Abderahman Rejeb a , Alireza Abdollahi b , Karim Rejeb c , Horst Treiblmaier d,
- a Oddelek za management in pravo, Ekonomska fakulteta, Univerza v Rimu Tor Vergata, Via Columbia, 2, Rim 00133, Italija
- b Oddelek za poslovno administracijo, Fakulteta za management, Univerza Kharazmi, 1599964511 Teheran, Iran
- c Fakulteta za znanost v Bizerti, Univerza v Kartagini, Zarzouna, 7021 Bizerta, Tunizija
- d School of International Management, Modul University Vienna, Am Kahlenberg 1, 1190 Dunaj, Avstrija
PODATKI O ČLANKU | POVZETEK |
ključne besede: Brezpilotna letala UAV Natančno kmetijstvo Internet stvari Bibliometrija | Droni, imenovani tudi brezpilotna letala (UAV), so v zadnjih desetletjih doživeli izjemen razvoj. V kmetijstvu so spremenili kmetijske prakse tako, da so kmetom ponudili znatne prihranke stroškov, operativna učinkovitost in boljša donosnost. V zadnjih desetletjih se je tema kmetijskih dronov močno razširila pritegnila izjemno akademsko pozornost. Zato izvajamo celovit pregled na podlagi bibliometrije povzeti in strukturirati obstoječo akademsko literaturo ter razkriti trenutne raziskovalne trende in žarišča. mi uporabiti bibliometrične tehnike in analizirati literaturo o kmetijskih dronih, da povzame in oceni prejšnje raziskave. Naša analiza kaže, da so daljinsko zaznavanje, precizno kmetijstvo, globoko učenje, strojno učenje in internet stvari ključne teme, povezane s kmetijskimi droni. Socitiranje analiza razkriva šest širokih raziskovalnih skupin v literaturi. Ta študija je eden prvih poskusov povzemanja raziskav dronov v kmetijstvu in predlaganja prihodnjih raziskovalnih smeri. |
Predstavitev
Kmetijstvo predstavlja primarni vir hrane na svetu (Friha et al., 2021) in se sooča s hudimi izzivi zaradi
vse večje povpraševanje po prehrambenih izdelkih, varnost hrane in varnost ter pozivi k varstvu okolja, ohranjanju vode in
trajnost (Inoue, 2020). Predvideva se, da se bo ta razvoj nadaljeval, saj naj bi svetovno prebivalstvo do leta 9.7 doseglo 2050 milijarde
(2019). Ker je kmetijstvo najvidnejši primer porabe vode na svetu, se pričakuje, da bosta povpraševanje po hrani in vodi
poraba se bo v doglednem času močno povečala. Poleg tega narašča poraba gnojil in pesticidov
skupaj z intenzifikacijo kmetijskih dejavnosti lahko povzroči prihodnje okoljske izzive. Podobno je obdelovalna zemlja omejena in
število kmetov po vsem svetu upada. Ti izzivi poudarjajo potrebo po inovativnih in trajnostnih rešitvah za kmetijstvo (Elijah
et al., 2018; Friha idr., 2021; Inoue, 2020; Tzounis et al., 2017).
Vključevanje novih tehnologij je bilo opredeljeno kot obetavna rešitev za reševanje teh izzivov. Pametno kmetovanje (Brewster et al.,
2017; Tang et al., 2021) in precizno kmetijstvo (Feng et al., 2019; Khanna & Kaur, 2019) sta nastala kot rezultat takih razprav. The
prvo je splošen pojem za sprejemanje informacijsko komunikacijskih tehnologij (IKT) in drugih vrhunskih inovacij v kmetijskih dejavnostih za povečanje učinkovitosti in uspešnosti (Haque et al., 2021). Slednji se osredotoča na upravljanje po posameznih lokacijah, v katerem je zemljišče razdeljeno na
homogene dele in vsak del dobi točno določeno količino kmetijskega vložka za optimizacijo donosa s pomočjo novih tehnologij (Feng et al., 2019; Khanna & Kaur, 2019). Pomembne tehnologije, ki so pritegnile pozornost znanstvenikov na tem področju, vključujejo brezžična senzorska omrežja (WSN) (J. Zheng & Yang, 2018; Y. Zhou et al., 2016), internet stvari (IoT) (Gill et al., 2017; He et al., 2021; Liu et al., 2019),
tehnike umetne inteligence (AI), vključno s strojnim in globokim učenjem (Liakos et al., 2018; Parsaeian et al., 2020; Shadrin et al.,
2019), računalniške tehnologije (Hsu et al., 2020; Jinbo et al., 2019; Zamora-Izquierdo et al., 2019), veliki podatki (Gill et al., 2017; Tantalaki
et al., 2019) in blockchain (PW Khan et al., 2020; Pincheira et al., 2021).
Poleg zgoraj omenjenih tehnologij je daljinsko zaznavanje veljalo za tehnološko orodje z velikim potencialom za izboljšanje
pametno in natančno kmetijstvo. Sateliti, letala s človeško posadko in brezpilotna letala so priljubljene tehnologije daljinskega zaznavanja (Tsouros et al., 2019).
Droni, popularno znani kot zračna vozila brez posadke (UAV), zračni sistemi brez posadke (UAS) in daljinsko vodena letala, so
velikega pomena, saj imajo številne prednosti v primerjavi z drugimi tehnologijami daljinskega zaznavanja. Na primer, droni lahko dostavijo
visokokakovostne slike visoke ločljivosti v oblačnih dneh (Manfreda et al., 2018). Poleg tega njihova razpoložljivost in hitrost prenosa predstavljata drugo
koristi (Radoglou-Grammatikis et al., 2020). V primerjavi z letali so droni zelo stroškovno učinkoviti ter enostavni za nastavitev in vzdrževanje (Tsouros et al., 2019). Kljub temu, da so se na začetku večinoma uporabljali v vojaške namene, lahko brezpilotna letala koristijo številnim civilnim aplikacijam, na primer pri upravljanju dobavne verige (A. Rejeb, Rejeb, et al., 2021a), v humanitarne namene (A. Rejeb, Rejeb, et al., 2021c), pametno kmetijstvo, geodetsko merjenje in kartiranje, dokumentiranje kulturne dediščine, obvladovanje nesreč ter ohranjanje gozdov in divjih živali (Panday, Pratihast, et al., 2020). V kmetijstvu obstajajo številna področja uporabe brezpilotnih letal, saj jih je mogoče integrirati z novimi tehnologijami, računalniškimi zmogljivostmi in vgrajenimi senzorji za podporo upravljanja s pridelki (npr. kartiranje, spremljanje, namakanje, diagnostika rastlin) (H. Huang et al., 2021). , zmanjševanje nesreč, sistemi zgodnjega opozarjanja, ohranjanje prostoživečih živali in gozdov, če naštejemo le nekatere (Negash et al., 2019). Podobno bi lahko brezpilotna letala uporabili v več kmetijskih dejavnostih, vključno s spremljanjem posevkov in rasti, oceno donosa, oceno vodne stiske ter odkrivanjem plevela, škodljivcev in bolezni (Inoue, 2020; Panday, Pratihast, et al., 2020). Ne samo, da se brezpilotna letala lahko uporabljajo za spremljanje, ocenjevanje in odkrivanje na podlagi njihovih senzoričnih podatkov, ampak tudi za natančno namakanje in natančno zatiranje plevela, škodljivcev in bolezni. Z drugimi besedami, brezpilotna letala lahko razpršijo vodo in pesticide v natančnih količinah glede na podatke o okolju. Prednosti dronov v kmetijstvu so povzete v tabeli 1.
Glavne prednosti dronov v kmetijstvu.
Izkoristite | Reference |
Izboljšajte časovno in prostorsko ločljivosti zaznavanja | (Gago et al., 2015; Niu et al., 2020; Srivastava et al., 2020) |
Omogočite natančno kmetijstvo | (L. Deng et al., 2018; Kalischuk et al., 2019; Maimaitijiang et al., 2017) |
Razvrstitev in ogledovanje rastline | (Inoue, 2020; Kalischuk et al., 2019; Lopez-´ Granados et al., 2016; Maimaitijiang et al., 2017; Melville et al., 2019; Moharana & Dutta, 2016) |
Uporaba gnojila | (L. Deng et al., 2018; Guan et al., 2019) |
Spremljanje suše | (Fawcett et al., 2020; Panday, Pratihast et al., 2020; Su et al., 2018) |
Ocena biomase | (Bendig et al., 2014) |
Ocena donosa | (Inoue, 2020; Panday, Shrestha et al., 2020; Tao et al., 2020) |
Zmanjšanje nesreč | (Negash et al., 2019) |
Ohranjanje prostoživečih živali in gozdarstvo | (Negash et al., 2019; Panday, Pratihast et al., 2020) |
Ocena vodnega stresa | (Inoue, 2020; J. Su, Coombes et al., 2018; L. Zhang et al., 2019) |
Škodljivci, pleveli in bolezni odkrivanje | (Gaˇsparovi´c et al., 2020; Inoue, 2020; J. Su, Liu, et al., 2018; X. Zhang et al., 2019) |
Po drugi strani pa se droni soočajo tudi z omejitvami. Vključenost pilota, moč motorja, stabilnost in zanesljivost, kakovost senzorjev glede na nosilnost
omejitve teže, stroški izvajanja in predpisi o letalstvu so med njimi (C. Zhang & Kovacs, 2012). Primerjamo pomanjkljivosti
od treh mobilnih tehnologij daljinskega zaznavanja v tabeli 2. Druge tehnologije daljinskega zaznavanja, kot so senzorji tal, niso v središču te študije.
Pomanjkljivosti različnih tehnologij mobilnega daljinskega zaznavanja.
Daljinsko zaznavanje tehnologije | Pomanjkljivosti | Reference |
Dron (UAV) | sodelovanje pilota; slike' kakovost (povprečna); stroški izvedbe (povprečni); stabilnost, manevriranje in zanesljivost; standardizacija; moč motorja; omejena moč viri (življenjska doba baterije); omejeno trajanje leta, trk in kibernetski napadi; omejeno teža tovora; velike zbirke podatkov in omejeno obdelavo podatkov zmogljivosti; pomanjkanje regulacije; pomanjkanje strokovnega znanja, visok vstop ovire za dostop do kmetijski droni; | (Bacco et al., 2018; Dawaliby et al., 2020; Hardin in Hardin, 2010; Hardin in Jensen, 2011; Lagkas et al., 2018; Laliberte et al., 2007; Laliberte & Rango, 2011; Manfreda et al., 2018, 2018; Nebiker et al., 2008; Puri et al., 2017; Velusamy et al., 2022; C. Zhang & Kovacs, 2012) |
Satelitske | Periodična satelitska pokritost, omejena spektralna ločljivost; ranljivost za težave z vidnostjo (npr. oblaki); Nerazpoložljivost in nizka hitrost prenosa; orientacija in vinjetiranje vpliva na drage prostorske podatke zbirka; počasna dostava podatkov čas do končnih uporabnikov | (Aboutalebi et al., 2019; Cen et al., 2019; Chen et al., 2019; Nansen & Elliott, 2016; Panday, Pratihast, et al., 2020; Sai Vineeth et al., 2019) |
Letala | Visoki stroški posvojitve; zapletena nastavitev; stroški vzdrževanja; nedostopnost zanesljivih letala, geometrija slike; neredni podatki pridobitev; pomanjkanje prožnosti; nesreče s smrtnim izidom; podatke senzorja variacije zaradi vibracij; vprašanja georeferenciranja | (Armstrong et al., 2011; Atkinson et al., 2018; Barbedo & Koenigkan, 2018; Kovalev in Vorošilova, 2020; Suomalainen et al., 2013; Thamm et al., 2013) |
Kot multidisciplinarna in večnamenska tehnologija v kmetijstvu so drone preučevali z različnih vidikov. Znanstveniki so na primer preučevali uporabo dronov v kmetijstvu (Kulbacki et al., 2018; Mogili & Deepak, 2018), njihov prispevek k natančnemu kmetijstvu (Puri et al., 2017; Tsouros et al., 2019), njihovo dopolnjevanje z drugimi vrhunske tehnologije (Al-Thani et al., 2020; Dutta & Mitra, 2021; Nayyar et al., 2020; Saha et al., 2018) in možnosti za izboljšanje njihovih navigacijskih in zaznavnih zmogljivosti (Bareth et al. , 2015; Suomalainen et al., 2014). Ker so raziskave o uporabi dronov v kmetijstvu postale razširjene (Khan et al., 2021), je treba povzeti obstoječo literaturo in razkriti intelektualno strukturo domene. Poleg tega je treba kot visokotehnološko področje z nenehnimi izboljšavami izvajati strukturirane preglede, da redno povzemamo obstoječo literaturo in ugotavljamo pomembne vrzeli v raziskavah. Za
Do danes je malo pregledov, ki obravnavajo uporabo brezpilotnih letal v kmetijskem sektorju. Na primer, Mogili in Deepak (2018) sta na kratko pregledala posledice brezpilotnih letal za spremljanje pridelkov in škropljenje s pesticidi. Inoue (2020) izvaja pregled uporabe satelitov in dronov pri daljinskem zaznavanju v kmetijstvu. Avtor na podlagi študij primerov in najboljših praks raziskuje tehnološke izzive sprejemanja pametnega kmetovanja ter prispevke satelitov in dronov. Tsouros et al. (2019) povzemajo različne vrste dronov in njihove glavne uporabe v kmetijstvu, pri čemer poudarjajo različne metode pridobivanja in obdelave podatkov. Nedavno sta Aslan et al. (2022) je opravil obsežen pregled uporabe UAV v kmetijskih dejavnostih in poudaril pomen hkratne lokalizacije in kartiranja za UAV v rastlinjaku. Diaz-Gonzalez et al. (2022) je pregledal nedavne študije pridelave pridelka na podlagi različnih tehnik strojnega učenja in oddaljenega učenja.
sistemi zaznavanja. Njihove ugotovitve so pokazale, da so UAV-ji uporabni za ocenjevanje indikatorjev tal in presegajo satelitske sisteme v smislu prostorske ločljivosti, časovnosti informacij in prilagodljivosti. Basiri et al. (2022) je naredil izčrpen pregled različnih pristopov in metod za premagovanje izzivov pri načrtovanju poti za UAV z več rotorji v kontekstu preciznega kmetijstva. Še več, Awais et al. (2022) je povzel uporabo podatkov UAV daljinskega zaznavanja v pridelkih za oceno stanja vode in podal poglobljeno sintezo predvidene zmogljivosti UAV daljinskega zaznavanja za uporabo stresa zaradi zapravljanja. Končno, Aquilani et al. (2022) je pregledal tehnologije vnaprejšnjega kmetovanja, ki se uporabljajo v sistemih živinoreje na pašnikih, in ugotovil, da je daljinsko zaznavanje, ki ga omogočajo UAV, koristno za oceno biomase in upravljanje črede.
Nedavno so poročali tudi o prizadevanjih za uporabo UAV pri spremljanju, sledenju in zbiranju živine.
Čeprav ti pregledi dajejo nova in pomembna spoznanja, v literaturi ni mogoče najti celovitega in posodobljenega pregleda, ki bi temeljil na bibliometriji, kar predstavlja očitno vrzel v znanju. Poleg tega je bilo navedeno, da ko znanstvena produkcija raste na znanstvenem področju, postane za raziskovalce ključnega pomena, da uporabijo pristope kvantitativnega pregleda, da bi razumeli strukturo znanja področja (Rivera & Pizam, 2015). Podobno Ferreira et al. (2014) je trdil, da si morajo znanstveniki, ko raziskovalna področja zorijo in postajajo zapletena, prizadevati občasno osmisliti ustvarjeno in zbrano znanje, da bi razkrili nove prispevke, zajeli raziskovalne tradicije in trende, opredelili, katere teme se preučujejo, in se poglobili v strukturo znanja področje in potencialne raziskovalne smeri. Medtem ko sta Raparelli in Bajocco (2019) izvedla bibliometrično analizo, da bi preučila domeno znanja o aplikacijah dronov v kmetijstvu in gozdarstvu, njuna študija upošteva samo znanstvene raziskave, objavljene med letoma 1995 in 2017, ki ne odražajo dinamike tega hitro razvijajočega se področja. Poleg tega avtorji niso poskušali identificirati najvplivnejših prispevkov na tem področju, združiti literature in ovrednotiti intelektualne strukture z uporabo analize socitiranja. Posledično je treba povzeti literaturo, da bi razkrili trenutna raziskovalna žarišča, trende in žarišča.
Da bi zapolnili to vrzel v znanju, uporabljamo kvantitativno metodologijo in stroge bibliometrične metode, da preučimo trenutno stanje raziskav na stičišču dronov in kmetijstva. Trdimo, da trenutna študija daje več prispevkov k obstoječi literaturi s preučevanjem nastajajoče tehnologije, ki je zelo potrebna v kmetijstvu, saj ponuja ogromen potencial za spreminjanje več vidikov v tem sektorju. Potreba po bibliometrični analizi kmetijskih dronov je še bolj zaznavna glede na razpršeno in razdrobljeno znanje o dronih v kontekstu kmetijstva. Podobno je treba literaturo, ki se nanaša na kmetijska brezpilotna letala, sistematično združevati ob upoštevanju najvplivnejših študij, ki postavljajo temelje tega raziskovalnega področja. Zasluga pri analizi je tudi razjasnitev glavnih raziskovalnih tem, zastopanih v literaturi. Glede na transformacijski potencial tehnologije menimo, da poglobljena mrežna analiza prinaša nove vpoglede z določanjem vplivnih del in razkrivanjem tem o potencialu dronov za kmetijstvo.
Zato si prizadevamo doseči naslednje raziskovalne cilje:
- Identifikacija vplivnih publikacij z izjemnimi prispevki k uporabi dronov na področju kmetijstva.
- Združevanje literature v skupine, identifikacija raziskovalnih žarišč in preslikava študij glavne 'intelektualne strukture' na podlagi semantične podobnosti z uporabo analize socitiranja.
- Razumevanje razvoja povezav in mrež citiranja skozi čas med različnimi publikacijami na tem področju ter identifikacija prihodnjih raziskovalnih smeri in vročih tem.
Preostali del dokumenta je strukturiran na naslednji način: v 2. razdelku so opisani metodologija in koraki zbiranja podatkov; v razdelku 3 so navedeni rezultati analiz; in razdelek 4 razpravlja o ugotovitvah in se zaključuje z raziskovalnimi prispevki, posledicami in prihodnjimi usmeritvami.
Metodologija
V tej trenutni raziskovalni študiji izvajamo bibliometrično analizo za raziskovanje uporabe dronov v kmetijstvu. Ta kvantitativni pristop razkriva intelektualno strukturo področja znanja (Arora & Chakraborty, 2021) in trenutni status, vroče teme in prihodnje raziskovalne smeri, ki jih je mogoče raziskati z uporabo te metode (Kapoor et al., 2018; Mishra et al. , 2017; A. Rejeb, Rejeb, et al., 2021b; A. Rejeb et al., 2021d; MA Rejeb et al., 2020). Na splošno bibliometrična analiza preučuje obstoječo literaturo, da povzame in odkrije skrite vzorce pisne komunikacije in razvoj discipline, ki temelji na statistiki in matematičnih metodah, in se nanaša na velike nize podatkov (Pritchard, 1969; Small, 1999; Tahai & Rigsby , 1998). Z uporabo bibliometrije si prizadevamo bolje razumeti obstoječe paradigme in raziskovalne fokuse, ki prispevajo k domeni na podlagi podobnosti (Thelwall, 2008). Bibliometrija zagotavlja nove vpoglede, podprte z objektivno kvantitativno močjo metodologije (Casillas & Acedo, 2007). Številni znanstveniki so že izvajali bibliometrične študije na sorodnih področjih, vključno s kmetijstvom, daljinskim zaznavanjem in digitalno transformacijo (Armenta-Medina et al., 2020; Bouzembrak et al., 2019; A. Rejeb, Treiblmaier et al., 2021; Wamba & Queiroz, 2021; Wang et al., 2019).
