Abderahman Rejeb a , Alireza Abdollahi b , Karim Rejeb c , Horst Treiblmaier d,
- a Juhtimise ja õiguse osakond, majandusteaduskond, Rooma ülikool Tor Vergata, Via Columbia, 2, Rooma 00133, Itaalia
- b Kharazmi ülikooli juhtimisteaduskonna ärijuhtimise osakond, 1599964511 Teheran, Iraan
- c Bizerte teaduskond, Carthage ülikool, Zarzouna, 7021 Bizerte, Tuneesia
- d Rahvusvahelise juhtimise kool, Modul University Viin, Am Kahlenberg 1, 1190 Viin, Austria
ARTIKLI INFO | ABSTRACT |
Märksõnad: Drones UAV Täppispõllumajandus Asjade Internet Bibliomeetria | Droonid, mida nimetatakse ka mehitamata õhusõidukiteks (UAV), on viimastel aastakümnetel olnud märkimisväärse arengu tunnistajaks. Põllumajanduses on nad muutnud põllumajandustavasid, pakkudes põllumeestele olulist kulude kokkuhoidu, suurenenud tegevuse tõhusust ja paremat kasumlikkust. Viimastel aastakümnetel on põllumajandusdroonide teema olnud äratas tähelepanuväärset akadeemilist tähelepanu. Seetõttu viime läbi põhjaliku ülevaate, mis põhineb bibliomeetriatel võtta kokku ja struktureerida olemasolevat akadeemilist kirjandust ning paljastada praeguseid uurimissuundi ja levialasid. Meie rakendada bibliomeetrilisi võtteid ja analüüsida põllumajandusdroone ümbritsevat kirjandust, et teha kokkuvõtteid ja hinnata varasemaid uuringuid. Meie analüüs näitab, et kaugseire, täppispõllumajandus, süvaõpe, masinõpe ja asjade internet on põllumajanduslike droonidega seotud kriitilised teemad. Kaastsiteerimine analüüs paljastab kirjanduses kuus laia uurimisrühma. Käesolev uurimus on üks esimesi katseid teha kokkuvõte drooniuuringutest põllumajanduses ja soovitada edasisi uurimissuundi. |
Sissejuhatus
Põllumajandus on maailma peamine toiduallikas (Friha et al., 2021) ja see on seisnud silmitsi tõsiste väljakutsetega, mis on tingitud
suurenev nõudlus toiduainete järele, toiduohutus ja julgeolekuprobleemid, samuti nõuded keskkonnakaitse, vee säilitamise ja
jätkusuutlikkus (Inoue, 2020). Prognooside kohaselt see areng jätkub, kuna maailma rahvaarv ulatub 9.7. aastaks hinnanguliselt 2050 miljardini
(2019). Kuna põllumajandus on kõige silmapaistvam näide veetarbimisest kogu maailmas, eeldatakse, et nõudlus toidu ja vee järele
tarbimine kasvab lähitulevikus järsult. Lisaks kasvab väetiste ja pestitsiidide tarbimine
koos põllumajandustegevuse intensiivistamisega võivad tulevikus tekkida keskkonnaprobleemid. Samamoodi on haritav maa piiratud ja
põllumeeste arv maailmas väheneb. Need väljakutsed rõhutavad vajadust uuenduslike ja jätkusuutlike põllumajanduslahenduste järele (Elijah
jt, 2018; Friha jt, 2021; Inoue, 2020; Tzounis et al., 2017).
Uute tehnoloogiate kaasamine on nende väljakutsete lahendamisel paljulubav lahendus. Arukas põllumajandus (Brewster et al.,
2017; Tang et al., 2021) ja täppispõllumajandus (Feng et al., 2019; Khanna & Kaur, 2019) on esile kerkinud selliste arutelude tulemusena. The
endine on üldmõiste infokommunikatsioonitehnoloogiate (IKT) ja muude tipptasemel uuenduste kasutuselevõtuks põllumajandustegevuses, et suurendada tõhusust ja tõhusust (Haque et al., 2021). Viimane keskendub kohaspetsiifilisele majandamisele, mille käigus maa on jagatud
homogeensed osad ja iga osa saab uudsete tehnoloogiate abil saagikuse optimeerimiseks täpse põllumajandusliku sisendi (Feng et al., 2019; Khanna & Kaur, 2019). Tuntud tehnoloogiad, mis on selles valdkonnas teadlaste tähelepanu äratanud, on traadita andurite võrgud (WSN) (J. Zheng & Yang, 2018; Y. Zhou et al., 2016), asjade internet (IoT) (Gill et al., 2017; He et al., 2021; Liu jt, 2019),
tehisintellekti (AI) tehnikad, sealhulgas masinõpe ja süvaõpe (Liakos et al., 2018; Parsaeian et al., 2020; Shadrin jt,
2019), arvutustehnoloogiad (Hsu et al., 2020; Jinbo jt, 2019; Zamora-Izquierdo et al., 2019), suurandmed (Gill jt, 2017; Tantalaki
et al., 2019) ja plokiahel (PW Khan et al., 2020; Pincheira jt, 2021).
Lisaks ülalnimetatud tehnoloogiatele on kaugseiret peetud suure täiustamispotentsiaaliga tehnoloogiliseks vahendiks
tark ja täppispõllumajandus. Satelliidid, inimmeeskonnaga lennukid ja droonid on populaarsed kaugseiretehnoloogiad (Tsouros et al., 2019).
Droonid, rahvasuus tuntud kui mehitamata õhusõidukid (UAV), mehitamata õhusõidukisüsteemid (UAS) ja kaugjuhitavad õhusõidukid, on
suur tähtsus, kuna neil on võrreldes teiste kaugseiretehnoloogiatega mitmeid eeliseid. Näiteks droonid võivad toimetada
kvaliteetseid ja kõrge eraldusvõimega pilte pilvistel päevadel (Manfreda et al., 2018). Muu on ka nende kättesaadavus ja edastuskiirus
kasu (Radoglou-Grammatikis et al., 2020). Võrreldes lennukitega on droonid väga kuluefektiivsed ning neid on lihtne seadistada ja hooldada (Tsouros et al., 2019). Hoolimata sellest, et droone kasutati algselt peamiselt sõjalistel eesmärkidel, võivad need olla kasulikud paljudele tsiviilrakendustele, näiteks tarneahela juhtimisel (A. Rejeb, Rejeb et al., 2021a), humanitaarotstarbel (A. Rejeb, Rejeb jt, 2021c), tark põllumajandus, mõõdistamine ja kaardistamine, kultuuripärandi dokumenteerimine, katastroofide ohjamine ning metsade ja eluslooduse kaitse (Panday, Pratihast et al., 2020). Põllumajanduses on droonidel palju kasutusvaldkondi, kuna neid saab integreerida uudsete tehnoloogiate, arvutusvõimaluste ja pardal olevate anduritega, et toetada põllukultuuride majandamist (nt kaardistamine, seire, niisutamine, taimede diagnostika) (H. Huang et al., 2021) , katastroofide vähendamine, varajase hoiatamise süsteemid, eluslooduse ja metsanduse kaitse, kui nimetada vaid mõnda (Negash et al., 2019). Samamoodi saab droone kasutada mitmes põllumajandustegevuses, sealhulgas põllukultuuride ja kasvu jälgimisel, saagikuse hindamisel, veestressi hindamisel ning umbrohtude, kahjurite ja haiguste tuvastamisel (Inoue, 2020; Panday, Pratihast et al., 2020). Drone ei saa kasutada mitte ainult sensoorsete andmete põhjal jälgimiseks, hindamiseks ja tuvastamiseks, vaid ka täppisniisutamiseks ning umbrohu, kahjurite ja haiguste tõrjeks. Teisisõnu, droonid suudavad keskkonnaandmete põhjal vett ja pestitsiide pritsida täpsetes kogustes. Droonide eelised põllumajanduses on kokku võetud tabelis 1.
Droonide peamised eelised põllumajanduses.
Kasu | Viide(d) |
Täiustage ajalist ja ruumilist resolutsioonide tunnetamine | (Gago jt, 2015; Niu jt, 2020; Srivastava et al., 2020) |
Hõlbustada täppispõllumajandust | (L. Deng jt, 2018; Kalischuk jt, 2019; Maimaitijiang jt, 2017) |
Klassifikatsioon ja uurimine põllukultuuride | (Inoue, 2020; Kalischuk et al., 2019; Lopez-´ Granados jt, 2016; Maimaitijiang jt, 2017; Melville jt, 2019; Moharana ja Dutta, 2016) |
Väetise kasutamine | (L. Deng jt, 2018; Guan jt, 2019) |
Põua seire | (Fawcett et al., 2020; Panday, Pratihast jt, 2020; Su et al., 2018) |
Biomassi hindamine | (Bendig et al., 2014) |
Saagise hinnang | (Inoue, 2020; Panday, Shrestha jt, 2020; Tao et al., 2020) |
Katastroofide vähendamine | (Negash et al., 2019) |
Metsloomade kaitse ja metsandus | (Negash et al., 2019; Panday, Pratihast jt, 2020) |
Veestressi hindamine | (Inoue, 2020; J. Su, Coombes et al., 2018; L. Zhang jt, 2019) |
Kahjurid, umbrohud ja haigused avastamise | (Gaˇsparovi´c et al., 2020; Inoue, 2020; J. Su, Liu, jt, 2018; X. Zhang jt, 2019) |
Teisest küljest seisavad droonid silmitsi ka piirangutega. Pilootide kaasatus, mootori võimsus, stabiilsus ja töökindlus, andurite kvaliteet tänu kasulikule koormusele
kaalupiirangud, rakenduskulud ja lennundusregulatsioonid on nende hulgas (C. Zhang & Kovacs, 2012). Võrdleme puudusi
Tabelis 2 toodud kolmest mobiilsest kaugseiretehnoloogiast. Teised kaugseiretehnoloogiad, näiteks mullaandurid, ei ole selle uuringu fookuses.
Erinevate mobiilsete kaugseiretehnoloogiate puudused.
Kaugseire tehnoloogiate | Puudused | viited |
Droon (UAV) | Pilootide kaasamine; pildid" kvaliteet (keskmine); rakenduskulud (keskmised); stabiilsus, manööverdusvõime ja usaldusväärsus; standardimine; mootori võimsus; piiratud võimsus allikad (aku pikaealisus); piiratud lennu kestus, kokkupõrge ja küberrünnakud; piiratud kandevõime kaal; suured andmestikud ja piiratud andmetöötlus võimed; reguleerimise puudumine; asjatundlikkuse puudumine, kõrge sissepääs juurdepääsu tõkked põllumajanduslikud droonid; | (Bacco et al., 2018; Dawaliby jt, 2020; Hardin & Hardin, 2010; Hardin & Jensen, 2011; Lagkas jt, 2018; Laliberte jt, 2007; Laliberte & Rango, 2011; Manfreda jt, 2018, 2018; Nebiker et al., 2008; Puri jt, 2017; Velusamy et al., 2022; C. Zhang ja Kovacs, 2012) |
satelliit | perioodiline satelliidi levi, piiratud spektraalne eraldusvõime; haavatavus nähtavusprobleemide suhtes (nt pilved); Kättesaamatus ja madal edastuskiirus; orienteerumine ja vinjeteerimine mõjutab kulukaid ruumiandmeid kogumine; aeglane andmeedastus aega lõppkasutajatele | (Aboutalebi et al., 2019; Cen jt, 2019; Chen et al., 2019; Nansen ja Elliott, 2016; Panday, Pratihast, jt, 2020; Sai Vineeth et al., 2019) |
Aircraft | suured adopteerimiskulud; keeruline seadistamine; hoolduskulud; usaldusväärsete kättesaamatus lennukid, geomeetria pildid; ebaregulaarsed andmed omandamine; paindlikkuse puudumine; surmaga lõppenud õnnetused; anduri andmed vibratsioonist tingitud kõikumised; geograafilise viitamise probleemid | (Armstrong et al., 2011; Atkinson jt, 2018; Barbedo ja Koenigkan, 2018; Kovaljov ja Vorošilova, 2020; Suomalainen jt, 2013; Thamm jt, 2013) |
Põllumajanduses kasutatava multidistsiplinaarse ja mitmeotstarbelise tehnoloogiana on droone uuritud erinevatest vaatenurkadest. Näiteks on teadlased uurinud droonirakendusi põllumajanduses (Kulbacki et al., 2018; Mogili & Deepak, 2018), nende panust täppispõllumajandusse (Puri et al., 2017; Tsouros et al., 2019), nende vastastikust täiendavust teistega tipptehnoloogiad (Al-Thani et al., 2020; Dutta & Mitra, 2021; Nayyar et al., 2020; Saha jt, 2018) ning nende navigeerimis- ja tuvastusvõime täiustamise võimalused (Bareth et al. , 2015; Suomalainen jt, 2014). Kuna droonirakenduste uurimine põllumajanduses on muutunud valdavaks (Khan et al., 2021)), on vaja teha kokkuvõte olemasolevast kirjandusest ja paljastada valdkonna intellektuaalne struktuur. Lisaks tuleb pidevalt täiustatud kõrgtehnoloogilise valdkonnana läbi viia struktureeritud ülevaated, et teha perioodiliselt kokkuvõte olemasolevast kirjandusest ja teha kindlaks olulised uurimislüngad. To
kuupäeval on vähe ülevaateid, mis käsitlevad droonide rakendusi põllumajandussektoris. Näiteks Mogili ja Deepak (2018) vaatasid lühidalt droonide mõju põllukultuuride seirele ja pestitsiidide pritsimisele. Inoue (2020) teeb ülevaate satelliitide ja droonide kasutamisest kaugseires põllumajanduses. Autor uurib juhtumiuuringute ja parimate tavade põhjal nutika põllumajanduse kasutuselevõtu tehnoloogilisi väljakutseid ning satelliitide ja droonide panust. Tsouros et al. (2019) võtavad kokku erinevad droonitüübid ja nende peamised rakendused põllumajanduses, tuues välja erinevaid andmehõive ja -töötlusmeetodeid. Hiljuti on Aslan et al. (2022) viis läbi põhjaliku ülevaate UAV-rakendustest põllumajandustegevuses ja rõhutas kasvuhoones asuva UAV-i samaaegse lokaliseerimise ja kaardistamise olulisust. Diaz-Gonzalez et al. (2022) vaatas läbi hiljutised uuringud põllukultuuride saagi tootmise kohta, mis põhinevad erinevatel masinõppetehnikatel ja kaugjuhtimisel
sensorsüsteemid. Nende leiud näitasid, et mehitamata õhusõidukid on kasulikud pinnaseindikaatorite hindamiseks ja edestavad satelliidisüsteeme ruumilise eraldusvõime, teabe ajalisuse ja paindlikkuse osas. Basiri et al. (2022) tegi põhjaliku ülevaate erinevatest lähenemisviisidest ja meetoditest, et ületada täppispõllumajanduse kontekstis mitme rootoriga UAV-de teeplaneerimise väljakutseid. Veelgi enam, Awais et al. (2022) tegi kokkuvõtte UAV kaugseire andmete rakendamisest põllukultuuridel vee seisundi hindamiseks ja andis põhjaliku sünteesi UAV kaugseire tulevase suutlikkuse kohta raiskamisstressi rakendamisel. Lõpuks Aquilani et al. (2022) vaatasid läbi karjamaadel põhinevates karjakasvatussüsteemides kasutatavad eelviljelustehnoloogiad ja järeldasid, et mehitamata õhusõidukitega võimaldatud kaugseire on kasulik biomassi hindamiseks ja karja juhtimiseks.
Samuti on hiljuti teatatud püüdlustest kasutada UAV-sid kariloomade jälgimisel, jälgimisel ja kogumisel.
Kuigi need ülevaated annavad uusi ja olulisi teadmisi, ei leia kirjandusest ühtki terviklikku ja ajakohast bibliomeetrial põhinevat ülevaadet, mis kujutab endast selget teadmistelünka. Lisaks on väidetud, et kui teaduslik toodang teadusvaldkonnas kasvab, on teadlaste jaoks ülioluline kasutada kvantitatiivseid läbivaatamismeetodeid, et mõista valdkonna teadmiste struktuuri (Rivera & Pizam, 2015). Samamoodi Ferreira et al. (2014) väitsid, et kui uurimisvaldkonnad küpsevad ja muutuvad keerukaks, peaksid teadlased püüdma aeg-ajalt loodud ja kogutud teadmisi mõtestada, et paljastada uusi panuseid, tabada uurimistraditsioone ja suundumusi, teha kindlaks, milliseid teemasid uuritakse ning süveneda teadusuuringute teadmiste struktuuri. valdkond ja potentsiaalsed uurimissuunad. Kui Raparelli ja Bajocco (2019) viisid läbi bibliomeetrilise analüüsi, et uurida droonirakenduste teadmiste valdkonda põllumajanduses ja metsanduses, siis nende uurimuses võetakse arvesse ainult aastatel 1995–2017 avaldatud teadusuuringuid, mis ei kajasta selle kiiresti areneva valdkonna dünaamikat. Lisaks ei püüdnud autorid tuvastada valdkonna kõige mõjukamaid panuseid, koondada kirjandust ega hinnata intellektuaalset struktuuri kaastsiteerimise analüüsi abil. Selle tulemusena on vaja teha kokkuvõte kirjandusest, et paljastada praegused uurimispunktid, suundumused ja levialad.
Selle teadmistelünka täitmiseks kasutame droonide ja põllumajanduse ristumiskohas uurimise hetkeseisu uurimiseks kvantitatiivset metoodikat ja rangeid bibliomeetrilisi meetodeid. Väidame, et käesolev uuring annab olemasolevale kirjandusele mitmeid panuseid, uurides esilekerkivat tehnoloogiat, mida on põllumajanduses väga vaja, kuna see pakub tohutut potentsiaali selle sektori mitme aspekti muutmiseks. Põllumajanduslike droonide bibliomeetrilise analüüsi vajadust tajutakse veelgi, arvestades hajutatud ja killustatud teadmisi droonide kohta põllumajanduse kontekstis. Samamoodi tuleb põllumajandusdroone käsitlevat kirjandust süstemaatiliselt rühmitada, võttes arvesse kõige mõjukamaid uuringuid, mis sellele uurimisvaldkonnale aluse panevad. Analüüsi eeliseks on ka kirjanduses esindatud peamiste uurimisteemade selgitamine. Arvestades tehnoloogia ümberkujundamispotentsiaali, eeldame, et põhjalik võrguanalüüs annab uudseid teadmisi, määrates kindlaks mõjukad tööd ja paljastades teemad, mis puudutavad droonide potentsiaali põllumajanduses.
Seetõttu püüame saavutada järgmisi uurimiseesmärke:
- Mõjukate väljaannete tuvastamine, mis on silmapaistvalt panustanud droonirakendustesse põllumajanduse valdkonnas.
- Kirjanduse rühmitamine, uurimiskeskuste väljaselgitamine ja peamiste nn intellektuaalse struktuuri uuringute kaardistamine semantilise sarnasuse alusel kaastsiteerimise analüüsi abil.
- Arusaamine seoste ja tsiteerimisvõrgustike arengust aja jooksul erinevate valdkonna publikatsioonide vahel ning tulevaste uurimissuundade ja kuumade teemade tuvastamine.
Ülejäänud artikkel on üles ehitatud järgmiselt: 2. osas kirjeldatakse metoodikat ja andmete kogumise etappe; jaotises 3 on toodud analüüside tulemused; ja 4. osas käsitletakse järeldusi ning lõpetatakse teadusuuringute panuste, mõjude ja tulevikusuundadega.
Metoodika
Käesolevas uuringus viime läbi bibliomeetrilise analüüsi, et uurida droonirakendusi põllumajanduses. See kvantitatiivne lähenemine paljastab teadmiste valdkonna intellektuaalse struktuuri (Arora & Chakraborty, 2021) ning hetkeseisu, kuumad teemad ja tulevased uurimissuunad, mida saab seda meetodit kasutades uurida (Kapoor et al., 2018; Mishra et al. , 2017; A. Rejeb, Rejeb jt, 2021b; A. Rejeb jt, 2021d; MA Rejeb jt, 2020). Üldjuhul uurib bibliomeetriline analüüs olemasolevat kirjandust, et võtta kokku ja paljastada varjatud kirjaliku suhtluse mustrid ja distsipliini areng, tuginedes statistikale ja matemaatilistele meetoditele, ning see kehtib suurte andmekogumite puhul (Pritchard, 1969; Small, 1999; Tahai & Rigsby , 1998). Bibliomeetria abil püüame paremini mõista olemasolevaid paradigmasid ja uurimisfookuseid, mis panustavad sarnasuse alusel valdkonda (Thelwall, 2008). Bibliomeetria annab uusi teadmisi, mida toetab metoodika objektiivne kvantitatiivne tugevus (Casillas & Acedo, 2007). Paljud teadlased on varem viinud läbi bibliomeetrilisi uuringuid seotud valdkondades, sealhulgas põllumajanduses, kaugseires ja digitaalses transformatsioonis (Armenta-Medina et al., 2020; Bouzembrak et al., 2019; A. Rejeb, Treiblmaier jt, 2021; Wamba & Queiroz, 2021; Wang et al., 2019).
