Публикации

Перечень опубликованных работ за 2024-2025 годы

2025 год

Савин И.Ю., Терехов А.Г., Мухамедиев Р.И. Концепция линии почв и ее использование для картографирования и мониторинга почв (обзор). Бюллетень Почвенного института имени В.В. Докучаева. 2025;(122):174-193.
https://doi.org/10.19047/0136-1694-2025-122-174-193. Ссылка на статью.
Статья представляет собой обзорное исследование, посвящённое развитию и применению концепции «линии почв» (soil line) в дистанционном зондировании и мониторинге состояния земель. Авторы анализируют теоретические основы, методологические подходы и практические примеры использования этого инструмента для оценки свойств почв и их пространственного распределения.
Сущность концепции: линия почв отражает зависимость между спектральными характеристиками почвы в различных диапазонах (обычно красный и ближний ИК), что позволяет выделять почвенные поверхности на спутниковых изображениях.
Методология применения: построение линии почв на основе спектральных данных; использование её для выделения почвенных участков и оценки их состояния; интеграция с индексами растительности (например, NDVI) для более точного анализа.
Практическое значение: концепция линии почв применяется для картографирования деградированных земель, мониторинга засоленности, оценки плодородия и выявления изменений в землепользовании.
Результаты обзора: подтверждено, что линия почв является устойчивым инструментом для выделения почвенных поверхностей в условиях разной плотности растительного покрова. Показано, что её использование повышает точность классификации земельных угодий и позволяет корректировать ошибки, связанные с сезонными изменениями растительности.Рассмотрены примеры успешного применения в разных регионах мира, включая аридные зоны и сельскохозяйственные территории.
Suleimenova I., Bakirov A., Yevstifeyev V., Vitulyova Y. Some properties of multinomial coefficients: research possibilities based on analogies with the problem of digital image recognition // Proceedings of ICDIP 2025.
Kirill Yakunin , Y Kuchin, Elena Muhamedijeva, Adilkhan Symagulov and Ravil I. Mukhaanmediev. Algorithm for planning coverage of an area with obstacles by a heterogeneous group of drones using a genetic algorithm and parameterized polygon decomposition. Drones 2025, 9, x, https://doi.org/10.3390/xxxxx. Ссылка на статью.
Статья посвящена разработке алгоритма планирования маршрутов для обследования сельскохозяйственных полей с препятствиями, используя разнородную группу беспилотных летательных аппаратов (БПЛА) и мобильную наземную платформу. Работа направлена на решение задач точного земледелия, где требуется учитывать неоднородность техники, ограниченные ресурсы и сложные условия местности.
Новизна: предложен двухэтапный алгоритм оптимизации: генерация множества разбиений поля на суб-полигоны с учётом препятствий. Выбор оптимального разбиения и применение генетического алгоритма для настройки параметров полёта (углы, точки входа, последовательность запусков дронов, маршрут наземной платформы).
Особенность: использование мобильной платформы для взлёта и посадки дронов в разных точках, что сокращает лишние перелёты.
Перспективы: в целом статья демонстрирует, что сочетание параметризированного разбиения полигона и генетического алгоритма позволяет значительно повысить эффективность группового применения дронов в условиях сложной геометрии и ограниченных ресурсов. Интеграция 3D-моделей местности и погодных данных. Автоматизация распределения ресурсов между дронами с разными характеристиками. Применение в других сферах: экологический мониторинг, спасательные операции, инфраструктурные обследования.
Ravil I. Mukhamediev, Valentin Smurygin, Adilkhan Symagulov, Yan Kuchin, Yelena Popova, Farida Abdoldina, Laila Tabynbayeva, Viktors Gopejenko , and Alexey Oxenenko. Fast detection of plants in soybean fields using UAVs, YOLOv8 framework and image segmentation. Drones 2025, 9, x. https://doi.org/10.3390/xxxxx. Ссылка на статью.
