Od trzech osobnych „zabawek” do jednego systemu zarządzania
Rolnik ma w telefonie aplikację do podglądu zdjęć satelitarnych, w szopie leży dron z własnym oprogramowaniem, a kombajn z GPS-em zapisuje mapy plonu na pendrive. Każde narzędzie samo w sobie działa, ale razem tworzą chaos: inne nazwy pól, inne kolory map, brak prostego sposobu, by przełożyć te informacje na konkretne zadania dla maszyn.
W praktyce pojawiają się te same frustracje: trzeba logować się do trzech różnych systemów, porównywać mapy „na oko”, ręcznie przepisywać dawki i polegać na pamięci operatora. Kiedy przychodzi moment decyzji – ile azotu na daną część pola, gdzie skrócić dawkę herbicydu, które strefy zbierać osobno – brakuje jednego, spójnego obrazu. Zamiast wsparcia w zarządzaniu, technologie zaczynają zabierać czas.
„Jeden system zarządzania” oznacza coś bardzo konkretnego: wszystkie dane z drona, satelity i maszyn są widoczne na tej samej mapie gospodarstwa, w jednym miejscu, z zachowaną historią zabiegów. Z tej samej platformy można wygenerować mapę zmiennego dawkowania i wysłać ją bezpośrednio na terminal w rozsiewaczu, opryskiwaczu czy siewniku, a po wykonaniu zabiegu wraca raport i zamyka się pełny obieg informacji.
Najczęściej pojawiające się pytania brzmią: czy mój sprzęt można podłączyć, ile to wymaga pracy, kto ma się tym zajmować i czy wydatek się zwróci. Klucz leży w zrozumieniu „drogi danych”: od momentu zrobienia zdjęcia dronem lub satelitą, przez przetworzenie go na mapę roboczą, aż po plik zadania wgrany na maszynę i powrotną mapę wykonanego zabiegu lub plonu. Im mniej ręcznych kroków na tej drodze, tym większa szansa, że system będzie realnie używany, a nie tylko „ładnie wyglądał” na prezentacji.
Integracja danych z drona, satelity i maszyn w jednym systemie nie jest czarną magią, ale wymaga świadomych decyzji: wyboru platformy, uporządkowania nazewnictwa pól, sprawdzenia formatów plików i przygotowania prostych procedur w gospodarstwie. Zanim pojawi się realna oszczędność nawozu czy czasu pracy, trzeba zbudować stabilny „szkielet informacyjny”, na którym da się oprzeć rolnictwo precyzyjne.
Jakie dane dają drony, satelity i maszyny – i czym się od siebie różnią
Dane z drona – kiedy przydaje się wysoka rozdzielczość
Dron w rolnictwie generuje przede wszystkim bardzo szczegółowe dane przestrzenne. Najczęściej są to:
zdjęcia RGB (widzialne) – do tworzenia ortofotomap i oceny wizualnej plantacji,
proste indeksy wegetacji (np. NDVI, NDRE) – gdy dron ma odpowiedni sensor lub filtr,
modele wysokościowe roślin (tzw. canopy height model) – przydatne np. przy kukurydzy,
czasem zdjęcia termiczne – choć rzadziej stosowane w typowym gospodarstwie.
Największa przewaga drona to rozdzielczość: można zejść do kilku centymetrów na piksel. To pozwala zlokalizować pojedyncze place z ubytkami, ścieżki przejazdu, koła maszyn czy szkody po zwierzynie. Termin nalotu jest elastyczny – można go wykonać dokładnie wtedy, gdy rolnik widzi problem lub planuje decyzję.
Z punktu widzenia integracji ważne są też ograniczenia. Dron obejmuje stosunkowo mały obszar w jednym locie, wymaga operatora z uprawnieniami i sprzyjających warunków pogodowych. Dane z drona są ciężkie (duże pliki), więc bez przetworzenia i kompresji trudno je wygodnie przerzucać między urządzeniami, a tym bardziej wgrywać bezpośrednio na terminal maszyny.
W dobrze zorganizowanym systemie dane z drona służą głównie do:
kalibracji i uszczegółowienia stref wyznaczonych na podstawie satelity,
documentowania szkód, problemów z wschodami, presją chwastów.
Bez integracji z szerszym systemem dron zostaje narzędziem „do oglądania zdjęć”. Po podłączeniu do platformy zarządzania danymi staje się źródłem precyzyjnych informacji, które można połączyć z innymi warstwami (np. mapą plonu z kombajnu czy strefami satelitarnymi) i przełożyć na konkretne decyzje nawozowe czy ochronne.
Dane z satelity – szeroki obraz i regularne aktualizacje
Obrazy satelitarne dostarczają szerszego, regularnego obrazu kondycji upraw. Typowe dane wykorzystywane w rolnictwie precyzyjnym to:
indeksy wegetacji (NDVI, NDRE i inne) – pokazujące zróżnicowanie biomasy i kondycji roślin,
mapy wilgotności powierzchniowej,
czasem dane termiczne – informacja o stresie wodnym czy temperaturowym.
Rozdzielczość przestrzenna jest niższa niż w przypadku drona (często 10–30 m na piksel), ale satelita obejmuje całe gospodarstwo i okolice za jednym razem i powtarza przeloty w stałych odstępach czasu. Dzięki temu można tworzyć serię map w trakcie sezonu i śledzić, jak zmienia się kondycja roślin w tych samych strefach.
Największym ograniczeniem jest zachmurzenie i rozdzielczość. Przy gęstych chmurach dane optyczne są bezużyteczne, a w małych, bardzo zróżnicowanych działkach jeden piksel może obejmować fragmenty o różnej uprawie lub glebie. Z tego powodu mapy zmiennego dawkowania tworzone wyłącznie na podstawie surowych danych satelitarnych czasami są zbyt „grube”, szczególnie dla małych, nieregularnych pól.
W zintegrowanym systemie dane satelitarne pełnią rolę tła referencyjnego:
pozwalają wyznaczać strefy zarządzania (miejsca trwałego zróżnicowania plonu, biomasy),
dają kontekst dla danych z drona (czy problem jest lokalny, czy powtarzalny w skali pola),
pozwalają monitorować sezon i planować lustracje oraz naloty dronem.
Bez systemu zarządzania gospodarstwem mapy satelitarne często funkcjonują w „osobnej aplikacji”, w której da się obejrzeć sytuację na polu, ale trudno połączyć ją z dawkami z poprzedniego roku czy mapą plonu. Integracja sprawia, że satelita staje się głównym nośnikiem informacji o zróżnicowaniu pola w czasie, który można zestawiać z pracą maszyn.