Analiza citatov
Analiza citiranosti razkriva različne vpoglede v dano raziskovalno področje. Prvič, pomaga razkriti najvplivnejše avtorje in publikacije, ki prispevajo k danemu raziskovalnemu področju in imajo pomemben vpliv (Gundolf & Filser, 2013). Drugič, odkrijemo lahko pretok znanja in komunikacijske povezave med avtorji. Končno, s sledenjem povezavam med citiranimi in citiranimi deli lahko raziskujemo spremembe in razvoj področja znanja skozi čas (Pournader
et al., 2020). Visoka citiranost publikacije odraža njeno relevantnost in pomemben prispevek k raziskovalnemu področju (Baldi, 1998; Gundolf & Filser, 2013; Marinko, 1998). Analiza citiranosti publikacij prav tako pomaga prepoznati ustrezna dela ter slediti njihovi priljubljenosti in napredku skozi čas.
Analiza socitiranja dokumentov
Analiza socitiranja je dragocena metoda za raziskovanje odnosov med publikacijami in prikazovanje intelektualne strukture področja (Nerur et al., 2008). Z drugimi besedami, z identifikacijo najbolj citiranih publikacij in njihovih povezav metoda združuje publikacije v ločene raziskovalne skupine, pri čemer si publikacije v skupini redno delijo podobne ideje (McCain, 1990; Small, 1973). Ključno je omeniti, da podobnost ne pomeni, da so izsledki objav
kohezivni in se med seboj strinjajo; objave sodijo v isti grozd zaradi podobnosti tematike, vendar imajo lahko nasprotujoča si stališča.
Zbiranje in analiza podatkov
Po metodologiji, ki sta jo predlagala White in Griffith (1981), smo izvedli obsežno iskanje člankov v revijah, da bi zajeli celotno raziskovalno področje uporabe dronov v kmetijstvu, pri čemer smo sledili naslednjim petim korakom:
- Prvi korak je bilo zbiranje podatkov. Scopus je bil izbran kot ena najbolj celovitih in zaupanja vrednih baz podatkov s standardiziranimi rezultati. Pridobljeni so bili metapodatki publikacij, povezanih z vsemi aplikacijami brezpilotnih letal v kmetijstvu. Nato smo analizirali izbrane članke, pri čemer smo iz analize odstranili članke, ki niso povezani s temo.
- Analizirali smo literaturo in identificirali najpomembnejše ključne besede, uporabljene na raziskovalnem področju.
- Z analizo citiranja smo raziskali povezavo med avtorji in dokumenti, da bi razkrili temeljne vzorce citiranja. Identificirali smo tudi najvplivnejše avtorje in publikacije s pomembnimi prispevki na področju kmetijskih dronov.
- Izvedli smo analizo socitiranja, da bi podobne publikacije združili v grozde.
- Nazadnje smo analizirali povezave in povezave med državami, institucijami in revijami, da bi prikazali mrežo sodelovanja.
Identifikacija ustreznih iskalnih izrazov
Za združevanje podatkov smo uporabili naslednje iskalne nize: (dron* ALI »brezpilotno zračno vozilo« ALI uav* ALI »brezpilotni zračni sistem” ALI uas ALI »daljinsko voden zrakoplov«) IN (kmetijstvo ALI kmetijstvo ALI kmetijstvo ALI kmet). Iskanje je potekalo septembra 2021. Droni imajo več oznak, vključno z UAV, UAS in daljinsko vodenimi letali (Sah et al., 2021). Posebni iskalni izrazi, povezani s kmetijstvom, so bili identificirani na podlagi študije Abdollahija et al. (2021). Zaradi jasnosti in preglednosti je natančna poizvedba, ki smo jo uporabili, podana v Dodatku 1. Po postopku čiščenja podatkov smo ustvarili besedilno datoteko, ki smo jo nato naložili v BibExcel, skupno orodje za analizo citiranja in socitiranja. To orodje ponuja tudi preprosto interakcijo z drugo programsko opremo in ponuja veliko stopnjo svobode pri obdelavi in analizi podatkov. Za vizualizacijo ugotovitev in generiranje bibliometričnih mrež je bil uporabljen VOSviewer različice 1.6.16 (Eck & Waltman, 2009). VOSviewer ponuja vrsto intuitivnih vizualizacij, zlasti za analizo bibliometričnih zemljevidov (Geng et al., 2020). Poleg tega pomaga pri zagotavljanju preprostih vizualnih rezultatov, ki pomagajo pri boljšem razumevanju rezultatov (Abdollahi et al., 2021). Z uporabo iskalnih nizov, kot je navedeno zgoraj, smo zbrali in shranili vse ustrezne publikacije. Prvi rezultati iskanja so skupaj prinesli 5,085 dokumentov. Da bi zagotovili kakovost izbranega vzorca, so bili v raziskavi upoštevani samo recenzirani članki iz revij, zaradi česar so bili izključeni drugi tipi dokumentov, kot so knjige, poglavja, zborniki konferenc in uredniške opombe. Med postopkom pregleda so bile nepomembne (tj. izven obsega tega dela), odvečne (tj. dvojniki, ki izvirajo iz dvojnega indeksiranja) in neangleško govoreče publikacije izločene. Rezultat tega procesa je bila vključitev 4,700 dokumentov v končno analizo.
Ugotovitve in razprava
Za začetek smo analizirali razvoj publikacij v trenutni literaturi o kmetijskih dronih. Časovna porazdelitev znanstvenih raziskav je prikazana na sliki 1. Vidimo hiter porast objav od leta 2011 (30 objav); zato smo se odločili, da obdobje analize razdelimo na dve različni stopnji. Obdobje med letoma 1990 in 2010 označujemo kot fazo gradnje, v kateri je bilo objavljenih približno sedem člankov letno. Obdobje po letu 2010 so poimenovali faza rasti, saj so bile raziskave o uporabi brezpilotnih letal v kmetijstvu v tem obdobju priča eksponentnemu porastu. Po letu 2010 naraščajoče število objav potrjuje naraščajoče zanimanje med raziskovalci, kar odraža tudi uporabo dronov za daljinsko zaznavanje in uporabo v natančnem kmetijstvu (Deng et al., 2018; Maes & Steppe, 2019; Messina & Modica, 2020). ). Natančneje, število objav se je povečalo s 108 v letu 2013 na 498 v letu 2018 in doseglo vrhunec pri 1,275 v letu 2020. Skupaj 935 člankov je bilo objavljenih med januarjem in sredino septembra 2021. Nato smo se odločili, da se naša analiza bolj osredotoči na stopnjo rasti saj to obdobje odraža najnovejše in pomembne podrobnosti kmetijskih dronov.
Analiza ključnih besed
Ključne besede, ki jih avtorji izberejo za objavo, ključno vplivajo na to, kako je članek zastopan in kako se komunicira v znanstvenih skupnostih. Identificirajo ključne subjekte raziskave in določijo njen potencial za uspeh ali propad (Day & Gastel, 1998; Kim et al., 2016; Uddin et al., 2015). Analiza ključnih besed, orodje za razkrivanje širših raziskovalnih trendov in usmeritev, se nanaša na zbiranje ključnih besed vseh povezanih publikacij v domeni (Dixit & Jakhar, 2021). V trenutni študiji smo razdelili združene ključne besede v dva niza (tj. do leta 2010 in 2011–2021), da bi raziskali najbolj priljubljene teme. S tem lahko izsledimo ključne ključne besede v obeh nizih in zagotovimo, da smo zajeli vse potrebne podatke. Za vsak sklop je v tabeli 3 predstavljenih prvih deset ključnih besed. Nedoslednosti smo odpravili z združitvijo pomensko enakih ključnih besed, kot sta »dron« in »droni« ali podobno »Internet of Things« in »IoT.«.
Iz tabele 3 je razvidno, da je »brezpilotno letalo« pogosteje uporabljena ključna beseda v primerjavi z »dronom« in »brezpilotnim zrakoplovom« v obeh časovnih obdobjih. Tudi »daljinsko zaznavanje«, »precizno kmetijstvo« in »kmetijstvo« so visoko uvrščeni v obeh obdobjih. V prvem obdobju se je »precizno kmetijstvo« uvrstilo na peto mesto, v drugem pa na drugo mesto, kar ponazarja, kako droni postajajo vse pomembnejši pri doseganju natančnega kmetijstva, saj lahko spremljajo,
prakse odkrivanja in ocenjevanja hitrejše, cenejše in enostavnejše za izvajanje v primerjavi z drugimi sistemi daljinskega zaznavanja in zemeljskimi sistemi. Prav tako lahko po potrebi razpršijo natančno količino vnosa (npr. vode ali pesticidov) (Guo et al., 2020; Inoue, 2020; Panday, Pratihast et al., 2020).
Seznam najpogosteje uporabljenih ključnih besed.
Uvrstitev | 1990-2010 | Št dogodki | 2011-2021 | Št dogodki |
1 | brezpilotna antena vozilo | 28 | brez posadke zračno vozilo | 1628 |
2 | daljinsko zaznavanje | 7 | natančnost Kmetijstvo | 489 |
3 | Kmetijstvo | 4 | daljinsko zaznavanje | 399 |
4 | v zraku | 4 | True | 374 |
5 | natančnost Kmetijstvo | 4 | brez posadke zračni sistem | 271 |
6 | brezpilotna antena | 4 | Kmetijstvo | 177 |
7 | hiperspektralno senzor | 3 | globoko učenje | 151 |
8 | umetni nevron omrežij | 2 | stroj učenje | 149 |
9 | avtonomno letenje | 2 | vegetacijo Kazalo | 142 |
10 | kava | 2 | Internet od Stvari | 124 |
Druga zanimiva lastnost je prisotnost komplementarnih tehnologij. V prvi fazi sta »Hiperspektralni senzor« in »umetne nevronske mreže« (ANN) med prvimi desetimi ključnimi besedami. Hiperspektralno slikanje je revolucioniralo tradicionalno slikanje z zbiranjem ogromnega števila slik na različnih valovnih dolžinah. Pri tem lahko senzorji hkrati zbirajo boljše prostorske in spektralne informacije v primerjavi z multispektralnim slikanjem, spektroskopijo in slikami RGB (Adao ˜ et al.,
2017). Pojav »ANN« v prvi fazi ter »globokega učenja« (DL) in »strojnega učenja« (ML) v drugi nakazuje, da se je večina objavljenih del osredotočila na preučevanje potenciala tehnik AI za drone- temelji na kmetijstvu. Čeprav so droni sposobni samostojnega letenja, še vedno zahtevajo sodelovanje pilota, kar pomeni nizko stopnjo inteligence naprave. Vendar pa je to težavo mogoče rešiti zaradi napredka tehnik umetne inteligence, ki lahko zagotovijo boljše zavedanje situacije in podporo pri avtonomnem odločanju. Brezpilotna letala, opremljena z umetno inteligenco, se lahko izognejo trkom med navigacijo, izboljšajo upravljanje tal in pridelkov (Inoue, 2020) ter zmanjšajo delo in stres za ljudi (BK Sharma et al., 2019).
Zaradi svoje prožnosti in zmožnosti obvladovanja velikih količin nelinearnih podatkov so tehnike umetne inteligence primerne metode za analizo podatkov, ki jih prenašajo brezpilotna letala in drugi sistemi za daljinsko zaznavanje ter zemeljski sistemi za napovedovanje in odločanje (Ali et al., 2015; Inoue, 2020). Poleg tega prisotnost "IoT" v drugem obdobju kaže na njegovo nastajajočo vlogo v kmetijstvu. IoT revolucionira kmetijstvo s povezovanjem drugih tehnologij, vključno z droni, ML, DL, WSN in velikimi podatki. Ena od ključnih prednosti implementacije IoT je njegova sposobnost učinkovitega in uspešnega združevanja različnih nalog (pridobivanje podatkov, analiza in obdelava podatkov, odločanje in implementacija) v skoraj realnem času (Elijah et al., 2018; Feng et al. , 2019; Muangprathub et al., 2019). Poleg tega droni veljajo za učinkovito orodje za zajemanje podatkov, potrebnih za izračun moči vegetacije in lastnosti vegetacije (Candiago et al., 2015). Sliki 2a in 2b ponazarjata omrežja sopojavnosti ključnih besed za obe časovni obdobji.
Vplivni avtorji
V tem razdelku določimo vplivne avtorje in preučimo, kako lahko omrežja citiranja avtorjev vizualizirajo in organizirajo trenutno literaturo. Slika 3 prikazuje kronološko prekrivanje vseh raziskovalcev z največjim številom citatov. Barvna lestvica odraža letno variacijo citatov avtorjev. Preučujemo strukturo citiranosti raziskovalcev, ki so objavili študije o kmetijskih dronih, z uporabo praga najmanj 50 citatov in desetih objav. Izven
12,891 avtorjev, le 115 jih je izpolnjevalo ta pogoj. Tabela 4 navaja deset najvplivnejših avtorjev, razvrščenih po največjem številu citatov. Lopez-Granados F. vodi na seznamu s 1,963 citati, sledi mu Zarco-Tejada PJ s 1,909 citati.
Seznam najbolj citiranih avtorjev.
Lestvica | Avtor | Citati |
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 |
Ko gre za posamezne objave, je bil članek Zhanga in Kovacsa (2012) najbolj citirana študija, objavljena v Precision Agriculture. Tu so avtorji pregledali uporabo UAS v preciznem kmetijstvu. Ugotovitve njihove raziskave kažejo, da je treba izboljšati oblikovanje platforme, proizvodnjo, standardizacijo georeferenciranja slik in potek dela za iskanje informacij, da bi kmetom zagotovili zanesljive končne izdelke. Dodatno priporočajo močnejše angažiranje kmeta, predvsem pri načrtovanju polja, zajemanju slik ter interpretaciji in analizi podatkov. Pomembno je, da je bila ta študija med prvimi, ki je pokazala pomen UAV pri kartiranju polja, kartiranju vitalnosti, merjenju vsebnosti kemikalij, spremljanju vegetacijskega stresa in vrednotenju učinkov gnojil na rast rastlin. Izzivi, povezani s tehnologijo, vključujejo tudi previsoke stroške, zmogljivost senzorjev, stabilnost in zanesljivost platforme, pomanjkanje standardizacije in dosleden postopek za analizo ogromnih količin podatkov.
Analiza citatov
Analiza citiranosti predstavlja študijo vpliva člankov, čeprav je nagnjena k pretokom (npr. pristranskost citiranja, samocitiranje) velja za enega od standardnih instrumentov za oceno učinka (Osareh, 1996; A. Rejeb et al., 2022; Sarli et al., 2010). Citati odražajo tudi pomembnost in vitalnost prispevkov člankov k literaturi o določeni temi (R. Sharma et al., 2022). Izvedli smo analizo citiranosti, da bi ugotovili najvplivnejše študije o kmetijskih dronih in povzeli vsebino. V tabeli 5 je seznam petnajstih najodmevnejših prispevkov za obdobji 1990–2010 in 2011–2021. Članki Bernija et al. (2009)b in Austin (2010) sta bila najbolj citirana v letih 1990 in 2010 z 831 oziroma 498 citati. Berni idr. (2009)b je ponazoril potencial za razvoj kvantitativnih izdelkov za daljinsko zaznavanje prek helikopterskega UAV, opremljenega s cenovno dostopnimi toplotnimi in ozkopasovnimi multispektralnimi slikovnimi senzorji. V primerjavi s tradicionalnimi zračnimi senzorji s posadko lahko nizkocenovni sistem UAV za kmetijstvo doseže primerljive ocene biofizikalnih parametrov pridelkov, če ne celo boljše. Cenovno dostopni stroški in operativna prilagodljivost, skupaj z visoko spektralno, prostorsko in časovno ločljivostjo, ki je na voljo v hitrem času, naredijo UAV primerne za vrsto aplikacij, ki zahtevajo časovno kritično upravljanje, vključno z načrtovanjem namakanja in preciznim kmetovanjem. Prispevek Bernija et al. (2009)b je visoko citiran, ker je učinkovito integriral platformo z rotacijskimi krili brez posadke ter digitalne in toplotne senzorje s potrebnimi kalibracijskimi mehanizmi za uporabo v kmetijstvu. Druga najbolj citirana publikacija je knjiga avtorja Austina (2010), ki je obravnaval UAV z vidika načrtovanja, razvoja in uvajanja. V kmetijstvu UAV podpirajo spremljanje pridelka z zgodnjim odkrivanjem bolezni prek sprememb barve pridelka, olajšajo setev in škropljenje pridelkov ter spremljajo in vozijo črede.
Študije Sullivana et al. (2007), Lumme et al. (2008) in Gokto ¨ ǧan et al. (2010) zaključujejo seznam petnajstih najbolj citiranih člankov. Ti članki ponazarjajo razvoj sistemov za podporo kmetijstvu, ki temeljijo na UAV. Ponujajo rešitve za različne težave, kot so spremljanje in skeniranje pridelka, nadzor in upravljanje plevela ter pomoč pri odločanju. Prav tako predlagajo in razpravljajo o sposobnosti UAV za povečanje učinkovitosti vzorčenja in pomoč kmetom pri oblikovanju natančnih in učinkovitih
strategije sajenja. Avtor dveh prispevkov je Berni (Berni et al., 2009b; Berni et al., 2009a), ki poudarjata njegov pomemben vpliv na raziskave, povezane z droni v kmetijstvu. Članek Zarco-Tejada et al. (2014) je bil med pionirskimi študijami, ki ponazarjajo potrebo po uporabi poceni posnetkov UAV pri kvantificiranju višine dreves.
Seznam najbolj citiranih publikacij.
Uvrstitev | Od 1990 za 2010 | Od 2011 za 2021 | ||
Dokument | Navedba | Dokument | Navedba | |
1 | (Berni et al., 2009b) | 831 | (C. Zhang & Kovacs, 2012) | 967 |
2 | (Austin, 2010) | 498 | (Nex & 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 et al., 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 et al., 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 in Tian, 2011) | 307 |
13 | (Sullivan et al., 2007) | 51 | (Matese et al., 2015) | 303 |
14 | (Lumme et al., 2008) | 42 | (Gago et al., 2015) | 275 |
15 | (Gokto ¨ ǧan et al., 2010) | 40 | (Aasen et al., 2015a) | 269 |
V drugem obdobju (2011–2021) so raziskave Zhanga in Kovacsa (2012) ter Nexa in Remondina (2014) prinesle največkrat citirane objave. Zhang in Kovacs (2012) trdita, da bi lahko precizno kmetijstvo imelo koristi od izvajanja geoprostorskih tehnik in senzorjev, kot so geografski informacijski sistemi, GPS in daljinsko zaznavanje, za zajemanje sprememb na polju in njihovo obvladovanje z uporabo alternativnih strategij. Sprejetje dronov je kot sprememba v preciznem kmetijstvu napovedalo novo dobo v daljinskem zaznavanju, ki poenostavlja opazovanje iz zraka, zajema podatke o rasti pridelkov, stanju tal in območjih škropljenja. Pregled Zhanga in Kovacsa (2012) je ključen, saj ponuja vpogled v UAV z razkrivanjem obstoječe uporabe in izzivov teh naprav pri spremljanju okolja in natančnem kmetijstvu, kot so omejitve platforme in kamere, izzivi pri obdelavi podatkov, sodelovanje kmetov in letalski predpisi. . Drugi
Najbolj citirana študija Nexa in Remondina (2014) je pregledala stanje tehnike UAV za zajemanje, obdelavo in analizo slik Zemlje.
Njihovo delo je predstavilo tudi pregled več platform UAV, aplikacij in primerov uporabe, ki prikazujejo najnovejši napredek pri obdelavi slik UAV. V kmetijstvu bi kmetje lahko uporabljali UAV za sprejemanje učinkovitih odločitev za doseganje stroškovnih in časovnih prihrankov, prejemanje hitrega in natančnega zapisa o škodi ter predvidevanje morebitnih težav. V nasprotju s konvencionalnimi zračnimi ploščadmi lahko UAV zmanjšajo operativne stroške in zmanjšajo nevarnost dostopa na težkih lokacijah, medtem ko še vedno ohranjajo visoko natančnost. Njihov članek povzema različne prednosti UAV, zlasti v smislu natančnosti in ločljivosti.
