Abderahman Rejeb a , Alireza Abdollahi b , Karim Rejeb c , Horst Treiblmaier d,
- a Departamentul de Management și Drept, Facultatea de Economie, Universitatea din Roma Tor Vergata, Via Columbia, 2, Roma 00133, Italia
- b Departamentul de Administrare a Afacerilor, Facultatea de Management, Universitatea Kharazmi, 1599964511 Teheran, Iran
- c Facultatea de Științe din Bizerte, Universitatea din Cartagina, Zarzouna, 7021 Bizerte, Tunisia
- d School of International Management, Modul University Vienna, Am Kahlenberg 1, 1190 Viena, Austria
INFORMATII ARTICOL | REZUMAT |
Cuvinte cheie: Drone UAV Agricultura de precizie internetul Lucrurilor Bibliometrie | Dronele, numite și vehicule aeriene fără pilot (UAV), au fost martorii unei dezvoltări remarcabile în ultimele decenii. În agricultură, au schimbat practicile agricole, oferind fermierilor economii substanțiale de costuri, crescute eficiență operațională și o rentabilitate mai bună. În ultimele decenii, tema dronelor agricole a avut a atras atenția academică remarcabilă. Prin urmare, efectuăm o analiză cuprinzătoare bazată pe bibliometrie pentru a rezuma și a structura literatura academică existentă și a dezvălui tendințele actuale de cercetare și punctele fierbinți. Noi aplica tehnici bibliometrice și analizează literatura despre dronele agricole pentru a rezuma și evaluarea cercetărilor anterioare. Analiza noastră indică faptul că teledetecția, agricultura de precizie, învățarea profundă, învățarea automată și Internetul lucrurilor sunt subiecte esențiale legate de dronele agricole. Co-citarea analiza relevă șase grupuri largi de cercetare în literatură. Acest studiu este una dintre primele încercări de a rezuma cercetarea cu drone în agricultură și de a sugera direcții viitoare de cercetare. |
Introducere
Agricultura reprezintă sursa primară de hrană a lumii (Friha et al., 2021) și se confruntă cu provocări severe din cauza
cererea în creștere pentru produse alimentare, siguranța alimentară și preocupările de securitate, precum și solicitările pentru protecția mediului, conservarea apei și
durabilitate (Inoue, 2020). Se preconizează că această evoluție va continua, deoarece populația mondială este estimată a ajunge la 9.7 miliarde până în 2050.
(2019). Deoarece agricultura constituie cel mai proeminent exemplu de consum de apă la nivel global, este de așteptat ca cererea de alimente și apă
consumul va crește dramatic în viitorul apropiat. În plus, consumul tot mai mare de îngrășăminte și pesticide
împreună cu intensificarea activităților agricole ar putea duce la viitoare provocări de mediu. În mod similar, terenul arabil este limitat, iar
numărul fermierilor este în scădere la nivel mondial. Aceste provocări accentuează nevoia de soluții agricole inovatoare și durabile (Elijah
et al., 2018; Friha şi colab., 2021; Inoue, 2020; Tzounis et al., 2017).
Încorporarea tehnologiilor noi a fost identificată ca o soluție promițătoare pentru a aborda aceste provocări. Agricultura inteligentă (Brewster et al.,
2017; Tang et al., 2021) și agricultura de precizie (Feng et al., 2019; Khanna & Kaur, 2019) au apărut ca urmare a unor astfel de dezbateri. The
prima este o noțiune generală pentru adoptarea tehnologiilor de comunicare informațională (TIC) și a altor inovații de ultimă oră în activitățile agricole pentru a crește eficiența și eficacitatea (Haque et al., 2021). Acesta din urmă se concentrează pe managementul specific site-ului în care este împărțit terenul
piese omogene și fiecare parte primește cantitatea exactă de aport agricol pentru optimizarea randamentului culturilor prin intermediul tehnologiilor noi (Feng et al., 2019; Khanna & Kaur, 2019). Tehnologiile proeminente care au atras atenția cercetătorilor în acest domeniu includ rețelele de senzori fără fir (WSN) (J. Zheng & Yang, 2018; Y. Zhou et al., 2016), Internetul lucrurilor (IoT) (Gill et al., 2017; He et al., 2021; Liu et al., 2019),
Tehnici de inteligență artificială (AI), inclusiv învățarea automată și învățarea profundă (Liakos și colab., 2018; Parsaeian și colab., 2020; Shadrin și colab., XNUMX;
2019), tehnologii de calcul (Hsu et al., 2020; Jinbo et al., 2019; Zamora-Izquierdo et al., 2019), big data (Gill et al., 2017; Tantalaki
et al., 2019) și blockchain (PW Khan și colab., 2020; Pincheira și colab., 2021).
Pe lângă tehnologiile menționate mai sus, teledetecția a fost considerată un instrument tehnologic cu potențial ridicat de îmbunătățire
agricultura inteligenta si de precizie. Sateliții, avioanele cu echipaj uman și dronele sunt tehnologii populare de teledetecție (Tsouros și colab., 2019).
Dronele, cunoscute în mod popular ca vehicule aeriene fără pilot (UAV), sisteme de aeronave fără pilot (UAS) și aeronave pilotate de la distanță, sunt
de mare importanță deoarece au multiple avantaje în comparație cu alte tehnologii de teledetecție. De exemplu, dronele pot livra
imagini de înaltă calitate și de înaltă rezoluție în zilele înnorate (Manfreda și colab., 2018). De asemenea, disponibilitatea lor și viteza de transfer constituie altele
beneficii (Radoglou-Grammatikis et al., 2020). În comparație cu aeronavele, dronele sunt extrem de rentabile și ușor de configurat și întreținut (Tsouros et al., 2019). În ciuda faptului că au fost utilizate inițial în principal în scopuri militare, dronele pot beneficia de numeroase aplicații civile, de exemplu în managementul lanțului de aprovizionare (A. Rejeb, Rejeb, et al., 2021a), în scopuri umanitare (A. Rejeb, Rejeb, și colab., 2021c), agricultură inteligentă, topografie și cartografiere, documentarea patrimoniului cultural, managementul dezastrelor și conservarea pădurilor și a faunei sălbatice (Panday, Pratihast, et al., 2020). În agricultură, există numeroase domenii de aplicare ale dronelor, deoarece acestea pot fi integrate cu tehnologii noi, capabilități de calcul și senzori la bord pentru a sprijini gestionarea culturilor (de exemplu, cartografiere, monitorizare, irigare, diagnosticare a plantelor) (H. Huang et al., 2021) , reducerea dezastrelor, sistemele de avertizare timpurie, conservarea faunei sălbatice și a pădurilor, pentru a numi câteva (Negash et al., 2019). În mod similar, dronele ar putea fi utilizate în mai multe activități agricole, inclusiv monitorizarea culturilor și a creșterii, estimarea randamentului, evaluarea stresului hidric și detectarea buruienilor, dăunătorilor și bolilor (Inoue, 2020; Panday, Pratihast, et al., 2020). Dronele pot fi folosite nu numai în scopuri de monitorizare, estimare și detectare pe baza datelor lor senzoriale, ci și pentru irigarea de precizie și gestionarea de precizie a buruienilor, dăunătorilor și bolilor. Cu alte cuvinte, dronele sunt capabile să pulverizeze apă și pesticide în cantități precise pe baza datelor de mediu. Beneficiile dronelor în agricultură sunt rezumate în Tabelul 1.
Principalele beneficii ale dronelor în agricultură.
Beneficia | Referințe |
Îmbunătățiți temporal și spațial rezoluții de detectare | (Gago et al., 2015; Niu et al., 2020; Srivastava și colab., 2020) |
Facilitati agricultura de precizie | (L. Deng și colab., 2018; Kalischuk și colab., 2019; Maimaitijiang și colab., 2017) |
Clasificarea și scoutingul culturilor | (Inoue, 2020; Kalischuk et al., 2019; Lopez- ´ Granados et al., 2016; Maimaitijiang et al., 2017; Melville și colab., 2019; Moharana & Dutta, 2016) |
Utilizarea îngrășământului | (L. Deng și colab., 2018; Guan și colab., 2019) |
Monitorizarea secetei | (Fawcett și colab., 2020; Panday, Pratihast și colab., 2020; Su și colab., 2018) |
Estimarea biomasei | (Bendig și colab., 2014) |
Estimarea randamentului | (Inoue, 2020; Panday, Shrestha, et al., 2020; Tao și colab., 2020) |
Reducerea dezastrelor | (Negash și colab., 2019) |
Conservarea faunei sălbatice și silvicultură | (Negash et al., 2019; Panday, Pratihast, et al., 2020) |
Evaluarea stresului hidric | (Inoue, 2020; J. Su, Coombes, et al., 2018; L. Zhang și colab., 2019) |
Dăunători, buruieni și boli detectare | (Gaˇsparovi´c et al., 2020; Inoue, 2020; J. Su, Liu, et al., 2018; X. Zhang și colab., 2019) |
Pe de altă parte, dronele se confruntă și cu limitări. Implicarea pilotului, puterea motorului, stabilitate și fiabilitate, calitatea senzorilor datorită sarcinii utile
limitările de greutate, costurile de implementare și reglementarea aviației se numără printre acestea (C. Zhang & Kovacs, 2012). Comparăm neajunsurile
dintre cele trei tehnologii mobile de teledetecție din Tabelul 2. Alte tehnologii de teledetecție, cum ar fi senzorii de sol, nu fac obiectul acestui studiu.
Deficiențe ale diferitelor tehnologii mobile de teledetecție.
