Абдерахман Реџеб a , Алиреза Абдолахи b , Карим Реџеб c , Хорст Треиблмаер d,
- a Катедра за менаџмент и право, Економски факултет, Универзитетот во Рим Тор Вергата, Виа Колумбија, 2, Рим 00133, Италија
- b Катедра за бизнис администрација, Факултет за менаџмент, Универзитетот Каразми, 1599964511 Техеран, Иран
- c Факултет за науки во Бизерте, Универзитетот во Картагина, Зарзуна, 7021 Бизерте, Тунис
- d Факултетот за меѓународен менаџмент, Универзитетот Модул во Виена, Ам Каленберг 1, 1190 Виена, Австрија
ИНФОРМАЦИИ ЗА СТАТИЈАТА | ИЗВАДОК |
Клучни зборови: Беспилотни летала UAV Прецизно земјоделство Интернет на нештата Библиометрија | Беспилотните летала, наречени и беспилотни летала (UAV), беа сведоци на извонреден развој во последните децении. Во земјоделството, тие ги променија земјоделските практики нудејќи им на земјоделците значителни заштеди на трошоците, зголемени оперативна ефикасност и подобра профитабилност. Во текот на изминатите децении, темата за земјоделски дронови има привлече извонредно академско внимание. Затоа спроведуваме сеопфатен преглед заснован на библиометрија да се сумира и структурира постоечката академска литература и да се откријат тековните истражувачки трендови и жаришта. Ние применуваат библиометриски техники и анализираат литература околу земјоделските дронови за да се сумираат и процени претходни истражувања. Нашата анализа покажува дека далечинското набљудување, прецизното земјоделство, длабокото учење, машинското учење и Интернетот на нештата се критични теми поврзани со земјоделските дронови. Коцитатот анализата открива шест широки истражувачки кластери во литературата. Оваа студија е еден од првите обиди да се сумираат истражувањата со беспилотни летала во земјоделството и да се предложат идните насоки за истражување. |
Вовед
Земјоделството претставува примарен извор на храна во светот (Friha et al., 2021), и се соочува со сериозни предизвици поради
зголемена побарувачка за прехранбени производи, безбедноста на храната и безбедносните грижи, како и повици за заштита на животната средина, зачувување на водата и
одржливост (Inoue, 2020). Овој развој се предвидува да продолжи бидејќи светската популација се проценува дека ќе достигне 9.7 милијарди до 2050 година
(2019). Бидејќи земјоделството претставува најистакнат пример за потрошувачка на вода на глобално ниво, се очекува дека побарувачката за храна и вода
потрошувачката драматично ќе се зголеми во догледна иднина. Понатаму, зголемената потрошувачка на ѓубрива и пестициди
заедно со интензивирањето на земјоделските активности може да доведат до идни еколошки предизвици. Слично на тоа, обработливото земјиште е ограничено, а
бројот на земјоделци се намалува во светот. Овие предизвици ја нагласуваат потребата за иновативни и одржливи земјоделски решенија (Илија
et al., 2018; Фриха и сор., 2021; Инуе, 2020 година; Цунис и сор., 2017).
Инкорпорирањето на нови технологии е идентификувано како ветувачко решение за справување со овие предизвици. Паметно земјоделство (Brewster et al.,
2017 година; Tang et al., 2021) и прецизното земјоделство (Feng et al., 2019; Khanna & Kaur, 2019) се појавија како резултат на таквите дебати. На
првиот е општ поим за усвојување информатички комуникациски технологии (ИКТ) и други врвни иновации во земјоделските активности за зголемување на ефикасноста и ефикасноста (Haque et al., 2021). Вториот се фокусира на управувањето специфично за локацијата во кое земјиштето е поделено на
хомогени делови и секој дел ја добива точната количина на земјоделски влез за оптимизација на приносот на културите со помош на нови технологии (Feng et al., 2019; Khanna & Kaur, 2019). Истакнати технологии кои го привлекоа вниманието на научниците во оваа област вклучуваат безжични сензорски мрежи (WSN) (J. Zheng & Yang, 2018; Y. Zhou et al., 2016), Интернет на нештата (IoT) (Gill et al., 2017 He et al., 2021; Liu et al., 2019);
техники за вештачка интелигенција (АИ), вклучувајќи машинско учење и длабоко учење (Лиакос и сор., 2018; Парсаиан и сор., 2020 година; Шадрин и сор.,
2019), компјутерски технологии (Hsu et al., 2020; Jinbo et al., 2019; Zamora-Izquierdo et al., 2019), големи податоци (Gill et al., 2017; Tantalaki
et al., 2019) и блокчејн (PW Khan et al., 2020; Pincheira et al., 2021).
Покрај горенаведените технологии, далечинското согледување се смета за технолошка алатка со висок потенцијал за подобрување
паметно и прецизно земјоделство. Сателитите, авионите со човечки екипаж и беспилотните летала се популарни технологии за далечинско набљудување (Tsouros et al., 2019).
Беспилотните летала, популарно познати како беспилотни летала (UAVs), системи за беспилотни авиони (UAS) и авиони управувани од далечина, се на
голема важност бидејќи имаат повеќекратни предности во споредба со другите технологии за далечинско набљудување. На пример, беспилотните летала можат да испорачаат
слики со висок квалитет и висока резолуција во облачни денови (Manfreda et al., 2018). Исто така, нивната достапност и брзината на пренос претставуваат друго
придобивки (Radoglou-Grammatikis et al., 2020). Во споредба со авионите, беспилотните летала се многу економични и лесни за поставување и одржување (Tsouros et al., 2019). И покрај тоа што првично главно се користат за воени цели, беспилотните летала можат да имаат корист од бројни цивилни апликации, на пример во управувањето со синџирот на снабдување (A. Rejeb, Rejeb, et al., 2021a), за хуманитарни цели (A. Rejeb, Rejeb, et al., 2021c), паметно земјоделство, геодет и мапирање, документација за културно наследство, управување со катастрофи и зачувување на шумите и дивиот свет (Panday, Pratihast, et al., 2020). Во земјоделството, постојат многубројни области на примена на беспилотни летала бидејќи тие можат да се интегрираат со нови технологии, компјутерски способности и сензори на одборот за поддршка на управувањето со културите (на пр., мапирање, следење, наводнување, дијагноза на растенијата) (H. Huang et al., 2021) , намалување на катастрофи, системи за рано предупредување, зачувување на дивиот свет и шумарството за да наведеме неколку (Негаш и сор., 2019). Слично на тоа, беспилотните летала може да се користат во неколку земјоделски активности, вклучително и следење на посевите и растот, проценка на приносот, проценка на стресот на водата и откривање на плевелите, штетниците и болестите (Инуе, 2020; Panday, Pratihast, et al., 2020). Беспилотните летала не само што можат да се користат за следење, проценка и откривање врз основа на нивните сензорни податоци, туку и за прецизно наводнување и прецизно управување со плевелите, штетниците и болестите. Со други зборови, беспилотните летала се способни да прскаат вода и пестициди во прецизни количини врз основа на податоци за животната средина. Придобивките од беспилотните летала во земјоделството се сумирани во Табела 1.
Главните придобивки од беспилотните летала во земјоделството.
Корист | Референца(и) |
Подобрете ги временските и просторните сензорни резолуции | (Gago et al., 2015; Niu et al., 2020; Srivastava et al., 2020) |
Олеснување на прецизното земјоделство | (Л. Денг et al., 2018; Kalischuk et al., 2019; Maimaitijiang et al., 2017) |
Класификација и извидување на култури | (Inoue, 2020; Kalischuk et al., 2019; Lopez- ' Гранадос и сор., 2016; Maimaitijiang et al., 2017; Мелвил и сор., 2019 година; Мохарана и Дута, 2016) |
Употреба на ѓубриво | (Л. Денг и сор., 2018; Гуан и сор., 2019 година) |
Следење на сушата | (Fawcett et al., 2020; Panday, Pratihast, et al., 2020 година; Су и сор., 2018) |
Проценка на биомаса | (Bendig et al., 2014) |
Проценка на приносот | (Инуе, 2020; Пандеј, Шреста, и сор., 2020; Тао et al., 2020) |
Намалување на катастрофи | (Негаш и сор., 2019) |
Зачувување на дивиот свет и шумарство | (Негаш и сор., 2019; Пандеј, Пратихаст и сор., 2020) |
Проценка на воден стрес | (Инуе, 2020; Ј. Су, Кумбес, и сор., 2018; Л. Џанг и сор., 2019) |
Штетници, плевели и болести детекција | (Gaˇsparovi´c et al., 2020; Inoue, 2020; J. Su, Liu, et al., 2018; X. Zhang et al., 2019) |
Од друга страна, дроновите исто така се соочуваат со ограничувања. Вклучување на пилотот, моќност на моторот, стабилност и доверливост, квалитет на сензорите поради носивоста
ограничувањата на тежината, трошоците за имплементација и воздухопловната регулатива се меѓу нив (C. Zhang & Kovacs, 2012). Ги споредуваме недостатоците
од трите мобилни технологии за далечинско согледување во Табела 2. Другите технологии за далечинско набљудување, како што се сензорите за почва, се надвор од фокусот на оваа студија.
Недостатоци на различни мобилни технологии за далечинско набљудување.
Далечинско набудување технологии | Недостатоци | Референци |
Дрон (UAV) | Вклучување на пилотите; слики' квалитет (просечен); трошоци за имплементација (просечни); стабилност, маневрирање и доверливост; стандардизација; моќност на моторот; ограничена моќност извори (долготрајност на батеријата); ограничено времетраење на летот, судир и сајбер напади; ограничен тежина на носивост; големи збирки на податоци и ограничена обработка на податоци способности; недостаток на регулација; недостаток на експертиза, висок влез бариери за пристап до земјоделски дронови; | (Бако и сор., 2018; Давалиби et al., 2020; Хардин & Хардин, 2010 година; Хардин & Џенсен, 2011 година; Лагас и сор., 2018 година; Лалиберте и сор., 2007; Лалиберте и Ранго, 2011 година; Манфреда и сор., 2018, 2018; Nebiker et al., 2008; Пури et al., 2017; Велусами и сор., 2022 година; Ц. Жанг и Ковач, 2012) |
Сателитска | Периодично сателитско покривање, ограничена спектрална резолуција; ранливост на проблеми со видливост (на пример, облаци); Недостапност и мала брзина на пренос; ориентација и вињетирање влијае на скапите просторни податоци колекција; бавна испорака на податоци време за крајните корисници | (Aboutalebi et al., 2019; Cen et al., 2019; Чен и сор., 2019 година; Нансен и Елиот, 2016 година; Пандеј, Пратихаст, et al., 2020; Саи Вајнит et al., 2019) |
Типови на авионите | Високи трошоци за посвојување; комплицирано поставување; трошоци за одржување; недостапност на доверливи авиони, геометрија на слики; нередовни податоци стекнување; недостаток на флексибилност; смртоносни несреќи; податоци од сензорот варијации поради вибрации; прашања за геореференцирање | (Армстронг и сор., 2011; Аткинсон и сор., 2018; Barbedo & Koenigkan, 2018; Ковалев и Ворошилова, 2020 година; Суомалаинен и сор., 2013 година; Там и сор., 2013) |
Како мултидисциплинарна и повеќенаменска технологија во земјоделството, беспилотните летала се истражувани од различни перспективи. На пример, научниците ги испитуваа апликациите на дронови во земјоделството (Kulbacki et al., 2018; Mogili & Deepak, 2018), нивниот придонес во прецизното земјоделство (Puri et al., 2017; Tsouros et al., 2019), нивната комплементарност со други врвни технологии (Al-Thani et al., 2020; Dutta & Mitra, 2021; Nayyar et al., 2020; Saha et al., 2018) и можностите за унапредување на нивните навигациски и сензорни способности (Bareth et al. , 2015; Suomalainen et al., 2014). Бидејќи истражувањето за апликациите на беспилотните летала во земјоделството станало распространето (Khan et al., 2021)), постои потреба да се сумира постоечката литература и да се открие интелектуалната структура на доменот. Понатаму, како област со висока технологија со континуирани подобрувања, треба да се спроведат структурирани прегледи за периодично да се сумира постоечката литература и да се идентификуваат важните празнини во истражувањето. До
датум, има неколку прегледи кои разговараат за апликациите за беспилотни летала во земјоделскиот сектор. На пример, Могили и Дипак (2018) накратко ги разгледаа импликациите на дронови за следење на културите и прскање со пестициди. Inoue (2020) спроведува преглед на употребата на сателити и беспилотни летала во далечинско набљудување во земјоделството. Авторот ги истражува технолошките предизвици за усвојување на паметно земјоделство и придонесите на сателитите и беспилотните летала врз основа на студии на случај и најдобри практики. Цурос и сор. (2019) ги сумира различните типови на беспилотни летала и нивните главни апликации во земјоделството, истакнувајќи различни методи за собирање и обработка на податоци. Во поново време, Аслан и сор. (2022) спроведе сеопфатен преглед на апликациите на UAV во земјоделските активности и ја нагласи важноста на истовремената локализација и мапирање за UAV во стаклена градина. Дијаз-Гонзалес и сор. (2022) ги прегледа неодамнешните студии за производство на принос на земјоделски култури врз основа на различни техники за машинско учење и далечински
сензорни системи. Нивните наоди покажаа дека беспилотните летала се корисни за проценка на индикаторите на почвата и ги надминуваат сателитските системи во однос на просторната резолуција, темпоралноста на информациите и флексибилноста. Басири и сор. (2022) направи исцрпен преглед на различните пристапи и методи за надминување на предизвиците за планирање на патеката за UAV со повеќе ротори во контекст на прецизното земјоделство. Покрај тоа, Awais et al. (2022) ја сумираше примената на податоците за далечинско сензорирање на UAV кај земјоделските култури за да се процени статусот на водата и обезбеди длабинска синтеза на потенцијалниот капацитет на далечинско сензорирање на UAV за примена на стрес на отпад. Конечно, Аквилани и сор. (2022) ги прегледа технологиите за превидно земјоделство применети во системите за добиток базирани на пасишта и заклучија дека далечинското сензорирање овозможено од UAV е поволно за проценка на биомаса и управување со стадото.
Исто така, неодамна беа пријавени обиди да се користат UAV-ови во следењето, следењето и собирањето на добитокот.
Иако овие прегледи даваат нови и важни сознанија, во литературата не може да се најде сеопфатен и ажуриран преглед заснован на библиометрија, што претставува јасен јаз во знаењето. Покрај тоа, беше наведено дека кога научното производство расте во научен домен, за истражувачите станува од витално значење да користат пристапи за квантитативен преглед за да ја разберат структурата на знаењето на доменот (Rivera & Pizam, 2015). Слично на тоа, Фереира и сор. (2014) тврдеше дека како што истражувачките полиња созреваат и стануваат сложени, научниците треба да се стремат повремено да го сфатат знаењето генерирано и собрано за да откријат нови придонеси, да ги фатат истражувачките традиции и трендови, да идентификуваат кои теми се изучуваат и да истражуваат во структурата на знаењето на теренот и потенцијалните истражувачки насоки. Додека Рапарели и Бајоко (2019) спроведоа библиометриска анализа за да го испитаат доменот на знаење за апликациите на беспилотни летала во земјоделството и шумарството, нивната студија ги разгледува само научните истражувања објавени помеѓу 1995 и 2017 година, што не ја одразува динамиката на оваа област која брзо се движи. Понатаму, авторите не се обидоа да ги идентификуваат највлијателните придонеси во областа, да ја групираат литературата и да ја оценат интелектуалната структура користејќи анализа на коцитации. Како резултат на тоа, неопходно е да се сумира литературата за да се откријат тековните истражувачки фокуси, трендови и жаришта.
За да ја пополниме оваа празнина во знаењето, користиме квантитативна методологија и ригорозни библиометриски методи за да ја испитаме моменталната состојба на истражување на пресекот на беспилотните летала и земјоделството. Ние тврдиме дека тековната студија дава неколку придонеси за постоечката литература со испитување на нова технологија која е многу потребна во земјоделството бидејќи обезбедува огромен потенцијал за промена на неколку аспекти во овој сектор. Потребата за библиометриска анализа на земјоделските дронови се чувствува уште повеќе со оглед на расфрланите и фрагментирани знаења за беспилотните летала во контекст на земјоделството. Слично на тоа, литературата што се однесува на земјоделските беспилотни летала се бара систематски да се групира, земајќи ги предвид највлијателните студии кои ја градат основата на ова истражувачко поле. Заслугата во анализата вклучува и појаснување на главните истражувачки теми застапени во литературата. Имајќи го предвид трансформацискиот потенцијал на технологијата, претпоставуваме дека длабинската мрежна анализа дава нови сознанија преку одредување влијателни дела и откривање на теми во врска со потенцијалот на беспилотните летала за земјоделство.
Затоа, ние се стремиме да ги постигнеме следните истражувачки цели:
- Идентификување на влијателни публикации со исклучителен придонес во апликациите за беспилотни летала во областа на земјоделството.
- Кластерирање на литературата, идентификација на истражувачките фокуси и мапирање на главните студии за „интелектуална структура“ засновани на семантичка сличност со користење на анализа на коцитации.
- Разбирање на еволуцијата на врските и мрежите за цитати со текот на времето меѓу различни публикации од областа и идентификација на идните истражувачки насоки и жешки теми.
Остатокот од трудот е структуриран на следниов начин: делот 2 ја прикажува методологијата и чекорите за собирање податоци; дел 3 ги дава резултатите од анализите; и делот 4 ги дискутира наодите и завршува со истражувачки придонеси, импликации и идни насоки.
Методологија
Во оваа тековна истражувачка студија, спроведуваме библиометриска анализа за да ги истражиме апликациите на дронови во земјоделството. Овој квантитативен пристап ја открива интелектуалната структура на доменот на знаење (Арора и Чакраборти, 2021) и тековниот статус, жешките теми и идните насоки за истражување што може да се истражат со примена на овој метод (Капур и сор., 2018; Мисра и сор. , 2017 A. Rejeb, et al., 2021b., A. Rejeb et al., 2021d; Општо земено, библиометриската анализа ја испитува постоечката литература за да ги сумира и открие скриените обрасци на писмена комуникација и еволуцијата на дисциплината заснована на статистика и математички методи и се применува на големи збирки податоци (Pritchard, 2020; Small, 1969; Tahai & Rigsby , 1999). Со користење на библиометрика, ние се стремиме подобро да ги разбереме постоечките парадигми и истражувачки фокуси кои придонесуваат за доменот заснован на сличност (Телвол, 1998). Bibliometrics обезбедува нови сознанија поддржани од објективната квантитативна сила на методологијата (Casillas & Acedo, 2008). Бројни научници претходно спроведоа библиометриски студии во сродни домени, вклучително и земјоделство, далечинско согледување и дигитална трансформација (Armenta-Medina et al., 2007; Bouzembrak et al., 2020; A. Rejeb, Treiblmaier, et al., 2019; Wamba & Queiroz, 2021 година, Ванг и сор., 2021).
Анализа на цитати
Анализата на цитати открива различни сознанија за дадено поле на истражување. Пред сè, помага да се откријат највлијателните автори и публикации кои придонесуваат за дадено истражувачко поле и имаат значително влијание (Gundolf & Filser, 2013). Второ, може да се открие протокот на знаење и комуникациските врски помеѓу авторите. Конечно, со следење на врските помеѓу цитираните и цитираните дела, може да се истражат промените и еволуцијата на доменот на знаење со текот на времето (Pournader
et al., 2020). Високиот број на цитати на публикацијата ја рефлектира нејзината релевантност и значителен придонес во доменот на истражување (Baldi, 1998; Gundolf & Filser, 2013; Marinko, 1998). Анализата на цитати на публикациите исто така помага да се идентификуваат релевантните дела и да се следи нивната популарност и напредок со текот на времето.
Анализа на коцитација на документи
Анализата на коцитации е вреден метод за истражување на односите помеѓу публикациите и прикажување на интелектуалната структура на полето (Nerur et al., 2008). Со други зборови, со идентификување на најцитираните публикации и нивните врски, методот ги групира публикациите во различни истражувачки кластери каде што публикациите во кластер редовно споделуваат слични идеи (McCain, 1990; Small, 1973). Клучно е да се спомене дека сличноста не значи дека наодите од публикациите се
кохезивни и се согласуваат едни со други; публикациите припаѓаат на истиот кластер поради сличноста на темата, но тие можат да имаат контрадикторни гледишта.
Собирање и анализа на податоци
Следејќи ја методологијата предложена од Вајт и Грифит (1981), извршивме сеопфатно пребарување на статии во списанија за да го покриеме целиот истражувачки домен на апликациите за беспилотни летала во земјоделството, следејќи ги следните пет чекори:
- Првиот чекор беше собирање податоци. Scopus беше избран како една од најсеопфатните и најсигурни бази на податоци со стандардизирани резултати. Беа преземени метаподатоците од публикациите поврзани со сите апликации за беспилотни летала во земјоделството. Потоа ги анализиравме избраните статии, отстранувајќи ги од анализата написите надвор од темата.
- Ја анализиравме литературата и ги идентификувавме најважните клучни зборови што се користат во областа на истражувањето.
