Precision Farming with GIS ԱՏՀ-ի միջոցով ճշգրիտ գյուղատնտեսություն

Ճշգրիտ գյուղատնտեսության հասկացությունների ներածություն

Ճշգրիտ գյուղատնտեսությունը, որը նաև հայտնի է որպես ճշգրիտ գյուղատնտեսություն (precision agriculture), ներկայացնում է ժամանակակից գյուղատնտեսության առաջատար մոտեցում։ Այն համադրում է առաջադեմ տեխնոլոգիաները՝ օպտիմալացնելու ռեսուրսների օգտագործումը, բարելավելու բերքատվությունը և նվազեցնելու շրջակա միջավայրի վրա թողած ազդեցությունները։ Ճշգրիտ գյուղատնտեսության սահմանումները տարբեր են, սակայն բոլորը համախմբվում են դրա հիմնական սկզբունքների շուրջ՝ արդյունավետություն և կայունություն։ Ոմանք այն սահմանում են որպես կառավարման պրակտիկա, որն ուղղված է ճշգրիտ տեղեկատվության կիրառմանը շահութաբերությունը բարձրացնելու համար։ Մյուսները շեշտադրում են դրա բնապահպանական չափումը՝ նկարագրելով այն որպես տեխնոլոգիաների և սկզբունքների կիրառում տարածական և ժամանակային փոփոխականության կառավարման համար՝ ավելի լավ բերքատվության և էկոլոգիական օգուտների հասնելու նպատակով։ Տեխնոլոգիական տեսանկյունից այն ներառում է բույսերի արտադրության մոնիտորինգ, վերլուծություն և կառավարում՝ ծախսերը և էկոլոգիական ազդեցությունը հավասարակշռելու համար։ Ճշգրիտ գյուղատնտեսությունը բարձրացնում է ռեսուրսների օգտագործման արդյունավետությունը՝ նվազագույնի հասցնելով կորուստները և նվազեցնելով գյուղատնտեսական պրակտիկայի էկոլոգիական հետքը։ Ինտեգրված տեսանկյունից առանձնանում է բարձր ճշգրտությամբ դիրքորոշման համակարգերի, աշխարհագրական քարտեզագրման և փոփոխական չափաբաժինների տեխնոլոգիաների կիրառումը։

Ճշգրիտ գյուղատնտեսության ոլորտի դերակատարները․ տվյալների մատակարարներից մինչև ֆերմերներ։ Աղբյուր․ Šafář, V. և այլք (2022)։ The Role of Remote Sensing in Agriculture and Future Vision։ Agris On-line Papers in Economics and Informatics. XIV. 107-124. 10.7160/aol.2022.140109.

Ճշգրիտ գյուղատնտեսությունը հիմնվում է մի շարք մեթոդների վրա։ Մշակաբույսերի կառավարումը հարմարեցնում է գյուղատնտեսական միջամտությունները դաշտի տարբեր գոտիների յուրահատուկ բնութագրերին՝ օգտագործելով ԱՏՀ և հեռահար զոնդավորում տարածական փոփոխականությունը քարտեզագրելու համար։ Փոփոխական չափաբաժինների տեխնոլոգիան հնարավորություն է տալիս ճշգրիտ կիրառել մուտքային նյութերը, ինչպես օրինակ՝ պարարտանյութեր և թունաքիմիկատներ, հարմարեցնելով դրանք դաշտի տարբեր հատվածների հատուկ պահանջներին։ Հեռահար զոնդավորումը՝ արբանյակային և անօդաչու թռչող սարքերի պատկերների միջոցով, իրական ժամանակում տրամադրում է տեղեկություններ մշակաբույսերի առողջության, հողի խոնավության և բուսածածկի ինդեքսների վերաբերյալ՝ ապահովելով սննդանյութերի պակասի կամ հիվանդությունների նման սթրեսային գործոնների վաղ հայտնաբերում։

Մյուս կարևոր մեթոդը բերքատվության քարտեզագրումն է, որը համատեղում է ՀՆԱՀ-ն (GNSS-ը) և բերքահավաք տեխնիկայի վրա տեղադրված բերքատվության մոնիտորները՝ արտադրողականության տարածական տարբերությունները փաստագրելու համար։ Այս տվյալները ծառայում են ապագա կառավարման ռազմավարություններին՝ թույլատրելով բարելավել քիչ արդյունավետությամբ գոտիները։ Հողի և մշակաբույսերի սենսորային տեխնոլոգիաները չափում են կարևոր պարամետրեր, ինչպիսիք են հողի խոնավությունը, սննդանյութերի պարունակությունը և pH մակարդակը, մինչդեռ առաջադեմ սենսորները գնահատում են մշակաբույսերի սննդային մակարդակները և առաջարկում համապատասխան միջամտություններ։