Teledetecție tehnologii | Deficiențele | Referinte |
Dronă (UAV) | Implicarea pilotului; imagini' calitate (medie); costuri de implementare (medii); stabilitate, manevrabilitate și fiabilitate; standardizare; puterea motorului; putere limitată surse (longevitatea bateriei); durată limitată de zbor, coliziune și atacuri cibernetice; limitat greutatea sarcinii utile; seturi mari de date și prelucrarea limitată a datelor capabilități; lipsa de reglementare; lipsă de expertiză, intrare mare bariere în calea accesului la drone agricole; | (Bacco și colab., 2018; Dawaliby şi colab., 2020; Hardin & Hardin, 2010; Hardin & Jensen, 2011; Lagkas și colab., 2018; Laliberte şi colab., 2007; Laliberte & Rango, 2011; Manfreda și colab., 2018, 2018; Nebiker și colab., 2008; Puri et al., 2017; Velusamy și colab., 2022; C. Zhang și Kovacs, 2012) |
Satelit | Acoperire periodică prin satelit, rezoluție spectrală limitată; vulnerabilitatea la problemele de vizibilitate (de exemplu, nori); Indisponibil și viteză scăzută de transfer; orientare si vignetare afectează date spațiale costisitoare Colectie; livrare lentă a datelor timp pentru utilizatorii finali | (Aboutalebi și colab., 2019; Cen et al., 2019; Chen și colab., 2019; Nansen și Elliott, 2016; Panday, Pratihast, şi colab., 2020; Sai Vineeth și colab., 2019) |
Avioane | Costuri mari de adoptare; configurație complicată; costurile de întreținere; indisponibilitatea de încredere avioane, geometria imagini; date neregulate achiziţie; lipsa de flexibilitate; accidente mortale; datele senzorului variatii datorate vibratiilor; probleme de georeferențiere | (Armstrong și colab., 2011; Atkinson și colab., 2018; Barbedo & Koenigkan, 2018; Kovalev și Voroshilova, 2020; Suomalainen și colab., 2013; Thamm și colab., 2013) |
Ca tehnologie multidisciplinară și multifuncțională în agricultură, dronele au fost investigate din diverse perspective. De exemplu, oamenii de știință au examinat aplicațiile cu drone în agricultură (Kulbacki et al., 2018; Mogili & Deepak, 2018), contribuția lor la agricultura de precizie (Puri et al., 2017; Tsouros et al., 2019), complementaritatea lor cu alte tehnologii de ultimă oră (Al-Thani et al., 2020; Dutta & Mitra, 2021; Nayyar et al., 2020; Saha et al., 2018) și posibilitățile de a-și avansa capacitățile de navigare și de detectare (Bareth et al. , 2015; Suomalainen et al., 2014). Deoarece cercetările privind aplicațiile dronelor în agricultură au devenit predominante (Khan et al., 2021)), este nevoie de a rezuma literatura existentă și de a dezvălui structura intelectuală a domeniului. În plus, ca domeniu de înaltă tehnologie cu îmbunătățiri continue, trebuie efectuate recenzii structurate pentru a rezuma periodic literatura existentă și pentru a identifica lacune importante în cercetare. La
data, există puține recenzii care discută despre aplicațiile de drone în sectorul agricol. De exemplu, Mogili și Deepak (2018) revizuiesc pe scurt implicațiile dronelor pentru monitorizarea culturilor și pulverizarea cu pesticide. Inoue (2020) realizează o analiză a utilizării sateliților și a dronelor în teledetecție în agricultură. Autorul explorează provocările tehnologice ale adoptării agriculturii inteligente și contribuțiile sateliților și dronelor pe baza studiilor de caz și a celor mai bune practici. Tsouros și colab. (2019) sintetizează diferite tipuri de drone și principalele lor aplicații în agricultură, evidențiind diverse metode de achiziție și procesare a datelor. Mai recent, Aslan et al. (2022) au efectuat o analiză cuprinzătoare a aplicațiilor UAV în activitățile agricole și au subliniat relevanța localizării și cartografierii simultane pentru un UAV în seră. Diaz-Gonzalez et al. (2022) au revizuit studii recente privind producția de recolte bazate pe diferite tehnici de învățare automată și de la distanță
sisteme de detectare. Descoperirile lor au indicat că UAV-urile sunt utile pentru a estima indicatorii de sol și pentru a depăși sistemele de satelit în ceea ce privește rezoluția spațială, temporalitatea informațiilor și flexibilitatea. Basiri și colab. (2022) au făcut o revizuire exhaustivă a diferitelor abordări și metode pentru a depăși provocările legate de planificarea traseului pentru UAV-urile cu mai multe rotoare în contextul agriculturii de precizie. Mai mult, Awais et al. (2022) au rezumat aplicarea datelor de teledetecție UAV în culturi pentru a estima starea apei și au oferit o sinteză aprofundată a capacității prospective a teledetecției UAV pentru aplicarea stresului cauzat de deșeuri. În sfârșit, Aquilani și colab. (2022) au revizuit tehnologiile de creștere anticipată aplicate în sistemele de creștere a animalelor bazate pe pășuni și au dedus că teledetecția activată de UAV-uri este avantajoasă pentru evaluarea biomasei și gestionarea efectivelor.
De asemenea, eforturile de a utiliza UAV-uri în monitorizarea, urmărirea și adunarea animalelor au fost raportate recent.
Deși aceste recenzii oferă perspective noi și importante, nu poate fi găsită nicio revizuire cuprinzătoare și actualizată bazată pe bibliometrie în literatură, care prezintă un decalaj clar de cunoștințe. Mai mult, s-a afirmat că atunci când producția academică crește într-un domeniu științific, devine vital pentru cercetători să folosească abordări de revizuire cantitativă pentru a înțelege structura cunoștințelor din domeniu (Rivera & Pizam, 2015). În mod similar, Ferreira et al. (2014) au susținut că, pe măsură ce domeniile de cercetare se maturizează și devin complicate, oamenii de știință ar trebui să urmărească să dea ocazional sens cunoștințelor generate și adunate pentru a dezvălui noi contribuții, a capta tradițiile și tendințele de cercetare, a identifica subiectele care sunt studiate și a aprofunda în structura cunoștințelor domeniul și potențialele direcții de cercetare. În timp ce Raparelli și Bajocco (2019) au efectuat o analiză bibliometrică pentru a examina domeniul de cunoștințe al aplicațiilor dronelor în agricultură și silvicultură, studiul lor ia în considerare doar cercetările academice publicate între 1995 și 2017, care nu reflectă dinamica acestei zone în mișcare rapidă. În plus, autorii nu au încercat să identifice cele mai influente contribuții în domeniu, să grupeze literatura și să evalueze structura intelectuală utilizând analiza co-citării. Ca rezultat, este necesar să se rezumeze literatura de specialitate pentru a dezvălui focusurile, tendințele și punctele fierbinți de cercetare actuale.
Pentru a umple acest gol de cunoștințe, folosim metodologia cantitativă și metodele bibliometrice riguroase pentru a examina starea actuală a cercetării la intersecția dintre drone și agricultură. Susținem că studiul actual aduce mai multe contribuții la literatura existentă prin examinarea unei tehnologii emergente care este foarte necesară în agricultură, deoarece oferă un potențial extraordinar de a modifica mai multe aspecte din acest sector. Necesitatea unei analize bibliometrice a dronelor agricole este simțită și mai mult având în vedere cunoștințele dispersate și fragmentate despre drone în contextul agriculturii. În mod similar, literatura referitoare la dronele agricole se impune a fi grupată sistematic, luând în considerare cele mai influente studii care stau la baza acestui domeniu de cercetare. Meritul analizei include și clarificarea principalelor teme de cercetare reprezentate în literatura de specialitate. Având în vedere potențialul de transformare al tehnologiei, presupunem că o analiză aprofundată a rețelei oferă perspective noi prin determinarea lucrărilor influente și dezvăluirea temelor referitoare la potențialul dronelor pentru agricultură.
Prin urmare, ne străduim să atingem următoarele obiective de cercetare:
- Identificarea publicațiilor influente cu contribuții remarcabile la aplicațiile cu drone în domeniul agriculturii.
- Gruparea literaturii de specialitate, identificarea focusurilor de cercetare și cartografierea principalelor studii de „structură intelectuală” bazate pe similitudine semantică prin utilizarea analizei co-citare.
- Înțelegerea evoluției legăturilor și rețelelor de citare de-a lungul timpului între diverse publicații din domeniu și identificarea direcțiilor viitoare de cercetare și a subiectelor fierbinți.
Restul lucrării este structurat după cum urmează: secțiunea 2 prezintă metodologia și etapele de colectare a datelor; secțiunea 3 prezintă rezultatele analizelor; iar secțiunea 4 discută concluziile și se încheie cu contribuții de cercetare, implicații și direcții viitoare.
Metodologie
În acest studiu de cercetare actual, efectuăm o analiză bibliometrică pentru a explora aplicațiile dronelor în agricultură. Această abordare cantitativă dezvăluie structura intelectuală a domeniului cunoașterii (Arora & Chakraborty, 2021) și starea actuală, subiectele fierbinți și direcțiile viitoare de cercetare care pot fi investigate prin aplicarea acestei metode (Kapoor et al., 2018; Mishra et al. , 2017; A. Rejeb, Rejeb, și colab., 2021b; A. Rejeb și colab., 2021d; MA Rejeb și colab., 2020). În general, o analiză bibliometrică examinează literatura existentă pentru a rezuma și a descoperi modele ascunse ale comunicării scrise și evoluția disciplinei bazate pe statistici și metode matematice și se aplică unor seturi mari de date (Pritchard, 1969; Small, 1999; Tahai și Rigsby). , 1998). Prin utilizarea bibliometricii, aspirăm să înțelegem mai bine paradigmele existente și focusurile de cercetare care contribuie la domeniul pe baza similitudinii (Thelwall, 2008). Bibliometria oferă noi perspective susținute de puterea cantitativă obiectivă a metodologiei (Casillas & Acedo, 2007). Numeroși cercetători au efectuat anterior studii bibliometrice în domenii conexe, inclusiv agricultură, teledetecție și transformare digitală (Armenta-Medina et al., 2020; Bouzembrak et al., 2019; A. Rejeb, Treiblmaier, et al., 2021; Wamba & Queiroz, 2021; Wang și colab., 2019).
