Abderahmana Rejeba a , Alireza Abdollahi b , Karima Rejeba c , Horsta Treiblmaiera d,
- a Wydział Zarządzania i Prawa, Wydział Ekonomii, Uniwersytet Rzymski Tor Vergata, Via Columbia, 2, Rzym 00133, Włochy
- b Department of Business Administration, Faculty of Management, Kharazmi University, 1599964511 Teheran, Iran
- c Wydział Nauk Bizerte, Uniwersytet Kartaginy, Zarzouna, 7021 Bizerte, Tunezja
- d School of International Management, Modul University Vienna, Am Kahlenberg 1, 1190 Wiedeń, Austria
INFORMACJE O ARTYKULE | ABSTRACT |
Słowa kluczowe: Drony UAV Rolnictwo precyzyjne Internet przedmiotów Bibliometria | Drony, zwane również bezzałogowymi statkami powietrznymi (UAV), były świadkami niezwykłego rozwoju w ostatnich dziesięcioleciach. W rolnictwie zmienili praktyki rolnicze, oferując rolnikom znaczne oszczędności kosztów, zwiększone wydajność operacyjna i lepsza rentowność. W ostatnich dziesięcioleciach temat dronów rolniczych przyciągnął niezwykłą uwagę akademicką. Dlatego przeprowadzamy kompleksowy przegląd na podstawie bibliometrii podsumować i ustrukturyzować istniejącą literaturę akademicką oraz ujawnić aktualne trendy badawcze i gorące punkty. My zastosować techniki bibliometryczne i przeanalizować literaturę dotyczącą dronów rolniczych, aby podsumować i ocenić poprzednie badania. Nasza analiza wskazuje, że teledetekcja, rolnictwo precyzyjne, głębokie uczenie, uczenie maszynowe i Internet Rzeczy to kluczowe tematy związane z dronami rolniczymi. Współcytowanie Analiza ujawnia w literaturze sześć szerokich klastrów badawczych. Niniejsze opracowanie jest jedną z pierwszych prób podsumowania badań dronów w rolnictwie i zaproponowania przyszłych kierunków badań. |
Wprowadzenie
Rolnictwo stanowi podstawowe źródło żywności na świecie (Friha i in., 2021) i boryka się z poważnymi wyzwaniami ze względu na
rosnący popyt na produkty spożywcze, bezpieczeństwo żywności i obawy dotyczące bezpieczeństwa, a także wezwania do ochrony środowiska, zachowania wody i
zrównoważony rozwój (Inoue, 2020). Przewiduje się, że ten rozwój będzie kontynuowany, ponieważ szacuje się, że światowa populacja osiągnie 9.7 miliarda do 2050 r
(2019). Ponieważ rolnictwo stanowi najbardziej widoczny przykład zużycia wody na świecie, oczekuje się, że zapotrzebowanie na żywność i wodę
konsumpcja gwałtownie wzrośnie w dającej się przewidzieć przyszłości. Ponadto rosnące zużycie nawozów i pestycydów
w połączeniu z intensyfikacją działalności rolniczej może prowadzić do przyszłych wyzwań środowiskowych. Podobnie, grunty orne są ograniczone, a
liczba rolników na całym świecie maleje. Wyzwania te podkreślają potrzebę innowacyjnych i zrównoważonych rozwiązań dla rolnictwa (Elijah
i in., 2018; Friha i in., 2021; Inoue, 2020; Tzounis i in., 2017).
Włączenie nowych technologii zostało uznane za obiecujące rozwiązanie, które pozwoli sprostać tym wyzwaniom. Inteligentne rolnictwo (Brewster i in.,
2017; W wyniku takich debat pojawiły się Tang i in., 2021) oraz rolnictwo precyzyjne (Feng i in., 2019; Khanna i Kaur, 2019). The
Pierwszy to ogólny pogląd na przyjęcie technologii informacyjno-komunikacyjnych (ICT) i innych przełomowych innowacji w działalności rolniczej w celu zwiększenia wydajności i skuteczności (Haque i in., 2021). Ten ostatni koncentruje się na zarządzaniu specyficznym dla lokalizacji, w którym grunt jest podzielony na
jednorodne części, a każda część otrzymuje dokładną ilość wkładu rolniczego do optymalizacji plonów za pomocą nowatorskich technologii (Feng i in., 2019; Khanna i Kaur, 2019). Wybitne technologie, które przyciągnęły uwagę naukowców w tej dziedzinie, to bezprzewodowe sieci czujników (WSN) (J. Zheng & Yang, 2018; Y. Zhou i in., 2016), Internet rzeczy (IoT) (Gill i in., 2017; He i in., 2021; Liu i in., 2019),
techniki sztucznej inteligencji (AI), w tym uczenie maszynowe i uczenie głębokie (Liakos i in., 2018; Parsaeian i in., 2020; Shadrin i in.,
2019), technologie obliczeniowe (Hsu et al., 2020; Jinbo et al., 2019; Zamora-Izquierdo et al., 2019), big data (Gill et al., 2017; Tantalaki
et al., 2019) oraz blockchain (PW Khan et al., 2020; Pincheira et al., 2021).
Oprócz wyżej wymienionych technologii, teledetekcja została uznana za narzędzie technologiczne o dużym potencjale do poprawy
inteligentne i precyzyjne rolnictwo. Satelity, samoloty z załogą człowieka i drony to popularne technologie teledetekcji (Tsouros i in., 2019).
Drony, popularnie znane jako bezzałogowe statki powietrzne (UAV), bezzałogowe systemy powietrzne (UAS) i zdalnie sterowane statki powietrzne, są
mają ogromne znaczenie, ponieważ mają wiele zalet w porównaniu z innymi technologiami teledetekcji. Na przykład drony mogą dostarczać
wysokiej jakości obrazy o wysokiej rozdzielczości w pochmurne dni (Manfreda i in., 2018). Również ich dostępność i szybkość transferu stanowią inne
korzyści (Radoglou-Grammatikis i in., 2020). W porównaniu z samolotami drony są bardzo ekonomiczne i łatwe w konfiguracji i utrzymaniu (Tsouros i in., 2019). Pomimo tego, że początkowo były wykorzystywane głównie do celów wojskowych, drony mogą mieć wiele zastosowań cywilnych, na przykład w zarządzaniu łańcuchem dostaw (A. Rejeb, Rejeb i in., 2021a), w celach humanitarnych (A. Rejeb, Rejeb i in., 2021c), inteligentne rolnictwo, pomiary i mapowanie, dokumentacja dziedzictwa kulturowego, zarządzanie katastrofami oraz ochrona lasów i dzikiej przyrody (Panday, Pratihast i in., 2020). W rolnictwie istnieje wiele obszarów zastosowań dronów, ponieważ można je zintegrować z nowymi technologiami, możliwościami obliczeniowymi i czujnikami pokładowymi w celu wsparcia zarządzania uprawami (np. mapowanie, monitorowanie, nawadnianie, diagnostyka roślin) (H. Huang i in., 2021) , ograniczanie katastrof, systemy wczesnego ostrzegania, ochrona przyrody i leśnictwa, żeby wymienić tylko kilka (Negash i in., 2019). Podobnie drony mogą być wykorzystywane w kilku działaniach rolniczych, w tym w monitorowaniu upraw i wzrostu, szacowaniu plonów, ocenie stresu wodnego oraz wykrywaniu chwastów, szkodników i chorób (Inoue, 2020; Panday, Pratihast i in., 2020). Drony mogą być wykorzystywane nie tylko do monitorowania, szacowania i wykrywania w oparciu o ich dane sensoryczne, ale także do precyzyjnego nawadniania i precyzyjnego zwalczania chwastów, szkodników i chorób. Innymi słowy, drony są w stanie rozpylać wodę i pestycydy w precyzyjnych ilościach w oparciu o dane środowiskowe. Korzyści z dronów w rolnictwie podsumowano w tabeli 1.
Główne zalety dronów w rolnictwie.
Korzyść | Bibliografia) |
Popraw czasowe i przestrzenne wykrywanie rozdzielczości | (Gago i in., 2015; Niu i in., 2020; Srivastava i wsp., 2020) |
Ułatwienie rolnictwa precyzyjnego | (L. Deng i in., 2018; Kalischuk i in., 2019; Maimaitijiang i in., 2017) |
Klasyfikacja i rozpoznanie Rośliny | (Inoue, 2020; Kalischuk i in., 2019; Lopez-´ Granados i in., 2016; Maimaitijiang i in., 2017; Melville i in., 2019; Moharana i Dutta, 2016) |
Stosowanie nawozu | (L. Deng i in., 2018; Guan i in., 2019) |
Monitoring suszy | (Fawcett i in., 2020; Panday, Pratihast i in., 2020; Su i in., 2018) |
Oszacowanie biomasy | (Bendig i in., 2014) |
Oszacowanie wydajności | (Inoue, 2020; Panday, Shrestha i in., 2020; Tao i wsp., 2020) |
Redukcja katastrof | (Negash i in., 2019) |
Ochrona dzikiej przyrody i leśnictwo | (Negash i in., 2019; Panday, Pratihast i in., 2020) |
Ocena stresu wodnego | (Inoue, 2020; J. Su, Coombes i in., 2018; L. Zhang i in., 2019) |
Szkodniki, chwasty i choroby wykrywanie | (Gasparović i in., 2020; Inoue, 2020; J. Su, Liu, i in., 2018; X. Zhang i in., 2019) |
Z drugiej strony drony również mają ograniczenia. Zaangażowanie pilota, moc silnika, stabilność i niezawodność, jakość czujników ze względu na ładowność
Należą do nich ograniczenia wagowe, koszty wdrożenia i przepisy dotyczące lotnictwa (C. Zhang i Kovacs, 2012). Porównujemy niedociągnięcia
z trzech technologii teledetekcji mobilnej w Tabeli 2. Inne technologie teledetekcji, takie jak czujniki gleby, nie są przedmiotem tego badania.
Wady różnych technologii teledetekcji mobilnej.
Teledetekcja technologie | Uwarunkowania | Referencje |
Dron (BSP) | Zaangażowanie pilota; obrazy' jakość (średnia); koszty wdrożenia (średnie); stabilność, zwrotność i niezawodność; normalizacja; moc silnika; ograniczona moc źródła (długość baterii); ograniczony czas lotu, kolizja i cyberataki; ograniczony waga ładunku; duże zbiory danych i ograniczone przetwarzanie danych możliwości; brak regulacji; brak doświadczenia, wysoki wpis bariery w dostępie do drony rolnicze; | (Bacco i in., 2018; Dawaliby i in., 2020; Hardin & Hardina, 2010; Hardin & Jensen, 2011; Lagkas i in., 2018; Laliberte i in., 2007; Laliberte i Rango, 2011; Manfreda i in., 2018, 2018; Nebiker i in., 2008; Puri i in., 2017; Velusamy i in., 2022; C. Zhanga i Kovacsa, 2012) |
Satelita | Okresowy zasięg satelitarny, ograniczona rozdzielczość widmowa; podatność na problemy z widocznością (np. chmury); Niedostępność i niska prędkość transferu; orientacja i winietowanie efekty kosztownych danych przestrzennych kolekcja; powolne dostarczanie danych czas na użytkowników końcowych | (Aboutalebi i in., 2019; Cen i in., 2019; Chen i in., 2019; Nansena i Elliotta, 2016; Pandaj, Pratihast, i in., 2020; Sai Vineeth i wsp., 2019) |
Samolot | Wysokie koszty przyjęcia; skomplikowana konfiguracja; koszty utrzymania; niedostępność niezawodnego samoloty, geometria obrazy; dane nieregularne nabytek; brak elastyczności; śmiertelne wypadki; dane czujnika zmiany spowodowane wibracjami; kwestie georeferencyjne | (Armstrong i in., 2011; Atkinson i in., 2018; Barbedo i Koenigkan, 2018; Kowaliow i Woroszyłowa, 2020; Suomalainena i in., 2013; Thamm i in., 2013) |
Jako multidyscyplinarna i wielozadaniowa technologia w rolnictwie drony były badane z różnych perspektyw. Na przykład naukowcy zbadali zastosowania dronów w rolnictwie (Kulbacki i in., 2018; Mogili i Deepak, 2018), ich wkład w rolnictwo precyzyjne (Puri i in., 2017; Tsouros i in., 2019), ich komplementarność z innymi najnowocześniejsze technologie (Al-Thani et al., 2020; Dutta & Mitra, 2021; Nayyar et al., 2020; Saha et al., 2018) oraz możliwości rozwoju ich zdolności nawigacyjnych i detekcyjnych (Bareth et al. , 2015; Suomalainen i in., 2014). Ponieważ badania nad zastosowaniami dronów w rolnictwie stały się powszechne (Khan i in., 2021)), istnieje potrzeba podsumowania istniejącej literatury i ujawnienia struktury intelektualnej domeny. Ponadto, jako dziedzina zaawansowanych technologii z ciągłymi ulepszeniami, należy przeprowadzać ustrukturyzowane przeglądy, aby okresowo podsumowywać istniejącą literaturę i identyfikować ważne luki badawcze. Do
Obecnie istnieje niewiele recenzji, które omawiają zastosowania dronów w sektorze rolniczym. Na przykład Mogili i Deepak (2018) pokrótce dokonali przeglądu wpływu dronów na monitorowanie upraw i opryskiwanie pestycydami. Inoue (2020) przeprowadza przegląd wykorzystania satelitów i dronów w teledetekcji w rolnictwie. Autor bada wyzwania technologiczne związane z przyjęciem inteligentnego rolnictwa oraz wkład satelitów i dronów w oparciu o studia przypadków i najlepsze praktyki. Tsouros i in. (2019) podsumowują różne rodzaje dronów i ich główne zastosowania w rolnictwie, podkreślając różne metody pozyskiwania i przetwarzania danych. Niedawno Aslan i in. (2022) przeprowadzili kompleksowy przegląd zastosowań UAV w działalności rolniczej i podkreślili znaczenie jednoczesnej lokalizacji i mapowania UAV w szklarni. Diaz-Gonzalez i in. (2022) dokonał przeglądu ostatnich badań dotyczących produkcji plonów w oparciu o różne techniki uczenia maszynowego i zdalne
systemy czujnikowe. Ich odkrycia wskazują, że UAV są przydatne do szacowania wskaźników gleby i przewyższają systemy satelitarne pod względem rozdzielczości przestrzennej, czasowości informacji i elastyczności. Basiri i in. (2022) dokonali wyczerpującego przeglądu różnych podejść i metod w celu przezwyciężenia wyzwań związanych z planowaniem ścieżki dla wielowirnikowych UAV w kontekście rolnictwa precyzyjnego. Ponadto Awais i in. (2022) podsumowali zastosowanie danych z teledetekcji UAV w uprawach w celu oszacowania stanu wody i przedstawili dogłębną syntezę potencjalnej zdolności teledetekcji UAV do zastosowania w warunkach stresu związanego z odpadami. Wreszcie Aquilani i in. (2022) dokonali przeglądu technologii hodowli wstępnej stosowanych w systemach hodowli zwierząt na pastwiskach i wywnioskowali, że teledetekcja umożliwiona przez UAV jest korzystna dla oceny biomasy i zarządzania stadem.
Ostatnio pojawiły się też doniesienia o próbach wykorzystania UAV do monitorowania, śledzenia i gromadzenia zwierząt gospodarskich.
Chociaż przeglądy te dostarczają nowych i ważnych spostrzeżeń, w literaturze nie można znaleźć kompleksowego i aktualnego przeglądu opartego na bibliometrii, co stanowi wyraźną lukę w wiedzy. Co więcej, stwierdzono, że gdy produkcja naukowa rośnie w domenie naukowej, dla badaczy istotne staje się stosowanie podejść do przeglądu ilościowego w celu zrozumienia struktury wiedzy w domenie (Rivera i Pizam, 2015). Podobnie Ferreira i in. (2014) stwierdzili, że w miarę dojrzewania i skomplikowania dziedzin badawczych uczeni powinni starać się od czasu do czasu nadać sens generowanej i zgromadzonej wiedzy, aby ujawnić nowe wkłady, uchwycić tradycje i trendy badawcze, określić, które tematy są badane, i zagłębić się w strukturę wiedzy dziedzina i potencjalne kierunki badań. Podczas gdy Raparelli i Bajocco (2019) przeprowadzili analizę bibliometryczną w celu zbadania dziedziny wiedzy o zastosowaniach dronów w rolnictwie i leśnictwie, ich badanie uwzględnia jedynie badania naukowe opublikowane w latach 1995–2017, które nie odzwierciedlają dynamiki tego szybko zmieniającego się obszaru. Co więcej, autorzy nie próbowali identyfikować najbardziej wpływowych wkładów w tej dziedzinie, grupować literatury i oceniać struktury intelektualnej za pomocą analizy współcytowania. W rezultacie konieczne jest podsumowanie literatury w celu ujawnienia aktualnych ognisk badawczych, trendów i hotspotów.
Aby wypełnić tę lukę w wiedzy, wykorzystujemy metodologię ilościową i rygorystyczne metody bibliometryczne, aby zbadać obecny stan badań na skrzyżowaniu dronów i rolnictwa. Twierdzimy, że obecne badanie wnosi kilka wkładów do istniejącej literatury, badając pojawiające się technologie, które są bardzo potrzebne w rolnictwie, ponieważ zapewniają ogromny potencjał zmiany kilku aspektów w tym sektorze. Potrzeba analizy bibliometrycznej dronów rolniczych jest jeszcze bardziej odczuwalna, biorąc pod uwagę rozproszoną i fragmentaryczną wiedzę na temat dronów w kontekście rolnictwa. Podobnie literatura dotycząca dronów rolniczych wymaga systematycznego grupowania, z uwzględnieniem najbardziej wpływowych opracowań budujących podwaliny tego pola badawczego. Zasługą analizy jest także doprecyzowanie głównych tematów badawczych reprezentowanych w literaturze. Biorąc pod uwagę potencjał transformacyjny technologii, zakładamy, że dogłębna analiza sieci dostarcza nowych informacji poprzez określenie wpływowych prac i ujawnienie tematów dotyczących potencjału dronów dla rolnictwa.
Dlatego dążymy do osiągnięcia następujących celów badawczych:
- Identyfikacja wpływowych publikacji z wybitnym wkładem w zastosowania dronów w dziedzinie rolnictwa.
- Grupowanie literatury, identyfikacja ognisk badawczych i mapowanie głównych badań „struktury intelektualnej” w oparciu o podobieństwo semantyczne za pomocą analizy kocytacji.
- Zrozumienie ewolucji powiązań i sieci cytowań na przestrzeni czasu w różnych publikacjach z tej dziedziny oraz identyfikacja przyszłych kierunków badań i gorących tematów.
Pozostała część artykułu ma następującą strukturę: sekcja 2 przedstawia metodologię i etapy gromadzenia danych; w sekcji 3 przedstawiono wyniki analiz; a sekcja 4 omawia wyniki i kończy się wkładem badawczym, implikacjami i przyszłymi kierunkami.
Metodologia
W bieżącym badaniu badawczym przeprowadzamy analizę bibliometryczną w celu zbadania zastosowań dronów w rolnictwie. To ilościowe podejście ujawnia intelektualną strukturę domeny wiedzy (Arora i Chakraborty, 2021) oraz obecny status, gorące tematy i przyszłe kierunki badawcze, które można zbadać za pomocą tej metody (Kapoor i in., 2018; Mishra i in. , 2017; A. Rejeb, Rejeb i in., 2021b; A. Rejeb i in., 2021d; MA Rejeb i in., 2020). Ogólnie rzecz biorąc, analiza bibliometryczna bada istniejącą literaturę w celu podsumowania i odkrycia ukrytych wzorców komunikacji pisemnej oraz ewolucji dyscypliny opartej na statystykach i metodach matematycznych, i ma zastosowanie do dużych zbiorów danych (Pritchard, 1969; Small, 1999; Tahai i Rigsby , 1998). Używając bibliometrii, dążymy do lepszego zrozumienia istniejących paradygmatów i ośrodków badawczych, które przyczyniają się do domeny opartej na podobieństwie (Thelwall, 2008). Bibliometria dostarcza nowych spostrzeżeń popartych obiektywną ilościową siłą metodologii (Casillas i Acedo, 2007). Wielu naukowców prowadziło wcześniej badania bibliometryczne w powiązanych dziedzinach, w tym w rolnictwie, teledetekcji i transformacji cyfrowej (Armenta-Medina i in., 2020; Bouzembrak i in., 2019; A. Rejeb, Treiblmaier i in., 2021; Wamba & Queiroz, 2021; Wang i in., 2019).
Analiza cytowań
Analiza cytowań ujawnia różne wglądy w daną dziedzinę badawczą. Przede wszystkim pomaga wyłonić najbardziej wpływowych autorów i publikacje, które wnoszą wkład w daną dziedzinę badawczą i wywierają znaczący wpływ (Gundolf i Filser, 2013). Po drugie, można odkryć przepływ wiedzy i powiązania komunikacyjne między autorami. Wreszcie, śledząc powiązania między cytowanymi i cytowanymi pracami, można zbadać zmiany i ewolucję domeny wiedzy w czasie (Pournader
i in., 2020). Duża liczba cytowań publikacji odzwierciedla jej znaczenie i znaczący wkład w dziedzinę badawczą (Baldi, 1998; Gundolf i Filser, 2013; Marinko, 1998). Analiza cytowań publikacji pomaga również zidentyfikować odpowiednie prace oraz śledzić ich popularność i postęp w czasie.
Analiza kocytacji dokumentów
Analiza kocytacji jest cenną metodą badania relacji między publikacjami i zobrazowania intelektualnej struktury dziedziny (Nerur i in., 2008). Innymi słowy, identyfikując najczęściej cytowane publikacje i ich powiązania, metoda grupuje publikacje w odrębne klastry badawcze, w których publikacje w klastrze regularnie dzielą podobne idee (McCain, 1990; Small, 1973). Należy wspomnieć, że podobieństwo nie oznacza, że wyniki publikacji są
spójne i zgodne ze sobą; Publikacje należą do tego samego skupienia ze względu na podobieństwo tematyczne, ale mogą przedstawiać sprzeczne punkty widzenia.