Tsitaadi analüüs
Tsitaatanalüüs paljastab erinevaid teadmisi antud uurimisvaldkonnast. Eelkõige aitab see välja tuua mõjukamad autorid ja publikatsioonid, kes antud uurimisvaldkonda panustavad ja oluliselt mõju avaldavad (Gundolf & Filser, 2013). Teiseks saab paljastada teadmusvoo ja autoritevahelised suhtlussidemed. Lõpuks, jälgides seoseid tsiteeritud ja tsiteeritud teoste vahel, saab uurida teadmiste valdkonna muutusi ja arengut aja jooksul (Pournader
et al., 2020). Väljaande kõrge viitearv peegeldab selle asjakohasust ja olulist panust uurimisvaldkonda (Baldi, 1998; Gundolf & Filser, 2013; Marinko, 1998). Väljaannete tsiteerimise analüüs aitab samuti tuvastada asjakohaseid teoseid ning jälgida nende populaarsust ja arengut ajas.
Dokumendi kaastsiteerimise analüüs
Kaastsiteerimise analüüs on väärtuslik meetod publikatsioonide vaheliste suhete uurimiseks ja valdkonna intellektuaalse struktuuri kujutamiseks (Nerur et al., 2008). Teisisõnu, tuvastades enim tsiteeritud publikatsioonid ja nende seosed, rühmitab meetod publikatsioonid eraldiseisvateks uurimisklastriteks, kus klastri publikatsioonid jagavad regulaarselt sarnaseid ideid (McCain, 1990; Small, 1973). Oluline on mainida, et sarnasus ei tähenda, et väljaannete järeldused on seda
ühtehoidvad ja üksteisega nõus; väljaanded kuuluvad teemade sarnasuse tõttu samasse klastrisse, kuid neil võib olla vastuolulisi seisukohti.
Andmete kogumine ja analüüs
White'i ja Griffithi (1981) pakutud metoodikat järgides teostasime ajakirjade artiklite põhjaliku otsingu, et hõlmata kogu droonirakenduste uurimisvaldkonda põllumajanduses, järgides järgmist viit sammu:
- Esimene samm oli andmete kogumine. Scopus valiti üheks kõige põhjalikumaks ja usaldusväärsemaks standardiseeritud tulemustega andmebaasiks. Leiti kõigi põllumajanduses droonirakendustega seotud publikatsioonide metaandmed. Seejärel analüüsisime valitud artikleid, eemaldades analüüsist teemavälised artiklid.
- Analüüsisime kirjandust ja selgitasime välja olulisemad uurimisvaldkonnas kasutatud märksõnad.
- Viitamise analüüsi kasutades uurisime autorite ja dokumentide vahelist seost, et paljastada aluseks olevad tsiteerimismustrid. Samuti selgitasime välja mõjukamad autorid ja väljaanded, kes on oluliselt panustanud põllumajandusdroonide valdkonda.
- Viisime läbi kaastsiteerimise analüüsi, et rühmitada sarnased väljaanded klastritesse.
- Lõpuks analüüsisime koostöövõrgustiku kujutamiseks seoseid ja seoseid riikide, institutsioonide ja ajakirjade vahel.
Sobivate otsinguterminite tuvastamine
Andmete koondamiseks kasutasime järgmisi otsingustringe: (droon* VÕI “mehitamata õhusõiduk” VÕI uav* VÕI “mehitamata õhusõidukisüsteem”VÕI uas VÕI „kaugjuhitav õhusõiduk”) JA (põllumajandus VÕI põllumajandus VÕI põllumajandus VÕI põllumees). Otsing viidi läbi septembris 2021. Droonidel on mitu nimetust, sealhulgas UAV, UAS ja kaugjuhitavad õhusõidukid (Sah et al., 2021). Põllumajandusega seotud konkreetsed otsinguterminid selgitati välja Abdollahi jt uuringu põhjal. (2021). Selguse ja läbipaistvuse huvides on täpne päring, mida kasutasime, toodud lisas 1. Pärast andmete puhastamise protsessi lõime tekstifaili, mis seejärel laaditi BibExceli, mis on levinud tsiteerimise ja kaastsiteerimise analüüsi tööriist. See tööriist pakub ka lihtsat suhtlemist muu tarkvaraga ja pakub märkimisväärset vabadust andmete töötlemisel ja analüüsimisel. Leidude visualiseerimiseks ja bibliomeetriliste võrkude genereerimiseks kasutati VOSvieweri versiooni 1.6.16 (Eck & Waltman, 2009). VOSviewer pakub mitmesuguseid intuitiivseid visualiseerimisvõimalusi, eriti bibliomeetriliste kaartide analüüsimiseks (Geng et al., 2020). Lisaks aitab see pakkuda lihtsaid visuaalseid tulemusi, mis aitavad tulemusi paremini mõista (Abdollahi et al., 2021). Eespool kirjeldatud otsingustringe rakendades kogusime ja salvestasime kõik asjakohased väljaanded. Esimesed otsingutulemused andsid kokku 5,085 dokumenti. Valitud valimi kvaliteedi tagamiseks võeti uurimistöös arvesse ainult eelretsenseeritud ajakirjaartikleid, mistõttu jäeti välja muud dokumendiliigid, nagu raamatud, peatükid, konverentsikogumikud ja toimetuse märkmed. Sõelumisprotsessi käigus filtreeriti välja ebaolulised (st väljaspool käesoleva töö ulatust), üleliigsed (st topeltindekseerimisest pärinevad duplikaadid) ja mitteingliskeelsed väljaanded. Selle protsessi tulemusena kaasati lõppanalüüsi 4,700 dokumenti.
Leiud ja arutelu
Alustuseks analüüsisime väljaannete arengut praeguses põllumajandusdroone käsitlevas kirjanduses. Teadusuuringute ajaline jaotus on näidatud joonisel 1. Alates 2011. aastast näeme publikatsioonide kiiret kasvu (30 publikatsiooni); seetõttu otsustasime jagada analüüsiperioodi kaheks erinevaks etapiks. Me nimetame ajavahemikku 1990–2010 kui ülesehitamisetappi, kus aastas avaldati ligikaudu seitse artiklit. 2010. aasta järgset perioodi on nimetatud kasvuetapiks, kuna droonirakenduste uurimine põllumajanduses näitas sel perioodil eksponentsiaalset tõusu. Publikatsioonide arvu kasv kinnitab pärast 2010. aastat teadlaste kasvavat huvi, mis peegeldab ka seda, et droone on rakendatud kaugseires ja kasutatud täppispõllumajanduses (Deng et al., 2018; Maes & Steppe, 2019; Messina & Modica, 2020 ). Täpsemalt kasvas väljaannete arv 108-lt 2013. aastal 498-le 2018. aastal ja jõudis tipptasemeni 1,275-ni 2020. aastal. 935. aasta jaanuarist septembri keskpaigani avaldati kokku 2021 artiklit. Seejärel otsustasime keskenduda oma analüüsis rohkem kasvuetapile. kuna see periood peegeldab põllumajanduslike droonide kõige uuemaid ja olulisemaid peensusi.
Märksõnade analüüs
Märksõnad, mille autorid väljaande jaoks valivad, mõjutavad oluliselt seda, kuidas artikkel on esindatud ja kuidas seda teadusringkondades edastatakse. Nad määravad kindlaks uurimistöö võtmeobjektid ja määravad kindlaks selle potentsiaali õitseda või ebaõnnestuda (Day & Gastel, 1998; Kim et al., 2016; Uddin et al., 2015). Märksõnade analüüs, tööriist laiemate uurimissuundade ja -suundade paljastamiseks, viitab kõigi seotud väljaannete märksõnade koostamisele domeenis (Dixit & Jakhar, 2021). Käesolevas uuringus jagasime koondatud märksõnad kahte rühma (st kuni aastani 2010 ja 2011–2021), et uurida kõige populaarsemaid teemasid. Seda tehes saame jälgida mõlema komplekti olulisi märksõnu ja tagada, et oleme kogunud kõik vajalikud andmed. Iga komplekti kümme parimat märksõna on esitatud tabelis 3. Ebakõlad kõrvaldasime semantiliselt identsete märksõnade, nagu „droon” ja „droons” või sarnaselt „asjade internet” ja „asjade internet” liitmise teel.
Tabel 3 näitab, et "mehitamata õhusõiduk" on mõlemal ajaperioodil sagedamini kasutatav märksõna kui "droon" ja "mehitamata õhusüsteem". Samuti on "kaugseire", "täppispõllumajandus" ja "põllumajandus" mõlemal perioodil kõrgel kohal. Esimesel perioodil oli "täppispõllumajandus" viiendal kohal ja teisel perioodil teine, mis illustreerib, kuidas droonid muutuvad täppispõllumajanduse saavutamisel üha olulisemaks, kuna need võimaldavad jälgida,
tuvastus- ja hindamispraktikad on kiiremad, odavamad ja hõlpsamini teostatavad võrreldes teiste kaugseire ja maapealsete süsteemidega. Samuti saavad nad vajaduse korral pihustada täpse koguse sisendit (nt vett või pestitsiide) (Guo et al., 2020; Inoue, 2020; Panday, Pratihast jt, 2020).
Kõige sagedamini kasutatavate märksõnade loend.
auaste | 1990-2010 | Nr esinemised | 2011-2021 | Nr esinemised |
1 | mehitamata õhust sõiduk | 28 | mehitamata õhusõiduk | 1628 |
2 | kaugseire | 7 | täpsus põllumajandus | 489 |
3 | põllumajandus | 4 | kaugseire | 399 |
4 | õhus | 4 | undamine | 374 |
5 | täpsus põllumajandus | 4 | mehitamata õhusüsteem | 271 |
6 | mehitamata õhust | 4 | põllumajandus | 177 |
7 | hüperspektraalne andur | 3 | sügav õpe | 151 |
8 | tehisnärvi võrgustikud | 2 | masin õppimine | 149 |
9 | autonoomne lend | 2 | taimestik indeks | 142 |
10 | kohv | 2 | Internet of Asjad | 124 |
Veel üks huvitav omadus on täiendavate tehnoloogiate olemasolu. Esimeses etapis on “hüperspektraalne andur” ja “kunstlikud närvivõrgud” (ANN) märksõnade esikümne hulgas. Hüperspektraalne pildistamine muutis traditsioonilise pildistamise revolutsiooni, kogudes tohutul hulgal erinevatel lainepikkustel pilte. Seda tehes saavad andurid samaaegselt koguda paremat ruumilist ja spektraalset teavet võrreldes multispektraalse pildistamise, spektroskoopia ja RGB kujutisega (Adao ˜ et al.,
2017). "ANN" esinemine esimeses ja "sügav õppimine" (DL) ja "masinõpe" (ML) teises etapis viitavad sellele, et enamik avaldatud töödest keskendus AI-tehnikate potentsiaali uurimisele droonide jaoks. põhinev põllumajandus. Kuigi droonid on võimelised iseseisvalt lendama, nõuavad nad siiski piloodi kaasamist, mis tähendab seadme madalat intelligentsust. Selle probleemi saab aga lahendada tänu tehisintellekti tehnikate edenemisele, mis võib pakkuda paremat olukorrateadlikkust ja autonoomset otsustustuge. Tehisintellektiga varustatud droonid suudavad vältida kokkupõrkeid navigeerimise ajal, parandada pinnase ja põllukultuuride majandamist (Inoue, 2020) ning vähendada inimeste tööjõudu ja stressi (BK Sharma et al., 2019).
Tänu oma paindlikkusele ja võimele käsitleda tohutul hulgal mittelineaarseid andmeid, on AI-tehnikad sobivad meetodid droonide ja muude kaugseire- ja maapealsete süsteemide edastatud andmete analüüsimiseks prognoosimiseks ja otsuste tegemiseks (Ali et al., 2015; Inoue, 2020). Lisaks näitab asjade Interneti olemasolu teisel perioodil selle tärkavat rolli põllumajanduses. IoT muudab põllumajandust revolutsiooniliseks, ühendades omavahel teisi tehnoloogiaid, sealhulgas droonid, ML, DL, WSN-id ja suurandmed. IoT juurutamise üks peamisi eeliseid on selle võime tõhusalt ja tulemuslikult liita erinevaid ülesandeid (andmete hankimine, andmete analüüs ja töötlemine, otsuste tegemine ja juurutamine) peaaegu reaalajas (Elijah et al., 2018; Feng et al. , 2019; Muangprathub et al., 2019). Lisaks peetakse droone tõhusaks vahendiks taimestiku elujõu ja taimestiku omaduste arvutamiseks vajalike andmete kogumiseks (Candiago et al., 2015). Joonised fig 2a ja 2b illustreerivad mõlema ajaperioodi märksõnade koosesinemise võrke.
Mõjukad autorid
Selles jaotises määrame kindlaks mõjukad autorid ja uurime, kuidas autorite viitamise võrgustikud saavad praegust kirjandust visualiseerida ja korrastada. Joonisel 3 on kujutatud kõigi suurima tsitaatide arvuga teadlaste kronoloogiline ülekate. Värviskaala peegeldab autorite tsitaatide aastapõhist varieerumist. Uurime põllumajandusdroonide kohta uuringuid avaldanud teadlaste tsiteerimisstruktuuri, kasutades selleks minimaalselt 50 tsitaadi ja kümne publikatsiooni künnist. Otsas
12,891 115 autorit, ainult 4 vastas sellele tingimusele. Tabelis 1,963 on loetletud kümme kõige olulisemat autorit, mis on järjestatud tsitaatide maksimaalse arvu järgi. Lopez-Granados F. juhib edetabelit 1,909 viitega, järgneb Zarco-Tejada PJ XNUMX viitega.
Enim viidatud autorite nimekiri.
Edetabel | autor | Tsitaadid |
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 |
Kui rääkida üksikutest väljaannetest, siis Zhangi ja Kovacsi (2012) artikkel on olnud ajakirjas Precision Agriculture avaldatud uurimustest enim viidatud. Siin vaatasid autorid UAS-i rakendamist täppispõllumajanduses. Nende uurimistöö tulemused viitavad sellele, et põllumeestele usaldusväärsete lõpptoodete pakkumiseks on vaja edendada platvormi kavandamist, tootmist, kujutiste georefereerimise standardimist ja teabeotsingu töövoogu. Lisaks soovitavad nad põllumajandustootjat tugevamalt kaasata, eriti põlluplaneerimise, pildistamise, samuti andmete tõlgendamise ja analüüsimisega. Oluline on see, et see uuring oli esimeste seas, mis näitas UAV tähtsust põldude kaardistamisel, elujõu kaardistamisel, kemikaalide sisalduse mõõtmisel, taimestiku stressi jälgimisel ja väetiste mõju hindamisel taimede kasvule. Tehnoloogiaga seotud väljakutsete hulka kuuluvad ka ülemäärased kulud, andurite võimekus, platvormi stabiilsus ja töökindlus, standardimise puudumine ja järjekindel protseduur tohutute andmemahtude analüüsimiseks.
Tsitaadi analüüs
Tsiteerimise analüüs esindab artiklite mõju uurimist, ehkki voogudele kalduvat (nt tsiteerimise eelarvamus, enesetsiteerimine) peetakse üheks standardseks mõju hindamise vahendiks (Osareh, 1996; A. Rejeb et al., 2022; Sarli jt, 2010). Tsitaadid peegeldavad ka paberite panuse tähtsust ja elujõudu konkreetset teemat käsitlevasse kirjandusse (R. Sharma et al., 2022). Tegime viiteanalüüsi, et selgitada välja kõige mõjukamad uuringud põllumajanduslike droonide kohta ja tegime sisu kokkuvõtte. Tabelis 5 on toodud viieteistkümne kõige mõjukama paberi loetelu perioodide 1990–2010 ja 2011–2021 kohta. Berni jt artiklid. (2009)b ja Austin (2010) on enim viidatud aastatel 1990 ja 2010, vastavalt 831 ja 498 tsitaadiga. Berni et al. (2009) b illustreeris potentsiaali välja töötada kvantitatiivseid kaugseiretooteid helikopteripõhise UAV-i kaudu, mis on varustatud taskukohaste termiliste ja kitsaribaliste multispektraalsete pildianduritega. Võrreldes traditsiooniliste mehitatud õhuanduritega on põllumajanduses mõeldud odav UAV-süsteem võimeline saavutama põllukultuuride biofüüsikaliste parameetrite võrreldavaid hinnanguid, kui mitte paremaid. Taskukohane hind ja toimimispaindlikkus koos suure spektraalse, ruumilise ja ajalise eraldusvõimega, mis on saadaval kiirel pöördeajal, muudavad UAV-d sobivaks paljude rakenduste jaoks, mis nõuavad ajakriitilist juhtimist, sealhulgas niisutusplaani koostamine ja täppispõllumajandus. Berni et al. (2009) b on kõrgelt tsiteeritud, kuna see integreeris tõhusalt mehitamata pöörleva tiivaplatvormi ning digitaalsed ja termilised andurid koos põllumajandusrakenduste jaoks vajalike kalibreerimismehhanismidega. Teine enim tsiteeritud väljaanne on raamat, mille autor on Austin (2010), mis käsitles mehitamata õhusõidukeid disaini, arenduse ja kasutuselevõtu vaatenurgast. Põllumajanduses toetavad mehitamata õhusõidukid põllukultuuride seiret, avastades haigused varakult läbi põllukultuuride värvimuutuste, hõlbustades põllukultuuride külvamist ja pritsimist ning jälgides ja ajades karja.
Sullivani jt uuringud. (2007), Lumme jt. (2008) ja Gokto ¨ ǧan et al. (2010) lõpetavad viieteistkümne enimtsiteeritud artikli nimekirja. Need artiklid illustreerivad UAV-põhiste süsteemide arendamist põllumajanduse toetamiseks. Nad pakuvad lahendusi erinevatele probleemidele, nagu põllukultuuride jälgimine ja skaneerimine, umbrohu jälgimine ja haldamine ning otsuste tugi. Samuti soovitavad ja arutavad nad UAV võimet suurendada proovide võtmise tõhusust ja aidata põllumajandustootjatel välja töötada täpsed ja tõhusad
istutusstrateegiad. Berni on koostanud kaks artiklit (Berni et al., 2009b; Berni et al., 2009a), rõhutades tema olulist mõju droonidega seotud põllumajandusuuringutele. Zarco-Tejada et al. (2014) on olnud üks teedrajavaid uuringuid, mis illustreerivad vajadust kasutada puude kõrguse kvantifitseerimisel odavaid UAV-pilte.
Enim viidatud väljaannete loend.
auaste | Alates 1990 et 2010 | Alates 2011 et 2021 | ||
Dokument | Viide | Dokument | Viide | |
1 | (Berni et al., 2009b) | 831 | (C. Zhang ja Kovacs, 2012) | 967 |
2 | (Austin, 2010) | 498 | (Nex ja Remondino, 2014) | 893 |
3 | (Hunt et al., 2010) | 331 | (Floreano & Wood, 2015) | 552 |
4 | (SR Herwitz et al., 2004) | 285 | (Hossein Motlagh et al., 2016) | 391 |
5 | (CCD Lelong et al., 2008) | 272 | (Shakhatreh et al., 2019) | 383 |
6 | (Berni et al., 2009b) | 250 | (Ma jt, 2017) | 373 |
7 | (Grenzdorffer ¨ et al., 2008) | 198 | (Bendig et al., 2014) | 360 |
8 | (Hrabar et al., 2005) | 175 | (Zarco-Tejada et al., 2014) | 347 |
9 | (Y. Huang et al., 2009) | 129 | (Ad˜ ao jt, 2017) | 335 |
10 | (Schmale III et al., 2008) | 119 | (Honkavaara et al., 2013a) | 331 |
11 | (Abd-Elrahman et al., 2005) | 79 | (Candiago et al., 2015) | 327 |
12 | (Techy et al., 2010) | 69 | (Xiang ja Tian, 2011) | 307 |
13 | (Sullivan et al., 2007) | 51 | (Matese et al., 2015) | 303 |
14 | (Lumme jt, 2008) | 42 | (Gago jt, 2015) | 275 |
15 | (Gokto ¨ ǧan et al., 2010) | 40 | (Aasen et al., 2015a) | 269 |
Teisel perioodil (2011–2021) andsid Zhangi ja Kovacsi (2012) ning Nexi ja Remondino (2014) uuringud tulemuseks kõige sagedamini tsiteeritud publikatsioonid. Zhang ja Kovacs (2012) väidavad, et täppispõllumajandus võiks kasu saada georuumiliste tehnikate ja andurite (nt geograafilised infosüsteemid, GPS ja kaugseire) rakendamisest, et tabada põllul esinevaid erinevusi ja käsitleda neid alternatiivsete strateegiate abil. Täppispõllumajanduse mängu muutjana on droonide kasutuselevõtt kuulutanud kaugseires uut ajastut, lihtsustades õhuvaatlust, jäädvustades põllukultuuride kasvuandmeid, mullatingimusi ja pritsimisalasid. Zhangi ja Kovacsi (2012) ülevaade on oluline, kuna see annab ülevaate mehitamata õhusõidukitest, paljastades nende seadmete olemasolevad kasutusalad ja väljakutsed keskkonnaseires ja täppispõllumajanduses, nagu platvormide ja kaamerate piirangud, andmetöötluse väljakutsed, põllumeeste kaasamine ja lennunduseeskirjad. . Teine
enimtsiteeritud Nexi ja Remondino uurimus (2014) vaatles UAV-de tehnika taset maapiltide jäädvustamiseks, töötlemiseks ja analüüsimiseks.