Med preostalimi trinajstimi najbolj citiranimi publikacijami med letoma 2011 in 2021 smo opazili večjo koncentracijo na raziskavah, povezanih z aplikacijami brezpilotnih letal v misijah slikanja (Bendig et al., 2014; Ma et al., 2017; Zarco-Tejada et al., 2014). , precizno kmetijstvo (Candiago et al., 2015; Honkavaara et al., 2013a), precizno vinogradništvo (Matese et al., 2015), ocena vodne obremenitve (Gago et al., 2015) in spremljanje vegetacije (Aasen et al. , 2015a). V prvih letih so se raziskovalci osredotočali
več o razvoju nizkocenovnih, lahkih in natančnih sistemov za kmetijstvo, ki temeljijo na UAV; novejše raziskave so se bolj osredotočile na preglede aplikacij UAV za kmetijstvo in geodetsko raziskovanje. Če povzamemo, ta analiza razkriva, da so vplivne publikacije večinoma zagotovile pregled predhodnih študij za oceno trenutnega znanstvenega in tehnološkega statusa UAV ter razvite sisteme UAV za podporo natančnemu kmetijstvu. Zanimivo je, da nismo našli študij, ki bi uporabljale empirično
metodologij ali opisnih študij primerov, kar predstavlja veliko vrzel v znanju in zahteva dodatne raziskave na to temo.
Analiza socitiranja
Po Gmürju (2006) analiza socitiranja identificira podobne publikacije in jih razvrsti v skupine. Natančen pregled grozda lahko razkrije skupno področje raziskav med publikacijami. Raziskujemo socitiranje literature, ki se nanaša na kmetijska brezpilotna letala, da ponazorimo povezana tematska področja in zaznamo intelektualne vzorce publikacij. V zvezi s tem je Small (1973) priporočil uporabo kocitacijske analize za preučevanje najvplivnejših in najpomembnejših raziskav.
znotraj discipline. Da bi omejili nabor na najpomembnejše članke (Goyal & Kumar, 2021), smo postavili prag socitiranja 25, kar pomeni, da morata biti dva članka citirana skupaj na seznamih referenc 25 ali več različnih publikacij. Grozdenje je bilo izvedeno tudi z najmanjšo velikostjo grozda 1 in brez kakršne koli metode za združevanje manjših grozdov z večjimi. Posledično je bilo generiranih šest grozdov na podlagi podobnosti študij in njihove intelektualne strukture. Tabela 6 prikazuje porazdelitev objav v posameznem grozdu.
Grozd 1: Ta grozd vsebuje osemnajst dokumentov, objavljenih po Publikacije v tem grozdu razpravljajo o vlogi dronov pri podpiranju okoljskega spremljanja, upravljanja s pridelki in zatiranja plevela. Na primer, Manfreda et al. (2018) nudijo pregled trenutnih raziskav in uvedb UAV v spremljanje naravnih kmetijskih ekosistemov in trdijo, da tehnologija ponuja ogromen potencial za drastično izboljšanje spremljanja okolja in zmanjšanje
obstoječo vrzel med terenskim opazovanjem ter običajnim daljinskim zaznavanjem iz zraka in vesolja. To je mogoče doseči s ponudbo nove zmogljivosti za izboljšano časovno iskanje in prostorske vpoglede v velika območja na cenovno dostopen način. UAV-ji lahko nenehno zaznavajo okolje in pošiljajo nastale podatke inteligentnim, centraliziranim/decentraliziranim subjektom, ki nadzorujejo senzorje za prepoznavanje morebitnih težav, kot je pomanjkanje zaznavanja bolezni ali vode (Padua ´ et al., 2017). Adao ˜ et al. (2017) trdijo, da so UAV-ji idealni za ocenjevanje stanja rastlin z zajemanjem ogromne količine neobdelanih podatkov, povezanih s stanjem vode, oceno biomase in oceno moči. Senzorje, nameščene na UAV, bi lahko prav tako takoj uporabili v ustreznih okoljskih pogojih, da bi omogočili pravočasen zajem podatkov daljinskega zaznavanja (Von Bueren et al., 2015). S pomočjo UAV lahko kmetje izvajajo kmetijske dejavnosti v zaprtih prostorih s pridobivanjem meritev s praktično katerega koli mesta v tridimenzionalnem prostoru notranjih kmetijskih okolij (npr. rastlinjaki), s čimer se zagotovi lokalni nadzor podnebja in spremljanje rastlin (Roldan ´ et al. ., 2015). V kontekstu natančnosti
V kmetijstvu odločitve o upravljanju pridelka zahtevajo natančne, zanesljive podatke o pridelku z ustrezno časovno in prostorsko ločljivostjo (Gebbers & Adamchuk, 2010; Gevaert et al., 2015; Maes & Steppe, 2019). Iz tega razloga so Agüera Vega et al. (2015) so uporabili multispektralni senzorski sistem, nameščen na UAV, za pridobivanje slik pridelka sončnic med rastno dobo. Podobno Huang et al. (2009) ugotavljajo, da bi lahko daljinsko zaznavanje, ki temelji na UAV, olajšalo merjenje pridelkov in tal iz zbranih spektralnih podatkov. Verger et al. (2014) so razvili in preizkusili tehniko za ocenjevanje indeksa zelenih površin (GAI) iz meritev odbojnosti UAV v aplikacijah natančnega kmetijstva, s poudarkom na pridelkih pšenice in ogrščice. Zato droni zagotavljajo nove možnosti za pridobivanje informacij o stanju pridelka s pogostimi ponovnimi obiski in visoko prostorsko ločljivostjo (Dong et al., 2019; Garzonio et al., 2017; H. Zheng et al., 2016).
Združevanje vplivnih publikacij o kmetijskih dronih.
Grozd | Široka tema | Reference |
1 | Monitoring okolja, pridelek upravljanje, zatiranje plevela | (Ad˜ ao et al., 2017; Agüera Vega et al., 2015; de Castro et al., 2018; Gomez-Cand ´ on ´ et al., 2014; YB Huang et al., 2013; Khanal et al., 2017; Lopez-Granados, ´ 2011; Manfreda et al., 2018; P´ adua et al., 2017; Pena ˜ et al., 2013; P´erez-Ortiz et al., 2015; Rasmussen et al., 2013, 2016; Torres-S´ anchez et al., 2014; Torres-Sanchez, ´ Lopez-Granados, ´ & Pena, ~ 2015; Verger et al., 2014; Von Bueren et al., 2015; C. Zhang & Kovač, 2012) |
2 | Fenotipizacija na daljavo, donos ocena, model površine pridelka, štetje rastlin | (Bendig et al., 2013, 2014; Geipel et al., 2014; Gnadinger ¨ & Schmidhalter, 2017; Haghighattalab et al., 2016; Holman et al., 2016; Jin et al., 2017; W. Li et al., 2016; Maimaitijiang et al., 2017; Sankaran et al., 2015; Schirrmann et al., 2016; Shi et al., 2016; Yue et al., 2017; X. Zhou et al., 2017) |
3 | Termovizija za vodo, multispektralno slikanje | (Baluja et al., 2012; Berni et al., 2009b; Berni et al., 2009a ; Candiago et al., 2015; Gago et al., 2015; Gonzalez-Dugo et al., 2013, 2014; Grenzdorffer ¨ et al., 2008; Khaliq et al., 2019; Matese idr., 2015; Ribeiro-Gomes et al., 2017; Santesteban et al., 2017; Uto et al., 2013) |
4 | Hipersektralno slikanje, spektralno slikanje | (Aasen et al., 2015a; Bareth et al., 2015; Hakala et al., 2013; Honkavaara et al., 2013a; Lucieer et al., 2014; Saari et al., 2011; Suomalainen et al., 2014) |
5 | Aplikacije za 3D-kartiranje | (Jim´enez-Brenes et al., 2017; Nex & Remondino, 2014; Salamí et al., 2014; Torres-S´ anchez, Lopez- ´ Granados, Serrano et al., 2015; Zahawi et al., 2015; Zarco-Tejada et al., 2014) |
6 | Nadzor kmetijstva | (SR Herwitz et al., 2004; Hunt et al., 2010; CCD Lelong et al., 2008; Primicerio idr., 2012; Xiang & Tian, 2011) |
Poleg tega so brezpilotna letala uporabna za zahtevna opravila v kmetijstvu, vključno s kartiranjem plevela. Slike, zajete z napravami, so dokazale njihovo uporabnost za zgodnje odkrivanje plevela na poljih (de Castro et al., 2018; Jim´enez-Brenes et al., 2017; Lam et al., 2021; Lopez-Granados ´ et al., 2016; Rozenberg et al., 2021). V zvezi s tem de Castro et al. (2018) trdijo, da je združitev posnetkov UAV in OBIA (Object-Based Image Analysis) praktikom omogočila premagati težavo avtomatizacije zgodnjega odkrivanja travniških posevkov v zgodnji sezoni, kar je velik korak naprej pri raziskavah plevela. Podobno Pena ˜ et al. (2013) poudarjajo, da uporaba slik ultravisoke prostorske ločljivosti iz UAV v povezavi s postopkom OBIA omogoča ustvarjanje zemljevidov plevela v zgodnjih posevkih koruze, ki bi jih lahko uporabili pri načrtovanju izvajanja ukrepov zatiranja plevela med sezono, naloga, ki presega zmožnosti satelitskih in tradicionalnih posnetkov iz zraka. V primerjavi z algoritmi za razvrščanje slik ali zaznavanje objektov so tehnike semantične segmentacije učinkovitejše pri nalogah kartiranja plevela (J. Deng et al., 2020), kar kmetom omogoča zaznavanje pogojev na polju, zmanjšanje izgub in izboljšanje donosa v celotni rastni sezoni (Ramesh et al., 2020). Semantična segmentacija, ki temelji na globokem učenju, lahko zagotovi tudi natančno merjenje vegetacijskega pokrova iz zračnih slik visoke ločljivosti (Ramesh et al., 2020; A. Zheng et al., 2022). Kljub njihovemu potencialu za oddaljeno
Zaznavanje slikovnih pik, tehnike semantične segmentacije zahtevajo znatno računanje in previsoko pomnilnik GPE (J. Deng et al., 2020).
Na podlagi strojnega učenja in UAV, P´erez-Ortiz et al. (2015) je predlagal pristop kartiranja plevela za zagotavljanje strategij zatiranja plevela, specifičnih za lokacijo, ko kmetje sprejmejo zatiranje plevela zgodaj po vzniku. Nazadnje, Rasmussen et al. (2013) je poudaril, da droni zagotavljajo poceni zaznavanje z veliko prilagodljivostjo prostorske ločljivosti. Na splošno se publikacije v tej skupini osredotočajo na raziskovanje potenciala UAV za podporo daljinskega zaznavanja, spremljanja posevkov in kartiranja plevela. Potrebne so dodatne poglobljene raziskave za nadaljnje raziskovanje, kako lahko aplikacije brezpilotnih letal pri spremljanju okolja, upravljanju pridelkov in kartiranju plevela dosežejo bolj trajnostno kmetijstvo (Chamuah & Singh, 2019; Islam et al., 2021; Popescu et al., 2020; J Su, Liu et al., 2018) in obravnavajo vprašanja upravljanja te tehnologije v aplikacijah za zavarovanje pridelka (Basnet & Bang, 2018; Chamuah & Singh, 2019, 2022; Meinen & Robinson, 2021). Raziskovalci bi se morali osredotočiti na potrjevanje meritev, zbranih z UAV, z učinkovitimi tehnikami obdelave za izboljšanje končne kakovosti obdelanih podatkov (Manfreda et al., 2018). Poleg tega je potreben razvoj ustreznih algoritmov, ki prepoznajo slikovne pike, ki prikazujejo plevel na digitalnih slikah, in odstranijo nepomembno ozadje med kartiranjem plevela z UAV (Gaˇsparovi´c et al., 2020; Hamylton et al., 2020; H. Huang et al. , 2018, 2020; Lopez-´ Granados et al., 2016). Dodatne raziskave o uporabi tehnik semantične segmentacije pri prepoznavanju rastlin, klasifikaciji listov in kartiranju bolezni so dobrodošle (Fuentes-Pacheco et al., 2019; Kerkech et al., 2020).
Grozd 2. Publikacije v tem grozdu so se osredotočale na več vidikov kmetijskih dronov. V zvezi z oddaljenim fenotipiziranjem, Sankaran et al. (2015) so pregledali potencial uporabe zračnih posnetkov z nizko nadmorsko višino in visoko ločljivostjo z UAV za hitro fenotipizacijo pridelkov na polju in trdijo, da imajo majhni UAV z ustreznimi senzorji več prednosti v primerjavi s platformami za zaznavanje na tleh. , kot so lažji dostop do terena, podatki visoke ločljivosti, učinkovito zbiranje podatkov,
hitre ocene pogojev rasti na polju in nizki operativni stroški. Vendar pa avtorji tudi ugotavljajo, da je učinkovita uporaba UAV za fenotipizacijo polja odvisna od dveh temeljnih elementov, in sicer lastnosti UAV (npr. varnost, stabilnost, pozicioniranje, avtonomija) in značilnosti senzorjev (npr. ločljivost, teža, spektralne valovne dolžine, polje). pogleda). Haghighattalab et al. (2016) je predlagal polavtomatski cevovod za obdelavo slik za pridobivanje podatkov na ravni ploskve iz posnetkov UAV in pospešitev postopka razmnoževanja. Holman et al. (2016) razvil visoko
sistem za fenotipizacijo polja s prepustnostjo in poudaril, da je UAV sposoben zbirati kakovostne, obsežne fenotipske podatke na terenu in da je naprava učinkovita za velika območja in na različnih lokacijah polja.
Ker je ocena donosa izjemno pomembna informacija, zlasti če je na voljo pravočasno, obstaja možnost, da UAV zagotovijo vse terenske meritve in učinkovito pridobijo visokokakovostne podatke (Daakir et al., 2017; Demir et al., 2018). ; Enciso et al., 2019; Kulbacki et al., 2018; Pudelko et al., 2012). V zvezi s tem Jin et al. (2017) so izkoristili posnetke visoke ločljivosti, pridobljene z UAV-ji na zelo nizkih nadmorskih višinah, da bi razvili in ocenili metodo za ocenjevanje gostote rastlin pšenice v fazi vznika. Po mnenju avtorjev UAV-ji presegajo omejitve sistemov roverjev, opremljenih s kamerami, in predstavljajo neinvazivno metodo za ocenjevanje gostote rastlin v pridelkih, kar kmetom omogoča, da dosežejo visoko zmogljivost, potrebno za fenotipizacijo polja, neodvisno od prometnosti tal. Li et al. (2016) so zbrali na stotine stereo slik z izjemno visoko ločljivostjo z uporabo sistema, ki temelji na UAV, za oceno parametrov koruze, vključno z višino krošnje in nadzemno biomaso. Končno, Yue et al. (2017) je ugotovil, da lahko višina pridelka, določena z UAV, izboljša oceno nadzemne biomase (AGB).
Pristop k spremljanju rasti pridelka je zamisel o razvoju površinskih modelov pridelka (Bendig et al., 2014, 2015; Holman et al., 2016; Panday, Shrestha et al., 2020; Sumesh et al., 2021). Več študij je poudarilo izvedljivost slik, posnetih z UAV, za zajemanje višine rastlin in spremljanje njihove rasti. Na primer, Bendig et al. (2013) je opisal razvoj veččasovnih modelov površine pridelkov z zelo visoko ločljivostjo manj kot 0.05 m z uporabo UAV. Namenjeni so bili odkrivanju pridelka
spremenljivost rasti in njena odvisnost od obdelave pridelka, sorte in stresa. Bendig et al. (2014) so uporabili UAV za oceno sveže in suhe biomase na podlagi višine rastlin, pridobljene iz površinskih modelov posevkov, in ugotovili, da lahko slike visoke ločljivosti iz UAV, za razliko od zračnih platform in zemeljskega laserskega skeniranja, znatno povečajo natančnost modeliranja višine rastlin za različno rast obdobja. V istem duhu Geipel et al. (2014) so v svojih raziskavah uporabili UAV za pridobivanje posnetkov
nabore podatkov za napoved pridelka koruznega zrnja v treh različnih rastnih fazah od zgodnje do srednje sezone in ugotovili, da je kombinacija spektralnega in prostorskega modeliranja na podlagi aeroposnetkov in površinskih modelov pridelkov primerna metoda za napovedovanje pridelka koruze v srednji sezoni. Nazadnje sta Gnadinger ¨ in Schmidhalter (2017) preučila uporabnost UAV pri natančnem fenotipiziranju in poudarila, da bi uporaba te tehnologije lahko izboljšala upravljanje kmetije in omogočila terensko eksperimentiranje za vzrejo in agronomske namene. Na splošno opažamo, da se publikacije v skupini 2 osredotočajo na glavne prednosti UAV na daljavo.
fenotipizacija, ocena pridelka, modeliranje površine pridelka in štetje rastlin. Prihodnje študije se lahko poglobijo z razvojem novih metod za fenotipizacijo na daljavo, ki lahko avtomatizirajo in optimizirajo obdelavo daljinsko zaznanih podatkov (Barabaschi et al., 2016; Liebisch et al., 2015; Mochida et al., 2015; S. Zhou et al. ., 2021). Poleg tega je treba v
prihodnosti (Ju & Son, 2018a, 2018b; Xie & Yang, 2020; Yue et al., 2018). Končno je treba razviti učinkovite metode obdelave slik, ki lahko ustvarijo zanesljive informacije, povečajo učinkovitost kmetijske proizvodnje in zmanjšajo ročno štetje kmetov (RU Khan et al., 2021; Koh et al., 2021; Lin & Guo, 2020; C. Zhang et al., 2020).
Grozd 3. Publikacije v tem grozdu obravnavajo različne vrste slikovnih sistemov za daljinsko zaznavanje kmetijskih virov, ki se uporabljajo na platformah UAV. V zvezi s tem termično slikanje omogoča spremljanje površinskih temperatur za preprečevanje poškodb pridelkov in zgodnje odkrivanje stresa zaradi suše (Awais et al., 2022; García-Tejero et al., 2018; Sankaran et al., 2015; Santesteban et al., 2017; Yeom, 2021). Baluja idr. (2012) je trdil, da je uporaba multispektralnih in termalnih kamer na krovu
UAV je raziskovalcem omogočil pridobitev slik visoke ločljivosti in oceno stanja vode v trti. To bi lahko bilo koristno za razvoj novih modelov razporejanja vode z uporabo podatkov daljinskega zaznavanja (Baluja et al., 2012). Zaradi
omejena nosilnost UAV, Ribeiro-Gomes et al. (2017) je razmišljal o integraciji nehlajenih toplotnih kamer v UAVS za določanje vodnega stresa v rastlinah, zaradi česar je ta vrsta UAV bolj učinkovita in uspešna kot tradicionalno satelitsko daljinsko zaznavanje in UAV, opremljeni s hlajenimi toplotnimi kamerami. Po mnenju avtorjev so nehlajene termalne kamere lažje od hlajenih kamer, zato je potrebna ustrezna kalibracija. Gonzalez-Dugo et al. (2014) so pokazali, da toplotne slike učinkovito ustvarjajo prostorske zemljevide indeksov vodnega stresa pridelkov za ocenjevanje stanja vode in kvantificiranje vodnega stresa med in znotraj nasadov citrusov. Gonzalez-Dugo et al. (2013) in Santesteban et al. (2017) so raziskovali uporabo toplotnih posnetkov UAV visoke ločljivosti za oceno spremenljivosti stanja vode v komercialnem sadovnjaku in vinogradu.
Multispektralno slikanje bi lahko zagotovilo ogromno podatkov v primerjavi s tradicionalnimi slikami RGB (rdeča, zelena in modra) (Ad˜ ao et al., 2017; Navia et al., 2016). Ti spektralni podatki, skupaj s prostorskimi podatki, bi lahko pomagali pri klasifikaciji, kartiranju, napovedovanju, predvidevanju in odkrivanju (Berni et al., 2009b). Po mnenju Candiaga et al. (2015) bi lahko multispektralno slikanje na podlagi UAV močno prispevalo k oceni pridelka in natančnemu kmetijstvu kot zanesljiv in učinkovit vir. tudi
Khaliq et al. (2019) je naredil primerjavo med satelitskim in multispektralnim slikanjem na podlagi UAV. Slike, ki temeljijo na UAV, so bile natančnejše pri opisovanju variabilnosti vinogradov in zemljevidov moči za predstavitev krošenj posevkov. Na kratko, članki v tej skupini razpravljajo o vgradnji toplotnih in večspektralnih slikovnih senzorjev v kmetijske UAV. Zato je potrebnih več raziskav, da bi razumeli, kako je mogoče toplotno in večspektralno slikanje integrirati z umetno inteligenco
tehnike (npr. globoko učenje) za odkrivanje stresa rastlin (Ampatzidis in sod., 2020; Ampatzidis in sod., 2019; Jung in sod., 2021; Santesteban in sod., 2017; Syeda in sod., 2021). Takšni vpogledi bodo pomagali zagotoviti učinkovitejše in natančnejše odkrivanje ter spremljanje rasti rastlin, stresa in fenologije (Buters et al., 2019; Cao et al., 2020; Neupane & BaysalGurel, 2021; L. Zhou et al., 2020).