Բերքատվության գոտիների վերլուծություն․ արտադրողականության գոտիների կանխատեսում՝ ստացված արբանյակային պատկերներից (ձախ) և բերքահավաք տեխնիկայով հաշվարկված բերքատվության չափումների քարտեզ (աջ)։ Աղբյուր․ Řezník, T. և այլք (2020)։ Prediction of Yield Productivity Zones from Landsat 8 and Sentinel-2A/B and Their Evaluation Using Farm Machinery Measurements։ Remote Sensing, 12(12), 1917։ https://doi.org/10.3390/rs12121917

Որոշումների աջակցման համակարգերը կարևոր դեր են խաղում ճշգրիտ գյուղատնտեսությունում՝ համադրելով դաշտային տվյալները, եղանակային կանխատեսումները և պատմական միտումները՝ օպտիմալացնելու սերմնացանի, ոռոգման և պարարտացման վերաբերյալ որոշումները։ ԱՏՀ վերլուծությունն ու քարտեզագրումը լրացուցիչ բարձրացնում են ճշգրտությունը՝ տրամադրելով տարածքային մանրամասն շերտեր, ներառյալ հողի տեսակները, բարձրությունները և ջրի հասանելիությունը։ Ինտերնետ իրերի (IoT) և մեծ տվյալների վերլուծության ինտեգրումը հնարավորություն է տալիս դաշտից տվյալների շարունակական հավաքագրում, ապահովելով գործնական եզրակացություններ, որոնք բարելավում են ռեսուրսների բաշխման և միջամտությունների ժամանակի ճշգրտությունը։

Ճշգրիտ գյուղատնտեսության մեթոդներ

Ճշգրիտ գյուղատնտեսությունը կիրառում է մի շարք առաջադեմ մեթոդներ, որոնք նախատեսված են գյուղատնտեսական պրակտիկան օպտիմալացնելու, արդյունավետությունը բարձրացնելու և շրջակա միջավայրի վրա ազդեցությունը նվազագույնի հասցնելու համար։

Ճշգրիտ գյուղատնտեսության տեխնոլոգիաներ․ Աղբյուր՝ https://kas32.com/en/post/view/332

Հիմնական մեթոդներից մեկը տարածք-հատուկ մշակաբույսերի կառավարումն է (site-specific crop management (SSCM)), որը ներառում է գյուղատնտեսական պրակտիկաների հարմարեցում դաշտի կոնկրետ գոտիների յուրահատուկ պայմաններին։ Այս մեթոդը հնարավոր է դառնում տարածական փոփոխականության մանրամասն քարտեզագրման շնորհիվ՝ օգտագործելով աշխարհատարածական տեխնոլոգիաներ, ինչպիսիք են ԱՏՀ-ն և հեռահար զոնդավորումը։ Հողի կազմի, խոնավության մակարդակների և սննդանյութերի հասանելիության տարբերությունները հասկանալու միջոցով SSCM-ը հնարավորություն է տալիս յուրաքանչյուր գոտում իրականացնել անհատականացված միջամտություններ։

Փոփոխական չափաբաժինների տեխնոլոգիան (Variable Rate Technology (VRT)) ճշգրիտ գյուղատնտեսության մեկ այլ հիմնարար բաղադրիչ է։ Այն կարգավորում է մուտքային նյութերի, ինչպիսիք են սերմերը, պարարտանյութերը և թունաքիմիկատները, կիրառումը դաշտի տարբեր հատվածների ճշգրիտ պահանջներին համապատասխան։ Այս տեխնիկան նվազեցնում է մուտքային նյութերի կորուստը, բարձրացնում է բերքատվությունը և նվազեցնում գերծանրաբեռնված կիրառման վտանգը, որը կարող է վնաս հասցնել շրջակա միջավայրին։