Статья посвящена разработке и тестированию метода быстрого обнаружения растений в соевых полях с использованием беспилотных летательных аппаратов (БПЛА), современных алгоритмов компьютерного зрения и нейросетевых моделей. Основная цель исследования — повысить эффективность мониторинга сельскохозяйственных угодий, сократить затраты на ручной труд и обеспечить точное картографирование посевов.
Новизна: впервые применён комплексный подход, объединяющий: высокоразрешительные изображения с БПЛА; сегментацию изображений для выделения растений; архитектуру YOLOv8x для быстрой и точной детекции объектов.
Методология: сбор данных с беспилотников над соевыми полями; предварительная обработка изображений (коррекция, сегментация); обучение модели YOLOv8x на размеченных данных; оценка точности и скорости работы алгоритма.
Результаты: YOLOv8x показал высокую точность распознавания растений (>90%) при минимальном времени обработки. Алгоритм успешно справляется с задачами в условиях неоднородного освещения и плотного расположения растений. Сегментация улучшает качество детекции, позволяя исключить шумы и фоновые объекты.
Перспективы: интеграция алгоритма в системы «умного земледелия» для автоматического мониторинга. Расширение применения на другие сельскохозяйственные культуры (кукуруза, пшеница). Использование мультиспектральных и гиперспектральных данных для повышения точности анализа.
В целом работа демонстрирует, что сочетание БПЛА и современных нейросетевых моделей открывает путь к высокоэффективному и масштабируемому мониторингу сельскохозяйственных угодий, снижая затраты и повышая урожайность.
К.С. Гаринских, А.Г. Карыпов, А. Сымагулов, Я.И. Кучин, А.Г. Терехов., Р.И. Мухамедиев, Н.Р. Юничева, Н.Е. Кульдеев, Р. Ш. Бердибаев Сегментация изображений в точном земледелии // Гидрометеорология и экология. – 2025. – № XX. – С. XX-XX. (подано 21 января, на рецензии). Ссылка на статью.
Статья посвящена применению методов сегментации изображений для задач точного земледелия. Авторы рассматривают современные подходы к обработке данных дистанционного зондирования (спутниковых и беспилотных платформ) с целью повышения эффективности агротехнических мероприятий и снижения себестоимости сельскохозяйственных культур. Проблематика: поля обладают неоднородными характеристиками (рельеф, водообеспечение, мощность гумусового слоя), что требует дифференцированного подхода к агротехническим операциям. Роль сегментации: позволяет ранжировать участки пашни внутри одного поля и адаптировать интенсивность обработки. Источники данных: спутниковые системы и БПЛА, обеспечивающие высокую детализацию и оперативность.
Алгоритмы: рассмотрены методы пороговой сегментации и другие алгоритмы (ISODATA, иерархическая кластеризация, NDVI-анализ). Результаты: приведён пример программы пороговой сегментации, применённой к спутниковым изображениям по индексу NDVI. Анализ показал, что сегментация позволяет выявлять зоны с различным состоянием растительности и почвы, что способствует оптимизации агротехнических мероприятий. Рекомендации по использованию сегментации помогают предотвращать экологические нарушения и потери урожая, связанные с погодными аномалиями и особенностями рельефа.
Перспективы: интеграция сегментации в комплексные информационные системы поддержки точного земледелия. Использование методов машинного обучения и глубоких нейросетей для автоматизации анализа. Расширение применения на разные типы культур и климатические зоны.
В целом статья демонстрирует, что сегментация изображений является ключевым инструментом точного земледелия, позволяющим повысить урожайность, снизить затраты и минимизировать экологические риски.
Кирилл Якунин, Диас Құсайын, Равиль И. Мухамедиев, Надия Юничева, Нурсултан Кульдеев. Сопряжение программ планирования маршрутов полета и систем управления беспилотных летательных аппаратов // Известия НАН РК. Физико-математическая серия. – 2025. – № 2(354). – С. 317-335. Ссылка на статью.
Статья посвящена разработке и исследованию методов интеграции программ планирования маршрутов полёта с системами управления беспилотных летательных аппаратов (БПЛА). Основная цель работы — создание единого модуля, который обеспечивает согласованность между алгоритмами построения маршрутов и реальными возможностями систем навигации и управления дронами.