Nende töö esitas ka ülevaate mitmetest UAV-platvormidest, rakendustest ja kasutusjuhtudest, tutvustades uusimaid edusamme UAV-pilditöötluses. Põllumajanduses saaksid põllumehed kasutada mehitamata õhusõidukeid, et teha tõhusaid otsuseid, et saavutada kulude ja aja kokkuhoid, saada kiiret ja täpset kahjude arvestust ning ennetada võimalikke probleeme. Erinevalt tavapärastest õhuplatvormidest võivad mehitamata õhusõidukid vähendada tegevuskulusid ja vähendada juurdepääsu ohtu karmidesse kohtadesse, säilitades samas suure täpsuse potentsiaali. Nende artikkel võtab kokku UAV-de erinevad eelised, eriti täpsuse ja eraldusvõime osas.
Ülejäänud kolmeteistkümnest enimtsiteeritud väljaandest aastatel 2011–2021 märkasime suuremat kontsentratsiooni droonirakendustega pildistamismissioonides (Bendig et al., 2014; Ma et al., 2017; Zarco-Tejada jt, 2014). , täppispõllumajandus (Candiago et al., 2015; Honkavaara et al., 2013a), täppisviinakasvatus (Matese et al., 2015), veestressi hindamine (Gago et al., 2015) ja taimkatte seire (Aasen et al. , 2015a). Esimestel aastatel keskendusid teadlased
rohkem odavate, kergete ja täpsete UAV-põhiste süsteemide väljatöötamise kohta põllumajanduses; Uuemad uuringud on keskendunud rohkem UAV-rakenduste ülevaadetele põllumajanduses ja põldmõõtmises. Kokkuvõttes näitab see analüüs, et mõjukad väljaanded on enamasti andnud ülevaate varasematest uuringutest, et hinnata mehitamata õhusõidukite praegust teaduslikku ja tehnoloogilist seisundit, ning arendanud UAV-süsteeme täppispõllumajanduse toetamiseks. Huvitaval kombel ei leidnud me empiirilisi uuringuid
metoodikaid või kirjeldavaid juhtumiuuringuid, mis kujutab endast märkimisväärset teadmistelünka ja nõuab selle teema kohta rohkem uurimistööd.
Kaastsiteerimise analüüs
Gmüri (2006) järgi tuvastab kaastsiteerimise analüüs sarnased väljaanded ja rühmitab need. Klastri hoolikas uurimine võib paljastada publikatsioonide hulgas ühise uurimisvaldkonna. Uurime põllumajandusdroone käsitleva kirjanduse kaastsiteerimist, et illustreerida seotud teemavaldkondi ja tuvastada väljaannete intellektuaalseid mustreid. Sellega seoses soovitas Small (1973) kõige mõjukamate ja põhjapanevamate uuringute uurimiseks kasutada kotsitatsioonianalüüsi.
distsipliini piires. Piiramaks komplekti kõige olulisemate artiklitega (Goyal & Kumar, 2021), seadsime kaastsiteerimise künniseks 25, mis tähendab, et 25 või enama erineva väljaande viidete loendis peavad olema kaks artiklit koos tsiteeritud. Klastrite moodustamine viidi läbi ka minimaalse klastri suurusega 1 ja ilma meetodita väiksemate klastrite ühendamiseks suurematega. Selle tulemusena loodi uuringute sarnasuse ja nende intellektuaalse struktuuri alusel kuus klastrit. Tabelis 6 on näidatud publikatsioonide jaotus igas klastris.
1. klaster: see klaster sisaldab kaheksateist dokumenti, mis avaldati pärast Selle klastri väljaannetes käsitletakse droonide rolli keskkonnaseire, põllukultuuride ja umbrohutõrje toetamisel. Näiteks Manfreda et al. (2018) annavad ülevaate praegustest UAV-de uuringutest ja rakendustest loodusliku põllumajanduse ökosüsteemide seires ning väidavad, et tehnoloogia pakub tohutut potentsiaali keskkonnaseire drastiliseks tõhustamiseks ja vähendamiseks.
olemasolev lõhe välivaatluse ning tavapärase õhu- ja kosmosekaugseire vahel. Seda saab teha, pakkudes taskukohasel viisil uut võimsust täiustatud ajalise otsingu ja ruumilise ülevaate saamiseks suurtele aladele. UAV-d suudavad pidevalt keskkonda tajuda ja saadavad andmed intelligentsetele, tsentraliseeritud/detsentraliseeritud üksustele, mis juhivad andureid, et tuvastada võimalikke probleeme, nagu haiguse või vee tuvastamise puudumine (Padua ´ et al., 2017). Adao ˜ et al. (2017) väidavad, et mehitamata õhusõidukid sobivad ideaalselt taimede tingimuste hindamiseks, kogudes tohutul hulgal toorandmeid, mis on seotud vee seisundi, biomassi hindamise ja elujõulisuse hindamisega. UAV-le kinnitatud andureid saab ka õigetes keskkonnatingimustes kiiresti kasutusele võtta, et võimaldada kaugseireandmete õigeaegset kogumist (Von Bueren et al., 2015). UAV-de abil saavad põllumehed teostada sisepõllumajandustegevust, hankides mõõtmisi praktiliselt igast kohast siseruumides (nt kasvuhoonetes) kolmemõõtmelises ruumis, tagades seeläbi kohaliku kliimakontrolli ja taimeseire (Roldan ´ et al. ., 2015). Täpsuse kontekstis
põllumajandus, põllukultuuride majandamise otsused nõuavad täpseid ja usaldusväärseid põllukultuuride andmeid sobiva ajalise ja ruumilise eraldusvõimega (Gebbers & Adamchuk, 2010; Gevaert et al., 2015; Maes & Steppe, 2019). Sel põhjusel on Agüera Vega et al. (2015) kasutas UAV-le paigaldatud multispektraalsensorite süsteemi, et saada pilte päevalillesaagist kasvuperioodil. Samamoodi Huang et al. (2009) märgivad, et mehitamata õhusõidukitel põhinev kaugseire võib hõlbustada põllukultuuride ja pinnase mõõtmist kogutud spektriandmete põhjal. Verger et al. (2014) töötasid välja ja katsetasid tehnikat haljasala indeksi (GAI) hindamiseks UAV peegeldusmõõtmiste põhjal täppispõllumajanduse rakendustes, keskendudes nisu- ja rapsikultuuridele. Seetõttu pakuvad droonid sagedaste korduskülastuste ja kõrge ruumilise eraldusvõimega uusi võimalusi saagi seisundi teabe hankimiseks (Dong et al., 2019; Garzonio et al., 2017; H. Zheng et al., 2016).
Põllumajandusdroone käsitlevate mõjukate väljaannete koondamine.
Cluster | Lai teema | viited |
1 | Keskkonnaseire, saak majandamine, umbrohutõrje | (Ad˜ ao jt, 2017; Agüera Vega jt, 2015; de Castro jt, 2018; Gomez-Cand ´ on ´ jt, 2014; YB Huang jt, 2013; Khanal jt, 2017; Lopez-Granados, 2011; Manfreda jt, 2018; P´ adua jt, 2017; Pena ˜ et al., 2013; P´erez-Ortiz jt, 2015; Rasmussen jt, 2013, 2016; Torres-S' anchez jt, 2014; Torres-Sanchez, ´ Lopez-Granados, ´ & Pena, ~ 2015; Verger jt, 2014; Von Bueren jt, 2015; C. Zhang & Kovacs, 2012) |
2 | Kaugfenotüüpimine, saagikus hinnang, põllukultuuri pinnamudel, taimede loendamine | (Bendig et al., 2013, 2014; Geipel jt, 2014; Gnadinger ¨ & Schmidhalter, 2017; Haghighattalab jt, 2016; Holman jt, 2016; Jin jt, 2017; W. Li jt, 2016; Maimaitijiang jt, 2017; Sankaran jt, 2015; Schirrmann jt, 2016; Shi jt, 2016; Yue et al., 2017; X. Zhou jt, 2017) |
3 | Vee termopildistamine, multispektraalne pildistamine | (Baluja jt, 2012; Berni et al., 2009b; Berni jt, 2009a; Candiago jt, 2015; Gago jt, 2015; Gonzalez-Dugo jt, 2013, 2014; Grenzdorffer ¨ et al., 2008; Khaliq jt, 2019; Matese jt, 2015; Ribeiro-Gomes jt, 2017; Santesteban jt, 2017; Uto jt, 2013) |
4 | Hüpersektraalne pildistamine, spektraalne pildistamine | (Aasen et al., 2015a; Bareth jt, 2015; Hakala jt, 2013; Honkavaara jt, 2013a; Lucieer jt, 2014; Saari jt, 2011; Suomalainen jt, 2014) |
5 | 3D-kaardistamise rakendused | (Jim´enez-Brenes et al., 2017; Nex & Remondino, 2014; Salamí jt, 2014; Torres-S' anchez, Lopez-´ Granados, Serrano jt, 2015; Zahawi jt, 2015; Zarco-Tejada et al., 2014) |
6 | Põllumajanduse järelevalve | (SR Herwitz et al., 2004; Hunt et al., 2010; CCD Lelong et al., 2008; Primicerio jt, 2012; Xiang ja Tian, 2011) |
Lisaks on droonid kasulikud väljakutsete täitmisel põllumajanduses, sealhulgas umbrohu kaardistamisel. Seadmetega jäädvustatud pildid on tõestanud oma kasulikkust umbrohu varaseks avastamiseks põldudel (de Castro et al., 2018; Jim´enez-Brenes et al., 2017; Lam et al., 2021; Lopez-Granados ´ et al., 2016; Rozenberg jt, 2021). Sellega seoses on de Castro jt. (2018) väidavad, et UAV-kujutiste ja objektipõhise pildianalüüsi (OBIA) ühendamine on võimaldanud praktikutel lahendada varajase avastamise automatiseerimise probleemi varajase hooaja rohumaakultuuride puhul, mis on suur samm edasi umbrohuuuringutes. Samuti Pena ˜ et al. (2013) juhivad tähelepanu sellele, et ülikõrge ruumilise eraldusvõimega kujutiste kasutamine UAV-st koos OBIA protseduuriga võimaldab genereerida varajaste maisi põllukultuuride umbrohukaarte, mida saaks kasutada hooajasiseste umbrohutõrjemeetmete rakendamise kavandamisel, ülesanne, mis ületab satelliidi ja traditsiooniliste õhupiltide võime. Võrreldes kujutiste klassifitseerimise või objektide tuvastamise algoritmidega on semantilise segmenteerimise tehnikad umbrohu kaardistamise ülesannetes tõhusamad (J. Deng et al., 2020), mis võimaldab põllumeestel tuvastada põllutingimusi, leevendada kadusid ja parandada saaki kogu kasvuperioodi vältel (Ramesh). et al., 2020). Sügaval õppimisel põhinev semantiline segmenteerimine võib samuti pakkuda taimkatte täpset mõõtmist kõrge eraldusvõimega aeropiltide põhjal (Ramesh et al., 2020; A. Zheng et al., 2022). Vaatamata nende kaugjuhtimisvõimalustele
Sensing pikslite klassifikatsioon, semantilise segmenteerimise tehnikad nõuavad märkimisväärset arvutust ja liiga suurt GPU-mälu (J. Deng et al., 2020).
Masinõppel ja UAV-l põhinev P´erez-Ortiz et al. (2015) pakkusid välja umbrohu kaardistamise lähenemisviisi, et pakkuda kohaspetsiifilisi umbrohutõrjestrateegiaid, kui põllumehed võtavad kasutusele varajase tärkamisjärgse umbrohutõrje. Lõpuks Rasmussen et al. (2013) rõhutas, et droonid pakuvad odavat tuvastust suure ruumilise eraldusvõimega. Üldiselt keskenduvad selle klastri väljaanded UAV-de potentsiaali uurimisele kaugseire, põllukultuuride jälgimise ja umbrohu kaardistamise toetamisel. Täiendavad põhjalikud uuringud on vajalikud, et edasi uurida, kuidas droonirakendused keskkonnaseires, põllukultuuride majandamises ja umbrohu kaardistamises võivad saavutada säästvama põllumajanduse (Chamuah & Singh, 2019; Islam et al., 2021; Popescu et al., 2020; J Su, Liu et al., 2018) ja tegelevad selle tehnoloogia juhtimisprobleemidega saagikindlustuse rakendustes (Basnet & Bang, 2018; Chamuah & Singh, 2019, 2022; Meinen & Robinson, 2021). Teadlased peaksid keskenduma UAV-kogutud mõõtmiste valideerimisele tõhusate töötlemismeetoditega, et parandada töödeldud andmete ülimat kvaliteeti (Manfreda et al., 2018). Lisaks on vaja välja töötada sobivad algoritmid, mis tunnevad ära pikslid, mis kuvavad digipiltidel umbrohtu ja kõrvaldavad ebaolulise tausta UAV umbrohu kaardistamise ajal (Gaˇsparovi´c et al., 2020; Hamylton et al., 2020; H. Huang et al. , 2018, 2020; Lopez- ´ Granados et al., 2016). Täiendavad uuringud semantiliste segmenteerimismeetodite kasutuselevõtu kohta taimede äratundmisel, lehtede klassifitseerimisel ja haiguste kaardistamisel on teretulnud (Fuentes-Pacheco et al., 2019; Kerkech et al., 2020).
2. klaster. Selle klastri väljaanded keskendusid põllumajanduslike droonide mitmele aspektile. Kaugfenotüüpimisega seotud Sankaran et al. (2015) vaatasid üle potentsiaali kasutada madalal kõrgusel ja kõrge eraldusvõimega õhupildistamist UAV-dega põllul põllukultuuride kiireks fenotüüpimiseks ja väidavad, et võrreldes maapealsete sensorplatvormidega pakuvad väikesed UAV-d, millel on piisavad andurid, mitmeid eeliseid. , nagu lihtsam juurdepääs põllule, kõrge eraldusvõimega andmed, tõhus andmete kogumine,
kiired hinnangud põllu kasvutingimustele ja madalad tegevuskulud. Kuid autorid märgivad ka, et UAV tõhus rakendamine välja fenotüüpimiseks sõltub kahest põhielemendist, nimelt UAV omadustest (nt ohutus, stabiilsus, positsioneerimine, autonoomia) ja anduri omadustest (nt eraldusvõime, kaal, spektraallainepikkused, väli). vaatest). Haghighattalab et al. (2016) pakkusid välja poolautomaatse pilditöötluse torustiku, et hankida UAV-kujutistelt graafiku tasemel andmeid ja kiirendada aretusprotsessi. Holman et al. (2016) saavutas kõrge
läbilaskevõimega välja fenotüüpimise süsteemi ja rõhutas, et UAV suudab koguda kvaliteetseid, mahukaid, välipõhiseid fenotüübiandmeid ning seade on efektiivne suurtel aladel ja erinevates põllukohtades.
Kuna saagikuse hindamine on väga oluline teave, eriti kui need on õigeaegselt kättesaadavad, on UAV-del potentsiaal pakkuda kõiki välimõõtmisi ja hankida tõhusalt kvaliteetseid andmeid (Daakir et al., 2017; Demir et al., 2018). Enciso jt, 2019; Kulbacki jt, 2018; Pudelko jt, 2012). Sellega seoses Jin et al. (2017) kasutas UAV-de poolt väga madalatel kõrgustel saadud kõrge eraldusvõimega kujutisi, et töötada välja ja hinnata meetodit nisutaimede tiheduse hindamiseks tärkamisetapis. Autorite sõnul ületavad mehitamata õhusõidukid kaameratega varustatud roverisüsteemide piirangud ja kujutavad endast mitteinvasiivset meetodit põllukultuuride taimede tiheduse hindamiseks, võimaldades põllumeestel saavutada põllu fenotüüpimiseks vajalikku suurt läbilaskevõimet, sõltumata pinnase liiklusest. Li et al. (2016) kogusid sadu ülikõrge eraldusvõimega stereopilte, kasutades UAV-põhist süsteemi, et hinnata maisi parameetreid, sealhulgas võra kõrgust ja maapealset biomassi. Lõpuks Yue et al. (2017) leidsid, et mehitamata õhusõidukitest määratud põllukultuuri kõrgus võib parandada maapealse biomassi (AGB) hindamist.
Põllukultuuride kasvu jälgimise lähenemisviis on põllukultuuride pinnamudelite väljatöötamise idee (Bendig jt, 2014, 2015; Holman jt, 2016; Panday, Shrestha jt, 2020; Sumesh et al., 2021). Mitmed uuringud tõid esile UAV-st tehtud piltide teostatavuse taimede kõrguse jäädvustamiseks ja nende kasvu jälgimiseks. Näiteks Bendig et al. (2013) kirjeldasid UAV-i abil väga kõrge, alla 0.05 m eraldusvõimega multi-ajaliste põllukultuuride pinnamudelite väljatöötamist. Nende eesmärk oli saagi tuvastamine
kasvu varieeruvus ja selle sõltuvus põllukultuuride töötlemisest, kultivarist ja stressist. Bendig et al. (2014) kasutasid UAV-sid värske ja kuiva biomassi hindamiseks põllukultuuride pinnamudelitest eraldatud taimede kõrguse põhjal ja leidsid, et erinevalt õhuplatvormidest ja maapealsest laserskaneerimisest võivad UAV-de kõrge eraldusvõimega kujutised märkimisväärselt suurendada taimede kõrguse modelleerimise täpsust erinevate kasvude jaoks. etapid. Samamoodi on Geipel jt. (2014) kasutasid oma uurimistöös kujutiste omandamiseks UAV-sid
andmekogud maisi terade saagikuse prognoosimiseks kolmes erinevas kasvufaasis hooaja algusest kuni keskpaigani ja jõudsid järeldusele, et aeropiltidel ja põllukultuuride pinnamudelitel põhineva spektraalse ja ruumilise modelleerimise kombinatsioon on sobiv meetod maisisaagi keskmise hooaja ennustamiseks. Lõpuks uurisid Gnadinger ¨ ja Schmidhalter (2017) mehitamata õhusõidukite kasulikkust täppisfenotüüpimisel ja rõhutasid, et selle tehnoloogia kasutamine võib tõhustada põllumajandusettevõtete juhtimist ja võimaldada põllukatseid aretus- ja agronoomilistel eesmärkidel. Üldiselt täheldame, et 2. klastri väljaanded keskenduvad kaugsõidukite UAV-de peamistele eelistele
fenotüüpimine, saagikuse hindamine, põllukultuuride pinna modelleerimine ja taimede loendamine. Tulevased uuringud võivad süveneda, töötades välja uusi kaugfenotüüpimise meetodeid, mis võimaldavad automatiseerida ja optimeerida kaugseireandmete töötlemist (Barabaschi et al., 2016; Liebisch et al., 2015; Mochida et al., 2015; S. Zhou et al. ., 2021). Lisaks tuleb uurida mehitamata õhusõidukitele paigaldatud asjade Interneti-andurite jõudlust ning nende kulude, tööjõu ja tootluse hindamise täpsuse vahelist kompromissi.
tulevik (Ju & Son, 2018a, 2018b; Xie & Yang, 2020; Yue et al., 2018). Lõppkokkuvõttes on vaja välja töötada tõhusad pilditöötlusmeetodid, mis suudavad genereerida usaldusväärset teavet, maksimeerida põllumajandustootmise efektiivsust ja minimeerida põllumeeste käsitsi loendamist (RU Khan et al., 2021; Koh et al., 2021; Lin). & Guo, 2020; C. Zhang et al., 2020).
Klaster 3. Selle klastri väljaannetes käsitletakse UAV-platvormidel kasutatavate põllumajandusressursside kaugseireks kasutatavate erinevat tüüpi pildistamissüsteeme. Sellega seoses võimaldab termopildistamine jälgida pinnatemperatuure, et vältida põllukultuuride kahjustamist ja varakult avastada põuastressi (Awais et al., 2022; García-Tejero et al., 2018; Sankaran et al., 2015; Santesteban jt, 2017; Yeom, 2021). Baluja jt. (2012) väitsid, et multispektraal- ja termokaamerate kasutamine pardal
UAV võimaldas teadlastel saada kõrge eraldusvõimega pilte ja hinnata viinapuu vee seisundit. See võib olla kasulik uudsete vee ajakava mudelite väljatöötamiseks, kasutades kaugseire andmeid (Baluja et al., 2012). Kuna
UAV-de piiratud kandevõime, Ribeiro-Gomes et al. (2017) kaalusid jahutamata termokaamerate integreerimist UAVS-i, et teha kindlaks veestress taimedes, mis muudab seda tüüpi UAV-d tõhusamaks ja elujõulisemaks kui traditsiooniline satelliidipõhine kaugseire ja jahutatud termokaameratega varustatud UAV-d. Autorite sõnul on jahutamata termokaamerad kergemad kui jahutatud kaamerad, mistõttu on vaja asjakohast kalibreerimist. Gonzalez-Dugo jt. (2014) näitasid, et termopildid genereerivad tõhusalt põllukultuuride veestressiindeksite ruumilisi kaarte, et hinnata vee seisundit ja kvantifitseerida veestressi tsitrusviljaaedades ja nende sees. Gonzalez-Dugo jt. (2013) ja Santesteban et al. (2017) uurisid kõrge eraldusvõimega UAV-soojuspiltide kasutamist kaubandusliku viljapuuaia ja viinamarjaistanduse veeseisundi varieeruvuse hindamiseks.