Analiza citatelor
Analiza citărilor dezvăluie diverse perspective într-un anumit domeniu de cercetare. În primul rând, ajută la dezvăluirea celor mai influenți autori și publicații care contribuie la un anumit domeniu de cercetare și au un impact semnificativ (Gundolf & Filser, 2013). În al doilea rând, pot fi descoperite fluxul de cunoștințe și legăturile de comunicare dintre autori. În cele din urmă, urmărind legăturile dintre lucrările citate și cele citate, se pot explora schimbările și evoluția unui domeniu de cunoaștere în timp (Pournader
et al., 2020). Numărul mare de citări ale unei publicații reflectă relevanța și contribuțiile substanțiale ale acesteia la domeniul de cercetare (Baldi, 1998; Gundolf & Filser, 2013; Marinko, 1998). Analiza citatelor publicațiilor ajută, de asemenea, la identificarea lucrărilor relevante și la urmărirea popularității și progresului acestora în timp.
Analiza co-citării documentelor
Analiza co-citării este o metodă valoroasă de a explora relațiile dintre publicații și de a descrie structura intelectuală a unui domeniu (Nerur et al., 2008). Cu alte cuvinte, prin identificarea celor mai citate publicații și a conexiunilor lor, metoda grupează publicațiile în grupuri distincte de cercetare, în care publicațiile dintr-un grup împărtășesc în mod regulat idei similare (McCain, 1990; Small, 1973). Este crucial să menționăm că similitudinea nu înseamnă că rezultatele publicațiilor sunt
coezivi și de acord unul cu celălalt; publicațiile aparțin aceluiași grup datorită asemănării subiectelor, dar pot avea puncte de vedere contradictorii.
Colectarea și analiza datelor
Urmând metodologia propusă de White și Griffith (1981), am efectuat o căutare cuprinzătoare a articolelor de reviste pentru a acoperi întregul domeniu de cercetare al aplicațiilor de drone în agricultură, urmând următorii cinci pași:
- Primul pas a fost colectarea datelor. Scopus a fost selectat ca una dintre cele mai cuprinzătoare și de încredere baze de date cu rezultate standardizate. Au fost preluate metadatele publicațiilor referitoare la toate aplicațiile de drone în agricultură. Apoi am analizat articolele selectate, eliminând articolele off-topic din analiză.
- Am analizat literatura de specialitate și am identificat cele mai importante cuvinte cheie utilizate în zona de cercetare.
- Folosind analiza citărilor, am explorat legătura dintre autori și documente pentru a dezvălui modelele de citare care stau la baza. Am identificat, de asemenea, cei mai influenți autori și publicații cu contribuții semnificative în domeniul dronelor agricole.
- Am efectuat o analiză de co-citare pentru a grupa publicații similare în grupuri.
- În cele din urmă, am analizat conexiunile și legăturile dintre țări, instituții și reviste pentru a descrie rețeaua de colaborare.
Identificarea termenilor de căutare adecvați
Am aplicat următoarele șiruri de căutare pentru agregarea datelor: (dronă* SAU „vehicul aerian fără pilot” SAU uav* SAU „sistem de aeronave fără pilot” SAU uas SAU „aeronave pilotate de la distanță”) ȘI (agricol SAU agricultură SAU agricultură SAU fermier). Căutarea a fost efectuată în septembrie 2021. Dronele au mai multe denumiri, inclusiv UAV, UAS și aeronave pilotate de la distanță (Sah et al., 2021). Termenii de căutare specifici legați de agricultură au fost identificați pe baza studiului lui Abdollahi și colab. (2021). Din motive de claritate și transparență, interogarea exactă pe care am folosit-o este prezentată în Anexa 1. În urma unui proces de curățare a datelor, am creat un fișier text care a fost încărcat ulterior în BibExcel, un instrument comun pentru analiza citărilor și co-citărilor. Acest instrument oferă, de asemenea, o interacțiune simplă cu alt software și oferă un grad semnificativ de libertate în manipularea și analiza datelor. VOSviewer versiunea 1.6.16 a fost utilizată pentru a vizualiza rezultatele și a genera rețelele bibliometrice (Eck & Waltman, 2009). VOSviewer oferă o gamă de vizualizare intuitivă, în special pentru analiza hărților bibliometrice (Geng et al., 2020). În plus, ajută la furnizarea de rezultate vizuale simple care ajută la o mai bună înțelegere a rezultatelor (Abdollahi et al., 2021). Aplicând șirurile de căutare așa cum sa menționat mai sus, am adunat și stocat toate publicațiile relevante. Primele rezultate ale căutării au dat un total de 5,085 de documente. Pentru a asigura calitatea eșantionului selectat, în cercetare au fost luate în considerare numai articole de reviste revizuite de colegi, ceea ce a rezultat în excluderea altor tipuri de documente, cum ar fi cărți, capitole, lucrări ale conferințelor și note editoriale. În timpul unui proces de screening, publicațiile irelevante (adică, dincolo de scopul acestei lucrări), redundante (adică, duplicatele provenite din dubla indexare) și publicațiile care nu vorbesc engleza au fost filtrate. Acest proces a dus la includerea a 4,700 de documente în analiza finală.
Constatări și discuții
Pentru început, am analizat evoluțiile producției de publicații în literatura actuală despre dronele agricole. Distribuția temporală a cercetării academice este prezentată în Fig. 1. Observăm o creștere rapidă a publicațiilor începând cu anul 2011 (30 de publicații); prin urmare, am decis să împărțim perioada de analiză în două etape diferite. Ne referim la perioada cuprinsă între 1990 și 2010 drept etapa de pregătire, care a avut aproximativ șapte lucrări publicate anual. Perioada post-2010 a fost numită stadiul de creștere, deoarece cercetările privind aplicațiile cu dronele în agricultură au cunoscut o creștere exponențială în această perioadă. După 2010, numărul tot mai mare de publicații confirmă interesul tot mai mare în rândul cercetătorilor, care reflectă și faptul că dronele au fost aplicate la teledetecție și utilizate în agricultura de precizie (Deng et al., 2018; Maes & Steppe, 2019; Messina & Modica, 2020). ). Mai exact, numărul de publicații a crescut de la 108 în 2013 la 498 în 2018 și a atins un vârf la 1,275 în 2020. Un total de 935 de articole au fost publicate între ianuarie și jumătatea lunii septembrie 2021. Ulterior, am optat să ne concentrăm analiza mai mult pe stadiul de creștere. întrucât această perioadă reflectă cele mai recente și importante subtilități ale dronelor agricole.
Analiza cuvintelor cheie
Cuvintele cheie selectate de autori pentru o publicație au un impact crucial asupra modului în care lucrarea este reprezentată și asupra modului în care este comunicată în cadrul comunităților științifice. Ei identifică subiectele cheie ale cercetării și determină potențialul acesteia de a înflori sau de a eșua (Day și Gastel, 1998; Kim et al., 2016; Uddin și colab., 2015). Analiza cuvintelor cheie, un instrument pentru a dezvălui tendințe și direcții de cercetare mai ample, se referă la compilarea cuvintelor cheie ale tuturor publicațiilor conexe dintr-un domeniu (Dixit & Jakhar, 2021). În studiul actual, am împărțit cuvintele cheie agregate în două seturi (adică, până în 2010 și 2011–2021) pentru a explora cele mai populare subiecte. Făcând acest lucru, putem urmări cuvintele cheie esențiale din ambele seturi și ne putem asigura că am capturat toate datele necesare. Pentru fiecare set, primele zece cuvinte cheie sunt prezentate în Tabelul 3. Am eliminat inconsecvențele prin îmbinarea cuvintelor cheie identice din punct de vedere semantic, cum ar fi „dronă” și „drone” sau, în mod similar, „Internetul lucrurilor” și „IoT.”.
Tabelul 3 arată că „vehicul aerian fără pilot” este un cuvânt cheie utilizat mai frecvent în comparație cu „dronă” și „sistem aerian fără pilot” în ambele perioade de timp. De asemenea, „detecția la distanță”, „agricultura de precizie” și „agricultura” sunt foarte bine clasate în ambele perioade. În prima perioadă, „agricultura de precizie” s-a clasat pe locul cinci, iar pe locul al doilea în a doua perioadă, ceea ce ilustrează modul în care dronele devin din ce în ce mai importante în realizarea agriculturii de precizie, deoarece pot efectua monitorizare,
practicile de detectare și estimare sunt mai rapide, mai ieftine și mai ușor de realizat în comparație cu alte sisteme de teledetecție și de la sol. De asemenea, ei pot pulveriza cantitatea exactă de aport (de exemplu, apă sau pesticide) atunci când este necesar (Guo et al., 2020; Inoue, 2020; Panday, Pratihast, et al., 2020).
Lista cuvintelor cheie utilizate cel mai frecvent.
rang | 1990-2010 | Nu apariții | 2011-2021 | Nu apariții |
1 | antenă fără pilot vehicul | 28 | fără pilot vehicul aerian | 1628 |
2 | teledetecție | 7 | precizie agricultură | 489 |
3 | agricultură | 4 | teledetecție | 399 |
4 | aer | 4 | zbârnâi | 374 |
5 | precizie agricultură | 4 | fără pilot sistem aerian | 271 |
6 | antenă fără pilot | 4 | agricultură | 177 |
7 | hiperspectral senzor | 3 | învățare profundă | 151 |
8 | neuronal artificial rețele | 2 | maşină învăţare | 149 |
9 | zbor autonom | 2 | vegetație index | 142 |
10 | cafea | 2 | Internetul de Interese | 124 |
O altă caracteristică interesantă este prezența tehnologiilor complementare. În prima etapă, „Senzorul hiperspectral” și „rețelele neuronale artificiale” (ANN) sunt printre primele zece cuvinte cheie. Imagistica hiperspectrală a revoluționat imagistica tradițională prin colectarea unui număr mare de imagini la diferite lungimi de undă. Procedând astfel, senzorii pot colecta simultan informații spațiale și spectrale mai bune în comparație cu imaginile multispectrale, spectroscopia și imaginile RGB (Adao ˜ et al.,
2017). Apariția „ANN” în prima etapă și „deep learning” (DL) și „machine learning” (ML) în a doua implică faptul că majoritatea lucrărilor publicate s-au concentrat pe examinarea potențialului tehnicilor AI pentru drone- agricultura bazata. Deși dronele sunt capabile să zboare autonom, ele necesită totuși implicarea unui pilot, ceea ce presupune un nivel scăzut de inteligență a dispozitivului. Cu toate acestea, această problemă poate fi rezolvată datorită progresului tehnicilor AI, care pot oferi o mai bună cunoaștere a situației și sprijin autonom pentru decizii. Echipate cu IA, dronele pot evita coliziunile în timpul navigației, pot îmbunătăți gestionarea solului și a culturilor (Inoue, 2020) și pot reduce forța de muncă și stresul pentru ființe umane (BK Sharma et al., 2019).