Grozd 4. Ta grozd je sestavljen iz sedmih dokumentov, ki se vrtijo okoli ključne vloge spektralnega slikanja in hiperspektralnega slikanja pri podpiranju kmetijskih praks. Hiperspektralno slikanje se je uveljavilo kot metoda daljinskega zaznavanja, ki omogoča kvantitativno oceno zemeljskega sistema (Schaepman et al., 2009). Natančneje, omogoča identifikacijo površinskih materialov, kvantifikacijo (relativnih) koncentracij in določitev deležev površinskih komponent
znotraj mešanih slikovnih pik (Kirsch et al., 2018; Zhao et al., 2022). Z drugimi besedami, višja spektralna ločljivost, ki jo zagotavljajo hiperspektralni sistemi, omogoča natančnejše ocene različnih parametrov, kot so vegetarijanske lastnosti ali vsebnost vode v listih (Suomalainen et al., 2014). Raziskovalci v tej skupini so raziskovali različne vidike takih sistemov. Med drugim Aasen et al. (2015b) je ponudil edinstven pristop za pridobivanje tridimenzionalnih hiperspektralnih informacij iz lahkih
kamere za posnetke, ki se uporabljajo na UAV za spremljanje vegetacije. Lucieer et al. (2014) so razpravljali o zasnovi, razvoju in zračnih operacijah novega hiperspektralnega UAS ter o kalibraciji, analizi in interpretaciji slikovnih podatkov, zbranih z njim. Končno, Honkavaara et al. (2013b) je razvil pristop celovite obdelave za spektralne slike na osnovi interferometra FabryPerot in pokazal njegovo uporabo v postopku ocene biomase za precizno kmetijstvo. Potencialne prihodnje poti za ta trenutni grozd vključujejo poudarjanje potrebe po tehničnih izboljšavah senzorskih tehnologij (Aasen et al., 2015b) ter potrebo po vključevanju in izboljšanju komplementarnih tehnologij, zlasti velikih podatkov in analitike (Ang & Seng, 2021; Radoglou). -Grammatikis et al., 2020; Shakoor et al., 2019). Slednje izhaja predvsem iz vedno večjih podatkov, ki jih ustvarjajo različni senzorji, implementirani v pametnem kmetijstvu (C. Li & Niu, 2020; A. Rejeb et al., 2022; Y. Su & Wang, 2021).
Grozd 5. Publikacije v tem grozdu so preučevale aplikacije za 3D-preslikavo, ki temeljijo na dronih. Uporaba dronov za 3D kartiranje bi lahko olajšala zapleteno terensko delo in znatno povečala učinkovitost (Torres-Sanchez ´ et al., 2015). Pet člankov v skupini se je osredotočilo predvsem na aplikacije za spremljanje obratov. Na primer, da bi pridobili tridimenzionalne podatke o površini krošnje, višini drevesa in volumnu krošnje, Torres-Sanchez ´ et al. (2015) so uporabili tehnologijo UAV za ustvarjanje digitalnih površinskih modelov in nato pristope objektno zasnovane analize slik (OBIA). Nadalje, Zarco-Tejada et al. (2014) so kvantificirali višino dreves z integracijo UAV tehnologije in tridimenzionalnih fotorekonstrukcijskih metod. Jim´enez-Brenes Lopez-Granados, ´ De Castro, et al. (2017) je z integracijo tehnologije UAV z napredno metodologijo OBIA prikazal nov postopek za veččasovno, 3D spremljanje več deset oljčnih dreves. Zanimive poti za prihodnja dela v tej skupini vključujejo bodisi izboljšanje trenutnega
metodologije (Zarco-Tejada et al., 2014) za namene digitalnega modeliranja površin (Ajayi et al., 2017; Jaud et al., 2016), kot je OBIA (de Castro et al., 2018, 2020; Ventura et al. , 2018) in rekonstrukcija fotografij ali razvoj novih metod (Díaz-Varela et al., 2015; Torres-S´ anchez et al., 2015).
Grozd 6. Ta grozd obravnava vlogo brezpilotnih letal v kmetijskem nadzoru. UAV-ji bi lahko dopolnili in odpravili pomanjkljivosti satelitskega in letalskega slikanja. Na primer, lahko bi zagotovili visoko ločljivost slikanja v skoraj realnem času z manj goriva ali izzivov pri pilotiranju, kar bi imelo za posledico stalen nadzor v realnem času in izboljšave pri odločanju (S. Herwitz et al., 2004). Drugi ključni prispevek UAV je njihova zmožnost zagotavljanja podatkov, specifičnih za lokacijo, za precizno kmetijstvo ali kmetijstvo, specifično za lokacijo, saj njihova visoka ločljivost, podrobni podatki o različnih parametrih omogočajo kmetom, da razdelijo zemljo na homogene dele in jih ustrezno obravnavajo (Hunt et al. , 2010; CC Lelong et al., 2008; Primicerio et al., 2012). Tak kmetijski nadzor na osnovi UAV lahko podpira spremljanje varnosti preskrbe s hrano in sprejemanje odločitev (SR Herwitz et al., 2004). Za pospešitev raziskav kmetijskega nadzora niso potrebne samo izboljšave senzorjev, UAV in drugih sorodnih tehnologij ter njihovih komunikacijskih in prenosnih metod (Ewing et al., 2020; Shuai et al., 2019), ampak tudi integracija brezpilotnih letal z različnimi tehnologije za optimizacijo različnih nalog v zvezi s pametnim kmetijstvom, kot so spremljanje, kmetijski nadzor in sprejemanje odločitev, je raziskovalno področje z velikim potencialom (Alsamhi et al., 2021; Popescu et al., 2020; Vuran et al., 2018). V zvezi s tem IoT, WSN in veliki podatki ponujajo zanimive dopolnilne zmogljivosti (van der Merwe et al., 2020). Stroški implementacije, prihranki stroškov, energetska učinkovitost in varnost podatkov so med premalo raziskanimi področji za takšno integracijo (Masroor et al., 2021).
Države in akademske ustanove
Zadnji korak je vključeval preiskavo države izvora in akademske pripadnosti avtorjev. S to analizo želimo bolje razumeti geografsko porazdelitev znanstvenikov, ki prispevajo k uporabi dronov v kmetijstvu. Omembe vredno je opaziti raznolikost držav in akademskih ustanov. Z vidika držav se po številu objav na vrhu lestvice uvrščajo ZDA, Kitajska, Indija in Italija (tabela 7). Trenutno
Raziskave kmetijskih dronov so večinoma osredotočene na severnoameriške in azijske države, predvsem zaradi njihove velike vključenosti v aplikacije natančnega kmetijstva. Na primer, v ZDA je bil trg kmetijskih dronov leta 841.9 ocenjen na 2020 milijona USD, kar predstavlja približno 30 % svetovnega tržnega deleža (ReportLinker, 2021). Kitajska, ki se uvršča med največje gospodarstvo na svetu, naj bi leta 2.6 dosegla približno velikost trga v višini 2027 milijarde USD. Ta država nagovarja kmetijska brezpilotna letala, da bi premagala težave s produktivnostjo in dosegla boljše donose, olajšanje dela in manj proizvodnih vložkov. Vendar pa sprejetje tehnologije na Kitajskem poganjajo tudi dejavniki, kot sta velikost prebivalstva in potreba po inovacijah ter izboljšanju obstoječih praks upravljanja s pridelki.
Najbolj produktivne države in univerze/organizacije, ki prispevajo k
kmetijske raziskave, povezane z droni.
Uvrstitev | države |
1 | ZDA |
2 | Kitajska |
3 | Indija |
4 | Italija |
5 | Španija |
6 | Nemčija |
7 | Brazilija |
8 | Avstralija |
9 | Japonska |
10 | Anglija |
Uvrstitev | Univerze/organizacije |
1 | Kitajska akademija znanosti |
2 | Ministrstvo za kmetijstvo Ljudske republike Kitajske |
3 | Vrhovni svet znanstvenih raziskav |
4 | Teksaška univerza A&M |
5 | Kitajska kmetijska univerza |
6 | Služba za kmetijske raziskave USDA |
7 | CSIC – Instituto de Agricultura Sostenible IAS |
8 | Purdue University |
9 | Nacionalni raziskovalni svet |
10 | Južnokitajska kmetijska univerza |
Z univerzitetnega in organizacijskega vidika je Kitajska akademija znanosti na vrhu seznama po številu publikacij, sledita ji Ministrstvo za kmetijstvo Ljudske republike Kitajske in Consejo Superior de Investigaciones Científicas. Kitajsko akademijo znanosti predstavljata avtorja Liao Xiaohan in Li Jun; Han Wenting predstavlja Ministrstvo za kmetijstvo Ljudske republike Kitajske; in Consejo Superior de Investigaciones Científicas zastopata Lopez-Granados, ´ F. in Pena, ˜ Jos´e María S. Iz ZDA univerze, kot sta Texas A&M University in Purdue University, najdejo svoje
omeniti. Univerze z največjim številom objav in njihove povezave so prikazane na sliki 4. Poleg tega ta seznam vključuje ustanove, kot sta Consiglio Nazionale delle Ricerche in Consejo Superior de Investigaciones Científicas, ki se ukvarjajo z znanstvenimi raziskavami, vendar niso akademske ustanove .
Naš izbor je vključeval široko paleto revij, ki so zajemale skoraj vse razpoložljive podatke. Kot je razvidno iz tabele 8, je na vrhu Remote Sensing z 258 članki, sledita Journal of Intelligent and Robotic Systems: Theory and Applications s 126 in Computers and Electronics in Agriculture z 98 članki. Medtem ko je daljinsko zaznavanje večinoma osredotočeno na uporabo in razvoj dronov, Računalništvo in elektronika v kmetijstvu v glavnem zajema napredek v računalniški strojni opremi, programski opremi, elektroniki in sistemih za nadzor v kmetijstvu. Medobmočne prodajalne, kot sta IEEE Robotics and Automation Letters s 87 publikacijami in IEEE Access s 34 publikacijami, so prav tako vodilne na tem področju. Prvih 959 objav je k literaturi prispevalo 20.40 dokumentov, kar je približno 5 % vseh objav. Analiza kocitiranja revij nam omogoča, da preverimo pomembnost in podobnost med objavami. Analiza socitiranja daje tri grozde, kot je prikazano na sliki XNUMX. Rdeči grozd sestavljajo revije, kot so Remote Sensing, Computer and Electronics in Agriculture, Sensors,
in International Journal of Remote Sensing. Vse te izdaje so zelo ugledne revije s področja daljinskega zaznavanja in natančnega kmetijstva. Zeleni grozd vsebuje revije, ki obravnavajo robotiko, kot so Journal of Intelligent and Robotic Systems: Theory and Applications, IEEE Robotics and Automation Letters, IEEE Access in Drones. Ta mesta večinoma objavljajo članke o avtomatizaciji in so uporabna za kmetijske inženirje. Zadnji grozd tvorijo revije, povezane z agronomijo in kmetijskim inženirstvom, kot sta Agronomy in International Journal of Agricultural and Biological Engineering.
15 najboljših revij o raziskavah kmetijskih dronov.
Uvrstitev | List | Grof |
1 | Daljinsko zaznavanje | 258 |
2 | Journal of Intelligent and Robotic Systems: Theory and Aplikacije | 126 |
3 | Računalništvo in elektronika v kmetijstvu | 98 |
4 | IEEE Robotics and Automation Letters | 87 |
5 | Senzorji | 73 |
6 | Mednarodna revija za daljinsko zaznavanje | 42 |
7 | Natančno kmetijstvo | 41 |
8 | Brezpilotna letala | 40 |
9 | Agronomija | 34 |
10 | Dostop do IEEE | 34 |
11 | Mednarodna revija naprednih robotskih sistemov | 31 |
12 | Mednarodni časopis za kmetijsko in biološko inženirstvo | 25 |
13 | PLoS ONE | 25 |
14 | Journal of Field Robotics | 23 |
15 | Biosistemski inženiring | 23 |
zaključek
Povzetek
V tej študiji smo povzeli in analizirali obstoječe raziskave kmetijskih dronov. Z različnimi bibliometričnimi tehnikami smo si prizadevali doseči boljše razumevanje intelektualne strukture kmetijskih raziskav, povezanih z droni. Če povzamemo, naš pregled ponuja več prispevkov z identifikacijo in razpravo o ključnih besedah v literaturi, razkrivanjem grozdov znanja ob oblikovanju pomensko podobnih skupnosti na področju brezpilotnih letal, orisom prejšnjih raziskav in predlaganjem prihodnjih raziskovalnih smeri. V nadaljevanju predstavljamo glavne ugotovitve pregleda razvoja kmetijskih dronov:
• Celotna literatura je v zadnjem desetletju hitro rasla in pritegnila ogromno pozornosti, kot kaže porast števila člankov po letu 2012. Čeprav to področje znanja še ni doseglo svoje polne zrelosti (Barrientos et al., 2011; Maes & Steppe, 2019), je več vprašanj še neodgovorjenih. Na primer, uporabnost brezpilotnih letalnikov v kmetovanju v zaprtih prostorih je še vedno odprta za razpravo (Aslan et al., 2022; Krul et al., 2021; Rold´ an et al., 2015). Kompleksnost prizorov polj in različne okoliščine slikanja (npr. sence in osvetlitev) lahko povzročijo večjo spektralno varianco v razredu (Yao et al., 2019). Tudi v poznejših fazah raziskav so bili raziskovalci pred izzivom, da določijo optimalne načrte leta glede na določene scenarije in zahtevano kakovost slike (Soares et al., 2021; Tu et al.,
2020).
• Opažamo, da je področje napredovalo od razvoja učinkovitih sistemov UAV do vključevanja tehnik umetne inteligence, kot sta strojno učenje in globoko učenje pri načrtovanju kmetijskih dronov (Bah et al., 2018; Kitano et al., 2019; Maimaitijiang et al. , 2020; Mazzia et al., 2020; Tetila et al., 2020).
• Raziskave o kmetijskih brezpilotnih letalih so pretežno razpravljale o daljinskem zaznavanju z raziskovanjem potenciala tehnologije pri spremljanju okolja, upravljanju pridelkov in zatiranju plevela (grozd 1) ter fenotipizacijo na daljavo in ocenjevanje pridelka (grozd 2). Niz vplivnih študij o kmetijskih dronih vključuje Austin (2010), Berni et al. (2009)a, Herwitz et al. (2004), Nex in Remondino (2014) ter Zhang in Kovacs (2012). Te študije so razvile konceptualno osnovo raziskav, povezanih z droni, v kontekstu kmetijstva.
• V zvezi z metodologijo smo opazili, da je bila večina dosedanjih raziskav sestavljena bodisi iz načrtovanja sistema, konceptualnih študij ali študij, ki temeljijo na pregledih (Inoue, 2020; Nex & Remondino, 2014; P´erez-Ortiz et al. , 2015; Yao et al., 2019). Opažamo tudi pomanjkanje empiričnih, kvalitativnih in na študijah primerov temelječih metod pri raziskovanju kmetijskih dronov.
• V zadnjem času so teme, povezane s preciznim kmetijstvom, tehnikami umetne inteligence, preciznim vinogradništvom in oceno pomanjkanja vode, pritegnile veliko pozornosti (Espinoza et al., 2017; Gomez-Cand ´ on ´ et al., 2016; Matese et al., 2015; Matese in Di Gennaro, 2018, 2021; Z. Zhou et al., 2021). Natančen pregled raziskovalnih grozdov v dveh ločenih obdobjih, 1990–2010 in 2011–2021, razkriva napredek intelektualne strukture področja. Obdobje od 1990 do 2010 je predstavljalo izgradnjo osrednjih pojmov in konceptov brezpilotnih letal, kar je očitno iz razprave o načrtovanju, razvoju in implementaciji UAV. V drugi dobi se raziskovalni poudarek razširi na predhodne študije, s čimer se poskuša sintetizirati primeri uporabe UAV v kmetijstvu. Našli smo tudi številne študije, ki obravnavajo uporabo dronov pri slikanju in natančnem kmetijstvu.
Uvrstitev | List | Grof |
1 | Daljinsko zaznavanje | 258 |
2 | Journal of Intelligent and Robotic Systems: Theory and | 126 |
Aplikacije | ||
3 | Računalništvo in elektronika v kmetijstvu | 98 |
4 | IEEE Robotics and Automation Letters | 87 |
5 | Senzorji | 73 |
6 | Mednarodna revija za daljinsko zaznavanje | 42 |
7 | Natančno kmetijstvo | 41 |
8 | Brezpilotna letala | 40 |
9 | Agronomija | 34 |
10 | Dostop do IEEE | 34 |
11 | Mednarodna revija naprednih robotskih sistemov | 31 |
12 | Mednarodni časopis za kmetijsko in biološko inženirstvo | 25 |
13 | PLoS ONE | 25 |
14 | Journal of Field Robotics | 23 |
15 | Biosistemski inženiring | 22 |
posledice
Naš bibliometrični pregled je bil zasnovan in izveden z mislijo na učenjake, kmete, kmetijske strokovnjake, svetovalce za pridelke in oblikovalce sistemov UAV. Kolikor je avtorjem znano, je to ena prvih izvirnih recenzij, ki se je lotila poglobljene bibliometrične analize
uporabe dronov v kmetijstvu. Izvedli smo obsežen pregled tega telesa znanja, pri čemer smo uporabili analize citiranja in socitiranja publikacij. Naši poskusi, da bi opisali intelektualno strukturo raziskovanja dronov, nudijo tudi nova spoznanja za akademike. Natančen pregled uporabljenih ključnih besed skozi čas razkriva žariščne točke in osrednja raziskovalna področja v literaturi, povezani z droni. Poleg tega predstavljamo seznam najbolj citiranih študij, da prepoznamo najbolj vplivna raziskovalna dela, opravljena na tem področju. Identifikacija člankov in ključnih besed bi lahko posledično zagotovila trdno izhodišče za odkrivanje več poti za prihodnje študije.
Pomembno je, da smo razkrili grozde, ki razvrščajo primerljiva dela in podrobneje opisali rezultate. Študije, razvrščene v skupine, pomagajo pri razumevanju intelektualne strukture raziskav UAV. Predvsem smo odkrili pomanjkanje študij, ki preučujejo dejavnike sprejemanja dronov
in ovire pri kmetijskih dejavnostih (glej tabelo 9). Prihodnji raziskovalci bi lahko odpravili to potencialno vrzel z izvajanjem empiričnih raziskav, ki bi ocenile dejavnike sprejemanja dronov v različnih kmetijskih dejavnostih in podnebnih razmerah. Poleg tega bi morale biti raziskave o učinkovitosti dronov, ki temeljijo na študijah primerov, podprte z resničnimi podatki s terena. Tudi vključevanje kmetov in menedžerjev v akademske raziskave bi bilo koristno tako za teoretični kot praktični napredek raziskav dronov. Prav tako smo lahko identificirali najvidnejše raziskovalce in njihove prispevke, kar je dragoceno, saj lahko poznavanje nedavnih temeljnih del ponudi nekaj smernic za prihodnja akademska prizadevanja.
Tabela 9
Ovire za uporabo UAV.