Multispektraalne pildistamine võib pakkuda tohutuid andmeid võrreldes traditsiooniliste RGB (punane, roheline ja sinine) kujutistega (Ad˜ ao et al., 2017; Navia et al., 2016). Need spektraalsed andmed koos ruumiandmetega võivad aidata klassifitseerimisel, kaardistamisel, prognoosimisel, ennustamisel ja tuvastamisel (Berni et al., 2009b). Vastavalt Candiago jt. (2015), UAV-põhine multispektraalne pildistamine võiks suurel määral kaasa aidata põllukultuuride hindamisele ja täpsele põllumajandusele kui usaldusväärsele ja tõhusale ressursile. Samuti
Khaliq et al. (2019) võrdles satelliidi- ja UAV-põhist multispektraalset kujutist. UAV-põhised pildid andsid tulemuseks täpsemad viinamarjaistanduste varieeruvuse kirjeldamise ja ka jõukaardid põllukultuuride võrade kujutamiseks. Lühidalt, selle klastri artiklites käsitletakse termiliste ja multispektraalsete pildiandurite lisamist põllumajanduslikesse UAV-desse. Sellest tulenevalt on vaja rohkem uuringuid, et mõista, kuidas termo- ja multispektraalset kujutist saab AI-ga integreerida
tehnikad (nt süvaõpe) taimede stressi tuvastamiseks (Ampatzidis et al., 2020; Ampatzidis & Partel, 2019; Jung et al., 2021; Santesteban jt, 2017; Syeda jt, 2021). Sellised teadmised aitavad tagada taimede kasvu, stressi ja fenoloogia tõhusamat ja täpsemat tuvastamist ning jälgimist (Buters et al., 2019; Cao et al., 2020; Neupane & BaysalGurel, 2021; L. Zhou et al., 2020).
Klaster 4. See klaster koosneb seitsmest artiklist, mis käsitlevad spektraalkujutise ja hüperspektraalse pildistamise olulist rolli põllumajandustavade toetamisel. Hüperspektraalne pildistamine on end tõestanud kaugseiremeetodina, mis võimaldab Maa süsteemi kvantitatiivset hindamist (Schaepman et al., 2009). Täpsemalt võimaldab see identifitseerida pinnamaterjale, kvantifitseerida (suhtelisi) kontsentratsioone ja pinnakomponentide proportsioonide määramine
segapikslite sees (Kirsch et al., 2018; Zhao et al., 2022). Teisisõnu, hüperspektraalsete süsteemide pakutav kõrgem spektraalne eraldusvõime võimaldab täpsemalt hinnata erinevaid parameetreid, nagu taimetoitlased või lehtede veesisaldus (Suomalainen et al., 2014). Selle klastri teadlased uurisid selliste süsteemide erinevaid aspekte. Teiste seas on Aasen jt. (2015b) pakkusid ainulaadset lähenemisviisi kolmemõõtmelise hüperspektraalse teabe tuletamiseks kergekaalulisest materjalist
UAV-del taimestiku jälgimiseks kasutatavad hetkvõttekaamerad. Lucieer et al. (2014) arutas uudse hüperspektraalse UAS-i disaini, arendust ja õhutoiminguid, samuti sellega kogutud pildiandmete kalibreerimist, analüüsi ja tõlgendamist. Lõpuks Honkavaara et al. (2013b) töötasid välja FabryPerot interferomeetril põhinevate spektraalpiltide jaoks tervikliku töötlemisviisi ja näitasid selle kasutamist täppispõllumajanduse biomassi hindamise protseduuris. Selle praeguse klastri võimalikud tulevikuvõimalused hõlmavad andurite tehnoloogiate tehniliste täiustuste vajaduse rõhutamist (Aasen et al., 2015b) ning täiendavate tehnoloogiate, eriti suurandmete ja analüütika kaasamise ja täiustamise vajadust (Ang & Seng, 2021; Radoglou -Grammatikis jt, 2020; Shakoor jt, 2019). Viimane tuleneb peamiselt üha kasvavatest andmetest, mida genereerivad erinevad nutikas põllumajanduses rakendatud andurid (C. Li & Niu, 2020; A. Rejeb et al., 2022; Y. Su & Wang, 2021).
Klaster 5. Selle klastri väljaannetes uuriti droonidel põhinevaid 3D-kaardistamise rakendusi. Droonide kasutamine 3D-kaardistamiseks võib leevendada keerulisi välitöid ja tõsta oluliselt tõhusust (Torres-Sanchez ´ et al., 2015). Klastri viis artiklit keskendusid peamiselt taimeseire rakendustele. Näiteks võra pindala, puu kõrguse ja võra mahu kohta kolmemõõtmeliste andmete saamiseks Torres-Sanchez ´ et al. (2015) kasutasid UAV-tehnoloogiat digitaalsete pinnamudelite loomiseks ja seejärel objektipõhise pildianalüüsi (OBIA) lähenemisviiside loomiseks. Lisaks Zarco-Tejada et al. (2014) kvantifitseeris puu kõrguse, integreerides UAV-tehnoloogia ja kolmemõõtmelise fotorekonstrueerimise meetodid. Jim'enez-Brenes Lopez-Granados, ´De Castro jt. (2017) demonstreeris uut protsessi kümnete oliivipuude mitmeajaliseks 3D-seireks, integreerides UAV-tehnoloogia täiustatud OBIA metoodikaga. Selle klastri tulevaste tööde jaoks on huvitavad võimalused voolu parandamiseks
metoodikad (Zarco-Tejada et al., 2014) digitaalse pinna modelleerimise eesmärgil (Ajayi et al., 2017; Jaud et al., 2016), nagu OBIA (de Castro et al., 2018, 2020; Ventura et al. , 2018) ja fotode rekonstrueerimine või uudsete meetodite väljatöötamine (Díaz-Varela et al., 2015; Torres-S´anchez et al., 2015).
Klaster 6. Selles klastris arutletakse droonide rolli üle põllumajandusseires. UAV-d võiksid täiendada ja ületada satelliit- ja õhusõidukite pildistamise puudujääke. Näiteks võivad need pakkuda kõrge eraldusvõimega peaaegu reaalajas pildistamist väiksema kütuse- või piloteerimisprobleemidega, mille tulemuseks on pidev ja reaalajas järelevalve ning otsuste tegemise paranemine (S. Herwitz et al., 2004). Veel üks UAV-de oluline panus on nende võime pakkuda kohaspetsiifilisi andmeid täppispõllumajanduse või kohaspetsiifilise põllumajanduse jaoks, kuna nende kõrge eraldusvõime, üksikasjalikud andmed erinevate parameetrite kohta võimaldavad põllumeestel jagada maa homogeenseteks osadeks ja neid vastavalt töödelda (Hunt et al. , 2010; CC Lelong et al., 2008; Primicerio jt, 2012). Selline UAV-põhine põllumajandusseire võib toetada toiduga kindlustatuse seiret ja otsuste tegemist (SR Herwitz et al., 2004). Põllumajandusseirealaste uuringute edendamiseks pole vaja mitte ainult andurite, mehitamata õhusõidukite ja muude seotud tehnoloogiate ning nende side- ja andmeedastusmeetodite täiustamist (Ewing et al., 2020; Shuai et al., 2019), vaid ka integreerida droonid erinevatega tehnoloogiad erinevate nutika põllumajandusega seotud ülesannete optimeerimiseks, nagu seire, põllumajanduse järelevalve ja otsuste tegemine, on suure potentsiaaliga uurimisvaldkond (Alsamhi et al., 2021; Popescu et al., 2020; Vuran et al., 2018). Sellega seoses pakuvad IoT, WSN-id ja suurandmed huvitavaid täiendavaid võimalusi (van der Merwe et al., 2020). Rakenduskulud, kulude kokkuhoid, energiatõhusus ja andmeturve on sellise integratsiooni alauuritud valdkonnad (Masroor et al., 2021).
Riigid ja akadeemilised institutsioonid
Viimane samm hõlmas päritoluriigi ja autorite akadeemilise kuuluvuse uurimist. Selle analüüsi abil püüame paremini mõista nende teadlaste geograafilist jaotust, kes aitavad kaasa droonide kasutamisele põllumajanduses. Tähelepanuväärne on riikide ja akadeemiliste institutsioonide mitmekesisus. Riigi vaatenurgast on väljaannete arvu poolest edetabeli tipus USA, Hiina, India ja Itaalia (tabel 7). Praegune
Põllumajandusdroonide uurimine keskendub suures osas Põhja-Ameerika ja Aasia riikidesse, peamiselt nende suure osaluse tõttu täppispõllumajanduse rakendustes. Näiteks USAs hinnati 841.9. aastal põllumajandusdroonide turu suuruseks 2020 miljonit USA dollarit, mis moodustab ligikaudu 30% ülemaailmsest turuosast (ReportLinker, 2021). Maailma suurimaks majanduseks kuuluv Hiina peaks 2.6. aastal saavutama ligikaudu 2027 miljardi USA dollari suuruse turu. See riik on ahvatlev põllumajanduslike droonide jaoks, et ületada tootlikkuse probleemid ning saavutada parem saagikus, tööjõu leevendamine ja väiksemad tootmissisendid. Tehnoloogia kasutuselevõtt Hiinas on aga ajendatud ka sellistest teguritest nagu rahvastiku suurus ja vajadus teha uuendusi ja parandada olemasolevaid põllukultuuride majandamise tavasid.
Kõige produktiivsemad riigid ja ülikoolid/organisatsioonid, mis panustavad
droonidega seotud põllumajandusuuringud.
auaste | Riigid |
1 | USA |
2 | Hiina |
3 | India |
4 | Itaalia |
5 | Hispaania |
6 | Saksamaa |
7 | Brasiilia |
8 | Austraalia |
9 | Jaapan |
10 | Ühendkuningriik |
auaste | Ülikoolid/organisatsioonid |
1 | Hiina Teaduste Akadeemia |
2 | Hiina Rahvavabariigi Põllumajandusministeerium |
3 | Teadusuurimiste ülemnõukogu |
4 | Texase A&M ülikool |
5 | Hiina Põllumajandusülikool |
6 | USDA põllumajandusuuringute teenistus |
7 | CSIC – Instituto de Agricultura Sostenible IAS |
8 | Purdue ülikooli |
9 | Riiklik teadusnõukogu |
10 | Lõuna-Hiina põllumajandusülikool |
Ülikooli ja organisatsiooni vaatenurgast on väljaannete arvu poolest edetabeli tipus Hiina Teaduste Akadeemia, millele järgnevad Hiina Rahvavabariigi põllumajandusministeerium ja Consejo Superior de Investigaciones Científicas. Hiina Teaduste Akadeemiat esindavad autorid Liao Xiaohan ja Li Jun; Han Wenting esindab Hiina Rahvavabariigi Põllumajandusministeeriumi; ja Consejo Superior de Investigaciones Científicast esindavad Lopez-Granados, ´ F. ja Pena, ˜ Jos´e María S. USA-st leiavad oma ülikoolid nagu Texase A&M Ülikool ja Purdue Ülikool.
mainida. Kõige suurema publikatsioonide arvuga ülikoolid ja nende seosed on näidatud joonisel 4. Lisaks sisaldab see loend selliseid institutsioone nagu Consiglio Nazionale delle Ricerche ja Consejo Superior de Investigaciones Científicas, mis tegelevad teadusuuringutega, kuid ei ole akadeemilised institutsioonid. .
Meie valik hõlmas laias valikus ajakirju, mis hõlmasid peaaegu kõiki saadaolevaid andmeid. Nagu on näha tabelist 8, on kaugseire 258 artikliga esikohal, millele järgneb Journal of Intelligent and Robotic Systems: Theory and Applications 126 ning Computers and Electronics in Agriculture 98 artikliga. Kui kaugseire keskendub peamiselt droonide rakendamisele ja arendamisele, siis arvutid ja elektroonika põllumajanduses hõlmab peamiselt arvutiriistvara, tarkvara, elektroonika ja juhtimissüsteemide edusamme põllumajanduses. Valdkonnaülesed müügikohad, nagu IEEE Robotics and Automation Letters 87 väljaandega ja IEEE Access 34 väljaandega, on samuti valdkonna peamised müügikohad. Viisteist parimat väljaannet on kirjandusse panustanud 959 dokumendiga, mis moodustab ligikaudu 20.40% kõigist väljaannetest. Ajakirjade kaastsiteerimise analüüs võimaldab meil uurida väljaannete tähtsust ja sarnasust. Kaastsiteerimise analüüs annab kolm klastrit, nagu on näidatud joonisel 5. Punane klaster koosneb ajakirjadest, nagu kaugseire, arvuti ja elektroonika põllumajanduses, andurid,
ja International Journal of Remote Sensing. Kõik need müügikohad on väga mainekad ajakirjad kaugseire ja täppispõllumajanduse valdkonnas. Roheline klaster sisaldab robootikaga tegelevaid ajakirju, näiteks Journal of Intelligent and Robotic Systems: Theory and Applications, IEEE Robotics and Automation Letters, IEEE Access ja Drones. Need müügikohad avaldavad enamasti automatiseerimise teemalisi dokumente ja on kasulikud põllumajandusinseneridele. Lõpliku klastri moodustavad agronoomia ja põllumajandustehnikaga seotud ajakirjad, nagu Agronomy ja International Journal of Agricultural and Biological Engineering.
Põllumajanduse droonidega seotud uuringute 15 parimat ajakirja.
auaste | ajakiri | Loendama |
1 | Kaugseire | 258 |
2 | Intelligentsete ja robotsüsteemide ajakiri: teooria ja Rakendused | 126 |
3 | Arvutid ja elektroonika põllumajanduses | 98 |
4 | IEEE robootika ja automatiseerimise kirjad | 87 |
5 | Sensorid | 73 |
6 | International Journal of Remote Sensing | 42 |
7 | Täppispõllundus | 41 |
8 | Drones | 40 |
9 | Agronoomia | 34 |
10 | IEEE juurdepääs | 34 |
11 | International Journal of Advanced Robotic Systems | 31 |
12 | International Journal of Agricultural and Biological Engineering | 25 |
13 | PLoS ONE | 25 |
14 | Journal of Field Robotics | 23 |
15 | Biosystems Engineering | 23 |
Järeldus
kokkuvõte
Selles uuringus tegime kokkuvõtte ja analüüsisime olemasolevaid põllumajandusdroone käsitlevaid uuringuid. Erinevaid bibliomeetrilisi tehnikaid rakendades püüdsime paremini mõista põllumajanduslike droonidega seotud uuringute intellektuaalset struktuuri. Kokkuvõttes pakub meie ülevaade mitmeid panuseid, tuvastades ja arutades kirjanduses leiduvaid märksõnu, paljastades teadmiste klastreid, moodustades samal ajal semantiliselt sarnaseid kogukondi droonide valdkonnas, visandades varasemaid uuringuid ja soovitades tulevasi uurimissuundi. Allpool toome välja põllumajanduslike droonide väljatöötamise ülevaate peamised järeldused:
• Üldine kirjandus on viimasel kümnendil kiiresti kasvanud ja pälvinud tohutut tähelepanu, millele viitab artiklite arvu kasv pärast 2012. aastat. Kuigi see teadmistevaldkond on alles saavutamas oma täielikku küpsust (Barrientos et al., 2011; Maes & Steppe, 2019), on mitmed küsimused endiselt vastuseta. Näiteks droonide kasulikkus siseruumides on endiselt arutelu all (Aslan et al., 2022; Krul et al., 2021; Rold´an et al., 2015). Väljade stseenide keerukus ja erinevad pildistamisolud (nt varjud ja valgustus) võivad kaasa tuua suurema spektraalse klassisisese dispersiooni (Yao et al., 2019). Isegi hilisemates uurimisetappides on teadlastel olnud väljakutse määrata kindlaks optimaalsed lennuplaanid vastavalt konkreetsetele stsenaariumidele ja nõutavale pildikvaliteedile (Soares et al., 2021; Tu et al.,
2020).
• Märkame, et valdkond on edenenud tõhusate UAV-süsteemide väljatöötamisest tehisintellekti tehnikate (nt masinõpe ja süvaõpe) kaasamiseni põllumajanduslike droonide projekteerimisel (Bah et al., 2018; Kitano jt, 2019; Maimaitijiang et al. , 2020; Mazzia jt, 2020; Tetila jt, 2020).
• Põllumajandusdroonide uurimistöös käsitleti valdavalt kaugseiret, uurides tehnoloogia potentsiaali keskkonnaseires, põllukultuuride majandamises ja umbrohutõrjes (klaster 1), samuti kaugfenotüüpimist ja saagikuse hindamist (2. klaster). Mõjukate uuringute kogum põllumajanduslike droonide kohta hõlmavad Austin (2010), Berni jt. (2009)a, Herwitz jt. (2004), Nex ja Remondino (2014) ning Zhang ja Kovacs (2012). Need uuringud arendasid droonidega seotud uuringute kontseptuaalset alust põllumajanduse kontekstis.
• Seoses metoodikaga täheldasime, et suurem osa seni tehtud uuringutest koosnes kas süsteemikujunduse, kontseptuaalsete või ülevaatepõhistest uuringutest (Inoue, 2020; Nex & Remondino, 2014; P´erez-Ortiz et al. , 2015; Yao et al., 2019). Samuti märkame põllumajanduslike droonide uurimisel empiiriliste, kvalitatiivsete ja juhtumiuuringutel põhinevate meetodite puudumist.
• Viimasel ajal on suurt tähelepanu pälvinud teemad, mis on seotud täppispõllumajanduse, tehisintellekti tehnikate, täppisviinakasvatuse ja veestressi hindamisega (Espinoza et al., 2017; Gomez-Cand ´ on ´ jt, 2016; Matese et al., 2015; Matese & Di Gennaro, 2018, 2021; Z. Zhou jt, 2021). Uurimisklastrite hoolikas uurimine kahel erineval ajastul, 1990–2010 ja 2011–2021, näitab valdkonna intellektuaalse struktuuri edenemist. Ajavahemik 1990–2010 moodustas droonide kesksete ideede ja kontseptsioonide ülesehitamise, mis ilmneb mehitamata õhusõidukite kavandamise, arendamise ja rakendamise arutelust. Teisel ajastul laieneb uurimistöö fookus varasematele uuringutele, püüdes sünteesida UAV-i kasutusjuhtumeid põllumajanduses. Leidsime ka arvukalt uuringuid, mis käsitlevad droonirakendusi pildistamisülesannetes ja täppispõllumajanduses.
auaste | ajakiri | Loendama |
1 | Kaugseire | 258 |
2 | Intelligentsete ja robotsüsteemide ajakiri: teooria ja | 126 |
Rakendused | ||
3 | Arvutid ja elektroonika põllumajanduses | 98 |
4 | IEEE robootika ja automatiseerimise kirjad | 87 |
5 | Sensorid | 73 |
6 | International Journal of Remote Sensing | 42 |
7 | Täppispõllundus | 41 |
8 | Drones | 40 |
9 | Agronoomia | 34 |
10 | IEEE juurdepääs | 34 |
11 | International Journal of Advanced Robotic Systems | 31 |
12 | International Journal of Agricultural and Biological Engineering | 25 |
13 | PLoS ONE | 25 |
14 | Journal of Field Robotics | 23 |
15 | Biosystems Engineering | 22 |
Mõju
Meie bibliomeetriline ülevaade koostati ja viidi läbi teadlasi, põllumehi, põllumajanduseksperte, põllukultuuride konsultante ja UAV-süsteemide projekteerijaid silmas pidades. Autoritele teadaolevalt on see üks esimesi originaalseid arvustusi, mis on võtnud põhjaliku bibliomeetrilise analüüsi
droonirakendused põllumajanduses. Oleme selle teadmuskogu kohta läbi viinud põhjaliku ülevaate, kasutades väljaannete tsiteerimise ja kaastsiteerimise analüüse. Meie katsed kirjeldada drooniuuringute intellektuaalset struktuuri pakuvad ka akadeemikutele uusi teadmisi. Aja jooksul kasutatud märksõnade hoolikas läbivaatamine paljastab droonidega seotud kirjanduse levipunktid ja uurimisvaldkonnad. Lisaks esitame enim viidatud uuringute loendi, et teha kindlaks selles valdkonnas tehtud kõige mõjukamad uurimistööd. Artiklite ja märksõnade tuvastamine võib seega olla kindel lähtepunkt tulevaste uuringute jaoks mitmete võimaluste avastamiseks.
Oluline on see, et paljastasime klastrid, mis klassifitseerivad võrreldavaid töid, ja täpsustasime tulemusi. Klastritesse liigitatud uuringud aitavad mõista UAV-uuringute intellektuaalset struktuuri. Eelkõige avastasime droonide kasutuselevõtu tegureid uurivate uuringute nappuse
ja tõkked põllumajandustegevuses (vt tabel 9). Tulevased teadlased võiksid selle võimaliku lünga lahendada, viies läbi empiirilisi uuringuid, mis hindavad droonide kasutuselevõtu tegureid erinevates põllumajandustegevustes ja kliimatingimustes. Lisaks tuleks juhtumiuuringutel põhinevaid droonide tõhususe uuringuid toetada tegelike valdkonna andmetega. Samuti oleks põllumeeste ja juhtide kaasamine akadeemilisse uuringusse kasulik nii drooniuuringute teoreetiliseks kui ka praktiliseks edenemiseks. Samuti suutsime välja selgitada silmapaistvamad teadlased ja nende panused, mis on väärtuslik, kuna teadlikkus viimastest olulistest töödest võib pakkuda juhiseid tulevaste akadeemiliste ettevõtmiste jaoks.
