束的飞行路径更短的路线，这导致了燃油消耗和飞行时间的可测量减少。
农业无人机适用性
如前所述，本研究提出了一种新颖的DNN应用，利用基于GIS的真实实验航空数据优化飞行路线轨迹。虽然最初是在巴格达和伊斯坦布尔之间的短途航空运输背景下演示的，但该方法论与智能自动化领域中以人工智能驱动的决策直接契合。所提出的技术可以直接适用于农业中的自主空中和地面机器人系统，以便在非结构化环境中实现高效导航和任务执行。在此类燃油至关重要的操作中，人工智能可以显著增强操作轨迹。
尽管这项工作的案例研究使用了长距离商业飞行路径，但该方法论仍然高度适应实际的无人机操作。选择该轨迹并不是为了直接代表农业无人机任务，而是为了用嘈杂的真实世界数据的复杂性来挑战深度学习优化框架。所提出的基于DNN的路线优化可以部署在嵌入式AI硬件上，例如NVIDIA Jetson Nano或Raspberry Pi 4，并通过像Pixhawk这样的飞行控制器进行集成。这使得该系统适用于各种无人机平台，尤其是提供更长续航时间的固定翼类型。尽管如此，通过适当的航路点重新定义和减少的预测范围，相同的方法论也适用于精准农业中通常使用的多旋翼无人机。在离地30-150米高度运行且任务持续时间较短的系统仍然可以从智能路径规划中受益，以减少电池使用量和任务时间。因此，虽然当前的验证是在宏观尺度上进行的，但所提出的方法本质上是可扩展的，并且可以支持局部化无人机监测和导航的实际应用。
此外，我们承认实际的农业无人机操作需要对动态环境因素（如变化的风向、温度梯度和气压）做出响应。尽管当前的基于模拟的模型没有实时考虑这些因素，但该架构可以很容易地扩展以纳入机载环境传感器——例如超声波风速计、气压计和热敏电阻——来馈送自适应控制模块，从而在飞行中校正路线。此外，虽然固定翼无人机可能不适合悬停或精准喷洒，但它们对于高效覆盖大型农业区域仍然很有价值。另一方面，多旋翼无人机在受限或障碍物密集的农田中提供更大的灵活性。所提出的