Dane z maszyn – ślady pracy, dawki, plon
Nowoczesne maszyny rolnicze generują ciągły strumień danych operacyjnych. Z punktu widzenia integracji najważniejsze są:
ślad GPS pracy maszyny (tor przejazdu, prędkość, szerokość robocza),
zastosowane dawki nawozu, środka ochrony, nasion,
mapy plonu z kombajnu (wydajność, wilgotność),
czas pracy, przestoje, parametry maszyny (obroty, przepływ materiału).
Maszyny wyposażone w ISOBUS i sterowanie sekcjami lub zmienną dawką mogą nie tylko rejestrować wykonywane dawki, ale też przyjmować mapy aplikacyjne wygenerowane w systemie FMIS. Prostszym rozwiązaniem są terminale z GPS, które zapisują ślad przejazdu i ewentualnie średnią dawkę dla całego pola, bez różnicowania.
Mapy plonu są kluczowym elementem integracji. Pozwalają zweryfikować, czy strefy zdefiniowane na podstawie drona i satelity przekładają się na trwałe różnice w wynikach i czy zmienne dawkowanie nawozów faktycznie przynosi efekt. Bez mapy plonu rolnik opiera się na subiektywnej ocenie i pamięci, co w większych gospodarstwach szybko prowadzi do rozjazdu między planem a rzeczywistością.
Dane z maszyn przechowywane są na różne sposoby: na pendrive’ach, kartach pamięci, w aplikacjach producentów lub wysyłane bezprzewodowo do chmury. To ma bezpośrednie konsekwencje dla integracji – jeśli dane utkną w zamkniętej aplikacji jednej marki, trudniej będzie je połączyć z mapami z drona i satelity. Dlatego wybór sprzętu i platformy warto planować razem, a nie osobno.
Co w praktyce oznacza „jeden system zarządzania gospodarstwem”
Typy systemów: FMIS, platformy producentów, rozwiązania mieszane
Pod pojęciem „jeden system” kryją się różne rozwiązania techniczne. Z grubsza można wyróżnić trzy podejścia:
1. Niezależne systemy FMIS / platformy rolnictwa precyzyjnego
To systemy projektowane tak, aby współpracować z wieloma markami maszyn i różnymi źródłami danych. Zazwyczaj oferują:
import danych z dronów (pliki GeoTIFF, SHP, inne mapy rastrowe),
połączenie z dostawcami danych satelitarnych,
import i eksport plików map aplikacyjnych w standardach używanych przez kilku producentów maszyn.
Ich zaletą jest większa otwartość i możliwość „sklejenia” parku maszyn z różnych marek. Wadą – konieczność samodzielnego skonfigurowania wielu elementów oraz opłaty abonamentowe niezależne od producentów sprzętu.
2. Platformy producentów maszyn
Więksi producenci maszyn oferują własne ekosystemy: terminal w ciągniku, aplikacja w chmurze, czasem podstawowe mapy satelitarne. Integracja z maszynami jest tu zazwyczaj bardzo wygodna – pliki zadań „same się pojawiają” w terminalu, a raporty wracają do chmury bez udziału pendrive.
Minusem jest ryzyko zamknięcia: jeśli gospodarstwo ma park maszyn od kilku producentów, część z nich może nie współpracować z daną platformą albo będzie wymagała pracochłonnych konwersji plików. Integracja danych z dronów i z niezależnych źródeł satelitarnych też bywa ograniczona lub wymaga dodatkowych obejść.
3. Rozwiązania „autorskie” (np. QGIS + arkusz kalkulacyjny)
Część doradców i gospodarstw buduje własne systemy oparte na narzędziach GIS (jak QGIS) i prostych bazach danych. Daje to ogromną elastyczność i możliwość w pełni dopasowanego rozwiązania, ale wymaga dobrych kompetencji informatycznych i geomatycznych. Eksport zadań na maszyny odbywa się zwykle przez ręczne dostosowywanie formatów i nie zawsze jest w pełni zautomatyzowany.
Takie rozwiązanie sprawdza się u osób, które lubią i potrafią pracować z danymi. Dla wielu gospodarstw wygodniejsze będzie gotowe FMIS lub platforma producenta, jeśli zapewni ona otwartość na dane z drona i satelity.
Kluczowe moduły dobrze działającego systemu
Niezależnie od technologii, skuteczny system integracji danych z drona, satelity i maszyn powinien mieć kilka wspólnych elementów.
Rejestr pól i działek z geometrią
To fundament. System musi mieć dokładne granice pól (geometrię), nie tylko listę nazw. Dzięki temu wszystkie dane – obrazy z drona, mapy satelitarne, ślady przejazdów i mapy plonu – można automatycznie przypisać do odpowiednich pól i sezonów. Brak spójnej geometrii kończy się ręcznym dopasowywaniem map, co szybko zniechęca do korzystania z systemu.
Moduł mapowy z warstwami
Użytkownik powinien móc na jednym ekranie:
wybrać pole lub grupę pól,
nałożyć na mapę dane z satelity z konkretnej daty,
dodać warstwę z nalotu dronem,
włączyć strefy zarządzania i przejazdy maszyn z danego roku.
Bez możliwości nakładania warstw integracja pozostaje „na papierze”. System, który pokazuje tylko jedną mapę naraz, utrudnia realne porównanie danych z różnych źródeł.
Historia zabiegów i logika sezonów
Każde pole powinno mieć przypisane: uprawę, odmianę, daty i parametry wysiewu, nawożenia, ochrony oraz zbioru. Tylko wtedy da się później zrozumieć, dlaczego mapa plonu wygląda tak, a nie inaczej, i jak leptko zmienić dawki w następnym sezonie. System bez historii szybko zmienia się w zrzut „ładnych obrazków” bez wartości decyzyjnej.
Generator map aplikacyjnych
Kluczowa funkcja w kontekście integracji. System powinien umieć:
na podstawie warstwy (np. indeksu wegetacji z satelity lub stref z drona) utworzyć klasy stref,
przypisać im dawki (np. wyższa dawka w strefach o niskiej biomasie, niższa w strefach mocnych),
wygenerować mapę zmiennego dawkowania z parametrami wymaganymi przez daną maszynę.