Tabel 9
UAV vastuvõtmise tõkked.
Tõke | Kirjeldus |
Andmete turvalisus | Küberturvalisus on rakendamisel suur väljakutse IoT lahendused (Masroor et al., 2021). |
Koostalitlusvõime ja integratsioon | Erinevad tehnoloogiad nagu UAV, WSN, IoT jne. tuleks integreerida ja edastada andmeid, mis tõsta keerukuse taset (Alsamhi et al., 2021; Popescu jt, 2020; Vuran et al., 2018). |
Rakenduskulud | See kehtib eriti väiketalunike ja nende jaoks integreerida erinevaid tipptehnoloogiaid ( Masroor jt, 2021). |
Tööalased teadmised ja teadmised | UAV-de juhtimiseks on vaja vilunud droonipiloote. Samuti rakendades erinevaid tipptasemel tehnoloogiad nõuavad kvalifitseeritud töötajaid (YB Huang jt, 2013; Tsouros et al., 2019). |
Mootori võimsus ja lend kestus | Droonid ei saa töötada pikki tunde ja katta suured alad (Hardin & Hardin, 2010; Laliberte et al., 2007). |
Stabiilsus, töökindlus ja manööverdusvõime | Droonid ei ole halbade ilmastikutingimuste korral stabiilsed (Hardin & Hardin, 2010; Laliberte et al., 2007). |
Kasuliku koormuse piirangud ja andurite kvaliteet | Droonid võivad kanda ainult piiratud koormaid võime laadida madalama kvaliteediga andureid (Nebiker et al., 2008). |
Määrus | Kuna ka droonid võivad olla ohtlikud, on neid raskeid mõne valdkonna eeskirjad (Hardin & Jensen, 2011; Laliberte & Rango, 2011). |
Põllumeeste teadmised ja huvi | Nagu teised tipptehnoloogiad, on droonid edukas rakendamine vajab asjatundlikkust ja ka millega kaasneb ebakindlus (Fisher et al., 2009; Lambert et al., 2004; Stafford, 2000). |
Kuna saagikuse maksimeerimiseks on pidevalt vaja olemasolevaid ressursse tõhusalt kasutada, saavad põllumehed ära kasutada droonid, et tagada oma põldude kiire, täpne ja kulutõhus skaneerimine. Tehnoloogia võib aidata põllumeestel määrata oma põllukultuuride seisundit ja hinnata vee seisundit, küpsemise etappi, putukate nakatumist ja toitumisvajadusi. Droonide kaugseire võimalused võivad anda põllumeestele olulisi andmeid probleemide varajases staadiumis ennetamiseks ja sobivate sekkumiste tegemiseks. Tehnoloogia eeliseid saab aga realiseerida ainult siis, kui väljakutsetega tegeletakse õigesti. Selle valguses
Andmeturbe, andurite tehnoloogiaga seotud probleemide (nt mõõtmiste usaldusväärsus või täpsus), integreerimise keerukuse ja oluliste rakenduskuludega seotud praeguste probleemide tõttu peavad tulevased uuringud uurima ka põllumajanduslike droonide ja muude raiete integreerimise tehnilist, majanduslikku ja operatiivset teostatavust. ääretehnoloogiad.
Piirangud
Meie uuringul on mitmeid piiranguid. Esiteks määravad järeldused lõplikuks analüüsiks valitud väljaanded. Kõikide põllumajanduslike droonidega seotud asjakohaste uuringute jäädvustamine on keeruline, eriti nende puhul, mis pole Scopuse andmebaasis indekseeritud. Lisaks piirdub andmete kogumise protsess otsingu märksõnade määramisega, mis ei pruugi olla kõikehõlmavad ja viia ebaselgete järeldusteni. Seega peavad tulevased uuringud pöörama rohkem tähelepanu andmete kogumise aluseks olevale probleemile
usaldusväärsemad järeldused. Veel üks piirang puudutab uusi väljaandeid, millel on vähe viidete arvu. Bibliomeetriline analüüs on kallutatud varasemate väljaannete suhtes, kuna need kipuvad saama aastate jooksul rohkem tsitaate. Hiljutised uuringud vajavad tähelepanu tõmbamiseks ja tsitaatide kogumiseks teatud aega. Järelikult ei kuuluks hiljutised paradigmamuutust toovad uuringud mõjukate teoste esikümnesse. See piirang on levinud kiiresti esilekerkivate uurimisvaldkondade, näiteks põllumajanduslike droonide uurimisel. Kuna oleme selle töö kirjanduse uurimiseks konsulteerinud Scopusega, võiksid tulevased teadlased kaaluda teisiti
andmebaasid, nagu Web of Science ja IEEE Xplore, et laiendada silmaringi ja täiustada uurimisstruktuuri.
Potentsiaalsed bibliomeetrilised uuringud võivad uudsete arusaamade loomiseks kaaluda muid olulisi teadmiste allikaid, nagu konverentsiettekanded, peatükid ja raamatud. Vaatamata põllumajandusdroone käsitlevate ülemaailmsete väljaannete kaardistamisele ja uurimisele ei paljastanud meie tulemused ülikoolide teaduslike tulemuste tagamaid. See sillutab teed uudsele uurimisvaldkonnale, selgitades kvalitatiivselt, miks mõned ülikoolid on põllumajanduse uurimisel produktiivsemad kui teised.
droonid. Lisaks võivad tulevased uuringud anda ülevaate droonide potentsiaalist põllumajanduse jätkusuutlikkuse suurendamisel mitmel viisil, nagu keskkonnaseire, põllukultuuride majandamine ja umbrohu kaardistamine, nagu on osutanud mitmed teadlased (Chamuah & Singh, 2019; Islam et al., 2021; Popescu jt, 2020; J. Su, Liu jt, 2018b). Kuna tekstianalüüs ei olnud valitud tööde suure arvu tõttu võimalik, on vaja süstemaatilisi kirjandusülevaateid, mis uuriksid
kasutatud uurimismeetodid ja põllumeeste kaasamine eelnevatesse uuringutesse. Lühidalt, meie drooniuuringute analüüs paljastab selle teadmuskogu nähtamatud seosed. Seetõttu aitab käesolev ülevaade avastada publikatsioonide vahelisi seoseid ja uurib uurimisvaldkonna intellektuaalset struktuuri. Samuti kujutab see seoseid kirjanduse erinevate aspektide, nagu autorite märksõnad, kuuluvused ja riigid, vahel.
Konkureeriva huvi deklaratsioon
Autorid deklareerivad, et neil pole teadaolevaid konkureerivaid finantshuve ega isiklikke suhteid, mis oleksid võinud mõjutada käesolevas töös kajastatud tööd.
Lisa 1
TITLE-ABS-KEY (((droon* VÕI "mehitamata õhusõiduk" VÕI uav* VÕI "mehitamata õhusõiduki süsteem"”VÕI uas VÕI „kaugjuhitav õhusõiduk”) JA (põllumajandus VÕI põllumajandus VÕI põllumajandus VÕI põllumees))) JA (VÄLJA (PUBEAASTA, 2022)) JA (PIIRAMA (KEEL, "inglise keel").
viited
Aasen, H., Burkart, A., Bolten, A., Bareth, G., 2015. 3D-hüperspektraalse teabe genereerimine kergete UAV-snapshot-kaameratega taimestiku jälgimiseks: alates
kaamera kalibreerimine kvaliteedi tagamiseks. ISPRS J. Photogramm. Remote Sens. 108, 245–259. https://doi.org/10.1016/j.isprsjprs.2015.08.002.
Abd-Elrahman, A., Pearlstine, L., Percival, F., 2005. Mustrituvastusalgoritmi väljatöötamine automaatseks lindude tuvastamiseks mehitamata õhusõiduki kujutistest.
Küsitlus. Maa teatis. Sci. 65 (1), 37–45.
Abdollahi, A., Rejeb, K., Rejeb, A., Mostafa, MM, Zailani, S., 2021. Wireless sensor networks in agriculture: insights from bibliometric analysis. Jätkusuutlikkus 13 (21),
12011.
Aboutalebi, M., Torres-Rua, AF, Kustas, WP, Nieto, H., Coopmans, C., McKee, M., Assessment of different method for shadow detection in high-resolution optical imagery and assessment of shadow impact on safety NDVI ja evapotranspiratsioon. Irrig. Sci. 37 (3), 407–429. https://doi.org/10.1007/s00271-018-0613-9.
Adao, ˜ T., Hruˇska, J., Padua, ´ L., Bessa, J., Peres, E., Morais, R., Sousa, JJ, 2017. Hüperspektraalne kujutis: ülevaade UAV-põhistest sensoritest, andmed töötlemine ja
taotlusi põllumajanduse ja metsanduse jaoks. Kaugseire 9 (11). https://doi.org/ 10.3390/rs9111110.
Agüera Vega, F., Ramírez, FC, Saiz, MP, Rosúa, FO, 2015. Mitmeajaline kujutis, kasutades mehitamata õhusõidukit päevalillesaagi jälgimiseks. Biosüst. Eng.
132, 19–27. https://doi.org/10.1016/j.biosystemseng.2015.01.008.
Ajayi, OG, Salubi, AA, Angbas, AF, Odigure, MG, 2017. UAV-st täpsete digitaalsete kõrgusmudelite loomine saavutas väikese protsendi kattuvate kujutiste. Int.
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. Ülevaade masinõppe lähenemisviisidest biomassi ja mulla niiskuse otsimiseks kaugseireandmetest. Kaugseire 7 (12), 16398–16421.
Alsamhi, SH, Afghah, F., Sahal, R., Hawbani, A., Al-qaness, MAA, Lee, B., Guizani, M., Roheline asjade internet, kasutades UAV-sid B5G võrkudes: rakenduste ülevaade
ja strateegiad. Reklaam Hoc. Võrk 117, 102505 https://doi.org/10.1016/j. adhoc.2021.102505.
Al-Thani, N., Albuainain, A., Alnaimi, F., Zorba, N., 2020. Drones for Sheep Livestock Monitoring. In: IEEE Vahemere 20. elektrotehnikakonverents. https://doi.
org/10.1109/MELECON48756.2020.9140588.
Ampatzidis, Y., Partel, V., 2019. UAV-põhine suure läbilaskevõimega fenotüüpimine tsitrusviljades, kasutades multispektraalset kujutist ja tehisintellekti. Remote Sensing 11 (4), https://doi.org/10.3390/rs11040410.
Ampatzidis, Y., Partel, V., Costa, L., 2020. Agroview: pilvepõhine rakendus UAV-ga kogutud andmete töötlemiseks, analüüsimiseks ja visualiseerimiseks tehisintellekti kasutavate täppispõllumajandusrakenduste jaoks. Arvuta. elektron. Põllumajandus. 174, 105457 https://doi. org/10.1016/j.compag.2020.105457.
Ang, K.-L.-M., Seng, JKP, 2021. Suurandmed ja masinõpe hüperspektraalse teabega põllumajanduses. IEEE Access 9, 36699–36718. https://doi.org/10.1109/
JUURDEPÄÄS.2021.3051196.
Aquilani, C., Confessore, A., Bozzi, R., Sirtori, F., Pugliese, C., 2022. Ülevaade: täppisloomakasvatuse tehnoloogiad karjamaapõhistes loomakasvatussüsteemides. Animal 16 (1), https://doi.org/10.1016/j.animal.2021.100429.
Armenta-Medina, D., Ramirez-Delreal, TA, Villanueva-Vasquez, ´ D., Mejia-Aguirre, C., Trends on Advanced Information and Communication technologies for
põllumajanduse tootlikkuse parandamine: bibliomeetriline analüüs. Agronoomia 10 (12), artikkel 12. https://doi.org/10.3390/agronomy10121989.
Armstrong, I., Pirrone-Brusse, M., Smith, A., Jadud, M., 2011. Lendav gator: suunas õhurobootika in occam-π. Commun. Protsessi arhitekt. 2011, 329–340. https://doi. org/10.3233/978-1-60750-774-1-329.
Arora, SD, Chakraborty, A., 2021. Tarbijakaebuste käitumise (CCB) intellektuaalne struktuur: bibliomeetriline analüüs. J. Business Res. 122, 60–74.
Aslan, MF, Durdu, A., Sabanci, K., Ropelewska, E., Gültekin, SS, 2022.
Põhjalik ülevaade hiljutistest uuringutest UAV-ga täppispõllumajanduse kohta avamaal ja kasvuhoonetes. Rakendus Sci. 12 (3), 1047. https://doi.org/10.3390/
rakendus12031047.
Atkinson, JA, Jackson, RJ, Bentley, AR, Ober, E. ja Wells, DM (2018). Tuleviku fenotüüpimine. Internetis iga-aastastes taimeülevaadetes (lk 719–736). John
Wiley & Sons, Ltd. doi: 10.1002/9781119312994.apr0651.
Austin, R., 2010. Mehitamata õhusõidukisüsteemid: UAVS Design, Development and Deployment. In: Mehitamata õhusõidukisüsteemid: UAVS Design, Development and
Kasutuselevõtt. John Wiley ja pojad. 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. UAV-põhine kaugseire taimede stressi korral Kujutage ette kõrge eraldusvõimega soojusanduri kasutamist digitaalse põllumajanduse jaoks: metaülevaade. Int. J. Environ. Sci. Technol. https://doi.
org/10.1007/s13762-021-03801-5.
Bacco, M., Berton, A., Ferro, E., Gennaro, C., Gotta, A., Matteoli, S., Paonessa, F., Ruggeri, M., Virone, G., Zanella, A., 2018. Tark põllumajandus: võimalused, väljakutsed
ja tehnoloogia võimaldajad. 2018 IoT Vertikaalne ja. Põllumajanduse teemaline tippkohtumine – Toscana (IOT Toscana) 1.–6. https://doi.org/10.1109/IOTTUSCANY.2018.8373043.
Bah, MD, Hafiane, A., Canals, R., 2018. Sügav õppimine järelevalveta andmemärgistusega umbrohu tuvastamiseks liinikultuuridel UAV-piltidel. Kaugseire 10 (11), 1690.
https://doi.org/10.3390/rs10111690.
Baldi, S., 1998. Normatiivsed versus sotsiaalkonstruktivistlikud protsessid tsitaatide jaotamisel: võrguanalüütiline mudel. Olen. Sociol. Rev. 63 (6), 829–846. https://doi.
org/10.2307/2657504.
Baluja, J., Diago, MP, Balda, P., Zorer, R., Meggio, F., Morales, F., Tardaguila, J., 2012. Assessment of vineyard water status variability by thethermal and multispectral
pildid mehitamata õhusõidukiga (UAV). Irrig. Sci. 30 (6), 511–522. https://doi.org/10.1007/s00271-012-0382-9.
Barabaschi, D., Tondelli, A., Desiderio, F., Volante, A., Vaccino, P., Val`e, G., Cattivelli, L.,Järgmise põlvkonna aretus. Plant Sci. 242, 3–13. https://doi.org/10.1016/j.
plantci.2015.07.010.
Barbedo, JGA, Koenigkan, LV, 2018. Mehitamata õhusüsteemide kasutamise perspektiivid veiste seireks. Outlook Agric. 47 (3), 214–222. https://doi.org/10.1177/0030727018781876.
Bareth, G., Aasen, H., Bendig, J., Gnyp, ML, Bolten, A., Jung, A., Michels, R., Soukkamaki, ¨ J., 2015. Low-weight and UAV-based hyperspectral täiskaader kaamerad
põllukultuuride jälgimiseks: Spektri võrdlus kaasaskantava spektroradiomeetri mõõtmistega. Photogrammetrie, Fernerkundung, Geoinformation 2015 (1), 69–79.
https://doi.org/10.1127/pfg/2015/0256.
Barrientos, A., Colorado, J., del Cerro, J., Martinez, A., Rossi, C., Sanz, D., Valente, J., Aerial remote sensing in agriculture: A praktiline lähenemine piirkonna katvusele
ja mini-õhurobotite laevastiku tee planeerimine. 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. Auring on the application of path-planning algoritms for multi-rotor UAVs in precision
põllumajandus. J. Navig. 75 (2), 364–383.
Basnet, B., Bang, J., 2018. Teadmismahuka põllumajanduse kaasaegne tehnika: ülevaade rakendatud sensorsüsteemidest ja andmeanalüütikast. J. Sens 2018, 1–13.
Bendig, J., Bolten, A., Bareth, G., 2013. UAV-põhine pildistamine multi-temporaalsete, väga kõrge eraldusvõimega põllupinna mudelite jaoks põllukultuuride kasvu varieeruvuse jälgimiseks. Photogrammetrie, Fernerkundung, Geoinformation 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. Odra biomassi hindamine UAV-põhisest RGB-pildist tuletatud põllukultuuride pinnamudelite (CSM) abil. Kaugseire 6 (11), 10395–10412.
Bendig, J., Yu, K., Aasen, H., Bolten, A., Bennertz, S., Broscheit, J., Gnyp, ML, Bareth, G., 2015. UAV-põhise taime kõrguse kombineerimine põllupinnast mudelid,
nähtavad ja infrapunalähedased taimestikuindeksid odra biomassi jälgimiseks. Int. J. Appl. Maa vaatlus. 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. Võrastiku juhtivuse ja CWSI kaardistamine oliiviaedades kõrge eraldusvõimega
soojusliku kaugseire kujutised. Kaugsensori keskkond. 113 (11), 2380–2388. https://doi.org/10.1016/j.rse.2009.06.018.
Berni, JA, Zarco-Tejada, PJ, Suarez, ´L., Fereres, E., 2009b. Termiline ja kitsaribaline multispektraalne kaugseire taimestiku jälgimiseks mehitamata õhusõidukilt. IEEE Trans. Geosci. Remote Sens. 47 (3), 722–738.
Bouzembrak, Y., Klüche, M., Gavai, A., Marvin, HJP, 2019. Internet of Things in food safety: Literature review and a bibliometric analysis. Trends 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 in agriculture: Designing a Europe-wide large-scale pilot. IEEE Commun. Mag. 55 (9), 26–33.
Buters, TM, Belton, D., Cross, AT, 2019. Üksikute seemikute ja seemikute koosluste mitme sensoriga UAV jälgimine millimeetri täpsusega. Droonid 3 (4), 81.
https://doi.org/10.3390/drones3040081.
Candiago, S., Remondino, F., De Giglio, M., Dubbini, M., Gattelli, M., 2015. UAV-piltide multispektraalsete kujutiste ja taimestikuindeksite hindamine täppispõllumajandusrakenduste jaoks. Kaugseire 7 (4), 4026–4047. https://doi.org/10.3390/rs70404026.
Cao, Y., Li, GL, Luo, YK, Pan, Q., Zhang, SY, 2020. Suhkrupeedi kasvunäitajate jälgimine UAV-st tuletatud laia dünaamilise ulatusega taimestikuindeksi (WDRVI) abil
multispektraalsed kujutised. Arvuta. elektron. Põllumajandus. 171, 105331 https://doi.org/10.1016/j.compag.2020.105331.
Casillas, J., Acedo, F., 2007. Pereettevõtete kirjanduse intellektuaalse struktuuri areng: FBR bibliomeetriline uuring. Pereettevõte 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. Riisi biomassi dünaamiline monitooring
erinevaid lämmastikutöötlusi, kasutades kahe pildikaadriga hetkvõttekaameratega kerget UAV-d. Plant Methods 15 (1), 32. https://doi.org/10.1186/s13007-019-
0418-8.
Chamuah, A., Singh, R., 2019. Jätkusuutlikkuse tagamine India põllumajanduses tsiviilotstarbeliste mehitamata õhusõidukite abil: vastutustundlik innovatsiooniperspektiiv. SN Appl. Sci. 2 (1), 106. https://
doi.org/10.1007/s42452-019-1901-6.
Chamuah, A., Singh, R., 2022. Civilian mehitamata õhusõiduki (UAV) uuenduste vastutustundlik juhtimine India põllukultuuride kindlustusrakenduste jaoks. J. Vastutav
Technol. 9, 100025 https://doi.org/10.1016/j.jrt.2022.100025.
Chen, A., Orlov-Levin, V., Meron, M., 2019. Kõrge eraldusvõimega nähtava kanaliga õhust pildistamise rakendamine põllukultuuride võrastiku täppisniisutusjuhtimiseks. Põllumajandus. Vesi
Manag. 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. Kerge UAV pardal oleva fotogrammeetria ja ühesagedusliku GPS-positsioneerimisega metroloogiarakenduste jaoks. ISPRS J. Photogramm. Kaugsens. 127, 115–126. https://doi.org/10.1016/j.isprsjprs.2016.12.007.
Dawaliby, S., Aberkane, A., Bradai, A., 2020. Plokiahelal põhinev asjade Interneti-platvorm autonoomse droonioperatsioonide juhtimiseks. In: Proceedings of the 2nd ACM
MobiComi töötuba drooniabiga traadita side kohta 5G ja edasiste jaoks, lk 31–36. https://doi.org/10.1145/3414045.3415939.