Pregrada | Opis |
Varnost podatkov | Kibernetska varnost je velik izziv za izvajanje Rešitve interneta stvari (Masroor et al., 2021). |
Interoperabilnost in integracija | Različne tehnologije, kot so UAV, WSN, IoT itd. integrirati in prenašati podatke, ki povečati stopnjo kompleksnosti (Alsamhi et al., 2021; Popescu et al., 2020; Vuran et al., 2018). |
Stroški izvedbe | To še posebej velja za male kmete in za integracija različnih najsodobnejših tehnologij ( Masroor et al., 2021). |
Delovno znanje in strokovno znanje | Za upravljanje UAV so potrebni usposobljeni piloti dronov. Prav tako izvajanje različnih vrhunskih tehnologije zahtevajo kvalificirane delavce (YB Huang et al., 2013; Tsouros et al., 2019). |
Moč motorja in let trajanje | Brezpilotnih letal ni mogoče upravljati dlje časa velika območja (Hardin & Hardin, 2010; Laliberte et al., 2007). |
Stabilnost, zanesljivost in okretnost | Droni niso stabilni v slabih vremenskih razmerah (Hardin & Hardin, 2010; Laliberte et al., 2007). |
Omejitve nosilnosti in kakovost senzorjev | Brezpilotna letala lahko nosijo samo omejene obremenitve možnost nalaganja manj kvalitetnih senzorjev (Nebiker et al., 2008). |
Uredba | Ker so brezpilotna letala lahko tudi nevarna, so huda predpisi na nekaterih področjih (Hardin & Jensen, 2011; Laliberte & Rango, 2011). |
Znanje kmetov in obresti | Kot druge najsodobnejše tehnologije tudi brezpilotna letala uspešno izvajanje zahteva strokovno znanje in tudi spremljajo negotovosti (Fisher et al., 2009; Lambert et al., 2004; Stafford, 2000). |
Ker obstaja stalna potreba po učinkoviti uporabi razpoložljivih virov za povečanje donosa, lahko kmetje izkoristijo brezpilotna letala za zagotovitev hitrega, natančnega in stroškovno učinkovitega skeniranja svojih polj. Tehnologija lahko pomaga kmetom pri določanju stanja njihovih pridelkov in oceni stanja vode, stopnje zorenja, napadov žuželk in prehranskih potreb. Zmogljivosti daljinskega zaznavanja dronov lahko kmetom zagotovijo ključne podatke za predvidevanje težav v zgodnji fazi in takojšnje ustrezno posredovanje. Vendar pa je prednosti tehnologije mogoče spoznati le, če se izzivi ustrezno obravnavajo. V luči
trenutne težave v zvezi z varnostjo podatkov, vprašanji senzorske tehnologije (npr. zanesljivost ali natančnost meritev), zapletenost integracije in znatni stroški izvajanja, morajo prihodnje študije preučiti tudi tehnično, ekonomsko in operativno izvedljivost integracije kmetijskih brezpilotnih letal in drugih kosilnic. robne tehnologije.
Omejitve
Naša študija ima več omejitev. Prvič, ugotovitve določajo publikacije, izbrane za končno analizo. Težko je zajeti vse pomembne študije v zvezi s kmetijskimi droni, zlasti tiste, ki niso indeksirane v zbirki podatkov Scopus. Poleg tega je postopek zbiranja podatkov omejen na nastavitev iskalnih ključnih besed, ki morda niso vključujoče in vodijo do nedokončnih ugotovitev. Zato morajo prihodnje študije nameniti več pozornosti osnovnemu vprašanju zbiranja podatkov
bolj zanesljive zaključke. Druga omejitev se nanaša na nove objave z nizkim številom citatov. Bibliometrična analiza je pristranska proti prejšnjim publikacijam, saj z leti prejmejo več citatov. Nedavne študije potrebujejo določen čas, da pritegnejo pozornost in naberejo citate. Posledično se nedavne študije, ki prinašajo spremembo paradigme, ne bi uvrstile med deset najbolj vplivnih del. Ta omejitev prevladuje pri preučevanju hitro razvijajočih se raziskovalnih področij, kot so kmetijska brezpilotna letala. Ker smo se posvetovali s Scopusom, da bi preučili literaturo za to delo, bi lahko prihodnji raziskovalci razmišljali drugače
baze podatkov, kot sta Web of Science in IEEE Xplore, za razširitev obzorja in izboljšanje raziskovalne strukture.
Morebitne bibliometrične študije lahko upoštevajo druge vitalne vire znanja, kot so konferenčni prispevki, poglavja in knjige, da ustvarijo nova spoznanja. Kljub kartiranju in raziskovanju svetovnih publikacij o kmetijskih dronih naše ugotovitve niso razkrile razlogov za znanstvene rezultate univerz. To utira pot do novega raziskovalnega področja pri kvalitativnem pojasnjevanju, zakaj so nekatere univerze bolj produktivne od drugih, ko gre za raziskave o kmetijstvu.
droni. Poleg tega bi lahko prihodnje študije zagotovile vpogled v potencial dronov za povečanje trajnosti kmetovanja na več načinov, kot je spremljanje okolja, upravljanje pridelkov in kartiranje plevela, kot je navedlo več raziskovalcev (Chamuah & Singh, 2019; Islam et al., 2021; Popescu et al., 2020; J. Su, Liu et al., 2018b). Ker besedilna analiza zaradi velikega števila izbranih prispevkov ni bila mogoča, so potrebni sistematični pregledi literature, ki preučujejo
uporabljene raziskovalne metode in vključevanje kmetov v predhodne študije. Skratka, naša analiza raziskav dronov razkriva nevidne povezave tega telesa znanja. Ta pregled torej pomaga odkriti razmerja med publikacijami in raziskuje intelektualno strukturo raziskovalnega polja. Prikazuje tudi povezave med različnimi vidiki literature, kot so ključne besede avtorjev, pripadnosti in države.
Izjava o konkurenčnih interesih
Avtorji izjavljajo, da nimajo znanih konkurenčnih finančnih interesov ali osebnih odnosov, ki bi lahko vplivali na delo, opisano v tem članku.
Dodatek 1
TITLE-ABS-KEY (((dron* ALI »zrakoplov brez posadke« ALI uav* ALI »zrakoplov brez posadke” ALI uas ALI »daljinsko voden zrakoplov«) IN (kmetijstvo ALI kmetijstvo ALI kmetijstvo ALI kmet))) IN (IZKLJUČI (PUBYLET, 2022)) IN (OMEJITEV NA (JEZIK, »angleščina«)).
Reference
Aasen, H., Burkart, A., Bolten, A., Bareth, G., 2015. Ustvarjanje 3D hiperspektralnih informacij z lahkimi kamerami za posnetke UAV za spremljanje vegetacije: od
kalibracija kamere za zagotavljanje kakovosti. ISPRS J. Photogramm. Oddaljeni senzorji 108, 245–259. https://doi.org/10.1016/j.isprsjprs.2015.08.002.
Abd-Elrahman, A., Pearlstine, L., Percival, F., 2005. Razvoj algoritma za prepoznavanje vzorcev za samodejno zaznavanje ptic iz posnetkov brezpilotnih zračnih vozil.
Anketa. Land Inform. Sci. 65 (1), 37–45.
Abdollahi, A., Rejeb, K., Rejeb, A., Mostafa, MM, Zailani, S., 2021. Brezžična senzorska omrežja v kmetijstvu: vpogled v bibliometrično analizo. Trajnost 13 (21),
12011.
Aboutalebi, M., Torres-Rua, AF, Kustas, WP, Nieto, H., Coopmans, C., McKee, M., Ocena različnih metod za zaznavanje senc v optičnih slikah visoke ločljivosti in ocena vpliva sence na izračun NDVI in evapotranspiracija. namakanje 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. Hiperspektralno slikanje: pregled senzorjev, ki temeljijo na UAV, podatki obdelavo in
aplikacije za kmetijstvo in gozdarstvo. Daljinsko zaznavanje 9 (11). https://doi.org/ 10.3390/rs9111110.
Agüera Vega, F., Ramírez, FC, Saiz, MP, Rosúa, FO, 2015. Veččasovno slikanje z uporabo brezpilotnega letala za spremljanje pridelka sončnic. Biosist. inž.
132, 19–27. https://doi.org/10.1016/j.biosystemseng.2015.01.008.
Ajayi, OG, Salubi, AA, Angbas, AF, Odigure, MG, 2017. Ustvarjanje natančnih digitalnih modelov višine iz UAV, pridobljenih z nizkim odstotkom prekrivajočih se slik. Int.
J. Remote Sens. 38 (8–10), 3113–3134. https://doi.org/10.1080/ 01431161.2017.1285085.
Ali, I., Greifeneder, F., Stamenković, J., Neumann, M., Notarnicola, C., 2015. Pregled pristopov strojnega učenja za pridobivanje biomase in vlage v tleh iz podatkov daljinskega zaznavanja. Daljinsko zaznavanje 7 (12), 16398–16421.
Alsamhi, SH, Afghah, F., Sahal, R., Hawbani, A., Al-qaness, MAA, Lee, B., Guizani, M., Zeleni internet stvari z uporabo UAV v omrežjih B5G: pregled aplikacij
in strategije. oglas Hoc. Netw. 117, 102505 https://doi.org/10.1016/j. adhoc.2021.102505.
Al-Thani, N., Albuainain, A., Alnaimi, F., Zorba, N., 2020. Droni za spremljanje živine ovac. V: 20. IEEE Mediterranean Electrotechnical Conference. https://doi.
org/10.1109/MELECON48756.2020.9140588.
Ampatzidis, Y., Partel, V., 2019. Visoko zmogljivo fenotipiziranje citrusov na podlagi UAV z uporabo multispektralnega slikanja in umetne inteligence. Daljinsko zaznavanje 11 (4), https://doi.org/10.3390/rs11040410.
Ampatzidis, Y., Partel, V., Costa, L., 2020. Agroview: aplikacija v oblaku za obdelavo, analizo in vizualizacijo podatkov, zbranih z UAV, za aplikacije natančnega kmetijstva, ki uporabljajo umetno inteligenco. Računalništvo. Elektron. Agric. 174, 105457 https://doi. org/10.1016/j.compag.2020.105457.
Ang, K.-L.-M., Seng, JKP, 2021. Veliki podatki in strojno učenje s hiperspektralnimi informacijami v kmetijstvu. IEEE Access 9, 36699–36718. https://doi.org/10.1109/
DOSTOP.2021.3051196.
Aquilani, C., Confessore, A., Bozzi, R., Sirtori, F., Pugliese, C., 2022. Pregled: tehnologije natančne živinoreje v sistemih živinoreje na pašnikih. Žival 16 (1), https://doi.org/10.1016/j.animal.2021.100429.
Armenta-Medina, D., Ramirez-Delreal, TA, Villanueva-Vasquez, ´ D., Mejia-Aguirre, C., Trendi naprednih informacijskih in komunikacijskih tehnologij za
izboljšanje kmetijske produktivnosti: bibliometrična analiza. Agronomija 10 (12), člen 12. https://doi.org/10.3390/agronomy10121989.
Armstrong, I., Pirrone-Brusse, M., Smith, A., Jadud, M., 2011. Leteči aligator: proti zračni robotiki v occam-π. Komun. Procesni arhitekt. 2011, 329–340. https://doi. org/10.3233/978-1-60750-774-1-329.
Arora, SD, Chakraborty, A., 2021. Intelektualna struktura raziskave pritoževanja potrošnikov (CCB): bibliometrična analiza. J. Business Res. 122, 60–74.
Aslan, MF, Durdu, A., Sabanci, K., Ropelewska, E., Gültekin, SS, 2022.
Obsežen pregled nedavnih študij z UAV za precizno kmetijstvo na odprtih poljih in v rastlinjakih. Appl. Sci. 12 (3), 1047. https://doi.org/10.3390/
app12031047.
Atkinson, JA, Jackson, RJ, Bentley, AR, Ober, E., & Wells, DM (2018). Fenotipizacija polja za prihodnost. V Annual Plant Reviews na spletu (str. 719–736). Janez
Wiley & Sons, Ltd. doi: 10.1002/9781119312994.apr0651.
Austin, R., 2010. Zračni sistemi brez posadke: načrtovanje, razvoj in uvajanje UAVS. V: Zračni sistemi brez posadke: načrtovanje, razvoj in razvoj UAVS
Razporeditev. John Wiley in sinovi. 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. Daljinsko zaznavanje stresa rastlin na podlagi UAV, predstavljajte si uporabo toplotnega senzorja visoke ločljivosti za digitalne kmetijske prakse: meta-pregled. Int. J. Okolje. 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. Pametno kmetovanje: Priložnosti, izzivi
in tehnoloških omogočevalcev. 2018 IoT Vertical in. Aktualni vrh o kmetijstvu - Toskana (IOT Toskana) 1.–6. https://doi.org/10.1109/IOTTUSCANY.2018.8373043.
Bah, MD, Hafiane, A., Canals, R., 2018. Poglobljeno učenje z nenadzorovanim označevanjem podatkov za odkrivanje plevela v črnih posevkih na slikah UAV. Daljinsko zaznavanje 10 (11), 1690.
https://doi.org/10.3390/rs10111690.
Baldi, S., 1998. Normativni proti socialno konstruktivističnim procesom pri dodeljevanju citatov: mrežno-analitični model. Am. 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. Ocena variabilnosti stanja vode v vinogradih s toplotno in multispektralno
posnetke z brezpilotnim letalom (UAV). namakanje 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., Reja naslednje generacije. Plant Sci. 242, 3–13. https://doi.org/10.1016/j.
rastlinsci.2015.07.010.
Barbedo, JGA, Koenigkan, LV, 2018. Perspektive uporabe brezpilotnih zračnih sistemov za spremljanje goveda. 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. Nizka teža in hiperspektral na osnovi UAV kamere polnega formata
za spremljanje pridelkov: Spektralna primerjava z meritvami s prenosnim spektroradiometrom. 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., Daljinsko zaznavanje iz zraka v kmetijstvu: praktični pristop k pokritju območja
in načrtovanje poti za flote mini zračnih robotov. 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. Raziskava o uporabi algoritmov za načrtovanje poti za UAV z več rotorji v natančnosti
kmetijstvo. J. Navig. 75 (2), 364–383.
Basnet, B., Bang, J., 2018. Najsodobnejše kmetijstvo, ki temelji na znanju: pregled uporabnih sistemov zaznavanja in analitike podatkov. J. Sens. 2018, 1–13.
Bendig, J., Bolten, A., Bareth, G., 2013. Slikanje na osnovi UAV za veččasovne modele površine posevkov z zelo visoko ločljivostjo za spremljanje variabilnosti rasti pridelkov. 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. Ocenjevanje biomase ječmena z uporabo površinskih modelov posevkov (CSM), pridobljenih iz slikanja RGB na osnovi UAV. Daljinsko zaznavanje 6 (11), 10395–10412.
Bendig, J., Yu, K., Aasen, H., Bolten, A., Bennertz, S., Broscheit, J., Gnyp, ML, Bareth, G., 2015. Kombinacija višine rastlin na podlagi UAV od površine pridelka modeli,
vidni in bližnji infrardeči vegetacijski indeksi za spremljanje biomase v ječmenu. Int. J. Appl. Earth Obs. Geoinf. 39, 79–87. https://doi.org/10.1016/j.jag.2015.02.012.
Berni, JA, Zarco-Tejada, PJ, Sepulcre-Canto, ´ G., Fereres, E., Villalobos, F., 2009a. Kartiranje prevodnosti krošnje in CWSI v oljčnih nasadih z uporabo visoke ločljivosti
toplotne posnetke daljinskega zaznavanja. Okolje z daljinskim senzorjem. 113 (11), 2380–2388. https://doi.org/10.1016/j.rse.2009.06.018.
Berni, JA, Zarco-Tejada, PJ, Suarez, ´ L., Fereres, E., 2009b. Toplotno in ozkopasovno multispektralno daljinsko zaznavanje za spremljanje vegetacije iz brezpilotnega letalnika. IEEE Trans. Geosci. Oddaljeni senzorji 47 (3), 722–738.
Bouzembrak, Y., Klüche, M., Gavai, A., Marvin, HJP, 2019. Internet stvari v varnosti hrane: pregled literature in bibliometrična analiza. 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 v kmetijstvu: Oblikovanje vseevropskega obsežnega pilotnega projekta. IEEE Commun. mag. 55 (9), 26–33.
Buters, TM, Belton, D., Cross, AT, 2019. Sledenje UAV z več senzorji posameznih sadik in skupnosti sadik z milimetrsko natančnostjo. Droni 3 (4), 81.
https://doi.org/10.3390/drones3040081.
Candiago, S., Remondino, F., De Giglio, M., Dubbini, M., Gattelli, M., 2015. Vrednotenje multispektralnih slik in indeksov vegetacije za aplikacije natančnega kmetovanja iz slik UAV. Daljinsko zaznavanje 7 (4), 4026–4047. https://doi.org/10.3390/rs70404026.
Cao, Y., Li, GL, Luo, YK, Pan, Q., Zhang, SY, 2020. Spremljanje kazalnikov rasti sladkorne pese z uporabo vegetacijskega indeksa širokega dinamičnega razpona (WDRVI), pridobljenega iz UAV
multispektralne slike. Računalništvo. Elektron. Agric. 171, 105331 https://doi.org/10.1016/j.compag.2020.105331.
Casillas, J., Acedo, F., 2007. Razvoj intelektualne strukture literature o družinskih podjetjih: bibliometrična študija FBR. Družinsko podjetje 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. Dinamično spremljanje biomase riža pod
različne obdelave z dušikom z uporabo lahkega UAV z dvojnimi kamerami za posnetke slike. Rastlinske metode 15 (1), 32. https://doi.org/10.1186/s13007-019-
0418-8.
Chamuah, A., Singh, R., 2019. Zagotavljanje trajnosti v indijskem kmetijstvu s civilnim UAV: odgovorna perspektiva inovacij. SN Appl. Sci. 2 (1), 106. https://
doi.org/10.1007/s42452-019-1901-6.
Chamuah, A., Singh, R., 2022. Odgovorno upravljanje inovacij v civilnih brezpilotnih letalih (UAV) za aplikacije zavarovanja pridelka v Indiji. J. Odgovorni
Technol. 9, 100025 https://doi.org/10.1016/j.jrt.2022.100025.
Chen, A., Orlov-Levin, V., Meron, M., 2019. Uporaba visokoločljivega zračnega slikanja krošnje posevka z vidnimi kanali za natančno upravljanje namakanja. Agric. voda
Upravitelj 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. Lahki UAV z vgrajeno fotogrametrijo in enofrekvenčnim določanjem položaja GPS za meroslovne aplikacije. ISPRS J. Photogramm. Oddaljeni senzorji 127, 115–126. https://doi.org/10.1016/j.isprsjprs.2016.12.007.
Dawaliby, S., Aberkane, A., Bradai, A., 2020. Platforma interneta stvari, ki temelji na verigi blokov, za upravljanje avtonomnih operacij brezpilotnih letal. V: Zbornik 2. ACM
Delavnica MobiCom o brezžičnih komunikacijah s pomočjo dronov za 5G in več, str. 31–36. https://doi.org/10.1145/3414045.3415939.
Day, RA, Gastel, B., 1998. Kako napisati in objaviti znanstveni članek. Cambridge University Press. de Castro, AI, Pena, ˜ JM, Torres-Sanchez, ´ J., Jim´enez-Brenes, FM, ValenciaGredilla, F., Recasens, J., Lopez-Granados, ´ F., 2020. Kartiranje okužbe s cynodon dactylon pokrovne posevke s postopkom samodejnega drevesa odločanja-OBIA in posnetki UAV za natančno vinogradništvo. Daljinsko zaznavanje 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. Samodejni naključni gozdni algoritem OBIA za zgodnje kartiranje plevela med vrstami posevkov in znotraj njih z uporabo posnetkov UAV. Daljinsko zaznavanje 10 (2). https://doi.org/10.3390/rs10020285.
Demir, N., Sonmez, ¨ NK, Akar, T., Ünal, S., 2018. Avtomatizirano merjenje višine rastline genotipov pšenice z uporabo DSM, pridobljenega iz posnetkov UAV. Zbornik 2 (7), 350. https://doi.org/10.3390/ecrs-2-05163.
Deng, J., Zhong, Z., Huang, H., Lan, Y., Han, Y., Zhang, Y., 2020. Lahka semantična segmentacijska mreža za kartiranje plevela v realnem času z uporabo brezpilotnih zračnih vozil. Appl. Sci. 10 (20), 7132. https://doi.org/10.3390/app10207132.