Datorită flexibilității și capacității lor de a gestiona cantități mari de date neliniare, tehnicile AI sunt metode adecvate pentru a analiza datele transmise de drone și alte sisteme de teledetecție și de la sol pentru predicție și luare a deciziilor (Ali et al., 2015; Inoue, 2020). În plus, prezența „IoT” în a doua perioadă indică rolul său emergent în agricultură. IoT revoluționează agricultura prin interconectarea altor tehnologii, inclusiv drone, ML, DL, WSN și big data. Unul dintre beneficiile cheie ale implementării IoT este capacitatea sa de a îmbina eficient și eficient diverse sarcini (achiziție de date, analiză și procesare a datelor, luarea deciziilor și implementare) în timp aproape real (Elijah et al., 2018; Feng et al. , 2019; Muangprathub et al., 2019). În plus, dronele sunt considerate instrumente eficiente pentru captarea datelor necesare pentru calcularea vigoarei și proprietăților vegetației (Candiago et al., 2015). Fig. 2a și 2b ilustrează rețelele de co-apariție a cuvintelor cheie pentru ambele perioade de timp.
Autori influenți
În această secțiune, determinăm autorii influenți și examinăm modul în care rețelele de citare a autorilor pot vizualiza și organiza literatura actuală. Fig. 3 prezintă suprapunerea cronologică a tuturor cercetătorilor cu cel mai mare număr de citări. Scala de culori reflectă variația anuală a citărilor autorilor. Examinăm structura de citare a cercetătorilor care au publicat studii privind dronele agricole utilizând un prag de minim 50 de citări și zece publicații. Din
12,891 de autori, doar 115 au îndeplinit această condiție. Tabelul 4 listează primii zece autori influenți, sortați după numărul maxim de citări. Lopez- Granados F. conduce lista cu 1,963 de citari, urmat de Zarco-Tejada PJ cu 1,909 de citari.
Lista celor mai citați autori.
Clasat | Autor | Citatele |
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 |
Când vine vorba de publicații individuale, articolul lui Zhang și Kovacs (2012) a fost cel mai citat studiu publicat în Precision Agriculture. Aici, autorii au analizat aplicarea UAS în agricultura de precizie. Concluziile cercetării lor sugerează că este nevoie de a avansa proiectarea platformei, producția, standardizarea georeferențării imaginilor și fluxul de lucru de regăsire a informațiilor pentru a oferi fermierilor produse finale de încredere. În plus, ei recomandă implicarea fermierului mai puternic, în special în planificarea câmpului, captarea imaginilor, precum și interpretarea și analiza datelor. Foarte important, acest studiu a fost printre primii care au arătat importanța UAV în cartografierea câmpului, cartografierea vigorii, măsurarea conținutului chimic, monitorizarea stresului în vegetație și evaluarea efectelor îngrășămintelor asupra creșterii plantelor. Provocările legate de tehnologie includ, de asemenea, costuri prohibitive, capacitatea senzorilor, stabilitatea și fiabilitatea platformei, lipsa standardizării și procedura consecventă de analiză a cantităților masive de date.
Analiza citatelor
Analiza citărilor reprezintă studiul influenței articolelor, deși predispuse la fluxuri (de exemplu, citarea bias, auto-citare) este considerat unul dintre instrumentele standard pentru evaluarea impactului (Osareh, 1996; A. Rejeb et al., 2022; Sarli et al., 2010). Citările reflectă, de asemenea, importanța și vitalitatea contribuțiilor lucrărilor la literatura de specialitate pe o anumită temă (R. Sharma et al., 2022). Am efectuat o analiză de citare pentru a determina cele mai influente studii privind dronele agricole și am rezumat conținutul. Tabelul 5 prezintă lista celor cincisprezece cele mai influente lucrări pentru perioadele 1990–2010 și 2011–2021. Articolele lui Berni et al. (2009)b și Austin (2010) au fost cele mai citate în 1990 și 2010, cu 831 și, respectiv, 498 de citări. Berni și colab. (2009)b a ilustrat potențialul de a dezvolta produse cantitative de teledetecție prin intermediul unui UAV bazat pe elicopter, echipat cu senzori de imagine termici și multispectrale de bandă îngustă la prețuri accesibile. În comparație cu senzorii aeropurtați tradiționali, un sistem UAV cu costuri reduse pentru agricultură este capabil să realizeze estimări comparabile ale parametrilor biofizici ai culturilor, dacă nu chiar mai bune. Costurile accesibile și flexibilitatea operațională, alături de rezoluțiile spectrale, spațiale și temporale ridicate disponibile la un timp de răspuns rapid, fac UAV-urile adecvate pentru o gamă largă de aplicații care necesită un management critic în timp, inclusiv programarea irigațiilor și agricultura de precizie. Lucrarea de la Berni et al. (2009)b este foarte citat deoarece a integrat eficient o platformă cu aripi rotative fără pilot și senzori digitali și termici cu mecanismele de calibrare necesare pentru aplicațiile agricole. A doua publicație cea mai citată este o carte scrisă de Austin (2010), care a discutat despre UAV-uri din perspectiva proiectării, dezvoltării și implementării. În agricultură, UAV-urile sprijină monitorizarea culturilor prin detectarea precoce a bolilor prin schimbările de culoare a culturilor, facilitând însămânțarea și pulverizarea culturilor și monitorizarea și conducerea efectivelor.
Studiile lui Sullivan et al. (2007), Lumme et al. (2008), iar Gokto ¨ ǧan et al. (2010) încheie lista celor cincisprezece articole cele mai citate. Aceste articole ilustrează dezvoltarea sistemelor bazate pe UAV pentru a sprijini agricultura. Ele oferă soluții la diferite probleme, cum ar fi monitorizarea și scanarea culturilor, supravegherea și gestionarea buruienilor și sprijinul pentru decizii. De asemenea, ei sugerează și discută despre capacitatea UAV-ului de a crește eficiența prelevării de probe și de a ajuta fermierii să creeze un model precis și eficient.
strategii de plantare. Două lucrări au fost scrise de Berni (Berni et al., 2009b; Berni et al., 2009a), subliniind impactul său semnificativ asupra cercetării legate de dronele agricole. Lucrarea de la Zarco-Tejada et al. (2014) a fost printre studiile de pionierat pentru a ilustra necesitatea utilizării imaginilor UAV cu costuri reduse în cuantificarea înălțimii copacilor.
Lista celor mai citate publicații.
rang | Din 1990 la 2010 | Din 2011 la 2021 | ||
Document | Citare | Document | Citare | |
1 | (Berni și colab., 2009b) | 831 | (C. Zhang și Kovacs, 2012) | 967 |
2 | (Austin, 2010) | 498 | (Nex și Remondino, 2014) | 893 |
3 | (Hunt și colab., 2010) | 331 | (Floreano & Wood, 2015) | 552 |
4 | (SR Herwitz și colab., 2004) | 285 | (Hossein Motlagh și colab., 2016) | 391 |
5 | (CCD Lelong și colab., 2008) | 272 | (Shakhatreh și colab., 2019) | 383 |
6 | (Berni și colab., 2009b) | 250 | (Ma și colab., 2017) | 373 |
7 | (Grenzdorffer ¨ și colab., 2008) | 198 | (Bendig și colab., 2014) | 360 |
8 | (Hrabar și colab., 2005) | 175 | (Zarco-Tejada și colab., 2014) | 347 |
9 | (Y. Huang și colab., 2009) | 129 | (Anunț ao și colab., 2017) | 335 |
10 | (Schmale III și colab., 2008) | 119 | (Honkavaara și colab., 2013a) | 331 |
11 | (Abd-Elrahman și colab., 2005) | 79 | (Candiago și colab., 2015) | 327 |
12 | (Techy și colab., 2010) | 69 | (Xiang și Tian, 2011) | 307 |
13 | (Sullivan și colab., 2007) | 51 | (Matese și colab., 2015) | 303 |
14 | (Lumme și colab., 2008) | 42 | (Gago și colab., 2015) | 275 |
15 | (Gokto ¨ ǧan et al., 2010) | 40 | (Aasen și colab., 2015a) | 269 |
În a doua perioadă (2011–2021), cercetările lui Zhang și Kovacs (2012) și Nex și Remondino (2014) au condus la publicațiile cele mai frecvent citate. Zhang și Kovacs (2012) susțin că agricultura de precizie ar putea beneficia de implementarea tehnicilor și senzorilor geospațiali, cum ar fi sistemele de informații geografice, GPS-ul și teledetecția, pentru a surprinde variațiile din domeniu și a le gestiona prin utilizarea strategiilor alternative. Ca o schimbare a jocului în agricultura de precizie, adoptarea dronelor a anuntat o nouă eră în teledetecție, simplificând observația aeriană, captând date despre creșterea culturilor, condițiile solului și zonele de pulverizare. Revizuirea lui Zhang și Kovacs (2012) este fundamentală, deoarece oferă perspective asupra UAV-urilor prin dezvăluirea utilizărilor și provocărilor existente ale acestor dispozitive în monitorizarea mediului și agricultura de precizie, cum ar fi limitările platformei și camerei, provocările de procesare a datelor, implicarea fermierilor și reglementările aviației. . Al doilea
Cel mai citat studiu de la Nex și Remondino (2014) a analizat stadiul tehnicii UAV-urilor pentru capturarea, procesarea și analiza imaginilor pământului.