Հեռահար զոնդավորումը կարևոր դեր ունի մշակաբույսերի առողջության, հողի խոնավության և բուսածածկի վիճակի վերաբերյալ իրական ժամանակի տվյալներ ապահովելու գործում։ Արբանյակային, օդային կամ անօդաչու թռչող սարքերի պատկերների միջոցով հեռահար զոնդավորման տեխնոլոգիաները ֆերմերներին հնարավորություն են տալիս արագ վերահսկել մեծ տարածքներ և վաղ փուլում հայտնաբերել հնարավոր խնդիրներ, ինչպիսիք են սննդանյութերի պակասը, վնասատուների ներխուժումը կամ ջրի սթրեսը։ Այս ժամանակին ստացված տեղեկատվությունը նպաստում է ավելի լավ որոշումների կայացմանը և նպատակային միջամտություններին։

Բերքատվության քարտեզագրումը ներառում է GNSS-ով ապահովված բերքատվության մոնիտորների օգտագործումը բերքահավաք տեխնիկայի վրա՝ դաշտի ամբողջ տարածքում մշակաբույսերի արտադրողականության տարածական տարբերությունները գրանցելու համար։ Այս քարտեզները օգնում են նույնականացնել բարձր և ցածր արտադրողականությամբ գոտիները՝ տրամադրելով պատկերացումներ ապագա գյուղատնտեսական պրակտիկան օպտիմալացնելու և արտադրողականությունը սահմանափակող կոնկրետ խնդիրները լուծելու համար։

Հողի և մշակաբույսերի սենսորային տեխնոլոգիաները կարևոր են դաշտի ճշգրիտ պայմանները հասկանալու համար։ Սենսորները չափում են կարևոր պարամետրեր, ինչպիսիք են հողի pH-ը, խոնավության մակարդակը, օրգանական նյութի պարունակությունը և սննդանյութերի հասանելիությունը։ Մշակաբույսերի սենսորները գնահատում են բույսերի առողջությունն ու սննդային պահանջները՝ ուղղորդելով մուտքային նյութերի փոփոխական չափաբաժիններով կիրառումը։

Ինտեգրված հողի սենսոր, որը չափում է հողի pH-ը, խոնավությունը, ջերմաստիճանը և հաղորդունակությունը։

Որոշումների աջակցման համակարգերը (DSS) ինտեգրում են տվյալները տարբեր աղբյուրներից, ինչպիսիք են եղանակային կանխատեսումները, հողի վերլուծությունը և մշակաբույսերի աճի մոդելները, որպեսզի ապահովեն գործնական առաջարկություններ։ Այս համակարգերը օգտագործում են առաջադեմ ալգորիթմներ՝ ֆերմերներին օգնելու համար տեղեկացված որոշումներ կայացնել սերմնացանի ժամանակացույցների, ոռոգման ռազմավարությունների և վնասատուների դեմ պայքարի միջոցառումների վերաբերյալ։

Աշխարհագրական վերլուծությունն ու քարտեզագրումը բարձրացնում են գյուղատնտեսական պրակտիկաների ճշգրտությունը՝ ստեղծելով դաշտի հատկանիշների մանրամասն տարածքային շերտեր, ինչպիսիք են բարձրությունը, հողի տեսակը և ջրի պահման ունակությունը։ Այս շերտերը աջակցում են պլանավորմանը և իրականացմանը՝ ապահովելով ռեսուրսների օպտիմալ բաշխում դաշտի ամբողջ տարածքում։

Իրերի համացանցի (IoT) սարքերի և մեծ տվյալների վերլուծության ինտեգրումը հեղափոխել է ճշգրիտ գյուղատնտեսությունը։ IoT սարքերը, ինչպիսիք են հողի խոնավության զոնդերը և կլիմայական կայանները, անընդհատ հավաքում են դաշտային տվյալներ։ Այս տվյալները մշակվում են մեծ տվյալների տեխնոլոգիաների միջոցով՝ նույնականացնելու օրինաչափություններն ու միտումները, ինչը բարելավում է գյուղատնտեսական միջամտությունների ժամանակացույցն ու ճշգրտությունը։

Ավտոմատացումն ու ռոբոտիկան ավելի ու ավելի են կիրառվում ճշգրիտ գյուղատնտեսությունում՝ հնարավորություն տալով բարձր ճշգրտությամբ իրականացնել սերմնացան, ցողում և բերքահավաքի նման առաջադրանքներ։ Ավտոմատացված տեխնիկան հաճախ գործում է GNSS ղեկավարման միջոցով՝ ապահովելով հետևողական արդյունավետություն և նվազեցնելով մարդկային սխալները։