Day, RA, Gastel, B., 1998. Kuidas kirjutada ja avaldada teaduslikku artiklit. Cambridge University Press. de Castro, AI, Pena, ˜ JM, Torres-Sanchez, ´J., Jim´enez-Brenes, FM, ValenciaGredilla, F., Recasens, J., Lopez-Granados, ´F., 2020. Mapping Cynodon dactylon infesting katteviljad automaatse otsustuspuu-OBIA protseduuri ja UAV-kujutistega täpse viinamarjakasvatuse jaoks. Kaugseire 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. Automaatne juhuslik metsa-OBIA algoritm varajane umbrohu kaardistamine põllukultuuride ridade vahel ja sees, kasutades UAV-kujutisi. Kaugseire 10 (2). https://doi.org/10.3390/rs10020285.
Demir, N., Sonmez, ¨ NK, Akar, T., Ünal, S., 2018. Automated Measurement of Plant Height of Wheat Genotypes using a DSM Derived from UAV Imagery. Proceedings 2 (7), 350. https://doi.org/10.3390/ecrs-2-05163.
Deng, J., Zhong, Z., Huang, H., Lan, Y., Han, Y., Zhang, Y., 2020. Kerge semantiline segmenteerimisvõrk reaalajas umbrohu kaardistamiseks, kasutades mehitamata õhusõidukeid. Rakendus Sci. 10 (20), 7132. https://doi.org/10.3390/app10207132.
Deng, L., Mao, Z., Li, X., Hu, Z., Duan, F., Yan, Y., 2018. UAV-based multispectral remote sensing for precision agriculture: a võrdlus erinevate kaamerate vahel. ISPRS J. Photogramm. Kaugsens. 146, 124–136.
Diaz-Gonzalez, FA, Vuelvas, J., Correa, CA, Vallejo, VE, Patino, D., 2022. Masinõppe ja kaugseire tehnikad, mida kasutatakse mullanäitajate hindamiseks – ülevaade. Ecol. 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. Kõrge eraldusvõimega õhus olevad UAV-kujutised oliivipuu võra parameetrite hindamiseks 3D-foto abil
rekonstrueerimine: kasutamine aretuskatsetes. Kaugseire 7 (4), 4213–4232. https://doi.org/10.3390/rs70404213.
Dixit, A., Jakhar, SK, 2021. Lennujaamade läbilaskevõime juhtimine: ülevaade ja bibliomeetriline analüüs. J. Air Transp. Manag. 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.
RapidEye kujutiste kasutamine põllukultuuride kasvu ja saagikuse varieeruvuse tuvastamiseks Kanadas Ontarios. Täppispõllumajandus. 20 (6), 1231–1250. https://doi.org/10.1007/
s11119-019-09646-w.
Dutta, PK, Mitra, S., 2021. Põllumajandusdroonide ja muu kasutamine toiduainete tarneahela mõistmiseks pärast COVID-19. In: Choudhury, A., Biswas, A., Prateek, M.,
Chakrabarti, A. (Toim.), Põllumajanduse informaatika: asjade interneti ja masinõppe automatiseerimine. Wiley, lk 67–87. van Eck, N., Waltman, L., 2009. Tarkvarauuring: VOSviewer, arvutiprogramm bibliomeetriliseks kaardistamiseks. Scientometrics 84 (2), 523–538. https://doi.org/10.1007/s11192-009-0146-3.
Elijah, O., Rahman, TA, Orikumhi, I., Leow, CY, Hindia, MN, 2018. Ülevaade asjade internetist (IoT) ja andmeanalüütikast põllumajanduses: eelised ja väljakutsed.
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. Validation of Agronomic UAV ja väli
tomatisortide mõõdud. Arvuta. elektron. Põllumajandus. 158, 278–283. https:// doi.org/10.1016/j.compag.2019.02.011.
Espinoza, CZ, Khot, LR, Sankaran, S., Jacoby, PW, 2017. Kõrge eraldusvõimega multispektraalne ja termiline kaugseirepõhine veestressi hindamine aastal
maa-alused niisutatud viinamarjad. Kaugseire 9 (9), 961. https://doi.org/ 10.3390/rs9090961.
Ewing, J., Oommen, T., Jayakumar, P., Alger, R., 2020. Hüperspektraalse kaugseire kasutamine mulla gradatsiooni jaoks. Kaugseire 12 (20), 3312. ttps://doi.org/10.3390/
rs12203312.
Fawcett, D., Panigada, C., Tagliabue, G., Boschetti, M., Celesti, M., Evdokimov, A., Biriukova, K., Colombo, R., Miglietta, F., Rascher, U., Anderson, K., 2020. Droonipõhise multispektraalse pinna peegelduvuse ja taimestikuindeksite mitmeastmeline hindamine töötingimustes. Kaugseire 12 (3), 514.
Feng, X., Yan, F., Liu, X., 2019. Traadita side tehnoloogiate uurimine asjade Internetis täppispõllumajanduses. Juhtmevaba isik. Commun. 108 (3),
1785-1802.
Ferreira, MP, Pinto, CF, Serra, FR, 2014. Tehingukulude teooria rahvusvahelises äriuuringutes: bibliomeetriline uuring kolme aastakümne jooksul. Scientometrics 98 (3), 1899–1922. https://doi.org/10.1007/s11192-013-1172-8.
Fisher, P., Abuzar, M., Rab, M., Best, F., Chandra, S., 2009. Advances in precision agriculture in South-Eastern Australia. I. regressioonimetoodika simuleerimiseks
teravilja saagikuse ruumiline varieeruvus, kasutades põllumeeste ajaloolist kopli saagikust ja normaliseeritud erinevuse taimkatte indeksit. Crop Pasture Sci. 60 (9), 844–858.
Floreano, D., Wood, RJ, 2015. Teadus, tehnoloogia ja väikeste autonoomsete droonide tulevik. Loodus 521 (7553), 460–466. https://doi.org/10.1038/nature14542.
Friha, O., Ferrag, MA, Shu, L., Maglaras, LA, Wang, X., 2021. Internet of things for the future of smart agriculture: a ulatuslik uuring esilekerkivatest tehnoloogiatest. 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. Fig plant segmentation õhupiltidelt, kasutades sügavat konvolutsioonilist kodeerija-dekoodri võrku. Kaugseire 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. UAV-de väljakutse veestressi hindamiseks
jätkusuutlik põllumajandus. Põllumajandus. Veejuht. 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. Termopildistamine tehases
tase, et hinnata põllukultuuride vee seisundit mandlipuudel (Cv. Guara) puuduliku niisutusstrateegiate korral. Põllumajandus. Veejuht. 208, 176–186. https://doi.org/10.1016/j.
agwat.2018.06.002.
Garzonio, R., Di Mauro, B., Colombo, R., Cogliati, S., 2017. Pinna peegelduvuse ja päikeseindutseeritud fluorestsentsspektroskoopia mõõtmised väikese hüperspektraalse UAS-iga. Kaugseire 9 (5), 472. https://doi.org/10.3390/rs9050472. Gaˇsparovi´c, M., Zrinjski, M., Barkovi´c, Đ., Radoˇcaj, D., 2020. An automatic method for
umbrohu kaardistamine kaerapõldudel UAV kujutiste põhjal. Arvuta. elektron. Põllumajandus.
Gebbers, R., Adamchuk, VI, 2010. Täppispõllumajandus ja toiduga kindlustatus. Science 327 (5967), 828–831. https://doi.org/10.1126/science.1183899.
Geipel, J., Link, J., Claupein, W., 2014. Maisi saagikuse kombineeritud spektraalne ja ruumiline modelleerimine õhupiltide ja mehitamata õhusõidukisüsteemiga saadud põllupinna mudelite põhjal. Kaugseire 6 (11), 10335–10355. https://doi.org/10.3390/rs61110335.
Geng, D., Feng, Y., Zhu, Q., 2020. Jätkusuutlik disain kasutajatele: kirjanduse ülevaade ja bibliomeetriline analüüs. Keskkond. Sci. Saasta. Res. 27 (24), 29824–29836. https://doi. org/10.1007/s11356-020-09283-1.
Gevaert, CM, Suomalainen, J., Tang, J., Kooistra, L., 2015. Spektraalajalise vastuse pindade genereerimine multispektraalse satelliidi ja hüperspektraalse satelliitide kombineerimisel
UAV-kujutised täppispõllumajanduse rakenduste jaoks. IEEE J. Sel. Üles. Rakendus Maa vaatlus. Remote Sens. 8 (6), 3140–3146. ttps://doi.org/10.1109/JSTARS.2015.2406339.
Gill, SS, Chana, I., Buyya, R., 2017. IoT-põhine põllumajandus kui pilve- ja suurandmeteenus: digitaalse India algus. J. Org. ja lõppkasutaja arvuti. (JOEUC) 29 lõige 4,
1-23.
Gmür, M., 2006. Kaastsiteerimise analüüs ja nähtamatute kolledžite otsimine: metoodiline hindamine. Scientometrics 57 (1), 27–57. https://doi.org/10.1023/
a:1023619503005.
Gnadinger, ¨ F., Schmidhalter, U., 2017. Digitaalne maisitaimede loendus Unmanned Aerial Vehicles (UAV) poolt. Kaugseire 9 (6). http://doi.org/10.3390/rs9060544.
Gokto ¨ ǧan, AH, Sukkarieh, S., Bryson, M., Randle, J., Lupton, T., Hung, C., 2010. Rotary-wing mehitamata õhusõiduk veekeskkonna umbrohu seireks ja
juhtimine. J. Intell. Robootikasüsteem: teoor. Rakendus 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. Mehitamata õhusõiduki (UAV) kujutiste mosaiikide täpsuse hindamine nisu täppispõllumajanduse eesmärgil. Täpne. Põllumajandus. 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. Field phenotyping of water stress at tree scale by UAV-sensed imagesry : uus ülevaade
termiline kogumine ja kalibreerimine. Täpne. Põllumajandus. 17 (6), 786–800. https://doi.org/10.1007/s11119-016-9449-6.
Gonzalez-Dugo, V., Zarco-Tejada, PJ, Fereres, E., 2014. Põllukultuuride veestressiindeksi kasutamise piirangud tsitrusviljaaedade veepuuduse indikaatorina. Põllumajandus. Sest. Meteorol. 198–199, 94–104. https://doi.org/10.1016/j. agrformet.2014.08.003.
Gonzalez-Dugo, V., Zarco-Tejada, P., Nicolas, ´ E., Nortes, PA, Alarcon, ´ JJ, Intrigliolo, DS, Fereres, E., 2013. Kasutades kõrge eraldusvõimega UAV termopilti
hinnata viie viljapuuliigi veeseisundi varieeruvust kaubanduslikus viljapuuaias. Täpne. Põllumajandus. 14 (6), 660–678. https://doi.org/10.1007/s11119-013-9322-9.
Goyal, K., Kumar, S., 2021. Finantskirjaoskus: süstemaatiline ülevaade ja bibliomeetriline analüüs. Int. J. Consumer Studies 45 (1), 80–105. https://doi.org/10.1111/
ijcs.12605.
Grenzdorffer, ¨ GJ, Engel, A., Teichert, B., 2008. Odavate uav-de fotogrammeetriline potentsiaal metsanduses ja põllumajanduses. Rahvusvaheline fotogrammeetria, kaugseire ja ruumiinfoteaduste arhiiv – 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. Kõrge eraldusvõime korrelatsiooni hindamine
NDVI koos väetise kasutamise taseme ja riisi- ja nisukultuuride saagikusega, kasutades väikeseid mehitamata õhusõidukeid. Kaugseire 11 (2), 112.
Gundolf, K., Filser, M., 2013. Juhtimisuuringud ja religioon: tsitaadianalüüs. J. Buss. Eetika 112 (1), 177–185.
Guo, Q., Zhu, Y., Tang, Y., Hou, C., He, Y., Zhuang, J., Zheng, Y., Luo, S., 2020. Ruumilise CFD simulatsioon ja eksperimentaalne kontrollimine ja ajalised jaotused
hõljuva neljarootoriga põllumajandusliku UAV allavoolu õhuvool. Arvuta. elektron. Põllumajandus. 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. , Poola, J., 2016.
Mehitamata õhusüsteemide kasutamine suurte nisuaretuse puukoolide suure läbilaskevõimega fenotüüpimiseks. Taimemeetodid 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. Spectral imaging from UAVs under varying illumination conditions . Väljaandes GG Bill R. (Ed.), International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences – ISPRS Archives (Vol. 40, Issue 1W2, lk 189–194). Rahvusvaheline Fotogrammeetria ja Kaugseire Ühing. 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. Mehitamata õhust saare taimestiku kaardistamise tehnikate hindamine
sõiduki (UAV) pildid: pikslite klassifitseerimine, visuaalne tõlgendamine ja masinõppe lähenemisviisid. Int. J. Appl. Maa vaatlus. Geoinf. 89, 102085 https://doi.org/
10.1016/j.jag.2020.102085.
Haque, A., Islam, N., Samrat, NH, Dey, S., Ray, B., 2021. Nutikas põllumajandus vastutustundliku juhtimise kaudu Bangladeshis: võimalused, võimalused ja muud.
Jätkusuutlikkus 13 (8), 4511.
Hardin, PJ, Hardin, TJ, 2010. Väikesemahulised kaugjuhitavad sõidukid keskkonnauuringutes. Geograafiakompass 4 (9), 1297–1311. ttps://doi.org/10.1111/j.1749-
8198.2010.00381.x.
Hardin, PJ, Jensen, RR, 2011. Väikesemahulised mehitamata õhusõidukid keskkonna kaugseires: väljakutsed ja võimalused. GISci. Kaugsens. 48 (1), 99–111. https://doi.org/10.2747/1548-1603.48.1.99.
He, Y., Nie, P., Zhang, Q., Liu, F., 2021. Agricultural Internet of Things: technology and applications, (1. väljaanne 2021. aasta väljaanne). Springer.
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. aasta.
Pildistamine mehitamata õhusõidukilt: põllumajandusseire ja otsuste tugi. Arvuta. elektron. Põllumajandus. 44 (1), 49–61. https://doi.org/10.1016/j.
kompag.2004.02.006.
Holman, FH, Riche, AB, Michalski, A., Castle, M., Wooster, MJ, Hawkesford, MJ, Nisutaimede kõrguse ja kasvukiiruse suure läbilaskevõimega põllu fenotüüpimine põllumaa katsetes, kasutades UAV-põhist kaugseiret. Kaugseire 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. Töötlemine ja hindamine Spektromeetrilised stereoskoopilised kujutised, mis on kogutud täppispõllunduse jaoks mõeldud kerge UAV spektraalkaamera abil. Kaugseire 5 (10), 5006–5039. https://doi.org/10.3390/rs5105006.
Hossein Motlagh, N., Taleb, T., Arouk, O., 2016. Madala kõrgusega mehitamata õhusõidukitel põhinevad asjade interneti teenused: põhjalik uuring ja tulevikuperspektiivid. 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. UAV-i linnakanjonite kombineeritud optiline voolu- ja stereopõhine navigeerimine. Väljaanne: 2005 IEEE/RSJ
Rahvusvaheline intelligentsete robotite ja süsteemide konverents, lk 3309–3316. https://doi.org/10.1109/IROS.2005.1544998.
Hsu, T.-C., Yang, H., Chung, Y.-C., Hsu, C.-H., 2020. A Creative IoT agriculture platform for cloud udu computing. Jätkata. Arvuta. Info Syst. 28, 100285.
Huang, H., Deng, J., Lan, Y., Yang, A., Deng, X., Zhang, L., Gonzalez-Andujar, JL, 2018. Täielikult konvolutsiooniline võrk mehitamata õhusõiduki umbrohu kaardistamiseks ( UAV) kujutised. PLoS ONE 13 (4), e0196302.
Huang, H., Lan, Y., Yang, A., Zhang, Y., Wen, S., Deng, J., 2020. Deep learning versus Object-based Image Analysis (OBIA) in weed Mapping of UAV imagery. Int. 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. UAV-piltide sügav värvikalibreerimine põllukultuuride jälgimisel
semantilise stiili ülekande kasutamine kohaliku ja globaalse tähelepanuga. Int. J. Appl. Maa vaatlus. Geoinf. 104, 102590 https://doi.org/10.1016/j.jag.2021.102590.
Huang, YB, Thomson, SJ, Hoffmann, WC, Lan, YB, Fritz, BK, 2013. Mehitamata õhusõidukite tehnoloogiate arendamine ja väljavaade põllumajanduslikuks tootmiseks
juhtimine. Int. J. Agric. Biol. Eng. 6 (3), 1.–10. https://doi.org/10.3965/j. ijabe.20130603.001.
Huang, Y., Hoffmann, WC, Lan, Y., Wu, W., Fritz, BK, 2009. Mehitamata õhusõiduki platvormi pihustussüsteemi väljatöötamine. Rakendus Eng. Põllumajandus. 25 (6), 803–809.
Hunt Jr., ER, Dean Hively, W., Fujikawa, SJ, Linden, DS, Daughtry, CST, McCarty, GW, 2010. NIR-roheliste-siniste digifotode omandamine
mehitamata õhusõidukid saagi jälgimiseks. Kaugseire 2 (1), 290–305. https://doi. org/10.3390/rs2010290. Inoue, Y., 2020. Satelliidi- ja droonipõhine põllukultuuride ja muldade kaugseire targaks põllumajanduseks – ülevaade. Soil Sci. Taim 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. Asjade Interneti (IoT) ja rakenduste ja kommunikatsioonitehnoloogiate ülevaade
Mehitamata õhusõidukitel (UAV) põhinev säästev nutikas põllumajandus. Jätkusuutlikkus 13 (4), 1821. https://doi.org/10.3390/su13041821.
Jaud, M., Passot, S., Le Bivic, R., Delacourt, C., Grandjean, P., Le Dantec, N., 2016. Kõrge eraldusvõimega digitaalsete pinnamudelite täpsuse hindamine, mida arvutas
PhotoScan® ja MicMac® ebaoptimaalsetes uuringutingimustes. Remote Sensing 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. Kvantifitseeriv pügamise mõju oliivipuu arhitektuurile ja aastasele võrastiku kasv UAV-põhise 3D-modelleerimise abil. Taimemeetodid 13 (1). https://doi.org/10.1186/s13007-017-0205-3.
Jin, X., Liu, S., Baret, F., Hemerl´e, M., Comar, A., 2017. Estimates of plant density of wheat crops at täring from very low height UAV imagery. Kaugandurid.
Keskkond. 198, 105–114. https://doi.org/10.1016/j.rse.2017.06.007.
Jinbo, C., Xiangliang, C., Han-Chi, F., Lam, A., 2019. Pilvandmetöötlusega toetatud põllumajandustoodete jälgimissüsteem. Cluster Comput. 22 (4), 8929–8938.
Ju, C. ja Son, HI 2018a. Mitme UAV-süsteemi toimivuse hindamine põllumajanduses kaugseire jaoks. Põllumajanduse robotite visiooni ja tegevust käsitleva seminari materjal IEEE rahvusvahelisel robootika ja automatiseerimise konverentsil (ICRA), Brisbane, Austraalia, 21.–26.
Ju, C., poeg, HI, 2018b. Mitmed UAV-süsteemid põllumajanduslike rakenduste jaoks: juhtimine, rakendamine ja hindamine. Elektroonika 7 (9), 162. https://doi.org/10.3390/
elektroonika7090162.
Jung, J., Maeda, M., Chang, A., Bhandari, M., Ashapure, A., Landivar-Bowles, J., 2021. Kaugseire ja tehisintellekti potentsiaal kui vahendid, mis parandavad
põllumajanduslike tootmissüsteemide vastupidavus. Curr. Arvamus. Biotehnoloogia. 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. Täiustatud põllukultuuride uurimise tehnika, mis hõlmab mehitamata õhusõiduki abil multispektraalset saagikuvamist arbuusi kummivarrepõletiku tavapäraste uurimismeetoditega. Plant Dis. 103 (7), 1642–1650.
Kapoor, KK, Tamilmani, K., Rana, NP, Patil, P., Dwivedi, YK, Nerur, S., 2018. Advances in Social media research: past, present and future. Teavitada. Syst. Ees. 20
(3), 531-558.
Kerkech, M., Hafiane, A., Canals, R., 2020. VddNet: viinamarjahaiguste tuvastamise võrk, mis põhineb multispektraalsetel piltidel ja sügavuskaardil. Kaugseire 12 (20), 3305. https://doi. org/10.3390/rs12203305.
Khaliq, A., Comba, L., Biglia, A., Ricauda Aimonino, D., Chiaberge, M., Gay, P., 2019. Satelliidi- ja UAV-põhiste multispektraalsete kujutiste võrdlus viinamarjaistanduse jaoks
varieeruvuse hindamine. Kaugseire 11 (4). https://doi.org/10.3390/rs11040436.
Khan, PW, Byun, Y.-C., Park, N., 2020. IoT-plokiahelaga võimaldatud optimeeritud päritolusüsteem toiduainetööstuse 4.0 jaoks, kasutades täiustatud süvaõpet. Andurid 20 (10), 2990.
Khan, RU, Khan, K., Albattah, W., Qamar, AM, Ullah, F., 2021. Taimehaiguste pildipõhine tuvastamine: klassikalisest masinõppest sügava õppimise teekonnani. Traadita kommunikatsioon. Mobiilne arvuti. 2021, 1.–13.