Gromadzenie i analiza danych
Zgodnie z metodologią zaproponowaną przez White'a i Griffitha (1981), przeprowadziliśmy kompleksowe wyszukiwanie artykułów w czasopismach, aby objąć całą domenę badawczą zastosowań dronów w rolnictwie, wykonując następujące pięć kroków:
- Pierwszym krokiem było zebranie danych. Scopus został wybrany jako jedna z najbardziej wszechstronnych i godnych zaufania baz danych ze standardowymi wynikami. Pobrano metadane publikacji dotyczących wszystkich zastosowań dronów w rolnictwie. Następnie przeanalizowaliśmy wybrane artykuły, usuwając z analizy artykuły nie na temat.
- Przeanalizowaliśmy literaturę i zidentyfikowaliśmy najważniejsze słowa kluczowe używane w obszarze badawczym.
- Korzystając z analizy cytowań, zbadaliśmy związek między autorami a dokumentami, aby odkryć leżące u podstaw wzorce cytowań. Zidentyfikowaliśmy również najbardziej wpływowych autorów i publikacje mające znaczący wkład w dziedzinę dronów rolniczych.
- Przeprowadziliśmy analizę kocytacji, aby pogrupować podobne publikacje w klastry.
- Na koniec przeanalizowaliśmy powiązania i powiązania między krajami, instytucjami i czasopismami, aby przedstawić sieć współpracy.
Identyfikacja odpowiednich wyszukiwanych haseł
Do agregacji danych zastosowaliśmy następujące ciągi wyszukiwania: (dron* OR „bezzałogowy statek powietrzny” OR uav* OR „bezzałogowy system powietrzny”” LUB usa LUB „samolot zdalnie pilotowany””) AND (rolnictwo LUB rolnictwo LUB rolnictwo LUB rolnik)). Poszukiwania przeprowadzono we wrześniu 2021 r. Drony mają kilka oznaczeń, w tym UAV, UAS i samoloty zdalnie sterowane (Sah i in., 2021). Konkretne wyszukiwane hasła związane z rolnictwem zostały zidentyfikowane na podstawie badania Abdollahi et al. (2021). Ze względu na przejrzystość i przejrzystość, dokładne zapytanie, którego użyliśmy, podano w Załączniku 1. Po procesie czyszczenia danych stworzyliśmy plik tekstowy, który został następnie załadowany do BibExcel, wspólnego narzędzia do analizy cytowań i współcytowania. To narzędzie oferuje również prostą interakcję z innym oprogramowaniem i zapewnia znaczną swobodę w przetwarzaniu i analizie danych. Do wizualizacji wyników i wygenerowania sieci bibliometrycznych wykorzystano VOSviewer w wersji 1.6.16 (Eck i Waltman, 2009). VOSviewer oferuje szereg intuicyjnych wizualizacji, w szczególności do analizy map bibliometrycznych (Geng i in., 2020). Ponadto pomaga w dostarczaniu prostych wyników wizualnych, które pomagają w lepszym zrozumieniu wyników (Abdollahi i in., 2021). Stosując powyższe łańcuchy wyszukiwania, zebraliśmy i zapisaliśmy wszystkie istotne publikacje. Pierwsze wyniki wyszukiwania przyniosły łącznie 5,085 dokumentów. Aby zapewnić jakość wyselekcjonowanej próby, w badaniu uwzględniono wyłącznie recenzowane artykuły w czasopismach, co spowodowało wykluczenie innych typów dokumentów, takich jak książki, rozdziały, materiały konferencyjne i notatki redakcyjne. Podczas procesu selekcji odfiltrowywano nieistotne (tj. wykraczające poza zakres niniejszej pracy), zbędne (tj. duplikaty pochodzące z podwójnego indeksowania) oraz publikacje nieanglojęzyczne. Proces ten zaowocował włączeniem do ostatecznej analizy 4,700 dokumentów.
Ustalenia i dyskusja
Na początek przeanalizowaliśmy rozwój publikacji w aktualnej literaturze dotyczącej dronów rolniczych. Rozkład czasowy badań naukowych przedstawia ryc. 1. Od 2011 r. obserwujemy szybki wzrost liczby publikacji (30 publikacji); dlatego zdecydowaliśmy się podzielić okres analizy na dwa różne etapy. Okres od 1990 do 2010 r. określamy jako etap przygotowawczy, w którym publikowano około siedmiu artykułów rocznie. Okres po 2010 roku został nazwany fazą wzrostu, ponieważ badania nad zastosowaniami dronów w rolnictwie odnotowały gwałtowny wzrost w tym okresie. Po 2010 r. rosnąca liczba publikacji potwierdza rosnące zainteresowanie badaczy, co odzwierciedla również zastosowanie dronów do teledetekcji oraz w rolnictwie precyzyjnym (Deng i in., 2018; Maes & Steppe, 2019; Messina & Modica, 2020 ). W szczególności liczba publikacji wzrosła ze 108 w 2013 r. do 498 w 2018 r. i osiągnęła najwyższy poziom 1,275 w 2020 r. Od stycznia do połowy września 935 r. opublikowano łącznie 2021 artykułów. Następnie zdecydowaliśmy się bardziej skoncentrować naszą analizę na fazie wzrostu ponieważ ten okres odzwierciedla najnowsze i najważniejsze subtelności dronów rolniczych.
Analiza słów kluczowych
Słowa kluczowe wybrane przez autorów do publikacji mają decydujący wpływ na to, jak artykuł jest reprezentowany i jak jest komunikowany w środowisku naukowym. Identyfikują kluczowe tematy badania i określają jego potencjał do rozkwitu lub porażki (Day i Gastel, 1998.; Kim i in., 2016; Uddin i in., 2015). Analiza słów kluczowych, narzędzie do ujawniania szerszych trendów i kierunków badawczych, odnosi się do zestawienia słów kluczowych wszystkich powiązanych publikacji w domenie (Dixit i Jakhar, 2021). W obecnym badaniu podzieliliśmy zagregowane słowa kluczowe na dwa zestawy (tj. do 2010 i 2011-2021), aby zbadać najpopularniejsze tematy. W ten sposób możemy prześledzić kluczowe słowa kluczowe w obu zestawach i zapewnić, że przechwyciliśmy wszystkie niezbędne dane. Dla każdego zestawu dziesięć najpopularniejszych słów kluczowych przedstawia Tabela 3. Wyeliminowaliśmy niespójności, łącząc semantycznie identyczne słowa kluczowe, takie jak „dron” i „drony” lub analogicznie „Internet of Things” i „IoT”.
Tabela 3 pokazuje, że „bezzałogowy statek powietrzny” jest częściej używanym słowem kluczowym niż „dron” i „bezzałogowy system powietrzny” w obu okresach. Również „teledetekcja”, „rolnictwo precyzyjne” i „rolnictwo” są wysoko oceniane w obu okresach. W pierwszym okresie „rolnictwo precyzyjne” zajęło piąte miejsce, a drugie miejsce w drugim okresie, co ilustruje, w jaki sposób drony stają się coraz ważniejsze w osiąganiu rolnictwa precyzyjnego, ponieważ mogą dokonywać monitoringu,
procedury wykrywania i szacowania są szybsze, tańsze i łatwiejsze do wykonania w porównaniu z innymi systemami teledetekcyjnymi i naziemnymi. Ponadto mogą spryskiwać dokładną ilość wsadu (np. wody lub pestycydów) w razie potrzeby (Guo i in., 2020; Inoue, 2020; Panday, Pratihast, i in., 2020).
Lista najczęściej używanych słów kluczowych.
Ranga | 1990-2010 | Liczba wystąpienia | 2011-2021 | Liczba wystąpienia |
1 | bezzałogowe statki powietrzne pojazd | 28 | bezzałogowy pojazd powietrzny | 1628 |
2 | teledetekcja | 7 | precyzja rolnictwo | 489 |
3 | rolnictwo | 4 | teledetekcja | 399 |
4 | samolotowy | 4 | truteń | 374 |
5 | precyzja rolnictwo | 4 | bezzałogowy system antenowy | 271 |
6 | bezzałogowe statki powietrzne | 4 | rolnictwo | 177 |
7 | hiperspektralny czujnik | 3 | głęboka nauka | 151 |
8 | sztuczny neuron sieci | 2 | maszyna nauka | 149 |
9 | autonomiczny lot | 2 | wegetacja wskaźnik | 142 |
10 | kawa | 2 | Internet Atrakcje | 124 |
Kolejną ciekawą cechą jest obecność technologii komplementarnych. W pierwszym etapie „czujnik hiperspektralny” i „sztuczne sieci neuronowe” (ANN) znajdują się w pierwszej dziesiątce słów kluczowych. Obrazowanie hiperspektralne zrewolucjonizowało tradycyjne obrazowanie, zbierając ogromną liczbę obrazów o różnych długościach fal. W ten sposób czujniki mogą jednocześnie zbierać lepsze informacje przestrzenne i spektralne w porównaniu do obrazowania wielospektralnego, spektroskopii i obrazowania RGB (Adao ˜ et al.,
2017). Występowanie „ANN” na pierwszym etapie oraz „głębokiego uczenia” (DL) i „uczenia maszynowego” (ML) w drugim oznacza, że większość opublikowanych prac koncentrowała się na badaniu potencjału technik sztucznej inteligencji dla dronów. oparte na rolnictwie. Chociaż drony mogą latać autonomicznie, nadal wymagają zaangażowania pilota, co implikuje niski poziom inteligencji urządzenia. Problem ten można jednak rozwiązać dzięki rozwojowi technik sztucznej inteligencji, które mogą zapewnić lepszą świadomość sytuacyjną i autonomiczne wspomaganie decyzji. Wyposażone w sztuczną inteligencję drony mogą unikać kolizji podczas nawigacji, poprawiać zarządzanie glebą i uprawami (Inoue, 2020) oraz zmniejszać pracę i stres dla ludzi (BK Sharma i in., 2019).
Ze względu na ich elastyczność i zdolność do obsługi ogromnych ilości danych nieliniowych, techniki sztucznej inteligencji są odpowiednimi metodami analizy danych przesyłanych przez drony i inne systemy teledetekcji i naziemne do przewidywania i podejmowania decyzji (Ali i in., 2015; Inoue, 2020). Ponadto obecność „IoT” w drugim okresie wskazuje na jego rosnącą rolę w rolnictwie. IoT rewolucjonizuje rolnictwo, łącząc inne technologie, w tym drony, ML, DL, WSN i big data. Jedną z kluczowych korzyści z wdrożenia IoT jest zdolność do sprawnego i efektywnego łączenia różnych zadań (pozyskiwanie danych, analiza i przetwarzanie danych, podejmowanie decyzji i wdrażanie) w czasie zbliżonym do rzeczywistego (Elijah i in., 2018; Feng i in. , 2019; Muangprathub i in., 2019). Ponadto drony są uważane za skuteczne narzędzia do przechwytywania danych niezbędnych do obliczania wigoru i właściwości roślinności (Candiago i in., 2015). Fig. 2a i 2b ilustrują sieci współwystępowania słów kluczowych dla obu okresów czasu.
Wpływowi autorzy
W tej sekcji określamy wpływowych autorów i badamy, w jaki sposób sieci cytowań autorów mogą wizualizować i organizować aktualną literaturę. Na ryc. 3 przedstawiono nakładkę chronologiczną wszystkich badaczy z największą liczbą cytowań. Skala kolorów odzwierciedla roczne zróżnicowanie cytowań autorów. Badamy strukturę cytowań badaczy, którzy opublikowali badania nad dronami rolniczymi, stosując próg minimum 50 cytowań i XNUMX publikacji. Poza
12,891 115 autorów, tylko 4 spełniło ten warunek. W tabeli 1,963 wymieniono dziesięciu najbardziej wpływowych autorów, posortowanych według maksymalnej liczby cytowań. Lopez-Granados F. prowadzi na liście z 1,909 cytowaniami, a następnie Zarco-Tejada PJ z XNUMX cytowaniami.
Lista najczęściej cytowanych autorów.
Ranking | Autor | cytaty |
1 | Lopez-Granados `F. | 1,963 |
2 | Zarco-Tejada PJ | 1,909 |
3 | Pena ˜ JM | 1,644 |
4 | Torres-S Anchez J. | 1,576 |
5 | Fereres E | 1,339 |
6 | Remondino F | 1,235 |
7 | Bolten A | 1,160 |
8 | Bareth G | 1,155 |
9 | Berni JA | 1,132 |
10 | de Castro AI | 1,036 |
Jeśli chodzi o poszczególne publikacje, najczęściej cytowanym badaniem opublikowanym w Precision Agriculture był artykuł Zhanga i Kovacsa (2012). W niniejszym artykule autorzy dokonali przeglądu zastosowania UAS w rolnictwie precyzyjnym. Wyniki ich badań sugerują, że istnieje potrzeba udoskonalenia projektowania platform, produkcji, standaryzacji georeferencji obrazu i przepływu pracy wyszukiwania informacji, aby zapewnić rolnikom niezawodne produkty końcowe. Ponadto zalecają silniejsze zaangażowanie rolnika, zwłaszcza w planowanie pól, przechwytywanie obrazu oraz interpretację i analizę danych. Co ważne, badanie to było jednym z pierwszych, które wykazało znaczenie UAV w mapowaniu polowym, mapowaniu wigoru, pomiarach zawartości substancji chemicznych, monitorowaniu stresu wegetacyjnego i ocenie wpływu nawozów na wzrost roślin. Wyzwania związane z technologią obejmują również zaporowe koszty, możliwości czujników, stabilność i niezawodność platformy, brak standaryzacji oraz spójną procedurę analizy ogromnych ilości danych.
Analiza cytowań
Analiza cytowań reprezentuje badanie wpływu artykułów, chociaż podatnych na przepływy (np. stronniczość cytowań, autocytowanie) jest uważana za jeden ze standardowych narzędzi oceny wpływu (Osareh, 1996; A. Rejeb i in., 2022; Sarli i in., 2010). Cytaty odzwierciedlają również znaczenie i żywotność wkładu artykułów do literatury na określony temat (R. Sharma i in., 2022). Przeprowadziliśmy analizę cytowań w celu określenia najbardziej wpływowych badań dotyczących dronów rolniczych i podsumowaliśmy ich zawartość. W tabeli 5 przedstawiono listę piętnastu najbardziej wpływowych prac z lat 1990–2010 i 2011–2021. Artykuły Berniego i in. (2009)b i Austin (2010) były najczęściej cytowane w latach 1990 i 2010, odpowiednio 831 i 498 cytowań. Berniego i in. (2009)b zilustrowali możliwości opracowania ilościowych produktów teledetekcji za pomocą helikopterowego UAV wyposażonego w przystępne cenowo termowizyjne i wąskopasmowe wielospektralne czujniki obrazowania. W porównaniu z tradycyjnymi załogowymi czujnikami powietrznymi, tani system UAV dla rolnictwa jest w stanie uzyskać porównywalne szacunki parametrów biofizycznych upraw, jeśli nie lepsze. Przystępna cena i elastyczność operacyjna, a także wysoka rozdzielczość widmowa, przestrzenna i czasowa dostępna w krótkim czasie sprawiają, że UAV nadają się do szeregu zastosowań, które wymagają zarządzania krytycznego czasowo, w tym planowania nawadniania i rolnictwa precyzyjnego. Artykuł Berniego i in. (2009)b jest wysoko cytowany, ponieważ skutecznie zintegrował bezzałogową platformę ze skrzydłami obrotowymi oraz czujniki cyfrowe i termiczne z niezbędnymi mechanizmami kalibracji do zastosowań rolniczych. Drugą najczęściej cytowaną publikacją jest książka autorstwa Austina (2010), która omówiła UAV z perspektywy projektowania, rozwoju i wdrażania. W rolnictwie bezzałogowe statki powietrzne wspierają monitorowanie upraw poprzez wczesne wykrywanie chorób poprzez zmianę koloru upraw, ułatwianie siewu i opryskiwania upraw oraz monitorowanie i prowadzenie stad.
Badania Sullivana i in. (2007), Lumme i in. (2008) oraz Gokto ¨ ǧan et al. (2010) zamykają listę piętnastu najczęściej cytowanych artykułów. Artykuły te ilustrują rozwój systemów opartych na UAV wspierających rolnictwo. Oferują rozwiązania różnych problemów, takich jak monitorowanie i skanowanie upraw, nadzór i zarządzanie chwastami oraz wspomaganie decyzji. Sugerują również i omawiają zdolność UAV do zwiększenia wydajności pobierania próbek i pomocy rolnikom w opracowywaniu dokładnych i skutecznych
strategie sadzenia. Dwie prace zostały autorstwa Berniego (Berni et al., 2009b; Berni et al., 2009a), podkreślając jego znaczący wpływ na badania związane z dronami rolniczymi. Artykuł Zarco-Tejady i in. (2014) był jednym z pionierskich badań, które zilustrowały potrzebę wykorzystania niedrogich obrazów UAV do kwantyfikacji wysokości drzew.
Lista najczęściej cytowanych publikacji.
Ranga | Od 1990 do 2010 | Od 2011 do 2021 | ||
dokument | Cytat | dokument | Cytat | |
1 | (Berni i in., 2009b) | 831 | (C. Zhang i Kovacs, 2012) | 967 |
2 | (Austina, 2010) | 498 | (Nex i Remondino, 2014) | 893 |
3 | (Hunt i in., 2010) | 331 | (Floreano i drewno, 2015) | 552 |
4 | (SR Herwitz i in., 2004) | 285 | (Hossein Motlagh i in., 2016) | 391 |
5 | (CCD Lelong i in., 2008) | 272 | (Shakhatreh i in., 2019) | 383 |
6 | (Berni i in., 2009b) | 250 | (Ma i in., 2017) | 373 |
7 | (Grenzdorffer ¨ i in., 2008) | 198 | (Bendig i in., 2014) | 360 |
8 | (Hrabar i in., 2005) | 175 | (Zarco-Tejada i in., 2014) | 347 |
9 | (Y. Huang i in., 2009) | 129 | (Ogłoszenie ao i in., 2017) | 335 |
10 | (Schmale III i in., 2008) | 119 | (Honkavaara i in., 2013a) | 331 |
11 | (Abd-Elrahman i in., 2005) | 79 | (Candiago i in., 2015) | 327 |
12 | (Techy i in., 2010) | 69 | (Xiang i Tian, 2011) | 307 |
13 | (Sullivan i in., 2007) | 51 | (Matese i in., 2015) | 303 |
14 | (Lumme i in., 2008) | 42 | (Gago i in., 2015) | 275 |
15 | (Gokto ¨ ǧan i in., 2010) | 40 | (Aasen i in., 2015a) | 269 |
W drugim okresie (2011–2021) badania Zhanga i Kovacsa (2012) oraz Nexa i Remondino (2014) zaowocowały najczęściej cytowanymi publikacjami. Zhang i Kovacs (2012) twierdzą, że rolnictwo precyzyjne może skorzystać na wdrożeniu technik i czujników geoprzestrzennych, takich jak systemy informacji geograficznej, GPS i teledetekcja, w celu wychwytywania zmienności w terenie i radzenia sobie z nimi poprzez zastosowanie alternatywnych strategii. Jako przełom w rolnictwie precyzyjnym, zastosowanie dronów zwiastowało nową erę w teledetekcji, upraszczając obserwacje z powietrza, rejestrując dane dotyczące wzrostu upraw, warunków glebowych i obszarów opryskiwania. Przegląd Zhanga i Kovacsa (2012) jest przełomowy, ponieważ oferuje wgląd w UAV, ujawniając istniejące zastosowania i wyzwania tych urządzeń w monitorowaniu środowiska i rolnictwie precyzyjnym, takie jak ograniczenia platformy i kamery, wyzwania związane z przetwarzaniem danych, zaangażowanie rolników i przepisy lotnicze . Drugi
W najczęściej cytowanych badaniach Nex i Remondino (2014) dokonano przeglądu stanu techniki bezzałogowych statków powietrznych w zakresie przechwytywania, przetwarzania i analizowania obrazów Ziemi.
Ich praca przedstawiła również przegląd kilku platform, aplikacji i przypadków użycia UAV, prezentując najnowsze osiągnięcia w przetwarzaniu obrazów UAV. W rolnictwie rolnicy mogliby używać UAV do podejmowania skutecznych decyzji w celu uzyskania oszczędności kosztów i czasu, szybkiego i precyzyjnego rejestrowania szkód oraz przewidywania ewentualnych problemów. W przeciwieństwie do konwencjonalnych platform latających, UAV mogą obniżyć koszty operacyjne i zmniejszyć niebezpieczeństwo dostępu w trudnych lokalizacjach, zachowując jednocześnie wysoki potencjał precyzji. Ich artykuł podsumowuje różne zalety UAV, szczególnie pod względem dokładności i rozdzielczości.
Wśród pozostałych trzynastu najczęściej cytowanych publikacji w latach 2011-2021 zauważyliśmy większą koncentrację na badaniach związanych z zastosowaniami dronów w misjach obrazowania (Bendig et al., 2014; Ma et al., 2017; Zarco-Tejada et al., 2014). , rolnictwo precyzyjne (Candiago et al., 2015; Honkavaara et al., 2013a), uprawa winorośli precyzyjnej (Matese et al., 2015), ocena stresu wodnego (Gago et al., 2015) oraz monitorowanie roślinności (Aasen et al. , 2015a). We wczesnych latach badacze skupili się
więcej na temat rozwoju tanich, lekkich i precyzyjnych systemów opartych na UAV dla rolnictwa; nowsze badania skupiły się bardziej na przeglądach zastosowań UAV w rolnictwie i pomiarach terenowych. Podsumowując, analiza ta pokazuje, że wpływowe publikacje zawierały głównie przeglądy wcześniejszych badań w celu oceny aktualnego stanu naukowego i technologicznego UAV oraz rozwiniętych systemów UAV wspierających rolnictwo precyzyjne. Co ciekawe, nie znaleźliśmy badań wykorzystujących badania empiryczne
metodologii lub opisowych studiów przypadku, co stanowi istotną lukę w wiedzy i wymaga dalszych badań na ten temat.