- Користејќи анализа на цитати, ја истражувавме врската помеѓу авторите и документите за да ги откриеме основните обрасци на цитати. Ги идентификувавме и највлијателните автори и публикации со значителен придонес во областа на земјоделските дронови.
- Спроведовме анализа на коцитации за групирање слични публикации во кластери.
- Конечно, ги анализиравме врските и врските помеѓу земјите, институциите и списанијата за да ја прикажеме мрежата за соработка.
Идентификација на соодветни термини за пребарување
Ги применивме следните низи за пребарување за собирање податоци: (дрон* ИЛИ „беспилотно летало“ ИЛИ uav* ИЛИ „систем за беспилотни авиони“ ИЛИ uas ИЛИ „авион управуван од далечина”) И (земјоделски ИЛИ земјоделство ИЛИ земјоделство ИЛИ земјоделец). Пребарувањето беше спроведено во септември 2021 година. Беспилотните летала имаат неколку ознаки, вклучувајќи UAV, UAS и летала на далечина (Sah et al., 2021). Специфичните термини за пребарување поврзани со земјоделството беа идентификувани врз основа на студијата на Abdollahi et al. (2021). Заради јасност и транспарентност, точното барање што го користевме е дадено во Додаток 1. По процесот на чистење на податоците, создадовме текстуална датотека која потоа беше вчитана во BibExcel, вообичаена алатка за анализа на цитати и коцитации. Оваа алатка исто така нуди едноставна интеракција со друг софтвер и нуди значителен степен на слобода во ракувањето и анализата на податоците. VOSviewer верзијата 1.6.16 беше искористена за да се визуелизираат наодите и да се генерираат библиометриските мрежи (Eck & Waltman, 2009). VOSviewer нуди опсег на интуитивна визуелизација, особено за анализа на библиометриски карти (Geng et al., 2020). Понатаму, тој помага во обезбедување на едноставни визуелни резултати кои помагаат во подобро разбирање на резултатите (Abdollahi et al., 2021). Применувајќи ги низите за пребарување како што е наведено погоре, ги собравме и складиравме сите релевантни публикации. Првите резултати од пребарувањето дадоа вкупно 5,085 документи. За да се обезбеди квалитетот на избраниот примерок, во истражувањето беа земени предвид само рецензирани статии од списанија, што резултираше со исклучување на други видови документи, како што се книги, поглавја, зборници од конференции и уреднички белешки. За време на процесот на скрининг, беа филтрирани ирелевантни (т.е. надвор од опсегот на оваа работа), непотребни (т.е. дупликати кои потекнуваат од двојно индексирање) и публикации од неанглиско говорно подрачје. Овој процес резултираше со вклучување на 4,700 документи во финалната анализа.
Наоди и дискусија
За почеток, ги анализиравме развојот на публикациите во тековната литература за земјоделски дронови. Временската распределба на научните истражувања е прикажана на Сл. 1. Гледаме брз пораст на публикациите од 2011 година (30 публикации) наваму; затоа, решивме да го поделиме периодот на анализа во две различни фази. Се однесуваме на периодот помеѓу 1990 и 2010 година како фаза на изградба, која имаше приближно седум трудови објавени годишно. Периодот по 2010 година беше наречен фаза на раст бидејќи истражувањето за апликациите на беспилотните летала во земјоделството беше сведок на експоненцијален пораст во овој период. По 2010 година, зголемениот број на публикации го потврдува зголемениот интерес кај истражувачите, што исто така одразува дека беспилотните летала се применети за далечинско набљудување и користени во прецизното земјоделство (Deng et al., 2018; Maes & Steppe, 2019; Messina & Modica, 2020 година ). Поточно, бројот на публикации се зголеми од 108 во 2013 година на 498 во 2018 година и достигна врв на 1,275 во 2020 година. Вкупно 935 статии беа објавени помеѓу јануари и средината на септември 2021 година. Последователно, решивме да ја фокусираме нашата анализа повеќе на фазата на раст бидејќи овој период ги одразува најновите и најважните суптилности на земјоделските дронови.
Анализа на клучни зборови
Клучните зборови што авторите ги избираат за публикација имаат клучно влијание врз тоа како трудот е претставен и како се комуницира во научните заедници. Тие ги идентификуваат клучните субјекти на истражувањето и го одредуваат неговиот потенцијал да процвета или да пропадне (Day & Gastel, 1998.; Kim et al., 2016; Uddin et al., 2015). Анализата на клучни зборови, алатка за откривање на пошироки истражувачки трендови и насоки, се однесува на компилацијата на клучните зборови на сите сродни публикации во домен (Dixit & Jakhar, 2021). Во тековната студија, ги поделивме збирните клучни зборови во две групи (т.е. до 2010 и 2011–2021 година) за да ги истражиме најпопуларните теми. Со ова, можеме да ги следиме клучните клучни зборови во двата сета и да се увериме дека сме ги снимиле сите потребни податоци. За секој сет, првите десет клучни зборови се претставени во Табела 3. Ги елиминиравме недоследностите со спојување на семантички идентични клучни зборови, како што се „дрон“ и „дронови“ или, слично, „Интернет на нештата“ и „ИоТ“.
Табела 3 покажува дека „беспилотно летало“ е почесто користен клучен збор во споредба со „дрон“ и „беспилотен антенски систем“ во двата временски периоди. Исто така, „далечинско набљудување“, „прецизно земјоделство“ и „земјоделство“ се високо рангирани во двата периода. Во првиот период, „прецизното земјоделство“ беше на петтото место, а на второто во вториот период, што илустрира како беспилотните летала стануваат сè поважни во постигнувањето прецизно земјоделство бидејќи можат да вршат мониторинг,
Практиките за откривање и проценка се побрзи, поевтини и полесни за извршување во споредба со другите системи за далечинско набљудување и копно. Исто така, тие можат да ја испрскаат прецизната количина на влез (на пр. вода или пестициди) кога е потребно (Guo et al., 2020; Inoue, 2020; Panday, Pratihast, et al., 2020).
Список на најчесто користени клучни зборови.
Рангира | -1990 2010 | Бр појави | -2011 2021 | Бр појави |
1 | летало без екипаж возило | 28 | беспилотни летала летало | 1628 |
2 | далечинско набљудување | 7 | прецизност земјоделството | 489 |
3 | земјоделството | 4 | далечинско набљудување | 399 |
4 | воздухот | 4 | беспилотни летала | 374 |
5 | прецизност земјоделството | 4 | беспилотни летала воздушен систем | 271 |
6 | летало без екипаж | 4 | земјоделството | 177 |
7 | хиперспектрален сензор | 3 | длабоко учење | 151 |
8 | вештачки нервен Мрежи | 2 | машина учење | 149 |
9 | автономно летање | 2 | вегетација индекс | 142 |
10 | кафе | 2 | Интернет на Работи | 124 |
Друга интересна карактеристика е присуството на комплементарни технологии. Во првата фаза, „Хиперспектрален сензор“ и „вештачки невронски мрежи“ (АНН) се меѓу првите десет клучни зборови. Хиперспектралното сликање направи револуција во традиционалната слика со собирање огромен број слики на различни бранови должини. Притоа, сензорите можат истовремено да соберат подобри просторни и спектрални информации во споредба со мултиспектралните слики, спектроскопијата и RGB снимките (Adao ˜ et al.,
2017). Појавата на „ANN“ во првата фаза и „длабоко учење“ (DL) и „машинско учење“ (ML) во втората подразбира дека повеќето од објавените трудови се фокусирани на испитувањето на потенцијалот на техниките за вештачка интелигенција за беспилотни летала. засновано земјоделство. Иако беспилотните летала се способни да летаат автономно, тие сепак бараат вклучување на пилот, што подразбира ниско ниво на интелигенција на уредот. Сепак, овој проблем може да се реши поради унапредувањето на техниките за вештачка интелигенција, што може да обезбеди подобра ситуациона свест и автономна поддршка за одлучување. Опремени со вештачка интелигенција, беспилотните летала можат да избегнат судири за време на навигацијата, да го подобрат управувањето со почвата и земјоделските култури (Инуе, 2020) и да го намалат трудот и стресот за луѓето (БК Шарма и сор., 2019).
Поради нивната флексибилност и способност да ракуваат со огромни количества нелинеарни податоци, техниките на вештачката интелигенција се соодветни методи за анализа на податоците што се пренесуваат со беспилотни летала и други системи за далечинско набљудување и копно за предвидување и донесување одлуки (Ali et al., 2015; Инуе, 2020 година). Понатаму, присуството на „IoT“ во вториот период укажува на неговата нова улога во земјоделството. IoT го револуционизира земјоделството преку меѓусебно поврзување на други технологии, вклучувајќи беспилотни летала, ML, DL, WSN и големи податоци. Една од клучните придобивки од имплементацијата на IoT е неговата способност за ефикасно и ефективно спојување на различни задачи (прибирање податоци, анализа и обработка на податоци, донесување одлуки и имплементација) во речиси реално време (Elijah et al., 2018; Feng et al. , 2019; Muangprathub et al., 2019). Понатаму, беспилотните летала се сметаат за ефикасни алатки за снимање на податоците неопходни за пресметување на енергичноста и вегетациските својства на вегетацијата (Candiago et al., 2015). Сл. 2а и 2б ги илустрираат мрежите за истовремена појава на клучни зборови за двата временски периода.
Влијателни автори
Во овој дел, ги одредуваме влијателните автори и испитуваме како мрежите за цитат на автори можат да ја визуелизираат и организираат тековната литература. Сл. 3 го прикажува хронолошкото преклопување на сите истражувачи со најголем број на цитати. Скалата на бои ја одразува годишната варијација на цитатите на авторите. Ја испитуваме структурата на цитати на истражувачите кои објавиле студии за земјоделски дронови со користење на праг од минимум 50 цитати и десет публикации. Надвор од
12,891 автор, само 115 го исполнувале овој услов. Табелата 4 ги наведува првите десет влијателни автори, подредени според максималниот број на цитати. На листата води Lopez- Granados F. со 1,963 цитати, а потоа следи Zarco-Tejada PJ со 1,909 цитати.
Список на најцитирани автори.
Пласман | автор | Цитати |
1 | Лопез-Гранадос Ф. | 1,963 |
2 | Жарчо-Техада П.Ј | 1,909 |
3 | Пена ˜ JM | 1,644 |
4 | Торес-С Анчез Ј. | 1,576 |
5 | Феререс Е | 1,339 |
6 | Ремондино Ф | 1,235 |
7 | Болтен А | 1,160 |
8 | Барет Г | 1,155 |
9 | Берни Ј.А | 1,132 |
10 | де Кастро АИ | 1,036 |
Кога станува збор за поединечни публикации, написот на Џанг и Ковач (2012) е најцитираната студија објавена во Precision Agriculture. Овде, авторите ја разгледаа примената на UAS во прецизното земјоделство. Наодите од нивното истражување сугерираат дека има потреба да се унапреди дизајнот на платформата, производството, стандардизацијата на геореференцирање на слики и работниот тек за пребарување на информации за да им се обезбеди на земјоделците сигурни крајни производи. Дополнително, тие препорачуваат посилно ангажирање на земјоделецот, особено во планирањето на теренот, снимањето слики, како и толкувањето и анализата на податоците. Поважно е тоа што оваа студија беше меѓу првите што ја покажа важноста на UAV во мапирањето на теренот, мапирањето на силата, мерењето на хемиската содржина, следењето на стресот на вегетацијата и евалуацијата на ефектите на ѓубривата врз растот на растенијата. Предизвиците поврзани со технологијата, исто така, вклучуваат огромни трошоци, способност на сензорот, стабилност и доверливост на платформата, недостаток на стандардизација и конзистентна процедура за анализа на огромни количини на податоци.
Анализа на цитати
Анализата на цитати претставува проучување на влијанието на статиите, иако склони кон текови (на пр., пристрасност на цитирањето, самоцитирање) се смета за еден од стандардните инструменти за евалуација на влијанието (Osareh, 1996; A. Rejeb et al., 2022; Сарли и др., 2010). Наводите, исто така, ја одразуваат важноста и виталноста на придонесот на трудовите во литературата за одредена тема (Р. Шарма и сор., 2022). Спроведовме анализа на цитати за да ги утврдиме највлијателните студии за земјоделски дронови и ја сумиравме содржината. Табелата 5 го прикажува списокот на петнаесетте највлијателни трудови за периодите 1990–2010 и 2011–2021 година. Написите на Берни и сор. (2009)б и Остин (2010) се најцитирани во текот на 1990 и 2010 година, со 831 и 498 цитати, соодветно. Берни и сор. (2009)б го илустрираше потенцијалот за развој на квантитативни производи за далечинско сензорирање преку UAV базиран на хеликоптер, опремен со прифатливи термички и теснопојасни мултиспектрални сензори за сликање. Во споредба со традиционалните воздушни сензори со екипаж, евтиниот UAV систем за земјоделство може да постигне споредливи проценки на биофизичките параметри на земјоделските култури, ако не и подобри. Прифатливата цена и оперативната флексибилност, заедно со високите спектрални, просторни и временски резолуции достапни во брзо време на пресврт, ги прават UAV-овите погодни за низа апликации кои бараат временски критично управување, вклучително и распоред за наводнување и прецизно земјоделство. Трудот од Берни и сор. (2009)б е високо цитиран бидејќи ефикасно интегрираше беспилотна платформа со ротирачки крила и дигитални и термички сензори со потребните механизми за калибрација за земјоделски апликации. Втората најцитирана публикација е книгата чиј автор е Остин (2010), кој дискутираше за UAV од дизајн, развој и перспективи на распоредување. Во земјоделството, UAV-овите го поддржуваат мониторингот на културите со рано откривање на болести преку промена на бојата на културите, олеснување на сеидбата и прскањето на културите и следење и возење на стадата.
Студиите на Саливан и сор. (2007), Луме и сор. (2008), и Gokto ¨ ǧan et al. (2010) ја заврши листата на првите петнаесет најцитирани статии. Овие статии го илустрираат развојот на системи базирани на UAV за поддршка на земјоделството. Тие нудат решенија за различни проблеми, како што се мониторинг и скенирање на посевите, надзор и управување со плевелот и поддршка за одлуки. Тие, исто така, предлагаат и дискутираат за способноста на UAV да ја зголеми ефикасноста на земање примероци и да им помогне на земјоделците да смислат точни и ефективни
стратегии за садење. Два труда беа авторски на Берни (Berni et al., 2009b; Berni et al., 2009a), нагласувајќи го неговото значајно влијание врз истражувањата поврзани со земјоделски дронови. Трудот од Зарко-Тејада и др. (2014) е меѓу пионерските студии за да се илустрира потребата од користење на евтини UAV снимки во квантификацијата на висината на дрвото.
Список на најцитирани публикации.
Рангира | Од 1990 да 2010 | Од 2011 да 2021 | ||
Документ | цитат | Документ | цитат | |
1 | (Berni et al., 2009b) | 831 | (Ц. Жанг и Ковач, 2012) | 967 |
2 | (Остин, 2010) | 498 | (Некс и Ремондино, 2014) | 893 |
3 | (Хант и сор., 2010) | 331 | (Флореано и дрво, 2015) | 552 |
4 | (С.Р. Хервиц и сор., 2004) | 285 | (Хосеин Мотлаг и сор., 2016) | 391 |
5 | (CCD Lelong et al., 2008) | 272 | (Шахатрех и сор., 2019) | 383 |
6 | (Berni et al., 2009b) | 250 | (Ma et al., 2017) | 373 |
7 | (Гренздорфер ¨ и сор., 2008) | 198 | (Bendig et al., 2014) | 360 |
8 | (Hrabar et al., 2005) | 175 | (Зарко-Тејада и сор., 2014) | 347 |
9 | (Y. Huang et al., 2009) | 129 | (Ad˜ ao et al., 2017) | 335 |
10 | (Шмале III и сор., 2008) | 119 | (Хонкаваара и сор., 2013a) | 331 |
11 | (Абд-Елрахман и сор., 2005) | 79 | (Candiago et al., 2015) | 327 |
12 | (Techy et al., 2010) | 69 | (Ксијанг и Тијан, 2011) | 307 |
13 | (Саливан et al., 2007) | 51 | (Matese et al., 2015) | 303 |
14 | (Lumme et al., 2008) | 42 | (Гаго и сор., 2015) | 275 |
15 | (Гокто ¨ ǧan et al., 2010) | 40 | (Aasen et al., 2015a) | 269 |
Во вториот период (2011–2021), истражувањето на Џанг и Ковач (2012) и Некс и Ремондино (2014) резултираше со најчесто цитирани публикации. Zhang и Kovacs (2012) тврдат дека прецизното земјоделство може да има корист од имплементацијата на геопросторни техники и сензори, како што се географски информациски системи, ГПС и далечинско набљудување, за да се фатат варијациите на теренот и да се справи со нив со примена на алтернативни стратегии. Како менувач на играта во прецизното земјоделство, усвојувањето на беспилотни летала најави ново доба во далечинско набљудување, поедноставувајќи го набљудувањето од воздух, фаќањето податоци за растот на културите, условите на почвата и областите за прскање. Прегледот на Zhang and Kovacs (2012) е важен бидејќи нуди увид во UAV-овите со откривање на постојните употреби и предизвици на овие уреди во мониторингот на животната средина и прецизното земјоделство, како што се ограничувањата на платформата и камерата, предизвиците за обработка на податоци, ангажирањето на земјоделците и авијациските регулативи . Вториот
најцитираната студија од Nex и Remondino (2014) ја разгледуваше состојбата на уметноста на UAV за снимање, обработка и анализа на слики од земјата.
Нивната работа, исто така, презентираше преглед на неколку UAV платформи, апликации и случаи за употреба, прикажувајќи ги најновите достигнувања во обработката на слики со UAV. Во земјоделството, земјоделците би можеле да користат UAV за да донесат ефективни одлуки за да постигнат заштеда на трошоци и време, да добијат брза и прецизна евиденција на штетите и да ги предвидат можните проблеми. За разлика од конвенционалните воздушни платформи, UAV-овите можат да ги намалат оперативните трошоци и да ја намалат опасноста од пристап на сурови локации, додека сè уште го зачувуваат потенцијалот со висока прецизност. Нивниот труд ги сумира различните предности на UAV-овите, особено во однос на точноста и резолуцијата.
Меѓу преостанатите тринаесет најцитирани публикации помеѓу 2011 и 2021 година, забележавме поголема концентрација на истражување поврзано со апликации за беспилотни летала во мисии за сликање (Bendig et al., 2014; Ma et al., 2017; Zarco-Tejada et al., 2014) , прецизно земјоделство (Candiago et al., 2015; Honkavaara et al., 2013a), прецизно лозарство (Matese et al., 2015), проценка на воден стрес (Gago et al., 2015) и следење на вегетацијата (Aasen et al. , 2015а). Во раните години, истражувачите се фокусираа
повеќе за развој на евтини, лесни и прецизни системи за земјоделство базирани на UAV; поновите истражувања се фокусираа повеќе на прегледи на апликации за UAV за земјоделство и теренски геодети. Накратко, оваа анализа открива дека влијателните публикации претежно обезбедиле прегледи на претходни студии за проценка на тековниот научен и технолошки статус на UAV и развиени UAV системи за поддршка на прецизното земјоделство. Интересно, не најдовме студии кои користат емпириски
методологии или описни студии на случај, што претставува значителен јаз во знаењето и бара повеќе истражувања на оваа тема.
Ко-цитатна анализа
Според Gmür (2006), анализата на коцитации идентификува слични публикации и ги групира. Внимателно испитување на кластерот може да открие заедничко поле на истражување меѓу публикациите. Ние го истражуваме коцитирањето на литературата што се однесува на земјоделските дронови за да ги илустрираме поврзаните теми и да ги откриеме интелектуалните модели на публикации. Во овој поглед, Small (1973) препорача употреба на коцитациска анализа за проучување на највлијателните и најзначајните истражувања
во рамките на една дисциплина. За да го ограничиме множеството на најзначајните написи (Гојал и Кумар, 2021), поставивме праг за коцитации од 25, што значи дека две статии мора да се цитирани заедно во референтните листи од 25 или повеќе различни публикации. Кластерирањето беше спроведено и со минимална големина на кластерот 1 и без метод за спојување на помали кластери со поголеми. Како резултат на тоа, шест кластери беа генерирани врз основа на сличноста на студиите и нивната интелектуална структура. Табелата 6 ја прикажува дистрибуцијата на публикации во секој кластер.