Eksport i import zadań na maszyny
Bez tego integracja zatrzyma się przed ostatnim krokiem. System musi obsługiwać typowe formaty plików ISOBUS oraz rozwiązania producentów, np. eksport przez pendrive, kartę pamięci lub wysyłkę przez chmurę. Równie istotny jest import raportów z maszyn: rzeczywiste dawki, ślady przejazdów, mapy plonu.
Dopiero po zamknięciu tej pętli dane z maszyn przestają być osobnym raportem „dla księgowości”, a zaczynają realnie korygować decyzje agronomiczne na kolejne sezony.
Mechanizmy kontroli jakości danych
Nawet najlepszy system nie poradzi sobie z danymi złej jakości. Przydają się więc proste zabezpieczenia: informacja o brakujących mapach (np. brak plonu dla części pola), ostrzeżenia przy nielogicznych dawkach (np. nawożenie na nieobsianej części) czy możliwość ręcznego oznaczenia fragmentu pola jako „do wykluczenia z analizy” z powodu zalania lub szkód łowieckich. Bez tego mapy będą ładne, ale wnioski – mylące.
Dobrze, gdy system potrafi automatycznie wykryć typowe błędy, takie jak przesunięte ślady GPS, nałożone przejazdy czy niekompletne mapy plonu, i jasno je zakomunikować. Prosty panel z kilkoma wskaźnikami jakości danych często oszczędza więcej nerwów niż kolejne „zaawansowane” algorytmy analizy.
Współpraca z doradcą i prosty podgląd dla załogi
W praktyce zintegrowany system rzadko obsługuje tylko jedna osoba. Inne potrzeby ma właściciel gospodarstwa, inne operator kombajnu, a jeszcze inne doradca nawozowy. Pomaga podział na role i widoki: prosty interfejs do podglądu zadań dla operatora, bardziej rozbudowany moduł analityczny dla doradcy, a dla właściciela – szybki przegląd sezonu i wyników.
Część gospodarstw decyduje się udostępnić doradcy dostęp tylko do wybranych pól lub sezonów, tak aby mógł sam sprawdzić mapy plonu, naloty dronem czy historię zabiegów. Zdejmuje to z rolnika konieczność ciągłego wysyłania plików mailem i zmniejsza ryzyko pomyłek w interpretacji.
Droga danych krok po kroku: od zdjęć do zadania na terminal
Cały opis integracji brzmi skomplikowanie, ale w codziennym działaniu sprowadza się do powtarzalnego łańcucha: dane z drona lub satelity trafiają do systemu, tam zamieniają się w strefy i mapę dawki, a później lądują na terminalu maszyny i wracają jako raport. Im bardziej ten łańcuch jest prosty i przewidywalny, tym szybciej znikają obawy, że „to wszystko jest ponad moje siły”.
Przykładowy łańcuch pracy z danymi z satelity
Dla uporządkowania tematu dobrze jest przejść raz na spokojnie całą drogę danych – na przykładzie prostego scenariusza nawożenia azotem na pszenicy z wykorzystaniem map satelitarnych.
Krok 1: wybór źródła i terminu zdjęć
Na początku pojawia się decyzja: z jakiego serwisu satelitarnego korzystać i które daty są wiarygodne. System FMIS lub platforma producenta zwykle podpowiada dostępne sceny (np. co 3–5 dni). Trzeba:
odrzucić obrazy z dużym zachmurzeniem lub mgłą,
wybrać datę odpowiadającą fazie rozwojowej, w której chcemy korygować dawki (np. początek strzelania w źdźbło),
upewnić się, że wszystkie interesujące pola są pokryte tą samą sceną.
Krok 2: przeliczenie indeksu i wstępna filtracja
Platforma tworzy mapę indeksu wegetacji (np. NDVI, NDRE) dla całego pola. W tym miejscu liczy się możliwość szybkiego „odszumienia” danych: wycięcia miedz, dróg dojazdowych, miejsc z trwałymi przeszkodami. Część systemów pozwala raz zdefiniować maskę stałych elementów i stosować ją we wszystkich sezonach.
Krok 3: podział na strefy zarządzania
Z ciągłej mapy indeksu trzeba zrobić kilka praktycznych klas. W typowym podejściu rolnik lub doradca wybiera liczbę stref (np. 3–5), a system:
grupuje piksele o podobnej wartości indeksu,
uspokaja drobne „plamki”, aby nie powstawały pojedyncze izolowane oczka na środku pola,
zapewnia minimalną powierzchnię strefy, która ma sens dla danej maszyny (np. sekcje siewnika lub belki opryskiwacza).
Krok 4: przypisanie dawek do stref
Tu kończy się automatyka, a zaczyna decyzja agronomiczna. Na podstawie ogólnej dawki planowanej dla pola (np. z bilansu azotu) ustala się:
• minimalną i maksymalną dawkę,
• kierunek korekty (np. w słabych strefach +10%, w najmocniejszych −10%),
• ograniczenia techniczne maszyny (skok regulacji, minimalna zmiana dawki, czas reakcji zaworów).
Większość systemów od razu pokazuje podgląd wynikowej mapy, aby można było wychwycić nielogiczne przejścia, np. gwałtowne skoki dawek na krótkich odcinkach.
Krok 5: generowanie i eksport pliku zadania
Po zatwierdzeniu mapy dawki system tworzy plik w formacie zgodnym z terminalem (np. ISOXML, Shape w konkretnym wariancie, format producenta). Na tym etapie liczą się detale: poprawna nazwa pola i zadania, przypisany produkt (nawóz), jednostki oraz wersja mapy.
Eksport odbywa się:
przez pendrive/kartę pamięci – plik kopiowany ręcznie do terminala,
lub przez chmurę – zadanie pojawia się na liście zadań po stronie terminala po zalogowaniu i wyborze operatora.
Krok 6: realizacja i powrót raportu z pola
Operator wybiera zadanie na terminalu, jedzie według ścieżek i realizuje mapę. W tle system zapisuje:
rzeczywiste przejazdy,
rzeczywiste dawki (z uwzględnieniem prędkości, rozbieżności na uwrociach itp.),
czas i warunki pracy, jeśli terminal ma takie dane.
Po zakończeniu zabiegu raport wraca do systemu tą samą drogą: przez chmurę lub nośnik danych. W dobrze skonfigurowanym rozwiązaniu użytkownik może nałożyć na siebie planowaną i zrealizowaną mapę w ciągu kilku minut.