Analiza współcytowania
Według Gmüra (2006) analiza współcytowania identyfikuje podobne publikacje i grupuje je. Dokładne zbadanie klastra może ujawnić wspólny obszar badań wśród publikacji. Badamy współcytowanie literatury dotyczącej dronów rolniczych, aby zilustrować pokrewne obszary tematyczne i wykryć intelektualne wzorce publikacji. W związku z tym Small (1973) zalecił wykorzystanie analizy kocytacji do badania najbardziej wpływowych i przełomowych badań
w ramach dyscypliny. Aby ograniczyć zestaw do najbardziej przełomowych artykułów (Goyal i Kumar, 2021), wyznaczyliśmy próg współcytowania na 25, co oznacza, że dwa artykuły musiały być cytowane razem na listach bibliograficznych 25 lub więcej różnych publikacji. Grupowanie przeprowadzono również z minimalnym rozmiarem klastra 1 i bez żadnej metody łączenia mniejszych klastrów z większymi. W efekcie powstało sześć klastrów na podstawie podobieństwa badań i ich struktury intelektualnej. W tabeli 6 przedstawiono rozkład publikacji w poszczególnych klastrach.
Klaster 1: Ten klaster zawiera osiemnaście dokumentów opublikowanych po Publikacje w tym klastrze omawiają rolę dronów we wspieraniu monitorowania środowiska, zarządzania uprawami i chwastów. Na przykład Manfreda i in. (2018) przedstawiają przegląd aktualnych badań i wdrożeń UAV w monitorowaniu naturalnego ekosystemu rolniczego i twierdzą, że technologia oferuje ogromny potencjał, aby radykalnie poprawić monitorowanie środowiska i zmniejszyć
istniejącą lukę między obserwacją w terenie a konwencjonalną teledetekcją powietrzną i kosmiczną. Można to osiągnąć poprzez oferowanie nowych możliwości ulepszonego czasowego wyszukiwania i wglądu przestrzennego na dużych obszarach w przystępny sposób. Bezzałogowe statki powietrzne mogą stale wykrywać środowisko i przesyłać uzyskane dane do inteligentnych, scentralizowanych/zdecentralizowanych jednostek, które kontrolują czujniki w celu identyfikacji ewentualnych problemów, takich jak brak choroby lub wykrywanie wody (Padua i in., 2017). Adao ˜ i in. (2017) postulują, że UAV są idealne do oceny stanu roślin poprzez gromadzenie ogromnej ilości surowych danych związanych ze stanem wody, szacowaniem biomasy i oceną wigoru. Czujniki zamontowane na UAV można również szybko wdrożyć w odpowiednich warunkach środowiskowych, aby umożliwić szybkie przechwytywanie danych z teledetekcji (Von Bueren i in., 2015). Za pomocą UAV rolnicy są w stanie prowadzić działalność rolniczą w pomieszczeniach, pozyskując pomiary z praktycznie dowolnego miejsca w trójwymiarowej przestrzeni środowisk rolniczych w pomieszczeniach (np. szklarni), zapewniając w ten sposób lokalną kontrolę klimatu i monitorowanie roślin (Roldan i in. ., 2015). W kontekście precyzji
rolnictwo, decyzje dotyczące zarządzania uprawami wymagają dokładnych, wiarygodnych danych o uprawach z odpowiednią rozdzielczością czasową i przestrzenną (Gebbers i Adamchuk, 2010; Gevaert i in., 2015; Maes i Steppe, 2019). Z tego powodu Agüera Vega i in. (2015) wykorzystali system czujników multispektralnych montowany na UAV do akwizycji obrazów upraw słonecznika w okresie wegetacji. Podobnie Huang i in. (2009) zauważają, że teledetekcja oparta na UAV może ułatwić pomiar upraw i gleby na podstawie zebranych danych spektralnych. Verger i in. (2014) opracowali i przetestowali technikę szacowania wskaźnika terenów zielonych (GAI) na podstawie pomiarów reflektancji UAV w zastosowaniach rolnictwa precyzyjnego, koncentrując się na uprawach pszenicy i rzepaku. Dlatego drony zapewniają nowe możliwości wyszukiwania informacji o stanie upraw przy częstych wizytach i wysokiej rozdzielczości przestrzennej (Dong i in., 2019; Garzonio i in., 2017; H. Zheng i in., 2016).
Grupowanie wpływowych publikacji na temat dronów rolniczych.
Grupa | Szeroki motyw | Referencje |
1 | Monitoring środowiska, uprawa zarządzanie, zwalczanie chwastów | (Ogłoszenie ao i in., 2017; Agüera Vega i in., 2015; de Castro i in., 2018; Gomez-Cand ´ na ´ et al., 2014; YB Huang i in., 2013; Khanal i in., 2017; Lopez-Granados, 2011; Manfreda i in., 2018; P adua i in., 2017; Pena ˜ i in., 2013; P´erez-Ortiz i in., 2015; Rasmussen i in., 2013, 2016; Torres-S Anchez i in., 2014; Torres-Sanchez, Lopez-Granados, & Pena, ˜ 2015; Verger i in., 2014; Von Bueren i in., 2015; C. Zhang i Kovacsa, 2012) |
2 | Zdalne fenotypowanie, wydajność estymacja, model powierzchni upraw, liczenie roślin | (Bendig i in., 2013, 2014; Geipel i in., 2014; Gnadinger ¨ & Schmidhaltera, 2017; Haghighattalab i in., 2016; Holman i in., 2016; Jin i in., 2017; W. Li i in., 2016; Maimaitijiang i in., 2017; Sankaran i in., 2015; Schirrmann i in., 2016; Shi i in., 2016; Yue i in., 2017; X. Zhou i in., 2017) |
3 | Obrazowanie termiczne dla wody, obrazowanie wielospektralne | (Baluja i in., 2012; Berni i in., 2009b; Berni i in., 2009a; Candiago i in., 2015; Gago i in., 2015; Gonzalez-Dugo i in., 2013, 2014; Grenzdorffer ¨ i wsp., 2008; Khaliq i in., 2019; Matese i in., 2015; Ribeiro-Gomes i in., 2017; Santesteban i in., 2017; Uto i in., 2013) |
4 | Obrazowanie hipersektralne, spektralne obrazowania | (Aasen i in., 2015a; Bareth i in., 2015; Hakala i in., 2013; Honkavaara i in., 2013a; Lucieer i in., 2014; Saari i in., 2011; Suomalainen i in., 2014) |
5 | Aplikacje do mapowania 3D | (Jim´enez-Brenes i in., 2017; Nex & Remondino, 2014; Salamí i in., 2014; Torres-S anchez, Lopez-”. Granados, Serrano i in., 2015; Zahawi i in., 2015; Zarco-Tejada i wsp., 2014) |
6 | Nadzór rolnictwa | (SR Herwitz i in., 2004; Hunt i in., 2010; CCD Lelonga i in., 2008; Primicerio i in., 2012; Xiang i Tian, 2011) |
Ponadto drony są przydatne do trudnych zadań w rolnictwie, w tym do mapowania chwastów. Obrazy zrobione przez urządzenia dowiodły ich przydatności do wczesnego wykrywania chwastów na polach (de Castro i in., 2018; Jim´enez-Brenes i in., 2017; Lam i in., 2021; Lopez-Granados ´ i in., 2016; Rozenberg i in., 2021). W związku z tym de Castro i in. (2018) twierdzą, że połączenie obrazów UAV i Object-Based Image Analysis (OBIA) umożliwiło praktykom przezwyciężenie problemu zautomatyzowania wczesnego wykrywania we wczesnym sezonie upraw trawiastych, co jest dużym krokiem naprzód w badaniach nad chwastami. Podobnie Pena ˜ i in. (2013) zwracają uwagę, że wykorzystanie obrazów UAV o ultrawysokiej rozdzielczości przestrzennej w połączeniu z procedurą OBIA umożliwia generowanie map chwastów wczesnych upraw kukurydzy, które mogą być wykorzystane w planowaniu wdrażania środków zwalczania chwastów w sezonie, zadanie wykraczające poza możliwości satelitarnych i tradycyjnych zdjęć lotniczych. W porównaniu z algorytmami klasyfikacji obrazów lub wykrywania obiektów, techniki segmentacji semantycznej są bardziej skuteczne w zadaniach mapowania chwastów (J. Deng i in., 2020), umożliwiając w ten sposób rolnikom wykrywanie warunków polowych, łagodzenie strat i poprawę plonów przez cały sezon wegetacyjny (Ramesh i in., 2020). Segmentacja semantyczna oparta na głębokim uczeniu może również zapewnić dokładny pomiar pokrywy roślinnej na podstawie zdjęć lotniczych o wysokiej rozdzielczości (Ramesh i in., 2020; A. Zheng i in., 2022). Pomimo ich potencjału zdalnego
wykrywanie klasyfikacji pikseli, techniki segmentacji semantycznej wymagają znacznych obliczeń i zbyt dużej ilości pamięci GPU (J. Deng i in., 2020).
W oparciu o uczenie maszynowe i UAV, P´erez-Ortiz i in. (2015) zasugerowali podejście do mapowania chwastów, aby zapewnić strategie zwalczania chwastów w zależności od miejsca, gdy rolnicy stosują zwalczanie chwastów wcześnie po wschodach. Wreszcie Rasmussen i in. (2013) podkreślili, że drony zapewniają niedrogie wykrywanie z dużą elastycznością rozdzielczości przestrzennej. Ogólnie rzecz biorąc, publikacje w tym klastrze koncentrują się na badaniu potencjału UAV do wspierania teledetekcji, monitorowania upraw i mapowania chwastów. Potrzebne są dodatkowe dogłębne badania w celu dalszego zbadania, w jaki sposób zastosowanie dronów w monitorowaniu środowiska, zarządzaniu uprawami i mapowaniu chwastów może przyczynić się do bardziej zrównoważonego rolnictwa (Chamuah i Singh, 2019; Islam i in., 2021; Popescu i in., 2020; J. Su, Liu et al., 2018) i odnoszą się do kwestii zarządzania tą technologią w zastosowaniach ubezpieczeniowych upraw (Basnet i Bang, 2018; Chamuah i Singh, 2019, 2022; Meinen i Robinson, 2021). Naukowcy powinni skoncentrować się na walidacji pomiarów zebranych przez UAV za pomocą wydajnych technik przetwarzania, aby poprawić najwyższą jakość przetwarzanych danych (Manfreda i in., 2018). Ponadto konieczne jest opracowanie odpowiednich algorytmów, które rozpoznają piksele przedstawiające chwasty na obrazach cyfrowych i eliminują nieistotne tło podczas mapowania chwastów UAV (Gaˇsparovi´c i in., 2020; Hamylton i in., 2020; H. Huang i in. , 2018, 2020; Lopez´ Granados et al., 2016). Mile widziane są dodatkowe badania nad przyjęciem technik segmentacji semantycznej w rozpoznawaniu roślin, klasyfikacji liści i mapowaniu chorób (Fuentes-Pacheco i in., 2019; Kerkech i in., 2020).
Klaster 2. Publikacje w tym klastrze skupiały się na kilku aspektach dronów rolniczych. Związani ze zdalnym fenotypowaniem, Sankaran et al. (2015) dokonali przeglądu możliwości wykorzystania obrazowania lotniczego w wysokiej rozdzielczości na małych wysokościach za pomocą UAV do szybkiego fenotypowania upraw w terenie i twierdzą, że w porównaniu z naziemnymi platformami detekcyjnymi, małe UAV z odpowiednimi czujnikami mają kilka zalet , takich jak łatwiejszy dostęp do terenu, dane o wysokiej rozdzielczości, sprawne zbieranie danych,
szybkie oceny warunków wzrostu pola i niskie koszty operacyjne. Jednak autorzy zwracają również uwagę, że skuteczne zastosowanie UAV do fenotypowania pola zależy od dwóch podstawowych elementów, a mianowicie cech UAV (np. bezpieczeństwo, stabilność, pozycjonowanie, autonomia) oraz charakterystyki czujnika (np. rozdzielczość, waga, długości fal widmowych, pole widzenia). Haghighattalab i in. (2016) zaproponowali półautomatyczne przetwarzanie obrazu w celu pobrania danych na poziomie działki ze zdjęć UAV i przyspieszenia procesu hodowli. Holman i in. (2016) opracowali wysoki
przepustowy system fenotypowania pola i podkreślił, że UAV jest w stanie zbierać wysokiej jakości, obszerne dane fenotypowe w terenie oraz że urządzenie jest skuteczne na dużych obszarach i w różnych lokalizacjach w terenie.
Ponieważ oszacowanie plonów jest niezwykle istotną informacją, szczególnie gdy są dostępne na czas, UAV mogą zapewnić wszystkie pomiary w terenie i wydajnie pozyskiwać dane wysokiej jakości (Daakir i in., 2017; Demir i in., 2018 Enciso i in., 2019; Kulbacki i in., 2018; Pudelko i in., 2012). W związku z tym Jin i in. (2017) wykorzystali obrazy o wysokiej rozdzielczości uzyskane przez UAV na bardzo niskich wysokościach, aby opracować i ocenić metodę szacowania gęstości roślin pszenicy na etapie wschodów. Według autorów, bezzałogowe statki powietrzne pokonują ograniczenia systemów łazików wyposażonych w kamery i stanowią nieinwazyjną metodę szacowania gęstości roślin w uprawach, umożliwiając rolnikom osiągnięcie wysokiej przepustowości niezbędnej do fenotypowania pola niezależnie od ruchliwości gleby. Li i in. (2016) zebrali setki stereoskopowych obrazów o niezwykle wysokiej rozdzielczości przy użyciu systemu opartego na UAV do oszacowania parametrów kukurydzy, w tym wysokości baldachimu i biomasy naziemnej. Wreszcie Yue i in. (2017) stwierdzili, że wysokość upraw określona z UAV może poprawić szacowanie biomasy naziemnej (AGB).
Podejściem do monitorowania wzrostu upraw jest idea opracowania modeli powierzchni upraw (Bendig et al., 2014, 2015; Holman et al., 2016; Panday, Shrestha, et al., 2020; Sumesh et al., 2021). Kilka badań podkreśliło wykonalność zdjęć wykonanych z UAV do uchwycenia wysokości roślin i monitorowania ich wzrostu. Na przykład Bendig i in. (2013) opisali rozwój wieloczasowych modeli powierzchni upraw o bardzo wysokiej rozdzielczości poniżej 0.05 m przy użyciu UAV. Mieli na celu wykrycie upraw
zmienność wzrostu i jej zależność od zabiegów, odmiany i stresu. Bendig i in. (2014) wykorzystali UAV do oszacowania świeżej i suchej biomasy na podstawie wysokości roślin wyekstrahowanej z modeli powierzchni upraw i stwierdzili, że w przeciwieństwie do platform powietrznych i naziemnego skanowania laserowego, obrazy o wysokiej rozdzielczości z UAV mogą znacznie zwiększyć dokładność modelowania wysokości roślin przy różnym wzroście gradacja. W tym samym duchu Geipel i in. (2014) wykorzystywali w swoich badaniach UAV do pozyskiwania obrazów
zestawy danych do prognozowania plonów ziarna kukurydzy w trzech różnych fazach wzrostu od początku do połowy sezonu i stwierdzono, że połączenie modelowania spektralnego i przestrzennego opartego na zdjęciach lotniczych i modelach powierzchni upraw jest odpowiednią metodą przewidywania plonów kukurydzy w środku sezonu. Wreszcie Gnadinger ¨ i Schmidhalter (2017) zbadali użyteczność UAV w precyzyjnym fenotypowaniu i podkreślili, że zastosowanie tej technologii może usprawnić zarządzanie gospodarstwem i umożliwić eksperymenty terenowe w celach hodowlanych i agronomicznych. Ogólnie obserwujemy, że publikacje w klastrze 2 skupiają się na głównych zaletach UAV w zdalnych
fenotypowanie, szacowanie plonów, modelowanie powierzchni upraw i liczenie roślin. Przyszłe badania mogą sięgnąć głębiej, opracowując nowe metody zdalnego fenotypowania, które mogą zautomatyzować i zoptymalizować przetwarzanie danych z teledetekcji (Barabaschi i in., 2016; Liebisch i in., 2015; Mochida i in., 2015; S. Zhou i in. ., 2021). Ponadto w
przyszłość (Ju i Son, 2018a, 2018b; Xie i Yang, 2020; Yue i in., 2018). Docelowo istnieje potrzeba opracowania wydajnych metod przetwarzania obrazu, które mogą generować wiarygodne informacje, maksymalizować wydajność produkcji rolniczej i minimalizować ręczne liczenie przez rolników (RU Khan i in., 2021; Koh i in., 2021; Lin & Guo, 2020; C. Zhang i in., 2020).
Klaster 3. Publikacje w tym klastrze omawiają różne typy systemów obrazowania do teledetekcji zasobów rolniczych stosowanych na platformach UAV. W związku z tym obrazowanie termiczne umożliwia monitorowanie temperatury powierzchni w celu zapobiegania uszkodzeniom upraw i wczesnego wykrywania stresu związanego z suszą (Awais i in., 2022; García-Tejero i in., 2018; Sankaran i in., 2015; Santesteban i in., 2017; Yeom, 2021). Baluja i in. (2012) stwierdzili, że zastosowanie kamer wielospektralnych i termowizyjnych na pokładzie
UAV umożliwił naukowcom uzyskanie obrazów o wysokiej rozdzielczości i ocenę stanu wody w winorośli. Może to być przydatne do opracowania nowych modeli harmonogramów wodnych z wykorzystaniem danych teledetekcyjnych (Baluja et al., 2012). Z powodu
ograniczona nośność UAV, Ribeiro-Gomes et al. (2017) rozważyli integrację niechłodzonych kamer termowizyjnych z UAVS w celu określenia stresu wodnego w zakładach, co sprawia, że ten rodzaj UAV jest bardziej wydajny i opłacalny niż tradycyjna teledetekcja satelitarna i UAV wyposażone w chłodzone kamery termowizyjne. Zdaniem autorów niechłodzone kamery termowizyjne są lżejsze od kamer chłodzonych, wymagając odpowiedniej kalibracji. Gonzalez-Dugo i in. (2014) wykazali, że obrazowanie termowizyjne skutecznie generuje mapy przestrzenne wskaźników stresu wodnego upraw w celu oceny stanu wody i ilościowego określenia stresu wodnego wśród i wewnątrz sadów cytrusowych. Gonzalez-Dugo i in. (2013) oraz Santesteban i in. (2017) badali wykorzystanie wysokiej rozdzielczości obrazów termowizyjnych UAV do oszacowania zmienności stanu wody w komercyjnym sadu i winnicy.
Obrazowanie wielospektralne może dostarczyć ogromne ilości danych w porównaniu z tradycyjnymi obrazami RGB (czerwony, zielony i niebieski) (Ad˜ ao i in., 2017; Navia i in., 2016). Te dane spektralne, wraz z danymi przestrzennymi, mogą pomóc w klasyfikacji, mapowaniu, prognozowaniu, przewidywaniu i wykrywaniu (Berni i in., 2009b). Według Candiago i in. (2015), obrazowanie wielospektralne oparte na UAV może w znacznym stopniu przyczynić się do oceny upraw i precyzyjnego rolnictwa jako niezawodnego i wydajnego zasobu. Również,
Khaliq i in. (2019) dokonali porównania między obrazowaniem satelitarnym a obrazowaniem wielospektralnym opartym na UAV. Obrazy oparte na UAV pozwoliły dokładniej opisać zmienność winnic, a także mapy wigoru do przedstawiania koron uprawnych. W skrócie, artykuły z tego klastra omawiają włączenie czujników termicznych i wielospektralnych czujników obrazowania do rolniczych bezzałogowych statków powietrznych. W związku z tym potrzebne są dalsze badania, aby zrozumieć, w jaki sposób obrazowanie termiczne i wielospektralne można zintegrować z AI
techniki (np. głębokie uczenie) do wykrywania stresu roślin (Ampatzidis i in., 2020; Ampatzidis & Partel, 2019; Jung i in., 2021; Santesteban i in., 2017; Syeda i in., 2021). Takie spostrzeżenia pomogą zapewnić skuteczniejsze i dokładniejsze wykrywanie, a także monitorowanie wzrostu roślin, stresu i fenologii (Buters i wsp., 2019; Cao i wsp., 2020; Neupane i BaysalGurel, 2021; L. Zhou i wsp., 2020).
Klaster 4. Klaster ten składa się z siedmiu artykułów, które koncentrują się wokół kluczowej roli obrazowania spektralnego i obrazowania hiperspektralnego we wspieraniu praktyk rolniczych. Obrazowanie hiperspektralne stało się metodą teledetekcji, która umożliwia ilościową ocenę systemu ziemskiego (Schaepman i in., 2009). Mówiąc dokładniej, umożliwia identyfikację materiałów powierzchniowych, kwantyfikację (względnych) stężeń i przypisanie proporcji składowych powierzchni
w mieszanych pikselach (Kirsch i in., 2018; Zhao i in., 2022). Innymi słowy, wyższa rozdzielczość widmowa zapewniana przez systemy hiperspektralne umożliwia dokładniejsze oszacowanie różnych parametrów, takich jak właściwości wegetariańskie czy zawartość wody w liściach (Suomalainen et al., 2014). Naukowcy z tego klastra badali różne aspekty takich systemów. Między innymi Aasen i in. (2015b) zaproponowali unikalne podejście do uzyskiwania trójwymiarowych informacji hiperspektralnych z lekkich
kamery migawkowe używane w UAV do monitorowania roślinności. Lucieer i in. (2014) omówili projektowanie, rozwój i operacje lotnicze nowego hiperspektralnego bezzałogowego statku powietrznego, a także kalibrację, analizę i interpretację zebranych za jego pomocą danych obrazowych. Wreszcie Honkavaara i in. (2013b) opracowali kompleksowe podejście do przetwarzania obrazów spektralnych opartych na interferometrze FabryPerot i pokazali jego zastosowanie w procedurze szacowania biomasy w rolnictwie precyzyjnym. Potencjalne przyszłe ścieżki dla tego obecnego klastra obejmują podkreślanie potrzeby ulepszeń technicznych w technologiach czujników (Aasen i in., 2015b), a także potrzebę włączenia i ulepszenia technologii uzupełniających, w szczególności big data i analityki (Ang & Seng, 2021; Radoglou -Grammatikis i in., 2020; Shakoor i in., 2019). Ta ostatnia wynika głównie z ciągle rosnących danych generowanych przez różne sensory wdrażane w inteligentnym rolnictwie (C. Li i Niu, 2020; A. Rejeb i in., 2022; Y. Su i Wang, 2021).