Кластер 1: Овој кластер содржи осумнаесет документи објавени по Публикациите во овој кластер разговараат за улогата на беспилотните летала во поддршката на мониторингот на животната средина, управувањето со културите и управувањето со плевелите. На пример, Манфреда и сор. (2018) даваат преглед на тековните истражувања и имплементации на UAV во следењето на природниот земјоделски екосистем и тврдат дека технологијата нуди огромен потенцијал за драстично подобрување на мониторингот на животната средина и намалување на
постојниот јаз помеѓу теренското набљудување и конвенционалното далечинско сензорирање од воздух и вселена. Ова може да се направи со нудење нов капацитет за подобрено временско пребарување и просторни увиди во големи области на достапен начин. УАВ можат постојано да ја чувствуваат околината и да ги испраќаат добиените податоци до интелигентни, централизирани/децентрализирани ентитети кои ги контролираат сензорите за да ги идентификуваат евентуалните проблеми, како што е недостатокот на болест или откривање вода (Падова ´ et al., 2017). Адао ˜ и сор. (2017) претпоставуваат дека UAV-овите се идеални за проценка на условите на растенијата со зафаќање на огромен обем на необработени податоци поврзани со статусот на водата, проценката на биомасата и проценката на силата. Сензорите монтирани на UAV, исто така, би можеле веднаш да се распоредат во соодветни услови на животната средина за да се овозможи навремено снимање на податоци со далечинско набљудување (Von Bueren et al., 2015). Со помош на беспилотни летала, фармерите се способни да вршат земјоделски активности во затворени простории со стекнување мерења од практично секое место во тродимензионалниот простор на внатрешните земјоделски средини (на пример, оранжерии), со што се обезбедува локална контрола на климата и мониторинг на растенијата (Ролдан и др. ., 2015). Во контекст на прецизноста
земјоделството, одлуките за управување со земјоделските култури бараат точни, сигурни податоци за културите со соодветна временска и просторна резолуција (Gebbers & Adamchuk, 2010; Gevaert et al., 2015; Maes & Steppe, 2019). Поради оваа причина, Agüera Vega et al. (2015) користеше мултиспектрален сензорски систем монтиран на UAV за да добие слики од родот сончоглед во текот на сезоната на растење. Слично на тоа, Хуанг и сор. (2009) забележуваат дека далечинското набљудување базирано на UAV може да го олесни мерењето на посевите и почвата од собраните спектрални податоци. Вергер и сор. (2014) разви и тестираше техника за проценка на индексот на зелена површина (GAI) од мерењата на рефлексија на UAV во прецизни апликации во земјоделството, фокусирајќи се на културите на пченица и семе од репка. Затоа, беспилотните летала обезбедуваат нови можности за пронаоѓање информации за состојбата на културите со чести повторени посети и висока просторна резолуција (Донг и сор., 2019; Гарзонио и сор., 2017; Х. Женг и сор., 2016 година).
Кластерирање на влијателни публикации за земјоделски дронови.
Кластерот за информатичка технологија | Широка тема | Референци |
1 | Мониторинг на животната средина, култура управување, управување со плевелот | (Ad˜ ao et al., 2017; Агуера Вега et al., 2015; де Кастро и сор., 2018; Гомез-Канд 'на' и сор., 2014; YB Хуанг и сор., 2013; Канал и сор., 2017 година; Лопез-Гранадос, ´ 2011; Манфреда и сор., 2018; П' adua et al., 2017 година; Пена ˜ et al., 2013; Перез-Ортиз et al., 2015; Расмусен и сор., 2013 година, 2016 година; Торес-С anchez et al., 2014; Торес-Санчез, Лопез-Гранадос, и Пена, ˜ 2015 година; Вергер и сор., 2014; Фон Bueren et al., 2015; C. Zhang & Ковач, 2012) |
2 | Далечинско фенотипирање, принос проценка, модел на површината на културата, броење на растенија | (Bendig et al., 2013, 2014; Geipel et al., 2014; Гнадингер ¨ & Шмидхалтер, 2017 година; Хагихаталаб et al., 2016; Holman et al., 2016; Џин et al., 2017; W. Li et al., 2016; Maimaitijiang et al., 2017; Санкаран et al., 2015; Schirrmann et al., 2016; Ши и сор., 2016; Yue et al., 2017; X. Џоу и сор., 2017) |
3 | Термичка слика за вода, мултиспектрално снимање | (Baluja et al., 2012; Berni et al., 2009б; Berni et al., 2009a; Кандиаго et al., 2015; Гаго и др., 2015; Гонзалес-Дуго и сор., 2013, 2014; Гренздорфер ¨ и сор., 2008; Калик et al., 2019; Matese et al., 2015; Рибеиро-Гомес и сор., 2017; Santesteban et al., 2017; Уто и сор., 2013) |
4 | Хиперсектрално снимање, спектрално слики | (Aasen et al., 2015a; Bareth et al., 2015 година; Хакала и др., 2013; Honkavaara et al., 2013a; Лусиер et al., 2014; Saari et al., 2011; Суомалаинен и сор., 2014) |
5 | Апликации за 3D-мапирање | (Jim'enez-Brenes et al., 2017; Nex & Ремондино, 2014 година; Салами и сор., 2014 година; Торес-С Анчез, Лопез-' Гранадос, Серано, и др., 2015; Захави и сор., 2015; Зарчо-Техада et al., 2014) |
6 | Надзор врз земјоделството | (С.Р. Хервиц и сор., 2004; Хант et al., 2010; CCD Лелонг и сор., 2008 година; Primicerio et al., 2012; Ксијанг и Тијан, 2011) |
Понатаму, беспилотните летала се корисни за предизвикувачки задачи во земјоделството, вклучително и мапирање на плевелите. Сликите снимени со уредите ја докажаа нивната корисност за рано откривање на плевелот на полињата (de Castro et al., 2018; Jim'enez-Brenes et al., 2017; Lam et al., 2021; Lopez-Granados ´ et al., 2016 година, Розенберг и други, 2021 година). Во овој поглед, де Кастро и сор. (2018) претпоставуваат дека спојувањето на снимките на UAV и анализата на слика базирана на објекти (OBIA) им овозможи на практичарите да го надминат прашањето за автоматизирање на раното откривање кај тревните култури во раната сезона, што е голем чекор напред во истражувањето на плевелот. Исто така, Пена ˜ и сор. (2013) посочуваат дека употребата на слики со ултра висока просторна резолуција од UAV во врска со процедурата OBIA овозможува да се генерираат мапи на плевелот кај раните култури на пченка што би можеле да се користат при планирањето на спроведувањето на мерките за контрола на плевелот во сезоната, задача што ја надминува способноста за сателитски и традиционални снимки од воздух. Во споредба со алгоритмите за класификација на слики или за откривање објекти, техниките за семантичка сегментација се поефикасни во задачите за мапирање на плевелот (J. Deng et al., 2020), со што им овозможуваат на земјоделците да ги откријат условите на теренот, да ги ублажат загубите и да ги подобрат приносите во текот на сезоната на растење (Рамеш et al., 2020). Семантичката сегментација заснована на длабоко учење, исто така, може да обезбеди точно мерење на вегетациската покривка од воздушни снимки со висока резолуција (Рамеш и сор., 2020; А. Женг и сор., 2022). И покрај нивниот потенцијал за далечински
класификација на пиксели со сензори, техниките за семантичка сегментација бараат значителна пресметка и премногу висока меморија на графичкиот процесор (J. Deng et al., 2020).
Врз основа на машинско учење и UAV, P´erez-Ortiz et al. (2015) предложи пристап за мапирање на плевелот за да се обезбедат стратегии за контрола на плевелот специфични за локацијата кога фармерите ќе ја усвојат контролата на плевелот рано по појавата. Конечно, Расмусен и сор. (2013) истакна дека беспилотните летала обезбедуваат евтино сензори со голема флексибилност во просторната резолуција. Севкупно, публикациите во овој кластер се фокусираат на истражување на потенцијалите на UAV-овите за поддршка на далечинско набљудување, следење на посевите и мапирање на плевелите. Потребно е дополнително длабинско истражување за понатамошно испитување како апликациите со беспилотни летала во мониторингот на животната средина, управувањето со посевите и мапирањето на плевелот можат да постигнат поодржливо земјоделство (Chamuah & Singh, 2019; Islam et al., 2021; Popescu et al., 2020; J Су, Лиу, и соработници, 2018) и се осврнуваат на прашањата за управување со оваа технологија во апликациите за осигурување на земјоделски култури (Basnet & Bang, 2018; Chamuah & Singh, 2019, 2022; Meinen & Robinson, 2021). Истражувачите треба да се концентрираат на потврдување на мерењата собрани со UAV со ефикасни техники за обработка за да го подобрат врвниот квалитет на обработените податоци (Manfreda et al., 2018). Понатаму, потребен е развој на соодветни алгоритми кои препознаваат пиксели кои прикажуваат плевел во дигиталните слики и ја елиминираат ирелевантната позадина за време на мапирањето на плевелите со UAV (Gaˇsparovi´c et al., 2020; Hamylton et al., 2020; H. Huang et al. , 2018, 2020 година; Добредојдени се дополнителни истражувања за усвојување на техники за семантичка сегментација во препознавањето на растенијата, класификацијата на листовите и мапирањето на болести (Fuentes-Pacheco et al., 2016; Kerkech et al., 2019).
Кластер 2. Публикациите во овој кластер се фокусираа на неколку аспекти на земјоделските дронови. Поврзано со далечинско фенотипирање, Sankaran et al. (2015) го разгледаа потенцијалот за користење воздушно снимање на мала надморска височина и висока резолуција со UAV за брзо фенотипирање на културите на теренот и тие тврдат дека, во споредба со платформите за сензори базирани на земја, малите UAV со соодветни сензори нудат неколку предности , како што е полесен пристап до теренот, податоци со висока резолуција, ефикасно собирање податоци,
брзи проценки на условите за раст на теренот и ниски оперативни трошоци. Сепак, авторите исто така забележуваат дека ефективната примена на UAV за фенотипирање на теренот се потпира на два фундаментални елементи, имено, карактеристики на UAV (на пример, безбедност, стабилност, позиционирање, автономија) и карактеристики на сензорот (на пример, резолуција, тежина, спектрални бранови должини, поле поглед). Haghighattalab et al. (2016) предложил полуавтоматизиран цевковод за обработка на слики за да се преземат податоци на ниво на заплет од снимките на UAV и да се забрза процесот на размножување. Холман и сор. (2016) разви висока
Системот за фенотипирање на полето на пропусната моќ и истакна дека UAV е способен да собира квалитетни, обемни, теренски фенотипски податоци и дека уредот е ефикасен за големи области и на различни локации на терен.
Со оглед на тоа што проценката на приносот е неверојатно витална информација, особено кога се достапни навреме, постои потенцијал UAV-ите да ги обезбедат сите теренски мерења и ефикасно да стекнат висококвалитетни податоци (Daakir et al., 2017; Demir et al., 2018 Енцисо и др., 2019 година; Во овој поглед, Џин и сор. (2018) ги искористи снимките со висока резолуција добиени од UAV-и на многу ниски височини за да развијат и проценат метод за проценка на густината на растението пченица во фазата на појава. Според авторите, UAV-ите ги надминуваат ограничувањата на ровер системите опремени со камери и претставуваат неинвазивен метод за проценка на густината на растенијата во посевите, дозволувајќи им на земјоделците да постигнат висока пропусност неопходна за фенотипизација на теренот, независно од сообраќајноста на почвата. Ли и сор. (2012) собра стотици стерео слики со екстремно висока резолуција користејќи систем базиран на UAV за да ги процени параметрите на пченката, вклучувајќи ја висината на крошната и надземната биомаса. Конечно, Јуе и сор. (2017) откри дека висината на културата одредена од UAV може да ја подобри проценката на надземната биомаса (AGB).
Пристап за следење на растот на културите е идејата за развој на модели на површината на културите (Bendig et al., 2014, 2015; Holman et al., 2016; Panday, Shrestha, et al., 2020; Sumesh et al., 2021). Неколку студии ја истакнаа изводливоста на слики направени од UAV за да се сними висината на растенијата и да се следи нивниот раст. На пример, Бендиг и сор. (2013) го опиша развојот на повеќевременски модели на површински култури со многу висока резолуција помала од 0.05 m користејќи UAV. Тие имаа за цел да откријат култура
варијабилноста на растот и неговата зависност од третманот на културите, сортата и стресот. Бендиг и сор. (2014) користеле UAV-ови за да ја проценат свежата и сува биомаса врз основа на висината на растението извлечена од моделите на површината на културите и откриле дека, за разлика од воздушните платформи и копненото ласерско скенирање, сликите со висока резолуција од UAVs може значително да ја зголемат точноста на моделирањето на висината на растенијата за различен раст фази. Во истата насока, Гејпел и сор. (2014) користеа UAV во своето истражување за да добијат слики
збирки на податоци за предвидување на приносот на пченка во три различни фази на раст од рана до средна сезона и заклучи дека комбинацијата на спектрално и просторно моделирање врз основа на воздушни снимки и модели на површината на културите е соодветен метод за предвидување на приносот на пченка во средината на сезоната. Конечно, Gnadinger ¨ и Schmidhalter (2017) ја испитаа корисноста на UAV во прецизното фенотипирање и истакнаа дека употребата на оваа технологија може да го подобри управувањето со фармата и да овозможи теренски експерименти за одгледување и агрономски цели. Севкупно, забележуваме дека публикациите во кластерот 2 се фокусираат на главните предности на UAV-овите на далечина
фенотипизација, проценка на приносот, моделирање на површината на културите и броење растенија. Идните студии можат да копаат подлабоко со развивање нови методи за далечинско фенотипирање кои можат да ја автоматизираат и оптимизираат обработката на далечински набљудуваните податоци (Barabaschi et al., 2016; Liebisch et al., 2015; Mochida et al., 2015; S. Zhou et al. ., 2021). Дополнително, треба да се истражат перформансите на IoT сензорите монтирани на UAV и компромисот помеѓу нивните трошоци, труд и прецизноста на проценката на приносот во
иднина (Ju & Son, 2018a, 2018b; Xie & Yang, 2020; Yue et al., 2018). На крајот на краиштата, постои потреба да се развијат ефикасни методи за обработка на слики кои можат да генерираат веродостојни информации, да ја максимизираат ефикасноста во земјоделското производство и да ја минимизираат работата за рачно броење на фармерите (RU Khan et al., 2021; Koh et al., 2021; Lin & Guo, 2020 C. Zhang et al., 2020).
Кластер 3. Публикациите во овој кластер дискутираат за различните типови системи за сликање за далечинско сензорирање на земјоделските ресурси што се користат на платформите за UAV. Во овој поглед, термичките слики овозможуваат следење на површинските температури за да се спречи оштетување на културите и рано да се открие стресот од суша (Awais et al., 2022; García-Tejero et al., 2018; Sankaran et al., 2015; Santesteban et al., 2017; Yeom, 2021). Балуја и сор. (2012) тврди дека употребата на мултиспектрални и термални камери на одборот на
UAV им овозможи на истражувачите да добијат слики со висока резолуција и да го проценат статусот на водата од лозата. Ова би можело да биде корисно за развој на нови модели за распоред на вода користејќи податоци за далечинско набљудување (Baluja et al., 2012). Поради
ограничен капацитет на оптоварување на UAV, Ribeiro-Gomes et al. (2017) ја разгледа интеграцијата на неоладените термални камери во UAVS за да се одреди стресот на водата во постројките, што го прави овој тип на UAV-ови поефикасни и поодржливи од традиционалните сателитски базирани далечински сензори и UAV-ови опремени со ладени термални камери. Според авторите, неизладените термални камери се полесни од оладените камери и бараат соодветна калибрација. Гонзалес-Дуго и сор. (2014) покажа дека термичките слики ефикасно генерираат просторни карти на индексите на воден стрес на културите за проценка на состојбата на водата и квантифицирање на водениот стрес меѓу и во насадите со агруми. Гонзалес-Дуго и сор. (2013) и Сантестебан и сор. (2017) ја истражуваше употребата на термални слики со UAV со висока резолуција за да ја процени варијабилноста на статусот на водата на комерцијален овоштарник и лозје.
Мултиспектралното сликање може да обезбеди огромни податоци во споредба со традиционалните RGB (Црвени, Зелени и Сини) слики (Ad˜ ao et al., 2017; Navia et al., 2016). Овие спектрални податоци, заедно со просторните податоци, би можеле да помогнат во целите на класификација, мапирање, предвидување, предвидување и откривање (Berni et al., 2009b). Според Кандиаго и сор. (2015), мултиспектралното сликање базирано на UAV може масовно да придонесе за проценка на културите и прецизно земјоделство како сигурен и ефикасен ресурс. Исто така,
Калик и сор. (2019) направи споредба помеѓу сателитски и мултиспектрални слики базирани на UAV. Сликите базирани на UAV резултираа со тоа што беа попрецизни во опишувањето на варијабилноста на лозјето, како и мапите на енергичност за прикажување на настрешници на културите. Накратко, написите во овој кластер разговараат за инкорпорирањето на сензорите за топлинска и мултиспектрална слика во земјоделските UAV-ови. Според тоа, потребни се повеќе истражувања за да се разбере како термичкото и мултиспектралното сликање може да се интегрира со вештачката интелигенција
техники (на пример, длабоко учење) за откривање на стресот на растенијата (Ampatzidis et al., 2020; Ampatzidis & Partel, 2019; Jung et al., 2021; Santesteban et al., 2017; Syeda et al., 2021). Ваквите сознанија ќе помогнат да се обезбеди поефикасно и прецизно откривање, како и следење на растот на растенијата, стресот и фенологијата (Бутерс и сор., 2019; Као и сор., 2020; Неупан и БајзалГурел, 2021; Л. Жоу и сор., 2020 година).
Кластер 4. Овој кластер се состои од седум трудови кои се вртат околу клучната улога на спектралното сликање и хиперспектрното сликање во поддршката на земјоделските практики. Хиперспектралното сликање се етаблира како метод на далечинско набљудување кој овозможува квантитативна проценка на земјениот систем (Schaepman et al., 2009). доделувањето на пропорциите на површинските компоненти
во рамките на мешани пиксели (Kirsch et al., 2018; Zhao et al., 2022). Со други зборови, повисоката спектрална резолуција обезбедена од хиперспектралните системи овозможува попрецизни проценки на различни параметри, како што се вегетаријанските својства или содржината на вода во листот (Suomalainen et al., 2014). Истражувачите во овој кластер истражувале различни аспекти на таквите системи. Меѓу другите, Асен и сор. (2015b) понуди уникатен пристап за изведување тродимензионални хиперспектрални информации од лесни
Камери за снимки што се користат на UAV-ови за следење на вегетацијата. Лусиер и сор. (2014) разговараше за дизајнот, развојот и воздушните операции на нов хиперспектрален UAS, како и калибрацијата, анализата и интерпретацијата на податоците од сликата собрани со него. Конечно, Honkavaara et al. (2013b) разви сеопфатен пристап за обработка на спектралните слики базирани на интерферометар FabryPero и ја покажа неговата употреба во процедура за проценка на биомаса за прецизно земјоделство. Потенцијалните идни патишта за овој сегашен кластер вклучуваат нагласување на потребата за технички подобрувања во технологиите на сензорите (Aasen et al., 2015b), како и потребата за инкорпорирање и подобрување на комплементарни технологии, особено големи податоци и аналитика (Ang & Seng, 2021; Radoglou -Grammatikis et al., 2020 Shakoor et al., 2019). Последново главно произлегува од постојано растечките податоци генерирани од различни сензори имплементирани во паметното земјоделство (C. Li & Niu, 2020; A. Rejeb et al., 2022; Y. Su & Wang, 2021).
Кластер 5. Публикациите во овој кластер ги испитуваа апликациите за 3Dmapping базирани на дронови. Користењето беспилотни летала за 3Д мапирање може да ја ублажи сложената теренска работа и значително да ја зголеми ефикасноста (Торес-Санчез ´ et al., 2015). Петте статии во кластерот главно се фокусираа на апликациите за следење на растенијата. На пример, за да се добијат тродимензионални податоци за површината на крошна, висината на дрвото и волуменот на круната, Торес-Санчез и др. (2015) користеше UAV технологија за генерирање на дигитални модели на површини, а потоа пристапи за анализа на слики базирани на објекти (OBIA). Понатаму, Zarco-Tejada et al. (2014) ја квантифицираше висината на дрвото со интегрирање на технологијата на UAV и тридимензионалните методи за фотореконструкција. Џименез-Бренес Лопез-Гранадос, Де Кастро и др. (2017) покажа нов процес за повеќевременско, 3D следење на десетици маслинови дрвја преку интегрирање на UAV технологијата со напредната методологија OBIA. Интересните патишта за идните работи во овој кластер вклучуваат или подобрување на струјата
методологии (Zarco-Tejada et al., 2014) за цели на дигитално моделирање на површини (Ajayi et al., 2017; Jaud et al., 2016), како што се OBIA (de Castro et al., 2018, 2020; Ventura et al. , 2018) и реконструкција на фотографии или развој на нови методи (Диаз-Варела и сор., 2015; Торес-С'анчез и сор., 2015).
Кластер 6. Овој кластер ја дискутира улогата на беспилотните летала во земјоделскиот надзор. Беспилотните летала би можеле да ги надополнат и надминат недостатоците на сателитски и авионски слики. На пример, тие би можеле да обезбедат висока резолуција во близина на слики во реално време со помалку гориво или пилотски предизвици, што резултира со постојан надзор и во реално време и подобрувања во донесувањето одлуки (S. Herwitz et al., 2004). Друг клучен придонес на беспилотните летала е нивната способност да обезбедуваат податоци специфични за локацијата за прецизно земјоделство или земјоделство специфични за локацијата, бидејќи нивната висока резолуција, деталните податоци за различни параметри им овозможуваат на земјоделците да ја поделат земјата на хомогени делови и соодветно да ги третираат (Хант и сор. , 2010 CC Lelong et al., 2008 Primicerio et al., 2012; Ваквиот земјоделски надзор базиран на UAV може да го поддржи следењето и донесувањето одлуки за безбедноста на храната (SR Herwitz et al., 2004). За да се унапреди истражувањето во земјоделскиот надзор, не се потребни само подобрувања во сензорите, UAV-овите и другите сродни технологии и нивните методи за комуникација и пренос на податоци (Ewing et al., 2020; Shuai et al., 2019), туку и интегрирање на беспилотни летала со различни технологиите за оптимизирање на различни задачи во однос на паметното земјоделство, како што се мониторинг, земјоделски надзор и донесување одлуки, е област за истражување со висок потенцијал (Alsamhi et al., 2021; Popescu et al., 2020; Vuran et al., 2018). Во овој поглед, IoT, WSN и големите податоци нудат интересни комплементарни способности (van der Merwe et al., 2020). Трошоците за имплементација, заштедите на трошоците, енергетската ефикасност и безбедноста на податоците се меѓу недоволно истражените области за таква интеграција (Masroor et al., 2021).