Łańcuch danych z drona – kiedy opłaca się go uruchamiać
Dane z drona dodają więcej szczegółów, ale wymagają więcej pracy organizacyjnej. Dobrze sprawdzają się w sytuacjach, gdzie decyzje są punktowe lub pole wymaga interwencji na małej powierzchni.
Planowanie nalotu i powtarzalność
Najbezpieczniej jest oprzeć się na stałych procedurach: z jakiej wysokości lata dron, przy jakiej pogodzie wykonujemy zdjęcia, jak są ustawione zakładki między przelotami. To, czy pole sfotografuje właściciel, pracownik czy firma zewnętrzna, ma mniejsze znaczenie niż powtarzalność tych parametrów. Jeśli co sezon zmieniają się ustawienia i terminy nalotów, porównywanie map jest trudne.
Obróbka i georeferencja
Zdjęcia surowe (JPEG, RAW) muszą zostać przeliczone w oprogramowaniu fotogrametrycznym do postaci ortomozaiki (zwykle GeoTIFF) i – jeśli to potrzebne – mapy wskaźników wegetacji. Tu ujawnia się najczęstsze wąskie gardło: różne programy generują pliki o różnych nazwach warstw, różnych układach współrzędnych i ogromnej wielkości.
Aby takie dane łatwo zaimportować do FMIS, przydaje się prosty schemat:
zawsze ten sam układ współrzędnych (np. WGS84 lub PL-1992, zależnie od wymagań systemu),
standardowe nazwy plików: rok_pole_typmapy.tif (np. 2026_PszenicaPole3_NDVI.tif),
zapisywanie docelowego pliku w rozdzielczości wystarczającej do decyzji (często z 2–3 cm można spokojnie zejść do 10–20 cm, co zmniejsza rozmiar pliku).
Wykorzystanie drona w praktyce
Typowy scenariusz to:
identyfikacja miejsc z ubytkami obsady, uszkodzeniami po przymrozkach lub szkodnikach,
ocena skuteczności zabiegu (np. odchwaszczania) na próbnych pasach,
wytyczanie stref do miejscowych korekt – np. punktowego dosiewu, podsiewu międzyplonów czy miejscowego dokarmiania.
Z drona rzadko przygotowuje się mapy zmiennego nawożenia dla całego gospodarstwa co kilka dni. Bardziej sensowne jest wykorzystanie go do kilku kluczowych decyzji w sezonie, gdy satelita „nie dowozi” rozdzielczością albo przykrywa go warstwa chmur.
Organizacja pracy i przepływ danych w gospodarstwie
Kto za co odpowiada przy integracji danych
W jednym gospodarstwie różne osoby mają różne kompetencje. Integracja danych będzie działać tylko wtedy, gdy role są rozsądnie podzielone i nikt nie próbuje robić wszystkiego sam w wolnej chwili między zabiegami.
Prosty, działający podział wygląda często tak:
Właściciel/kierownik – decyduje, które pola i uprawy obejmuje się pracą na mapach, na co są przeznaczone zmienne dawki, jakie są limity nawozów i środków.
Osoba „od danych” (może to być doradca, młodszy członek rodziny, pracownik biurowy) – zajmuje się importem map z satelity i drona, generowaniem stref, przygotowaniem plików zadań, nazwaniem ich i przypisaniem do maszyn.
Operatorzy maszyn – korzystają z gotowych zadań na terminalach, zgłaszają uwagi z pola (np. miejsca nieprzejezdne, problemy z GPS), informują, gdy raportów brakuje lub coś się nie zapisało.
Doradca zewnętrzny – jeśli jest, to pomaga interpretować mapy i ustalać zasady przydzielania dawek w strefach, ale niekoniecznie musi klikać w systemie przy każdym zadaniu.
Nie trzeba od razu tworzyć „stanowiska ds. danych”, ale przy gospodarstwie powyżej kilkuset hektarów dobrze jest mieć choć jedną osobę, która przeznacza na to stałą część tygodnia, nawet jeśli nie jest to pełen etat.
Prosta procedura obiegu plików
Najwięcej frustracji rodzi się nie z powodu skomplikowanych algorytmów, ale przez zagubione pendrive’y i niejasne nazwy plików. Pomaga wdrożenie bardzo prostej procedury, którą wszyscy znają i stosują.
Przykładowy schemat:
Jedno miejsce na dane surowe – np. jeden folder na komputerze lub w chmurze na wszystkie raporty z maszyn, z podfolderami według sezonów.
Ustalony sposób nazewnictwa – np. rok_uprawa_pole_rodzaj (2026_PszenicaPole3_AZOT2_plan, 2026_PszenicaPole3_AZOT2_raport).
Jeden „oficjalny” nośnik dla każdego terminala – opisany fizycznie (np. „Nawóz – JD”, „Oprysk – ISOBUS”), przechowywany w konkretnym miejscu.
Krótka karta zadań przy drzwiach wyjściowych – lista pól i zabiegów, które mają zadania na ten dzień, z zaznaczeniem, który pendrive wziąć.
Stała pora zgrywania raportów – np. raz w tygodniu lub po zakończonym większym bloku zabiegów.
Taka prosta „biurokracja” często oszczędza wiele godzin nerwowego szukania, który pendrive zawiera właściwą mapę, i dlaczego terminal nie widzi zadania.
Najczęstsze pułapki przy łączeniu danych z trzech źródeł
Rozjazdy GPS i błędne granice pól
Jednym z bardziej podstępnych problemów są minimalne różnice w lokalizacji GPS między maszynami, dronem i satelitą. Czasem wynikają z różnych korekt sygnału (Egnos, RTK, brak poprawek), czasem z niedokładnie wprowadzonych granic pól.
Skutki są widoczne od razu:
ślad przejazdu kombajnu „wchodzi” w sąsiednie pole,
strefy zarządzania przesuwają się względem faktycznych kolein,
mapa plonu nie pokrywa się z mapą gleby czy satelitarną.
Rozwiązaniem jest jednorazowe „posprzątanie” geometrii pól: sprawdzenie na jednej, wiarygodnej warstwie (np. ortofotomapie krajowej, dobrej mapie satelitarnej), czy granice zgadzają się z rzeczywistością. Część gospodarstw wykonuje też przejazd referencyjny jedną maszyną po obrzeżu pola i zapisuje go jako punkt odniesienia.
Brak metadanych i niejasne nazwy
Plik „mapa_nowa.tif” albo „test2.isoxml” po kilku miesiącach jest praktycznie bezużyteczny. Bez daty, typu uprawy, rodzaju zabiegu i krótkiego opisu trudno stwierdzić, czy mapę można jeszcze wykorzystać.