Научная новизна: предложен модуль сопряжения, который связывает алгоритмы планирования (в том числе основанные на генетических алгоритмах) с реальными системами управления БПЛА.
Методология: использование генетического алгоритма для оптимизации маршрутов; параметризация полигонального разбиения территории для учёта препятствий; интеграция с программным обеспечением управления полётом, что позволяет автоматически адаптировать маршруты под конкретные условия.
Результаты: разработанный модуль показал высокую эффективность при моделировании миссий в условиях сложной геометрии и наличия препятствий. Снижение затрат на выполнение миссий составило до 20–30% по сравнению с классическими методами планирования. Алгоритм продемонстрировал устойчивость к изменению параметров среды и возможность масштабирования на группы разнородных БПЛА.
Перспективы: расширение применения на задачи точного земледелия, экологического мониторинга и спасательных операций. Интеграция с системами машинного обучения для адаптивного планирования маршрутов. Использование в комплексных системах «роевого» управления дронами.
В целом статья демонстрирует, что сопряжение программ планирования маршрутов и систем управления БПЛА является ключевым шагом к созданию более гибких и надёжных систем автономного управления, способных эффективно работать в условиях реальной среды.
К.О. Якунин, А. Сымагулов, Р.И. Мухамедиев, Н.Р. Юничева Планирование маршрутов облета сельскохозяйственных полей для гетерогенной группы беспилотных летательных аппаратов // Вестник АГА. – 2025. – № 2(37). – С. 79-89. Ссылка на статью.
Статья посвящена разработке алгоритмов планирования маршрутов для обследования сельскохозяйственных угодий с использованием разнородной группы беспилотных летательных аппаратов (БПЛА). Авторы рассматривают задачу оптимизации покрытия территории с учётом наличия препятствий, ограниченных ресурсов и различий в характеристиках дронов.
Проблематика: традиционные методы облета (например, равномерная сетка или обход по периметру) не учитывают неоднородность техники и сложность рельефа, что снижает эффективность. Научная новизна: предложен двухэтапный алгоритм, включающий: параметризированное разбиение полигона — разделение поля на сегменты с учётом препятствий. Генетический алгоритм — оптимизация параметров маршрутов (углы облета, точки входа, последовательность запуска дронов).
Особенность: использование мобильной наземной платформы для взлёта и посадки дронов, что сокращает лишние перелёты и повышает эффективность.
Результаты: эксперименты показали снижение затрат на покрытие территории на 10–30% по сравнению с классическими методами. Алгоритм обеспечивает более локализованное распределение задач между дронами разных типов. Визуализация маршрутов подтвердила сокращение времени облета и повышение точности покрытия. Практическая апробация ограничена моделированием, требуются полевые испытания.
Перспективы: интеграция трёхмерных моделей рельефа и погодных данных. Автоматизация распределения ресурсов между дронами с разными характеристиками.
Применение в других сферах: экологический мониторинг, спасательные операции, инфраструктурные обследования.
В целом статья демонстрирует, что сочетание параметризированного разбиения полигона и генетического алгоритма позволяет значительно повысить эффективность группового применения дронов в условиях сложной геометрии и ограниченных ресурсов.
Использование беспилотных летательных систем для решения задач мониторинга: Монография. – Алматы, 2024. – 176 с. Ссылка на монографию.