Lucrările lor au prezentat, de asemenea, o privire de ansamblu asupra mai multor platforme, aplicații și cazuri de utilizare UAV, prezentând cele mai noi progrese în procesarea imaginilor UAV. În agricultură, fermierii ar putea folosi UAV-urile pentru a lua decizii eficiente pentru a obține economii de costuri și timp, pentru a primi o înregistrare rapidă și precisă a daunelor și pentru a anticipa posibilele probleme. Spre deosebire de platformele aeriene convenționale, UAV-urile pot reduce cheltuielile operaționale și pot reduce pericolul accesului în locații dificile, păstrând totuși potențialul de înaltă precizie. Lucrarea lor rezumă diverse avantaje ale UAV-urilor, în special în ceea ce privește precizia și rezoluția.
Printre celelalte treisprezece publicații cele mai citate între 2011 și 2021, am observat o concentrare mai mare pe cercetarea legată de aplicațiile dronelor în misiunile de imagistică (Bendig et al., 2014; Ma et al., 2017; Zarco-Tejada et al., 2014) , agricultura de precizie (Candiago et al., 2015; Honkavaara et al., 2013a), viticultura de precizie (Matese et al., 2015), evaluarea stresului hidric (Gago et al., 2015) și monitorizarea vegetației (Aasen și colab., 2015). , XNUMXa). În primii ani, cercetătorii s-au concentrat
mai multe despre dezvoltarea sistemelor UAV cu costuri reduse, ușoare și precise pentru agricultură; cercetările mai recente s-au concentrat mai mult pe recenzii ale aplicațiilor UAV pentru agricultură și topografie pe teren. Pe scurt, această analiză dezvăluie că publicațiile influente au furnizat în mare parte recenzii ale studiilor anterioare pentru a evalua starea actuală științifică și tehnologică a UAV-urilor și au dezvoltat sisteme UAV pentru a sprijini agricultura de precizie. Interesant este că nu am găsit studii care să folosească empirice
metodologii sau studii de caz descriptive, ceea ce constituie un decalaj semnificativ de cunoștințe și necesită mai multe cercetări pe această temă.
Analiza co-citare
Potrivit Gmür (2006), analiza co-citării identifică publicații similare și le grupează. O examinare atentă a unui cluster poate dezvălui un domeniu comun de cercetare printre publicații. Investigăm co-citarea literaturii referitoare la dronele agricole pentru a ilustra domeniile conexe și a detecta tiparele intelectuale ale publicațiilor. În acest sens, Small (1973) a recomandat utilizarea analizei cocitației pentru a studia cele mai influente și seminale cercetări.
în cadrul unei discipline. Pentru a limita setul la cele mai importante articole (Goyal & Kumar, 2021), am stabilit un prag de co-citare de 25, ceea ce înseamnă că două articole trebuie să fi fost citate împreună în listele de referințe ale a 25 sau mai multe publicații diferite. Gruparea a fost, de asemenea, efectuată cu o dimensiune minimă a clusterului 1 și fără nicio metodă de îmbinare a clusterelor mai mici cu cele mai mari. Ca rezultat, șase clustere au fost generate pe baza similitudinii studiilor și a structurii lor intelectuale. Tabelul 6 arată distribuția publicațiilor în fiecare cluster.
Cluster 1: Acest cluster conține optsprezece documente publicate după Publicațiile din acest cluster discută rolul dronelor în sprijinirea monitorizării mediului, managementului culturilor și managementului buruienilor. De exemplu, Manfreda et al. (2018) oferă o imagine de ansamblu asupra cercetării și implementărilor actuale ale UAV în monitorizarea ecosistemelor naturale agricole și susțin că tehnologia oferă un potențial extraordinar de a îmbunătăți drastic monitorizarea mediului și de a reduce
decalajul existent între observația pe teren și teledetecția convențională a aerului și a spațiului. Acest lucru se poate realiza prin oferirea de noi capacități pentru o recuperare temporală îmbunătățită și perspective spațiale în zone mari într-un mod accesibil. UAV-urile pot detecta în mod constant mediul și pot trimite datele rezultate către entități inteligente, centralizate/descentralizate care controlează senzorii pentru a identifica eventuale probleme, cum ar fi lipsa bolii sau detectarea apei (Padua ´ et al., 2017). Adao ˜ și colab. (2017) susțin că UAV-urile sunt ideale pentru evaluarea condițiilor plantelor prin captarea unui volum mare de date brute legate de starea apei, estimarea biomasei și evaluarea vigoarei. Senzorii montați pe UAV ar putea fi, de asemenea, instalați prompt în condiții de mediu adecvate pentru a permite capturarea în timp util a datelor de teledetecție (Von Bueren și colab., 2015). Prin intermediul UAV-urilor, fermierii sunt capabili să desfășoare activități agricole în interior prin achiziționarea de măsurători din practic orice loc din spațiul tridimensional al mediilor agricole interioare (de exemplu, sere), asigurând astfel controlul climatic local și monitorizarea plantelor (Roldan ´ et al. ., 2015). În contextul preciziei
agricultura, deciziile de gestionare a culturilor necesită date precise și fiabile ale culturilor, cu o rezoluție temporală și spațială adecvată (Gebbers & Adamchuk, 2010; Gevaert et al., 2015; Maes & Steppe, 2019). Din acest motiv, Agüera Vega et al. (2015) au folosit un sistem de senzori multispectral montat pe UAV pentru a obține imagini ale unei culturi de floarea-soarelui în timpul sezonului de creștere. În mod similar, Huang și colab. (2009) notează că teledetecția bazată pe UAV-uri ar putea facilita măsurarea culturilor și a solului din datele spectrale colectate. Verger şi colab. (2014) au dezvoltat și testat o tehnică de estimare a indicelui de suprafață verde (GAI) din măsurătorile reflectanței UAV în aplicații de agricultură de precizie, concentrându-se pe culturile de grâu și rapiță. Prin urmare, dronele oferă noi posibilități de recuperare a informațiilor despre starea culturii cu revizitări frecvente și rezoluție spațială ridicată (Dong și colab., 2019; Garzonio și colab., 2017; H. Zheng și colab., 2016).
Clustering de publicații influente despre dronele agricole.
Grup | Temă largă | Referinte |
1 | Monitorizarea mediului, culturi management, management al buruienilor | (Anunț ao et al., 2017; Agüera Vega et al., 2015; de Castro și colab., 2018; Gomez-Cand ´ on ´ et al., 2014; YB Huang et al., 2013; Khanal și colab., 2017; Lopez-Granados, ´ 2011; Manfreda și colab., 2018; P´ adua și colab., 2017; Pena ˜ et al., 2013; Pérez-Ortiz et al., 2015; Rasmussen și colab., 2013, 2016; Torres-S' anchez et al., 2014; Torres-Sanchez, ´ Lopez-Granados, ´ & Pena, ˜ 2015; Verger și colab., 2014; Von Bueren și colab., 2015; C. Zhang & Kovacs, 2012) |
2 | Fenotipare la distanță, randament estimare, model de suprafață de cultură, numărarea plantelor | (Bendig et al., 2013, 2014; Geipel et al., 2014; Gnadinger ¨ & Schmidhalter, 2017; Haghighattalab et al., 2016; Holman și colab., 2016; Jin et al., 2017; W. Li şi colab., 2016; Maimaitijiang et al., 2017; Sankaran et al., 2015; Schirrmann et al., 2016; Shi și colab., 2016; Yue și colab., 2017; X. Zhou și colab., 2017) |
3 | Imagini termice pentru apă, imagistica multispectrala | (Baluja et al., 2012; Berni et al., 2009b; Berni și colab., 2009a; Candiago et al., 2015; Gago și colab., 2015; Gonzalez-Dugo et al., 2013, 2014; Grenzdorffer ¨ şi colab., 2008; Khaliq et al., 2019; Matese și colab., 2015; Ribeiro-Gomes et al., 2017; Santesteban et al., 2017; Uto și colab., 2013) |
4 | Imagistica hipersectală, spectrală imagistica | (Aasen și colab., 2015a; Bareth și colab., 2015; Hakala et al., 2013; Honkavaara și colab., 2013a; Lucieer et al., 2014; Saari et al., 2011; Suomalainen și colab., 2014) |
5 | Aplicații de cartografiere 3D | (Jim´enez-Brenes et al., 2017; Nex & Remondino, 2014; Salamí și colab., 2014; Torres-S' anchez, Lopez- ´ Granados, Serrano, et al., 2015; Zahawi și colab., 2015; Zarco-Tejada și colab., 2014) |
6 | Supravegherea agriculturii | (SR Herwitz și colab., 2004; Hunt et al., 2010; CCD Lelong și colab., 2008; Primicerio et al., 2012; Xiang & Tian, 2011) |
În plus, dronele sunt utile pentru sarcini dificile în agricultură, inclusiv cartografierea buruienilor. Imaginile capturate de dispozitive și-au dovedit utilitatea pentru detectarea timpurie a buruienilor pe câmp (de Castro et al., 2018; Jim´enez-Brenes et al., 2017; Lam et al., 2021; Lopez-Granados ´ et al., 2016; 2021; Rozenberg et al., 2018). În acest sens, de Castro et al. (2013) susțin că îmbinarea imaginilor UAV și a analizei imaginilor bazate pe obiecte (OBIA) a permis practicienilor să depășească problema automatizării detectării timpurii a culturilor de pajiști de început de sezon, ceea ce este un mare pas înainte în cercetarea buruienilor. De asemenea, Pena ˜ et al. (2020) subliniază că utilizarea imaginilor cu rezoluție spațială ultra-înaltă de la UAV în combinație cu o procedură OBIA face posibilă generarea de hărți de buruieni la culturile timpurii de porumb care ar putea fi utilizate în planificarea implementării măsurilor de combatere a buruienilor în timpul sezonului; o sarcină dincolo de capacitatea imaginilor prin satelit și tradiționale din aer. În comparație cu algoritmii de clasificare a imaginilor sau de detectare a obiectelor, tehnicile de segmentare semantică sunt mai eficiente la sarcinile de cartografiere a buruienilor (J. Deng și colab., 2020), permițând astfel fermierilor să detecteze condițiile câmpului, să atenueze pierderile și să îmbunătățească recoltele pe tot parcursul sezonului de vegetație (Ramesh) et al., 2020). Segmentarea semantică bazată pe învățarea profundă poate oferi, de asemenea, o măsurare precisă a acoperirii vegetației din imagini aeriene de înaltă rezoluție (Ramesh și colab., 2022; A. Zheng și colab., XNUMX). În ciuda potențialului lor de la distanță
clasificarea pixelilor de detectare, tehnicile de segmentare semantică necesită un calcul semnificativ și o memorie GPU prohibitiv de mare (J. Deng și colab., 2020).