Najprostsze zabezpieczenie to:
konsekwentny schemat nazewnictwa plików,
krótkie notatki w systemie przy każdej mapie (np. „nalot po przymrozku”, „przed drugim zabiegiem fungicydowym”),
opis sezonu i odmiany w rejestrze pól – tak, aby system sam potrafił powiązać mapy z konkretnym rokiem i uprawą.
W praktyce to właśnie nazewnictwo i opisy decydują o tym, czy za dwa lata ktoś jeszcze odczyta, co było ideą danej mapy zmian dawki, czy uzna ją za „stary plik do kosza”.
Zbyt ambitny start i brak priorytetów
Częstym scenariuszem jest chęć objęcia od razu wszystkich pól, wszystkich upraw, dronem, satelitą i zmiennym dawkowaniem na każdej maszynie. Kończy się to zalewem danych i rezygnacją po pierwszym sezonie.
Bezpieczniejsza droga to:
wybrać 1–2 kluczowe uprawy (np. pszenica, kukurydza),
określić 2–3 pola testowe, na których integracja będzie dopracowywana,
skupić się na jednym typie decyzji – np. zmienne nawożenie azotem – i przećwiczyć całą ścieżkę danych tylko dla tego procesu.
Dopiero gdy łańcuch „od mapy do raportu” działa powtarzalnie i bez większych nerwów, warto rozszerzać skalę. Lepiej mieć trzy pola dobrze obsługiwane niż trzydzieści, na których dane są tylko ładną ilustracją do prezentacji.
Kiedy pełna integracja ma sens, a kiedy wystarczy prostsze podejście
Scenariusz: gospodarstwo średniej wielkości z jednym typem uprawy dominującej
Jeśli większość areału zajmuje jedna uprawa (np. zboża) i park maszynowy jest w miarę jednolity, największy zwrot z inwestycji daje zwykle prosta integracja:
satelita jako główne źródło map wegetacji,
mapy plonu z kombajnu jako weryfikacja,
drone jedynie w miejscach problemowych.
W takim układzie wystarczy jeden system FMIS lub platforma producenta, która obsługuje mapy satelitarne i potrafi wygenerować mapy zmiennego nawożenia lub wysiewu. Resztę danych (np. bardziej zaawansowane analizy z drona) można obrabiać okazjonalnie, nawet poza głównym systemem.
Scenariusz: duże, zróżnicowane gospodarstwo z kilkoma markami maszyn
Tu pełna integracja daje największą przewagę, ale też wymaga więcej wysiłku na starcie. Kluczowe elementy to:
wybór systemu, który naprawdę obsługuje wiele formatów zadań, a nie tylko jedną markę maszyn,
realne „centrum dowodzenia” danymi – jedna platforma lub dobrze spięty zestaw narzędzi, do którego spływają mapy plonu, dane z opryskiwaczy, rozsiewaczy, siewników oraz obrazy z dronów i satelitów,
jasne zasady integracji z platformami producentów (MyJohnDeere, Claas, CNH, Amazone itp.), żeby uniknąć ręcznego przerzucania wszystkiego pendrive’ami,
standaryzacja formatów – przynajmniej podstawowe ogarnięcie ISOXML, shapefile, GeoJSON, żeby nie blokować się na jednym zamkniętym ekosystemie.
W takich gospodarstwach opłaca się też inwestycja w procedury, a nie tylko w sprzęt. Jeden spójny „regulamin danych” (kto wgrywa mapy, kiedy, jak nazywa pliki, jak opisywane są zabiegi) często robi większą różnicę niż kolejny abonament na superdokładne zdjęcia. Dobrym ruchem jest pilotaż – przez jeden sezon pełna integracja na części areału i porównanie wyników z „tradycyjną” częścią gospodarstwa.
Przy kilku markach maszyn dobrze sprawdza się zasada jednego „formatu bazowego”. W praktyce oznacza to, że mapy stref i zadań przygotowuje się zawsze w jednym, neutralnym standardzie, a dopiero na końcu eksportuje do formatów dedykowanych dla konkretnych terminali. Ogranicza to chaos, gdy w parku pojawi się nowa maszyna lub zmieni się terminal – nie trzeba wtedy przerabiać całej historii danych, tylko dołożyć kolejny profil eksportu.
Warto też założyć, że nie wszystkie maszyny muszą od razu „gadać” z systemem. Często rozsądniej jest zacząć od kluczowych punktów: kombajny (plon), główne rozsiewacze i opryskiwacze (zmienne dawki), a dopiero z czasem obejmować kolejne ciągniki czy sprzęt usługodawców. Dzięki temu zespół ma czas oswoić się z nowym sposobem pracy, a błędy wychwytywane są na mniejszej skali.
Dane z drona, satelity i maszyn potrafią zamienić się w hałas albo w konkretną przewagę. O tym, w którą stronę to pójdzie, zwykle decydują nie same technologie, tylko kilka przyziemnych rzeczy: wspólne granice pól, prosty system nazw plików, jasny podział ról i cierpliwe dopracowanie jednego procesu na raz. Jeśli te fundamenty są na miejscu, reszta – nawet w bardzo nowoczesnym gospodarstwie – układa się dużo spokojniej.
Jak zacząć małymi krokami, jeśli gospodarstwo nie jest jeszcze „w pełni cyfrowe”
Najczęstszy opór brzmi: „My nie jesteśmy gotowi na taki poziom cyfryzacji, ledwo ogarniamy terminale”. To normalne. Integracja danych nie musi oznaczać rewolucji od jutra – da się ją wprowadzać stopniowo, bez paraliżu pracy w sezonie.
Etap 1: Porządek w polach i prosty dostęp do zdjęć satelitarnych
Dobry start to wcale nie zakup drona, tylko uporządkowanie tego, co i tak już jest dostępne.
Praktyczne minimum:
zdefiniowane, poprawne granice pól w jednym systemie (FMIS, darmowy portal satelitarny, narzędzie producenta maszyn),
podpięte do tych pól darmowe lub tanie obrazy satelitarne z indeksami wegetacji,
prosta historia: jaka uprawa, jaka odmiana, jakie podstawowe zabiegi w danym roku.
Na tym etapie nie trzeba jeszcze generować zaawansowanych map zadań. Wystarczy, że na ekranie w biurze lub telefonie widać, które kawałki pól „odstają” – szybciej wtedy zapada decyzja, gdzie pojechać w pierwszej kolejności, gdzie zlecić lustrację doradcy, a które pole może poczekać.