Klaster 5. Publikacje w tym klastrze dotyczyły aplikacji 3Dmapping opartych na dronach. Wykorzystanie dronów do mapowania 3D może złagodzić złożone prace terenowe i znacznie zwiększyć wydajność (Torres-Sanchez ´ i in., 2015). Pięć artykułów w klastrze skupiało się głównie na aplikacjach do monitorowania instalacji. Na przykład, aby uzyskać trójwymiarowe dane o powierzchni korony, wysokości drzewa i objętości korony, Torres-Sanchez ´ et al. (2015) wykorzystali technologię UAV do generowania cyfrowych modeli powierzchni, a następnie podejścia do obiektowej analizy obrazu (OBIA). Ponadto Zarco-Tejada i in. (2014) obliczyli wysokość drzewa poprzez integrację technologii UAV i trójwymiarowych metod fotorekonstrukcji. Jim´enez-Brenes Lopez-Granados, De Castro i in. (2017) zademonstrowali nowy proces wieloczasowego monitorowania 3D dziesiątek drzew oliwnych poprzez integrację technologii UAV z zaawansowaną metodologią OBIA. Interesujące ścieżki przyszłych prac w tym klastrze to albo ulepszanie obecnych
metodologie (Zarco-Tejada et al., 2014) do celów cyfrowego modelowania powierzchni (Ajayi et al., 2017; Jaud et al., 2016), takie jak OBIA (de Castro et al., 2018, 2020; Ventura et al. , 2018) oraz rekonstrukcja zdjęć lub opracowanie nowatorskich metod (Díaz-Varela i in., 2015; Torres-S´anchez i in., 2015).
Klaster 6. Klaster ten omawia rolę dronów w nadzorze rolniczym. Bezzałogowe statki powietrzne mogą uzupełnić i przezwyciężyć niedociągnięcia w obrazowaniu satelitarnym i lotniczym. Na przykład mogą zapewniać obrazowanie w wysokiej rozdzielczości w czasie zbliżonym do rzeczywistego przy mniejszych wymaganiach związanych z paliwem lub pilotowaniem, co skutkuje stałym nadzorem w czasie rzeczywistym i poprawą procesu podejmowania decyzji (S. Herwitz i in., 2004). Innym kluczowym wkładem UAV jest ich zdolność do dostarczania danych specyficznych dla miejsca dla rolnictwa precyzyjnego lub rolnictwa specyficznego dla miejsca, ponieważ ich wysoka rozdzielczość, szczegółowe dane o różnych parametrach umożliwiają rolnikom podzielenie ziemi na jednorodne części i odpowiednie ich traktowanie (Hunt i in. , 2010; CC Lelong i wsp., 2008; Primicerio i wsp., 2012). Taki nadzór rolniczy oparty na UAV może wspierać monitorowanie bezpieczeństwa żywnościowego i podejmowanie decyzji (SR Herwitz i in., 2004). Aby przyspieszyć badania w zakresie nadzoru rolniczego, potrzebne są nie tylko ulepszenia czujników, UAV i innych powiązanych technologii oraz ich metod komunikacji i przesyłania danych (Ewing i in., 2020; Shuai i in., 2019), ale także integracja dronów z różnymi technologie optymalizacji różnych zadań w odniesieniu do inteligentnego rolnictwa, takie jak monitorowanie, nadzór rolniczy i podejmowanie decyzji, stanowią obszar badawczy o wysokim potencjale (Alsamhi i in., 2021; Popescu i in., 2020; Vuran i in., 2018). Pod tym względem IoT, WSN i big data oferują interesujące komplementarne możliwości (van der Merwe i in., 2020). Koszty wdrożenia, oszczędności kosztów, efektywność energetyczna i bezpieczeństwo danych należą do niedostatecznie zbadanych obszarów takiej integracji (Masroor i in., 2021).
Kraje i instytucje akademickie
Ostatnim krokiem było zbadanie kraju pochodzenia i przynależności akademickiej autorów. Poprzez tę analizę dążymy do lepszego zrozumienia geograficznego rozmieszczenia naukowców, którzy przyczyniają się do zastosowań dronów w rolnictwie. Na uwagę zasługuje różnorodność krajów i instytucji akademickich. Z perspektywy krajowej na szczycie listy pod względem liczby publikacji plasują się USA, Chiny, Indie i Włochy (tabela 7). Obecny
badania nad dronami rolniczymi koncentrują się w dużej mierze w krajach Ameryki Północnej i Azji, głównie ze względu na ich duże zaangażowanie w zastosowania w rolnictwie precyzyjnym. Na przykład w USA rynek dronów rolniczych oszacowano na 841.9 mln USD w 2020 roku, co stanowi około 30% udziału w rynku światowym (ReportLinker, 2021). Przewiduje się, że Chiny, które są największą gospodarką świata, osiągną w 2.6 r. wielkość rynku w przybliżeniu 2027 mld USD. Kraj ten apeluje o drony rolnicze, aby przezwyciężyć problemy z wydajnością i osiągnąć lepsze plony, odciążenie siły roboczej i mniejsze nakłady produkcyjne. Jednak przyjęcie tej technologii w Chinach jest również napędzane czynnikami, takimi jak wielkość populacji oraz potrzeba wprowadzania innowacji i ulepszania istniejących praktyk zarządzania uprawami.
Najbardziej produktywne kraje i uniwersytety/organizacje, które przyczyniają się do
badania związane z dronami rolniczymi.
Ranga | Krajów |
1 | USA |
2 | Chiny |
3 | Indie |
4 | Włochy |
5 | Hiszpania |
6 | Niemcy |
7 | Brazylia |
8 | Australia |
9 | Japonia |
10 | Wielka Brytania |
Ranga | Uniwersytety/Organizacje |
1 | Chińska Akademia Nauk |
2 | Ministerstwo Rolnictwa Chińskiej Republiki Ludowej |
3 | Consejo Superior de Investigaciones Científicas |
4 | Uniwersytet Texas A&M |
5 | Chińska Akademia Rolnicza |
6 | Biuro Badań Rolniczych USDA |
7 | CSIC – Instituto de Agricultura Sostenible IAS |
8 | Purdue University |
9 | National Research Council |
10 | Uniwersytet Rolniczy w Chinach Południowych |
Z perspektywy uniwersyteckiej i organizacyjnej na szczycie listy pod względem liczby publikacji znajduje się Chińska Akademia Nauk, a następnie Ministerstwo Rolnictwa Chińskiej Republiki Ludowej i Consejo Superior de Investigaciones Científicas. Chińską Akademię Nauk reprezentują autorzy Liao Xiaohan i Li Jun; Han Wenting reprezentuje Ministerstwo Rolnictwa Chińskiej Republiki Ludowej; i Consejo Superior de Investigaciones Científicas jest reprezentowana przez Lopez-Granados, ´ F. i Pena, ˜ Jos´e María S. Z USA, uniwersytety takie jak Texas A&M University i Purdue University znajdują swoje
wzmianka. Uczelnie o największej liczbie publikacji i ich powiązaniach pokazano na ryc. 4. Dodatkowo na tej liście znajdują się instytucje takie jak Consiglio Nazionale delle Ricerche i Consejo Superior de Investigaciones Científicas, które prowadzą działalność naukową, ale nie są instytucjami akademickimi .
Nasz wybór obejmował szeroką gamę czasopism, obejmujących praktycznie wszystkie dostępne dane. Jak pokazano w Tabeli 8, Teledetekcja z 258 artykułami plasuje się na szczycie, a następnie Journal of Intelligent and Robotic Systems: Theory and Applications z 126 i Computers and Electronics in Agriculture z 98 artykułami. Podczas gdy teledetekcja koncentruje się głównie na zastosowaniu i rozwoju dronów, komputery i elektronika w rolnictwie obejmują głównie postępy w sprzęcie komputerowym, oprogramowaniu, elektronice i systemach sterowania w rolnictwie. Punkty sprzedaży międzyobszarowej, takie jak IEEE Robotics and Automation Letters z 87 publikacjami oraz IEEE Access z 34 publikacjami, są również wiodącymi w tej dziedzinie. Piętnastka czołowych placówek wzbogaciła literaturę 959 dokumentami, co stanowi około 20.40% wszystkich publikacji. Analiza współcytowań czasopism pozwala nam zbadać znaczenie i podobieństwo między publikacjami. Analiza kocytacji daje trzy klastry, jak pokazano na rys. 5. Klaster czerwony składa się z czasopism takich jak Teledetekcja, Komputer i Elektronika w Rolnictwie, Czujniki,
oraz Międzynarodowy Dziennik Teledetekcji. Wszystkie te punkty są renomowanymi czasopismami z dziedziny teledetekcji i rolnictwa precyzyjnego. Zielony klaster zawiera czasopisma zajmujące się robotyką, takie jak Journal of Intelligent and Robotic Systems: Theory and Applications, IEEE Robotics and Automation Letters, IEEE Access i Drones. Punkty te publikują głównie artykuły na temat automatyzacji i są przydatne dla inżynierów rolnictwa. Ostatni klaster tworzą czasopisma związane z agronomią i inżynierią rolniczą, takie jak Agronomy i International Journal of Agricultural and Biological Engineering.
Top 15 czasopism w badaniach związanych z dronami rolniczymi.
Ranga | Czasopismo | Liczyć |
1 | teledetekcji | 258 |
2 | Journal of Intelligent and Robotic Systems: teoria i Konsultacje | 126 |
3 | Komputery i elektronika w rolnictwie | 98 |
4 | Listy IEEE w zakresie robotyki i automatyzacji | 87 |
5 | Czujniki | 73 |
6 | Międzynarodowy dziennik teledetekcji | 42 |
7 | Rolnictwo precyzyjne | 41 |
8 | Drony | 40 |
9 | Agronomia | 34 |
10 | Dostęp IEEE | 34 |
11 | International Journal of Advanced Robotic Systems | 31 |
12 | Międzynarodowy Czasopismo Inżynierii Rolniczej i Biologicznej | 25 |
13 | PLoS ONE | 25 |
14 | Dziennik Robotyki Terenowej | 23 |
15 | Inżynieria Biosystems | 23 |
Wnioski
Podsumowanie
W niniejszym opracowaniu podsumowaliśmy i przeanalizowaliśmy dotychczasowe badania nad dronami rolniczymi. Stosując różne techniki bibliometryczne, dążyliśmy do lepszego zrozumienia struktury intelektualnej badań związanych z dronami rolniczymi. Podsumowując, nasz przegląd oferuje kilka wkładów, identyfikując i omawiając słowa kluczowe w literaturze, ujawniając klastry wiedzy przy jednoczesnym tworzeniu podobnych semantycznie społeczności w dziedzinie dronów, nakreślając wcześniejsze badania i sugerując przyszłe kierunki badań. Poniżej przedstawiamy główne wnioski z przeglądu dotyczącego rozwoju dronów rolniczych:
• Ogólna literatura szybko się rozrosła i przyciągnęła ogromną uwagę w ciągu ostatniej dekady, na co wskazuje wzrost liczby artykułów po 2012 roku. Mimo że ta dziedzina wiedzy nie osiągnęła jeszcze pełnej dojrzałości (Barrientos i in., 2011; Maes & Steppe, 2019), kilka pytań wciąż pozostaje bez odpowiedzi. Na przykład, użyteczność dronów w rolnictwie wewnętrznym jest nadal przedmiotem dyskusji (Aslan et al., 2022; Krul et al., 2021; Rold´an et al., 2015). Złożoność scen polowych i różne warunki obrazowania (np. cienie i oświetlenie) mogą skutkować wyższą zmiennością widmową w klasie (Yao i in., 2019). Nawet w późniejszych fazach badań naukowcy stanęli przed wyzwaniem określenia optymalnych planów lotu zgodnie z określonymi scenariuszami i wymaganą jakością obrazu (Soares i in., 2021; Tu i in.,
2020).
• Zauważamy, że dziedzina przeszła od opracowania wydajnych systemów UAV do stosowania technik sztucznej inteligencji, takich jak uczenie maszynowe i głębokie uczenie w projektowaniu dronów rolniczych (Bah i in., 2018; Kitano i in., 2019; Maimaitijiang i in. , 2020; Mazzia i wsp., 2020; Tetila i wsp., 2020).
• Badania nad dronami rolniczymi dotyczyły głównie teledetekcji poprzez badanie potencjału technologii w monitorowaniu środowiska, zarządzaniu uprawami i zwalczaniu chwastów (skupienie 1), a także zdalnym fenotypowaniu i szacowaniu plonów (skupienie 2). Zbiór wpływowych badań nad dronami rolniczymi obejmuje Austin (2010), Berni et al. (2009)a, Herwitz i in. (2004), Nex i Remondino (2014) oraz Zhang i Kovacs (2012). Badania te rozwinęły koncepcyjne podstawy badań związanych z dronami w kontekście rolnictwa.
• W odniesieniu do metodologii zaobserwowaliśmy, że większość badań przeprowadzonych do tej pory składała się z projektu systemu, badań koncepcyjnych lub badań opartych na przeglądzie (Inoue, 2020; Nex i Remondino, 2014; P´erez-Ortiz et al. , 2015; Yao i in., 2019). Zauważamy również brak metod empirycznych, jakościowych i opartych na studiach przypadków w badaniach nad dronami rolniczymi.
• Ostatnio szczególną uwagę przyciągnęły tematy związane z rolnictwem precyzyjnym, technikami sztucznej inteligencji, precyzyjną uprawą winorośli i oceną stresu wodnego (Espinoza i in., 2017; Gomez-Cand ´ on ´ i in., 2016; Matese i in., 2015; Matese i Di Gennaro, 2018, 2021; Z. Zhou i in., 2021). Uważne zbadanie klastrów badawczych w dwóch odrębnych epokach, 1990–2010 i 2011–2021, ukazuje postęp struktury intelektualnej tej dziedziny. Okres od 1990 do 2010 roku stanowił narastanie centralnych pojęć i koncepcji dronów, co jest oczywiste z dyskusji na temat projektowania, rozwoju i wdrażania UAV. W drugiej erze badania koncentrują się na wcześniejszych badaniach, podejmując próbę syntezy przypadków użycia UAV w rolnictwie. Znaleźliśmy również liczne badania, które omawiają zastosowania dronów w zadaniach obrazowania i rolnictwie precyzyjnym.
Ranga | Czasopismo | Liczyć |
1 | teledetekcji | 258 |
2 | Journal of Intelligent and Robotic Systems: teoria i | 126 |
Konsultacje | ||
3 | Komputery i elektronika w rolnictwie | 98 |
4 | Listy IEEE w zakresie robotyki i automatyzacji | 87 |
5 | Czujniki | 73 |
6 | Międzynarodowy dziennik teledetekcji | 42 |
7 | Rolnictwo precyzyjne | 41 |
8 | Drony | 40 |
9 | Agronomia | 34 |
10 | Dostęp IEEE | 34 |
11 | International Journal of Advanced Robotic Systems | 31 |
12 | Międzynarodowy Czasopismo Inżynierii Rolniczej i Biologicznej | 25 |
13 | PLoS ONE | 25 |
14 | Dziennik Robotyki Terenowej | 23 |
15 | Inżynieria Biosystems | 22 |
Implikacje
Nasz przegląd bibliometryczny został zaprojektowany i przeprowadzony z myślą o naukowcach, rolnikach, ekspertach rolniczych, konsultantach ds. upraw i projektantach systemów UAV. Według najlepszej wiedzy autorów jest to jedna z pierwszych oryginalnych recenzji, w których podjęto dogłębną analizę bibliometryczną
zastosowania dronów w rolnictwie. Przeprowadziliśmy kompleksowy przegląd tego zbioru wiedzy, wykorzystując analizy cytowań i kocytacji publikacji. Nasze próby opisania intelektualnej struktury badań nad dronami oferują również nowe spojrzenie naukowcom. Dokładny przegląd słów kluczowych używanych w czasie ujawnia hotspoty i główne obszary badań w literaturze dotyczącej dronów. Ponadto przedstawiamy listę najczęściej cytowanych badań w celu zidentyfikowania najbardziej znaczących prac badawczych zrealizowanych w tej dziedzinie. Identyfikacja artykułów i słów kluczowych może w konsekwencji stanowić solidny punkt wyjścia do odkrycia kilku możliwości przyszłych badań.
Co ważne, ujawniliśmy klastry, które klasyfikują porównywalne prace i opracowaliśmy wyniki. Badania sklasyfikowane w klastry pomagają zrozumieć strukturę intelektualną badań BSP. Warto zauważyć, że odkryliśmy niedostatek badań, które badają czynniki adopcji dronów
oraz bariery w działalności rolniczej (patrz Tabela 9). Przyszli badacze mogą zająć się tą potencjalną luką, przeprowadzając badania empiryczne, które oceniają czynniki adopcji dronów w różnych rodzajach działalności rolniczej i warunkach klimatycznych. Ponadto badania oparte na studiach przypadków dotyczące skuteczności dronów powinny być poparte rzeczywistymi danymi z terenu. Również zaangażowanie rolników i menedżerów w badania naukowe byłoby korzystne zarówno dla teoretycznego, jak i praktycznego rozwoju badań dronów. Udało nam się również zidentyfikować najwybitniejszych badaczy i ich wkład, co jest cenne, ponieważ znajomość najnowszych przełomowych prac może stanowić pewne wskazówki dla przyszłych przedsięwzięć akademickich.
Tabela 9
Bariery adopcyjne UAV.
Bariera | Opis |
Bezpieczeństwo danych | Cyberbezpieczeństwo jest głównym wyzwaniem we wdrażaniu Rozwiązania IoT (Masroor i in., 2021). |
Interoperacyjność i integracja | Różne technologie, takie jak UAV, WSN, IoT itp. powinny być zintegrowane i przekazywać dane, które zwiększyć poziom złożoności (Alsamhi i in., 2021; Popescu i in., 2020; Vuran i in., 2018). |
Koszty realizacji | Dotyczy to w szczególności drobnych rolników i integracja różnych najnowocześniejszych technologii ( Masroor i in., 2021). |
Wiedza o pracy i ekspertyza | Do obsługi UAV potrzebni są wykwalifikowani piloci dronów. Również wdrażanie różnych nowatorskich technologie wymagają wykwalifikowanych pracowników (YB Huang i in., 2013; Tsouros i in., 2019). |
Moc silnika i lot czas trwania | Drony nie mogą być obsługiwane przez długie godziny i osłony duże obszary (Hardin i Hardin, 2010; Laliberte i in., 2007). |
Stabilność, niezawodność i zwrotność | Drony nie są stabilne w złych warunkach pogodowych (Hardin i Hardin, 2010; Laliberte i in., 2007). |
Ograniczenia ładunku i jakość czujników | Drony mogą przenosić tylko ograniczone ładunki do możliwość ładowania czujników niższej jakości (Nebiker i wsp., 2008). |
Regulacja | Ponieważ drony również mogą być niebezpieczne, są poważne przepisy w niektórych obszarach (Hardin i Jensen, 2011; Laliberte i Rango, 2011). |
Wiedza rolników i odsetki | Podobnie jak inne najnowocześniejsze technologie, drony pomyślne wdrożenie wymaga wiedzy eksperckiej, a także z towarzyszącymi niepewnościami (Fisher et al., 2009; Lambert i in., 2004; Stafford, 2000). |
Ponieważ istnieje ciągła potrzeba efektywnego wykorzystywania dostępnych zasobów w celu maksymalizacji plonów, rolnicy mogą korzystać z dronów, aby zapewnić szybkie, dokładne i opłacalne skanowanie swoich pól. Technologia może pomóc rolnikom w określeniu stanu upraw i ocenie stanu wody, stadium dojrzewania, inwazji owadów oraz potrzeb żywieniowych. Możliwości teledetekcji dronów mogą dostarczyć rolnikom kluczowych danych, aby przewidywać problemy na wczesnym etapie i szybko podejmować odpowiednie interwencje. Jednak korzyści płynące z technologii można osiągnąć tylko wtedy, gdy wyzwania zostaną odpowiednio rozwiązane. W świetle
aktualne problemy dotyczące bezpieczeństwa danych, kwestie technologii czujników (np. wiarygodność lub dokładność pomiarów), złożoność integracji i znaczne koszty wdrożenia, przyszłe badania muszą również zbadać techniczną, ekonomiczną i operacyjną wykonalność integracji dronów rolniczych i innych najnowocześniejsze technologie.
Ograniczenia
Nasze badanie ma kilka ograniczeń. Po pierwsze, o wynikach decydują publikacje wybrane do ostatecznej analizy. Trudno jest uchwycić wszystkie istotne badania związane z dronami rolniczymi, zwłaszcza te, które nie są indeksowane w bazie danych Scopus. Ponadto proces gromadzenia danych ogranicza się do ustawiania słów kluczowych wyszukiwania, które mogą nie być wyczerpujące i prowadzić do niejednoznacznych ustaleń. Dlatego w przyszłych badaniach należy zwrócić większą uwagę na podstawową kwestię gromadzenia danych, aby:
bardziej wiarygodne wnioski. Kolejne ograniczenie dotyczy nowych publikacji o małej liczbie cytowań. Analiza bibliometryczna jest nastawiona na wcześniejsze publikacje, ponieważ z biegiem lat uzyskują one więcej cytowań. Ostatnie badania potrzebują pewnej ilości czasu, aby przyciągnąć uwagę i zgromadzić cytaty. W związku z tym ostatnie badania, które przynoszą zmianę paradygmatu, nie znalazłyby się w pierwszej dziesiątce najbardziej wpływowych prac. To ograniczenie jest powszechne w badaniu szybko pojawiających się dziedzin badawczych, takich jak drony rolnicze. Ponieważ skonsultowaliśmy się ze Scopus w celu przestudiowania literatury na potrzeby tej pracy, przyszli badacze mogliby rozważyć coś innego
baz danych, takich jak Web of Science i IEEE Xplore, aby poszerzyć horyzonty i wzmocnić strukturę badawczą.