Վերջում, դաշտային փորձարկումներն ու ադապտիվ կառավարումը անբաժան մասն են ճշգրիտ գյուղատնտեսության։ Ֆերմերները տվյալների միջոցով փորձարկում և կատարելագործում են ռազմավարությունները՝ ապահովելով, որ պրակտիկաները արձագանքեն փոփոխվող պայմաններին և դաշտի յուրահատուկ դինամիկային։

Այս մեթոդների շնորհիվ ճշգրիտ գյուղատնտեսությունը հասնում է իր նպատակներին՝ բարձրացնել արտադրողականությունը, նվազեցնել ծախսերը և խթանել շրջակա միջավայրի կայունությունը։ Դաշտերում եղած փոփոխականությունը հասցեագրելով և ռեսուրսները կիրառելով միայն անհրաժեշտ վայրերում՝ այս տեխնիկան ապահովում է, որ ժամանակակից գյուղատնտեսությունը բավարարի փոփոխվող աշխարհի աճող պահանջները։

ԱՏՀ-ի դերը ճշգրիտ գյուղատնտեսության մեջ

Աշխարհագրական տեղեկատվական համակարգերը (ԱՏՀ) կենտրոնական դեր ունեն ճշգրիտ գյուղատնտեսությունում՝ հնարավորություն տալով տարածական տվյալների արդյունավետ ինտեգրում, վերլուծություն և վիզուալիզացիա՝ գյուղատնտեսական պրակտիկան օպտիմալացնելու նպատակով։ Հեռահար զոնդավորման, Իրերի համացանցի (IoT) տվյալների վերլուծության, ամպային հաշվարկների և զարգացող GeoAI տեխնոլոգիաների հետ համատեղ՝ ԱՏՀ-ն գյուղատնտեսական կառավարումը վերափոխում է տվյալահեն, կայուն և ապագային պատրաստ ոլորտի։

ԱՏՀ-ն աջակցում է տարածական քարտեզագրմանն ու վերլուծությանը՝ ստեղծելով մանրամասն քարտեզներ, որոնք բացահայտում են դաշտերի ներսում եղած փոփոխականությունը, օրինակ՝ հողի հատկությունները, խոնավության մակարդակները և մշակաբույսերի առողջությունը։ Այս քարտեզները ուղղորդում են տարածք-հատուկ կառավարումը՝ հնարավորություն տալով իրականացնել ճշգրիտ միջամտություններ։ Հեռահար զոնդավորումը լրացնում է ԱՏՀ-ն՝ ապահովելով բարձր լուծաչափով պատկերներ արբանյակներից և անօդաչու թռչող սարքերից (UAV)՝ բուսածածկի առողջությունը մոնիտորինգի ենթարկելու, հիվանդությունները հայտնաբերելու և ջրային սթրեսը գնահատելու համար։ Օրինակ, հեռահար զոնդավորումից ստացված բուսածածկի ինդեքսները, ինչպիսիք են NDVI-ն, մշակվում են ԱՏՀ-ում՝ նույնականացնելու ցածր արտադրողականությամբ գոտիները և ուղղորդելու ռեսուրսները հենց այնտեղ, որտեղ դրանք առավել անհրաժեշտ են։

Իրերի համացանցի (IoT) տվյալների վերլուծության ինտեգրումը ԱՏՀ-ում առավել ընդլայնում է դրա հնարավորությունները։ IoT սարքերը, ներառյալ հողի խոնավության սենսորները, եղանակային կայանները և մշակաբույսերի առողջության մոնիտորները, արտադրում են իրական ժամանակի մեծածավալ տվյալներ։ ԱՏՀ-ն ծառայում է որպես հարթակ՝ այս տվյալները տարածական և ժամանակային կտրվածքով մշակելու ու վերլուծելու համար՝ վերածելով հում մուտքերը գործնական եզրակացությունների։ Օրինակ․