Pe baza învățării automate și a UAV, P´erez-Ortiz și colab. (2015) au sugerat o abordare de cartografiere a buruienilor pentru a oferi strategii de combatere a buruienilor specifice locului atunci când fermierii adoptă controlul buruienilor de la începutul emergenței. În cele din urmă, Rasmussen și colab. (2013) au subliniat că dronele oferă senzori ieftine cu o mare flexibilitate a rezoluției spațiale. În general, publicațiile din acest cluster se concentrează pe explorarea potențialului UAV-urilor de a sprijini teledetecția, monitorizarea culturilor și cartografierea buruienilor. Sunt necesare cercetări suplimentare aprofundate pentru a investiga în continuare modul în care aplicațiile cu drone în monitorizarea mediului, managementul culturilor și cartografierea buruienilor pot realiza o agricultură mai durabilă (Chamuah & Singh, 2019; Islam et al., 2021; Popescu et al., 2020; J Su, Liu, et al., 2018) și abordează problemele de guvernare ale acestei tehnologii în aplicațiile de asigurare a culturilor (Basnet & Bang, 2018; Chamuah & Singh, 2019, 2022; Meinen & Robinson, 2021). Cercetătorii ar trebui să se concentreze pe validarea măsurătorilor UAV colectate cu tehnici eficiente de procesare pentru a îmbunătăți calitatea finală a datelor procesate (Manfreda et al., 2018). Mai mult, este necesară dezvoltarea unor algoritmi adecvați care recunosc pixelii care afișează buruienile în imaginile digitale și elimină fundalul irelevant în timpul cartografierii buruienilor UAV (Gaˇsparovi´c et al., 2020; Hamylton et al., 2020; H. Huang et al. , 2018, 2020; Lopez- ´ Granados et al., 2016). Cercetări suplimentare privind adoptarea tehnicilor de segmentare semantică în recunoașterea plantelor, clasificarea frunzelor și cartografierea bolilor sunt binevenite (Fuentes-Pacheco și colab., 2019; Kerkech și colab., 2020).
Clusterul 2. Publicațiile din acest cluster s-au concentrat pe mai multe aspecte ale dronelor agricole. Legat de fenotiparea la distanță, Sankaran și colab. (2015) au analizat potențialul utilizării imaginilor aeriene la altitudine joasă și de înaltă rezoluție cu UAV-uri pentru fenotiparea rapidă a culturilor în câmp și susțin că, în comparație cu platformele de detectare la sol, UAV-urile mici cu senzori adecvați oferă mai multe avantaje. , cum ar fi acces mai ușor la teren, date de înaltă rezoluție, colectare eficientă a datelor,
evaluări rapide ale condițiilor de creștere a câmpului și costuri operaționale reduse. Cu toate acestea, autorii observă, de asemenea, că aplicarea eficientă a UAV pentru fenotiparea câmpului se bazează pe două elemente fundamentale, și anume, caracteristicile UAV (de exemplu, siguranță, stabilitate, poziționare, autonomie) și caracteristicile senzorului (de exemplu, rezoluție, greutate, lungimi de undă spectrale, câmp). de vedere). Haghighattalab și colab. (2016) au propus o conductă de procesare a imaginilor semi-automatizată pentru a prelua datele la nivel de parcelă din imaginile UAV și pentru a accelera procesul de reproducere. Holman şi colab. (2016) a dezvoltat un nivel ridicat
sistem de fenotipare a câmpului de transfer și a subliniat că UAV este capabil să colecteze date fenotipice de calitate, voluminoase, bazate pe câmp și că dispozitivul este eficient pentru zone mari și în diferite locații de câmp.
Deoarece estimarea randamentului este o informație incredibil de vitală, în special atunci când este disponibilă la timp, există potențialul ca UAV-urile să furnizeze toate măsurătorile pe teren și să obțină eficient date de înaltă calitate (Daakir et al., 2017; Demir et al., 2018). ; Enciso și colab., 2019; Kulbacki și colab., 2018; Pudelko și colab., 2012). În acest sens, Jin și colab. (2017) au profitat de imaginile de înaltă rezoluție obținute de UAV-uri la altitudini foarte scăzute pentru a dezvolta și a evalua o metodă de estimare a densității plantelor de grâu în stadiul de răsărire. Potrivit autorilor, UAV-urile depășesc limitările sistemelor rover echipate cu camere și reprezintă o metodă neinvazivă de estimare a densității plantelor în culturi, permițând fermierilor să atingă debitul mare necesar pentru fenotiparea câmpului independent de traficabilitatea solului. Li şi colab. (2016) au colectat sute de imagini stereo cu rezoluție extrem de înaltă folosind un sistem bazat pe UAV pentru a estima parametrii porumbului, inclusiv înălțimea copacului și biomasa supraterană. În cele din urmă, Yue și colab. (2017) au descoperit că înălțimea culturii determinată din UAV-uri ar putea îmbunătăți estimarea biomasei supraterane (AGB).
O abordare pentru monitorizarea creșterii culturilor este ideea dezvoltării modelelor de suprafață a culturilor (Bendig și colab., 2014, 2015; Holman și colab., 2016; Panday, Shrestha, și colab., 2020; Sumesh și colab., 2021). Mai multe studii au evidențiat fezabilitatea imaginilor luate de pe UAV pentru a capta înălțimea plantelor și a monitoriza creșterea acestora. De exemplu, Bendig et al. (2013) au descris dezvoltarea modelelor de suprafață a culturii multi-temporale cu o rezoluție foarte mare de mai puțin de 0.05 m folosind UAV. Au urmărit să detecteze recolta
variabilitatea creșterii și dependența acesteia de tratamentul culturii, soi și stres. Bendig şi colab. (2014) au folosit UAV-uri pentru a estima biomasa proaspătă și uscată pe baza înălțimii plantelor extrase din modelele de suprafață a culturilor și au descoperit că, spre deosebire de platformele aeriene și scanarea laser terestră, imaginile de înaltă rezoluție de la UAV-uri pot crește semnificativ acuratețea modelării înălțimii plantelor pentru diferite creșteri. etape. În același sens, Geipel și colab. (2014) au folosit UAV-uri în cercetarea lor pentru a obține imagini
seturi de date pentru predicția randamentului de boabe de porumb la trei faze diferite de creștere de la începutul sezonului până la mijlocul sezonului și a concluzionat că combinația de modelare spectrală și spațială bazată pe imagini aeriene și modele de suprafață a culturii este o metodă potrivită pentru prezicerea randamentului de porumb la mijlocul sezonului. În cele din urmă, Gnadinger ¨ și Schmidhalter (2017) au examinat utilitatea UAV în fenotiparea de precizie și au subliniat că utilizarea acestei tehnologii ar putea îmbunătăți managementul fermei și ar permite experimentarea pe teren în scopuri agronomice și de reproducere. În general, observăm că publicațiile din clusterul 2 se concentrează pe principalele avantaje ale UAV-urilor la distanță
fenotiparea, estimarea randamentului, modelarea suprafeței culturilor și numărarea plantelor. Studiile viitoare pot săpa mai profund prin dezvoltarea de noi metode de fenotipizare la distanță care pot automatiza și optimiza procesarea datelor de la distanță (Barabaschi și colab., 2016; Liebisch și colab., 2015; Mochida și colab., 2015; S. Zhou și colab. ., 2021). În plus, performanța senzorilor IoT montați pe UAV și compromisul dintre costurile acestora, forța de muncă și precizia estimării randamentului trebuie cercetate în
viitor (Ju & Son, 2018a, 2018b; Xie & Yang, 2020; Yue et al., 2018). În cele din urmă, este nevoie de a dezvolta metode eficiente de procesare a imaginilor care să poată genera informații fiabile, să maximizeze eficiența producției agricole și să minimizeze munca de numărare manuală a fermierilor (RU Khan et al., 2021; Koh et al., 2021; Lin & Guo, 2020; C. Zhang și colab., 2020).
Clusterul 3. Publicațiile din acest cluster discută diferitele tipuri de sisteme de imagistică pentru teledetecția resurselor agricole utilizate pe platformele UAV. În acest sens, imagistica termică permite monitorizarea temperaturilor de suprafață pentru a preveni deteriorarea culturilor și pentru a detecta precoce stresul cauzat de secetă (Awais et al., 2022; García-Tejero et al., 2018; Sankaran et al., 2015; Santesteban et al., 2017; 2021; Yeom, 2012). Baluja și colab. (XNUMX) au afirmat că utilizarea camerelor multispectrale și termice la bordul
UAV le-a permis cercetătorilor să obțină imagini de înaltă rezoluție și să evalueze starea apei viței de vie. Acest lucru ar putea fi util pentru a dezvolta noi modele de programare a apei folosind date de teledetecție (Baluja et al., 2012). Din cauza
capacitatea de încărcare limitată a UAV-urilor, Ribeiro-Gomes et al. (2017) au luat în considerare integrarea camerelor termice nerăcite în UAVS pentru a determina stresul hidric în instalații, ceea ce face acest tip de UAV-uri mai eficiente și mai viabile decât teledetecția tradițională prin satelit și UAV-urile echipate cu camere termice răcite. Potrivit autorilor, camerele termice nerăcite sunt mai ușoare decât camerele răcite, necesitând o calibrare adecvată. Gonzalez-Dugo et al. (2014) au arătat că imaginile termice generează în mod eficient hărți spațiale ale indicilor de stres hidric al culturilor pentru evaluarea stării apei și cuantificarea stresului hidric între și în cadrul livezilor de citrice. Gonzalez-Dugo et al. (2013) și Santesteban și colab. (2017) au investigat utilizarea imaginilor termice UAV de înaltă rezoluție pentru a estima variabilitatea stării apei a unei livezi comerciale și a unei podgorii.