Potencjalne badania bibliometryczne mogą uwzględniać inne ważne źródła wiedzy, takie jak artykuły konferencyjne, rozdziały i książki, w celu uzyskania nowych spostrzeżeń. Pomimo mapowania i badania globalnych publikacji na temat dronów rolniczych, nasze odkrycia nie ujawniły przyczyn naukowych prac uniwersytetów. To toruje drogę do nowego obszaru badań jakościowego wyjaśniania, dlaczego niektóre uniwersytety są bardziej produktywne niż inne, jeśli chodzi o badania dotyczące rolnictwa.
drony. Ponadto przyszłe badania mogą dostarczyć wglądu w potencjał dronów w zwiększaniu zrównoważonego rolnictwa na kilka sposobów, takich jak monitorowanie środowiska, zarządzanie uprawami i mapowanie chwastów, jak wskazano przez kilku badaczy (Chamuah i Singh, 2019; Islam i in., 2021; Popescu i in., 2020; J. Su, Liu i in., 2018b). Ponieważ analiza tekstowa nie była możliwa ze względu na dużą liczbę wybranych artykułów, istnieje potrzeba systematycznych przeglądów literatury, które badają
zastosowane metody badawcze i zaangażowanie rolników we wcześniejsze badania. Krótko mówiąc, nasza analiza badań dronów ujawnia niewidzialne powiązania tego ciała wiedzy. Niniejszy przegląd pomaga zatem odkryć związki między publikacjami i bada intelektualną strukturę pola badawczego. Przedstawia również powiązania między różnymi aspektami literatury, takimi jak słowa kluczowe autorów, afiliacje i kraje.
Deklaracja konfliktu interesów
Autorzy oświadczają, że nie mają znanych konkurencyjnych interesów finansowych ani powiązań osobistych, które mogłyby wpłynąć na pracę przedstawioną w tym artykule.
Dodatek 1
TYTUŁ-ABS-KEY (((dron* LUB „bezzałogowy statek powietrzny” LUB bezzałogowy statek powietrzny* LUB „bezzałogowy system powietrzny” LUB usa LUB „samolot zdalnie pilotowany””) AND (rolnictwo LUB rolnictwo LUB rolnictwo LUB rolnik)))) AND (WYŁĄCZENIE (PUBYEAR, 2022)) AND (OGRANICZENIE DO (JĘZYK, „angielski”)).
Referencje
Aasen, H., Burkart, A., Bolten, A., Bareth, G., 2015. Generowanie informacji hiperspektralnych 3D za pomocą lekkich kamer migawkowych UAV do monitorowania roślinności: od
kalibracja kamery w celu zapewnienia jakości. ISPRS J. Fotogramm. Remote Sens. 108, 245–259. https://doi.org/10.1016/j.isprsjprs.2015.08.002.
Abd-Elrahman, A., Pearlstine, L., Percival, F., 2005. Opracowanie algorytmu rozpoznawania wzorców do automatycznego wykrywania ptaków na podstawie zdjęć bezzałogowych statków powietrznych.
Ankieta. Inform. Nauka. 65 (1), 37–45.
Abdollahi, A., Rejeb, K., Rejeb, A., Mostafa, MM, Zailani, S., 2021. Sieci czujników bezprzewodowych w rolnictwie: spostrzeżenia z analizy bibliometrycznej. Zrównoważony rozwój 13 (21),
12011.
Aboutalebi, M., Torres-Rua, AF, Kustas, WP, Nieto, H., Coopmans, C., McKee, M.,Ocena różnych metod wykrywania cieni w obrazach optycznych o wysokiej rozdzielczości i ocena wpływu cieni na obliczenia NDVI i ewapotranspiracji. Iryg. Nauka. 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. Obrazowanie hiperspektralne: przegląd czujników na bazie UAV, dane przetwarzanie i
zastosowania dla rolnictwa i leśnictwa. Teledetekcja 9 (11). https://doi.org/10.3390/rs9111110.
Agüera Vega, F., Ramírez, FC, Saiz, MP, Rosúa, FO, 2015. Obrazowanie wieloczasowe przy użyciu bezzałogowego statku powietrznego do monitorowania uprawy słonecznika. Biosyst. inż.
132, 19–27. https://doi.org/10.1016/j.biosystemseng.2015.01.008.
Ajayi, OG, Salubi, AA, Angbas, AF, Odigure, MG, 2017. Generowanie dokładnych cyfrowych modeli wysokościowych z UAV pozyskało niskoprocentowe nakładające się obrazy. wewn.
J. Remote Sens. 38 (8-10), 3113-3134. https://doi.org/10.1080/ 01431161.2017.1285085.
Ali, I., Greifeneder, F., Stamenkovic, J., Neumann, M., Notarnicola, C., 2015. Przegląd podejść do uczenia maszynowego do pobierania biomasy i wilgotności gleby z danych teledetekcyjnych. Teledetekcja 7 (12), 16398-16421.
Alsamhi, SH, Afghah, F., Sahal, R., Hawbani, A., Al-qaness, MAA, Lee, B., Guizani, M., Zielony internet rzeczy wykorzystujący UAV w sieciach B5G: przegląd zastosowań
i strategie. Ogłoszenie. Hok. Sieć 117, 102505 https://doi.org/10.1016/j. adhoc.2021.102505.
Al-Thani, N., Albuainain, A., Alnaimi, F., Zorba, N., 2020. Drony do monitorowania bydła owiec. W: 20th IEEE Mediterranean Electrotechnical Conference. https://doi.
org/10.1109/MELECON48756.2020.9140588.
Ampatzidis, Y., Partel, V., 2019. Wysokoprzepustowe fenotypowanie owoców cytrusowych oparte na UAV z wykorzystaniem obrazowania wielospektralnego i sztucznej inteligencji. Teledetekcja 11 (4), https://doi.org/10.3390/rs11040410.
Ampatzidis, Y., Partel, V., Costa, L., 2020. Agroview: Oparta na chmurze aplikacja do przetwarzania, analizowania i wizualizacji danych zebranych przez UAV do zastosowań w rolnictwie precyzyjnym wykorzystujących sztuczną inteligencję. Komputer. Elektron. Rolnictwo. 174, 105457 https://doi. org/10.1016/j.compag.2020.105457.
Ang, K.-L.-M., Seng, JKP, 2021. Big data i uczenie maszynowe z informacjami hiperspektralnymi w rolnictwie. Dostęp IEEE 9, 36699-36718. https://doi.org/10.1109/
DOSTĘP.2021.3051196.
Aquilani, C., Confessore, A., Bozzi, R., Sirtori, F., Pugliese, C., 2022. Recenzja: precyzyjne technologie hodowli żywego inwentarza w systemach hodowli zwierząt na pastwiskach. Zwierzę 16 (1), https://doi.org/10.1016/j.animal.2021.100429.
Armenta-Medina, D., Ramirez-Delreal, TA, Villanueva-Vasquez, ´ D., Mejia-Aguirre, C., Trendy w zakresie zaawansowanych technologii informacyjnych i komunikacyjnych dla
poprawa wydajności rolnictwa: analiza bibliometryczna. Agronomia 10 (12), art. 12. https://doi.org/10.3390/agronomy10121989.
I. Armstrong, M. Pirrone-Brusse, A. Smith, M. Jadud, 2011. Latający aligator: w kierunku robotyki powietrznej w occam-π. Komunia. Architekt procesów. 2011, 329–340. https://doi. org/10.3233/978-1-60750-774-1-329.
Arora, SD, Chakraborty, A., 2021. Intelektualna struktura zachowań konsumentów narzekających (CCB): analiza bibliometryczna. J. Biznes Res. 122, 60–74.
Aslan MF, Durdu A., Sabanci K., Ropelewska E., Gültekin SS, 2022.
Kompleksowy przegląd ostatnich badań z użyciem UAV dla rolnictwa precyzyjnego na otwartych polach i szklarniach. Zał. Nauka. 12 (3), 1047. https://doi.org/10.3390/
aplikacja12031047.
Atkinson, JA, Jackson, RJ, Bentley, AR, Ober, E. i Wells, DM (2018). Fenotypowanie w terenie dla przyszłości. W rocznych przeglądach roślin online (str. 719-736). Jan
Wiley & Sons, Ltd. doi: 10.1002/9781119312994.apr0651.
Austin, R., 2010. Systemy bezzałogowych statków powietrznych: projektowanie, rozwój i wdrażanie UAVS. W: Systemy bezzałogowych statków powietrznych: projektowanie, rozwój i rozwój UAVS
Zastosowanie. John Wiley i Synowie. https://doi.org/10.1002/9780470664797.
Awais, M., Li, W., Cheema, MJM, Zaman, QU, Shaheen, A., Aslam, B., Zhu, W., Ajmal, M., Faheem, M., Hussain, S., Nadeem, AA, Afzal, MM, Liu, C., 2022. Teledetekcja oparta na UAV w stresie roślin wyobraź sobie użycie czujnika termicznego o wysokiej rozdzielczości do cyfrowych praktyk rolniczych: meta-przegląd. wewn. J. Środowisko. Nauka. Technol. https://doi.
org/10.1007/s13762-021-03801-5.
M. Bacco, A. Berton, E. Ferro, C. Gennaro, A. Gotta, S. Matteoli, F. Paonessa, M. Ruggeri, G. Virone, A. Zanella, 2018. Inteligentne rolnictwo: możliwości, wyzwania
i technologii. 2018 IoT w pionie i. Topical Summit on Agriculture – Toskania (IOT Toskania) 1–6. https://doi.org/10.1109/IOTTUSCANY.2018.8373043.
Bah, MD, Hafiane, A., Canals, R., 2018. Głębokie uczenie z nienadzorowanym etykietowaniem danych do wykrywania chwastów w uprawach liniowych na obrazach UAV. Teledetekcja 10 (11), 1690.
https://doi.org/10.3390/rs10111690.
Baldi, S., 1998. Procesy normatywne a społeczne konstruktywistyczne w alokacji cytatów: model sieciowo-analityczny. Jestem. Społeczny. Obj 63 (6), 829-846. https://doi.
org / 10.2307 / 2657504.
J. Baluja, MP Diago, P. Balda, R. Zorer, F. Meggio, F. Morales, J. Tardaguila, 2012. Ocena zmienności stanu wód winnic metodą termiczną i wielospektralną
zdjęcia z wykorzystaniem bezzałogowego statku powietrznego (UAV). Iryg. Nauka. 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.,Hodowla następnej generacji. Roślina Sci. 242, 3–13. https://doi.org/10.1016/j.
rośliny.2015.07.010.
Barbedo, JGA, Koenigkan, LV, 2018. Perspektywy wykorzystania bezzałogowych systemów powietrznych do monitorowania bydła. Perspektywy rolnicze. 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. Niska waga i hiperspektralna oparta na UAV aparaty pełnoklatkowe
do monitorowania upraw: Porównanie spektralne z pomiarami przenośnymi spektroradiometrami. Photogrametrie, Fernerkundung, Geoinformacja 2015 (1), 69-79.
https://doi.org/10.1127/pfg/2015/0256.
Barrientos, A., Kolorado, J., del Cerro, J., Martinez, A., Rossi, C., Sanz, D., Valente, J., Teledetekcja z powietrza w rolnictwie: praktyczne podejście do pokrycia obszaru
i planowanie tras dla flot mini robotów powietrznych. J. Field Rob. 28 (5), 667-689. https://doi.org/10.1002/rob.20403.
Basiri, A., Mariani, V., Silano, G., Aatif, M., Iannelli, L., Glielmo, L., 2022. Ankieta dotycząca zastosowania algorytmów planowania trasy dla wielowirnikowych UAV w precyzji
rolnictwo. J. Nawig. 75 (2), 364-383.
Basnet, B., Bang, J., 2018. Najnowocześniejsze rolnictwo oparte na wiedzy: przegląd stosowanych systemów wykrywania i analizy danych. J. Sens. 2018, 1–13.
Bendig, J., Bolten, A., Bareth, G., 2013. Obrazowanie oparte na UAV dla wieloczasowych modeli powierzchni upraw o bardzo wysokiej rozdzielczości w celu monitorowania zmienności wzrostu upraw. Photogrametrie, Fernerkundung, Geoinformacja 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. Szacowanie biomasy jęczmienia za pomocą modeli powierzchni upraw (CSM) pochodzących z obrazowania RGB opartego na UAV. Teledetekcja 6 (11), 10395-10412.
Bendig, J., Yu, K., Aasen, H., Bolten, A., Bennertz, S., Broscheit, J., Gnyp, ML, Bareth, G., 2015. Łączenie wysokości roślin na podstawie UAV z powierzchni uprawy modele,
widoczne i bliskiej podczerwieni wskaźniki wegetacji do monitorowania biomasy w jęczmieniu. wewn. J. Appl. Ziemia Obs. Geoinf. 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. Mapowanie przewodności baldachimu i CWSI w sadach oliwnych przy użyciu wysokiej rozdzielczości
termowizyjne obrazy teledetekcyjne. Zdalny czujnik otoczenia. 113 (11), 2380–2388. https://doi.org/10.1016/j.rse.2009.06.018.
Berni, JA, Zarco-Tejada, PJ, Suarez,´L., Fereres, E., 2009b. Teledetekcja termiczna i wąskopasmowa multispektralna do monitorowania roślinności z bezzałogowego statku powietrznego. IEEE Trans. Geosci. Remote Sens. 47 (3), 722-738.
Bouzembrak, Y., Klüche, M., Gavai, A., Marvin, HJP, 2019. Internet of Things w bezpieczeństwie żywności: przegląd literatury i analiza bibliometryczna. Trendy Food Sci. Technol. 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 w rolnictwie: Projektowanie pilotażowego ogólnoeuropejskiego na dużą skalę. Społeczność IEEE. Mag. 55 (9), 26-33.
Buters, TM, Belton, D., Cross, AT, 2019. Wieloczujnikowe śledzenie UAV pojedynczych sadzonek i zbiorowisk sadzonek z milimetrową dokładnością. Drony 3 (4), 81.
https://doi.org/10.3390/drones3040081.
Candiago, S., Remondino, F., De Giglio, M., Dubbini, M., Gattelli, M., 2015. Ocena obrazów wielospektralnych i wskaźników wegetacji do zastosowań w rolnictwie precyzyjnym na podstawie obrazów UAV. Teledetekcja 7 (4), 4026-4047. https://doi.org/10.3390/rs70404026.
Cao, Y., Li, GL, Luo, YK, Pan, Q., Zhang, SY, 2020. Monitorowanie wskaźników wzrostu buraka cukrowego za pomocą indeksu wegetacji o szerokim zakresie dynamicznym (WDRVI) pochodzącego z UAV
obrazy wielospektralne. Komputer. Elektron. Rolnictwo. 171, 105331 https://doi.org/10.1016/j.compag.2020.105331.
Casillas, J., Acedo, F., 2007. Ewolucja struktury intelektualnej literatury o biznesie rodzinnym: studium bibliometryczne FBR. Firma rodzinna 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. Dynamiczny monitoring biomasy ryżu pod uprawą
różne zabiegi azotowe przy użyciu lekkiego UAV z kamerami migawkowymi z podwójną ramką obrazu. Metody roślinne 15 (1), 32. https://doi.org/10.1186/s13007-019-
0418-8.
Chamuah, A., Singh, R., 2019. Zapewnienie zrównoważonego rozwoju w indyjskim rolnictwie za pomocą cywilnego UAV: perspektywa odpowiedzialnych innowacji. SN Zał. Nauka. 2 (1), 106. https://
doi.org/10.1007/s42452-019-1901-6.
Chamuah, A., Singh, R., 2022. Odpowiedzialne zarządzanie innowacjami cywilnego bezzałogowego statku powietrznego (UAV) w indyjskich zastosowaniach ubezpieczeniowych. J. Odpowiedzialny
Techno. 9, 100025 https://doi.org/10.1016/j.jrt.2022.100025.
Chen, A., Orlov-Levin, V., Meron, M., 2019. Zastosowanie obrazowania powietrznego koron uprawnych w wysokiej rozdzielczości w kanale widzialnym do precyzyjnego zarządzania nawadnianiem. Rolnictwo. Woda
Zarządz. 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. Lekki bezzałogowy statek powietrzny z pokładową fotogrametrią i jednoczęstotliwościowym pozycjonowaniem GPS do zastosowań metrologicznych. ISPRS J. Fotogramm. Remote Sens. 127, 115–126. https://doi.org/10.1016/j.isprsjprs.2016.12.007.
Dawaliby, S., Aberkane, A., Bradai, A., 2020. Platforma IoT oparta na Blockchain do zarządzania autonomicznymi operacjami dronów. W: Postępowanie II ACM
Warsztaty MobiCom dotyczące komunikacji bezprzewodowej wspomaganej dronem dla sieci 5G i nie tylko, s. 31–36. https://doi.org/10.1145/3414045.3415939.
Day, RA, Gastel, B., 1998. Jak napisać i opublikować artykuł naukowy. Wydawnictwo Uniwersytetu Cambridge. de Castro, AI, Pena, ˜ JM, Torres-Sanchez, ´ J., Jim´enez-Brenes, FM, ValenciaGredilla, F., Recasens, J., Lopez-Granados, ´ F., 2020. Mapowanie inwazji cynodonów rośliny okrywowe z automatyczną procedurą drzewa decyzyjnego OBIA i obrazowaniem UAV do precyzyjnej uprawy winorośli. Teledetekcja 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. Automatyczny algorytm losowego lasu-OBIA dla wczesne mapowanie chwastów między rzędami upraw i w ich obrębie za pomocą zdjęć UAV. Teledetekcja 10 (2). https://doi.org/10.3390/rs10020285.
Demir, N., Sonmez, ¨ NK, Akar, T., Ünal, S., 2018. Zautomatyzowany pomiar wysokości roślin genotypów pszenicy przy użyciu DSM pochodzącego z obrazów UAV. Postępowanie 2 (7), 350. https://doi.org/10.3390/ecrs-2-05163.
Deng, J., Zhong, Z., Huang, H., Lan, Y., Han, Y., Zhang, Y., 2020. Lekka sieć segmentacji semantycznej do mapowania chwastów w czasie rzeczywistym przy użyciu bezzałogowych statków powietrznych. Zał. Nauka. 10 (20), 7132. https://doi.org/10.3390/app10207132.
Deng, L., Mao, Z., Li, X., Hu, Z., Duan, F., Yan, Y., 2018. Multispektralna teledetekcja oparta na UAV dla rolnictwa precyzyjnego: porównanie różnych kamer. ISPRS J. Fotogramm. Remote Sens. 146, 124–136.
Diaz-Gonzalez, FA, Vuelvas, J., Correa, CA, Vallejo, VE, Patino, D., 2022. Uczenie maszynowe i techniki teledetekcji stosowane do oceny wskaźników glebowych – przegląd. Ek. Ind. 135, 108517 https://doi.org/10.1016/j.ecolind.2021.108517.
Díaz-Varela, RA, De la Rosa, R., Leon, ´ L., Zarco-Tejada, PJ, 2015. Zdjęcia lotnicze UAV o wysokiej rozdzielczości do oceny parametrów korony drzewa oliwnego za pomocą zdjęcia 3D
rekonstrukcja: zastosowanie w próbach hodowlanych. Teledetekcja 7 (4), 4213-4232. https://doi.org/10.3390/rs70404213.
Dixit, A., Jakhar, SK, 2021. Zarządzanie przepustowością portu lotniczego: przegląd i analiza bibliometryczna. J. Transp. Zarządz. 91, 102010.
Dong, T., Shang, J., Liu, J., Qian, B., Jing, Q., Ma, B., Huffman, T., Geng, X., Sow, A., Shi, Y., Canisius, F., Jiao, X., Kovacs, JM, Walters, D., Cable, J., Wilson, J., 2019.
Wykorzystanie obrazów RapidEye do identyfikacji zmienności wzrostu upraw i plonów w obrębie pola w Ontario w Kanadzie. Rolnictwo precyzyjne. 20 (6), 1231-1250. https://doi.org/10.1007/
s11119-019-09646-w.
Dutta, PK, Mitra, S., 2021. Zastosowanie dronów rolniczych i iot do zrozumienia łańcucha dostaw żywności po COVID-19. W: A. Choudhury, A. Biswas, M. Prateek,
Chakrabarti, A. (red.), Informatyka rolnicza: automatyzacja za pomocą IoT i uczenia maszynowego. Wiley, s. 67-87. van Eck, N., Waltman, L., 2009. Badanie oprogramowania: VOSviewer, program komputerowy do mapowania bibliometrycznego. Naukometria 84 (2), 523-538. https://doi.org/10.1007/s11192-009-0146-3.
Elijah, O., Rahman, TA, Orikumhi, I., Leow, CY, Hindia, MN, 2018. Przegląd Internetu rzeczy (IoT) i analityki danych w rolnictwie: korzyści i wyzwania.
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. Walidacja agronomii BSP i polowe
pomiary odmian pomidorów. Komputer. Elektron. Rolnictwo. 158, 278–283. https://doi.org/10.1016/j.compag.2019.02.011.
Espinoza, CZ, Khot, LR, Sankaran, S., Jacoby, PW, 2017. Wielospektralna i termiczna ocena naprężeń wodnych w oparciu o
winorośle nawadniane podpowierzchniowo. Teledetekcja 9 (9), 961. https://doi.org/10.3390/rs9090961.