• Հողի և եղանակի մոնիթորինգ – IoT տվյալները հողի խոնավության և եղանակային պայմանների մասին համադրվում են ԱՏՀ-ում՝ ոռոգման ժամանակացույցները օպտիմալացնելու համար։
• Կանխատեսվող սպասարկում – Գյուղտեխնիկայի վերաբերյալ տվյալները վերլուծվում են սպասարկման կարիքները կանխատեսելու և պարապուրդը կանխելու նպատակով։
• Դինամիկ որոշումների կայացում – Իրական ժամանակի IoT տվյալները մուտք են գործում ԱՏՀ-ով ղեկավարվող մոդելներ՝ դաշտային աշխատանքները փոփոխվող պայմաններին համապատասխան դինամիկ կերպով հարմարեցնելու համար։

Տվյալների ինտեգրումն ու ամպային հաշվարկները բարձրացնում են ԱՏՀ-ի մասշտաբայնությունն ու հասանելիությունը ճշգրիտ գյուղատնտեսությունում։ Ամպում մեծածավալ dataset-ների պահպանումն ու մշակումը հնարավորություն է տալիս համագործակցային որոշումների կայացման և շահառուներին հեռակա կերպով կարևոր տեղեկությունների հասանելիության։ Ամպային հաշվարկները նաև ապահովում են առաջադեմ վերլուծություններ, ինչպիսիք են մեծ տվյալների մշակումն ու կանխատեսող մոդելավորումը։

ԱՏՀ-ն աջակցում է որոշումների կայացմանը և ռեսուրսների օպտիմալացմանը՝ տարածական տվյալները համադրելով առաջադեմ կանխատեսող մոդելների հետ։ Սա ապահովում է մուտքային նյութերի՝ ինչպես պարարտանյութերի և թունաքիմիկատների ճշգրիտ կիրառումը՝ նվազեցնելով կորուստներն ու ծախսերը։ Փոփոխական չափաբաժինների տեխնոլոգիան, որը ղեկավարվում է ԱՏՀ-ի վերլուծություններով, ռեսուրսները կիրառում է միայն անհրաժեշտ վայրերում՝ բարձրացնելով արդյունավետությունը։ Սցենարային վերլուծության գործիքները ԱՏՀ-ում ֆերմերներին հնարավորություն են տալիս սիմուլացնել տարբեր ռազմավարություններ և գնահատել դրանց հնարավոր արդյունքները՝ մինչ կիրառելը։

Հողի ջերմաստիճանի և տեղումների զարգացման հիման վրա սերմնացանի պատուհանը ցույց է տալիս, թե որքան հարմար են առաջիկա 7 օրերի ժամանակահատվածները տարբեր եգիպտացորենի տեսակների սերմնացանի համար տվյալ տարածքում։ Սանդղակը տատանվում է հարմար (կանաչ) մինչև ոչ հարմար (կարմիր)։ Աղբյուր․ https://groundwater.smartagro.lv

Շարունակական մոնիթորինգի և հետադարձ կապի միջոցով ԱՏՀ-ն, ինտեգրված IoT-ի և հեռահար զոնդավորման տվյալների հետ, ապահովում է դաշտային պայմանների դինամիկ պատկեր։ Իրական ժամանակի պատկերացումները հնարավորություն են տալիս վաղ հայտնաբերել խնդիրներ, ինչպիսիք են վնասատուների տարածումը կամ սննդանյութերի պակասը։ Բացի այդ, ԱՏՀ-ն գնահատում է կիրառված պրակտիկաների արդյունավետությունը՝ նպաստելով դրանց շարունակական կատարելագործմանն ու բարելավմանը։

ԱՏՀ-ն խթանում է շրջակա միջավայրի և տնտեսական կայունությունը՝ նվազեցնելով քիմիկատների օգտագործումը, խնայելով ջուրը և առավելագույնի հասցնելով արտադրողականությունը։ Նպատակային միջամտությունները նվազեցնում են շրջակա միջավայրի վրա ազդեցությունները, մինչդեռ ռեսուրսների արդյունավետ օգտագործումը բարձրացնում է շահութաբերությունը՝ նվազեցնելով ծախսերը և բարձրացնելով բերքատվությունը։

Առաջ նայելով՝ GeoAI-ն (Աշխարհագրական արհեստական բանականություն) հեղափոխում է ԱՏՀ-ն ճշգրիտ գյուղատնտեսության մեջ։ Մեքենայական ուսուցման և ԱԲ-ի կիրառման միջոցով GeoAI-ն հնարավորություն է տալիս իրականացնել աշխարհատարածական և IoT տվյալների առաջադեմ վերլուծություն՝ օրինաչափություններ նույնականացնելու, միտումներ կանխատեսելու և իրական ժամանակի որոշումների կայացմանը աջակցելու համար։ Օրինակ․