Imaginile multispectrale ar putea oferi date masive în comparație cu imaginile tradiționale RGB (roșu, verde și albastru) (Ad˜ ao et al., 2017; Navia et al., 2016). Aceste date spectrale, împreună cu datele spațiale, ar putea ajuta în scopuri de clasificare, cartografiere, prognoză, predicție și detecție (Berni et al., 2009b). Conform lui Candiago et al. (2015), imagistica multispectrală bazată pe UAV ar putea contribui masiv la evaluarea culturilor și la agricultura precisă ca resursă fiabilă și eficientă. De asemenea,
Khaliq şi colab. (2019) au făcut o comparație între imaginile multispectrale bazate pe satelit și UAV. Imaginile bazate pe UAV au dus la a fi mai precise în descrierea variabilității podgoriilor, precum și a hărților de vigoare pentru reprezentarea copacurilor culturilor. Pe scurt, articolele din acest grup discută încorporarea senzorilor de imagine termice și multispectrale în UAV-urile agricole. În consecință, sunt necesare mai multe cercetări pentru a înțelege modul în care imaginile termice și multispectrale pot fi integrate cu AI
tehnici (de exemplu, învățare profundă) pentru a detecta stresul plantelor (Ampatzidis și colab., 2020; Ampatzidis și colab., 2019; Jung și colab., 2021; Santesteban și colab., 2017; Syeda și colab., 2021). Astfel de informații vor ajuta la asigurarea unei detectări mai eficiente și mai precise, precum și la monitorizarea creșterii plantelor, a stresului și a fenologiei (Buters și colab., 2019; Cao și colab., 2020; Neupane și BaysalGurel, 2021; L. Zhou și colab., 2020; XNUMX).
Clusterul 4. Acest cluster este format din șapte lucrări care se învârte în jurul rolului crucial al imagistică spectrală și al imagistică hiperspectrală în sprijinirea practicilor agricole. Imagistica hiperspectrală s-a impus ca o metodă de teledetecție care permite evaluarea cantitativă a sistemului pământesc (Schaepman et al., 2009). Pentru a fi mai precis, permite identificarea materialelor de suprafață, cuantificarea concentrațiilor (relative) și atribuirea proporțiilor componentelor de suprafață
în pixeli mixți (Kirsch și colab., 2018; Zhao și colab., 2022). Cu alte cuvinte, rezoluția spectrală mai mare oferită de sistemele hiperspectrale permite estimări mai precise ale diferiților parametri, cum ar fi proprietățile vegetariene sau conținutul de apă din frunze (Suomalainen et al., 2014). Cercetătorii din acest cluster au investigat diverse aspecte ale unor astfel de sisteme. Printre alții, Aasen și colab. (2015b) au oferit o abordare unică pentru obținerea de informații hiperspectrale tridimensionale din greutatea ușoară
camere instantanee utilizate pe UAV-uri pentru monitorizarea vegetației. Lucieer și colab. (2014) au discutat despre proiectarea, dezvoltarea și operațiunile aeriene ale unui nou UAS hiperspectral, precum și calibrarea, analiza și interpretarea datelor de imagine colectate cu acesta. În cele din urmă, Honkavaara și colab. (2013b) au dezvoltat o abordare cuprinzătoare de procesare pentru imaginile spectrale bazate pe interferometru FabryPerot și au arătat utilizarea acesteia într-o procedură de estimare a biomasei pentru agricultura de precizie. Caile viitoare potențiale pentru acest cluster actual includ sublinierea nevoii de îmbunătățiri tehnice în tehnologiile senzorilor (Aasen și colab., 2015b), precum și necesitatea de a încorpora și îmbunătăți tehnologiile complementare, în special datele mari și analitice (Ang & Seng, 2021; Radoglou). -Grammatikis și colab., 2020; Shakoor și colab., 2019). Acesta din urmă provine în principal din datele în continuă creștere generate de diverși senzori implementați în agricultura inteligentă (C. Li & Niu, 2020; A. Rejeb et al., 2022; Y. Su & Wang, 2021).
Clusterul 5. Publicațiile din acest cluster au examinat aplicații de cartografiere 3D bazate pe drone. Utilizarea dronelor pentru cartografierea 3D ar putea atenua munca complexă de teren și ar putea crește eficiența în mod substanțial (Torres-Sanchez ´ et al., 2015). Cele cinci articole din cluster s-au concentrat în principal pe aplicațiile de monitorizare a plantelor. De exemplu, pentru a obține date tridimensionale despre suprafața copacului, înălțimea copacilor și volumul coroanei, Torres-Sanchez ´ et al. (2015) au folosit tehnologia UAV pentru a genera modele digitale de suprafață și apoi abordări de analiză a imaginii bazate pe obiecte (OBIA). Mai mult, Zarco-Tejada et al. (2014) au cuantificat înălțimea copacului prin integrarea tehnologiei UAV și a metodelor de foto-reconstrucție tridimensională. Jim´enez-Brenes Lopez-Granados, ´ De Castro, et al. (2017) au demonstrat un nou proces de monitorizare multi-temporală 3D a zeci de măslini prin integrarea tehnologiei UAV cu o metodologie avansată OBIA. Căile interesante pentru lucrările viitoare din acest cluster includ fie îmbunătățirea curentului
metodologii (Zarco-Tejada et al., 2014) pentru modelarea digitală a suprafețelor (Ajayi et al., 2017; Jaud et al., 2016), precum OBIA (de Castro et al., 2018, 2020; Ventura et al. , 2018), și reconstrucția foto sau dezvoltarea unor metode noi (Díaz-Varela și colab., 2015; Torres-S´ anchez și colab., 2015).
Clusterul 6. Acest cluster discută rolul dronelor în supravegherea agriculturii. UAV-urile ar putea completa și depăși deficiențele imaginilor prin satelit și avioane. De exemplu, ele ar putea oferi imagini de înaltă rezoluție aproape în timp real, cu mai puțin combustibil sau provocări de pilotare, rezultând o supraveghere constantă și în timp real și îmbunătățiri în luarea deciziilor (S. Herwitz și colab., 2004). O altă contribuție cheie a UAV-urilor este capacitatea lor de a furniza date specifice locației pentru agricultura de precizie sau agricultura specifică locului, deoarece datele lor detaliate de înaltă rezoluție despre diferiți parametri le permit fermierilor să împartă terenul în părți omogene și să le trateze în consecință (Hunt et al. , 2010; CC Lelong et al., 2008; Primicerio et al., 2012). O astfel de supraveghere agricolă bazată pe UAV poate sprijini monitorizarea securității alimentare și luarea deciziilor (SR Herwitz et al., 2004). Pentru a avansa cercetarea în supravegherea agriculturii, sunt necesare nu numai îmbunătățiri ale senzorilor, UAV-urilor și altor tehnologii conexe și ale metodelor lor de comunicare și transfer de date (Ewing et al., 2020; Shuai et al., 2019), ci și integrarea dronelor cu diverse tehnologiile de optimizare a diferitelor sarcini în legătură cu agricultura inteligentă, cum ar fi monitorizarea, supravegherea agriculturii și luarea deciziilor, reprezintă un domeniu de cercetare cu potențial ridicat (Alsamhi și colab., 2021; Popescu și colab., 2020; Vuran și colab., 2018). În acest sens, IoT, WSN-urile și big data oferă capabilități complementare interesante (van der Merwe et al., 2020). Costurile de implementare, economiile de costuri, eficiența energetică și securitatea datelor se numără printre domeniile insuficient cercetate pentru o astfel de integrare (Masroor et al., 2021).
Țări și instituții academice
Pasul final a inclus investigarea țării de origine și afilierii academice ale autorilor. Prin această analiză, ne propunem să înțelegem mai bine distribuția geografică a savanților care contribuie la aplicațiile dronelor în agricultură. Este de remarcat de remarcat diversitatea țărilor și instituțiilor academice. Din perspectiva țării, SUA, China, India și Italia se clasează în fruntea listei în ceea ce privește numărul de publicații (Tabelul 7). Curentul
cercetarea asupra dronelor agricole este concentrată în mare parte în țările din America de Nord și Asia, în principal datorită angajării lor ridicate în aplicațiile agriculturii de precizie. De exemplu, în SUA, piața dronelor agricole a fost estimată la 841.9 milioane USD în anul 2020, reprezentând aproximativ 30% din cota de piață globală (ReportLinker, 2021). Clasându-se drept cea mai mare economie din lume, se estimează că China va atinge o dimensiune aproximativă a pieței de 2.6 miliarde USD în anul 2027. Această țară face apel la dronele agricole pentru a depăși problemele de productivitate și pentru a obține randamente mai bune, reducerea forței de muncă și inputuri de producție mai mici. Cu toate acestea, adoptarea tehnologiei în China este determinată și de factori precum mărimea populației și nevoia de a inova și de a îmbunătăți practicile existente de gestionare a culturilor.