Ewing, J., Oommen, T., Jayakumar, P., Alger, R., 2020. Wykorzystanie teledetekcji hiperspektralnej do gradacji gleby. Teledetekcja 12 (20), 3312. ttps://doi.org/10.3390/
rs12203312.
D. Fawcett, C. Panigada, G. Tagliabue, M. Boschetti, M. Celesti, A. Evdokimov, K. Biriukova, R. Colombo, F. Miglietta, U. Rascher, Anderson, K., 2020. Wieloskalowa ocena wielospektralnych współczynników odbicia powierzchni i wegetacji w warunkach eksploatacyjnych w oparciu o drony. Teledetekcja 12 (3), 514.
Feng, X., Yan, F., Liu, X., 2019. Badanie technologii komunikacji bezprzewodowej w zakresie Internetu Rzeczy dla rolnictwa precyzyjnego. Bezprzewodowe Komunia. 108 (3),
1785-1802.
Ferreira, MP, Pinto, CF, Serra, FR, 2014. Teoria kosztów transakcyjnych w międzynarodowym badaniu biznesu: badanie bibliometryczne na przestrzeni trzech dekad. Naukometria 98 (3), 1899-1922. https://doi.org/10.1007/s11192-013-1172-8.
Fisher P., Abuzar M., Rab M., Best F., Chandra S. 2009. Postępy w rolnictwie precyzyjnym południowo-wschodniej Australii. I. metodologia regresji do symulacji
przestrzenne zróżnicowanie plonów zbóż z wykorzystaniem historycznych plonów z wybiegu rolników i znormalizowanego wskaźnika wegetacji zróżnicowania. Crop Pastwisko Sci. 60 (9), 844-858.
Floreano, D., Wood, RJ, 2015. Nauka, technologia i przyszłość małych autonomicznych dronów. Natura 521 (7553), 460-466. https://doi.org/10.1038/nature14542.
Friha, O., Ferrag, MA, Shu, L., Maglaras, LA, Wang, X., 2021. Internet rzeczy dla przyszłości inteligentnego rolnictwa: kompleksowe badanie nowych technologii. IEEE CAA J. Autom. Sinica 8 (4), 718–752.
Fuentes-Pacheco, J., Torres-Olivares, J., Roman-Rangel, E., Cervantes, S., JuarezLopez, P., Hermosillo-Valadez, J., Rendon-Mancha, ´ JM, 2019. Segmentacja roślin figowych ze zdjęć lotniczych przy użyciu głębokiej, splotowej sieci koderów i dekoderów. Teledetekcja 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. Wyzwanie UAV do oceny stresu wodnego pod kątem
zrównoważone rolnictwo. Rolnictwo. Gospodarka Wodna. 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. w zakładzie
poziom do oceny stanu wód uprawnych drzew migdałowców (odmiana Guara) w ramach strategii nawadniania deficytowego. Rolnictwo. Gospodarka Wodna. 208, 176-186. https://doi.org/10.1016/j.
agwat.2018.06.002.
Garzonio, R., Di Mauro, B., Colombo, R., Cogliati, S., 2017. Pomiary reflektancji powierzchni i spektroskopii fluorescencji indukowanej słońcem przy użyciu małego hiperspektralnego UAS. Teledetekcja 9 (5), 472. https://doi.org/10.3390/rs9050472. Gaˇsparovi´c, M., Zrinjski, M., Barkovi´c, Đ., Radoˇcaj, D., 2020. Automatyczna metoda
mapowanie chwastów na polach owsa na podstawie zdjęć UAV. Komputer. Elektron. Rolnictwo.
Gebbers, R., Adamchuk, VI, 2010. Rolnictwo precyzyjne a bezpieczeństwo żywnościowe. Nauka 327 (5967), 828-831. https://doi.org/10.1126/science.1183899.
Geipel, J., Link, J., Claupein, W., 2014. Połączone modelowanie spektralne i przestrzenne plonów kukurydzy na podstawie zdjęć lotniczych i modeli powierzchni upraw uzyskanych za pomocą bezzałogowego systemu lotniczego. Teledetekcja 6 (11), 10335–10355. https://doi.org/10.3390/rs61110335.
Geng, D., Feng, Y., Zhu, Q., 2020. Zrównoważone projektowanie dla użytkowników: przegląd literatury i analiza bibliometryczna. Otaczać. Nauka. Zanieczyszczenia. Res. 27 (24), 29824–29836. https://doi. org/10.1007/s11356-020-09283-1.
Gevaert, CM, Suomalainen, J., Tang, J., Kooistra, L., 2015. Generowanie powierzchni odpowiedzi spektralno-czasowej poprzez połączenie satelity wielospektralnego i hiperspektralnego
Zdjęcia UAV do zastosowań w rolnictwie precyzyjnym. IEEE J. Sel. Top. Zał. Ziemia Obs. Remote Sens. 8 (6), 3140–3146. ttps://doi.org/10.1109/JSTARS.2015.2406339.
Gill, SS, Chana, I., Buyya, R., 2017. Rolnictwo oparte na IoT jako chmura i usługa big data: początek cyfrowych Indii. J.Org. i obliczenia użytkownika końcowego. (JOEUC) 29 (4),
1-23.
Gmür, M., 2006. Analiza kocytacji i poszukiwanie niewidzialnych kolegiów: ocena metodologiczna. Naukometria 57 (1), 27-57. https://doi.org/10.1023/
za:1023619503005.
Gnadinger, ¨ F., Schmidhalter, U., 2017. Cyfrowe zliczenia roślin kukurydzy za pomocą bezzałogowych statków powietrznych (UAV). Teledetekcja 9 (6). Https://doi.org/10.3390/rs9060544.
Gokto ¨ ǧan, AH, Sukkarieh, S., Bryson, M., Randle, J., Lupton, T., Hung, C., 2010. Bezzałogowy pojazd powietrzny z obrotowym skrzydłem do monitorowania chwastów wodnych i
kierownictwo. J. Intell. Robotyka: Teoria. Zał. 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. Ocena dokładności mozaik ze zdjęć bezzałogowych statków powietrznych (UAV) do celów rolnictwa precyzyjnego w pszenicy. Streszczać. Rolnictwo. 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. Fenotypowanie w terenie stresu wodnego w skali drzewa za pomocą obrazów wykrywanych przez UAV : nowe spostrzeżenia dla
akwizycja i kalibracja termiczna. Streszczać. Rolnictwo. 17 (6), 786–800. https://doi.org/10.1007/s11119-016-9449-6.
Gonzalez-Dugo, V., Zarco-Tejada, PJ, Fereres, E., 2014. Możliwość i ograniczenia stosowania wskaźnika stresu wodnego upraw jako wskaźnika niedoborów wody w sadach cytrusowych. Rolnictwo. Do. Meteorol. 198-199, 94-104. https://doi.org/10.1016/j. agroformet.2014.08.003.
Gonzalez-Dugo, V., Zarco-Tejada, P., Nicolas,´E., Nortes, PA, Alarcon,´JJ, Intrigliolo, DS, Fereres, E., 2013.
ocenić zmienność stanu wody pięciu gatunków drzew owocowych w sadzie gospodarczym. Streszczać. Rolnictwo. 14 (6), 660–678. https://doi.org/10.1007/s11119-013-9322-9.
Goyal, K., Kumar, S., 2021. Umiejętność finansowa: przegląd systematyczny i analiza bibliometryczna. wewn. J. Badania konsumenckie 45 (1), 80-105. https://doi.org/10.1111/
ijcs.12605.
Grenzdorffer, ¨ GJ, Engel, A., Teichert, B., 2008. Potencjał fotogrametryczny tanich BSP w leśnictwie i rolnictwie. Międzynarodowe Archiwum Fotogrametrii, Teledetekcji i Informacji Przestrzennej – ISPRS Archives 37, 1207–1213. https://www.scopus.com/inward/record.uri?eid=2-s2.0-85039543258&partnerI D=40&md5=b4b2d639257e8ddb5a373d15959c4e1e.
Guan, S., Fukami, K., Matsunaka, H., Okami, M., Tanaka, R., Nakano, H., Sakai, T., Nakano, K., Ohdan, H., Takahashi, K., 2019. Ocena korelacji wysokiej rozdzielczości
NDVI z poziomem nawożenia i plonem upraw ryżu i pszenicy przy użyciu małych UAV. Teledetekcja 11 (2), 112.
Gundolf, K., Filser, M., 2013. Badania nad zarządzaniem i religia: analiza cytowań. J. Autobus. Etyka 112 (1), 177–185.
Guo, Q., Zhu, Y., Tang, Y., Hou, C., He, Y., Zhuang, J., Zheng, Y., Luo, S., 2020. Symulacja CFD i eksperymentalna weryfikacja przestrzenna i czasowe rozkłady
przepływ powietrza do dołu czterowirnikowego rolniczego bezzałogowego statku powietrznego w zawisie. Komputer. Elektron. Rolnictwo. 172, 105343 https://doi.org/10.1016/j.compag.2020.105343.
Haghighattalab, A., Gonz´ alez P´erez, L., Mondal, S., Singh, D., Schinstock, D., Rutkoski, J., Ortiz-Monasterio, I., Singh, RP, Goodin, D. , Polska, J., 2016.
Zastosowanie bezzałogowych systemów powietrznych do wysokoprzepustowego fenotypowania dużych szkółek hodowlanych pszenicy. Metody roślinne 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. Obrazowanie spektralne z UAV w różnych warunkach oświetlenia . W GG Bill R. (red.), International Archives of the Photogrametry, Remote Sensing and Spatial Information Sciences — ISPRS Archives (t. 40, nr 1W2, s. 189–194). Międzynarodowe Towarzystwo Fotogrametrii i Teledetekcji. 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.Ocenianie technik mapowania roślinności wyspowej z bezzałogowego statku powietrznego
obrazy pojazdów (UAV): klasyfikacja pikseli, interpretacja wizualna i metody uczenia maszynowego. wewn. J. Appl. Ziemia Obs. Geoinf. 89, 102085 https://doi.org/
10.1016/j.jag.2020.102085.
Haque, A., Islam, N., Samrat, NH, Dey, S., Ray, B., 2021. Inteligentne rolnictwo poprzez odpowiedzialne przywództwo w Bangladeszu: możliwości, szanse i nie tylko.
Zrównoważony rozwój 13 (8), 4511.
Hardin, PJ, Hardin, TJ, 2010. Zdalnie sterowane pojazdy na małą skalę w badaniach środowiskowych. Kompas geograficzny 4 (9), 1297-1311. ttps://doi.org/10.1111/j.1749-
8198.2010.00381.x.
Hardin, PJ, Jensen, RR, 2011. Bezzałogowe statki powietrzne na małą skalę w teledetekcji środowiskowej: wyzwania i możliwości. GISci. Remote Sens. 48 (1), 99-111. https://doi.org/10.2747/1548-1603.48.1.99.
He, Y., Nie, P., Zhang, Q., Liu, F., 2021. Rolniczy Internet Rzeczy: technologie i zastosowania, (wyd. 1 2021). Skoczek.
Herwitz, SR, Johnson, LF, Dunagan, SE, Higgins, RG, Sullivan, DV, Zheng, J., Lobitz, BM, Leung, JG, Gallmeyer, BA, Aoyagi, M., Slye, RE, Brass, JA, 2004.
Obrazowanie z bezzałogowego statku powietrznego: nadzór rolniczy i wspomaganie decyzji. Komputer. Elektron. Rolnictwo. 44 (1), 49-61. https://doi.org/10.1016/j.
kompakt.2004.02.006.
Holman, FH, Riche, AB, Michalski, A., Castle, M., Wooster, MJ, Hawkesford, MJ, Wysokoprzepustowe fenotypowanie wysokości roślin pszenicy i tempa wzrostu w próbach polowych z wykorzystaniem teledetekcji opartej na UAV. Teledetekcja 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. Przetwarzanie i ocena spektrometrycznych, stereoskopowych obrazów zebranych za pomocą lekkiej kamery spektralnej UAV dla rolnictwa precyzyjnego. Teledetekcja 5 (10), 5006-5039. https://doi.org/10.3390/rs5105006.
Hossein Motlagh, N., Taleb, T., Arouk, O., 2016. Bezzałogowe statki powietrzne na małych wysokościach oparte na usługach Internetu rzeczy: kompleksowe badanie i perspektywy na przyszłość. 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. Połączona nawigacja po kanionach miejskich w oparciu o przepływ optyczny i stereo dla UAV. W: 2005 IEEE/RSJ
Międzynarodowa konferencja na temat inteligentnych robotów i systemów, s. 3309–3316. https://doi.org/10.1109/IROS.2005.1544998.
Hsu, T.-C., Yang, H., Chung, Y.-C., Hsu, C.-H., 2020. Kreatywna platforma rolnicza IoT do przetwarzania mgły w chmurze. Podtrzymywać. Komputer. Inf. Syst. 28, 100285.
Huang, H., Deng, J., Lan, Y., Yang, A., Deng, X., Zhang, L., Gonzalez-Andujar, JL, 2018. W pełni splotowa sieć do mapowania chwastów bezzałogowych statków powietrznych ( UAV). PLoS ONE 13 (4), e0196302.
Huang, H., Lan, Y., Yang, A., Zhang, Y., Wen, S., Deng, J., 2020. Głębokie uczenie kontra obiektowa analiza obrazu (OBIA) w mapowaniu chwastów na obrazach UAV. wewn. J.
Remote Sens. 41 (9), 3446-3479. https://doi.org/10.1080/01431161.2019.1706112.
Huang, H., Yang, A., Tang, Y., Zhuang, J., Hou, C., Tan, Z., Dananjayan, S., He, Y., Guo, Q., Luo, S., 2021. Głęboka kalibracja kolorów dla obrazów UAV w monitorowaniu upraw
wykorzystanie transferu stylu semantycznego z uwagą lokalną do globalnej. wewn. J. Appl. Ziemia Obs. Geoinf. 104, 102590 https://doi.org/10.1016/j.jag.2021.102590.
Huang, YB, Thomson, SJ, Hoffmann, WC, Lan, YB, Fritz, BK, 2013. Rozwój i perspektywa technologii bezzałogowych statków powietrznych do produkcji rolniczej
kierownictwo. wewn. J. Rolnictwo. Biol. inż. 6 (3), 1-10. https://doi.org/10.3965/j. ijabe.20130603.001.
Huang, Y., Hoffmann, WC, Lan, Y., Wu, W., Fritz, BK, 2009. Opracowanie systemu zraszania dla bezzałogowej platformy latającej. Zał. inż. Rolnictwo. 25 (6), 803-809.
Hunt Jr., ER, Dean Hively, W., Fujikawa, SJ, Linden, DS, Daughtry, CST, McCarty, GW, 2010. Nabycie cyfrowych fotografii NIR-zielono-niebieskie od
bezzałogowe statki powietrzne do monitorowania upraw. Teledetekcja 2 (1), 290-305. https://doi. org/10.3390/rs2010290. Inoue, Y., 2020. Teledetekcja upraw i gleb oparta na satelitach i dronach na potrzeby inteligentnego rolnictwa – przegląd. Nauka o glebie. Roślina 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. Przegląd zastosowań i technologii komunikacyjnych dla Internetu rzeczy (IoT) i
Zrównoważone inteligentne rolnictwo oparte na bezzałogowych statkach powietrznych (UAV). Zrównoważony rozwój 13 (4), 1821. https://doi.org/10.3390/su13041821.
Jaud, M., Passot, S., Le Bivic, R., Delacourt, C., Grandjean, P., Le Dantec, N., 2016. Ocena dokładności cyfrowych modeli powierzchni o wysokiej rozdzielczości obliczonych przez
PhotoScan® i MicMac® w nieoptymalnych warunkach badania. Teledetekcja 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. Ilościowe określenie wpływu przycinania na architekturę drzew oliwnych i roczne wzrost czaszy za pomocą modelowania 3D opartego na UAV. Metody roślinne 13 (1). https://doi.org/10.1186/s13007-017-0205-3.
Jin, X., Liu, S., Baret, F., Hemerl´e, M., Comar, A., 2017. Szacunkowe zagęszczenie roślin uprawnych pszenicy w momencie wschodów ze zdjęć UAV z bardzo małej wysokości. Czujnik zdalny
Otaczać. 198, 105–114. https://doi.org/10.1016/j.rse.2017.06.007.
Jinbo, C., Xiangliang, C., Han-Chi, F., Lam, A., 2019. System monitorowania produktów rolnych wspierany przez przetwarzanie w chmurze. Komputery klastrowe. 22 (4), 8929-8938.
Ju, C. i Syn, HI 2018a. Ocena wydajności wielu systemów UAV do teledetekcji w rolnictwie. Materiały warsztatowe dotyczące wizji i działania robotów w rolnictwie na Międzynarodowej Konferencji IEEE na temat Robotyki i Automatyki (ICRA), Brisbane, Australia, 21–26.
Ju, C., Son, HI, 2018b. Wiele systemów UAV do zastosowań rolniczych: kontrola, realizacja i ocena. Elektronika 7 (9), 162. https://doi.org/10.3390/
elektronika7090162.
Jung, J., Maeda, M., Chang, A., Bhandari, M., Ashapure, A., Landivar-Bowles, J., 2021. Potencjał teledetekcji i sztucznej inteligencji jako narzędzi doskonalenia
odporność rolniczych systemów produkcyjnych. Aktualn. Opinia. Biotechnologia. 70, 15–22. https://doi.org/10.1016/j.copbio.2020.09.003.
Kalischuk, M., Paret, ML, Freeman, JH, Raj, D., Da Silva, S., Eubanks, S., Wiggins, DJ, Lollar, M., Marois, JJ, Mellinger, HC, Das, J. , 2019. Udoskonalona technika rozpoznania upraw, obejmująca wielospektralne obrazowanie upraw przy użyciu bezzałogowego statku powietrznego w konwencjonalną praktykę rozpoznania gumowatej zarazy łodyg arbuza. Roślina Dis. 103 (7), 1642–1650.
Kapoor, KK, Tamilmani, K., Rana, NP, Patil, P., Dwivedi, YK, Nerur, S., 2018. Postępy w badaniach mediów społecznościowych: przeszłość, teraźniejszość i przyszłość. Poinformować. Syst. Przód. 20
(3), 531-558.
Kerkech, M., Hafiane, A., Canals, R., 2020. VddNet: sieć wykrywania chorób winorośli na podstawie obrazów wielospektralnych i mapy głębi. Teledetekcja 12 (20), 3305. https://doi. org/10.3390/rs12203305.
Khaliq, A., Comba, L., Biglia, A., Ricauda Aimonino, D., Chiaberge, M., Gay, P., 2019. Porównanie obrazów wielospektralnych satelitarnych i UAV dla winnic
ocena zmienności. Teledetekcja 11 (4). https://doi.org/10.3390/rs11040436.
Khan, PW, Byun, Y.-C., Park, N., 2020. IoT-blockchain umożliwił zoptymalizowany system pochodzenia dla przemysłu spożywczego 4.0 przy użyciu zaawansowanego uczenia głębokiego. Czujniki 20 (10), 2990.
Khan, RU, Khan, K., Albattah, W., Qamar, AM, Ullah, F., 2021. Wykrywanie chorób roślin w oparciu o obrazy: od klasycznego uczenia maszynowego do głębokiego uczenia się. Łączność bezprzewodowa. Komputer mobilny. 2021, 1–13.
Khan, S., Tufail, M., Khan, MT, Khan, ZA, Iqbal, J., Alam, M., Le, KNQ, 2021. Nowatorskie, częściowo nadzorowane ramy klasyfikacji upraw/chwastów na podstawie UAV. PLoS ONE 16 (5), e0251008.
Khanal, S., Fulton, J., Shearer, S., 2017. Przegląd aktualnych i potencjalnych zastosowań teledetekcji termicznej w rolnictwie precyzyjnym. Komputer. Elektron.
Rolnictwo. 139, 22–32. https://doi.org/10.1016/j.compag.2017.05.001.
Khanna, A., Kaur, S., 2019. Ewolucja Internetu Rzeczy (IoT) i jej znaczący wpływ w dziedzinie rolnictwa precyzyjnego. Komputer. Elektron. Rolnictwo. 157, 218-231.
Kim, W., Khan, GF, Wood, J., Mahmood, MT, 2016. Zaangażowanie pracowników dla zrównoważonych organizacji: analiza słów kluczowych za pomocą analizy sieci społecznościowych i burst
podejście do wykrywania. Zrównoważony rozwój 8 (7), 631.
Kirsch, M., Lorenz, S., Zimmermann, R., Tusa, L., Mockel, ¨ R., Hodl, ¨ P., Booysen, R., Khodadadzadeh, M., Gloaguen, R., 2018. Integracja naziemnych i dronów
hiperspektralne i fotogrametryczne metody detekcji do mapowania poszukiwań i monitoringu górniczego. Teledetekcja 10 (9), 1366. https://doi.org/10.3390/
rs10091366.
Kitano, BT, Mendes, CCT, Geus, AR, Oliveira, HC, Souza, JR, 2019. Liczenie roślin kukurydzy za pomocą głębokiego uczenia i obrazów UAV. IEEE Geosci. Remote Sens. Lett. 1–5 https://doi.org/10.1109/LGRS.2019.2930549.
Koh, JCO, Spangenberg, G., Kant, S., 2021. Zautomatyzowane uczenie maszynowe do wysokoprzepustowego fenotypowania roślin w oparciu o obrazy. Teledetekcja 13 (5), 858. https://
doi.org/10.3390/rs13050858.
Kovalev, IV, Voroshilova, AA, 2020. Nowoczesne trendy technologiczne w rozwoju ekosystemu UAV cargo. J. Fiz. Konf. Ser. 1515 (5), 052068 https://doi. org/10.1088/1742-6596/1515/5/052068.
Krul, S., Pantos, C., Frangulea, M., Valente, J., 2021. Visual SLAM dla zwierząt gospodarskich w pomieszczeniach i hodowli przy użyciu małego drona z kamerą monokularową: studium wykonalności.