Deng, L., Mao, Z., Li, X., Hu, Z., Duan, F., Yan, Y., 2018. Multispektralno daljinsko zaznavanje na osnovi UAV za natančno kmetijstvo: primerjava med različnimi kamerami. ISPRS J. Photogramm. Oddaljeni senzorji 146, 124–136.
Diaz-Gonzalez, FA, Vuelvas, J., Correa, CA, Vallejo, VE, Patino, D., 2022. Tehnike strojnega učenja in daljinskega zaznavanja, uporabljene za oceno indikatorjev tal – pregled. 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. Visokoločljivi posnetki UAV iz zraka za oceno parametrov krošnje oljčnega drevesa s 3D fotografijo
rekonstrukcija: uporaba v vzrejnih poskusih. Daljinsko zaznavanje 7 (4), 4213–4232. https://doi.org/10.3390/rs70404213.
Dixit, A., Jakhar, SK, 2021. Upravljanje zmogljivosti letališča: pregled in bibliometrična analiza. J. Air Transp. Upravitelj 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.
Uporaba posnetkov RapidEye za prepoznavanje variabilnosti rasti pridelka in pridelka znotraj polja v Ontariu v Kanadi. Precision Agric. 20 (6), 1231–1250. https://doi.org/10.1007/
s11119-019-09646-w.
Dutta, PK, Mitra, S., 2021. Uporaba kmetijskih dronov in iot za razumevanje verige preskrbe s hrano v času po COVID-19. V: Choudhury, A., Biswas, A., Prateek, M.,
Chakrabarti, A. (ur.), Kmetijska informatika: avtomatizacija z uporabo interneta stvari in strojnega učenja. Wiley, str. 67–87. van Eck, N., Waltman, L., 2009. Programska raziskava: VOSviewer, računalniški program za bibliometrično kartiranje. 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. Pregled interneta stvari (IoT) in analitike podatkov v kmetijstvu: prednosti in izzivi.
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. Validacija agronomskih UAV in polje
meritve za sorte paradižnika. Računalništvo. Elektron. Agric. 158, 278–283. https:// doi.org/10.1016/j.compag.2019.02.011.
Espinoza, CZ, Khot, LR, Sankaran, S., Jacoby, PW, 2017. Visokoločljiva multispektralna in toplotna ocena vodnega stresa na podlagi daljinskega zaznavanja v
podzemno namakane vinske trte. Daljinsko zaznavanje 9 (9), 961. https://doi.org/ 10.3390/rs9090961.
Ewing, J., Oommen, T., Jayakumar, P., Alger, R., 2020. Uporaba hiperspektralnega daljinskega zaznavanja za gradacijo tal. Daljinsko zaznavanje 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. Večstopenjsko vrednotenje večspektralne površinske odbojnosti in vegetacijskih indeksov v delovnih pogojih z uporabo drona. Daljinsko zaznavanje 12 (3), 514.
Feng, X., Yan, F., Liu, X., 2019. Študija brezžičnih komunikacijskih tehnologij na internetu stvari za precizno kmetijstvo. Brezžične osebe Komun. 108 (3),
1785-1802.
Ferreira, MP, Pinto, CF, Serra, FR, 2014. Teorija transakcijskih stroškov v mednarodnih poslovnih raziskavah: bibliometrična študija v treh desetletjih. 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. Napredek v preciznem kmetijstvu v jugovzhodni Avstraliji. I. regresijska metodologija za simulacijo
prostorske variacije pridelkov žit z uporabo preteklih donosov kmetov v ogradi in normaliziranega vegetacijskega indeksa razlike. Crop Pasture Sci. 60 (9), 844–858.
Floreano, D., Wood, RJ, 2015. Znanost, tehnologija in prihodnost majhnih avtonomnih dronov. Narava 521 (7553), 460–466. https://doi.org/10.1038/nature14542.
Friha, O., Ferrag, MA, Shu, L., Maglaras, LA, Wang, X., 2021. Internet stvari za prihodnost pametnega kmetijstva: celovit pregled nastajajočih tehnologij. IEEE CAA J. Avtom. 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. Segmentacija rastlin fig iz slik iz zraka z uporabo globokega konvolucijskega kodirno-dekodirnega omrežja. Daljinsko zaznavanje 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 izziv za oceno vodnega stresa za
trajnostno kmetijstvo. Agric. Vodovod 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. Toplotno slikanje v obratu
ravni za oceno stanja pridelkov in vode pri mandljevcih (cv. Guara) v okviru strategij namakanja s pomanjkanjem. Agric. Vodovod 208, 176–186. https://doi.org/10.1016/j.
agwat.2018.06.002.
Garzonio, R., Di Mauro, B., Colombo, R., Cogliati, S., 2017. Meritve površinske odbojnosti in fluorescenčne spektroskopije, povzročene s soncem, z uporabo majhne hiperspektralne UAS. Daljinsko zaznavanje 9 (5), 472. https://doi.org/10.3390/rs9050472. Gaˇsparovi´c, M., Zrinjski, M., Barkovi´c, Đ., Radoˇcaj, D., 2020. Avtomatska metoda za
kartiranje plevela na ovsenih poljih na podlagi posnetkov UAV. Računalništvo. Elektron. Agric.
Gebbers, R., Adamchuk, VI, 2010. Precizno kmetijstvo in prehranska varnost. Znanost 327 (5967), 828–831. https://doi.org/10.1126/science.1183899.
Geipel, J., Link, J., Claupein, W., 2014. Kombinirano spektralno in prostorsko modeliranje pridelka koruze na podlagi posnetkov iz zraka in modelov površin posevkov, pridobljenih s sistemom brezpilotnega zrakoplova. Daljinsko zaznavanje 6 (11), 10335–10355. https://doi.org/10.3390/rs61110335.
Geng, D., Feng, Y., Zhu, Q., 2020. Trajnostno oblikovanje za uporabnike: pregled literature in bibliometrična analiza. Okolje. Sci. Onesnaževanje. Res. 27 (24), 29824–29836. https://doi. org/10.1007/s11356-020-09283-1.
Gevaert, CM, Suomalainen, J., Tang, J., Kooistra, L., 2015. Ustvarjanje spektralno-časovnih odzivnih površin s kombiniranjem multispektralnega satelita in hiperspektralnega
Posnetki UAV za uporabo v natančnem kmetijstvu. IEEE J. Sel. Vrh. Appl. Earth Obs. Oddaljeni senzorji 8 (6), 3140–3146. ttps://doi.org/10.1109/JSTARS.2015.2406339.
Gill, SS, Chana, I., Buyya, R., 2017. Kmetijstvo, ki temelji na internetu stvari, kot oblak in velika podatkovna storitev: začetek digitalne Indije. J. Org. in računalnik končnega uporabnika. (JOEUC) 29 (4),
1-23.
Gmür, M., 2006. Analiza socitiranja in iskanje nevidnih kolegijev: metodološka ocena. Scientometrics 57 (1), 27–57. https://doi.org/10.1023/
a:1023619503005.
Gnadinger, ¨ F., Schmidhalter, U., 2017. Digitalno štetje rastlin koruze z brezpilotnimi zračnimi vozili (UAV). Daljinsko zaznavanje 9 (6). https://doi.org/10.3390/rs9060544.
Gokto ¨ ǧan, AH, Sukkarieh, S., Bryson, M., Randle, J., Lupton, T., Hung, C., 2010. Zračno vozilo brez posadke z rotacijskimi krili za nadzor vodnega plevela in
upravljanje. J. Intell. Robotski sistem: Teor. Appl. 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. Ocenjevanje natančnosti mozaikov iz posnetkov brezpilotnih letal (UAV) za namene natančnega kmetijstva pri pšenici. Precis. Agric. 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. Fenotipizacija vodnega stresa na terenu na ravni dreves s posnetki, zaznanimi z UAV : nova spoznanja za
termično pridobivanje in kalibracija. Precis. Agric. 17 (6), 786–800. https://doi.org/10.1007/s11119-016-9449-6.
Gonzalez-Dugo, V., Zarco-Tejada, PJ, Fereres, E., 2014. Uporabnost in omejitve uporabe indeksa vodne obremenitve pridelka kot indikatorja pomanjkanja vode v nasadih citrusov. Agric. Za. 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. Uporaba toplotnih posnetkov UAV visoke ločljivosti za
oceniti variabilnost vodnega statusa petih vrst sadnega drevja v komercialnem sadovnjaku. Precis. Agric. 14 (6), 660–678. https://doi.org/10.1007/s11119-013-9322-9.
Goyal, K., Kumar, S., 2021. Finančna pismenost: Sistematični pregled in bibliometrična analiza. Int. J. Potrošniške študije 45 (1), 80–105. https://doi.org/10.1111/
ijcs.12605.
Grenzdorffer, ¨ GJ, Engel, A., Teichert, B., 2008. Fotogrametrični potencial nizkocenovnih brezpilotnih letal v gozdarstvu in kmetijstvu. Mednarodni arhivi za fotogrametrijo, daljinsko zaznavanje in prostorske informacijske znanosti – Arhiv ISPRS 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. Ocenjevanje korelacije visoke ločljivosti
NDVI s stopnjo uporabe gnojil in donosom posevkov riža in pšenice z uporabo majhnih UAV. Daljinsko zaznavanje 11 (2), 112.
Gundolf, K., Filser, M., 2013. Raziskave managementa in religija: analiza citiranja. J. Avtobus. Etika 112 (1), 177–185.
Guo, Q., Zhu, Y., Tang, Y., Hou, C., He, Y., Zhuang, J., Zheng, Y., Luo, S., 2020. Simulacija CFD in eksperimentalno preverjanje prostorskega in časovne porazdelitve
zračni tok padajočega kmetijskega UAV s štirimi rotorji v lebdenju. Računalništvo. Elektron. Agric. 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. , Poljska, J., 2016.
Uporaba brezpilotnih zračnih sistemov za visoko zmogljivo fenotipizacijo velikih drevesnic za vzrejo pšenice. Rastlinske metode 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. Spektralno slikanje iz UAV pri različnih svetlobnih pogojih . V GG Bill R. (ur.), Mednarodni arhivi fotogrametrije, daljinskega zaznavanja in prostorskih informacijskih znanosti—Arhivi ISPRS (zv. 40, številka 1W2, str. 189–194). Mednarodno združenje za fotogrametrijo in daljinsko zaznavanje. 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. Vrednotenje tehnik za kartiranje otoške vegetacije iz brezpilotnih letal
slike vozil (UAV): klasifikacija pikslov, vizualna interpretacija in pristopi strojnega učenja. Int. J. Appl. Earth Obs. Geoinf. 89, 102085 https://doi.org/
10.1016/j.jag.2020.102085.
Haque, A., Islam, N., Samrat, NH, Dey, S., Ray, B., 2021. Pametno kmetovanje z odgovornim vodenjem v Bangladešu: možnosti, priložnosti in več.
Trajnost 13 (8), 4511.
Hardin, PJ, Hardin, TJ, 2010. Majhna daljinsko vodena vozila v okoljskih raziskavah. Geografski kompas 4 (9), 1297–1311. ttps://doi.org/10.1111/j.1749-
8198.2010.00381.x.
Hardin, PJ, Jensen, RR, 2011. Mala brezpilotna letala pri daljinskem zaznavanju okolja: izzivi in priložnosti. GISci. Remote Sens. 48 (1), 99–111. https://doi.org/10.2747/1548-1603.48.1.99.
He, Y., Nie, P., Zhang, Q., Liu, F., 2021. Kmetijski internet stvari: tehnologije in aplikacije, (1. izdaja, izdaja 2021). 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.
Slikanje iz brezpilotnega letala: kmetijski nadzor in podpora pri odločanju. Računalništvo. Elektron. Agric. 44 (1), 49–61. https://doi.org/10.1016/j.
compag.2004.02.006.
Holman, FH, Riche, AB, Michalski, A., Castle, M., Wooster, MJ, Hawkesford, MJ, Fenotipizacija višine in stopnje rasti rastline pšenice z visoko zmogljivostjo v poljskih poskusih z uporabo daljinskega zaznavanja na podlagi UAV. Daljinsko zaznavanje 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. Obdelava in ocenjevanje spektrometričnih, stereoskopskih posnetkov, zbranih z uporabo lahke spektralne kamere UAV za natančno kmetijstvo. Daljinsko zaznavanje 5 (10), 5006–5039. https://doi.org/10.3390/rs5105006.
Hossein Motlagh, N., Taleb, T., Arouk, O., 2016. Storitve interneta stvari, ki temeljijo na brezpilotnih zračnih plovilih na nizki nadmorski višini: celovita raziskava in prihodnje perspektive. 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. Kombinirana optična in stereo navigacija mestnih kanjonov za UAV. V: 2005 IEEE/RSJ
Mednarodna konferenca o inteligentnih robotih in sistemih, str. 3309–3316. https://doi.org/10.1109/IROS.2005.1544998.
Hsu, T.-C., Yang, H., Chung, Y.-C., Hsu, C.-H., 2020. Ustvarjalna platforma za kmetijstvo IoT za računalništvo v megli v oblaku. Vzdrži. Računalništvo. Inf. Syst. 28, 100285.
Huang, H., Deng, J., Lan, Y., Yang, A., Deng, X., Zhang, L., Gonzalez-Andujar, JL, 2018. Popolnoma konvolucijsko omrežje za kartiranje plevela brezpilotnega letala ( UAV). PLoS ONE 13 (4), e0196302.
Huang, H., Lan, Y., Yang, A., Zhang, Y., Wen, S., Deng, J., 2020. Globoko učenje v primerjavi z analizo slik na podlagi objektov (OBIA) pri kartiranju plevela posnetkov UAV. Int. J.
Oddaljeni senzorji 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. Globoka barvna kalibracija za posnetke UAV pri spremljanju pridelka
z uporabo semantičnega prenosa sloga z lokalno na globalno pozornost. Int. J. Appl. Earth Obs. Geoinf. 104, 102590 https://doi.org/10.1016/j.jag.2021.102590.
Huang, YB, Thomson, SJ, Hoffmann, WC, Lan, YB, Fritz, BK, 2013. Razvoj in perspektiva tehnologij brezpilotnih letal za kmetijsko proizvodnjo
upravljanje. Int. J. Agric. Biol. inž. 6 (3), 1–10. https://doi.org/10.3965/j. ijabe.20130603.001.
Huang, Y., Hoffmann, WC, Lan, Y., Wu, W., Fritz, BK, 2009. Razvoj razpršilnega sistema za platformo brezpilotnega letala. Appl. inž. Agric. 25 (6), 803–809.
Hunt Jr., ER, Dean Hively, W., Fujikawa, SJ, Linden, DS, Daughtry, CST, McCarty, GW, 2010. Pridobitev NIR-zeleno-modrih digitalnih fotografij iz
brezpilotna letala za spremljanje pridelka. Daljinsko zaznavanje 2 (1), 290–305. https://doi. org/10.3390/rs2010290. Inoue, Y., 2020. Daljinsko zaznavanje pridelkov in tal s sateliti in droni za pametno kmetovanje – pregled. Soil Sci. Plant 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. Pregled aplikacij in komunikacijskih tehnologij za internet stvari (IoT) in
Trajnostno pametno kmetijstvo, ki temelji na brezpilotnih letalih (UAV). Trajnost 13 (4), 1821. https://doi.org/10.3390/su13041821.
Jaud, M., Passot, S., Le Bivic, R., Delacourt, C., Grandjean, P., Le Dantec, N., 2016. Ocenjevanje natančnosti digitalnih površinskih modelov visoke ločljivosti, izračunanih z
PhotoScan® in MicMac® v pogojih raziskovanja, ki niso optimalni. Daljinsko zaznavanje 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. Kvantificiranje vplivov obrezovanja na arhitekturo oljčnega drevesa in letno rast krošnje z uporabo 3D modeliranja na osnovi UAV. Rastlinske metode 13 (1). https://doi.org/10.1186/s13007-017-0205-3.
Jin, X., Liu, S., Baret, F., Hemerl´e, M., Comar, A., 2017. Ocene gostote rastlin pri posevkih pšenice ob vzniku iz posnetkov UAV na zelo nizki nadmorski višini. Daljinsko zaznavanje
Okolje. 198, 105–114. https://doi.org/10.1016/j.rse.2017.06.007.
Jinbo, C., Xiangliang, C., Han-Chi, F., Lam, A., 2019. Sistem za spremljanje kmetijskih proizvodov, podprt z računalništvom v oblaku. Cluster Comput. 22 (4), 8929–8938.
Ju, C. in sin, HI 2018a. Ocena učinkovitosti več sistemov UAV za daljinsko zaznavanje v kmetijstvu. Zbornik delavnic o robotski viziji in delovanju v kmetijstvu na mednarodni konferenci IEEE o robotiki in avtomatizaciji (ICRA), Brisbane, Avstralija, 21.–26.
Ju, C., Son, HI, 2018b. Več sistemov UAV za kmetijske aplikacije: nadzor, izvajanje in vrednotenje. Elektronika 7 (9), 162. https://doi.org/10.3390/
elektronika7090162.
Jung, J., Maeda, M., Chang, A., Bhandari, M., Ashapure, A., Landivar-Bowles, J., 2021. Potencial daljinskega zaznavanja in umetne inteligence kot orodja za izboljšanje
odpornost sistemov kmetijske proizvodnje. Curr. Opin. Biotehnologija. 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. Izboljšana tehnika iskanja pridelka, ki vključuje multispektralno slikanje pridelka s pomočjo brezpilotnega zračnega plovila v običajno prakso iskanja ožiga na steblu lubenic. Plant Dis. 103 (7), 1642–1650.
Kapoor, KK, Tamilmani, K., Rana, NP, Patil, P., Dwivedi, YK, Nerur, S., 2018. Napredek v raziskavah družbenih medijev: preteklost, sedanjost in prihodnost. Informirajte. Syst. Spredaj. 20
(3), 531-558.
Kerkech, M., Hafiane, A., Canals, R., 2020. VddNet: omrežje za odkrivanje bolezni vinske trte, ki temelji na multispektralnih slikah in zemljevidu globine. Daljinsko zaznavanje 12 (20), 3305. https://doi. org/10.3390/rs12203305.
Khaliq, A., Comba, L., Biglia, A., Ricauda Aimonino, D., Chiaberge, M., Gay, P., 2019. Primerjava satelitskih in UAV-osnovanih multispektralnih posnetkov za vinograd
ocena variabilnosti. Daljinsko zaznavanje 11 (4). https://doi.org/10.3390/rs11040436.
Khan, PW, Byun, Y.-C., Park, N., 2020. IoT-blockchain je omogočil optimiziran izvorni sistem za živilsko industrijo 4.0 z uporabo naprednega globokega učenja. Senzorji 20 (10), 2990.
Khan, RU, Khan, K., Albattah, W., Qamar, AM, Ullah, F., 2021. Odkrivanje rastlinskih bolezni na podlagi slike: od klasičnega strojnega učenja do potovanja globokega učenja. Brezžična komun. Mobilni računalnik. 2021, 1–13.
Khan, S., Tufail, M., Khan, MT, Khan, ZA, Iqbal, J., Alam, M., Le, KNQ, 2021. Novo delno nadzorovano ogrodje za klasifikacijo posevkov/plevela na osnovi UAV. PLoS ONE 16 (5), e0251008.
Khanal, S., Fulton, J., Shearer, S., 2017. Pregled trenutnih in potencialnih aplikacij termičnega daljinskega zaznavanja v preciznem kmetijstvu. Računalništvo. Elektron.
Agric. 139, 22–32. https://doi.org/10.1016/j.compag.2017.05.001.
Khanna, A., Kaur, S., 2019. Razvoj interneta stvari (IoT) in njegov pomemben vpliv na področju preciznega kmetijstva. Računalništvo. Elektron. Agric. 157, 218–231.
Kim, W., Khan, GF, Wood, J., Mahmood, MT, 2016. Zavzetost zaposlenih za trajnostne organizacije: analiza ključnih besed z uporabo analize socialnih omrežij in burst
pristop odkrivanja. Trajnost 8 (7), 631.