Khan, S., Tufail, M., Khan, MT, Khan, ZA, Iqbal, J., Alam, M., Le, KNQ, 2021. Uudne pooljärelevalvega raamistik UAV-põhise põllukultuuride/umbrohtude klassifitseerimiseks. PLoS ONE 16 (5), e0251008.
Khanal, S., Fulton, J., Shearer, S., 2017. Ülevaade soojusliku kaugseire praegustest ja potentsiaalsetest rakendustest täppispõllumajanduses. Arvuta. elektron.
Põllumajandus. 139, 22–32. https://doi.org/10.1016/j.compag.2017.05.001.
Khanna, A., Kaur, S., 2019. Evolution of Internet of Things (IoT) ja selle oluline mõju täppispõllumajanduse valdkonnas. Arvuta. elektron. Põllumajandus. 157, 218–231.
Kim, W., Khan, GF, Wood, J., Mahmood, MT, 2016. Töötajate kaasamine jätkusuutlikele organisatsioonidele: märksõnaanalüüs sotsiaalse võrgustiku analüüsi ja sarivõtte abil
avastamise lähenemisviis. Jätkusuutlikkus 8 (7), 631.
Kirsch, M., Lorenz, S., Zimmermann, R., Tusa, L., Mockel, ¨ R., Hodl, ¨ P., Booysen, R., Khodadadzadeh, M., Gloaguen, R., 2018. Integratsioon maapealsete ja droonide kaudu
hüperspektraalsed ja fotogrammeetrilised tuvastusmeetodid uuringute kaardistamiseks ja kaevandamise seireks. Kaugseire 10 (9), 1366. https://doi.org/10.3390/
rs10091366.
Kitano, BT, Mendes, CCT, Geus, AR, Oliveira, HC, Souza, JR, 2019. Maisitaimede loendamine süvaõppe ja UAV-piltide abil. IEEE Geosci. Remote Sens. Lett. 1–5 https://doi.org/10.1109/LGRS.2019.2930549.
Koh, JCO, Spangenberg, G., Kant, S., 2021. Automated machine learning for highthroughput image-based plant fenotyping. Kaugseire 13 (5), 858. https://
doi.org/10.3390/rs13050858.
Kovalev, IV, Voroshilova, AA, 2020. Kaasaegsed tehnoloogilised suundumused kaubaveo-UAV-de ökosüsteemi arengus. J. Phys. Conf. 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 siseruumides kariloomadele ja põllumajandusele, kasutades monokulaarse kaameraga väikest drooni: teostatavusuuring.
Droonid 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. Survey of drone for agriculture automation istutamisest kuni
saagikoristus. In: INES 2018 – IEEE 22nd International Conference on Intelligent Engineering Systems, lk 000353–358. https://doi.org/10.1109/INES.2018.8523943.
Lagkas, T., Argyriou, V., Bibi, S., Sarigiannidis, P., 2018. UAV IoT raamistiku vaated ja väljakutsed: droonide kui asjade kaitsmise suunas. Andurid 18 (11), 4015. https://doi.org/10.3390/s18114015.
Laliberte, AS, Rango, A., 2011. Pilditöötlus- ja klassifitseerimisprotseduurid mehitamata õhusõidukiga õhusõiduki kohal saadud aladetsimeetrilise kujutise analüüsimiseks
karjamaad. GISci. Kaugsens. 48 (1), 4–23. https://doi.org/10.2747/1548-1603.48.1.4.
Laliberte, AS, Rango, A., Herrick, JE, 2007. Mehitamata õhusõidukid karjaalade kaardistamiseks ja seireks: kahe süsteemi võrdlus. ASPRS aastakonverentsi materjalid.
Lam, OHY, Dogotari, M., Prüm, M., Vithlani, HN, Roers, C., Melville, B., Zimmer, F., Becker, R., 2021. Avatud lähtekoodiga töövoog umbrohu kaardistamiseks looduslikel rohumaadel
mehitamata õhusõiduki kasutamine: Rumex obtusifoliuse kasutamine juhtumiuuringuna. 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. Täppisviljeluse andmete kasutuselevõtt, kasumlikkus ja parem kasutamine.
Tööpaber. Purdue ülikool. https://doi.org/10.22004/ag.econ.28615.
Lelong, CCD, Burger, P., Jubelin, G., Roux, B., Labb´e, S., Baret, F., 2008. Mehitamata õhusõidukite kujutiste hindamine nisusaagi kvantitatiivseks jälgimiseks väikestes maatükkides. Andurid 8 (5), 3557–3585. https://doi.org/10.3390/s8053557.
Li, C., Niu, B., 2020. Nutika põllumajanduse disain suurandmetel ja asjade internetil. Int. J. Distrib. Sens. Netw. 16 (5) ttps://doi.org/10.1177/1550147720917065.
Li, W., Niu, Z., Chen, H., Li, D., Wu, M., Zhao, W., 2016. Remote estimation of coopykõrgus ja maisi maapealne biomass, kasutades kõrge eraldusvõimega stereokujutisi odav mehitamata õhusõidukisüsteem. Ecol. 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. Masinõpe põllumajanduses: ülevaade. Andurid 18 (8), 2674.
Liebisch, F., Kirchgessner, N., Schneider, D., Walter, A., Hund, A., 2015. Remote, aerial phenotyping of maisi tunnuste mobiilse multisensorilise lähenemisviisiga. Plant Methods 11 (1), 9. https://doi.org/10.1186/s13007-015-0048-8.
Lin, Z., Guo, W., 2020. Sorgo panicle tuvastamine ja loendamine mehitamata õhusüsteemi kujutiste ja sügava õppimise abil. Ees. Plant Sci. 11.
Liu, S., Guo, L., Webb, H., Ya, X., Chang, X., 2019. Pilvandmetöötlusel põhinev kaasaegse ökopõllumajanduse asjade Interneti seiresüsteem. IEEE Access 7, 37050–37058.
Lopez-Granados, ´ F., 2011. Umbrohu tuvastamine kohaspetsiifilise umbrohutõrje jaoks: kaardistamine ja reaalajas lähenemisviisid. 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. Rohu umbrohu objektipõhine varajane monitooring rohusaagis, kasutades kõrge eraldusvõimega UAV-kujutisi. Agron. Jätkata. Dev. 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. Varajane hooaja umbrohu kaardistamine päevalilles UAV-tehnoloogia abil: herbitsiidide töötlemise kaartide varieeruvus umbrohulävede suhtes. Täpne. Põllumajandus. 17 (2), 183–199.
Lucieer, A., Malenovský, Z., Veness, T., Wallace, L., 2014. HyperUAS – imaging spectroscopy from a multirotor unmanned aircraft system. J. Field Rob. 31 (4),
571–590. https://doi.org/10.1002/rob.21508.
Lumme, J., Karjalainen, M., Kaartinen, H., Kukko, A., Hyyppa, ¨ J., Hyypp¨ a, H., Jaakkola, A., & Kleemola, J., 2008. Terrestrial laser scanning of põllukultuurid. JJ-s
Chen J. Maas H–G. (Toim.), International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences — ISPRS Archives (37. kd, lk 563–566).
Rahvusvaheline Fotogrammeetria ja Kaugseire Ühing. 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. A review of supervised objectbased land-cover image classification. ISPRS J. Photogramm. Kaugandur 130,
277–293. https://doi.org/10.1016/j.isprsjprs.2017.06.001.
Maes, WH, Steppe, K., 2019. Mehitamata õhusõidukitega kaugseire perspektiivid täppispõllumajanduses. Trends Plant Sci. 24 (2), 152–164. https://doi.org/10.1016/j.tplants.2018.11.007.
Maimaitijiang, M., Ghulam, A., Sidike, P., Hartling, S., Maimaitiyiming, M., Peterson, K., Shavers, E., Fishman, J., Peterson, J., Kadam, S., Burken, J., Fritschi, F., 2017.
Mehitamata õhusüsteemil (UAS) põhinev sojaoa fenotüüpimine, kasutades mitme anduriga andmete liitmist ja ekstreemset õppemasinat. ISPRS J. Photogramm. Remote Sens. 134, 43–58. https://doi.org/10.1016/j.isprsjprs.2017.10.011. Maimaitijiang, M., Sagan, V., Sidike, P., Daloye, AM, Erkbol, H., Fritschi, FB, 2020.
Põllukultuuride jälgimine satelliidi/UAV-andmete liitmise ja masinõppe abil. Kaugseire 12 (9), 1357. https://doi.org/10.3390/rs12091357.
Manfreda, S., McCabe, M., Miller, P., Lucas, R., Pajuelo Madrigal, V., Mallinis, G., Ben Dor, E., Helman, D., Estes, L., Ciraolo, G. ., Müllerova, ´ J., Tauro, F., de Lima, M., de
Lima, J., Maltese, A., Frances, F., Caylor, K., Kohv, M., Perks, M., Ruiz-P´erez, G., Su, Z., Vico, G., Toth , B., 2018. Mehitamata õhusüsteemide kasutamise kohta
keskkonnaseire. Kaugseire 10 (4), 641.
Marinko, RA, 1998. Tsitaadid naisuuringute ajakirjadele väitekirjades, 1989 ja The Serials Librarian, 35 (1–2), 29–44. https://doi.org/10.1300/J123v35n01_
03.
Masroor, R., Naeem, M., Ejaz, W., 2021. Resource management in UAV-assisted wireless networks: an optimization view. Ad Hoc võrk 121, 102596 https://doi.org/10.1016/j.adhoc.2021.102596.
Matese, A., Di Gennaro, SF, 2018. Multisensoriga UAV platvormi praktilised rakendused, mis põhinevad multispektraalsetel, termilistel ja RGB kõrge eraldusvõimega piltidel
viinamarjakasvatus. Põllumajandus 8 (7), 116. https://doi.org/10.3390/agriculture8070116.
Matese, A., Di Gennaro, SF, 2021. Lisaks traditsioonilisele NDVI indeksile kui võtmetegurile UAV-de kasutamise süvalaiendamiseks täppisviinakasvatuses. Sci. 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 UAV, lennukite võrdlus
ja satelliitkaugseireplatvormid täppisviinakasvatuseks. Kaugseire 7 (3), 2971–2990. https://doi.org/10.3390/rs70302971.
Mazzia, V., Comba, L., Khaliq, A., Chiaberge, M., Gay, P., 2020. UAV ja masinõppel põhinev satelliidipõhise taimestikuindeksi täpsustamine täpsuse tagamiseks
põllumajandus. Andurid 20 (9), 2530. https://doi.org/10.3390/s20092530.
McCain, KW, 1990. Autorite kaardistamine intellektuaalses ruumis: tehniline ülevaade. J. Am. Soc. Info. Sci. 41 (6), 433–443.
Meinen, BU, Robinson, DT, 2021. Põllumajanduse erosiooni modelleerimine: USLE ja WEPP välimaa erosiooni hinnangute hindamine UAV aegridade andmete abil. Keskkond. Modell. Tarkvara 137, 104962. https://doi.org/10.1016/j.envsoft.2021.104962.
Melville, B., Lucieer, A., Aryal, J., 2019. Madalmaade looduslike rohumaakoosluste klassifikatsioon, kasutades hüperspektraalset mehitamata õhusõidukisüsteemi (UAS) kujutist
Tasmaania keskmaa. Droonid 3 (1), 5.
Messina, G., Modica, G., 2020. UAV termopiltide rakendused täppispõllumajanduses: tehnika tase ja tuleviku uuringuväljavaated. Remote Sensing 12 (9), https://doi.org/10.3390/rs12091491.
Mishra, D., Luo, Z., Jiang, S., Papadopoulos, T., Dubey, R., 2017. Bibliograafiline uuring suurandmete kohta: kontseptsioonid, trendid ja väljakutsed. Äriprotsesside juht. J. 23 (3),
555-573.
Mochida, K., Saisho, D., Hirayama, T., 2015. Põllukultuuride parandamine põllutingimustes saadud elutsükli andmekogude abil. Ees. Plant Sci. 6 https://doi.org/10.3389/
fpls.2015.00740.
Mogili, UM.R., Deepak, BBVL, 2018. Ülevaade droonisüsteemide rakendamisest täppispõllumajanduses. Procedia Comput. Sci. 133, 502–509.
Moharana, S., Dutta, S., 2016. Riisi klorofülli ja lämmastikusisalduse ruumiline varieeruvus hüperspektraalsetest kujutistest. ISPRS J. Photogramm. Remote Sens. 122, 17–29.
Muangprathub, J., Boonnam, N., Kajornkasirat, S., Lekbangpong, N., Wanichsombat, A.,
Nillaor, P., 2019. IoT and agriculture data analysis for smart farm. Arvuta. elektron. Põllumajandus. 156, 467–474.
Nansen, C., Elliott, N., 2016. Kaugseire ja peegeldusprofiilide koostamine entomoloogias. Annu. Rev Entomol. 61 (1), 139–158. https://doi.org/10.1146/annurev-ento010715-023834.
Navia, J., Mondragon, I., Patino, D., Colorado, J., 2016. Multispectral mapping in agriculture: terrain mosaiic using an autonomous quadcopter UAV. Int. Conf.
Mehitamata õhusõidukisüsteem. (ICUAS) 2016, 1351–1358. https://doi.org/10.1109/ ICUAS.2016.7502606.
Nayyar, A., Nguyen, B.-L., Nguyen, NG, 2020. The internet of drone things (Iodt): tuleviku ettekujutus nutikatest droonidest. Adv. Intell. Syst. Arvuta. 1045, 563–580. https://doi.org/10.1007/978-981-15-0029-9_45.
Nebiker, S., Annen, A., Scherrer, M., Oesch, D., 2008. Kerge multispektraalsensor mikro-UAV jaoks – võimalused väga kõrge eraldusvõimega õhust kaugseireks. Int. Arch. Fotogramm. Remote Sens. Spat. Info Sci 37 (B1), 1193–1200.
Negash, L., Kim, H.-Y., Choi, H.-L., 2019. Emerging UAV application in agriculture. Aastal: 2019 7th International Conference on Robot Intelligence Technology ja
Taotlused (RiTA), lk 254–257. https://doi.org/10.1109/RITAPP.2019.8932853.
Nerur, SP, Rasheed, AA, Natarajan, V., 2008. Strateegilise juhtimise valdkonna intellektuaalne struktuur: autori kaastsiteerimise analüüs. Strateegia. Manag. J. 29 (3),
319-336.
Neupane, K., Baysal-Gurel, F., 2021. Taimehaiguste automaatne tuvastamine ja jälgimine mehitamata õhusõidukite abil: ülevaade. Kaugseire 13 (19), 3841. https://doi.org/10.3390/rs13193841.
Nex, F., Remondino, F., 2014. UAV 3D-kaardistamise rakendustele: ülevaade. Rakendus Geomaatika 6 (1), 1–15. https://doi.org/10.1007/s12518-013-0120-x.
Niu, H., Hollenbeck, D., Zhao, T., Wang, D., Chen, Y., 2020. Evapotranspiration estimation with small UAVs in precision agriculture. Andurid 20 (22), 6427. https://
doi.org/10.3390/s20226427.
Osareh, F., 1996. Bibliomeetria, tsiteerimise analüüs ja kaastsiteerimise analüüs. Kirjanduse ülevaade 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, sensors, and data processing in agroforestry: praktiliste rakenduste ülevaade. Int. 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. Teraviljakultuuride droonipõhiste andmelahenduste ülevaade. Droonid 4 (3), 1.–29. https://doi.org/10.3390/
droonid4030041.
Parsaeian, M., Shahabi, M., Hassanpour, H., 2020. Seesamiseemnete õli- ja valgusisalduse hindamine pilditöötluse ja tehisnärvivõrgu abil. J. Am. Õli
Chemists' Soc. 97 (7), 691–702.
Pena, ˜ JM, Torres-S´anchez, J., de Castro, AI, Kelly, M., Lopez-Granados, ´F., Suarez, O., Weed Mapping in varajase hooaja maisipõldudel kasutades objektipõhist analüüsi kohta
mehitamata õhusõiduki (UAV) pildid. 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. Pooljärelevalvega süsteem päevalillekultuuride umbrohu kaardistamiseks, kasutades mehitamata õhusõidukeid ja põllukultuurirea tuvastamise meetodit. Rakendus Pehme arvuti. J. 37, 533–544. https://doi.org/10.1016/j.asoc.2015.08.027.
Pincheira, M., Vecchio, M., Giaffreda, R., Kanhere, SS, 2021. Kulusäästlikud IoT-seadmed kui usaldusväärsed andmeallikad täppispõllumajanduse plokiahelapõhise veemajandussüsteemi jaoks. Arvuta. elektron. Põllumajandus. 180, 105889.
Popescu, D., Stoican, F., Stamatescu, G., Ichim, L., Dragana, C., 2020. Täiustatud UAV-WSN süsteem intelligentseks seireks täppispõllumajanduses. Andurid 20 (3), https://doi.org/10.3390/s20030817.
Pournader, M., Shi, Y., Seuring, S., Koh, SL, 2020. Plokiahela rakendused tarneahelates, transpordis ja logistikas: süstemaatiline kirjanduse ülevaade. Int. J. Prod. Res. 58 (7), 2063–2081.
Primicerio, J., Di Gennaro, SF, Fiorillo, E., Genesio, L., Lugato, E., Matese, A., Vaccari, FP, 2012. Paindlik mehitamata õhusõiduk täppispõllumajanduseks.
Täpne. Põllumajandus. 13 (4), 517–523. https://doi.org/10.1007/s11119-012-9257-6.
Pritchard, A., 1969. Statistiline bibliograafia ehk bibliomeetria. J. Dokument. 25 (4), 348–349.
Pudelko, R., Stuczynski, T., Borzecka-Walker, M., 2012. Mehitamata õhusõiduki (UAV) sobivus katsepõldude ja põllukultuuride hindamiseks. Põllumajandus 99 (4), 431–436.
Puri, V., Nayyar, A., Raja, L., 2017. Põllumajandusdroonid: kaasaegne läbimurre täppispõllumajanduses. J. Statis. Manag. Syst. 20 (4), 507–518.
Radoglou-Grammatikis, P., Sarigiannidis, P., Lagkas, T., Moscholios, I., 2020. UAV-rakenduste kogumik täppispõllumajanduse jaoks. Arvuta. Võrk 172,
107148 https://doi.org/10.1016/j.comnet.2020.107148.
Ramesh, KV, Rakesh, V., Prakasa Rao, EVS, 2020. Suurandmete analüütika ja tehisintellekti rakendamine agronoomilistes uuringutes. Indiaanlane J. Agron. 65 (4), 383–395.
Raparelli, E., Bajocco, S., 2019. Bibliomeetriline analüüs mehitamata õhusõidukite kasutamisest põllumajandus- ja metsandusuuringutes. Int. 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.
Väikeste mehitamata õhusõidukisüsteemide (UAS) võimalikud kasutusalad umbrohuuuringutes. Weed Res. 53 (4), 242–248.
Rasmussen, J., Ntakos, G., Nielsen, J., Svensgaard, J., Poulsen, RN, Christensen, S., Kas taimkatte indeksid on saadud tarbijatele mõeldud kaameratest, mis on paigaldatud
Kas mehitamata õhusõidukid on katseplaanide hindamiseks piisavalt usaldusväärsed? 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. Digitaliseerimine toiduainete tarneahelates: bibliomeetriline ülevaade ja võtmetee põhitee
analüüs. Jätkusuutlikkus 14 (1), 83. https://doi.org/10.3390/su14010083.
Rejeb, A., Rejeb, K., Simske, SJ, Treiblmaier, H., 2021a. Droonid tarneahela juhtimise ja logistika jaoks: ülevaade ja uurimistöö. Int. J. Logist. Res. Rakendus
1–24. https://doi.org/10.1080/13675567.2021.1981273.
Rejeb, A., Rejeb, K., Simske, S., Treiblmaier, H., 2021b. Plokiahela tehnoloogiad logistikas ja tarneahela juhtimises: bibliomeetriline ülevaade. Logistika 5 (4), 72.
https://doi.org/10.3390/logistics5040072.
Rejeb, A., Rejeb, K., Simske, S., Treiblmaier, H., 2021c. Humanitaardroonid: ülevaade ja uurimistöö. Asjade internet 16, 100434. https://doi.org/10.1016/j.
iot.2021.100434.
Rejeb, A., Treiblmaier, H., Rejeb, K., Zailani, S., 2021d. Plokiahela uuringud tervishoius: bibliomeetriline ülevaade ja praegused uurimissuunad. J. of Data, Inf. ja
Manag. 3 (2), 109–124.
Rejeb, A., Simske, S., Rejeb, K., Treiblmaier, H., Zailani, S., 2020. Internet of Things research in supply chain management and logistics: a bibliometric analysis. Internet
Asjadest 12, 100318.
ReportLinker, 2021. AastaGlobeNewswire'i uudistetuba jõuab ülemaailmse põllumajandusdroonide turuni 15.2 miljardi USA dollarini. https://www.globenewswire.com/news-release/2021/08/10/2277986/0/en/Global-Agriculture-Drones-Market-to-Reach-US-15-2-Billion-by-the- Aasta-2027.html.
Ribeiro-Gomes, K., Hernandez-L ´ opez, ´ D., Ortega, JF, Ballesteros, R., Poblete, T., Moreno, MA, 2017. Jahutamata termokaamera kalibreerimine ja optimeerimine
fotogrammeetria protsess UAV-rakenduste jaoks põllumajanduses. Andurid (Šveits) 17 (10). https://doi.org/10.3390/s17102173.