Etap 2: Jedno konkretne zastosowanie zamiast „wszystko naraz”
Kolejny krok to wybranie jednego procesu, w którym integracja danych przyniesie największy efekt. Zamiast myśleć: „połączymy wszystko”, łatwiej jest postawić sobie pytanie: „gdzie dziś tracimy najwięcej pieniędzy przez brak informacji?”.
Najczęstsze wybory na start:
zmienne nawożenie azotem w zbożach,
zmienny wysiew kukurydzy,
precyzyjna regulacja dawek nawozów P i K na podstawie map zasobności.
Dla wybranego procesu warto przećwiczyć pełną ścieżkę „od mapy do raportu” na kilku polach testowych: dane z satelity lub drona → mapa stref → mapa zadań → wykonanie zabiegu → zgrywanie raportu z maszyny. Reszta gospodarstwa może w tym czasie działać tak jak wcześniej.
Etap 3: Dron jako „skalpel”, nie młotek
Dron kusi efektownymi zdjęciami, ale bez kontekstu satelitarnego szybko zamienia się w kolejne źródło luźnych plików. Rozsądne podejście to traktowanie go jak narzędzie do precyzyjnej diagnozy tam, gdzie satelita lub dane z maszyny pokazują problem, ale nie dają odpowiedzi „dlaczego”.
Przykład: na mapie satelitarnej jedno pole ma kilka wyraźnie słabszych stref. Tam, zamiast oblatywać całe gospodarstwo, planuje się misję dronem tylko na te fragmenty. Obrazy z drona trafiają do tego samego systemu, który przechowuje dane satelitarne i granice pól. Dzięki temu nie powstaje osobna „wyspa” danych – dron tylko uszczegóławia to, co już widać z góry.
Etap 4: Powolne dokładanie maszyn do systemu
Ostatni etap to stopniowe włączanie kolejnych maszyn w obieg danych. Najprościej zacząć od sprzętu, który:
pracuje najwięcej godzin i „wydaje” najwięcej pieniędzy (nawóz, środek, nasiona),
posiada terminal z obsługą map zadań lub da się go w taki terminal doposażyć.
Na start wystarczy, że jedna czy dwie maszyny potrafią przyjąć mapy zadań i odesłać raporty. Po sezonie łatwiej ocenić, czy oszczędności na materiale i równomierności plonu uzasadniają rozbudowę systemu na resztę parku. Dzięki temu inwestycje w kolejne terminale i licencje są oparte na realnym doświadczeniu, a nie tylko na obietnicach z katalogów.
Naturalna puenta: od pojedynczej mapy do stałej praktyki
Integracja danych z drona, satelity i maszyn przestaje być abstrakcją w momencie, gdy pierwsza decyzja agronomiczna faktycznie się na nich opiera – na jednym polu, przy jednym zabiegu, z jedną maszyną. Z czasem taka „próba generalna” zamienia się w rutynę: wiadomo skąd biorą się mapy, kto je przygotowuje, jak trafiają na terminal i gdzie później lądują raporty.
Gospodarstwa, które konsekwentnie przechodzą tę drogę, rzadko mówią o „technologiach”. Mówią raczej: „u nas nawożenie robi się tak”, „plon analizujemy w taki sposób”, „problemy lokalizujemy w takim rytmie”. Dron, satelita i maszyny są tylko elementami większego porządku. Kiedy wszystkie trzy źródła grają do jednej bramki, system zarządzania przestaje być kolejną „zabawką”, a staje się cichym, ale bardzo konkretnym wsparciem w codziennych decyzjach.
Najczęstsze pułapki integracji i proste sposoby, żeby ich uniknąć
Przy łączeniu danych z drona, satelity i maszyn problemy najczęściej nie wynikają z „za słabej technologii”, tylko z kilku powtarzalnych drobiazgów. Gdy są ogarnięte, integracja przestaje być loterią.
Różne układy współrzędnych i przesunięte mapy
Klasyczny kłopot: mapa stref z satelity nie pokrywa się idealnie z mapą plonu czy przejazdów ciągnika. Kilka metrów różnicy na ekranie, a w polu – rozsiewacz sypie nie tam, gdzie trzeba.
Źródło bywa proste: różne układy współrzędnych albo różne sposoby korygowania sygnału GPS. Część systemów zapisuje dane domyślnie w WGS84, inne w lokalnych układach, a jeszcze inne „przeliczają” je po swojemu przy imporcie.
Bezpieczny schemat działania wygląda tak:
ustalenie jednego docelowego układu (najczęściej WGS84 / EPSG:4326 lub Web Mercator),
sprawdzanie przy imporcie, w jakim układzie zapisany jest plik (ISOXML, shapefile, GeoJSON – każdy może mieć inaczej),
test na jednym polu: nałożenie na siebie granicy pola, mapy plonu i mapy wegetacji – jeśli „siadają” co do ścieżek technologicznych, resztę można importować hurtowo.
Przy pierwszej integracji dobrze poświęcić godzinę na takie testy, zamiast ratować źle wysiane czy źle dokarmione fragmenty pól.
Brak metadanych: pliki są, ale nie wiadomo, co jest czym
Druga typowa sytuacja: po sezonie jest pełno plików „mapa1.shp”, „zadanie_23.zip”, „Field_7_2024”, a nikt nie pamięta, czy to dawki azotu, czy może P i K sprzed dwóch lat.
Wyjściem jest bardzo prosty, ale konsekwentny schemat nazewnictwa. Wystarczy, że w każdej nazwie pojawią się trzy elementy:
gospodarstwo_pole_rok_zabieg_wersja
Przykład: Kowalski_12_2024_N2_v1 lub Kowalski_12_2024_siew_kukurydza_v2. Nikt nie będzie się tym zachwycał na konferencji, ale po kilku miesiącach dokładnie wiadomo, co otwieramy.
Podobnie z opisami w systemie FMIS: lepiej mieć krótkie, powtarzalne frazy („N1”, „N2”, „fungicyd 1”), niż bardzo szczegółowe, ale za każdym razem inne. Maszyna i tak nie odczyta „wiosenne dokarmianie azotowe w jęczmieniu jarym na polu za lasem”, a operator po sezonie już nie skojarzy, co autor miał na myśli.