Беспилотные летательные системы являются многообещающим направлением развития робототехники, систем навигации, сенсорных комплексов, программного обеспечения, искусственного интеллекта и т.п. Уникальные возможности подобных систем, простирающиеся от мониторинга с помощью малогабаритных систем, до доставки грузов, организации связи и обработки сельскохозяйственных полей привлекают широкий круг исследователей и специалистов из самых различных областей. Настоящая монография посвящена обзору возможностей беспилотных летательных систем в сочетании с системами обработки данных для решения задач мониторинга в различных областях хозяйства. Рассматриваются популярные области применения: точное земледелие, мониторинг опасных геофизических процессов, мониторинг загрязнения окружающей среды, разведка полезных ископаемых, мониторинг диких животных, мониторинг технических и инженерных сооружений, мониторинг дорожного движения. Дается оценка экономического эффекта применения беспилотных летательных систем в этих областях, описываются ограничения существующего уровня развития технологии и направления возможных исследований. В качестве решения одной из важных задач приводится вариант решения задачи планирования полетов группы беспилотных летательных аппаратов для покрытия поля, которая очень часто возникает в процессе мониторинга. В качестве интересного случая применения БЛА приводится решение задачи оценки засоленности сельскохозяйственных полей, которая весьма актуальна для южных областей Казахстана. Монография будет полезна специалистам и ученым, интересующимся возможностями применения и ограничениями беспилотных летательных систем, а также возможными направлениями исследований в этой быстроразвивающейся сфере экономики.

2024
Оксененко А., Еримбетова А., Куанаев, А., Мухамедиев Р., Кучин Я. Технические средства дистанционного мониторинга с помощью беспилотных летательных платформ // Доклады НАН РК. Физико-математическая серия. – 2024. – № 3. – С. 152-173. Ссылка на статью.
https://doi.org/10.32014/2024.2518-1726.298
Статья представляет собой систематизированный обзор современных технологий применения беспилотных летательных аппаратов (БПЛА) для экологического и промышленного мониторинга. Авторы анализируют возможности дронов, оснащённых различными сенсорными системами, и оценивают их эффективность в сравнении с традиционными стационарными станциями.
Проблематика: классические станции мониторинга воздуха и окружающей среды громоздки, неподвижны и ограничены в функциональности. Решение: использование дронов, оснащённых мультиспектральными и гиперспектральными камерами, газоанализаторами и другими датчиками, позволяет получать детализированные данные без присутствия человека.
Применение: сельское хозяйство (оценка состояния посевов), здравоохранение (контроль качества воздуха), экология (мониторинг загрязнений и чрезвычайных ситуаций).
Результаты обзора: дроны обеспечивают высокую точность и оперативность сбора данных. Большинство исследований используют недорогие сенсоры, адаптированные под полезную нагрузку конкретных моделей БПЛА. Классификация проведена по типам дронов, датчиков и весу полезной нагрузки, что критично для стабильности полёта. Подчёркивается значимость дронов как инструмента для повышения качества управленческих решений в сфере экологии и природопользования.
Перспективы: разработка новых сенсорных технологий и интеграция с системами искусственного интеллекта. Создание баз данных для экологического мониторинга и протоколов их применения. Использование дронов для устойчивого управления природными и городскими ресурсами.В целом статья подчёркивает, что беспилотные платформы становятся ключевым элементом современной системы дистанционного мониторинга, обеспечивая мобильность, точность и масштабируемость решений.
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. – №. 9. – P. 2103. Ссылка на статью.
Статья посвящена разработке метода оценки долгосрочной засоленности почв в аридных регионах с использованием спутниковых данных и алгоритмов машинного обучения. Авторы предлагают инновационный подход, основанный на построении псевдоцветных композитных карт, которые объединяют спектральные индексы растительности и засоленности, что позволяет выявлять устойчивые закономерности и минимизировать влияние сезонных колебаний.
Проблематика: вторичная засоленность орошаемых земель — один из ключевых факторов деградации сельскохозяйственных угодий; по прогнозам, к 2050 году она может затронуть более половины мировых пахотных земель.
Методология: формирование псевдоцветных композитов на основе NDVImax, NDVImean и VSSImax; классификация засоленности в пять классов; обучение моделей (XGBoost, CNN и др.) на многолетних данных; верификация результатов по лабораторным и экспертным данным.
Научная новизна: впервые предложено использовать многолетние усреднённые значения спектральных индексов для построения карт засоленности высокой пространственной детализации.
Результаты: Точность классификации составила 72–78%, уровень ошибок — 22–28%. Наилучшие результаты показали XGBoost и сверточные нейронные сети. Метод подтвердил устойчивость долгосрочных закономерностей засоленности в регионе Мактаарал (Южный Казахстан).