Rivera, MA, Pizam, A., 2015. Edusammud hotellindusuuringutes: "Rodney Dangerfieldist Aretha Franklinini". Int. J. Kaasaegne. Haigla. Manag. 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. Mini-UAV-põhine sensoorne süsteem kasvuhoonete keskkonnamuutujate mõõtmiseks. Andurid 15 (2), 3334–3350. https://doi.org/10.3390/s150203334.
Rozenberg, G., Kent, R., Blank, L., 2021. Tarbijaklassi UAV-d, mida kasutatakse hilishooaja umbrohu ruumilise leviku mustrite tuvastamiseks ja analüüsimiseks kaubanduslikel sibulapõldudel. Täpne. Põllumajandus. 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. Unmanned õhusõidukiga (UAV) juhitav spektraalkaamerasüsteem metsa- ja põllumajandusrakenduste jaoks. Jätkake. SPIE – Int. Soc. Opt. Eng. 8174 https://doi.org/10.1117/12.897585.
Sah, B., Gupta, R., Bani-Hani, D., 2021. Droonilogistika rakendamise takistuste analüüs. Int. J. Logist. Res. Rakendus 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, IOT-põhine droon põllukultuuride kvaliteedi parandamiseks põllumajanduses. SH-s
N. Chakrabarti S. (Ed.), 2018 IEEE 8th Annual Computing and Communication Workshop and Conference, CCWC 2018 (Kd 2018-jaanuar, lk 612–615). Instituut
of Electrical and Electronics Engineers Inc. doi: 10.1109/CCWC.2018.8301662.
Sai Vineeth, KV, Vara Prasad, YR, Dubey, SR, Venkataraman, H., 2019. LEDCOM: uudne ja tõhus LED-põhine kommunikatsioon täppispõllumajandusele. IEEE konf. Info. Commun. Technol. 2019, 1.–5. https://doi.org/10.1109/CICT48419.2019.9066177.
Salamí, E., Barrado, C., Pastor, E., 2014. UAV-i lennueksperimendid, mida rakendati taimkattega alade kaugseirel. Kaugseire 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.
Madala kõrgusega kõrge eraldusvõimega õhupildistamise süsteemid rida- ja põllukultuuride fenotüüpimiseks: ülevaade. 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. Kõrge eraldusvõimega UAV-põhine termopildistamine, et hinnata
taimede veeseisundi hetkeline ja hooajaline kõikumine viinamarjaistanduses. Põllumajandus. Veejuht. 183, 49–59. https://doi.org/10.1016/j.agwat.2016.08.026.
Sarli, CC, Dubinsky, EK, Holmes, KL, 2010. Beyond citation analysis: A model for assessment of research impact. J. Med. Raamatukogu Dot. : 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. Maasüsteemi teadusega seotud pildispektroskoopia – hindamine. Kaugsensori keskkond. 113, S123–S137.
Schirrmann, M., Giebel, A., Gleiniger, F., Pflanz, M., Lentschke, J., Dammer, K.-H., 2016. Talinisukultuuride agronoomiliste parameetrite jälgimine odava UAV-ga
kujundlikkus. Kaugseire 8 (9). https://doi.org/10.3390/rs8090706.
Schmale III, DG, Dingus, BR, Reinholtz, C., 2008. Autonoomse mehitamata õhusõiduki arendamine ja rakendamine täpseks aerobioloogiliseks proovivõtuks eespool
põllumajanduslikud põllud. J. Field Rob. 25 (3), 133–147. https://doi.org/10.1002/rob.20232.
Šadrin, D., Menštšikov, A., Somov, A., Bornemann, G., Hauslage, J., Fedorov, M.,
Täppispõllumajanduse võimaldamine tehisintellektiga manustatud sensori abil. IEEE Trans. Instrum. Meas. 69 (7), 4103–4113.
Shakhatreh, H., Sawalmeh, AH, Al-Fuqaha, A., Dou, Z., Almaita, E., Khalil, I.,
Othman, NS, Khreishah, A., Guizani, M., 2019. Mehitamata õhusõidukid (UAV): uuring tsiviilrakenduste ja peamiste uurimisprobleemide kohta. IEEE Access 7,
48572–48634. https://doi.org/10.1109/ACCESS.2019.2909530.
Shakoor, N., Northrup, D., Murray, S., Mockler, TC, 2019. Big data driven agriculture: big data analytics in taimekasvatus, genoomika ja kaugseire kasutamine
tehnoloogiad põllukultuuride tootlikkuse suurendamiseks. Taimefenoom J. 2 (1), 1–8.
Sharma, BK, Chandra, G., Mishra, VP, 2019. UAV ja tehisintellekti võrdlev analüüs ja mõju kohtuekspertiisi uurimisel. In: Proceedings – 2019 Amity International
Tehisintellekti konverents. https://doi.org/10.1109/AICAI.2019.8701407.
Sharma, R., Shishodia, A., Gunasekaran, A., Min, H., Munim, ZH, 2022. Tehisintellekti roll tarneahela juhtimises: territooriumi kaardistamine. Int. J.
Prod. 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. Mehitamata õhusõidukid suure läbilaskevõimega fenotüüpimiseks ja agronoomilisteks uuringuteks. PLoS ONE
11 (7), e0159781.
Shuai, G., Martinez-Feria, RA, Zhang, J., Li, S., Price, R., Basso, B., 2019. Maisipuistu heterogeensuse tabamine saagistabiilsuse tsoonides mehitamata õhu abil
Sõidukid (UAV). Andurid 19 (20), 4446. https://doi.org/10.3390/s19204446.
Small, H., 1973. Kaastsiteerimine teaduskirjanduses: uus kahe dokumendi vahelise suhte mõõt. J. Am. Soc. Info. Sci. 24 (4), 265–269.
Small, H., Rorvig, ME, Lunin, LF, 1999. Teaduse visualiseerimine tsitaadi kaardistamise abil. J. Am. Soc. Info. Sci. 50 (9), 799–813.
Soares, VHA, Ponti, MA, Gonçalves, RA, Campello, RJGB, 2021. Loomade loendamine looduses geograafilise asukohaga aeropiltidega suurtel karjamaadel. Arvuta. elektron. Põllumajandus. 189, 106354 https://doi.org/10.1016/j.compag.2021.106354.
Srivastava, K., Pandey, PC, Sharma, JK, 2020. Lähenemisviis marsruudi optimeerimiseks täppispõllumajanduse rakendustes UAV-de abil. Droonid 4 (3), 58. https://doi.org/ 10.3390/drones4030058.
Stafford, JV, 2000. Täppispõllumajanduse rakendamine 21. sajandil. J. Agric. Eng. Res. 76 (3), 267–275.
Su, J., Coombes, M., Liu, C., Guo, L., Chen, W.-H., 2018. Wheat drought assessment by remote sensing imagesry using unmanned aerial vehicle. 2018. aastal 37. Hiina kontrollikonverents (CCC).
Su, J., Liu, C., Coombes, M., Hu, X., Wang, C., Xu, X., Li, Q., Guo, L., Chen, W.-H., 2018. Nisukollase rooste jälgimine, õppides multispektraalsetest UAV-aeropiltidest.
Arvuta. elektron. Põllumajandus. 155, 157–166. https://doi.org/10.1016/j. kompag.2018.10.017.
Su, Y., Wang, X., 2021. Põllumajanduse majandusjuhtimise innovatsioon suurandmete abil nutika põllumajanduse konstrueerimise protsessis. Säästev arvuti. Info Syst. 31, 100579 https://doi.org/10.1016/j.suscom.2021.100579.
Sullivan, DG, Fulton, JP, Shaw, JN, Bland, GL, 2007. Mehitamata termilise infrapuna-antennisüsteemi tundlikkuse hindamine, et tuvastada puuvillase varikatuse veestress. Trans. ASABE 50 (6), 1955–1962.
Sumesh, KC, Ninsawat, S., Som-ard, J., 2021. RGB-põhise taimestikuindeksi, põllukultuuride pinnamudeli ja objektipõhise pildianalüüsi lähenemisviisi integreerimine suhkruroo saagikuse hindamiseks mehitamata õhusõiduki abil. Arvuta. elektron. Põllumajandus. 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. Kergekaaluline hüperspektraalne kaardistamissüsteem
mehitamata õhusõidukid – esimesed tulemused. In: 2013 5th Workshop on Hyperspectral Image and Signal Processing: Evolution in Remote Sensing (WHISPERS), lk 1–4. https://doi.org/10.1109/WHISPERS.2013.8080721.
Suomalainen, J., Anders, N., Iqbal, S., Roerink, G., Franke, J., Wenting, P., Hünniger, D., Bartholomeus, H., Becker, R., Kooistra, L., 2014. Kerge hüperspektraal
kaardistamissüsteem ja fotogrammeetriline töötlemisahel mehitamata õhusõidukite jaoks. Kaugseire 6 (11), 11013–11030. https://doi.org/10.3390/
rs61111013.
Syeda, IH, Alam, MM, Illahi, U., Su'ud, MM, 2021. Eeljuhtimisstrateegiad, kasutades pilditöötlust, UAV-d ja tehisintellekti põllumajanduses: ülevaade. Maailma J. Eng. 18 (4),
579–589. https://doi.org/10.1108/WJE-09-2020-0459.
Tahai, A., Rigsby, JT, 1998. Infotöötlus tsitaatide abil ajakirjade mõju uurimiseks raamatupidamises. Info Protsess. Halda. 34 (2–3), 341–359.
Tang, Y., Dananjayan, S., Hou, C., Guo, Q., Luo, S., He, Y., 2021. Uuring 5G võrgu ja selle mõju kohta põllumajandusele: väljakutsed ja võimalused. Arvuta.
elektron. Põllumajandus. 180, 105895 https://doi.org/10.1016/j.compag.2020.105895.
Tantalaki, N., Souravlas, S., Roumeliotis, M., 2019. Andmepõhine otsuste tegemine täppispõllumajanduses: suurandmete tõus põllumajandussüsteemides. J. Agric. Toiduinfo.
20 (4), 344–380.
Tao, H., Feng, H., Xu, L., Miao, M., Yang, G., Yang, X., Fan, L., 2020. Talinisu saagikuse ja taimekõrguse hindamine UAV-ga põhinevad hüperspektraalsed kujutised.
Andurid 20 (4), 1231.
Techy, L., Schmale III, DG, Woolsey, CA, 2010. Koordineeritud aerobioloogiline proovide võtmine taimepatogeenist madalamas atmosfääris, kasutades kahte autonoomset mehitamata õhusõidukit. 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. Sojakahjurite tuvastamine ja klassifitseerimine süvaõppe abil
UAV-piltidega. Arvuta. elektron. Põllumajandus. 179, 105836.
Thamm, H.-P., Menz, G., Becker, M., Kuria, DN, Misana, S., Kohn, D., 2013. The Use of Uas for Assessing Agricultural Systems in AN Wetland in Tansania in the— Ja WetSeason säästva põllumajanduse jaoks ja Terra-Sar X andmete põhjaliku tõe pakkumine. In: ISPRS – International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, lk 401–406. https://doi.org/10.5194/isprsarchivesXL-1-W2-401-2013.
Thelwall, M., 2008. Bibliometrics to webometrics. J. Info. Sci. 34 (4), 605–621.
Torres-Sanchez, ´ J., Lopez-Granados, ´ F., Pena, ˜ JM, 2015. Automaatne objektipõhine meetod UAV-piltide optimaalseks läveks: rakendus rohtsete põllukultuuride taimestiku tuvastamiseks. Arvuta. elektron. Põllumajandus. 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. High-throughput 3-D monitooring of põllumajandus-tree plantations with Mehitamata õhusõiduki (UAV) tehnoloogia. PLoS ONE 10 (6), e0130479.
Torres-Sanchez, ´ J., Pena, ˜ JM, de Castro, AI, Lopez-Granados, ´ F., 2014. Taimestiku fraktsiooni mitmeajaline kaardistamine varajase hooaja nisupõldudel UAV piltide abil. Arvuta. elektron. Põllumajandus. 103, 104–113. https://doi.org/10.1016/j. kompag.2014.02.009.
Tsouros, DC, Bibi, S., Sarigiannidis, PG, 2019. UAV-põhiste täppispõllumajanduse rakenduste ülevaade. Teave (Šveits) 10 (11). https://doi.org/10.3390/info10110349.
Tu, Y.-H., Phinn, S., Johansen, K., Robson, A., Wu, D., 2020. Optimizing drone flight planing for measuring horticultural tree crop structure. ISPRS J. Photogramm.
Remote Sens. 160, 83–96. https://doi.org/10.1016/j.isprsjprs.2019.12.006
Tzounis, A., Katsoulas, N., Bartzanas, T., Kittas, C., 2017. Asjade internet põllumajanduses, hiljutised edusammud ja tuleviku väljakutsed. Biosüst. Eng. 164, 31–48.
https://doi.org/10.1016/j.biosystemseng.2017.09.007.
Uddin, A., Singh, VK, Pinto, D., Olmos, I., 2015. Scientometric mapping of Computer science research in Mexico. Scientometrics 105 (1), 97–114.
UN., 2019. Maailma rahvastiku väljavaated 2019. https://population.un.org/wpp/ (Kasutatud 15).
Uto, K., Seki, H., Saito, G., Kosugi, Y., 2013. Characterization of Rice paddies by a UAVmounted miniature hyperspectral sensor system. IEEE J. Sel. Üles. Rakendus Maa vaatlus.
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. Droonid
põllumajandus. Adv. Agron. 162, 1–30.
Velusamy, P., Rajendran, S., Mahendran, RK, Naseer, S., Shafiq, M., Choi, J.-G., 2022.
Mehitamata õhusõidukid (UAV) täppispõllumajanduses: rakendused ja väljakutsed. Energiad 15 (1), 217. https://doi.org/10.3390/en15010217.
Ventura, D., Bonifazi, A., Gravina, MF, Belluscio, A., Ardizzone, G., 2018. Ökoloogiliselt tundlike mereelupaikade kaardistamine ja klassifitseerimine mehitamata õhu abil
Sõiduki (UAV) kujutised ja objektipõhine pildianalüüs (OBIA). Kaugseire 10 (9), 1331. https://doi.org/10.3390/rs10091331.
Verger, A., Vigneau, N., Ch´eron, C., Gilliot, J.-M., Comar, A., Baret, F., 2014. Green area index from an unmanned aerial system over wheat and rapseed crops . Kaugsensori keskkond. 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. Nelja optilise UAV-põhise anduri juurutamine rohumaadele: väljakutsed ja
piirangud. Biogeosciences 12 (1), 163–175. https://doi.org/10.5194/bg-12-163-2015.
Vuran, MC, Salam, A., Wong, R., Irmak, S., 2018. Maa-aluste asjade internet täppispõllumajanduses: arhitektuur ja tehnoloogia aspektid. Ad Hoc võrk 81,
160–173. https://doi.org/10.1016/j.adhoc.2018.07.017.
Wamba, SF, Queiroz, MM, 2021. Vastutustundlik tehisintellekt kui digitaalse tervise salajane koostisosa: bibliomeetriline analüüs, arusaamad ja uurimissuunad.
Info. Syst. Ees. 1–16.
Wang, L., Zhang, G., Wang, Z., Liu, J., Shang, J., Liang, L., 2019. Bibliometric analysis of remote sensing research trend in crop growth monitoring: A case study in China. Kaugseire 11 (7). https://doi.org/10.3390/rs11070809.
White, HD, Griffith, BC, 1981. Autori kutsumine: intellektuaalse struktuuri kirjanduse mõõt. J. Am. Soc. Info. Sci. 32 (3), 163–171.
Xiang, H., Tian, L., 2011. Autonoomsel mehitamata õhusõidukil (UAV) põhineva odava põllumajandusliku kaugseiresüsteemi väljatöötamine. Biosüst. Eng. 108 (2), 174–190. https://doi.org/10.1016/j.biosystemseng.2010.11.010.
Xie, C., Yang, C., 2020. Ülevaade taimede suure läbilaskevõimega fenotüüpimise tunnustest UAV-põhiste andurite abil. Arvuta. elektron. Põllumajandus. 178, 105731 https://doi.org/10.1016/j.
kompag.2020.105731.
Yao, H., Qin, R., Chen, X., 2019. Mehitamata õhusõiduk kaugseirerakenduste jaoks – ülevaade. Kaugseire 11 (12). https://doi.org/10.3390/
rs11121443.
Yeom, S., 2021. Inimeste liikumise jälgimine ja vale jälgede eemaldamine infrapuna-termopildiga multirootori abil. Droonid 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. Piltide abil saagiparameetrite hindamise võrdlus UAV-le paigaldatud
hetktõmmise hüperspektraalsensor ja kõrglahutusega digikaamera. Kaugseire 10 (7), 1138. https://doi.org/10.3390/rs10071138.
Yue, J., Yang, G., Li, C., Li, Z., Wang, Y., Feng, H., Xu, B., 2017. Talinisu maapealse biomassi hindamine mehitamata õhusõiduki abil põhinev hetktõmmis
hüperspektraalse anduri ja põllukultuuri kõrguse täiustatud mudelid. Kaugseire 9 (7). https://doi.org/10.3390/rs9070708.
Zahawi, RA, Dandois, JP, Holl, KD, Nadwodny, D., Reid, JL, Ellis, EC, 2015. Kergete mehitamata õhusõidukite kasutamine troopiliste metsade taastumise jälgimiseks. Biol.
Konserveerida. 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.
Ääre- ja pilvandmetöötlusel põhinev nutika põllumajanduse asjade interneti platvorm. Biosüst. Eng. 177,
4-17.
Zarco-Tejada, PJ, Diaz-Varela, R., Angileri, V., Loudjani, P., 2014. Puu kõrguse kvantifitseerimine, kasutades väga kõrge eraldusvõimega kujutisi, mis on saadud mehitamata õhust
sõiduki (UAV) ja automaatsete 3D-fotode rekonstrueerimise meetodid. 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. Pildipõhine õitsemise intensiivsuse fenotüüpimine jaheda hooaja põllukultuurides. Andurid 20 (5), 1450. https://doi.org/10.3390/s20051450.
Zhang, C., Kovacs, JM, 2012. Väikeste mehitamata õhusüsteemide rakendamine täppispõllumajanduses: ülevaade. Täpne. Põllumajandus. 13 (6), 693–712. https://doi.org/
10.1007/s11119-012-9274-5.
Zhang, L., Zhang, H., Niu, Y., Han, W., 2019. Mapsi veestressi kaardistamine UAV multispektraalse kaugseire põhjal. Kaugseire 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. Sügav õppimispõhine lähenemine automatiseeritud kollase rooste jaoks
haiguste tuvastamine kõrge eraldusvõimega hüperspektraalsete UAV-piltide põhjal. Kaugseire 11 (13), 1554.
Zhao, X., Zhang, J., Huang, Y., Tian, Y., Yuan, L., 2022. Teetaimede haiguste ja putukate stressi tuvastamine ja diskrimineerimine, kasutades hüperspektraalset kujutist koos laineanalüüsiga. Arvuta. elektron. Põllumajandus. 193, 106717 https://doi.org/10.1016/j. kompag.2022.106717.
Zheng, A., Wang, M., Li, C., Tang, J., Luo, B., 2022. Entropy guided adversarial domain adaptation for aerial image semantical segmentation. IEEE Trans. G
Zheng, H., Cheng, T., Yao, X., Deng, X., Tian, Y., Cao, W., Zhu, Y., 2016. Riisi fenoloogia tuvastamine maapealse spektri aegridade analüüsi abil indeksi andmed. Field Crops Res. 198, 131–139. https://doi.org/10.1016/j.fcr.2016.08.027.
Zheng, J., Yang, W., 2018. Juhtmeta anduritel põhineva täppispõllumajanduse lekkekülvisüsteemi projekteerimine. Int. J. Online Eng. 14 (05), 184.
Zhou, L., Gu, X., Cheng, S., Yang, G., Shu, M., Sun, Q., 2020. Ladged maisi taimede kõrguse muutuste analüüs UAV-LiDAR andmete abil. Põllumajandus 10 (5), 146. https://
doi.org/10.3390/agriculture10050146.
Zhou, S., Chai, X., Yang, Z., Wang, H., Yang, C., Sun, T., 2021. Maize-IAS: maisi kujutise analüüsi tarkvara, mis kasutab sügavat õppimist suure läbilaskevõimega taimede fenotüüpimiseks . Plant Methods 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. Teraviljasaagi prognoosimine aastal riis, kasutades mitmeajalist taimestikku
UAV-põhiste multispektraalsete ja digitaalsete kujutiste indeksid. ISPRS J. Photogramm. Remote Sens. 130, 246–255. https://doi.org/10.1016/j.isprsjprs.2017.05.003.
Zhou, Y., Xie, Y., Shao, L., 2016. Juhtmeta andurite võrgul põhineva kasvuhooneseiresüsteemi põhitehnoloogia simulatsioon. Int. J. Online Eng. 12 (05),
43.
Zhou, Z., Majeed, Y., Diverres Naranjo, G., Gambacorta, EMT, 2021. Põllukultuuride veestressi hindamine infrapunasoojuspiltidega täppispõllumajanduses: ülevaade
ja süvaõppe rakenduste tulevikuväljavaated. Arvuta. elektron. Põllumajandus. 182, 106019 https://doi.org/10.1016/j.compag.2021.106019.