Niedopasowany poziom szczegółowości danych
Dron potrafi dostarczyć piksel co kilka centymetrów, satelita co kilka metrów, a rozsiewacz reaguje realnie dopiero na zmiany co kilkanaście–kilkadziesiąt metrów. Jeżeli wszystko przenosimy „1:1”, szybko kończymy z mapami, których terminal nie udźwignie lub operator nie jest w stanie rozsądnie ustawić.
Klucz to upraszczanie danych do poziomu decyzji. Zanim mapa trafi na maszynę, warto zadać sobie dwa pytania:
ile stref faktycznie jesteśmy w stanie obsłużyć technicznie (np. 3–5, a nie 15),
czy różnice między strefami są na tyle duże, że uzasadniają inną dawkę lub normę wysiewu.
Jeśli z drona wychodzi mapa z 10 klasami, a rozsiewacz ma w praktyce reagować na 3 poziomy dawki, lepiej od razu zgrupować strefy. Terminal załaduje lżejszy plik, a operator nie będzie miał poczucia chaosu.
Brak jasnego „właściciela procesu”
Technologia często kupowana jest „dla wszystkich”: trochę dla szefa, trochę dla agronoma, trochę dla operatorów. W efekcie sprzęt jest, dane są, ale nikt nie czuje się odpowiedzialny za to, żeby ścieżka danych od zdjęcia do raportu faktycznie zadziałała.
Najprościej działa model, w którym za integrację odpowiada jedna osoba lub mały zespół:
jedna osoba „trzyma” system FMIS (lub platformę producenta) – zakłada pola, pilnuje granic, nazewnictwa, importu danych,
druga (czasem ta sama) ogarnia kontakt z doradcami i firmami od dronów,
operatorzy mają jasno opisane, kiedy i jak zgrywają raporty z maszyn.
Nie wymaga to etatu „specjalisty od danych”. Często rolę koordynatora pełni ktoś, kto i tak zajmuje się organizacją zabiegów – dostaje po prostu jasne uprawnienia i czas na tę część pracy.
Nadmierne zaufanie do „magii” algorytmów
Platformy integrujące potrafią dziś automatycznie generować mapy stref, rekomendacje dawek i pliki zadań. Kusi, żeby kliknąć „akceptuj” i od razu wysłać zadanie na maszynę. W praktyce takie podejście bywa ryzykowne, szczególnie na polach, które mają nietypową historię (melioracje, nasypy, stare miedze).
Bezpieczniejsza ścieżka to krótkie „przesłuchanie” każdej nowej mapy:
czy strefy nie przecinają się z wyraźnie widocznymi problemami stałymi (wiecznie mokre zakątki, skraje przy lesie),
czy uwzględniona jest aktualna wiedza o zasobności gleby i odczynie (mapy glebowe, wyniki badań),
czy liczba stref i różnice między nimi mają sens z punktu widzenia logistyki w polu.
Krótkie spojrzenie agronoma na wygenerowaną mapę często oszczędza serię powtarzanych błędów przez kilka sezonów.
Brak „zamknięcia pętli” po sezonie
Wiele gospodarstw dochodzi do momentu, w którym mapy z drona i satelity służą do planowania zabiegów, a dane z maszyn – tylko do dokumentacji dla kontroli. Brakuje ostatniego kroku: porównania założeń z efektem.
Praktyczne zamknięcie pętli można oprzeć na prostym rytmie:
po żniwach zgrywane są mapy plonu i raporty zużycia materiałów,
na 2–3 kluczowych polach nakłada się na siebie: mapę plonu, wcześniejsze mapy stref i mapy dawek,
przy stole lub na ekranie omawiane są różnice: gdzie strategia „zagrała”, a gdzie nie.
Nie chodzi o naukową analizę dla każdego hektara. Wystarczy kilka typowych pól (mocne, słabe, mozaikowate), żeby na kolejny sezon wejść z konkretnymi korektami zamiast robić wszystko „tak samo jak w zeszłym roku”.
Prosty schemat na własną ścieżkę integracji
Kiedy poczucie „to za dużo naraz” zaczyna przeważać, pomaga sprowadzenie całego procesu do krótkiej, powtarzalnej listy. Można ją wydrukować i położyć przy komputerze w biurze.
1. Ustal pola i granice
Jedno źródło prawdy o polach (FMIS lub platforma producenta), aktualne granice, spójne nazwy.
2. Określ główne źródło map wegetacji
Satelita jako baza, dron i dane z maszyn jako uzupełnienie tam, gdzie widać problem lub potencjał do korekty.
3. Wybierz jeden priorytetowy proces
Np. zmienne nawożenie azotem albo zmienny wysiew kukurydzy. Dla niego budujesz pierwszą pełną ścieżkę danych.
4. Zdefiniuj format bazowy i nazewnictwo
Decyzja: w jakim formacie przygotowujesz mapy (ISOXML, shapefile, GeoJSON), jak nazywasz pliki i jak opisujesz zabiegi.
5. Wyznacz odpowiedzialne osoby
Kto zbiera dane (dron/satelita/maszyny), kto przygotowuje mapy zadań, kto zgrywa raporty i gdzie one lądują.
6. Testuj na małej skali
Jedno–dwa pola, jedna maszyna, jeden typ zabiegu. Dopiero gdy łańcuch działa bez większych nerwów, rozszerzaj go na resztę areału.
7. Raz w roku przejrzyj efekty
Krótka sesja po żniwach: porównanie map plonu z mapami dawek i stref, zapisanie 2–3 konkretnych zmian na kolejny sezon.
Taki schemat nie zamienia gospodarstwa w laboratorium ani w „firmę IT”. Raczej porządkuje to, co i tak się dzieje: pola są uprawiane, maszyny pracują, zdjęcia z góry powstają. Różnica polega na tym, że każde z tych źródeł zaczyna dokładać swoją cegiełkę do jednego, spójnego obrazu, zamiast działać obok siebie.
Najczęściej zadawane pytania (FAQ)
Jak połączyć dane z drona, satelity i maszyn w jeden system w praktyce?
Podstawą jest wybór platformy zarządzania gospodarstwem (FMIS), która obsłuży wszystkie źródła danych. Najpierw wprowadza się poprawną mapę pól (granice, nazwy, numery działek), a dopiero potem podpina źródła: konto z danymi satelitarnymi, aplikację do przetwarzania zdjęć z drona i dane z maszyn (przez chmurę producenta, Wi‑Fi albo pendrive).