Перспективы: Интеграция данных радара и мультиспектральных сенсоров. Расширение географии применения метода на другие аридные зоны. Повышение пространственной точности карт засоленности.
В целом работа демонстрирует, что сочетание многолетних спутниковых наблюдений и машинного обучения может стать устойчивым инструментом для мониторинга деградации земель и поддержки решений в сфере «умного земледелия».
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. – №. 17. – P. 7779. Ссылка на статью.
(JCR — Q1 (Engineering, Multidisciplinary) / CiteScore — Q1 (General Engineering), 79%, IF: 2.5)
Статья посвящена применению методов машинного обучения для интерпретации данных геофизических исследований скважин (well logging) на урановых месторождениях Казахстана. Авторы рассматривают задачи идентификации зон окисления коллекторов (Reservoir Oxidation Zones, ROZ) и литологической классификации (LC), которые критически важны для точного определения запасов и оптимизации технологии скважинного выщелачивания (in situ leaching, ISL).
Проблематика: традиционные методы интерпретации электрических каротажных кривых (AR, SP) часто искажаются и требуют ручных корректировок, что снижает точность и увеличивает затраты.
Научная новизна: впервые создан специализированный датасет Uranium Well Log (UWL), включающий данные 96 скважин, с применением метода «плавающего окна» (floating data window), имитирующего экспертную интерпретацию формы кривых.
Методология: использование AR, SP и GR данных с шагом 10 см; формирование обучающих и тестовых выборок с разным размером окна; применение ансамблей алгоритмов (LightGBM, XGBoost, Random Forest и др.); оценка качества по метрикам f1_score_macro и accuracy.
Результаты: Увеличение размера «плавающего окна» улучшило качество классификации ROZ на 7–9%, а LC — на 6–12%. Лучшие показатели: ROZ: f1_score_macro = 0.744 (LightGBM); LC: accuracy = 0.694 (XGBoost). Полученные результаты сопоставимы с экспертными оценками и превосходят ранее опубликованные данные.
Перспективы: расширение датасета и проведение экспериментов с глубоким обучением. Оптимизация входных параметров и гиперпараметров моделей. Использование методов transfer learning и сравнительный анализ данных разных месторождений. Применение технологий машинного обучения для повышения точности расчёта коэффициента фильтрации и оценки извлекаемых запасов.
В целом работа демонстрирует, что машинное обучение способно существенно повысить точность интерпретации каротажных данных урановых месторождений, снизить зависимость от субъективных экспертных оценок и улучшить экономические показатели добычи.
Mukhamediev RI. State-of-the-Art Results with the Fashion-MNIST Dataset //Mathematics. – 2024. – Т. 12. – №. 20. – С. 3174. (JCR — Q1
(Engineering, Multidisciplinary) / CiteScore — Q1 (General Mathematics), 90%). https://doi.org/10.3390/math12203174). Cсылка на статью.
Статья посвящена анализу и улучшению результатов классификации изображений из набора данных Fashion-MNIST, который был предложен в 2017 году как более сложная альтернатива классическому MNIST (рукописные цифры). Fashion-MNIST содержит 70 000 изображений одежды (10 классов), и используется как эталонный набор для тестирования архитектур машинного обучения и компьютерного зрения.
Проблематика: MNIST перестал быть вызовом для современных моделей, поэтому Fashion-MNIST стал новым стандартом для проверки качества классификаторов. Цель исследования: достичь лучших на данный момент результатов классификации изображений одежды и оценить зависимость качества от числа параметров модели.
Методология: использование классических алгоритмов (MLP, Random Forest, XGBoost, LightGBM и др.); разработка относительно простой сверточной сети CNN-3-128 с тремя слоями свертки, dropout и softmax на выходе; применение Image Data Generator для аугментации изображений (вращение, сдвиги, масштабирование).
Результаты: Классические модели показали улучшенные результаты по сравнению с литературными данными, но уступили CNN. CNN-3-128 без аугментации достигла точности 99.44%, а с аугментацией — 99.65%, что превысило предыдущий рекорд (99.1%). Ошибки классификации в основном связаны с похожими классами обуви (ботинки, кроссовки, сандалии). Показано, что более сложные архитектуры быстрее достигают высокой точности, но простые модели при достаточном числе эпох также могут приблизиться к верхней границе качества.