Земји и академски институции
Последниот чекор вклучуваше истрага за земјата на потекло и академската припадност на авторите. Преку оваа анализа, имаме за цел подобро да ја разбереме географската дистрибуција на научници кои придонесуваат за примената на беспилотните летала во земјоделството. Вреди да се забележи различноста на земји и академски институции. Од перспектива на земја, САД, Кина, Индија и Италија се рангирани на врвот на листата во однос на бројот на публикации (Табела 7). Сегашното
истражувањето на земјоделските дронови е главно насочено во северноамериканските и азиските земји, главно поради нивниот висок ангажман во прецизни земјоделски апликации. На пример, во САД, пазарот на земјоделски дронови беше проценет на 841.9 милиони американски долари во 2020 година, што претставува приближно 30% од уделот на глобалниот пазар (ReportLinker, 2021). Рангирана како најголема светска економија, се предвидува дека Кина ќе достигне приближна пазарна големина од 2.6 милијарди американски долари во 2027 година. Оваа земја апелира до земјоделските беспилотни летала да ги надминат проблемите со продуктивноста и да постигнат подобри приноси, ублажување на работната сила и помали производствени инпути. Сепак, усвојувањето на технологијата во Кина е поттикнато и од фактори како што се големината на популацијата и потребата за иновации и подобрување на постоечките практики за управување со културите.
Топ најпродуктивните земји и универзитети/организации кои придонесуваат за
истражувања поврзани со земјоделски дронови.
Рангира | земји |
1 | САД |
2 | Кина |
3 | Индија |
4 | Италија |
5 | Шпанија |
6 | Германија |
7 | Бразил |
8 | Австралија |
9 | Јапонија |
10 | Обединето Кралство |
Рангира | Универзитети/организации |
1 | Кинеската академија на науките |
2 | Министерство за земјоделство на Народна Република Кина |
3 | Врховен совет на научни истражувања |
4 | Универзитет А & М во Тексас |
5 | Кина Земјоделски Универзитет |
6 | УСДА служба за земјоделско истражување |
7 | CSIC – Instituto de Agricultura Sostenible IAS |
8 | Дата на започнување |
9 | Националниот совет за истражување |
10 | Земјоделски универзитет во Јужна Кина |
Од универзитетска и организациска перспектива, Кинеската академија на науките е на врвот на листата според бројот на публикации, а потоа следат Министерството за земјоделство на Народна Република Кина и Consejo Superior de Investigaciones Científicas. Кинеската академија на науките е претставена од авторите Лиао Ксијаохан и Ли Јун; Хан Вентинг го претставува Министерството за земјоделство на Народна Република Кина; и Consejo Superior de Investigaciones Científicas е претставена од Lopez-Granados, 'F. and Pena, ˜ Jos'e María S.
спомене. Универзитетите со најголем број публикации и нивните врски се прикажани на слика 4. Дополнително, оваа листа вклучува институции како што се Consiglio Nazionale delle Ricerche и Consejo Superior de Investigaciones Científicas кои се активни во научно истражување, но не се академски институции .
Нашиот избор вклучуваше широк спектар на списанија, што ги опфаќа практично сите достапни податоци. Како што е прикажано во Табела 8, Далечинското мерење со 258 статии се рангира на врвот, проследено со Journal of Intelligent and Robotic Systems: Theory and Applications со 126 и Computers and Electronics in Agriculture со 98 статии. Додека далечинското набљудување е главно фокусирано на примена и развој на беспилотни летала, компјутерите и електрониката во земјоделството главно покриваат напредок во компјутерскиот хардвер, софтверот, електрониката и контролните системи во земјоделството. Продажните места со различни области, како што се IEEE Robotics and Automation Letters со 87 публикации и IEEE Access со 34 публикации, се исто така врвни места во оваа област. Најдобрите петнаесет места придонесоа за литературата со 959 документи, што е приближно 20.40% од сите публикации. Анализата на коцитации во списанието ни овозможува да ја испитаме важноста и сличноста помеѓу публикациите. Анализата на коцитираните дава три кластери, како што е прикажано на слика 5. Црвениот кластер се состои од списанија како што се Remote Sensing, Computer and Electronics in Agriculture, Sensors,
и International Journal of Remote Sensing. Сите овие изданија се високо реномирани списанија во областите на далечинско набљудување и прецизно земјоделство. Зелениот кластер содржи списанија кои се занимаваат со роботика, како што се Journal of Intelligent and Robotic Systems: Theory and Applications, IEEE Robotics and Automation Letters, IEEE Access и Drones. Овие продажни места најчесто објавуваат трудови за автоматизација и се корисни за земјоделските инженери. Конечниот кластер е формиран од списанија поврзани со агрономија и земјоделско инженерство, како што се Агрономијата и Меѓународниот весник за земјоделско и биолошко инженерство.
Топ 15 списанија за истражување поврзани со земјоделски дронови.
Рангира | Весник | Брои |
1 | Далечински сензори | 258 |
2 | Journal of Intelligent and Robotic Systems: Theory and апликации | 126 |
3 | Компјутери и електроника во земјоделството | 98 |
4 | Писма за роботика и автоматизација на IEEE | 87 |
5 | Сензори | 73 |
6 | Меѓународен весник за далечинско набљудување | 42 |
7 | Прецизно земјоделство | 41 |
8 | Беспилотни летала | 40 |
9 | Агрономија | 34 |
10 | IEEE пристап | 34 |
11 | Меѓународен весник за напредни роботски системи | 31 |
12 | Меѓународен весник за земјоделско и биолошко инженерство | 25 |
13 | PLoS One | 25 |
14 | Весник за теренска роботика | 23 |
15 | Биосистеми Инженеринг | 23 |
Заклучок
Резиме
Во оваа студија, ги сумиравме и анализиравме постојните истражувања за земјоделски дронови. Применувајќи различни библиометриски техники, се трудевме да добиеме подобро разбирање за интелектуалната структура на истражувањата поврзани со земјоделски беспилотни летала. Накратко, нашиот преглед нуди неколку придонеси преку идентификување и дискусија за клучни зборови во литературата, откривање кластери на знаење додека се формираат семантички слични заедници во областа на беспилотните летала, наведување на претходните истражувања и предлагање на идни истражувачки насоки. Подолу, ги прикажуваме главните наоди од прегледот за развојот на земјоделски дронови:
• Целокупната литература рапидно растеше и привлече огромно внимание во текот на последната деценија, како што е наведено од порастот на бројот на статии по 2012 година. & Степа, 2011), неколку прашања сè уште се неодговорени. На пример, употребата на беспилотните летала во земјоделството во затворени простории е сè уште отворена за дебата (Aslan et al., 2019; Krul et al., 2022; Rold´ an et al., 2021). Комплексноста на сцените на теренот и различните околности на сликање (на пример, сенки и осветлување) може да резултираат со поголема спектрална варијанса во класата (Јао и сор., 2015). Дури и во подоцнежните фази на истражување, истражувачите беа предизвикани да одредат оптимални планови за летање според одредени сценарија и потребниот квалитет на сликата (Soares et al., 2019; Tu et al.,
2020).
• Забележуваме дека полето напредувало од развој на ефикасни системи за UAV до инкорпорирање на техники за вештачка интелигенција, како што се машинско учење и длабоко учење во дизајнот на земјоделски дронови (Bah et al., 2018; Kitano et al., 2019; Maimaitijiang et al. , 2020 година, Мациа и сор.
• Истражувањата за земјоделски дронови доминантно дискутираа за далечинско согледување преку истражување на потенцијалите на технологијата во мониторингот на животната средина, управувањето со посевите и управувањето со плевелите (кластер 1), како и далечинско фенотипирање и проценка на приносот (кластер 2). Збир на влијателни студии за земјоделски дронови вклучуваат Остин (2010), Берни и сор. (2009)а, Хервиц и сор. (2004), Некс и Ремондино (2014) и Џанг и Ковач (2012). Овие студии ја развија концептуалната основа на истражувањето поврзано со дронови во контекст на земјоделството.
• Во врска со методологијата, забележавме дека повеќето од истражувањата направени досега беа составени или од дизајн на системот, концептуални или студии засновани на преглед (Inoue, 2020; Nex & Remondino, 2014; P´erez-Ortiz et al. , 2015; Јао и сор., 2019). Забележуваме и недостаток на емпириски, квалитативни и методи засновани на студии на случај при истражувањето на земјоделските беспилотни летала.
• Неодамна, темите поврзани со прецизното земјоделство, техниките на вештачка интелигенција, прецизното лозарство и проценката на воден стрес привлекоа значително внимание (Espinoza et al., 2017; Gomez-Cand ´ on ´ et al., 2016; Matese et al., 2015; Матезе и Ди Џенаро, 2018, 2021 година, З. Џоу и соработници, 2021 година; Внимателно испитување на истражувачките кластери во две посебни епохи, 1990–2010 и 2011–2021 година, го открива напредокот на интелектуалната структура на доменот. Периодот од 1990 до 2010 година го сочинуваше создавањето на централните поими и концептите на дронови, што е очигледно од дискусијата за дизајнот, развојот и имплементацијата на UAV. Во втората ера, фокусот на истражувањето се проширува на претходните студии, правејќи напор да се синтетизираат случаи на употреба на UAV во земјоделството. Најдовме и бројни студии кои разговараат за апликациите на дронови во задачите за сликање и прецизното земјоделство.
Рангира | Весник | Брои |
1 | Далечински сензори | 258 |
2 | Journal of Intelligent and Robotic Systems: Theory and | 126 |
апликации | ||
3 | Компјутери и електроника во земјоделството | 98 |
4 | Писма за роботика и автоматизација на IEEE | 87 |
5 | Сензори | 73 |
6 | Меѓународен весник за далечинско набљудување | 42 |
7 | Прецизно земјоделство | 41 |
8 | Беспилотни летала | 40 |
9 | Агрономија | 34 |
10 | IEEE пристап | 34 |
11 | Меѓународен весник за напредни роботски системи | 31 |
12 | Меѓународен весник за земјоделско и биолошко инженерство | 25 |
13 | PLoS One | 25 |
14 | Весник за теренска роботика | 23 |
15 | Биосистеми Инженеринг | 22 |
Импликации
Нашиот библиометриски преглед беше дизајниран и спроведен со научници, земјоделци, земјоделски експерти, консултанти за земјоделски култури и дизајнери на системи за UAV. Според најдоброто знаење на авторите, ова е една од првите оригинални критики што презеле длабинска библиометриска анализа на
примена на дронови во земјоделството. Спроведовме сеопфатен преглед на ова тело на знаење, користејќи анализи на цитати и коцитации на публикации. Нашите обиди да ја опишеме интелектуалната структура на истражувањето со беспилотни летала, исто така, нудат нови сознанија за академиците. Внимателниот преглед на клучните зборови што се користат со текот на времето ги открива жариштата и фокусните области на истражување во литературата поврзана со дронови. Понатаму, презентираме листа на најцитирани студии за да ги идентификуваме највлијателните истражувачки дела завршени на терен. Идентификацијата на написи и клучни зборови би можела последователно да обезбеди солидна почетна точка за откривање на неколку начини за идни студии.
Поважно, откривме кластери кои класифицираат споредливи дела и ги елабориравме резултатите. Студиите класифицирани во кластери помагаат во разбирањето на интелектуалната структура на истражувањето за UAV. Имено, откривме недостаток на студии кои ги истражуваат факторите на усвојување на дронови
и бариери во земјоделските активности (види Табела 9). Идните истражувачи би можеле да го решат овој потенцијален јаз со спроведување емпириски истражувања кои ги проценуваат факторите на усвојување на дронови во различни земјоделски активности и климатски услови. Понатаму, истражувањето засновано на студија на случај во врска со ефикасноста на беспилотните летала треба да биде поткрепено со реални податоци од теренот. Исто така, вклучувањето на фармерите и менаџерите во академските истражувања би било поволно и за теоретскиот и за практичното унапредување на истражувањето со беспилотни летала. Ние, исто така, можевме да ги идентификуваме најистакнатите истражувачи и нивните придонеси, што е вредно бидејќи свесноста за неодамнешните семинални трудови може да понуди некои насоки за идните академски потфати.
Табела 9
Бариери за усвојување на UAV.
Бариера | Опис |
Безбедност на податоците | Сајбер безбедноста е голем предизвик за имплементација IoT решенија (Masroor et al., 2021). |
Интероперабилност и интеграција | Различни технологии како UAV, WSN, IoT итн. треба да се интегрираат и да пренесуваат податоци кои зголемете го нивото на сложеност (Alsamhi et al., 2021; Попеску и сор., 2020 година; Вуран и сор., 2018). |
Трошоци за имплементација | Ова е конкретно случај за малите земјоделци и за интегрирање на различни најсовремени технологии ( Masroor et al., 2021). |
Работното знаење и експертиза | Потребни се вешти пилоти на беспилотни летала за управување со UAV. Исто така, имплементирање на различни врвни технологијата бара квалификувани работници (YB Huang et al., 2013; Цурос и сор., 2019). |
Моќност на моторот и лет времетраењето | Дроновите не можат да се управуваат долго време и покриваат големи области (Hardin & Hardin, 2010; Laliberte et al., 2007). |
Стабилност, доверливост и способност за маневрирање | Дроновите не се стабилни при лоши временски услови (Hardin & Hardin, 2010; Laliberte et al., 2007). |
Ограничувања на носивоста и квалитетот на сензорите | Само беспилотните летала можат да носат ограничени оптоварувања способност за вчитување сензори со послаб квалитет (Nebiker et al., 2008). |
Регулативата | Бидејќи и дроновите можат да бидат опасни, постојат и тешки регулативи во некои области (Hardin & Jensen, 2011; Лалиберте и Ранго, 2011). |
Знаењето на земјоделците и интерес | Како и другите најсовремени технологии, беспилотните летала за успешна имплементација потребна е стручност и исто така придружени со несигурности (Фишер и сор., 2009; Ламберт и сор., 2004; Стафорд, 2000). |
Бидејќи постои постојана потреба за ефикасно користење на расположливите ресурси за максимизирање на приносите, земјоделците можат да ги искористат предностите на беспилотните летала за да обезбедат брзо, прецизно и економично скенирање на нивните полиња. Технологијата може да ги поддржи земјоделците да ја утврдат состојбата на нивните култури и да го проценат статусот на водата, фазата на зреење, наездата од инсекти и потребите за исхрана. Способностите за далечинско набљудување на беспилотните летала можат да им обезбедат на фармерите клучни податоци за да ги предвидат проблемите во рана фаза и веднаш да направат соодветни интервенции. Сепак, придобивките од технологијата може да се реализираат само ако предизвиците се соодветно решени. Во светлината на
тековните проблеми во врска со безбедноста на податоците, прашањата поврзани со технологијата на сензорите (на пример, доверливоста или точноста на мерењата), сложеноста на интеграцијата и значителните трошоци за имплементација, идните студии, исто така, мора да ја испитаат техничката, економската и оперативната изводливост за интегрирање на земјоделски дронови и други сечење врвни технологии.
Ограничувања
Нашата студија има неколку ограничувања. Прво, наодите се одредуваат од публикациите избрани за конечна анализа. Предизвикувачки е да се фатат сите релевантни студии поврзани со земјоделски дронови, особено оние кои не се индексирани во базата на податоци на Scopus. Понатаму, процесот на собирање податоци е ограничен на поставување на клучни зборови за пребарување, кои може да не се инклузивни и да доведат до неубедливи наоди. Така, идните студии треба да посветат поголемо внимание на основното прашање за собирање податоци
посигурни заклучоци. Друго ограничување се однесува на новите публикации со мал број на цитати. Библиометриската анализа е пристрасна кон претходните публикации бидејќи тие имаат тенденција да добиваат повеќе цитати со текот на годините. На неодамнешните студии им треба одредено време за да привлечат внимание и да акумулираат цитати. Следствено, неодамнешните студии кои носат промена на парадигмата не би биле рангирани во првите десет влијателни дела. Ова ограничување е распространето во испитувањето на истражувачките домени кои брзо се појавуваат како земјоделските дронови. Со оглед на тоа што го консултиравме Scopus за да ја проучуваме литературата за оваа работа, идните истражувачи би можеле да размислуваат поинаку
бази на податоци, како што се Web of Science и IEEE Xplore, за проширување на хоризонтот и подобрување на структурата на истражувањето.
Потенцијалните библиометриски студии може да земат предвид други витални извори на знаење како што се конференциски трудови, поглавја и книги за да генерираат нови сознанија. И покрај мапирањето и истражувањето на глобалните публикации за земјоделски беспилотни летала, нашите наоди не ги открија причините зад научните резултати на универзитетите. Ова го отвора патот кон нова област на истражување во квалитативно објаснување зошто некои универзитети се попродуктивни од другите кога станува збор за истражување за земјоделството
дронови. Дополнително, идните студии би можеле да дадат увид во потенцијалот на беспилотните летала да ја зголемат одржливоста на земјоделството на неколку начини како што се мониторинг на животната средина, управување со културите и мапирање на плевелите како што е наведено од неколку истражувачи (Chamuah & Singh, 2019; Islam et al., 2021; Попеску и сор., 2020 година Ј. Су, Лиу и сор., 2018б). Бидејќи анализата на текстот не беше возможна поради големиот број на избрани трудови, постои потреба од систематски прегледи на литература кои ги испитуваат
користени методи на истражување и вклучување на земјоделците во претходните студии. Накратко, нашата анализа на истражувањето со беспилотни летала ги открива невидливите врски на ова тело на знаење. Затоа, овој преглед помага да се откријат односите меѓу публикациите и ја истражува интелектуалната структура на полето на истражување. Исто така, ги прикажува врските помеѓу различните аспекти на литературата, како што се клучните зборови на авторите, припадностите и земјите.
Декларација за конкурентен интерес
Авторите изјавуваат дека немаат познати конкурентни финансиски интереси или лични односи кои би можеле да изгледаат како да влијаат на работата објавена во овој труд.
Додаток 1
TITLE-ABS-KEY (((дрон* ИЛИ „беспилотно летало“ ИЛИ uav* ИЛИ „систем за беспилотни авиони“ ИЛИ uas ИЛИ „авион управуван од далечина”) И (земјоделски ИЛИ земјоделство ИЛИ земјоделство ИЛИ земјоделец))) И (ИСКЛУЧИ (PUBYEAR, 2022)) И (ГРАНИЦА ДО (ЈАЗИК, „Англиски“)).
Референци
Aasen, H., Burkart, A., Bolten, A., Bareth, G., 2015. Генерирање 3D хиперспектрални информации со лесни UAV камери за снимки за следење на вегетацијата: од
калибрација на камерата за обезбедување квалитет. ISPRS J. Photogramm. Далечински сензор 108, 245–259. https://doi.org/10.1016/j.isprsjprs.2015.08.002.
Abd-Elrahman, A., Pearlstine, L., Percival, F., 2005. Развој на алгоритам за препознавање на шаблони за автоматско откривање на птици од снимки на беспилотни летала.
Анкета. Land Inform. Sci. 65 (1), 37-45.
Abdollahi, A., Rejeb, K., Rejeb, A., Mostafa, MM, Zailani, S., 2021. Безжични сензорски мрежи во земјоделството: увиди од библиометриска анализа. Одржливост 13 (21),
12011.
Aboutalebi, M., Torres-Rua, AF, Kustas, WP, Nieto, H., Coopmans, C., McKee, M., Проценка на различни методи за откривање сенки во оптички слики со висока резолуција и евалуација на влијанието на сенките врз пресметката на NDVI и евапотранспирација. Наводнување. Sci. 37 (3), 407-429. https://doi.org/10.1007/s00271-018-0613-9.
Adao, ˜ T., Hruˇska, J., Padua, ´ L., Bessa, J., Peres, E., Morais, R., Sousa, JJ, 2017. Хиперспектрално сликање: преглед на сензори базирани на UAV, податоци обработка и
апликации за земјоделство и шумарство. Далечинско мерење 9 (11). https://doi.org/ 10.3390/rs9111110.
Agüera Vega, F., Ramírez, FC, Saiz, MP, Rosúa, FO, 2015. Мултивременско снимање со помош на беспилотно летало за следење на родот сончоглед. Биосист. инж.
132, 19–27. https://doi.org/10.1016/j.biosystemseng.2015.01.008.
Ajayi, OG, Salubi, AA, Angbas, AF, Odigure, MG, 2017. Генерирањето на прецизни дигитални модели на височина од UAV доби слики со низок процент на преклопување. Инт.