Typowy schemat wygląda tak: zdjęcia z drona i satelity są przetwarzane na mapy stref, następnie na ich podstawie tworzy się mapę zmiennego dawkowania nawozu lub środka ochrony. Tę mapę eksportuje się z FMIS w formacie obsługiwanym przez terminal maszyny. Po zabiegu wgrywa się z powrotem mapę wykonanego zadania lub plonu, żeby porównać plan z rzeczywistością.
Czy mój sprzęt (rozsiewacz, opryskiwacz, kombajn) da się podłączyć do takiego systemu?
W większości przypadków tak, ale często wymaga to sprawdzenia kilku szczegółów. Kluczowe jest, czy terminal obsługuje standard ISOBUS i czy potrafi czytać pliki z mapami aplikacyjnymi (np. w formatach ISOXML, SHP, czasem własnych formatach producenta). Starsze maszyny bez sterowania sekcjami czy zmiennej dawki zwykle mogą przynajmniej zapisać ślad przejazdu i średnią dawkę.
Dobry punkt wyjścia to rozmowa z serwisem lub dealerem: poproś o listę obsługiwanych formatów plików i sposobów zgrywania danych (pendrive, karta, transfer online). Następnie porównaj to z listą integracji w wybranym systemie FMIS. Jeśli czegoś brakuje, często da się to obejść przez konwerter plików albo dodatkowy terminal uniwersalny.
Ile czasu zajmuje obsługa jednego zintegrowanego systemu dziennie lub tygodniowo?
Po etapie pierwszego „poukładania” (wprowadzenie pól, integracja kont, ustawienie formatów) bieżąca obsługa nie powinna zabierać dużo czasu. W praktyce w większych gospodarstwach jest to zwykle kilkanaście minut po każdym zabiegu na zgranie danych i sprawdzenie map, plus trochę więcej czasu w kluczowych momentach sezonu (planowanie nawożenia, oprysków, siewu).
Im bardziej zautomatyzowana „droga danych”, tym mniej pracy ręcznej. Jeśli maszyny wysyłają dane bezprzewodowo, a satelita i dron są zintegrowane z platformą, sprowadza się to głównie do zatwierdzania map zadań i kontroli wyników zamiast ręcznego przepisywania dawek czy przerzucania dziesiątek plików.
Kto w gospodarstwie powinien zajmować się integracją danych i obsługą systemu?
Najlepiej, gdy jest jedna osoba odpowiedzialna za „szkielet informacyjny” – może to być właściciel, agronom, kierownik produkcji lub ktoś młodszy, kto ma łatwość w obsłudze komputera i telefonów. Ważne, by ta osoba pilnowała spójnych nazw pól, terminów zabiegów i przepływu plików między systemem a maszynami.
Operatorzy maszyn nie muszą znać całej technologii. Wystarczy, że potrafią: wgrać plik zadania na terminal, wybrać właściwe pole i mapę oraz po pracy zgrać raport z zabiegu. Dobrze działa prosty podział: jedna osoba planuje i przygotowuje mapy w biurze, operatorzy tylko je realizują według jasnych instrukcji.
Czy integracja danych naprawdę się opłaca w małym lub średnim gospodarstwie?
Zwrot zależy od skali, ale także od tego, jak dziś wyglądają straty i nadmiarowe koszty. Nawet w średnim gospodarstwie oszczędności wynikają z lepszego dopasowania dawek (mniej nawozu tam, gdzie nie przynosi efektu, więcej tam, gdzie jest potencjał), ograniczenia podwójnych przejazdów, a także z szybszego podejmowania decyzji dzięki jednemu, czytelnemu obrazowi pól.
Jeśli dziś dane z drona, satelity i maszyn są używane osobno, część potencjału zwyczajnie się marnuje. Jeden zintegrowany system pozwala te same inwestycje – w drona, GPS w maszynach, dostęp do danych satelitarnych – „spiąć” tak, by faktycznie przekładały się na konkretne decyzje i niższy koszt jednostkowy plonu, a nie tylko na ładne mapy na ekranie.
Jak uporządkować nazwy pól i dane, żeby uniknąć chaosu w systemie?
Najpierw trzeba ustalić jeden, wspólny schemat nazewnictwa i trzymać się go we wszystkich urządzeniach i aplikacjach. Przykład: numer działki + nazwa miejscowości + uprawa (np. „12_Łąki_pszenica”). Tak samo nazwane pola powinny pojawiać się w systemie FMIS, terminalach maszyn, aplikacjach do drona i w notatkach papierowych.
Warto też raz dobrze narysować lub zaimportować granice pól i unikać ich ciągłego „poprawiania na oko”. Jeden zestaw granic, wspólny dla satelity, drona i maszyn, ułatwia później porównywanie map plonu, zdjęć i zabiegów z wielu lat. To prosta rzecz, która najmocniej zmniejsza chaos przy późniejszej analizie danych.
Jakie pliki i formaty są najczęściej używane przy integracji danych z maszynami?
W rolnictwie precyzyjnym dominują: pliki ISOXML (standard ISOBUS do zadań aplikacyjnych), SHP (shapefile – popularny format GIS do map stref) oraz różne formaty własne producentów maszyn i terminali. Do raportów z zabiegów i map plonu często używa się również plików CSV lub binarnych formatów specyficznych dla danej marki.
Przy wyborze systemu FMIS dobrze sprawdzić, czy potrafi:
importować dane z Twoich terminali (mapy plonu, ślady przejazdu),
eksportować mapy zmiennego dawkowania w formatach akceptowanych przez rozsiewacze/opryskiwacze/siewniki,
konwertować między formatami bez dodatkowych, skomplikowanych programów.
To ogranicza liczbę ręcznych przeróbek i zmniejsza ryzyko, że plik z mapą dawki nie otworzy się w maszynie w dniu zabiegu.
Bibliografia
Precision Agriculture Technology for Crop Farming. CRC Press (2016) – Przegląd technologii rolnictwa precyzyjnego, czujniki, dane z maszyn
Precision Agriculture for Sustainability and Environmental Protection. Routledge (2016) – Zastosowania danych satelitarnych i maszynowych w zarządzaniu polami
Satellite-based applications in agriculture. Food and Agriculture Organization of the United Nations (2017) – Zastosowanie obrazów satelitarnych, indeksy wegetacji, monitoring upraw
Remote Sensing of Vegetation: Principles, Techniques, and Applications. Oxford University Press (2018) – Podstawy teledetekcji, NDVI, rozdzielczość dronów i satelitów