Drony 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. Badanie dronów do automatyzacji rolnictwa od sadzenia do
zbiór. W: INES 2018 – IEEE 22nd International Conference on Intelligent Engineering Systems, s. 000353–358. https://doi.org/10.1109/INES.2018.8523943.
Lagkas, T., Argyriou, V., Bibi, S., Sarigiannidis, P., 2018. Poglądy i wyzwania ramowe UAV IoT: w kierunku ochrony dronów jako „rzeczy”. Czujniki 18 (11), 4015. https://doi.org/10.3390/s18114015.
Laliberte, AS, Rango, A., 2011. Procedury przetwarzania obrazu i klasyfikacji do analizy obrazów subdecymetrowych uzyskanych za pomocą bezzałogowego statku powietrznego w stanie jałowym
wybiegi. GISci. Remote Sens. 48 (1), 4-23. https://doi.org/10.2747/1548-1603.48.1.4.
Laliberte, AS, Rango, A., Herrick, JE, 2007. Bezzałogowe statki powietrzne do mapowania i monitorowania obszaru: porównanie dwóch systemów. Materiały z dorocznej konferencji ASPRS.
Lam, OHY, Dogotari, M., Prüm, M., Vithlani, HN, Roers, C., Melville, B., Zimmer, F., Becker, R., 2021. Przepływ pracy typu open source do mapowania chwastów na rodzimych użytkach zielonych
przy użyciu bezzałogowego statku powietrznego: wykorzystanie Rumex obtusifolius jako studium przypadku. Eur. 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. Przyjęcie, rentowność i lepsze wykorzystanie danych rolnictwa precyzyjnego.
Dokument roboczy. Uniwersytet Purdue. https://doi.org/10.22004/ag.econ.28615.
Lelong, CCD, Burger, P., Jubelin, G., Roux, B., Labb´e, S., Baret, F., 2008. Ocena obrazów bezzałogowych statków powietrznych do ilościowego monitoringu upraw pszenicy na małych poletkach. Czujniki 8 (5), 3557-3585. https://doi.org/10.3390/s8053557.
Li, C., Niu, B., 2020. Projektowanie inteligentnego rolnictwa w oparciu o big data i Internet rzeczy. wewn. J. Dystrybucja. Sieć Sens. 16 (5) ttps://doi.org/10.1177/1550147720917065.
Li, W., Niu, Z., Chen, H., Li, D., Wu, M., Zhao, W., 2016. Zdalne oszacowanie wysokości baldachimu i nadziemnej biomasy kukurydzy za pomocą stereoobrazów o wysokiej rozdzielczości z tani system bezzałogowych statków powietrznych. Ek. Ind. 67, 637-648. https://doi.org/10.1016/j.ecolind.2016.03.036.
Liakos, KG, Busato, P., Moshou, D., Pearson, S., Bochtis, D., 2018. Uczenie maszynowe w rolnictwie: przegląd. Czujniki 18 (8), 2674.
Liebisch, F., Kirchgessner, N., Schneider, D., Walter, A., Hund, A., 2015. Zdalne, powietrzne fenotypowanie cech kukurydzy za pomocą mobilnego podejścia wieloczujnikowego. Metody roślinne 11 (1), 9. https://doi.org/10.1186/s13007-015-0048-8.
Lin, Z., Guo, W., 2020. Wykrywanie i liczenie wiechy sorgo za pomocą obrazów systemów bezzałogowych i uczenia głębokiego. Przód. Roślina Sci. 11.
Liu, S., Guo, L., Webb, H., Ya, X., Chang, X., 2019. Internet of Things System monitorowania nowoczesnego eko-rolnictwa w oparciu o cloud computing. Dostęp IEEE 7, 37050-37058.
Lopez-Granados, ´ F., 2011. Wykrywanie chwastów w celu zarządzania chwastami w konkretnym miejscu: mapowanie i podejście w czasie rzeczywistym. Weed Res. 51 (1), 1–11. https://doi.org/10.1111/j.1365-3180.2010.00829.x.
Lopez-Granados, ´F., Torres-Sanchez, ´J., De Castro, A.-I., Serrano-P´erez, A., MesasCarrascosa, F.-J., Pena, ˜ J.-M. , 2016. Obiektowe wczesne monitorowanie chwastów trawiastych w uprawach traw przy użyciu zdjęć UAV o wysokiej rozdzielczości. Agron. Podtrzymywać. Odw. 36 (4), 1–12
Lopez-Granados, ´F., Torres-S´anchez, J., Serrano-P´erez, A., de Castro, AI, MesasCarrascosa, F.-J., Pena, ˜ J.-M., 2016. Mapowanie chwastów we wczesnym sezonie w słoneczniku przy użyciu technologii UAV: zmienność map herbicydów względem progów chwastów. Streszczać. Rolnictwo. 17 (2), 183-199.
Lucieer, A., Malenovský, Z., Veness, T., Wallace, L., 2014. HyperUAS – spektroskopia obrazowania z wielowirnikowego bezzałogowego systemu lotniczego. J. Field Rob. 31 ust. 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. i Kleemola, J., 2008. Naziemne skanowanie laserowe płody rolne. w JJ
Chen J. Maas H–G. (Red.), Międzynarodowe Archiwum Fotogrametrii, Teledetekcji i Informacji Przestrzennej — Archiwa ISPRS (t. 37, s. 563–566).
Międzynarodowe Towarzystwo Fotogrametrii i Teledetekcji. 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. Przegląd nadzorowanej klasyfikacji obrazów pokrycia terenu. ISPRS J. Fotogramm. Czujnik zdalny 130,
277–293. https://doi.org/10.1016/j.isprsjprs.2017.06.001.
Maes, WH, Steppe, K., 2019. Perspektywy teledetekcji za pomocą bezzałogowych statków powietrznych w rolnictwie precyzyjnym. Trendy Roślin 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., Golarki E., Fishman J., Peterson J., Kadam S., Burken, J., Fritschi, F., 2017.
Fenotypowanie soi oparte na bezzałogowym systemie powietrznym (UAS) z wykorzystaniem fuzji danych z wielu czujników i maszyny do ekstremalnego uczenia się. ISPRS J. Fotogramm. 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.
Monitorowanie upraw z wykorzystaniem fuzji danych satelitarnych/UAV i uczenia maszynowego. Teledetekcja 12 (9), 1357. https://doi.org/10.3390/rs12091357.
S. Manfreda, M. McCabe, P. Miller, R. Lucas, V. Pajuelo Madrigal, G. Mallinis, E. Ben Dor, D. Helman, L. Estes, G. Ciraolo ., Müllerova, "J., Tauro, F., de Lima, M., de
Lima, J., Maltańczyk, A., Frances, F., Caylor, K., Kohv, M., Perks, M., Ruiz-P´erez, G., Su, Z., Vico, G., Toth , B., 2018. W sprawie wykorzystania bezzałogowych systemów latających dla
monitoring środowiska. Teledetekcja 10 (4), 641.
Marinko, RA, 1998. Cytaty z czasopism naukowych poświęconych kobietom w rozprawach, 1989 oraz The Serials Librarian 35 (1–2), 29–44. https://doi.org/10.1300/J123v35n01_
03.
Masroor, R., Naeem, M., Ejaz, W., 2021. Zarządzanie zasobami w sieciach bezprzewodowych wspomaganych przez UAV: perspektywa optymalizacji. Sieć ad hoc 121, 102596 https://doi.org/10.1016/j.adhoc.2021.102596.
Matese, A., Di Gennaro, SF, 2018. Praktyczne zastosowania wielosensorowej platformy UAV opartej na precyzyjnych obrazach wielospektralnych, termicznych i RGB o wysokiej rozdzielczości
uprawa winorośli. Rolnictwo 8 (7), 116. https://doi.org/10.3390/agriculture8070116.
Matese, A., Di Gennaro, SF, 2021. Poza tradycyjnym indeksem NDVI jako kluczowy czynnik w głównym nurcie stosowania UAV w precyzyjnej uprawie winorośli. Nauka. Rep. 11 (1), 2721. https://doi.org/10.1038/s41598-021-81652-3.
Matese, A., Toscano, P., Di Gennaro, SF, Genesio, L., Vaccari, FP, Primicerio, J., Belli, C., Zaldei, A., Bianconi, R., Gioli, B., 2015 Porównanie bezzałogowych statków powietrznych z samolotami
oraz satelitarne platformy teledetekcji do precyzyjnej uprawy winorośli. Teledetekcja 7 (3), 2971–2990. https://doi.org/10.3390/rs70302971.
Mazzia, V., Comba, L., Khaliq, A., Chiaberge, M., Gay, P., 2020. Udoskonalenie oparte na UAV i uczeniu maszynowym indeksu wegetacji napędzanego satelitą w celu zwiększenia precyzji
rolnictwo. Czujniki 20 (9), 2530. https://doi.org/10.3390/s20092530.
McCain, KW, 1990. Mapowanie autorów w przestrzeni intelektualnej: przegląd techniczny. J. Am. Soc. Informacje. Nauka. 41 (6), 433–443.
Meinen, BU, Robinson, DT, 2021. Modelowanie erozji rolniczej: ocena szacunków erozji w skali polowej USLE i WEPP przy użyciu danych szeregów czasowych UAV. Otaczać. Model. Oprogramowanie 137, 104962. https://doi.org/10.1016/j.envsoft.2021.104962.
Melville, B., Lucieer, A., Aryal, J., 2019. Klasyfikacja nizinnych, rodzimych zbiorowisk trawiastych przy użyciu hiperspektralnych obrazów bezzałogowych statków powietrznych (UAS) w
Midlands Tasmanii. Drony 3 (1), 5.
Messina, G., Modica, G., 2020. Zastosowania obrazowania termicznego UAV w rolnictwie precyzyjnym: stan wiedzy i przyszłe perspektywy badawcze. Teledetekcja 12 (9), https://doi.org/10.3390/rs12091491.
Mishra, D., Luo, Z., Jiang, S., Papadopoulos, T., Dubey, R., 2017. Studium bibliograficzne dotyczące dużych zbiorów danych: koncepcje, trendy i wyzwania. Zarządzanie procesami biznesowymi. J. 23 (3),
555-573.
Mochida, K., Saisho, D., Hirayama, T., 2015. Poprawa upraw przy użyciu zestawów danych dotyczących cyklu życia uzyskanych w warunkach polowych. Przód. Roślina Sci. 6 https://doi.org/10.3389/
fpls.2015.00740.
Mogili, UM.R., Deepak, BBVL, 2018. Przegląd zastosowania systemów dronów w rolnictwie precyzyjnym. Procedia obliczeniowa. Nauka. 133, 502–509.
Moharana, S., Dutta, S., 2016. Przestrzenna zmienność zawartości chlorofilu i azotu w ryżu na podstawie obrazów hiperspektralnych. ISPRS J. Fotogramm. Remote Sens. 122, 17–29.
Muangprathub J., Boonnam N., Kajornkasirat S., Lekbangpong N., Wanichsombat A.,
Nillaor, P., 2019. Analiza danych IoT i rolnictwa dla inteligentnej farmy. Komputer. Elektron. Rolnictwo. 156, 467–474.
Nansen, C., Elliott, N., 2016. Teledetekcja i profilowanie odbicia w entomologii. Annu. Wielebny Entomol. 61 (1), 139–158. https://doi.org/10.1146/annurev-ento010715-023834.
Navia, J., Mondragon, I., Patino, D., Colorado, J., 2016. Mapowanie wielospektralne w rolnictwie: mozaika terenu z wykorzystaniem autonomicznego quadkoptera UAV. wewn. Konf.
System bezzałogowych statków powietrznych (ICUAS) 2016, 1351-1358. https://doi.org/10.1109/ ICUAS.2016.7502606.
Nayyar, A., Nguyen, B.-L., Nguyen, NG, 2020. Internet rzeczy dronów (Iodt): przyszła wizja inteligentnych dronów. Przysł. Intel. Syst. Komputer. 1045, 563-580. https://doi.org/10.1007/978-981-15-0029-9_45.
Nebiker, S., Annen, A., Scherrer, M., Oesch, D., 2008. Lekki multispektralny czujnik do mikrouAV — możliwości bardzo wysokiej rozdzielczości teledetekcji w powietrzu. wewn. Łuk. Fotogram. Spat. Inf. Sci 37 (B1), 1193-1200.
Negash, L., Kim, H.-Y., Choi, H.-L., 2019. Nowe zastosowania UAV w rolnictwie. W: 2019 VII Międzynarodowa Konferencja nt. Technologii Inteligencji Robotów i
Wnioski (RiTA), s. 254–257. https://doi.org/10.1109/RITAPP.2019.8932853.
Nerur SP, Rasheed AA, Natarajan V. 2008. Struktura intelektualna pola zarządzania strategicznego: autorska analiza współcytowania. Strateg. Zarządz. J. 29 (3),
319-336.
Neupane, K., Baysal-Gurel, F., 2021. Automatyczna identyfikacja i monitorowanie chorób roślin przy użyciu bezzałogowych statków powietrznych: przegląd. Teledetekcja 13 (19), 3841. https://doi.org/10.3390/rs13193841.
Nex, F., Remondino, F., 2014. UAV do aplikacji mapowania 3D: recenzja. Zał. Geomatyka 6 (1), 1-15. https://doi.org/10.1007/s12518-013-0120-x.
Niu, H., Hollenbeck, D., Zhao, T., Wang, D., Chen, Y., 2020. Szacowanie ewapotranspiracji za pomocą małych UAV w rolnictwie precyzyjnym. Czujniki 20 (22), 6427. https://
doi.org/10.3390/s20226427.
Osareh, F., 1996. Bibliometria, analiza cytowań i analiza współcytowania. Przegląd literatury 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, czujniki i przetwarzanie danych w rolnictwie: przegląd w kierunku praktycznych zastosowań. wewn. J. Remote Sens. 38 (8-10), 2349-2391. https://doi.org/10.1080/01431161.2017.1297548.
Panday, USA, Pratihast, AK, Aryal, J., Kayastha, RB, 2020. Przegląd rozwiązań danych opartych na dronach dla upraw zbóż. Drony 4 (3), 1-29. https://doi.org/10.3390/
drony4030041.
Parsaeian, M., Shahabi, M., Hassanpour, H., 2020. Szacowanie zawartości oleju i białka w nasionach sezamu za pomocą przetwarzania obrazu i sztucznej sieci neuronowej. J. Am. Olej
Chemik Soc. 97 (7), 691-702.
Pena, ˜ JM, Torres-S´anchez, J., de Castro, AI, Kelly, M., Lopez-Granados, ´ F., Suarez, O., Mapowanie chwastów na polach kukurydzy we wczesnym sezonie za pomocą analizy obiektowej z
bezzałogowy statek powietrzny (UAV) Obrazy. PLoS ONE 8 (10), e77151.
P´erez-Ortiz, M., Pena, JM, Guti´errez, PA, Torres-S´ anchez, J., Herv´ as-Martínez, C.,
Lopez-Granados, ´ F., 2015. Półnadzorowany system mapowania chwastów w uprawach słonecznika za pomocą bezzałogowych statków powietrznych i metody wykrywania rzędów upraw. Zał. Soft Computing. J. 37, 533-544. https://doi.org/10.1016/j.asoc.2015.08.027.
Pincheira, M., Vecchio, M., Giaffreda, R., Kanhere, SS, 2021. Opłacalne urządzenia IoT jako wiarygodne źródła danych dla opartego na blockchain systemu gospodarki wodnej w rolnictwie precyzyjnym. Komputer. Elektron. Rolnictwo. 180, 105889.
Popescu, D., Stoican, F., Stamatescu, G., Ichim, L., Dragana, C., 2020. Zaawansowany system UAV-WSN do inteligentnego monitorowania w rolnictwie precyzyjnym. Czujniki 20 (3), https://doi.org/10.3390/s20030817.
Pournader, M., Shi, Y., Seuring, S., Koh, SL, 2020. Zastosowania blockchain w łańcuchach dostaw, transporcie i logistyce: systematyczny przegląd literatury. wewn. J. Prod. Res. 58 (7), 2063-2081.
Primicerio, J., Di Gennaro, SF, Fiorillo, E., Genesio, L., Lugato, E., Matese, A., Vaccari, FP, 2012. Elastyczny bezzałogowy statek powietrzny dla rolnictwa precyzyjnego.
Streszczać. Rolnictwo. 13 (4), 517-523. https://doi.org/10.1007/s11119-012-9257-6.
Pritchard, A., 1969. Bibliografia statystyczna lub bibliometria. J. Dokument. 25 (4), 348-349.
Pudelko R., Stuczyński T., Borzecka-Walker M. 2012. Przydatność bezzałogowego statku powietrznego (BSP) do oceny pól doświadczalnych i upraw. Rolnictwo 99 (4), 431-436.
Puri, V., Nayyar, A., Raja, L., 2017. Drony rolnicze: nowoczesny przełom w rolnictwie precyzyjnym. J. Statystyka. Zarządz. Syst. 20 (4), 507-518.
Radoglou-Grammatikis, P., Sarigiannidis, P., Lagkas, T., Moscholios, I., 2020. Zestawienie aplikacji UAV dla rolnictwa precyzyjnego. Komputer. Sieć 172,
107148 https://doi.org/10.1016/j.comnet.2020.107148.
Ramesh, KV, Rakesh, V., Prakasa Rao, EVS, 2020. Zastosowanie analityki big data i sztucznej inteligencji w badaniach agronomicznych. Indianin J. Agron. 65 (4), 383-395.
Raparelli, E., Bajocco, S., 2019. Analiza bibliometryczna dotycząca wykorzystania bezzałogowych statków powietrznych w badaniach rolniczych i leśnych. wewn. J. Remote Sens. 40 (24),
9070–9083. https://doi.org/10.1080/01431161.2019.1569793.
Rasmussen, J., Nielsen, J., Garcia-Ruiz, F., Christensen, S., Streibig, JC, Lotz, B., 2013.
Potencjalne zastosowania małych bezzałogowych systemów powietrznych (UAS) w badaniach chwastów. Weed Res. 53 (4), 242–248.
J. Rasmussen, G. Ntakos, J. Nielsen, J. Svensgaard, RN Poulsen, S. Christensen, Czy wskaźniki roślinności pochodzą z kamer konsumenckich zamontowanych na
UAV wystarczająco wiarygodne do oceny powierzchni doświadczalnych? Eur. J. Agron. 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. Digitalizacja w łańcuchach dostaw żywności: przegląd bibliometryczny i ścieżka główna
analiza. Zrównoważony rozwój 14 (1), 83. https://doi.org/10.3390/su14010083.
Rejeb, A., Rejeb, K., Simske, SJ, Treiblmaier, H., 2021a. Drony do zarządzania łańcuchem dostaw i logistyki: przegląd i program badań. wewn. J. Logista. Res. Zał.
1–24. https://doi.org/10.1080/13675567.2021.1981273.
Rejeb, A., Rejeb, K., Simske, S., Treiblmaier, H., 2021b. Technologie blockchain w logistyce i zarządzaniu łańcuchem dostaw: przegląd bibliometryczny. Logistyka 5 (4), 72.
https://doi.org/10.3390/logistics5040072.
Rejeb A., Rejeb K., Simske S., Treiblmaier H., 2021c. Drony humanitarne: przegląd i program badawczy. Internet rzeczy 16, 100434. https://doi.org/10.1016/j.
jot.2021.100434.
A. Rejeb, H. Treiblmaier, K. Rejeb, S. Zailani, 2021d. Badania blockchain w opiece zdrowotnej: przegląd bibliometryczny i aktualne trendy badawcze. J. of Data, Inf. oraz
Zarządz. 3 (2), 109–124.
Rejeb, A., Simske, S., Rejeb, K., Treiblmaier, H., Zailani, S., 2020. Badania Internetu Rzeczy w zarządzaniu łańcuchem dostaw i logistyce: analiza bibliometryczna. Internet
rzeczy 12, 100318.
ReportLinker, 2021. Globalny rynek dronów rolniczych osiągnie 15.2 miliarda dolarów według YearGlobeNewswire 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- Rok-2027.html.
Ribeiro-Gomes, K., Hernandez-L´opez,´D., Ortega, JF, Ballesteros, R., Poblete, T.,Moreno, MA, 2017. Kalibracja i optymalizacja niechłodzonej kamery termowizyjnej
proces fotogrametryczny do zastosowań UAV w rolnictwie. Czujniki (Szwajcaria) 17 (10). https://doi.org/10.3390/s17102173.
Rivera, MA, Pizam, A., 2015. Postępy w badaniach nad hotelarstwem: „Od Rodney Dangerfield do Arethy Franklin”. wewn. J. Współczesny. Szpital. Zarządz. 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. System sensoryczny oparty na mini-UAV do pomiaru zmiennych środowiskowych w szklarniach. Czujniki 15 (2), 3334-3350. https://doi.org/10.3390/s150203334.
Rozenberg, G., Kent, R., Blank, L., 2021. UAV klasy konsumenckiej wykorzystywane do wykrywania i analizowania wzorców przestrzennego rozmieszczenia chwastów późnego sezonu na komercyjnych polach cebuli. Streszczać. Rolnictwo. 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. Bezzałogowy System kamer spektralnych obsługiwanych przez samoloty (UAV) do zastosowań w leśnictwie i rolnictwie. Przystępować. SPIE – wewn. Soc. Optować. inż. 8174 https://doi.org/10.1117/12.897585.
Sah B., Gupta R., Bani-Hani D., 2021. Analiza barier we wdrażaniu logistyki dronów. wewn. J. Logista. Res. Zał. 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, dron oparty na technologii IOT w celu poprawy jakości upraw w rolnictwie. W SH
N. Chakrabarti S. (red.), 2018 IEEE 8th Annual Computing and Communication Workshop and Conference, CCWC 2018 (t. 2018-styczeń, s. 612–615). Instytut
of Electrical and Electronics Engineers Inc. doi: 10.1109/CCWC.2018.8301662.
Sai Vineeth, KV, Vara Prasad, YR, Dubey, SR, Venkataraman, H., 2019. LEDCOM: nowatorska i wydajna komunikacja oparta na diodach LED dla rolnictwa precyzyjnego. Konf. IEEE Informacje. Komunia. Technol. 2019, 1-5. https://doi.org/10.1109/CICT48419.2019.9066177.
