Точное земледелие требует эффективного мониторинга обширных сельскохозяйственных полей с целью как можно более раннего выявления и пространственной локализации аномалий посевов, что позволяет осуществлять целенаправленное и своевременное управление полями. Традиционный осмотр полей является трудоемким и утомительным процессом и позволяет измерять лишь небольшое количество точек. Технологии глубокого обучения в сочетании с беспилотными летательными аппаратами (БПЛА) создают возможности для автоматизации получения сельскохозяйственных изображений высокого разрешения. В данной работе рассматривается ориентированный на конкретную задачу подход на основе U-Net для многометочной сегментации аномальных паттернов в сельском хозяйстве. При этом работа не предлагает новую архитектуру нейронной сети, а акцентирует внимание на влиянии практических решений при проектировании модели. Оцениваемая конфигурация использует четырехканальные входные данные RGB-NIR (NRGB), многометочную классификацию на основе сигмоидной функции активации и комбинированную функцию потерь Binary Cross-Entropy (BCE) и Dice loss. Эксперименты проводятся на эталонном наборе данных Agriculture-Vision 2021, содержащем более 21 000 размеченных аэрофотоснимков с восемью классами сельскохозяйственных аномалий. Для оценки вклада NIR-канала и компонента Dice loss проводится контролируемое абляционное исследование. Дополнительные эксперименты сравнивают полученную конфигурацию с результатами, полученными при использовании стандартных архитектур U-Net, FCN, SegNet и современной базовой модели сегментации при идентичном протоколе экспериментов. Эффективность оценивается с использованием показателей Intersection over Union (IoU) для каждого класса и mean Intersection over Union (mIoU) для общей средней производительности. Результаты демонстрируют эффективность использования NIR-информации и функции потерь на основе Dice для сегментации аномалий в сельском хозяйстве, а также высокую эффективность относительно простой конфигурации на основе U-Net на эталонном наборе данных. Полученные результаты подтверждают потенциал использования специализированной структуры U-Net для автоматизированного мониторинга сельскохозяйственных угодий с помощью БПЛА и демонстрируют индивидуальный вклад входных данных и функции потерь в решение поставленной задачи.