Перспективы: Применение архитектуры CNN-3-128 к другим задачам классификации изображений и даже к одномерным данным (например, каротаж скважин). Исследование возможностей трансформеров (ViT) для небольших наборов данных, хотя первые эксперименты показали низкую точность (0.88). Оптимизация архитектур для ограниченных вычислительных ресурсов (встроенные устройства, дроны, IoT).
В целом статья демонстрирует, что даже относительно простая CNN при правильной настройке аугментации способна достичь человеческого уровня распознавания на Fashion-MNIST, а дальнейшие улучшения будут крайне затруднительны.
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. Ссылка на статью.
Статья описывает проект по созданию программного инструмента для автоматизированного сбора и анализа данных о качестве воздуха в городах Казахстана, прежде всего в Алматы, с использованием портала airkaz.org. Работа сочетает экологический мониторинг, методы обработки больших данных и прикладные аспекты искусственного интеллекта.
Проблематика: Алматы расположен в межгорной котловине, что способствует застою воздуха, накоплению загрязняющих веществ и образованию смога. Высокие концентрации пыли, углекислого газа и пыльцы негативно влияют на здоровье населения (аллергии, респираторные заболевания).
Цель исследования: разработка парсера, который обеспечивает непрерывный сбор данных о загрязнении воздуха и формирование структурированных датасетов для анализа и прогнозирования.
Научная новизна: автоматизация сбора информации с портала airkaz.org; Формирование временных рядов с учётом текущих и предыдущих значений параметров; подготовка данных для применения методов машинного обучения и прогнозирования качества воздуха.
Методология: Использование языка Python и библиотек (requests, BeautifulSoup, pandas, json, datetime).
Алгоритм работы парсера: Получение HTML-кода страницы airkaz.org. Извлечение данных из JavaScript-объекта. Преобразование в формат JSON и DataFrame. Сохранение и объединение данных в CSV, удаление дубликатов.
Предобработка: фильтрация по городу (например, Алматы); преобразование дат и времени; интерполяция пропусков (линейная для числовых данных, ffill/bfill для категориальных). Формирование конечных Excel-датасетов с текущими и предыдущими значениями (за 1–3 часа до измерения).
Результаты: Получены структурированные данные по концентрациям PM2.5, PM10, индексу качества воздуха (AQI), температуре, влажности и давлению. Датасеты позволяют: выявлять суточные, месячные и годовые циклы загрязнения; анализировать долгосрочные тенденции; исследовать зависимость загрязнения от метеорологических факторов; строить модели прогнозирования AQI и концентраций частиц. Программа обеспечивает обновление данных каждый час и охватывает не только Алматы, но и другие города Казахстана (Астана, Караганда, Шымкент и др.).
Перспективы: Использование методов машинного обучения для прогнозирования AQI. Интеграция данных с системами «умного города» и экологического мониторинга. Применение результатов для разработки мер по улучшению качества воздуха и здоровья населения. Возможность использования данных в военных и агротехнических целях (например, планирование операций или мониторинг сельхозкультур).
В целом статья демонстрирует комплексный подход к экологическому мониторингу городской атмосферы: от автоматизированного сбора данных до их аналитической обработки и прогнозирования. Работа создаёт основу для практических решений по улучшению качества жизни в Алматы и других городах Казахстана.
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”. Ссылка на свидетельство.
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». Ссылка на свидетельство.
Свидетельство о внесении в государственный реестр прав на объекты, охраняемые авторским правом № 51150 от «06» ноября 2024 года. Құсайын Диас Русланұлы, Мухамедиев Равиль Ильгизович, Сымагулов Адилхан, Кучин Ян Игоревич, Еримбетова Айгерим Сембековна «Скрипт PlanMaker для автоматизированного создания полётных миссий для беспилотных летательных аппаратов (БПЛА) с совместимостью под программу QgroundControl». Ссылка на свидетельство.