Kirsch, M., Lorenz, S., Zimmermann, R., Tusa, L., Mockel, ¨ R., Hodl, ¨ P., Booysen, R., Khodadadzadeh, M., Gloaguen, R., 2018. Integracija kopenskih in z droni
hiperspektralne in fotogrametrične metode zaznavanja za raziskovalno kartiranje in spremljanje rudarjenja. Daljinsko zaznavanje 10 (9), 1366. https://doi.org/10.3390/
rs10091366.
Kitano, BT, Mendes, CCT, Geus, AR, Oliveira, HC, Souza, JR, 2019. Štetje rastlin koruze z uporabo globokega učenja in slik UAV. IEEE Geosci. Daljinski senzor Lett. 1–5 https://doi.org/10.1109/LGRS.2019.2930549.
Koh, JCO, Spangenberg, G., Kant, S., 2021. Avtomatizirano strojno učenje za visoko zmogljivo slikovno fenotipizacijo rastlin. Daljinsko zaznavanje 13 (5), 858. https://
doi.org/10.3390/rs13050858.
Kovalev, IV, Voroshilova, AA, 2020. Sodobni tehnološki trendi v razvoju ekosistema tovornih UAV. J. Phys. konf. Ser. 1515 (5), 052068 https://doi. org/10.1088/1742-6596/1515/5/052068.
Krul, S., Pantos, C., Frangulea, M., Valente, J., 2021. Vizualni SLAM za notranjo živinorejo in kmetovanje z uporabo majhnega drona z monokularno kamero: študija izvedljivosti.
Droni 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. Pregled dronov za avtomatizacijo kmetijstva od sajenja do
žetev. V: INES 2018 – 22. mednarodna konferenca IEEE o inteligentnih inženirskih sistemih, str. 000353–358. https://doi.org/10.1109/INES.2018.8523943.
Lagkas, T., Argyriou, V., Bibi, S., Sarigiannidis, P., 2018. Pogledi in izzivi okvira UAV IoT: v smeri zaščite dronov kot »stvari«. Senzorji 18 (11), 4015. https://doi.org/10.3390/s18114015.
Laliberte, AS, Rango, A., 2011. Postopki obdelave in razvrščanja slik za analizo poddecimetrskih posnetkov, pridobljenih z brezpilotnim letalom nad suho
pašniki. GISci. Remote Sens. 48 (1), 4–23. https://doi.org/10.2747/1548-1603.48.1.4.
Laliberte, AS, Rango, A., Herrick, JE, 2007. Brezpilotna letala za kartiranje in spremljanje pašnikov: primerjava dveh sistemov. Zbornik letnih konferenc ASPRS.
Lam, OHY, Dogotari, M., Prüm, M., Vithlani, HN, Roers, C., Melville, B., Zimmer, F., Becker, R., 2021. Odprtokodni potek dela za kartiranje plevela na domačem travinju
uporaba brezpilotnega letala: uporaba Rumex obtusifolius kot študija primera. 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. Sprejemanje, dobičkonosnost in boljša uporaba podatkov natančnega kmetovanja.
Delovni papir. Univerza Purdue. https://doi.org/10.22004/ag.econ.28615.
Lelong, CCD, Burger, P., Jubelin, G., Roux, B., Labb´e, S., Baret, F., 2008. Ocena posnetkov brezpilotnih letal za kvantitativno spremljanje pridelka pšenice na majhnih parcelah. Senzorji 8 (5), 3557–3585. https://doi.org/10.3390/s8053557.
Li, C., Niu, B., 2020. Zasnova pametnega kmetijstva, ki temelji na velikih podatkih in internetu stvari. 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. Oddaljena ocena višine krošnje in nadzemne biomase koruze z uporabo stereo slik visoke ločljivosti iz nizkocenovni brezpilotni zračni sistem. 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. Strojno učenje v kmetijstvu: pregled. Senzorji 18 (8), 2674.
Liebisch, F., Kirchgessner, N., Schneider, D., Walter, A., Hund, A., 2015. Oddaljeno, zračno fenotipiziranje lastnosti koruze z mobilnim večsenzorskim pristopom. Rastlinske metode 11 (1), 9. https://doi.org/10.1186/s13007-015-0048-8.
Lin, Z., Guo, W., 2020. Zaznavanje in štetje sirkovih metlic z uporabo slik brezpilotnih zračnih sistemov in poglobljenega učenja. Spredaj. Plant Sci. 11.
Liu, S., Guo, L., Webb, H., Ya, X., Chang, X., 2019. Sistem za spremljanje interneta stvari sodobnega ekološkega kmetijstva, ki temelji na računalništvu v oblaku. IEEE Access 7, 37050–37058.
Lopez-Granados, ´ F., 2011. Odkrivanje plevela za zatiranje plevela na lokaciji: kartiranje in pristopi v realnem času. 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. Objektno zgodnje spremljanje travnega plevela v posevku trave z uporabo posnetkov UAV visoke ločljivosti. Agron. Vzdrži. 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. Kartiranje plevela v sončnici v zgodnji sezoni s tehnologijo UAV: variabilnost kart tretiranja s herbicidi glede na pragove plevela. Precis. Agric. 17 (2), 183–199.
Lucieer, A., Malenovský, Z., Veness, T., Wallace, L., 2014. HyperUAS – slikovna spektroskopija iz večrotorskega sistema brezpilotnega zrakoplova. 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. Terestrično lasersko skeniranje kmetijskih pridelkov. V JJ
Chen J. Maas H–G. (Ur.), Mednarodni arhivi fotogrametrije, daljinskega zaznavanja in prostorskih informacijskih znanosti—Arhivi ISPRS (zv. 37, str. 563–566).
Mednarodno združenje za fotogrametrijo in daljinsko zaznavanje. 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. Pregled nadzorovane klasifikacije slik pokrovnosti zemlje na podlagi predmetov. ISPRS J. Photogramm. Daljinski senzor 130,
277–293. https://doi.org/10.1016/j.isprsjprs.2017.06.001.
Maes, WH, Steppe, K., 2019. Perspektive za daljinsko zaznavanje z brezpilotnimi zračnimi plovili v preciznem kmetijstvu. 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.
Fenotipizacija soje na osnovi brezpilotnih zračnih sistemov (UAS) z uporabo večsenzorske fuzije podatkov in ekstremnega učnega stroja. ISPRS J. Photogramm. Oddaljeni senzorji 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.
Spremljanje pridelka z uporabo satelitske/UAV podatkovne fuzije in strojnega učenja. Daljinsko zaznavanje 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. O uporabi brezpilotnih zračnih sistemov za
spremljanje okolja. Daljinsko zaznavanje 10 (4), 641.
Marinko, RA, 1998. Navedbe ženskih študijskih revij v disertacijah, 1989 in The Serials Librarian 35 (1–2), 29–44. https://doi.org/10.1300/J123v35n01_
03.
Masroor, R., Naeem, M., Ejaz, W., 2021. Upravljanje virov v brezžičnih omrežjih s pomočjo UAV: perspektiva optimizacije. Ad Hoc Netw. 121, 102596 https://doi.org/10.1016/j.adhoc.2021.102596.
Matese, A., Di Gennaro, SF, 2018. Praktične aplikacije večsenzorske platforme UAV, ki temelji na multispektralnih, toplotnih in RGB slikah visoke ločljivosti v natančnosti
vinogradništvo. Kmetijstvo 8 (7), 116. https://doi.org/10.3390/agriculture8070116.
Matese, A., Di Gennaro, SF, 2021. Poleg tradicionalnega indeksa NDVI kot ključni dejavnik za vključevanje uporabe UAV v natančno vinogradništvo. 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 Medsebojna primerjava UAV, letala
in satelitske platforme za daljinsko zaznavanje za natančno vinogradništvo. Daljinsko zaznavanje 7 (3), 2971–2990. https://doi.org/10.3390/rs70302971.
Mazzia, V., Comba, L., Khaliq, A., Chiaberge, M., Gay, P., 2020. UAV in strojno učenje temelji na izboljšavi satelitskega vegetacijskega indeksa za natančnost
kmetijstvo. Senzorji 20 (9), 2530. https://doi.org/10.3390/s20092530.
McCain, KW, 1990. Preslikava avtorjev v intelektualnem prostoru: tehnični pregled. J. Am. Soc. Informacije. Sci. 41 (6), 433–443.
Meinen, BU, Robinson, DT, 2021. Modeliranje kmetijske erozije: vrednotenje ocen erozije na terenu USLE in WEPP z uporabo časovnih vrst podatkov UAV. Okolje. Modell. Programska oprema 137, 104962. https://doi.org/10.1016/j.envsoft.2021.104962.
Melville, B., Lucieer, A., Aryal, J., 2019. Klasifikacija nižinskih avtohtonih travniških skupnosti z uporabo hiperspektralnih posnetkov sistema brezpilotnih zrakoplovov (UAS) v
Tasmansko sredogorje. Droni 3 (1), 5.
Messina, G., Modica, G., 2020. Uporaba toplotnih posnetkov UAV v natančnem kmetijstvu: stanje tehnike in prihodnje raziskave. Daljinsko zaznavanje 12 (9), https://doi.org/10.3390/rs12091491.
Mishra, D., Luo, Z., Jiang, S., Papadopoulos, T., Dubey, R., 2017. Bibliografska študija o velikih podatkih: koncepti, trendi in izzivi. Upravljanje poslovnih procesov J. 23 (3),
555-573.
Mochida, K., Saisho, D., Hirayama, T., 2015. Izboljšanje pridelka z uporabo nizov podatkov o življenjskem ciklu, pridobljenih v pogojih na terenu. Spredaj. Plant Sci. 6 https://doi.org/10.3389/
fpls.2015.00740.
Mogili, UM.R., Deepak, BBVL, 2018. Pregled uporabe sistemov dronov v preciznem kmetijstvu. Procedia Comput. Sci. 133, 502–509.
Moharana, S., Dutta, S., 2016. Prostorska variabilnost vsebnosti klorofila in dušika v rižu iz hiperspektralnih posnetkov. ISPRS J. Photogramm. Remote Sens. 122, 17–29.
Muangprathub, J., Boonnam, N., Kajornkasirat, S., Lekbangpong, N., Wanichsombat, A.,
Nillaor, P., 2019. IoT in analiza podatkov o kmetijstvu za pametno kmetijo. Računalništvo. Elektron. Agric. 156, 467–474.
Nansen, C., Elliott, N., 2016. Daljinsko zaznavanje in profiliranje odbojnosti v entomologiji. Annu. Rev. Entomol. 61 (1), 139–158. https://doi.org/10.1146/annurev-ento010715-023834.
Navia, J., Mondragon, I., Patino, D., Colorado, J., 2016. Večspektralno kartiranje v kmetijstvu: mozaik terena z uporabo avtonomnega kvadrokopterja UAV. Int. konf.
Sistem brezpilotnih letal (ICUAS) 2016, 1351–1358. https://doi.org/10.1109/ ICUAS.2016.7502606.
Nayyar, A., Nguyen, B.-L., Nguyen, NG, 2020. Internet dronov (Iodt): prihodnja vizija pametnih dronov. Adv. Intell. Syst. Računalništvo. 1045, 563–580. https://doi.org/10.1007/978-981-15-0029-9_45.
Nebiker, S., Annen, A., Scherrer, M., Oesch, D., 2008. Lahek multispektralni senzor za mikro UAV – možnosti za daljinsko zaznavanje v zraku z zelo visoko ločljivostjo. Int. Arh. Photogramm. Daljinski senzor. Inf. Sci 37 (B1), 1193–1200.
Negash, L., Kim, H.-Y., Choi, H.-L., 2019. Nastajajoče aplikacije UAV v kmetijstvu. V: 2019 7. mednarodna konferenca o tehnologiji robotske inteligence in
Prijave (RiTA), str. 254–257. https://doi.org/10.1109/RITAPP.2019.8932853.
Nerur, SP, Rasheed, AA, Natarajan, V., 2008. Intelektualna struktura področja strateškega menedžmenta: analiza avtorskega socitiranja. Strateg. Upravitelj J. 29 (3),
319-336.
Neupane, K., Baysal-Gurel, F., 2021. Samodejna identifikacija in spremljanje rastlinskih bolezni z uporabo brezpilotnih zračnih plovil: pregled. Daljinsko zaznavanje 13 (19), 3841. https://doi.org/10.3390/rs13193841.
Nex, F., Remondino, F., 2014. UAV za aplikacije 3D kartiranja: pregled. Appl. Geomatika 6 (1), 1–15. https://doi.org/10.1007/s12518-013-0120-x.
Niu, H., Hollenbeck, D., Zhao, T., Wang, D., Chen, Y., 2020. Ocena evapotranspiracije z majhnimi UAV v preciznem kmetijstvu. Senzorji 20 (22), 6427. https://
doi.org/10.3390/s20226427.
Osareh, F., 1996. Bibliometrija, analiza citiranja in analiza socitiranja. Pregled književnosti 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, senzorji in obdelava podatkov v agrogozdarstvu: pregled v smeri praktičnih aplikacij. Int. J. Remote Sens. 38 (8–10), 2349–2391. https://doi.org/10.1080/01431161.2017.1297548.
Panday, ZDA, Pratihast, AK, Aryal, J., Kayastha, RB, 2020. Pregled podatkovnih rešitev, ki temeljijo na dronih, za žitne pridelke. Droni 4 (3), 1–29. https://doi.org/10.3390/
droni4030041.
Parsaeian, M., Shahabi, M., Hassanpour, H., 2020. Ocenjevanje vsebnosti olja in beljakovin v sezamovih semenih z uporabo obdelave slik in umetne nevronske mreže. J. Am. Olje
Chemists' Soc. 97 (7), 691–702.
Pena, ˜ JM, Torres-S´anchez, J., de Castro, AI, Kelly, M., Lopez-Granados, ´ F., Suarez, O., Kartiranje plevela na koruznih poljih v zgodnji sezoni z uporabo objektne analize od
Slike brezpilotnega letala (UAV). 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. Delno nadzorovan sistem za kartiranje plevela v posevkih sončnic z uporabo brezpilotnih zračnih plovil in metode zaznavanja vrst posevkov. Appl. Soft Comput. J. 37, 533–544. https://doi.org/10.1016/j.asoc.2015.08.027.
Pincheira, M., Vecchio, M., Giaffreda, R., Kanhere, SS, 2021. Stroškovno učinkovite naprave interneta stvari kot zaupanja vredni viri podatkov za sistem upravljanja z vodo, ki temelji na verigi blokov, v preciznem kmetijstvu. Računalništvo. Elektron. Agric. 180, 105889.
Popescu, D., Stoican, F., Stamatescu, G., Ichim, L., Dragana, C., 2020. Napredni sistem UAV–WSN za inteligentno spremljanje v preciznem kmetijstvu. Senzorji 20 (3), https://doi.org/10.3390/s20030817.
Pournader, M., Shi, Y., Seuring, S., Koh, SL, 2020. Aplikacije blokovnih verig v dobavnih verigah, transportu in logistiki: sistematičen pregled literature. Int. J. Prod. Res. 58 (7), 2063–2081.
Primicerio, J., Di Gennaro, SF, Fiorillo, E., Genesio, L., Lugato, E., Matese, A., Vaccari, FP, 2012. Prilagodljivo brezpilotno letalo za precizno kmetijstvo.
Precis. Agric. 13 (4), 517–523. https://doi.org/10.1007/s11119-012-9257-6.
Pritchard, A., 1969. Statistična bibliografija ali bibliometrija. J. Dokument. 25 (4), 348–349.
Pudelko, R., Stuczynski, T., Borzecka-Walker, M., 2012. Primernost brezpilotnega letalnika (UAV) za vrednotenje poskusnih polj in pridelkov. Kmetijstvo 99 (4), 431–436.
Puri, V., Nayyar, A., Raja, L., 2017. Kmetijski droni: sodoben preboj v preciznem kmetijstvu. J. Statis. Upravitelj Syst. 20 (4), 507–518.
Radoglou-Grammatikis, P., Sarigiannidis, P., Lagkas, T., Moscholios, I., 2020. Zbirka aplikacij UAV za precizno kmetijstvo. Računalništvo. Netw. 172,
107148 https://doi.org/10.1016/j.comnet.2020.107148.
Ramesh, KV, Rakesh, V., Prakasa Rao, EVS, 2020. Uporaba analitike velikih podatkov in umetne inteligence v agronomskih raziskavah. Indijec J. Agron. 65 (4), 383–395.
Raparelli, E., Bajocco, S., 2019. Bibliometrična analiza o uporabi brezpilotnih zračnih plovil v kmetijskih in gozdarskih študijah. Int. J. Daljinski senzor 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.
Potencialne uporabe sistemov malih brezpilotnih zrakoplovov (UAS) pri raziskovanju plevela. Weed Res. 53 (4), 242–248.
Rasmussen, J., Ntakos, G., Nielsen, J., Svensgaard, J., Poulsen, RN, Christensen, S., Ali so vegetacijski indeksi pridobljeni iz potrošniških kamer, nameščenih na
So UAV dovolj zanesljivi za ocenjevanje poskusnih ploskev? 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. Digitalizacija v verigah preskrbe s hrano: bibliometrični pregled in glavna pot po ključni poti
analizo. Trajnost 14 (1), 83. https://doi.org/10.3390/su14010083.
Rejeb, A., Rejeb, K., Simske, SJ, Treiblmaier, H., 2021a. Droni za upravljanje dobavne verige in logistiko: pregled in raziskovalni program. Int. J. Logist. Res. Appl.
1–24. https://doi.org/10.1080/13675567.2021.1981273.
Rejeb, A., Rejeb, K., Simske, S., Treiblmaier, H., 2021b. Tehnologije veriženja blokov v logistiki in upravljanju dobavne verige: bibliometrični pregled. Logistika 5 (4), 72.
https://doi.org/10.3390/logistics5040072.
Rejeb, A., Rejeb, K., Simske, S., Treiblmaier, H., 2021c. Humanitarni brezpilotni letalniki: pregled in raziskovalni program. Internet stvari 16, 100434. https://doi.org/10.1016/j.
iot.2021.100434.
Rejeb, A., Treiblmaier, H., Rejeb, K., Zailani, S., 2021d. Blockchain raziskave v zdravstvu: bibliometrični pregled in trenutni raziskovalni trendi. J. podatkov, Inf. in
Upravitelj 3 (2), 109–124.
Rejeb, A., Simske, S., Rejeb, K., Treiblmaier, H., Zailani, S., 2020. Raziskave interneta stvari pri upravljanju dobavne verige in logistiki: bibliometrična analiza. Internet
stvari 12, 100318.
ReportLinker, 2021. Globalni trg brezpilotnih letalnikov za kmetijstvo bo do leta dosegel 15.2 milijarde ameriških dolarjev. Novičarska soba GlobeNewswire. https://www.globenewswire.com/news-release/2021/08/10/2277986/0/en/Global-Agriculture-Drones-Market-to-Reach-US-15-2-Billion-by-the- Leto-2027.html.
Ribeiro-Gomes, K., Hernandez-L´ opez, ´ D., Ortega, JF, Ballesteros, R., Poblete, T., Moreno, MA, 2017. Kalibracija nehlajene termalne kamere in optimizacija
fotogrametrični postopek za aplikacije UAV v kmetijstvu. Senzorji (Švica) 17 (10). https://doi.org/10.3390/s17102173.
Rivera, MA, Pizam, A., 2015. Napredek v raziskavah gostinstva: »Od Rodneyja Dangerfielda do Arethe Franklin«. Int. J. Contempor. Bolnišnica. Upravitelj 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. Senzorični sistem na osnovi mini UAV za merjenje okoljskih spremenljivk v rastlinjakih. Senzorji 15 (2), 3334–3350. https://doi.org/10.3390/s150203334.
Rozenberg, G., Kent, R., Blank, L., 2021. UAV za potrošnike, ki se uporablja za odkrivanje in analizo vzorcev prostorske porazdelitve plevela v pozni sezoni na komercialnih poljih čebule. Precis. Agric. 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. Brez posadke sistem spektralne kamere, ki ga upravlja zračno vozilo (UAV), za aplikacije v gozdu in kmetijstvu. Nadaljuj. SPIE – medn. Soc. Opt. inž. 8174 https://doi.org/10.1117/12.897585.
Sah, B., Gupta, R., Bani-Hani, D., 2021. Analiza ovir za izvajanje logistike brezpilotnih letal. Int. J. Logist. Res. Appl. 24 (6), 531–550. https://doi.org/10.1080/
13675567.2020.1782862.