J. Remote Sens. 38 (8–10), 3113–3134. https://doi.org/10.1080/ 01431161.2017.1285085.
Али, И., Грајфенедер, Ф., Стаменковиќ, Ј., Нојман, М., Нотарникола, Ц., 2015 година. Далечински сензор 7 (12), 16398–16421.
Alsamhi, SH, Afghah, F., Sahal, R., Hawbani, A., Al-qaness, MAA, Lee, B., Guizani, M., Зелен интернет на нештата кои користат UAV во мрежите B5G: Преглед на апликации
и стратегии. Ад. Хок. Netw. 117, 102505 https://doi.org/10.1016/j. adhoc.2021.102505 година.XNUMX.
Ал-Тани, Н., Албуаинаин, А., Алнаими, Ф., Зорба, Н., 2020. Беспилотни летала за мониторинг на овци добиток. Во: 20th IEEE Mediteranean Electrotechnical Conference. https://doi.
org/10.1109/MELECON48756.2020.9140588.
Ампатзидис, Ј., Партел, В., 2019. Фенотипирање на висока пропусната моќ базирана на UAV во цитрус користејќи мултиспектрално сликање и вештачка интелигенција. Далечинско мерење 11 (4), https://doi.org/10.3390/rs11040410.
Ampatzidis, Y., Partel, V., Costa, L., 2020. Agroview: Апликација базирана на облак за обработка, анализа и визуелизација на податоци собрани од UAV за прецизни земјоделски апликации кои користат вештачка интелигенција. Пресметај. Електрон. Земјоделски. 174, 105457 https://doi. org/10.1016/j.compag.2020.105457.
Ang, K.-L.-M., Seng, JKP, 2021. Големи податоци и машинско учење со хиперспектрални информации во земјоделството. IEEE Access 9, 36699–36718. https://doi.org/10.1109/
ПРИСТАП.2021.3051196 година.XNUMX.
Aquilani, C., Confessore, A., Bozzi, R., Sirtori, F., Pugliese, C., 2022. Преглед: прецизни технологии за одгледување добиток во системи за сточарство базирани на пасишта. Animal 16 (1), https://doi.org/10.1016/j.animal.2021.100429.
Армента-Медина, Д., Рамирез-Дереал, Т.А., Вилануева-Васкез, ´ Д., Мехија-Агире, Ц., Трендови на напредни информациски и комуникациски технологии за
подобрување на земјоделските продуктивности: библиометриска анализа. Агрономија 10 (12), член 12. https://doi.org/10.3390/agronomy10121989.
Armstrong, I., Pirrone-Brusse, M., Smith, A., Jadud, M., 2011. Летечкиот гатор: кон воздушната роботика во occam-π. Commun. Процесен архитект. 2011, 329–340. https://doi. org/10.3233/978-1-60750-774-1-329.
Arora, SD, Chakraborty, A., 2021. Истражување за интелектуалната структура на однесувањето на потрошувачите кои се жалат (CCB): Библиометриска анализа. J. Business Res. 122, 60-74.
Аслан, М.Ф., Дурду, А., Шабанци, К., Ропелевска, Е., Ѓултекин, С.С., 2022 година.
Сеопфатно истражување на неодамнешните студии со UAV за прецизно земјоделство на отворени полиња и оранжерии. Апликација Sci. 12 (3), 1047. https://doi.org/10.3390/
app12031047.
Аткинсон, Џеј, Џексон, РЏ, Бентли, АР, Обер, Е., и Велс, ДМ (2018). Теренски фенотип за иднината. Во годишните прегледи на растенијата онлајн (стр. 719–736). Џон
Wiley & Sons, Ltd. doi: 10.1002/9781119312994.apr0651.
Остин, Р., 2010. Системи на беспилотни авиони: Дизајн, развој и распоредување на UAVS. Во: Системи за беспилотни авиони: Дизајн, развој и развој на UAVS и
Распоредување. Џон Вајли и синови. https://doi.org/10.1002/9780470664797.
Аваис, М., Ли, В., Чима, МЈМ, Заман, Кју, Шахин, А., Аслам, Б., Жу, В., Аџмал, М., Фахим, М., Хусаин, С., Надим, AA, Afzal, MM, Liu, C., 2022. Далечинско сензорирање засновано на UAV во стресот на растенијата замислете да користите термички сензор со висока резолуција за дигитални земјоделски практики: мета-преглед. Инт. J. Животна средина. Sci. Технол. https://doi.
org/10.1007/s13762-021-03801-5.
Бако, М., Бертон, А., Феро, Е., Џенаро, Ц., Гота, А., Матеоли, С., Паонеса, Ф., Ругери, М., Вироне, Г., Занела, А., 2018. Паметно земјоделство: можности, предизвици
и технолошки овозможувачи. 2018 IoT Вертикална и. Тематски самит за земјоделство - Тоскана (ИОТ Тоскана) 1–6. https://doi.org/10.1109/IOTTUSCANY.2018.8373043.
Bah, MD, Hafiane, A., Canals, R., 2018. Длабоко учење со етикетирање на податоци без надзор за откривање на плевелот кај посевите на линија во слики од UAV. Далечинско мерење 10 (11), 1690 година.
https://doi.org/10.3390/rs10111690.
Балди, С., 1998. Нормативни наспроти општествени конструктивистички процеси во распределбата на цитатите: мрежно-аналитички модел. Am. Социол. Rev. 63 (6), 829–846. https://doi.
org/10.2307/2657504.
Baluja, J., Diago, MP, Balda, P., Zorer, R., Meggio, F., Morales, F., Tardaguila, J., 2012. Проценка на варијабилноста на статусот на водата од лозјето по термална и мултиспектрална
снимки со помош на беспилотно летало (UAV). Наводнување. Sci. 30 (6), 511-522. https://doi.org/10.1007/s00271-012-0382-9.
Barabaschi, D., Tondelli, A., Desiderio, F., Volante, A., Vaccino, P., Val`e, G., Cattivelli, L., Размножување на следната генерација. Растенијата наука. 242, 3-13. https://doi.org/10.1016/j.
растенијата.2015.07.010 година.XNUMX.
Barbedo, JGA, Koenigkan, LV, 2018. Перспективи за употреба на беспилотни воздушни системи за следење на добитокот. Outlook Agric. 47 (3), 214-222. https://doi.org/10.1177/0030727018781876.
Bareth, G., Aasen, H., Bendig, J., Gnyp, ML, Bolten, A., Jung, A., Michels, R., Soukkamaki, ¨ J., 2015. Хиперспектрален со мала тежина и UAV-базиран камери со целосна слика
за следење на културите: Спектрална споредба со преносни мерења на спектрорадиометар. Photogrammetrie, Fernerkundung, Геоинформации 2015 (1), 69–79.
https://doi.org/10.1127/pfg/2015/0256.
Barrientos, A., Colorado, J., del Cerro, J., Martinez, A., Rossi, C., Sanz, D., Valente, J., Воздушно далечинско сензорирање во земјоделството: Практичен пристап кон покриеноста на областа
и планирање на патеката за флоти на мини воздушни роботи. J. Филд Роб. 28 (5), 667-689. https://doi.org/10.1002/rob.20403.
Basiri, A., Mariani, V., Silano, G., Aatif, M., Iannelli, L., Glielmo, L., 2022. Истражување за примената на алгоритмите за планирање патека за UAV со повеќе ротори во прецизност
земјоделството. Ј. Навиг. 75 (2), 364-383.
Basnet, B., Bang, J., 2018. Најсовремена интензивна земјоделска технологија: преглед на применети системи за сензори и аналитика на податоци. J. Sens. 2018, 1–13.
Bendig, J., Bolten, A., Bareth, G., 2013. Снимање базирано на UAV за повеќевременски, многу висока резолуција модели на површината на култури за следење на варијабилноста на растот на културите. Photogrammetrie, Fernerkundung, Геоинформации 2013 (6), 551–562. https://doi. org/10.1127/1432-8364/2013/0200.
Bendig, J., Bolten, A., Bennertz, S., Broscheit, J., Eichfuss, S., Bareth, G., 2014 година. Далечинско мерење 6 (11), 10395–10412.
Bendig, J., Yu, K., Aasen, H., Bolten, A., Bennertz, S., Broscheit, J., Gnyp, ML, Bareth, G., 2015. Комбинирање на висината на растенијата базирана на UAV од површината на културата модели,
видливи и блиску инфрацрвени вегетациски индекси за следење на биомасата кај јачменот. Инт. J. Appl. Earth Obs. Геоинф. 39, 79-87. https://doi.org/10.1016/j.jag.2015.02.012.
Berni, JA, Zarco-Tejada, PJ, Sepulcre-Canto, 'G., Fereres, E., Villalobos, F., 2009a. Мапирање на спроводливоста на настрешницата и CWSI во маслинови насади користејќи висока резолуција
термички далечински снимки. Опкружување со далечински сензор. 113 (11), 2380-2388. https://doi.org/10.1016/j.rse.2009.06.018.
Берни, ЈА, Зарко-Техада, ПЈ, Суарез, ´ Л., Феререс, Е., 2009б. Термичко и теснопојасно мултиспектрално далечинско сензорирање за следење на вегетацијата од беспилотно летало. IEEE Trans. Геосци. Далечински сензор 47 (3), 722–738.
Bouzembrak, Y., Klüche, M., Gavai, A., Marvin, HJP, 2019. Интернет на нештата во безбедноста на храната: Преглед на литература и библиометриска анализа. Трендови за храна наука. Технол. 94,54-64. https://doi.org/10.1016/j.tifs.2019.11.002.
Brewster, C., Roussaki, I., Kalatzis, N., Doolin, K., Ellis, K., 2017. IoT во земјоделството: Дизајнирање на пилот од големи размери низ Европа. IEEE Commun. Маг. 55 (9), 26-33.
Buters, TM, Belton, D., Cross, AT, 2019. Повеќесензорски UAV следење на поединечни садници и заедници на садници со милиметарска точност. Беспилотни летала 3 (4), 81.
https://doi.org/10.3390/drones3040081.
Candiago, S., Remondino, F., De Giglio, M., Dubbini, M., Gattelli, M., 2015. Евалуација на мултиспектрални слики и вегетациски индекси за прецизни земјоделски апликации од слики од UAV. Далечинско мерење 7 (4), 4026–4047. https://doi.org/10.3390/rs70404026.
Cao, Y., Li, GL, Luo, YK, Pan, Q., Zhang, SY, 2020. Следење на индикаторите за раст на шеќерна репка користејќи индекс на вегетација со широк динамичен опсег (WDRVI) изведен од UAV
мултиспектрални слики. Пресметај. Електрон. Земјоделски. 171, 105331 https://doi.org/10.1016/j.compag.2020.105331.
Касиљас, Ј., Ацедо, Ф., 2007. Еволуција на интелектуалната структура на семејната бизнис литература: библиометриска студија за ФБР. Семеен бизнис Rev. 20 (2), 141–162.
Cen, H., Wan, L., Zhu, J., Li, Y., Li, X., Zhu, Y., Weng, H., Wu, W., Yin, W., Xu, C., Bao, Y., Feng, L., Shou, J., He, Y., 2019. Динамично следење на биомасата на оризот под
различни третмани со азот со користење на лесен UAV со двојни камери за снимки со рамка на слика. Растителни методи 15 (1), 32. https://doi.org/10.1186/s13007-019-
0418-8.
Chamuah, A., Singh, R., 2019. Обезбедување на одржливост во индиското земјоделство преку цивилен UAV: одговорна перспектива за иновации. SN Appl. Sci. 2 (1), 106. https://
doi.org/10.1007/s42452-019-1901-6.
Chamuah, A., Singh, R., 2022. Одговорно управување со иновации на цивилни беспилотни летала (UAV) за индиски апликации за осигурување на земјоделски култури. J. Одговорен
Технол. 9, 100025 https://doi.org/10.1016/j.jrt.2022.100025.
Чен, А., Орлов-Левин, В., Мерон, М., 2019. Примена на воздушно снимање со видливи канали со висока резолуција на крошна на култури за прецизно управување со наводнувањето. Земјоделски. Вода
Раководител. 216, 196-205. https://doi.org/10.1016/j.agwat.2019.02.017.
Daakir, M., Pierrot-Deseilligny, M., Bosser, P., Pichard, F., Thom, C., Rabot, Y., Martin, O., 2017. Лесен UAV со вградена фотограметрија и еднофреквентно позиционирање GPS за метролошки апликации. ISPRS J. Photogramm. Далечински сензор 127, 115–126. https://doi.org/10.1016/j.isprsjprs.2016.12.007.
Dawaliby, S., Aberkane, A., Bradai, A., 2020. IoT платформа заснована на блокчејн за управување со автономни операции со беспилотни летала. Во: Зборник на 2 АСМ
MobiCom работилница за безжични комуникации со помош на дрон за 5G и пошироко, стр. 31–36. https://doi.org/10.1145/3414045.3415939.
Ден, РА, Гастел, Б., 1998. Како се пишува и објавува научен труд. Прес на Универзитетот Кембриџ. де Кастро, АИ, Пена, ˜ JM, Торес-Санчез, ´ J., Jim'enez-Brenes, FM, ValenciaGredilla, F., Recasens, J., Lopez-Granados, ´ F., 2020. Мапирање на цинодон дактилон покривање на културите со автоматска постапка за одлучување дрво-OBIA и слики со UAV за прецизно лозарство. Далечинско мерење 12 (1), 56. https://doi.org/10.3390/rs12010056.
de Castro, AI, Torres-S' anchez, J., Pena, ˜ JM, Jim'enez-Brenes, FM, Csillik, O., Lopez- 'Granados, F., 2018. Автоматски случаен алгоритам шума-OBIA за рано мапирање на плевелот помеѓу и во редовите на културите користејќи UAV слики. Далечинско мерење 10 (2). https://doi.org/10.3390/rs10020285.
Демир, Н., Сонмез, ¨ НК, Акар, Т., Унал, С., 2018. Автоматско мерење на висината на растенијата на генотипови на пченица со користење на DSM изведен од слики од UAV. Зборник на трудови 2 (7), 350. https://doi.org/10.3390/ecrs-2-05163.
Deng, J., Zhong, Z., Huang, H., Lan, Y., Han, Y., Zhang, Y., 2020. Лесна семантичка сегментирачка мрежа за мапирање на плевелите во реално време со помош на беспилотни летала. Апликација Sci. 10 (20), 7132. https://doi.org/10.3390/app10207132.
Денг, Л., Мао, З., Ли, Х., Ху, З., Дуан, Ф., Јан, Ј., 2018. Мултиспектрално далечинско сензорирање базирано на UAV за прецизно земјоделство: споредба помеѓу различни камери. ISPRS J. Photogramm. Далечински сензор 146, 124–136.
Diaz-Gonzalez, FA, Vuelvas, J., Correa, CA, Vallejo, VE, Patino, D., 2022. Техниките за машинско учење и далечинско сензорирање применети за проценка на индикаторите на почвата – преглед. Екол. Инд. 135, 108517 https://doi.org/10.1016/j.ecolind.2021.108517.
Díaz-Varela, RA, De la Rosa, R., Leon, ´ L., Zarco-Tejada, PJ, 2015. Слики од воздух со UAV со висока резолуција за да се проценат параметрите на круната на маслиново дрво користејќи 3D фотографија
реконструкција: примена во испитувања за размножување. Далечинско мерење 7 (4), 4213–4232. https://doi.org/10.3390/rs70404213.
Dixit, A., Jakhar, SK, 2021. Управување со капацитетот на аеродромот: преглед и библиометриска анализа. J. Air Transp. Раководител. 91, 102010 година.
Донг, Т., Шанг, Џ., Лиу, Џ., Кјан, Б., Џинг, К., Ма, Б., Хафман, Т., Генг, Х., Соу, А., Ши, Ј., Канисиус, Ф., Џиао, Х., Ковач, Џ.М., Волтерс, Д., Кејбл, Ј., Вилсон, Ј., 2019 година.
Користење на слики од RapidEye за да се идентификува варијабилноста на растот и приносот на културите во полето во Онтарио, Канада. Прецизно земјоделско. 20 (6), 1231–1250. https://doi.org/10.1007/
s11119-019-09646-w.
Dutta, PK, Mitra, S., 2021. Примена на земјоделски дронови и iot за разбирање на синџирот на снабдување со храна за време на пост COVID-19. Во: Choudhury, A., Biswas, A., Prateek, M.,
Чакрабарти, А. (Уред.), Земјоделска информатика: автоматизација со користење на IoT и машинско учење. Вајли, стр. 67–87. van Eck, N., Waltman, L., 2009. Софтверско истражување: VOSviewer, компјутерска програма за библиометриско мапирање. Scientometrics 84 (2), 523–538. https://doi.org/10.1007/s11192-009-0146-3.
Elijah, O., Rahman, TA, Orikumhi, I., Leow, CY, Hindia, MN, 2018. Преглед на Интернет на нештата (IoT) и анализа на податоци во земјоделството: придобивки и предизвици.
IEEE Internet Things J. 5 (5), 3758–3773.
Enciso, J., Avila, CA, Jung, J., Elsayed-Farag, S., Chang, A., Yeom, J., Landivar, J., Maeda, M., Chavez, JC, 2019. Валидација на агрономски UAV и поле
мерења за сорти на домати. Пресметај. Електрон. Земјоделски. 158, 278-283. https:// doi.org/10.1016/j.compag.2019.02.011.
Espinoza, CZ, Khot, LR, Sankaran, S., Jacoby, PW, 2017. Проценка на воден стрес заснована на термално далечинско со висока резолуција во
подземни наводнувани винова лоза. Далечинско мерење 9 (9), 961. https://doi.org/ 10.3390/rs9090961.
Јуинг, Ј., Оммен, Т., Јајакумар, П., Алџер, Р., 2020. Користење на хиперспектрално далечинско сензорирање за градација на почвата. Далечинско мерење 12 (20), 3312. ttps://doi.org/10.3390/
rs12203312.
Фосет, Д., Панигада, Ц., Таљабуе, Г., Боскети, М., Селести, М., Евдокимов, А., Бириукова, К., Коломбо, Р., Миглиета, Ф., Рашер, У., Андерсон, К., 2020. Повеќестепена евалуација на мултиспектрална површинска рефлексија и индекси на вегетација базирана на беспилотни летала во оперативни услови. Далечинско мерење 12 (3), 514.
Feng, X., Yan, F., Liu, X., 2019. Проучување на безжичните комуникациски технологии на Интернет на нештата за прецизно земјоделство. Безжичен Перс. Commun. 108 (3),
1785-1802.
Фереира, пратеник, Пинто, ЦФ, Сера, ФР, 2014. Теоријата на трошоците за трансакцијата во меѓународните деловни истражувања: библиометриска студија во текот на три децении. Scientometrics 98 (3), 1899–1922. https://doi.org/10.1007/s11192-013-1172-8.
Фишер, П., Абузар, М., Раб, М., Бест, Ф., Чандра, С., 2009 година. Напредокот во прецизното земјоделство во југоисточна Австралија. I. методологија на регресија за симулирање
просторна варијација во приносите на житарките со користење на историските приноси на фармерите и нормализираниот различен вегетациски индекс. Crop Pasture Sci. 60 (9), 844–858.
Флореано, Д., Вуд, РЈ, 2015. Наука, технологија и иднината на малите автономни беспилотни летала. Природа 521 (7553), 460–466. https://doi.org/10.1038/nature14542.
Friha, O., Ferrag, MA, Shu, L., Maglaras, LA, Wang, X., 2021. Интернет на нештата за иднината на паметното земјоделство: сеопфатно истражување на новите технологии. IEEE CAA J. Autom. Синица 8 (4), 718–752.
Fuentes-Pacheco, J., Torres-Olivares, J., Roman-Rangel, E., Cervantes, S., JuarezLopez, P., Hermosillo-Valadez, J., Rendon-Mancha, ´ JM, 2019. Сегментација на растенијата од смоква од воздушни снимки со помош на длабока конволутивна мрежа на енкодер-декодер. Далечинско мерење 11 (10), 1157. https://doi.org/10.3390/rs11101157.
Gago, J., Douthe, C., Coopman, RE, Gallego, PP, Ribas-Carbo, M., Flexas, J., Escalona, J., Medrano, H., 2015. UAVs предизвик да се процени воден стрес за
одржливо земјоделство. Земјоделски. Управување со вода. 153, 9-19. https://doi.org/10.1016/j. agwat.2015.01.020.
García-Tejero, IF, Rubio, AE, Vinuela, ˜ I., Hern' andez, A., Guti´errez-Gordillo, S., Rodríguez-Pleguezuelo, CR, Dur' an-Zuazo, VH, 2018. Термичка слика во фабриката
ниво за проценка на статусот на водата во културите кај бадемовите дрвја (св. Гуара) при дефицитни стратегии за наводнување. Земјоделски. Управување со вода. 208, 176-186. https://doi.org/10.1016/j.
agwat.2018.06.002.
Garzonio, R., Di Mauro, B., Colombo, R., Cogliati, S., 2017. Мерења на рефлексија на површината и спектроскопија на флуоресценција предизвикана од сонце со користење на мал хиперспектрален UAS. Далечинско мерење 9 (5), 472. https://doi.org/10.3390/rs9050472. Gaˇsparovi´c, M., Zrinjski, M., Barkovi´c, Đ., Radoˇcaj, D., 2020. Автоматски метод за
мапирање на плевелот во полињата со овес врз основа на слики од UAV. Пресметај. Електрон. Земјоделски.