Salamí, E., Barrado, C., Pastor, E., 2014. Eksperymenty z lotami UAV stosowane do teledetekcji obszarów porośniętych roślinnością. Teledetekcja 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.
Systemy obrazowania lotniczego o wysokiej rozdzielczości na małych wysokościach do fenotypowania upraw rzędowych i polowych: przegląd. Eur. J. Agron. 70, 112–123. https://doi.org/10.1016/j.
eja.2015.07.004.
Santesteban, LG, Di Gennaro, SF, Herrero-Langreo, A., Miranda, C., Royo, JB, Matese, A., 2017. Termowizja o wysokiej rozdzielczości oparta na UAV w celu oszacowania
chwilowa i sezonowa zmienność stanu nawodnienia roślin w winnicy. Rolnictwo. Gospodarka Wodna. 183, 49–59. https://doi.org/10.1016/j.agwat.2016.08.026.
Sarli, CC, Dubinsky, EK, Holmes, KL, 2010. Poza analizą cytowań: model oceny wpływu badań. J. Med. Biblioteki doc. : 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. Spektroskopia obrazowania związana z naukami o Ziemi — ocena. Zdalny czujnik otoczenia. 113, S123–S137.
M. Schirrmann, A. Giebel, F. Gleiniger, M. Pflanz, J. Lentschke, K.-H. Dammer, 2016. Monitorowanie parametrów agronomicznych upraw pszenicy ozimej za pomocą niskonakładowego BSP
obrazowość. Teledetekcja 8 (9). https://doi.org/10.3390/rs8090706.
Schmale III, DG, Dingus, BR, Reinholtz, C., 2008. Opracowanie i zastosowanie autonomicznego bezzałogowego statku powietrznego do precyzyjnego pobierania próbek aerobiologicznych powyżej
pola rolnicze. J. Field Rob. 25 (3), 133–147. https://doi.org/10.1002/rob.20232.
D. Shadrin, A. Mienszczikow, A. Somow, G. Bornemann, J. Hauslage, M. Fiodorow,
Umożliwienie rolnictwa precyzyjnego dzięki wbudowanym czujnikom ze sztuczną inteligencją. IEEE Trans. Instrument. Śr. 69 (7), 4103–4113.
Shakhatreh, H., Sawalmeh, AH, Al-Fuqaha, A., Dou, Z., Almaita, E., Khalil, I.,
Othman, NS, Khreishah, A., Guizani, M., 2019. Bezzałogowe statki powietrzne (UAV): ankieta na temat zastosowań cywilnych i kluczowych wyzwań badawczych. Dostęp IEEE 7,
48572–48634. https://doi.org/10.1109/ACCESS.2019.2909530.
Shakoor, N., Northrup, D., Murray, S., Mockler, TC, 2019. Rolnictwo oparte na dużych zbiorach danych: analiza dużych zbiorów danych w hodowli roślin, genomika i wykorzystanie teledetekcji
technologie zwiększające wydajność upraw. Zjawisko roślin J. 2 (1), 1–8.
Sharma, BK, Chandra, G., Mishra, wiceprezes, 2019. Analiza porównawcza i implikacja UAV i sztucznej inteligencji w dochodzeniach kryminalistycznych. W: Postępowanie – 2019 Amity International
Konferencja na temat sztucznej inteligencji. https://doi.org/10.1109/AICAI.2019.8701407.
Sharma, R., Shishodia, A., Gunasekaran, A., Min, H., Munim, ZH, 2022. Rola sztucznej inteligencji w zarządzaniu łańcuchem dostaw: mapowanie terytorium. wewn. J.
Szturchać. Res. 1-24. https://doi.org/10.1080/00207543.2022.2029611.
Shi, Y., Thomasson, JA, Murray, SC, Pugh, NA, Rooney, WL, Shafian, S., Rajan, N., Rouze, G., Morgan, CLS, Neely, HL, Rana, A., Bagavathiannan , MV,
Henrickson, J., Bowden, E., Valasek, J., Olsenholler, J., Bishop, MP, Sheridan, R., Putman, EB, Popescu, S., Burks, T., Cope, D., Ibrahim, A., McCutchen, BF,
Baltensperger, DD, Avant, RV, Vidrine, M., Yang, C., Zhang, J., 2016. Bezzałogowe statki powietrzne do wysokoprzepustowego fenotypowania i badań agronomicznych. PLoS ONE
11 (7), e0159781.
Shuai, G., Martinez-Feria, RA, Zhang, J., Li, S., Price, R., Basso, B., 2019. Wychwytywanie niejednorodności drzewostanów kukurydzianych w strefach stabilności plonowania za pomocą bezzałogowej anteny
Pojazdy (UAV). Czujniki 19 (20), 4446. https://doi.org/10.3390/s19204446.
Small, H., 1973. Cytowanie w literaturze naukowej: nowa miara relacji między dwoma dokumentami. J. Am. Soc. Informacje. Nauka. 24 (4), 265-269.
Small, H., Rorvig, ME, Lunin, LF, 1999. Wizualizacja nauki przez mapowanie cytowań. J. Am. Soc. Informacje. Nauka. 50 (9), 799-813.
Soares, VHA, Ponti, MA, Gonçalves, RA, Campello, RJGB, 2021. Liczenie bydła na wolności dzięki geolokalizowanym zdjęciom lotniczym na dużych pastwiskach. Komputer. Elektron. Rolnictwo. 189, 106354 https://doi.org/10.1016/j.compag.2021.106354.
Srivastava, K., Pandey, PC, Sharma, JK, 2020. Podejście do optymalizacji tras w zastosowaniach rolnictwa precyzyjnego z wykorzystaniem UAV. Drony 4 (3), 58. https://doi.org/10.3390/drones4030058.
Stafford, JV, 2000. Wdrażanie rolnictwa precyzyjnego w XXI wieku. J. Rolnictwo. inż. Res. 21 (76), 3-267.
Su, J., Coombes, M., Liu, C., Guo, L., Chen, W.-H., 2018. Ocena suszy pszenicy za pomocą obrazów teledetekcyjnych przy użyciu bezzałogowego statku powietrznego. W 2018 r. 37. Chińska Konferencja Kontrolna (CCC).
Su, J., Liu, C., Coombes, M., Hu, X., Wang, C., Xu, X., Li, Q., Guo, L., Chen, W.-H., 2018. Monitorowanie żółtej rdzy pszenicy na podstawie wielospektralnych zdjęć lotniczych UAV.
Komputer. Elektron. Rolnictwo. 155, 157-166. https://doi.org/10.1016/j. compag.2018.10.017.
Su, Y., Wang, X., 2021. Innowacyjność zarządzania gospodarką rolną w procesie budowy inteligentnego rolnictwa przez big data. Zrównoważony komputer. Inf. Syst. 31, 100579 https://doi.org/10.1016/j.suscom.2021.100579.
Sullivan, DG, Fulton, JP, Shaw, JN, Bland, GL, 2007. Ocena czułości bezzałogowego systemu termicznej anteny na podczerwień do wykrywania stresu wodnego w bawełnianym baldachimie. Przeł. ASABE 50 (6), 1955-1962.
Sumesh, KC, Ninsawat, S., Som-ard, J., 2021. Integracja wskaźnika roślinności opartego na RGB, modelu powierzchni upraw i obiektowej analizy obrazu w celu oszacowania plonów trzciny cukrowej przy użyciu bezzałogowego statku powietrznego. Komputer. Elektron. Rolnictwo. 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. Lekki system mapowania hiperspektralnego do
bezzałogowe statki powietrzne – pierwsze wyniki. W: 2013 5th Workshop on Hyperspectral Image and Signal Processing: Evolution in Remote Sensing (WHISPERS), s. 1–4. https://doi.org/10.1109/WHISPERS.2013.8080721.
J. Suomalainen, N. Anders, S. Iqbal, G. Roerink, J. Franke, P. Wenting, D. Hünniger, H. Bartholomeus, R. Becker, L. Kooistra, 2014. Lekki hiperspektralny
system mapowania i łańcuch przetwarzania fotogrametrycznego dla bezzałogowych statków powietrznych. Teledetekcja 6 (11), 11013-11030. https://doi.org/10.3390/
rs61111013.
Syeda, IH, Alam, MM, Illahi, U., Su'ud, MM, 2021. Zaawansowane strategie kontroli wykorzystujące przetwarzanie obrazu, UAV i AI w rolnictwie: przegląd. Świat J. inż. 18 (4),
579–589. https://doi.org/10.1108/WJE-09-2020-0459.
Tahai, A., Rigsby, JT, 1998. Przetwarzanie informacji za pomocą cytatów w celu zbadania wpływu czasopisma na księgowość. Inf. Proces. Zarządzać. 34 (2-3), 341-359.
Tang, Y., Dananjayan, S., Hou, C., Guo, Q., Luo, S., He, Y., 2021. Ankieta na temat sieci 5G i jej wpływu na rolnictwo: wyzwania i możliwości. Komputer.
Elektron. Rolnictwo. 180, 105895 https://doi.org/10.1016/j.compag.2020.105895.
Tantalaki, N., Souravlas, S., Roumeliotis, M., 2019. Podejmowanie decyzji w oparciu o dane w rolnictwie precyzyjnym: powstanie dużych zbiorów danych w systemach rolniczych. J. Rolnictwo. Informacje o jedzeniu.
20 (4) 344–380.
Tao, H., Feng, H., Xu, L., Miao, M., Yang, G., Yang, X., Fan, L., 2020. Szacowanie plonu i wysokości roślin pszenicy ozimej za pomocą UAV- oparte na obrazach hiperspektralnych.
Czujniki 20 (4), 1231.
Techy, L., Schmale III, DG, Woolsey, CA, 2010. Skoordynowane pobieranie próbek aerobiologicznych patogenu roślinnego w niższej atmosferze przy użyciu dwóch autonomicznych bezzałogowych statków powietrznych. J. Field Rob. 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. Wykrywanie i klasyfikacja szkodników soi za pomocą uczenia głębokiego
z obrazami UAV. Komputer. Elektron. Rolnictwo. 179, 105836.
Thamm, H.-P., Menz, G., Becker, M., Kuria, DN, Misana, S., Kohn, D., 2013. Zastosowanie Uas do oceny systemów rolniczych w AN Wetland w Tanzanii w… Oraz WetSeason na rzecz zrównoważonego rolnictwa i dostarczanie danych terenowych dla danych Terra-Sar X. W: ISPRS – International Archives of the Photogrametry, Remote Sensing and Spatial Information Sciences, s. 401–406. https://doi.org/10.5194/isprsarchivesXL-1-W2-401-2013.
Thelwall, M., 2008. Bibliometria do webometrii. J. Informacje. Nauka. 34 (4), 605-621.
Torres-Sanchez, J., Lopez-Granados, F., Pena, JM, 2015. Automatyczna metoda obiektowa dla optymalnego progowania w obrazach UAV: aplikacja do wykrywania roślinności w uprawach zielnych. Komputer. Elektron. Rolnictwo. 114, 43–52. https://doi.org/10.1016/j.compag.2015.03.019.
Torres-Sanchez, ´ J., Lopez-Granados, ´ F., Serrano, N., Arquero, O., Pena, ˜ JM, Hassan, QK, 2015. Wysokoprzepustowy trójwymiarowy monitoring plantacji drzew rolniczych z Technologia bezzałogowego statku powietrznego (UAV). PLoS ONE 3 (10), e6.
Torres-Sanchez, ´ J., Pena, ˜ JM, de Castro, AI, Lopez-Granados, ´ F., 2014. Wieloczasowe mapowanie frakcji wegetacji we wczesnosezonowych polach pszenicy przy użyciu zdjęć z UAV. Komputer. Elektron. Rolnictwo. 103, 104–113. https://doi.org/10.1016/j. compag.2014.02.009.
Tsouros, DC, Bibi, S., Sarigiannidis, PG, 2019. Przegląd aplikacji opartych na UAV dla rolnictwa precyzyjnego. Informacje (Szwajcaria) 10 (11). https://doi.org/10.3390/info10110349.
Tu, Y.-H., Phinn, S., Johansen, K., Robson, A., Wu, D., 2020. Optymalizacja planowania lotu drona do pomiaru struktury upraw drzew ogrodniczych. ISPRS J. Fotogramm.
Remote Sens. 160, 83-96. https://doi.org/10.1016/j.isprsjprs.2019.12.006
Tzounis, A., Katsoulas, N., Bartzanas, T., Kittas, C., 2017. Internet of Things w rolnictwie, najnowsze postępy i przyszłe wyzwania. Biosyst. inż. 164, 31–48.
https://doi.org/10.1016/j.biosystemseng.2017.09.007.
Uddin, A., Singh, VK, Pinto, D., Olmos, I., 2015. Mapowanie scjentometryczne badań informatycznych w Meksyku. Naukometria 105 (1), 97-114.
ONZ., 2019. Perspektywy populacji świata 2019. https://population.un.org/wpp/ (dostęp 15).
Uto, K., Seki, H., Saito, G., Kosugi, Y., 2013. Charakterystyka pól ryżowych za pomocą miniaturowego systemu czujników hiperspektralnych montowanych na UAV. IEEE J. Sel. Top. Zał. Ziemia Obs.
Remote Sens. 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. Drony w
rolnictwo. Przysł. Agron. 162, 1–30.
Velusamy, P., Rajendran, S., Mahendran, RK, Naseer, S., Shafiq, M., Choi, J.-G., 2022.
Bezzałogowe statki powietrzne (UAV) w rolnictwie precyzyjnym: zastosowania i wyzwania. Energie 15 (1), 217. https://doi.org/10.3390/en15010217.
Ventura, D., Bonifazi, A., Gravina, MF, Belluscio, A., Ardizone, G., 2018. Mapowanie i klasyfikacja wrażliwych ekologicznie siedlisk morskich przy użyciu bezzałogowego statku powietrznego
Obrazowanie pojazdu (UAV) i obiektowa analiza obrazu (OBIA). Teledetekcja 10 (9), 1331. https://doi.org/10.3390/rs10091331.
Verger, A., Vigneau, N., Ch´eron, C., Gilliot, J.-M., Comar, A., Baret, F., 2014. Wskaźnik terenów zielonych z bezzałogowego systemu powietrznego nad uprawami pszenicy i rzepaku . Zdalny czujnik otoczenia. 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. Rozmieszczenie czterech optycznych czujników UAV na użytkach zielonych: wyzwania i
ograniczenia. Nauki biologiczne 12 (1), 163–175. https://doi.org/10.5194/bg-12-163-2015.
Vuran MC, Salam A., Wong R., Irmak S., 2018. Internet rzeczy podziemnych w rolnictwie precyzyjnym: aspekty architektury i technologii. Sieć ad hoc 81,
160-173. https://doi.org/10.1016/j.adhoc.2018.07.017.
Wamba, SF, Queiroz, MM, 2021. Odpowiedzialna sztuczna inteligencja jako tajny składnik cyfrowego zdrowia: analiza bibliometryczna, spostrzeżenia i kierunki badań.
Informacje. Syst. Przód. 1-16.
Wang, L., Zhang, G., Wang, Z., Liu, J., Shang, J., Liang, L., 2019. Analiza bibliometryczna trendu badań teledetekcyjnych w monitorowaniu wzrostu upraw: studium przypadku w Chinach. Teledetekcja 11 (7). https://doi.org/10.3390/rs11070809.
White, HD, Griffith, BC, 1981. Kocytacja autora: Literatura miara struktury intelektualnej. J. Am. Soc. Informacje. Nauka. 32 (3), 163–171.
Xiang, H., Tian, L., 2011. Opracowanie taniego rolniczego systemu teledetekcyjnego opartego na autonomicznym bezzałogowym statku powietrznym (UAV). Biosyst. inż. 108 (2), 174–190. https://doi.org/10.1016/j.biosystemseng.2010.11.010.
Xie, C., Yang, C., 2020. Przegląd cech fenotypowania roślin o wysokiej przepustowości przy użyciu czujników opartych na UAV. Komputer. Elektron. Rolnictwo. 178, 105731 https://doi.org/10.1016/j.
kompakt.2020.105731.
Yao, H., Qin, R., Chen, X., 2019. Bezzałogowy statek powietrzny do zastosowań teledetekcyjnych — recenzja. Teledetekcja 11 (12). https://doi.org/10.3390/
rs11121443.
Yeom, S., 2021. Śledzenie ruchu ludzi i usuwanie fałszywych śladów za pomocą obrazowania termowizyjnego w podczerwieni za pomocą wielowirnikowca. Drony 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. Porównanie estymacji parametrów upraw za pomocą obrazów z bezzałogowego statku powietrznego
migawkowy czujnik hiperspektralny i aparat cyfrowy o wysokiej rozdzielczości. Teledetekcja 10 (7), 1138. https://doi.org/10.3390/rs10071138.
Yue, J., Yang, G., Li, C., Li, Z., Wang, Y., Feng, H., Xu, B., 2017. Szacowanie nadziemnej biomasy pszenicy ozimej za pomocą bezzałogowego statku powietrznego- migawka na podstawie
czujniki hiperspektralne i ulepszone modele wysokości upraw. Teledetekcja 9 (7). https://doi.org/10.3390/rs9070708.
Zahawi, RA, Dandois, JP, Holl, KD, Nadwodny, D., Reid, JL, Ellis, EC, 2015. Wykorzystanie lekkich bezzałogowych statków powietrznych do monitorowania odzyskiwania lasów tropikalnych. Biol.
Zachowaj. 186, 287-295. https://doi.org/10.1016/j.biocon.2015.03.031. Zamora-Izquierdo, MA, Santa, J., Martínez, JA, Martínez, V., Skarmeta, AF, 2019.
Platforma Smart Farming IoT oparta na przetwarzaniu brzegowym i w chmurze. Biosyst. inż. 177,
4-17.
Zarco-Tejada, PJ, Diaz-Varela, R., Angileri, V., Loudjani, P., 2014. Kwantyfikacja wysokości drzewa przy użyciu obrazów o bardzo wysokiej rozdzielczości uzyskanych z bezzałogowej anteny
pojazd (UAV) i automatyczne metody fotorekonstrukcji 3D. Eur. J. Agron. 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. Oparte na obrazach fenotypowanie intensywności kwitnienia w uprawach w sezonie zimowym. Czujniki 20 (5), 1450. https://doi.org/10.3390/s20051450.
Zhang, C., Kovacs, JM, 2012. Zastosowanie małych bezzałogowych systemów latających w rolnictwie precyzyjnym: przegląd. Streszczać. Rolnictwo. 13 (6), 693–712. https://doi.org/
10.1007/s11119-012-9274-5.
Zhang, L., Zhang, H., Niu, Y., Han, W., 2019. Mapowanie stresu wodnego kukurydzy na podstawie wielospektralnej teledetekcji UAV. Teledetekcja 11 (6), 605.
Zhang, X., Han, L., Dong, Y., Shi, Y., Huang, W., Han, L., Gonz´alez-Moreno, P., Ma, H., Ye, H., Sobeih , T., 2019. Oparte na głębokim uczeniu podejście do automatycznej żółtej rdzy
wykrywanie chorób na podstawie hiperspektralnych obrazów UAV o wysokiej rozdzielczości. Teledetekcja 11 (13), 1554.
Zhao, X., Zhang, J., Huang, Y., Tian, Y., Yuan, L., 2022. Wykrywanie i dyskryminacja chorób i stresu owadów roślin herbacianych przy użyciu obrazowania hiperspektralnego w połączeniu z analizą falkową. Komputer. Elektron. Rolnictwo. 193, 106717 https://doi.org/10.1016/j. compag.2022.106717.
Zheng, A., Wang, M., Li, C., Tang, J., Luo, B., 2022. Adaptacja domeny kontradyktoryjnej sterowanej entropią dla segmentacji semantycznej obrazu lotniczego. IEEE Trans. G
Zheng, H., Cheng, T., Yao, X., Deng, X., Tian, Y., Cao, W., Zhu, Y., 2016. Wykrywanie fenologii ryżu poprzez analizę szeregów czasowych naziemnych widm dane indeksowe. Uprawy polowe Res. 198, 131–139. https://doi.org/10.1016/j.fcr.2016.08.027.
Zheng, J., Yang, W., 2018. Projekt systemu wysiewu wycieków w rolnictwie precyzyjnym opartego na czujnikach bezprzewodowych. wewn. J. Online inż. 14 (05), 184.
Zhou, L., Gu, X., Cheng, S., Yang, G., Shu, M., Sun, Q., 2020. Analiza zmian wysokości roślin wyleganej kukurydzy z wykorzystaniem danych UAV-LiDAR. Rolnictwo 10 (5), 146. https://
doi.org/10.3390/agriculture10050146.
Zhou, S., Chai, X., Yang, Z., Wang, H., Yang, C., Sun, T., 2021. Maize-IAS: oprogramowanie do analizy obrazu kukurydzy wykorzystujące uczenie głębokie do wysokowydajnego fenotypowania roślin . Metody roślinne 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. Przewidywanie plonu ziarna w ryż z wykorzystaniem roślinności wieloczasowej
indeksy z obrazów wielospektralnych i cyfrowych opartych na UAV. ISPRS J. Fotogramm. Remote Sens. 130, 246–255. https://doi.org/10.1016/j.isprsjprs.2017.05.003.
Zhou, Y., Xie, Y., Shao, L., 2016. Symulacja podstawowej technologii systemu monitorowania szklarni opartego na bezprzewodowej sieci czujników. wewn. J. Online inż. 12 (05),
43.
Zhou, Z., Majeed, Y., Diverres Naranjo, G., Gambacorta, EMT, 2021. Ocena stresu wodnego upraw za pomocą obrazowania termowizyjnego w podczerwieni w rolnictwie precyzyjnym: przegląd
i perspektywy na przyszłość dla zastosowań głębokiego uczenia się. Komputer. Elektron. Rolnictwo. 182, 106019 https://doi.org/10.1016/j.compag.2021.106019.