Saha, AK, Saha, J., Ray, R., Sircar, S., Dutta, S., Chattopadhyay, SP, & Saha, HN, dron na osnovi IOT za izboljšanje kakovosti pridelka na kmetijskem področju. V SH
N. Chakrabarti S. (ur.), 2018 IEEE 8th Annual Computing and Communication Workshop and Conference, CCWC 2018 (zvezki 2018-januar, str. 612–615). Inštitut
of Electrical and Electronics Engineers Inc. doi: 10.1109/CCWC.2018.8301662.
Sai Vineeth, KV, Vara Prasad, YR, Dubey, SR, Venkataraman, H., 2019. LEDCOM: nova in učinkovita komunikacija na osnovi LED za precizno kmetijstvo. IEEE Conf. Informacije. Komun. Technol. 2019, 1–5. https://doi.org/10.1109/CICT48419.2019.9066177.
Salamí, E., Barrado, C., Pastor, E., 2014. Eksperimenti letenja UAV, uporabljeni za daljinsko zaznavanje vegetiranih območij. Daljinsko zaznavanje 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.
Sistemi za slikanje iz zraka z visoko ločljivostjo na nizki nadmorski višini za fenotipizacijo vrstnih in poljskih pridelkov: pregled. 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. Toplotno slikanje z UAV z visoko ločljivostjo za oceno
trenutna in sezonska spremenljivost stanja rastlinske vode v vinogradu. Agric. Vodovod 183, 49–59. https://doi.org/10.1016/j.agwat.2016.08.026.
Sarli, CC, Dubinsky, EK, Holmes, KL, 2010. Poleg analize citiranja: model za oceno vpliva raziskave. J. Med. Knjižnica izr. : 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. Spektroskopija slikanja, povezana z znanostjo o zemeljskem sistemu – ocena. Okolje z daljinskim senzorjem. 113, S123–S137.
Schirrmann, M., Giebel, A., Gleiniger, F., Pflanz, M., Lentschke, J., Dammer, K.-H., 2016. Spremljanje agronomskih parametrov posevkov ozimne pšenice z nizkocenovnim UAV
podobe. Daljinsko zaznavanje 8 (9). https://doi.org/10.3390/rs8090706.
Schmale III, DG, Dingus, BR, Reinholtz, C., 2008. Razvoj in uporaba avtonomnega zračnega plovila brez posadke za natančno aerobiološko vzorčenje zgoraj
kmetijska polja. J. Field Rob. 25 (3), 133–147. https://doi.org/10.1002/rob.20232.
Šadrin, D., Menščikov, A., Somov, A., Bornemann, G., Hauslage, J., Fedorov, M.,
Omogočanje natančnega kmetijstva z vgrajenim zaznavanjem z umetno inteligenco. 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. Zračna vozila brez posadke (UAV): raziskava o civilnih aplikacijah in ključnih raziskovalnih izzivih. IEEE Access 7,
48572–48634. https://doi.org/10.1109/ACCESS.2019.2909530.
Shakoor, N., Northrup, D., Murray, S., Mockler, TC, 2019. Kmetijstvo, ki temelji na velikih podatkih: analitika velikih podatkov pri žlahtnjenju rastlin, genomiki in uporabi daljinskega zaznavanja
tehnologije za povečanje produktivnosti pridelka. Rastlinski fenomen J. 2 (1), 1–8.
Sharma, BK, Chandra, G., Mishra, VP, 2019. Primerjalna analiza in implikacija UAV in AI v forenzičnih preiskavah. V: Zbornik – 2019 Amity International
Konferenca o umetni inteligenci. https://doi.org/10.1109/AICAI.2019.8701407.
Sharma, R., Shishodia, A., Gunasekaran, A., Min, H., Munim, ZH, 2022. Vloga umetne inteligence pri upravljanju dobavne verige: kartiranje ozemlja. 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. Zračna vozila brez posadke za visoko zmogljivo fenotipizacijo in agronomske raziskave. PLoS ENA
11 (7), e0159781.
Shuai, G., Martinez-Feria, RA, Zhang, J., Li, S., Price, R., Basso, B., 2019. Zajemanje heterogenosti sestoja koruze v območjih stabilnosti pridelka z uporabo brezpilotnega letala
Vozila (UAV). Senzorji 19 (20), 4446. https://doi.org/10.3390/s19204446.
Small, H., 1973. Socitiranje v znanstveni literaturi: novo merilo razmerja med dvema dokumentoma. J. Am. Soc. Informacije. Sci. 24 (4), 265–269.
Small, H., Rorvig, ME, Lunin, LF, 1999. Vizualizacija znanosti s preslikavo citatov. J. Am. Soc. Informacije. Sci. 50 (9), 799–813.
Soares, VHA, Ponti, MA, Gonçalves, RA, Campello, RJGB, 2021. Štetje goveda v naravi z geolociranimi posnetki iz zraka na velikih pašnikih. Računalništvo. Elektron. Agric. 189, 106354 https://doi.org/10.1016/j.compag.2021.106354.
Srivastava, K., Pandey, PC, Sharma, JK, 2020. Pristop za optimizacijo poti v aplikacijah natančnega kmetijstva z uporabo UAV. Droni 4 (3), 58. https://doi.org/ 10.3390/drones4030058.
Stafford, JV, 2000. Izvajanje natančnega kmetijstva v 21. stoletju. J. Agric. inž. Res. 76 (3), 267–275.
Su, J., Coombes, M., Liu, C., Guo, L., Chen, W.-H., 2018. Ocena suše pšenice s posnetki daljinskega zaznavanja z brezpilotnim letalom. Leta 2018 37. kitajska nadzorna konferenca (CCC).
Su, J., Liu, C., Coombes, M., Hu, X., Wang, C., Xu, X., Li, Q., Guo, L., Chen, W.-H., 2018. Spremljanje pšenične rumene rje z učenjem iz večspektralnih zračnih posnetkov UAV.
Računalništvo. Elektron. Agric. 155, 157–166. https://doi.org/10.1016/j. compag.2018.10.017.
Su, Y., Wang, X., 2021. Inovacija kmetijskega ekonomskega upravljanja v procesu izgradnje pametnega kmetijstva z velikimi podatki. Trajnostno računalništvo. Inf. Syst. 31, 100579 https://doi.org/10.1016/j.suscom.2021.100579.
Sullivan, DG, Fulton, JP, Shaw, JN, Bland, GL, 2007. Ocenjevanje občutljivosti toplotnega infrardečega zračnega sistema brez posadke za zaznavanje vodne obremenitve v bombažni krošnji. Trans. ASABE 50 (6), 1955–1962.
Sumesh, KC, Ninsawat, S., Som-ard, J., 2021. Integracija vegetacijskega indeksa na osnovi RGB, modela površine pridelka in pristopa objektne analize slike za oceno pridelka sladkornega trsa z uporabo brezpilotnega letala. Računalništvo. Elektron. Agric. 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. Lahek sistem hiperspektralnega preslikave za
brezpilotna letala—prvi rezultati. V: 2013 5th Workshop on Hyperspectral Image and Signal Processing: Evolution in Remote Sensing (WHISPERS), str. 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. Lahek hiperspektral
kartografski sistem in veriga fotogrametrične obdelave za brezpilotna plovila. Daljinsko zaznavanje 6 (11), 11013–11030. https://doi.org/10.3390/
rs61111013.
Syeda, IH, Alam, MM, Illahi, U., Su'ud, MM, 2021. Napredne strategije nadzora z uporabo obdelave slik, UAV in AI v kmetijstvu: pregled. svet J. Eng. 18 (4),
579–589. https://doi.org/10.1108/WJE-09-2020-0459.
Tahai, A., Rigsby, JT, 1998. Obdelava informacij z uporabo citatov za raziskovanje vpliva revije v računovodstvu. Inf. Proces. Upravljaj. 34 (2–3), 341–359.
Tang, Y., Dananjayan, S., Hou, C., Guo, Q., Luo, S., He, Y., 2021. Raziskava o omrežju 5G in njegovem vplivu na kmetijstvo: izzivi in priložnosti. Računalništvo.
Elektron. Agric. 180, 105895 https://doi.org/10.1016/j.compag.2020.105895.
Tantalaki, N., Souravlas, S., Roumeliotis, M., 2019. Podatkovno vodeno odločanje v natančnem kmetijstvu: porast velikih podatkov v kmetijskih sistemih. J. Agric. Informacije o hrani.
20 (4), 344–380.
Tao, H., Feng, H., Xu, L., Miao, M., Yang, G., Yang, X., Fan, L., 2020. Ocena pridelka in višine rastline ozimne pšenice z UAV- temeljijo na hiperspektralnih slikah.
Senzorji 20 (4), 1231.
Techy, L., Schmale III, DG, Woolsey, CA, 2010. Usklajeno aerobiološko vzorčenje rastlinskega patogena v spodnji atmosferi z uporabo dveh avtonomnih zračnih plovil brez posadke. 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. Odkrivanje in razvrščanje škodljivcev na soji z uporabo globokega učenja
s slikami UAV. Računalništvo. Elektron. Agric. 179, 105836.
Thamm, H.-P., Menz, G., Becker, M., Kuria, DN, Misana, S., Kohn, D., 2013. Uporaba UAS za ocenjevanje kmetijskih sistemov v mokriščih AN v Tanzaniji v— In WetSeason za trajnostno kmetijstvo in zagotavljanje temeljne resnice za podatke Terra-Sar X. V: ISPRS – Mednarodni arhiv za fotogrametrijo, daljinsko zaznavanje in prostorske informacijske znanosti, str. 401–406. https://doi.org/10.5194/isprsarchivesXL-1-W2-401-2013.
Thelwall, M., 2008. Bibliometrija v webometrijo. J. Info. Sci. 34 (4), 605–621.
Torres-Sanchez, ´ J., Lopez-Granados, ´ F., Pena, ˜ JM, 2015. Samodejna objektna metoda za optimalno določanje praga na slikah UAV: aplikacija za odkrivanje vegetacije v zelnatih kulturah. Računalništvo. Elektron. Agric. 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. Visoko zmogljivo 3-D spremljanje kmetijskih drevesnih nasadov z Tehnologija brezpilotnih letal (UAV). PLoS ONE 10 (6), e0130479.
Torres-Sanchez, ´ J., Pena, ˜ JM, de Castro, AI, Lopez-Granados, ´ F., 2014. Veččasovno kartiranje frakcije vegetacije na pšeničnih poljih v zgodnji sezoni z uporabo slik UAV. Računalništvo. Elektron. Agric. 103, 104–113. https://doi.org/10.1016/j. compag.2014.02.009.
Tsouros, DC, Bibi, S., Sarigiannidis, PG, 2019. Pregled aplikacij, ki temeljijo na UAV, za precizno kmetijstvo. Informacije (Švica) 10 (11). https://doi.org/10.3390/info10110349.
Tu, Y.-H., Phinn, S., Johansen, K., Robson, A., Wu, D., 2020. Optimiziranje načrtovanja letenja brezpilotnih letal za merjenje strukture hortikulturnih drevesnih posevkov. 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. Internet stvari v kmetijstvu, nedavni napredek in prihodnji izzivi. Biosist. inž. 164, 31–48.
https://doi.org/10.1016/j.biosystemseng.2017.09.007.
Uddin, A., Singh, VK, Pinto, D., Olmos, I., 2015. Scientometrično kartiranje raziskav računalništva v Mehiki. Scientometrics 105 (1), 97–114.
ZN, 2019. Obeti svetovnega prebivalstva 2019. https://population.un.org/wpp/ (dostopano 15/04/2022).
Uto, K., Seki, H., Saito, G., Kosugi, Y., 2013. Karakterizacija riževih polj z miniaturnim hiperspektralnim senzorskim sistemom, nameščenim na UAV. IEEE J. Sel. Vrh. Appl. Earth Obs.
Oddaljeni senzorji 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. Droni v
kmetijstvo. Adv. Agron. 162, 1–30.
Velusamy, P., Rajendran, S., Mahendran, RK, Naseer, S., Shafiq, M., Choi, J.-G., 2022.
Brezpilotna letala (UAV) v preciznem kmetijstvu: aplikacije in izzivi. Energije 15 (1), 217. https://doi.org/10.3390/en15010217.
Ventura, D., Bonifazi, A., Gravina, MF, Belluscio, A., Ardizzone, G., 2018. Kartiranje in razvrščanje ekološko občutljivih morskih habitatov z uporabo brezpilotnih zrakoplovov
Posnetki vozil (UAV) in analiza slik na podlagi objektov (OBIA). Daljinsko zaznavanje 10 (9), 1331. https://doi.org/10.3390/rs10091331.
Verger, A., Vigneau, N., Ch´eron, C., Gilliot, J.-M., Comar, A., Baret, F., 2014. Indeks zelenih površin brezpilotnega zračnega sistema nad posevki pšenice in ogrščice . Okolje z daljinskim senzorjem. 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. Namestitev štirih optičnih senzorjev na podlagi UAV nad travniki: izzivi in
omejitve. Biogeosciences 12 (1), 163–175. https://doi.org/10.5194/bg-12-163-2015.
Vuran, MC, Salam, A., Wong, R., Irmak, S., 2018. Internet podzemnih stvari v preciznem kmetijstvu: arhitekturni in tehnološki vidiki. Ad Hoc Netw. 81,
160–173. https://doi.org/10.1016/j.adhoc.2018.07.017.
Wamba, SF, Queiroz, MM, 2021. Odgovorna umetna inteligenca kot skrivna sestavina za digitalno zdravje: bibliometrična analiza, vpogledi in raziskovalne usmeritve.
Informacije. Syst. Spredaj. 1–16.
Wang, L., Zhang, G., Wang, Z., Liu, J., Shang, J., Liang, L., 2019. Bibliometrična analiza trenda raziskav daljinskega zaznavanja pri spremljanju rasti pridelkov: študija primera na Kitajskem. Daljinsko zaznavanje 11 (7). https://doi.org/10.3390/rs11070809.
White, HD, Griffith, BC, 1981. Navedba avtorja: literarno merilo intelektualne strukture. J. Am. Soc. Informacije. Sci. 32 (3), 163–171.
Xiang, H., Tian, L., 2011. Razvoj poceni kmetijskega sistema daljinskega zaznavanja, ki temelji na avtonomnem brezpilotnem letalu (UAV). Biosist. inž. 108 (2), 174–190. https://doi.org/10.1016/j.biosystemseng.2010.11.010.
Xie, C., Yang, C., 2020. Pregled fenotipskih lastnosti rastlin z visoko zmogljivostjo z uporabo senzorjev, ki temeljijo na UAV. Računalništvo. Elektron. Agric. 178, 105731 https://doi.org/10.1016/j.
compag.2020.105731.
Yao, H., Qin, R., Chen, X., 2019. Brezpilotno zračno plovilo za aplikacije daljinskega zaznavanja – pregled. Daljinsko zaznavanje 11 (12). https://doi.org/10.3390/
rs11121443.
Yeom, S., 2021. Sledenje premikajočim se osebam in odstranjevanje lažnih sledi z infrardečim termalnim slikanjem z multirotorjem. Droni 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. Primerjava ocenjevanja parametrov pridelka z uporabo slik iz nameščenega na UAV
hiperspektralni senzor za posnetke in digitalni fotoaparat visoke ločljivosti. Daljinsko zaznavanje 10 (7), 1138. https://doi.org/10.3390/rs10071138.
Yue, J., Yang, G., Li, C., Li, Z., Wang, Y., Feng, H., Xu, B., 2017. Ocena nadzemne biomase ozimne pšenice z uporabo brezpilotnega letala- temelji posnetek
hiperspektralni senzor in modeli z izboljšano višino pridelka. Daljinsko zaznavanje 9 (7). https://doi.org/10.3390/rs9070708.
Zahawi, RA, Dandois, JP, Holl, KD, Nadwodny, D., Reid, JL, Ellis, EC, 2015. Uporaba lahkih brezpilotnih letalnikov za spremljanje obnove tropskih gozdov. Biol.
Ohranjanje 186, 287–295. https://doi.org/10.1016/j.biocon.2015.03.031. Zamora-Izquierdo, MA, Santa, J., Martínez, JA, Martínez, V., Skarmeta, AF, 2019.
Platforma IoT za pametno kmetovanje, ki temelji na robu in računalništvu v oblaku. Biosist. inž. 177,
4-17.
Zarco-Tejada, PJ, Diaz-Varela, R., Angileri, V., Loudjani, P., 2014. Kvantifikacija višine dreves z uporabo posnetkov zelo visoke ločljivosti, pridobljenih iz brezpilotnega zrakoplova
vozil (UAV) in avtomatskih 3D fotorekonstrukcijskih metod. 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. Fenotipizacija na podlagi slike intenzivnosti cvetenja pri posevkih v hladni sezoni. Senzorji 20 (5), 1450. https://doi.org/10.3390/s20051450.
Zhang, C., Kovacs, JM, 2012. Uporaba majhnih brezpilotnih zračnih sistemov za precizno kmetijstvo: pregled. Precis. Agric. 13 (6), 693–712. https://doi.org/
10.1007/s11119-012-9274-5.
Zhang, L., Zhang, H., Niu, Y., Han, W., 2019. Kartiranje vodnega stresa koruze na podlagi večspektralnega daljinskega zaznavanja UAV. Daljinsko zaznavanje 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. Na globokem učenju temelječ pristop za avtomatizirano rumeno rjo
odkrivanje bolezni iz hiperspektralnih slik UAV visoke ločljivosti. Daljinsko zaznavanje 11 (13), 1554.
Zhao, X., Zhang, J., Huang, Y., Tian, Y., Yuan, L., 2022. Odkrivanje in diskriminacija bolezni in stresa rastlin čajevca zaradi insektov z uporabo hiperspektralnega slikanja v kombinaciji z valovito analizo. Računalništvo. Elektron. Agric. 193, 106717 https://doi.org/10.1016/j. compag.2022.106717.
Zheng, A., Wang, M., Li, C., Tang, J., Luo, B., 2022. Entropijsko vodena kontradiktorna prilagoditev domene za semantično segmentacijo slik iz zraka. IEEE Trans. G
Zheng, H., Cheng, T., Yao, X., Deng, X., Tian, Y., Cao, W., Zhu, Y., 2016. Odkrivanje fenologije riža z analizo časovnih vrst zemeljskega spektra indeksne podatke. Poljski pridelki Res. 198, 131–139. https://doi.org/10.1016/j.fcr.2016.08.027.
Zheng, J., Yang, W., 2018. Zasnova sistema za sejanje puščanja v natančnem kmetijstvu, ki temelji na brezžičnih senzorjih. Int. J. Online Eng. 14 (05), 184.
Zhou, L., Gu, X., Cheng, S., Yang, G., Shu, M., Sun, Q., 2020. Analiza sprememb višine rastlin polegle koruze z uporabo podatkov UAV-LiDAR. Kmetijstvo 10 (5), 146. https://
doi.org/10.3390/agriculture10050146.
Zhou, S., Chai, X., Yang, Z., Wang, H., Yang, C., Sun, T., 2021. Maize-IAS: programska oprema za analizo slik koruze, ki uporablja globoko učenje za visoko zmogljivo fenotipizacijo rastlin . Rastlinske metode 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. Napovedovanje pridelka zrnja v riž z uporabo veččasovne vegetacije
indeksov iz multispektralnih in digitalnih posnetkov, ki temeljijo na UAV. ISPRS J. Photogramm. Oddaljeni senzorji 130, 246–255. https://doi.org/10.1016/j.isprsjprs.2017.05.003.
Zhou, Y., Xie, Y., Shao, L., 2016. Simulacija osnovne tehnologije sistema za spremljanje rastlinjakov, ki temelji na brezžičnem senzorskem omrežju. Int. J. Online Eng. 12 (05),
43.
Zhou, Z., Majeed, Y., Diverres Naranjo, G., Gambacorta, EMT, 2021. Ocena vodnega stresa pridelkov z infrardečimi toplotnimi posnetki v preciznem kmetijstvu: pregled
in prihodnji obeti za aplikacije globokega učenja. Računalništvo. Elektron. Agric. 182, 106019 https://doi.org/10.1016/j.compag.2021.106019.