Геберс, Р., Адамчук, VI, 2010. Прецизно земјоделство и безбедност на храната. Science 327 (5967), 828–831. https://doi.org/10.1126/science.1183899.
Geipel, J., Link, J., Claupein, W., 2014. Комбинирано спектрално и просторно моделирање на приносот на пченка врз основа на воздушни снимки и модели на површината на културите стекнати со систем на беспилотен авион. Далечинско мерење 6 (11), 10335–10355. https://doi.org/10.3390/rs61110335.
Geng, D., Feng, Y., Zhu, Q., 2020. Одржлив дизајн за корисници: преглед на литература и библиометриска анализа. Животна средина. Sci. Загадување. Рез. 27 (24), 29824–29836. https://doi. org/10.1007/s11356-020-09283-1.
Gevaert, CM, Suomalainen, J., Tang, J., Kooistra, L., 2015. Генерирање на површини со спектрален временски одговор со комбинирање на мултиспектрален сателит и хиперспектрален
Сликите на UAV за прецизни апликации во земјоделството. IEEE J. Sel. Врв. Апликација Earth Obs. Далечински сензор 8 (6), 3140–3146. ttps://doi.org/10.1109/JSTARS.2015.2406339.
Gill, SS, Chana, I., Buyya, R., 2017. Земјоделството базирано на IoT како облак и голема услуга за податоци: почетокот на дигиталната Индија. J. Org. и Пресметување на краен корисник. (JOEUC) 29 (4),
1-23.
Gmür, M., 2006. Анализа на коцитации и потрага по невидливи колеџи: методолошка евалуација. Scientometrics 57 (1), 27–57. https://doi.org/10.1023/
a: 1023619503005.
Gnadinger, ¨ F., Schmidhalter, U., 2017. Дигитални брои на растенија од пченка од беспилотни воздушни возила (UAVs). Далечинско мерење 9 (6). Https://doi.org/10.3390/rs9060544.
Gokto ¨ ǧan, AH, Sukkarieh, S., Bryson, M., Randle, J., Lupton, T., Hung, C., 2010. Беспилотно воздушно возило со ротациони крила за надгледување на воден плевел и
управување. J. Интелигенција. Robotic Syst.: Theor. Апликација 57 (1–4), 467–484. https://doi. org/10.1007/s10846-009-9371-5.
Gomez-Cand 'on, ' D., De Castro, AI, Lopez-Granados, 'F., 2014. Проценка на точноста на мозаиците од снимките на беспилотни летала (UAV) за прецизни цели во земјоделството во пченицата. Прецизно. Земјоделски. 15 (1), 44-56. https://doi.org/10.1007/s11119-013-9335-4.
Gomez-Cand 'on, ' D., Virlet, N., Labb'e, S., Jolivot, A., Regnard, J.-L., 2016. Теренски фенотип на водениот стрес на скала на дрво со снимки чувствителни на UAV : нови сознанија за
термичко стекнување и калибрација. Прецизно. Земјоделски. 17 (6), 786–800. https://doi.org/10.1007/s11119-016-9449-6.
Gonzalez-Dugo, V., Zarco-Tejada, PJ, Fereres, E., 2014. Применливост и ограничувања на користењето на индексот на воден стрес на културите како показател за воден дефицит во овоштарниците со цитрус. Земјоделски. За. Метеорол. 198–199, 94–104. https://doi.org/10.1016/j. агрформет.2014.08.003 година.XNUMX.
Gonzalez-Dugo, V., Zarco-Tejada, P., Nicolas, ´ E., Nortes, PA, Alarcon, ´ JJ, Intrigliolo, DS, Fereres, E., 2013. Користење на термички слики со UAV со висока резолуција за
процени варијабилноста на состојбата на водата на пет видови овошни дрвја во комерцијален овоштарник. Прецизно. Земјоделски. 14 (6), 660-678. https://doi.org/10.1007/s11119-013-9322-9.
Гојал, К., Кумар, С., 2021. Финансиска писменост: систематски преглед и библиометриска анализа. Инт. Ј. Студии за потрошувачи 45 (1), 80-105. https://doi.org/10.1111/
ijcs.12605.
Grenzdorffer, ¨ GJ, Engel, A., Teichert, B., 2008. Фотограметрискиот потенцијал на евтините uav во шумарството и земјоделството. Меѓународни архиви на фотограметријата, далечинско сензорирање и просторни информациски науки – ISPRS Архива 37, 1207–1213. https://www.scopus.com/inward/record.uri?eid=2-s2.0-85039543258&partnerI D=40&md5=b4b2d639257e8ddb5a373d15959c4e1e.
Гуан, С., Фуками, К., Мацунака, Х., Оками, М., Танака, Р., Накано, Х., Сакаи, Т., Накано, К., Охдан, Х., Такахаши, К., 2019. Проценка на корелација на висока резолуција
NDVI со ниво на примена на ѓубриво и принос на ориз и пченица со користење на мали UAV-ови. Далечинско мерење 11 (2), 112.
Гундолф, К., Филсер, М., 2013. Менаџмент истражување и религија: анализа на цитати. J. Автобус. Етика 112 (1), 177–185.
Guo, Q., Zhu, Y., Tang, Y., Hou, C., He, Y., Zhuang, J., Zheng, Y., Luo, S., 2020. CFD симулација и експериментална верификација на просторот и временски распределби на
протокот на воздух за надолна линија на земјоделски UAV со четири ротори во лебди. Пресметај. Електрон. Земјоделски. 172, 105343 https://doi.org/10.1016/j.compag.2020.105343.
Haghighattalab, A., Gonz' ales P´erez, L., Mondal, S., Singh, D., Schinstock, D., Rutkoski, J., Ortiz-Monasterio, I., Singh, RP, Goodin, D. , Полска, Ј., 2016 година.
Примена на беспилотни воздушни системи за фенотипирање со висока пропусна моќ на големи расадници за одгледување пченица. Растителни методи 12 (1). https://doi.org/10.1186/s13007-
016-0134-6.
Hakala, T., Honkavaara, E., Saari, H., Makynen, ¨ J., Kaivosoja, J., Pesonen, L., & Pol ¨ onen, ¨I., 2013. Спектрално сликање од UAVs под различни услови на осветлување . Во GG Bill R. (Ed.), International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences-ISPRS Archives (Vol. 40, Issue 1W2, pp. 189–194). Меѓународно друштво за фотограметрија и далечинско мерење. https://www.scopus.com/inward/record.uri?eid=2-s2.0-848875632.
Hamylton, SM, Morris, RH, Carvalho, RC, Roder, N., Barlow, P., Mills, K., Wang, L. Евалуација на техники за мапирање на островска вегетација од беспилотни летала
слики од возила (UAV): класификација на пиксели, визуелна интерпретација и пристапи за машинско учење. Инт. J. Appl. Earth Obs. Геоинф. 89, 102085 https://doi.org/
10.1016/j.jag.2020.102085.
Haque, A., Islam, N., Samrat, NH, Dey, S., Ray, B., 2021. Паметно земјоделство преку одговорно лидерство во Бангладеш: можности, можности и пошироко.
Одржливост 13 (8), 4511.
Hardin, PJ, Hardin, TJ, 2010. Мали далечински управувани возила во истражување на животната средина. Географија Компас 4 (9), 1297–1311. ttps://doi.org/10.1111/j.1749-
8198.2010.00381.x.
Hardin, PJ, Jensen, RR, 2011. Беспилотни летала од мали размери во еколошки далечинско набљудување: предизвици и можности. GISci. Далечински сензор 48 (1), 99–111. https://doi.org/10.2747/1548-1603.48.1.99.
He, Y., Nie, P., Zhang, Q., Liu, F., 2021. Земјоделски Интернет на нештата: технологии и апликации, (прво издание 1 година). Спрингер.
Хервиц, СР, Џонсон, ЛФ, Дунаган, СЕ, Хигинс, РГ, Саливан, ДВ, Женг, Ј., Лобиц, БМ, Леунг, Џ. 2004 година.
Снимање од беспилотно летало: земјоделски надзор и поддршка за одлучување. Пресметај. Електрон. Земјоделски. 44 (1), 49-61. https://doi.org/10.1016/j.
компаг.2004.02.006 година.XNUMX.
Holman, FH, Riche, AB, Michalski, A., Castle, M., Wooster, MJ, Hawkesford, MJ, фенотипизирање на теренот со висока пропусност на висината на растението пченица и стапката на раст при испитувања на теренски парцели со користење на далечинско сензорирање базирано на UAV. Далечинско мерење 8 (12). https://doi. org/10.3390/rs8121031.
Honkavaara, E., Saari, H., Kaivosoja, J., Pol ¨ onen, ¨ I., Hakala, T., Litkey, P., M¨akynen, J., Pesonen, L., 2013. Обработка и оценување на спектрометриски, стереоскопски слики собрани со користење на лесна спектрална камера UAV за прецизно земјоделство. Далечинско мерење 5 (10), 5006–5039. https://doi.org/10.3390/rs5105006.
Hossein Motlagh, N., Taleb, T., Arouk, O., 2016. Услуги на интернет на нештата базирани на беспилотни летала на мала височина: сеопфатно истражување и идни перспективи. IEEE Internet Things J. 3 (6), 899–922. https://doi.org/10.1109/JIOT.2016.2612119.
Hrabar, S., Sukhatme, GS, Corke, P., Usher, K., Roberts, J., 2005. Комбинирана оптичка и стерео-базирана навигација на урбани кањони за UAV. Во: 2005 година IEEE/RSJ
Меѓународна конференција за интелигентни роботи и системи, стр. 3309–3316. https://doi.org/10.1109/IROS.2005.1544998.
Hsu, T.-C., Yang, H., Chung, Y.-C., Hsu, C.-H., 2020. Креативна IoT земјоделска платформа за пресметување магла во облак. Одржи. Пресметај. Инф. Сист. 28, 100285.
Huang, H., Deng, J., Lan, Y., Yang, A., Deng, X., Zhang, L., Gonzalez-Andujar, JL, 2018. Целосно конволуциона мрежа за мапирање на плевелите на беспилотно летало ( UAV) слики. PLoS ONE 13 (4), e0196302.
Huang, H., Lan, Y., Yang, A., Zhang, Y., Wen, S., Deng, J., 2020. Длабоко учење наспроти анализа на слика заснована на објекти (OBIA) во мапирањето на плевелите на слики од UAV. Инт. Ј.
Далечински сензор 41 (9), 3446–3479. https://doi.org/10.1080/01431161.2019.1706112.
Хуанг, Х., Јанг, А., Танг, Ј., Жуанг, Ј., Хоу, Ц., Тан, З., Дананџајан, С., Хе, Ј., Гуо, К., Луо, С., 2021. Длабока калибрација на бои за снимки со UAV при следење на сечењето
користејќи семантички стилски трансфер со локално кон глобално внимание. Инт. J. Appl. Earth Obs. Геоинф. 104, 102590 https://doi.org/10.1016/j.jag.2021.102590.
Huang, YB, Thomson, SJ, Hoffmann, WC, Lan, YB, Fritz, BK, 2013. Развој и перспектива на технологии за беспилотни летала за земјоделско производство
управување. Инт. J. Agric. Биол. инж. 6 (3), 1–10. https://doi.org/10.3965/j. ijabe.20130603.001.
Huang, Y., Hoffmann, WC, Lan, Y., Wu, W., Fritz, BK, 2009. Развој на систем за прскање за платформа на беспилотно летало. Апликација инж. Земјоделски. 25 (6), 803-809.
Hunt Jr., ER, Dean Hively, W., Fujikawa, SJ, Linden, DS, Daughtry, CST, McCarty, GW, 2010. Стекнување на NIR-зелено-сини дигитални фотографии од
беспилотни летала за следење на посевите. Далечинско мерење 2 (1), 290–305. https://doi. org/10.3390/rs2010290. Inoue, Y., 2020. Далечинско сензорирање на култури и почви засновано на сателитски и дронови за паметно земјоделство – преглед. Soil Sci. Растението Nutr. 66 (6), 798–810. https://doi.org/10.1080/00380768.2020.1738899.
Islam, N., Rashid, MM, Pasandideh, F., Ray, B., Moore, S., Kadel, R., 2021. Преглед на апликации и комуникациски технологии за Интернет на нештата (IoT) и
Одржливо паметно земјоделство базирано на беспилотни воздушни возила (UAV). Одржливост 13 (4), 1821. https://doi.org/10.3390/su13041821.
Jaud, M., Passot, S., Le Bivic, R., Delacourt, C., Grandjean, P., Le Dantec, N., 2016. Проценување на точноста на моделите на дигитална површина со висока резолуција пресметана од
PhotoScan® и MicMac® во неоптимални услови за истражување. Далечинско мерење 8 (6), https://doi.org/10.3390/rs8060465.
Jim´enez-Brenes, FM, Lopez-Granados, 'F., Castro, AI, Torres-S' anchez, J., Serrano, N., Pena, ˜ JM, 2017. Квантификување на влијанијата на кастрењето врз архитектурата на маслинови дрвја и годишните раст на крошна со користење на 3D моделирање базирано на UAV. Растителни методи 13 (1). https://doi.org/10.1186/s13007-017-0205-3.
Jin, X., Liu, S., Baret, F., Hemerl´e, M., Comar, A., 2017 година. Далечински сензори.
Животна средина. 198, 105-114. https://doi.org/10.1016/j.rse.2017.06.007.
Jinbo, C., Xiangliang, C., Han-Chi, F., Lam, A., 2019. Систем за следење на земјоделски производи поддржан од cloud computing. Кластерски компјутер. 22 (4), 8929–8938.
Ju, C., & Son, HI 2018a. Евалуација на перформансите на повеќе UAV системи за далечинско набљудување во земјоделството. Зборник на трудови од работилницата за роботска визија и акција во земјоделството на Меѓународната конференција на IEEE за роботика и автоматизација (ICRA), Бризбејн, Австралија, 21–26.
Ju, C., Son, HI, 2018b. Повеќекратни UAV системи за земјоделски апликации: контрола, имплементација и евалуација. Електроника 7 (9), 162. https://doi.org/10.3390/
електроника7090162.
Jung, J., Maeda, M., Chang, A., Bhandari, M., Ashapure, A., Landivar-Bowles, J., 2021. Потенцијалот на далечинското сензорирање и вештачката интелигенција како алатки за подобрување на
отпорност на системите за земјоделско производство. Curr. Мислење. Биотехнол. 70, 15-22. https://doi.org/10.1016/j.copbio.2020.09.003.
Калишчук, М., Парет, М.Л., Фримен, Џ. , 2019. Подобрена техника за извидување на култури која вклучува мултиспектрално сликање на култури со помош на беспилотно летало во конвенционалната практика на извидување за гуменото стебло кај лубеницата. Растенијата Дис. 103 (7), 1642–1650.
Kapoor, KK, Tamilmani, K., Rana, NP, Patil, P., Dwivedi, YK, Nerur, S., 2018. Напредокот во истражувањето на социјалните медиуми: минато, сегашност и иднина. Информирајте. Сист. Напред. 20
(3), 531-558.
Kerkech, M., Hafiane, A., Canals, R., 2020. VddNet: мрежа за откривање на болести на винова лоза базирана на мултиспектрални слики и карта на длабочина. Далечинско мерење 12 (20), 3305. https://doi. org/10.3390/rs12203305.
Khaliq, A., Comba, L., Biglia, A., Ricauda Aimonino, D., Chiaberge, M., Gay, P., 2019. Споредба на сателитски и мултиспектрални снимки базирани на UAV за лозје
проценка на варијабилноста. Далечинско мерење 11 (4). https://doi.org/10.3390/rs11040436.
Khan, PW, Byun, Y.-C., Park, N., 2020. IoT-blockchain овозможи оптимизиран систем на потекло за прехранбената индустрија 4.0 користејќи напредно длабоко учење. Сензори 20 (10), 2990.
Khan, RU, Khan, K., Albattah, W., Qamar, AM, Ullah, F., 2021. Откривање на растителни болести засновано на слики: од класично машинско учење до патување за длабоко учење. Безжична комуникација. Мобилен компјутер. 2021, 1–13.
Khan, S., Tufail, M., Khan, MT, Khan, ZA, Iqbal, J., Alam, M., Le, KNQ, 2021. Нова полу-надгледувана рамка за класификација на култури/треви базирани на UAV. PLoS ONE 16 (5), e0251008.
Khanal, S., Fulton, J., Shearer, S., 2017. Преглед на тековните и потенцијалните примени на термалното далечинско сензорирање во прецизното земјоделство. Пресметај. Електрон.
Земјоделски. 139, 22-32. https://doi.org/10.1016/j.compag.2017.05.001.
Khanna, A., Kaur, S., 2019. Еволуција на Интернет на нештата (IoT) и неговото значајно влијание во областа на прецизното земјоделство. Пресметај. Електрон. Земјоделски. 157, 218-231.
Kim, W., Khan, GF, Wood, J., Mahmood, MT, 2016. Ангажман на вработените за одржливи организации: анализа на клучни зборови користејќи анализа на социјалната мрежа и рафал
пристап за откривање. Одржливост 8 (7), 631.
Kirsch, M., Lorenz, S., Zimmermann, R., Tusa, L., Mockel, ¨ R., Hodl, ¨ P., Booysen, R., Khodadadzadeh, M., Gloaguen, R., 2018. Интеграција на копнени и дронови
хиперспектрални и фотограметриски методи на сензор за мапирање на истражување и следење на рударството. Далечинско мерење 10 (9), 1366. https://doi.org/10.3390/
rs10091366.
Kitano, BT, Mendes, CCT, Geus, AR, Oliveira, HC, Souza, JR, 2019. Броење на растенијата пченка со помош на слики за длабоко учење и UAV. IEEE Geosci. Далечински сензор Lett. 1–5 https://doi.org/10.1109/LGRS.2019.2930549.
Koh, JCO, Spangenberg, G., Kant, S., 2021. Автоматско машинско учење за фенотипирање растенија базирани на слики со висок процент. Далечинско мерење 13 (5), 858. https://
doi.org/10.3390/rs13050858.
Ковалев, IV, Ворошилова, АА, 2020. Современи технолошки трендови во развојот на екосистемот на товарни UAV. J. Phys. Конф. Сер. 1515 (5), 052068 https://doi. org/10.1088/1742-6596/1515/5/052068.
Krul, S., Pantos, C., Frangulea, M., Valente, J., 2021. Визуелен SLAM за домашен добиток и земјоделство со користење на мал дрон со монокуларна камера: физибилити студија.
Беспилотни летала 5 (2), 41. https://doi.org/10.3390/drones5020041.
Kulbacki, M., Segen, J., Knie´c, W., Klempous, R., Kluwak, K., Nikodem, J., Kulbacka, J., Serester, A., 2018. Истражување на дронови за автоматизација на земјоделството од садење до
жетвата. Во: INES 2018 – IEEE 22th International Conference on Intelligent Engineering Systems, стр.000353–358. https://doi.org/10.1109/INES.2018.8523943.
Lagkas, T., Argyriou, V., Bibi, S., Sarigiannidis, P., 2018. Рамковни погледи и предизвици за UAV IoT: кон заштита на беспилотните летала како „Нешта“. Сензори 18 (11), 4015. https://doi.org/10.3390/s18114015.
Laliberte, AS, Rango, A., 2011. Процедури за обработка и класификација на слики за анализа на поддециметарски слики добиени со беспилотен авион над суви
пасиштата. GISci. Далечински сензор 48 (1), 4–23. https://doi.org/10.2747/1548-1603.48.1.4.
Laliberte, AS, Rango, A., Herrick, JE, 2007. Беспилотни летала за мапирање и следење на полињата: споредба на два системи. Зборник на трудови од годишната конференција на ASPRS.
Lam, OHY, Dogotari, M., Prüm, M., Vithlani, HN, Roers, C., Melville, B., Zimmer, F., Becker, R., 2021. Работен тек со отворен код за мапирање на плевелите во родна трева
користење беспилотно летало: Користење на Rumex obtusifolius како студија на случај. Евра. J. Remote Sens. 54 (sup1), 71–88. https://doi.org/10.1080/22797254.2020.1793687.
Lambert, DM, Lowenberg-DeBoer, J., Griffin, TW, Peone, J., Payne, T., Daberkow, SG, 2004. Усвојување, профитабилност и подобра употреба на прецизни податоци за земјоделството.
Работна хартија. Универзитетот Пердју. https://doi.org/10.22004/ag.econ.28615.
Lelong, CCD, Burger, P., Jubelin, G., Roux, B., Labb´e, S., Baret, F., 2008 година. Сензори 8 (5), 3557-3585. https://doi.org/10.3390/s8053557.
Ли, Ц., Ниу, Б., 2020. Дизајн на паметно земјоделство засновано на големи податоци и Интернет на нештата. Инт. J. Дистриб. Сен. Netw. 16 (5) ttps://doi.org/10.1177/1550147720917065.