• Կանխատեսող վերլուծություն – GeoAI-ն բարձր ճշգրտությամբ կանխատեսում է բերքատվությունը, վնասատուների տարածումը և եղանակային ազդեցությունները։
• Ավտոմատացված տվյալների մշակում – ԱԲ ալգորիթմները արագ մշակում են հեռահար զոնդավորման և IoT տվյալները՝ ապահովելով գործնական եզրակացություններ առանց ձեռքով միջամտության։
• Կլիմայական կայունություն – GeoAI-ն կանխատեսում է կլիմայի փոփոխության երկարաժամկետ ազդեցությունները գյուղատնտեսության վրա՝ օգնելով ֆերմերներին կանխարգելիչ հարմարվել։

ԱՏՀ-ի, հեռահար զոնդավորման, IoT տվյալների վերլուծության, ամպային հաշվարկների և GeoAI-ի միավորումը վերափոխում է ճշգրիտ գյուղատնտեսությունը։ Այս տեխնոլոգիաները հնարավորություն են տալիս ժամանակակից գյուղատնտեսությանը լինել ավելի արդյունավետ, կայուն և դիմացկուն՝ լուծելով ներկայիս խնդիրները և պատրաստվելով ապագայի պահանջներին։

Վարժություն․ NDVI-ի վերլուծություն QGIS-ում

Լուծվելիք խնդիր․ Ստեղծել փոփոխական կիրառման գոտիներ ճշգրիտ գյուղատնտեսության համար՝ վերլուծելով մշակաբույսերի առողջության փոփոխականությունը Նորմալիզացված Տարբերության Բուսականության Ինդեքսի (NDVI) միջոցով, որը ստացվում է հեռահար զոնդավորման տվյալներից։ Նույնականացնել ցածր, միջին և բարձր բուսականության առողջությամբ տարածքները։

Պահանջվող տվյալներ.

• Հեռահար զոնդավորման տվյալներ – բազմաալիք պատկերներ առնվազն երկու ալիքով՝ կարմիր (R) և մոտ ինֆրակարմիր (NIR)։ Տվյալները կարող են ստացվել արբանյակներից (օր.՝ Sentinel-2) կամ անօդաչուներից։

QGIS Processing Toolbox-ի գործիքներ․

• Raster Calculator – NDVI հաշվարկելու համար։
• Reclassify by Table – NDVI արժեքները գոտիների դասակարգելու համար։

Աշխատանքային ընթացակարգ․

1. Տվյալների բեռնում

• Ներմուծեք բազմաալիք պատկերները (R և NIR ալիքներ) QGIS։
• Բեռնեք դաշտի սահմանների շերտը, եթե առկա է, որպեսզի վերլուծությունը սահմանափակվի ուսումնասիրության տարածքով։.

2. NDVI հաշվարկ

• Օգտագործեք Raster Calculator-ը՝ NDVI-ն հաշվարկելու համար հետևյալ բանաձևով․ (NIR - Red) / (NIR + Red)
• Պահպանեք ելքը որպես նոր ռաստերային շերտ (օր.՝ "NDVI")։

3.  NDVI-ի դասակարգում գոտիների

• Օգտագործեք Reclassify by Table գործիքը՝ NDVI արժեքները երեք կամ ավելի կատեգորիաների դասակարգելու համար (օր.՝ ցածր, միջին, բարձր բուսականության առողջություն)։
• Սահմանեք շեմային արժեքներ NDVI-ի տիրույթով (օր.՝ ցածր՝ 0-0.3, միջին՝ 0.3-0.6, բարձր՝ 0.6-1.0)։
• Պահպանեք ելքը որպես նոր ռաստերային շերտ (օր.՝ "NDVI_Zones")։

4. Նշանակման քարտեզի ստեղծում

• Դասակարգված NDVI ռաստերը փոխարկեք վեկտորային բազմանկյունների՝ օգտագործելով Raster to Polygon գործիքը։

5.  Արդյունքների արտահանում

• Արտահանեք նշանակման քարտեզը shapefile կամ GeoJSON ձևաչափով՝ փոփոխական կիրառման սարքավորումների մեջ օգտագործելու համար։