Li, W., Niu, Z., Chen, H., Li, D., Wu, M., Zhao, W., 2016. Далечинска проценка на висината на крошната и надземната биомаса на пченката користејќи стерео слики со висока резолуција од евтин систем за беспилотни летала. Екол. Инд. 67, 637–648. https://doi.org/10.1016/j.ecolind.2016.03.036.
Liakos, KG, Busato, P., Moshou, D., Pearson, S., Bochtis, D., 2018. Машинско учење во земјоделството: преглед. Сензори 18 (8), 2674.
Liebisch, F., Kirchgessner, N., Schneider, D., Walter, A., Hund, A., 2015. Далечинско, воздушно фенотипирање на карактеристиките на пченката со мобилен мултисензорски пристап. Растителни методи 11 (1), 9. https://doi.org/10.1186/s13007-015-0048-8.
Лин, З., Гуо, В., 2020 година. Откривање и броење на паника на сорго со помош на слики од беспилотни воздушни системи и длабоко учење. Напред. Растенијата наука. 11.
Liu, S., Guo, L., Webb, H., Ya, X., Chang, X., 2019. Систем за следење на Интернет на нештата на модерното еко-земјоделство базирано на облак компјутери. IEEE Access 7, 37050–37058.
Lopez-Granados, 'F., 2011. Откривање на плевел за управување со плевелот специфично на локацијата: мапирање и пристапи во реално време. Weed Res. 51 (1), 1–11. https://doi.org/10.1111/j.1365-3180.2010.00829.x.
Лопез-Гранадос, Ф., Торес-Санчез, Џ., Де Кастро, А.-И., Серано-Перез, А., Месас Караскоза, Ф.-Ј., Пена, Џ.-М. , 2016. Рано следење врз основа на објекти на тревен плевел во тревна култура со помош на слики од UAV со висока резолуција. Агрон. Одржи. Дев. 36 (4), 1–12
Лопез-Гранадос, „Ф., Торес-С“ Анчез, Ј., Серано-Перез, А., де Кастро, А.И., Месас Караскоза, Ф.-Ј., Пена, ˜ Ј.-М., 2016 година. Мапирање на плевелите во раната сезона во сончоглед со употреба на UAV технологија: варијабилност на мапи за третман со хербициди во однос на праговите на плевелот. Прецизно. Земјоделски. 17 (2), 183-199.
Lucieer, A., Malenovský, Z., Veness, T., Wallace, L., 2014. HyperUAS – имиџинг спектроскопија од мултироторски беспилотен систем на авиони. J. Филд Роб. 31 (4),
571–590. https://doi.org/10.1002/rob.21508.
Lumme, J., Karjalainen, M., Kaartinen, H., Kukko, A., Hyyppa, ¨ J., Hyypp¨ a, H., Jaakkola, A., & Kleemola, J., 2008. Терестриално ласерско скенирање на земјоделски култури. Во Џеј Џеј
Чен Ј. Маас Х-Г. (Ed.), International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences-ISPRS Archives (Vol. 37, pp. 563–566).
Меѓународно друштво за фотограметрија и далечинско мерење. https://www.scopus .com/inward/record.uri?eid=2-s2.0-84919356328&partnerID=40&md5=574
b802131a99d16318ce619a01ca1bf.
Ma, L., Li, M., Ma, X., Cheng, L., Du, P., Liu, Y., 2017 година. ISPRS J. Photogramm. Далечински сензор 130,
277–293. https://doi.org/10.1016/j.isprsjprs.2017.06.001.
Maes, WH, Steppe, K., 2019. Перспективи за далечинско набљудување со беспилотни летала во прецизното земјоделство. Trends Plant Sci. 24 (2), 152-164. https://doi.org/10.1016/j.tplants.2018.11.007.
Maimaitijiang, M., Ghulam, A., Sidike, P., Hartling, S., Maimaitiyiming, M., Peterson, K., Shavers, E., Fishman, J., Peterson, J., Kadam, S., Буркен, Ј., Фричи, Ф., 2017 година.
Фенотипирање на соја базирано на беспилотен систем за воздух (UAS) со помош на фузија на податоци со повеќе сензори и машина за екстремно учење. ISPRS J. Photogramm. Remote Sens. 134, 43–58. https://doi.org/10.1016/j.isprsjprs.2017.10.011. Maimaitijiang, M., Sagan, V., Sidike, P., Daloye, AM, Erkbol, H., Fritschi, FB, 2020 година.
Следење на сечењето со помош на спојување на податоци од сателит/UAV и машинско учење. Далечинско мерење 12 (9), 1357. https://doi.org/10.3390/rs12091357.
Манфреда, С., Мекејб, М., Милер, П., Лукас, Р., Пајуело Мадригал, В., Малинис, Г., Бен Дор, Е., Хелман, Д., Естес, Л., Чираоло, Г. ., Müllerov, ' J., Tauro, F., de Lima, M., de
Лима, Ј., Малтезе, А., Френсис, Ф., Кејлор, К., Кохв, М., Перкс, М., Руиз-Перез, Г., Су, З., Вико, Г., Тот , Б., 2018. За употреба на беспилотни воздушни системи за
мониторинг на животната средина. Далечинско мерење 10 (4), 641.
Маринко, РА, 1998. Цитати на списанија за женски студии во дисертации, 1989 и The Serials Librarian 35 (1–2), 29–44. https://doi.org/10.1300/J123v35n01_
03.
Masroor, R., Naeem, M., Ejaz, W., 2021. Управување со ресурси во безжични мрежи со помош на UAV: перспектива за оптимизација. Ад хок мрежа. 121, 102596 https://doi.org/10.1016/j.adhoc.2021.102596.
Matese, A., Di Gennaro, SF, 2018. Практични апликации на мултисензорска UAV платформа базирана на мултиспектрални, термални и RGB слики со висока резолуција во прецизност
лозарството. Земјоделство 8 (7), 116. https://doi.org/10.3390/agriculture8070116.
Matese, A., Di Gennaro, SF, 2021. Надвор од традиционалниот индекс NDVI како клучен фактор за да се вклучи употребата на UAV во прецизното лозарство. Sci. Реп. 11 (1), 2721. https://doi.org/10.1038/s41598-021-81652-3.
Матезе, А., Тоскано, П., Ди Џенаро, СФ, Генесио, Л., Вакари, ФП, Примицерио, Ј., Бели, Ц., Залдеи, А., Бјанкони, Р., Џоли, Б., 2015 .
и сателитски платформи за далечинско набљудување за прецизно лозарство. Далечински сензор 7 (3), 2971–2990. https://doi.org/10.3390/rs70302971.
Mazzia, V., Comba, L., Khaliq, A., Chiaberge, M., Gay, P., 2020 година.
земјоделството. Сензори 20 (9), 2530. https://doi.org/10.3390/s20092530.
McCain, KW, 1990. Мапирање на автори во интелектуалниот простор: технички преглед. J. Am. Соц. Инфо. Sci. 41 (6), 433-443.
Мејнен, БУ, Робинсон, ДТ, 2021 година. Животна средина. Модел. Софтвер 137, 104962. https://doi.org/10.1016/j.envsoft.2021.104962.
Мелвил, Б., Лусиер, А., Арјал, Ј., 2019 година. Класификација на заедниците на домородните пасишта во низините со помош на хиперспектрална слика на системот за беспилотни авиони (UAS) во
Тасманија средини. Беспилотни летала 3 (1), 5.
Месина, Г., Модика, Г., 2020 година. Апликации на термички слики на UAV во прецизното земјоделство: состојба на уметност и изгледи за идни истражувања. Далечинско мерење 12 (9), https://doi.org/10.3390/rs12091491.
Mishra, D., Luo, Z., Jiang, S., Papadopoulos, T., Dubey, R., 2017. Библиографска студија за големи податоци: концепти, трендови и предизвици. Управување со деловни процеси. J. 23 (3),
555-573.
Mochida, K., Saisho, D., Hirayama, T., 2015. Подобрување на културите со користење на збирки на податоци од животниот циклус стекнати во теренски услови. Напред. Растенијата наука. 6 https://doi.org/10.3389/
fpls.2015.00740 година.XNUMX.
Могили, UM.R., Deepak, BBVL, 2018. Преглед за примена на системи за дронови во прецизното земјоделство. Procedia Comput. Sci. 133, 502-509.
Moharana, S., Dutta, S., 2016. Просторна варијабилност на содржината на хлорофил и азот во оризот од хиперспектрални слики. ISPRS J. Photogramm. Далечински сензор 122, 17–29.
Muangprathub, J., Boonnam, N., Kajornkasirat, S., Lekbangpong, N., Wanichsombat, A.,
Нилаор, П., 2019. IoT и анализа на податоци за земјоделството за паметна фарма. Пресметај. Електрон. Земјоделски. 156, 467-474.
Nansen, C., Elliott, N., 2016. Далечинско сензорирање и профилирање на рефлексија во ентомологијата. Ану. Ентомол. 61 (1), 139-158. https://doi.org/10.1146/annurev-ento010715-023834.
Navia, J., Mondragon, I., Patino, D., Colorado, J., 2016. Мултиспектрално мапирање во земјоделството: мозаик на терен со користење на автономен квадкоптер UAV. Инт. Конф.
Системот на беспилотни авиони. (ICUAS) 2016, 1351-1358. https://doi.org/10.1109/ ICUAS.2016.7502606.
Nayyar, A., Nguyen, B.-L., Nguyen, NG, 2020. Интернетот на нештата со дронови (Iodt): идна замисла за паметни дронови. Adv. Интелигенција. Сист. Пресметај. 1045, 563-580. https://doi.org/10.1007/978-981-15-0029-9_45.
Nebiker, S., Annen, A., Scherrer, M., Oesch, D., 2008. Лесен мултиспектрален сензор за микро UAV - можности за далечинско сензорирање во воздухот со многу висока резолуција. Инт. Арх. Фотограма. Далечински сензор. Инф. Sci 37 (B1), 1193-1200.
Негаш, Л., Ким, Х.-Ј., Чои, Х.-Л., 2019 година. Нови апликации за UAV во земјоделството. Во: 2019 година 7-ма меѓународна конференција за технологија за разузнавање на роботи и
Апликации (RiTA), стр. 254–257. https://doi.org/10.1109/RITAPP.2019.8932853.
Нерур, СП, Рашид, АА, Натараџан, В., 2008. Интелектуалната структура на полето за стратегиски менаџмент: анализа на коцитацијата на авторот. Стратег. Раководител. J. 29 (3),
319-336.
Neupane, K., Baysal-Gurel, F., 2021. Автоматска идентификација и следење на растителни болести со користење на беспилотни летала: преглед. Далечинско мерење 13 (19), 3841. https://doi.org/10.3390/rs13193841.
Nex, F., Remondino, F., 2014. UAV за апликации за 3D мапирање: преглед. Апликација Геоматика 6 (1), 1–15. https://doi.org/10.1007/s12518-013-0120-x.
Niu, H., Hollenbeck, D., Zhao, T., Wang, D., Chen, Y., 2020. Проценка на евапотранспирација со мали UAV во прецизното земјоделство. Сензори 20 (22), 6427. https://
doi.org/10.3390/s20226427.
Osareh, F., 1996. Bibliometrics, Citation Analysis и Co-Citation Analysis. Преглед на литературата I 46 (3), 149–158. https://doi.org/10.1515/libr.1996.46.3.149.
P´ adua, L., Vanko, J., Hruˇska, J., Ad˜ ao, T., Sousa, JJ, Peres, E., Morais, R., 2017. UAS, сензори и обработка на податоци во агрошумарството: преглед кон практични апликации. Инт. J. Remote Sens. 38 (8–10), 2349–2391. https://doi.org/10.1080/01431161.2017.1297548.
Panday, US, Pratihast, AK, Aryal, J., Kayastha, RB, 2020. Преглед на решенија за податоци базирани на беспилотни летала за житни култури. Беспилотни летала 4 (3), 1–29. https://doi.org/10.3390/
дронови4030041.
Parsaeian, M., Shahabi, M., Hassanpour, H., 2020. Проценка на содржината на масло и протеини во семето од сусам користејќи обработка на слики и вештачка нервна мрежа. J. Am. Нафта
Хемичарите соц. 97 (7), 691-702.
Пена, ˜ JM, Торес-Санчез, Ј., де Кастро, АИ, Кели, М., Лопез-Гранадос, ´ Ф., Суарез, О., Мапирање на плевелот во полињата со пченка во раната сезона со користење на анализа базирана на објекти на
Слики на беспилотно летало (UAV). PLoS ONE 8 (10), e77151.
Перез-Ортиз, М., Пена, ˜ Ј.М., Гутиерез, ПА, Торес-С' Анчез, Ј., Херв ас-Мартинез, Ц.,
Lopez-Granados, ´ F., 2015. Полу-надгледуван систем за мапирање на плевелот кај посевите на сончоглед со помош на беспилотни летала и метод за откривање на редица култури. Апликација Мек компјутер. J. 37, 533-544. https://doi.org/10.1016/j.asoc.2015.08.027.
Pincheira, M., Vecchio, M., Giaffreda, R., Kanhere, SS, 2021. Ефективни IoT уреди како доверливи извори на податоци за систем за управување со вода базиран на блокчејн во прецизно земјоделство. Пресметај. Електрон. Земјоделски. 180, 105889.
Попеску, Д., Стоикан, Ф., Стаматеску, Г., Ичим, Л., Драгана, Ц., 2020. Напреден UAV–WSN систем за интелигентно следење во прецизното земјоделство. Сензори 20 (3), https://doi.org/10.3390/s20030817.
Pournader, M., Shi, Y., Seuring, S., Koh, SL, 2020. Апликации за блокчејн во синџирите на снабдување, транспортот и логистиката: систематски преглед на литературата. Инт. J. Прод. Рез. 58 (7), 2063-2081.
Primicerio, J., Di Gennaro, SF, Fiorillo, E., Genesio, L., Lugato, E., Matese, A., Vaccari, FP, 2012. Флексибилно беспилотно летало за прецизно земјоделство.
Прецизно. Земјоделски. 13 (4), 517-523. https://doi.org/10.1007/s11119-012-9257-6.
Pritchard, A., 1969. Статистичка библиографија или библиометрика. J. Документ. 25 (4), 348-349.
Pudelko, R., Stuczynski, T., Borzecka-Walker, M., 2012. Соодветноста на беспилотно летало (UAV) за евалуација на експериментални полиња и земјоделски култури. Земјоделство 99 (4), 431–436.
Puri, V., Nayyar, A., Raja, L., 2017. Земјоделски дронови: модерен пробив во прецизното земјоделство. Ј. Статис. Раководител. Сист. 20 (4), 507-518.
Radoglou-Grammatikis, P., Sarigiannidis, P., Lagkas, T., Moscholios, I., 2020. Компилација на UAV апликации за прецизно земјоделство. Пресметај. Netw. 172,
107148 https://doi.org/10.1016/j.comnet.2020.107148.
Рамеш, КВ, Ракеш, В., Пракаса Рао, ЕВС, 2020 година. Примена на аналитика на големи податоци и вештачка интелигенција во агрономски истражувања. Индиецот Ј. Агрон. 65 (4), 383-395.
Raparelli, E., Bajocco, S., 2019. Библиометриска анализа за употребата на беспилотни летала во земјоделските и шумарските студии. Инт. J. Remote Sens. 40 (24),
9070–9083. https://doi.org/10.1080/01431161.2019.1569793.
Расмусен, Ј., Нилсен, Ј., Гарсија-Руиз, Ф., Кристенсен, С., Штрајбиг, JC, Лоц, Б., 2013 година.
Потенцијални употреби на системи за мали беспилотни авиони (UAS) во истражување на плевелот. Weed Res. 53 (4), 242-248.
Расмусен, Ј., Нтакос, Г., Нилсен, Ј., Свенсгаард, Ј., Поулсен, Р.Н., Кристенсен, С., Дали вегетациските индекси се изведени од камери од потрошувачки квалитет монтирани на
Беспилотните летала се доволно сигурни за проценка на експериментални парцели? Евра. Ј. Агрон. 74, 75-92. https://doi.org/10.1016/j.eja.2015.11.026.
Rejeb, A., Rejeb, K., Abdollahi, A., Zailani, S., Iranmanesh, M., Ghobakhloo, M., 2022. Дигитализација во синџирите за снабдување со храна: библиометриски преглед и главна патека за клучна рута
анализа. Одржливост 14 (1), 83. https://doi.org/10.3390/su14010083.
Rejeb, A., Rejeb, K., Simske, SJ, Treiblmaier, H., 2021a. Беспилотни летала за управување со синџирот на снабдување и логистика: агенда за преглед и истражување. Инт. Ј. Логист. Рез. Апликација
1–24. https://doi.org/10.1080/13675567.2021.1981273.
Rejeb, A., Rejeb, K., Simske, S., Treiblmaier, H., 2021b. Блокчејн технологии во логистика и управување со синџирот на снабдување: библиометриски преглед. Логистика 5 (4), 72.
https://doi.org/10.3390/logistics5040072.
Rejeb, A., Rejeb, K., Simske, S., Treiblmaier, H., 2021c. Хуманитарни дронови: агенда за преглед и истражување. Интернет на нештата 16, 100434. https://doi.org/10.1016/j.
иот.2021.100434 година.XNUMX.
Rejeb, A., Treiblmaier, H., Rejeb, K., Zailani, S., 2021d. Истражување на блокчејн во здравството: библиометриски преглед и актуелни истражувачки трендови. J. на податоци, Инф. и
Раководител. 3 (2), 109-124.
Rejeb, A., Simske, S., Rejeb, K., Treiblmaier, H., Zailani, S., 2020. Истражување на Интернет на нештата во управувањето со синџирот на снабдување и логистиката: библиометриска анализа. Интернет
на нештата 12, 100318.
ReportLinker, 2021. Глобалниот пазар на беспилотни летала за земјоделство ќе достигне 15.2 милијарди американски долари до година GlobeNewswire News Room. https://www.globenewswire.com/news-release/2021/08/10/2277986/0/en/Global-Agriculture-Drones-Market-to-Reach-US-15-2-Billion-by-the- Година-2027.html.
Ribeiro-Gomes, K., Hernandez-L' opez, ´ D., Ortega, JF, Ballesteros, R., Poblete, T.,Moreno, MA, 2017. Калибрација на термичка камера со неладење и оптимизација на
процес на фотограметрија за примена на UAV во земјоделството. Сензори (Швајцарија) 17 (10). https://doi.org/10.3390/s17102173.
Ривера, м-р, Пизам, А., 2015 година. Напредокот во истражувањето за угостителство: „Од Родни Денџерфилд до Арета Френклин“. Инт. J. Contempor. Болница. Раководител. 27 (3),
362–378. https://doi.org/10.1108/IJCHM-03-2014-0146.
Roldan, ' JJ, Joossen, G., Sanz, D., Del Cerro, J., Barrientos, A., 2015. Сетилен систем базиран на мини-UAV за мерење на еколошките променливи во оранжериите. Сензори 15 (2), 3334–3350. https://doi.org/10.3390/s150203334.
Розенберг, Г., Кент, Р., Бланк, Л., 2021 година. Прецизно. Земјоделски. 22 (4), 1317–1332. https://doi.org/10.1007/s11119-021-09786-y.
Saari, H., Pellikka, I., Pesonen, L., Tuominen, S., Heikkila, ¨ J., Holmlund, C., Makynen, ¨ J., Ojala, K., Antila, T., 2011. Без екипаж Спектрален систем за камера управуван од летало (UAV) за шумски и земјоделски апликации. Продолжи. SPIE – Внатрешна. Соц. Одлучи. инж. 8174 https://doi.org/10.1117/12.897585.
Сах, Б., Гупта, Р., Бани-Хани, Д., 2021. Анализа на бариери за спроведување на логистика на беспилотни летала. Инт. J. Логист. Рез. Апликација 24 (6), 531-550. https://doi.org/10.1080/
13675567.2020.1782862.
Saha, AK, Saha, J., Ray, R., Sircar, S., Dutta, S., Chattopadhyay, SP, & Saha, HN, дрон базиран на IOT за подобрување на квалитетот на културите во земјоделското поле. Во СХ
Н. Чакрабарти С. (Уред.), 2018-ма годишна работилница и конференција на IEEE за компјутери и комуникации, CCWC 8 (том. 2018-јануари, стр. 2018–612) 615 година. Институтот
на Electrical and Electronics Engineers Inc. doi: 10.1109/CCWC.2018.8301662.
Sai Vineeth, KV, Vara Prasad, YR, Dubey, SR, Venkataraman, H., 2019. LEDCOM: нова и ефикасна комуникација базирана на LED за прецизно земјоделство. IEEE Conf. Инфо. Commun. Технол. 2019, 1–5. https://doi.org/10.1109/CICT48419.2019.9066177.
Salami, E., Barrado, C., Pastor, E., 2014. Експериментите за летање со UAV се применуваат на далечинско сензорирање на области со вегетација. Далечинско мерење 6 (11), 11051–11081. https://doi.org/10.3390/rs61111051.
Sankaran, S., Khot, LR, Espinoza, CZ, Jarolmasjed, S., Sathuvalli, VR, Vandemark, GJ, Miklas, PN, Carter, AH, Pumphrey, MO, Knowles, NRN, Pavek, MJ, 2015 година.
Системи за воздушно сликање со мала надморска височина, со висока резолуција за фенотипирање на култури во ред и поле: преглед. Евра. Ј. Агрон. 70, 112-123. https://doi.org/10.1016/j.
еја.2015.07.004 година.XNUMX.
Santesteban, LG, Di Gennaro, SF, Herrero-Langreo, A., Miranda, C., Royo, JB, Matese, A., 2017. Термичко снимање базирано на UAV со висока резолуција за да се процени
моментална и сезонска варијабилност на статусот на водата на растенијата во лозје. Земјоделски. Управување со вода. 183, 49-59. https://doi.org/10.1016/j.agwat.2016.08.026.
Sarli, CC, Dubinsky, EK, Holmes, KL, 2010. Надвор од анализата на цитати: Модел за проценка на влијанието на истражувањето. J. Med. Библиотека Доц. : JMLA 98 (1), 17–23. https://doi.org/10.3163/1536-5050.98.1.008.
Schaepman, ME, Ustin, SL, Plaza, AJ, Painter, TH, Verrelst, J., Liang, S., 2009. Спектроскопија на слика поврзана со науката за Земјата - проценка. Опкружување со далечински сензор. 113, S123-S137.
Schirrmann, M., Giebel, A., Gleiniger, F., Pflanz, M., Lentschke, J., Dammer, K.-H., 2016. Следење на агрономските параметри на културите на зимска пченица со евтини UAV
слики. Далечинско мерење 8 (9). https://doi.org/10.3390/rs8090706.
Schmale III, DG, Dingus, BR, Reinholtz, C., 2008. Развој и примена на автономно беспилотно летало за прецизно аеробиолошко земање примероци погоре
земјоделски ниви. J. Филд Роб. 25 (3), 133-147. https://doi.org/10.1002/rob.20232.
Шадрин, Д., Меншчиков, А., Сомов, А., Борнеман, Г., Хауслаге, Ј., Федоров, М.,
Овозможување прецизно земјоделство преку вградено сензор со вештачка интелигенција. IEEE Trans. Инструм. Меси. 69 (7), 4103-4113.
Шахатре, Х., Савалме, АХ, Ал-Фукаха, А., Доу, З., Алмаита, Е., Калил, И.,
Othman, NS, Khreishah, A., Guizani, M., 2019. Беспилотни воздушни возила (UAVs): истражување за цивилните апликации и клучните истражувачки предизвици. IEEE пристап 7,
48572–48634. https://doi.org/10.1109/ACCESS.2019.2909530.
Shakoor, N., Northrup, D., Murray, S., Mockler, TC, 2019 година.
технологии за унапредување на продуктивноста на земјоделските култури. Растителен феномен J. 2 (1), 1-8.
Шарма, БК, Чандра, Г., Мишра, В.П., 2019. Споредбена анализа и импликација на UAV и AI во форензичките истраги. Во: Зборник на трудови – 2019 Amity International
Конференција за вештачка интелигенција. https://doi.org/10.1109/AICAI.2019.8701407.
Sharma, R., Shishodia, A., Gunasekaran, A., Min, H., Munim, ZH, 2022. Улогата на вештачката интелигенција во управувањето со синџирот на снабдување: мапирање на територијата. Инт. Ј.
Прод. Рез. 1–24. https://doi.org/10.1080/00207543.2022.2029611.
Ши, Ј., Томассон, Џеј, Мареј, СЦ, Пуг, НА, Руни, В.Л., Шафијан, С., Рајан, Н., Рузе, Г., Морган, КЛС, Нили, ХЛ, Рана, А., Багаватијанан , МВ,
Хенриксон, Ј., Боуден, Е., Валасек, Ј., Олсенхолер, Ј., Бишоп, пратеник, Шеридан, Р., Путман, ЕБ, Попеску, С., Буркс, Т., Копе, Д., Ибрахим, А., МекКатчен, БФ,
Baltensperger, DD, Avant, RV, Vidrine, M., Yang, C., Zhang, J., 2016. Беспилотни летала за фенотипизирање и агрономски истражувања со голема брзина. PLoS ONE
11 (7), e0159781.
Shuai, G., Martinez-Feria, RA, Zhang, J., Li, S., Price, R., Basso, B., 2019. Доловување на хетерогеноста на пченката низ зоните на стабилност на приносот со помош на беспилотна антена
Возила (UAV). Сензори 19 (20), 4446. https://doi.org/10.3390/s19204446.
Small, H., 1973. Co-citation во научната литература: нова мерка за односот помеѓу два документа. J. Am. Соц. Инфо. Sci. 24 (4), 265-269.
Small, H., Rorvig, ME, Lunin, LF, 1999. Визуелизирање на науката преку мапирање на цитати. J. Am. Соц. Инфо. Sci. 50 (9), 799–813.
Soares, VHA, Ponti, MA, Gonçalves, RA, Campello, RJGB, 2021. Броење на добиток во дивината со геолокацирани воздушни слики на големи пасишта. Пресметај. Електрон. Земјоделски. 189, 106354 https://doi.org/10.1016/j.compag.2021.106354.
Сривастава, К., Пандеј, компјутер, Шарма, ЈК, 2020 година. Беспилотни летала 4 (3), 58. https://doi.org/ 10.3390/drones4030058.
Стафорд, JV, 2000. Спроведување на прецизно земјоделство во 21 век. J. Agric. инж. Рез. 76 (3), 267-275.
Su, J., Coombes, M., Liu, C., Guo, L., Chen, W.-H., 2018. Проценка на сушата на пченицата со снимки со далечинско набљудување со помош на беспилотно летало. Во 2018 година, 37-ма кинеска контролна конференција (CCC).
Су, Џ., Лиу, Ц., Кумбес, М., Ху, Х., Ванг, Ц., Ксу, Х., Ли, К., Гуо, Л., Чен, В.-Х., 2018 година. Следење на пченичната жолта 'рѓа преку учење од мултиспектрални воздушни снимки од UAV.
Пресметај. Електрон. Земјоделски. 155, 157-166. https://doi.org/10.1016/j. компаг.2018.10.017.
Su, Y., Wang, X., 2021. Иновација на земјоделско економско управување во процесот на изградба на паметно земјоделство со големи податоци. Одржлив компјутер. Инф. Сист. 31, 100579 https://doi.org/10.1016/j.suscom.2021.100579.
Sullivan, DG, Fulton, JP, Shaw, JN, Bland, GL, 2007. Евалуација на чувствителноста на беспилотниот топлински инфрацрвен воздушен систем за откривање на воден стрес во памучна крошна. Транс. ASABE 50 (6), 1955–1962.
Sumesh, KC, Ninsawat, S., Som-ard, J., 2021. Интеграција на RGB-базиран индекс на вегетација, модел на површината на културата и пристап за анализа на слика базиран на објект за проценка на приносот на шеќерна трска со помош на беспилотно летало. Пресметај. Електрон. Земјоделски. 180, 105903 https://doi.org/10.1016/j.compag.2020.105903.
Suomalainen, J., Anders, N., Iqbal, S., Franke, J., Wenting, P., Bartholomeus, H., Becker, R., Kooistra, L., 2013. Лесен хиперспектрален систем за мапирање за
беспилотни летала-првите резултати. Во: 2013 5-та работилница за хиперспектрална слика и обработка на сигнали: Еволуција во далечинско сензорирање (WHISPERS), стр. 1–4. https://doi.org/10.1109/WHISPERS.2013.8080721.
Суомалаинен, Ј., Андерс, Н., Икбал, С., Роеринк, Г., Франке, Ј., Вентинг, П., Хунигер, Д., Бартоломеј, Х., Бекер, Р., Коистра, Л., 2014. Лесен хиперспектрален
систем за мапирање и синџир на фотограметриска обработка за беспилотни летала. Далечински сензор 6 (11), 11013–11030. https://doi.org/10.3390/
rs61111013.
Syeda, IH, Alam, MM, Illahi, U., Su'ud, MM, 2021. Напредни контролни стратегии со користење на обработка на слики, UAV и AI во земјоделството: Преглед. World J. Eng. 18 (4),
579–589. https://doi.org/10.1108/WJE-09-2020-0459.
Tahai, A., Rigsby, JT, 1998. Обработка на информации користејќи цитати за истражување на влијанието на списанието во сметководството. Инф. Процес. Управувај. 34 (2–3), 341–359.
Tang, Y., Dananjayan, S., Hou, C., Guo, Q., Luo, S., He, Y., 2021. Истражување за мрежата 5G и нејзиното влијание врз земјоделството: предизвици и можности. Пресметај.
Електрон. Земјоделски. 180, 105895 https://doi.org/10.1016/j.compag.2020.105895.
Tantalaki, N., Souravlas, S., Roumeliotis, M., 2019. Донесување одлуки засновани на податоци во прецизното земјоделство: порастот на големите податоци во земјоделските системи. J. Agric. Информации за храна.
20 (4), 344-380.
Tao, H., Feng, H., Xu, L., Miao, M., Yang, G., Yang, X., Fan, L., 2020. Проценка на приносот и висината на растението на зимската пченица користејќи UAV- базирани хиперспектрални слики.
Сензори 20 (4), 1231.
Techy, L., Schmale III, DG, Woolsey, CA, 2010 година. J. Филд Роб. 27 (3), 335-343. https://doi.org/10.1002/rob.20335.
Tetila, EC, Machado, BB, Astolfi, G., Belete, NAdS, Amorim, WP, Roel, AR, Pistori, H., 2020. Откривање и класификација на штетници од соја користејќи длабоко учење
со слики од UAV. Пресметај. Електрон. Земјоделски. 179, 105836.
Thamm, H.-P., Menz, G., Becker, M., Kuria, DN, Misana, S., Kohn, D., 2013. И WetSeason за одржливо земјоделство и обезбедување на основна вистина за податоци од Terra-Sar X. Во: ISPRS – International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, стр. 401–406. https://doi.org/10.5194/isprsarchivesXL-1-W2-401-2013.
Thelwall, M., 2008. Библиометрика до вебметрика. J. Инфо. Sci. 34 (4), 605-621.
Торес-Санчез, ´ Ј., Лопез-Гранадос, ´ Ф., Пена, ˜ JM, 2015. Автоматски метод заснован на објекти за оптимално прагување во сликите на UAV: апликација за откривање вегетација кај тревни култури. Пресметај. Електрон. Земјоделски. 114, 43-52. https://doi.org/10.1016/j.compag.2015.03.019.
Торес-Санчез, ´ Ј., Лопез-Гранадос, ´ Ф., Серано, Н., Аркеро, О., Пена, ˜ JM, Хасан, КК, 2015. Високопропусен 3-Д мониторинг на насади со земјоделски дрвја со Технологија на беспилотно летало (UAV). PLoS ONE 10 (6), e0130479.
Торес-Санчез, ´ Ј., Пена, ˜ JM, де Кастро, АИ, Лопез-Гранадос, ´ Ф., 2014. Мулти-временско мапирање на фракцијата на вегетацијата во полињата со пченица во раната сезона користејќи слики од UAV. Пресметај. Електрон. Земјоделски. 103, 104-113. https://doi.org/10.1016/j. компаг.2014.02.009.
Tsouros, DC, Bibi, S., Sarigiannidis, PG, 2019. Преглед на апликациите засновани на UAV за прецизно земјоделство. Информации (Швајцарија) 10 (11). https://doi.org/10.3390/info10110349.
Tu, Y.-H., Phinn, S., Johansen, K., Robson, A., Wu, D., 2020. Оптимизирање на планирањето на летот со дрон за мерење на структурата на градинарски култури на дрвја. ISPRS J. Photogramm.
Remote Sens. 160, 83–96. https://doi.org/10.1016/j.isprsjprs.2019.12.006
Tzounis, A., Katsoulas, N., Bartzanas, T., Kittas, C., 2017. Интернет на нештата во земјоделството, неодамнешниот напредок и идните предизвици. Биосист. инж. 164, 31-48.
https://doi.org/10.1016/j.biosystemseng.2017.09.007.
Uddin, A., Singh, VK, Pinto, D., Olmos, I., 2015. Сциентометриско мапирање на истражување на компјутерски науки во Мексико. Scientometrics 105 (1), 97–114.
UN., 2019. Перспективи на светското население 2019. https://population.un.org/wpp/ (Пристапено на 15/04/2022).
Uto, K., Seki, H., Saito, G., Kosugi, Y., 2013. Карактеризација на оризовите полиња со минијатурен хиперспектрален сензорски систем поставен на UAV. IEEE J. Sel. Врв. Апликација Earth Obs.
Далечински сензор 6 (2), 851–860. https://doi.org/10.1109/JSTARS.2013.2250921. van der Merwe, D., Burchfield, DR, Witt, TD, Price, KP, Sharda, A., 2020. Беспилотни летала во
земјоделството. Adv. Агрон. 162, 1-30.
Велусами, П., Раџендран, С., Махендран, РК, Насер, С., Шафик, М., Чои, Ј.-Г., 2022 година.
Беспилотни воздушни возила (UAV) во прецизното земјоделство: апликации и предизвици. Енергии 15 (1), 217. https://doi.org/10.3390/en15010217.
Ventura, D., Bonifazi, A., Gravina, MF, Belluscio, A., Ardizzone, G., 2018. Мапирање и класификација на еколошки чувствителни морски живеалишта со помош на беспилотна антена
Слики на возила (UAV) и анализа на слика базирана на објекти (OBIA). Далечинско мерење 10 (9), 1331. https://doi.org/10.3390/rs10091331.
Verger, A., Vigneau, N., Ch´eron, C., Gilliot, J.-M., Comar, A., Baret, F., 2014. Индекс на зелена површина од беспилотен воздушен систем над културите на пченица и семе од репка . Опкружување со далечински сензор. 152, 654–664. https://doi.org/10.1016/j.rse.2014.06.006.
Von Bueren, SK, Burkart, A., Hueni, A., Rascher, U., Tuohy, MP, Yule, IJ, 2015. Распоредување на четири оптички сензори базирани на UAV над пасиштата: предизвици и
ограничувања. Biogeosciences 12 (1), 163-175. https://doi.org/10.5194/bg-12-163-2015.
Vuran, MC, Salam, A., Wong, R., Irmak, S., 2018. Интернет на подземни работи во прецизното земјоделство: архитектура и технолошки аспекти. Ад хок мрежа. 81,
160–173. https://doi.org/10.1016/j.adhoc.2018.07.017.
Wamba, SF, Queiroz, MM, 2021. Одговорна вештачка интелигенција како тајна состојка за дигиталното здравје: библиометриска анализа, увид и насоки за истражување.
Инфо. Сист. Напред. 1–16.
Ванг, Л., Џанг, Г., Ванг, З., Лиу, Ј., Шанг, Ј., Лианг, Л., 2019 година. Далечинско мерење 11 (7). https://doi.org/10.3390/rs11070809.
Вајт, ХД, Грифит, п.н.е., 1981. Коцитација на авторот: литературна мерка за интелектуалната структура. J. Am. Соц. Инфо. Sci. 32 (3), 163-171.
Xiang, H., Tian, L., 2011. Развој на ефтин земјоделски систем за далечинско сензорирање базиран на автономно беспилотно летало (UAV). Биосист. инж. 108 (2), 174–190. https://doi.org/10.1016/j.biosystemseng.2010.11.010.
Xie, C., Yang, C., 2020. Преглед на особини на фенотипирање на растенијата со висока пропусна моќ користејќи сензори базирани на UAV. Пресметај. Електрон. Земјоделски. 178, 105731 https://doi.org/10.1016/j.
компаг.2020.105731 година.XNUMX.
Јао, Х., Чин, Р., Чен, Х., 2019 година. Беспилотно летало за апликации за далечинско набљудување - преглед. Далечинско мерење 11 (12). https://doi.org/10.3390/
rs11121443.
Yeom, S., 2021. Следење на движење на луѓе и отстранување на лажна патека со инфрацрвена термална слика со мултиротор. Беспилотни летала 5 (3), 65. https://doi.org/10.3390/drones5030065.
Yue, J., Feng, H., Jin, X., Yuan, H., Li, Z., Zhou, C., Yang, G., Tian, Q., 2018. Споредба на проценката на параметрите на културата со помош на слики од монтирани на UAV
хиперспектрален сензор за слика и дигитален фотоапарат со висока дефиниција. Далечинско мерење 10 (7), 1138. https://doi.org/10.3390/rs10071138.
Yue, J., Yang, G., Li, C., Li, Z., Wang, Y., Feng, H., Xu, B., 2017. Проценка на надземната биомаса од зимска пченица користејќи беспилотни летала- базирана слика
Хиперспектрален сензор и подобрени модели на висина на сечењето. Далечинско мерење 9 (7). https://doi.org/10.3390/rs9070708.
Zahawi, RA, Dandois, JP, Holl, KD, Nadwodny, D., Reid, JL, Ellis, EC, 2015. Користење на лесни беспилотни летала за следење на обновувањето на тропските шуми. Биол.
Конзервирајте. 186, 287-295. https://doi.org/10.1016/j.biocon.2015.03.031. Замора-Изкиердо, м-р, Санта, Ј., Мартинез, ЈА, Мартинез, В., Скармета, АФ, 2019 година.
Паметна IoT платформа за земјоделство базирана на edge и cloud computing. Биосист. инж. 177,
4-17.
Zarco-Tejada, PJ, Diaz-Varela, R., Angileri, V., Loudjani, P., 2014. Квантификација на висината на дрвото користејќи слики со многу висока резолуција добиени од беспилотна антена
возило (UAV) и методи за автоматска 3D фото-реконструкција. Евра. Ј. Агрон. 55, 89-99. https://doi.org/10.1016/j.eja.2014.01.004.
Zhang, C., Craine, WA, McGee, RJ, Vandemark, GJ, Davis, JB, Brown, J., Hulbert, SH, Sankaran, S., 2020. Фенотипирање на интензитетот на цветање засновано на слика кај културите во студената сезона. Сензори 20 (5), 1450. https://doi.org/10.3390/s20051450.
Zhang, C., Kovacs, JM, 2012. Примената на мали беспилотни воздушни системи за прецизно земјоделство: преглед. Прецизно. Земјоделски. 13 (6), 693-712. https://doi.org/
10.1007/s11119-012-9274-5.
Zhang, L., Zhang, H., Niu, Y., Han, W., 2019. Мапирање на воден стрес на пченка врз основа на мултиспектрално далечинско сензорирање на UAV. Далечинско мерење 11 (6), 605.
Џанг, Х., Хан, Л., Донг, Ј., Ши, Ј., Хуанг, В., Хан, Л., Гонц' алес-Морено, П., Ма, Х., Је, Х., Собеих , Т., 2019. Пристап заснован на длабоко учење за автоматизирана жолта 'рѓа
откривање болест од хиперспектрални UAV слики со висока резолуција. Далечинско мерење 11 (13), 1554 година.
Zhao, X., Zhang, J., Huang, Y., Tian, Y., Yuan, L., 2022. Откривање и дискриминација на болести и стрес од инсекти кај чајните растенија со помош на хиперспектрално сликање во комбинација со анализа на брановидни линии. Пресметај. Електрон. Земјоделски. 193, 106717 https://doi.org/10.1016/j. компаг.2022.106717 година.XNUMX.
Zheng, A., Wang, M., Li, C., Tang, J., Luo, B., 2022. Адаптација на противнички домен со ентропија за семантичка сегментација на воздушни слики. IEEE Trans. Г
Zheng, H., Cheng, T., Yao, X., Deng, X., Tian, Y., Cao, W., Zhu, Y., 2016. Откривање на фенологијата на оризот преку анализа на временски серии на спектрални базирани на земја индексни податоци. Field Crops Res. 198, 131-139. https://doi.org/10.1016/j.fcr.2016.08.027.
Женг, Ј., Јанг, В., 2018. Дизајн на прецизен систем за сеење на истекување во земјоделството базиран на безжични сензори. Инт. Ј. Онлајн инж. 14 (05), 184.
Zhou, L., Gu, X., Cheng, S., Yang, G., Shu, M., Sun, Q., 2020. Анализа на висинските промени на растението на сместена пченка користејќи податоци за UAV-LiDAR. Земјоделство 10 (5), 146. https://
doi.org/10.3390/agriculture10050146.
Zhou, S., Chai, X., Yang, Z., Wang, H., Yang, C., Sun, T., 2021 година. . Растителни методи 17 (1), 48. https://doi.org/10.1186/s13007-021-00747-0.
Zhou, X., Zheng, HB, Xu, XQ, He, JY, Ge, XK, Yao, X., Cheng, T., Zhu, Y., Cao, WX, Tian, YC, 2017. Предвидување принос на жито во ориз со користење на повеќевременска вегетација
индекси од мултиспектрални и дигитални слики базирани на UAV. ISPRS J. Photogramm. Далечински сензор 130, 246–255. https://doi.org/10.1016/j.isprsjprs.2017.05.003.
Zhou, Y., Xie, Y., Shao, L., 2016. Симулација на основната технологија на систем за следење на стаклена градина базиран на безжична сензорска мрежа. Инт. Ј. Онлајн инж. 12 (05),
43.
Џоу, З., Маџид, Ј., Диверес Наранџо, Г., Гамбакорта, ЕМТ, 2021 година.
и идни перспективи за апликации за длабоко учење. Пресметај. Електрон. Земјоделски. 182, 106019 https://doi.org/10.1016/j.compag.2021.106019.