Top cele mai productive țări și universități/organizații la care contribuie
cercetări legate de dronele agricole.
rang | Țări |
1 | Statele Unite ale Americii |
2 | China |
3 | India |
4 | Italia |
5 | Spania |
6 | Germania |
7 | Brazilia |
8 | Australia |
9 | Japonia |
10 | Regatul Unit |
rang | Universități/ Organizații |
1 | Academia Chineză de Științe |
2 | Ministerul Agriculturii din Republica Populară Chineză |
3 | Consiliul Superior de Investigații Științifice |
4 | Universitatea Texas A&M |
5 | China Universitatea Agricolă |
6 | Serviciul de cercetare agricolă al USDA |
7 | CSIC – Instituto de Agricultura Sostenible IAS |
8 | Universitatea Purdue |
9 | Consiliul Național de Cercetare |
10 | Universitatea Agricolă din China de Sud |
Din punct de vedere universitar și organizațional, Academia Chineză de Științe se află în fruntea listei în ceea ce privește numărul de publicații, urmată de Ministerul Agriculturii din Republica Populară Chineză și Consejo Superior de Investigaciones Científicas. Academia Chineză de Științe este reprezentată de autorii Liao Xiaohan și Li Jun; Han Wenting reprezintă Ministerul Agriculturii din Republica Populară Chineză; iar Consejo Superior de Investigaciones Científicas este reprezentat de Lopez-Granados, ´ F. și Pena, ˜ Jos´e María S. Din SUA, universități precum Texas A&M University și Purdue University își găsesc
menționează. Universitățile cu cel mai mare număr de publicații și conexiunile lor sunt prezentate în Fig. 4. În plus, această listă include instituții precum Consiglio Nazionale delle Ricerche și Consejo Superior de Investigaciones Científicas care sunt active în cercetarea științifică, dar nu sunt instituții academice. .
Selecția noastră a inclus o mare varietate de reviste, cuprinzând practic toate datele disponibile. După cum se arată în Tabelul 8, Remote Sensing cu 258 de articole se clasează în top, urmată de Journal of Intelligent and Robotic Systems: Theory and Applications cu 126 și Computers and Electronics in Agriculture cu 98 de articole. În timp ce teledetecția se concentrează în principal pe aplicarea și dezvoltarea dronelor, computerele și electronicele în agricultură acoperă în principal progresele în hardware, software, electronică și sisteme de control în agricultură. Punctele de desfacere interzonale, cum ar fi IEEE Robotics and Automation Letters cu 87 de publicații și IEEE Access cu 34 de publicații, sunt, de asemenea, puncte de premiere în domeniu. Primele cincisprezece magazine au contribuit la literatură cu 959 de documente, ceea ce reprezintă aproximativ 20.40% din totalul publicațiilor. O analiză de co-citare a revistei ne permite să examinăm importanța și asemănarea dintre publicații. Analiza co-citării generează trei grupuri, așa cum se arată în Fig. 5. Clusterul roșu este format din reviste precum Remote Sensing, Computer and Electronics in Agriculture, Sensors,
și Jurnalul Internațional de Teledetecție. Toate aceste magazine sunt reviste de mare renume în domeniile teledetecției și agriculturii de precizie. Clusterul verde conține reviste care se ocupă de robotică, cum ar fi Journal of Intelligent and Robotic Systems: Theory and Applications, IEEE Robotics and Automation Letters, IEEE Access și Drones. Aceste magazine publică în mare parte lucrări despre automatizare și sunt utile inginerilor agricoli. Grupul final este format din reviste legate de agronomie și inginerie agricolă, precum Agronomy și International Journal of Agricultural and Biological Engineering.
Top 15 reviste în cercetarea legată de dronele agricole.
rang | Jurnal | Conta |
1 | Teledetecție | 258 |
2 | Journal of Intelligent and Robotic Systems: Theory and aplicatii | 126 |
3 | Calculatoare și electronice în agricultură | 98 |
4 | IEEE Robotica și scrisori de automatizare | 87 |
5 | Senzori | 73 |
6 | Jurnalul Internațional de Teledetecție | 42 |
7 | Agricultura de precizie | 41 |
8 | Drone | 40 |
9 | Agronomie | 34 |
10 | Acces IEEE | 34 |
11 | Jurnalul Internațional de Sisteme Robotice Avansate | 31 |
12 | Jurnalul Internațional de Inginerie Agricolă și Biologică | 25 |
13 | PLoS ONE | 25 |
14 | Jurnalul de robotică de câmp | 23 |
15 | Ingineria Biosystems | 23 |
Concluzie
Rezumat
În acest studiu, am rezumat și analizat cercetările existente privind dronele agricole. Aplicând diverse tehnici bibliometrice, ne-am străduit să obținem o mai bună înțelegere a structurii intelectuale a cercetării legate de dronele agricole. În concluzie, revizuirea noastră oferă mai multe contribuții prin identificarea și discutarea cuvintelor cheie din literatură, dezvăluind grupuri de cunoștințe în timp ce formăm comunități similare din punct de vedere semantic în domeniul dronelor, evidențiind cercetările anterioare și sugerând direcții viitoare de cercetare. Mai jos, prezentăm principalele constatări ale revizuirii privind dezvoltarea dronelor agricole:
• Literatura generală a crescut rapid și a atras o atenție enormă în ultimul deceniu, așa cum indică creșterea numărului de articole după 2012. Chiar dacă acest domeniu de cunoaștere nu a atins încă maturitatea deplină (Barrientos et al., 2011; Maes & Steppe, 2019), mai multe întrebări sunt încă fără răspuns. De exemplu, utilitatea dronelor în agricultura de interior este încă deschisă spre dezbatere (Aslan și colab., 2022; Krul și colab., 2021; Rold’an și colab., 2015). Complexitatea scenelor câmpurilor și diferitele circumstanțe de imagine (de exemplu, umbre și iluminare) ar putea duce la o variație spectrală mai mare în clasă (Yao et al., 2019). Chiar și în fazele ulterioare de cercetare, cercetătorii au fost provocați să determine planuri de zbor optime în funcție de anumite scenarii și de calitatea imaginii cerute (Soares et al., 2021; Tu et al.,
2020).
• Observăm că domeniul a progresat de la dezvoltarea sistemelor UAV eficiente la încorporarea tehnicilor AI, cum ar fi învățarea automată și învățarea profundă în proiectarea dronelor agricole (Bah et al., 2018; Kitano et al., 2019; Maimaitijiang et al. , 2020; Mazzia et al., 2020; Tetila et al., 2020).
• Cercetările privind dronele agricole au discutat în mod predominant teledetecția prin explorarea potențialelor tehnologiei în monitorizarea mediului, managementul culturilor și managementul buruienilor (clusterul 1), precum și fenotiparea de la distanță și estimarea randamentului (clusterul 2). Un set de studii influente asupra dronelor agricole includ Austin (2010), Berni et al. (2009)a, Herwitz et al. (2004), Nex și Remondino (2014) și Zhang și Kovacs (2012). Aceste studii au dezvoltat baza conceptuală a cercetării legate de drone în contextul agriculturii.
• Legat de metodologie, am observat că majoritatea cercetărilor efectuate până acum au fost compuse fie din studii de proiectare a sistemului, fie din studii conceptuale, fie din studii bazate pe recenzii (Inoue, 2020; Nex & Remondino, 2014; P´erez-Ortiz et al. , 2015; Yao et al., 2019). Observăm, de asemenea, o lipsă de metode empirice, calitative și bazate pe studii de caz la lucru în investigarea dronelor agricole.
• Recent, subiectele legate de agricultura de precizie, tehnicile IA, viticultura de precizie și evaluarea stresului hidric au atras o atenție substanțială (Espinoza et al., 2017; Gomez-Cand ´ on ´ et al., 2016; Matese et al., 2015; Matese & Di Gennaro, 2018, 2021; Z. Zhou et al., 2021). O examinare atentă a clusterelor de cercetare în două epoci separate, 1990–2010 și 2011–2021, dezvăluie progresul structurii intelectuale a domeniului. Perioada 1990-2010 a constituit acumularea noțiunilor centrale și a conceptelor de drone, ceea ce este evident din discuția despre proiectarea, dezvoltarea și implementarea UAV. În a doua eră, concentrarea cercetării se extinde pe studiile anterioare, făcând un efort de a sintetiza cazurile de utilizare a UAV în agricultură. De asemenea, am găsit numeroase studii care discută despre aplicațiile dronei în sarcinile de imagistică și agricultura de precizie.
rang | Jurnal | Conta |
1 | Teledetecție | 258 |
2 | Journal of Intelligent and Robotic Systems: Theory and | 126 |
aplicatii | ||
3 | Calculatoare și electronice în agricultură | 98 |
4 | IEEE Robotica și scrisori de automatizare | 87 |
5 | Senzori | 73 |
6 | Jurnalul Internațional de Teledetecție | 42 |
7 | Agricultura de precizie | 41 |
8 | Drone | 40 |
9 | Agronomie | 34 |
10 | Acces IEEE | 34 |
11 | Jurnalul Internațional de Sisteme Robotice Avansate | 31 |
12 | Jurnalul Internațional de Inginerie Agricolă și Biologică | 25 |
13 | PLoS ONE | 25 |
14 | Jurnalul de robotică de câmp | 23 |
15 | Ingineria Biosystems | 22 |
Implicații
Revizuirea noastră bibliometrică a fost concepută și realizată având în vedere savanți, fermieri, experți în agricultură, consultanți ai culturilor și designeri de sisteme UAV. Din câte cunoștințe autorilor, aceasta este una dintre primele recenzii originale care a întreprins o analiză bibliometrică aprofundată a
aplicații cu drone în agricultură. Am efectuat o revizuire cuprinzătoare a acestui corp de cunoștințe, utilizând analize de citare și co-citare ale publicațiilor. Încercările noastre de a descrie structura intelectuală a cercetării cu drone oferă, de asemenea, noi perspective pentru cadrele universitare. O revizuire atentă a cuvintelor cheie utilizate de-a lungul timpului dezvăluie punctele fierbinți și domeniile focale de cercetare din literatura de specialitate legată de drone. În plus, prezentăm o listă cu cele mai citate studii pentru a identifica cele mai de impact lucrări de cercetare realizate în domeniu. Identificarea articolelor și a cuvintelor cheie ar putea, în consecință, oferi un punct de plecare solid pentru a descoperi mai multe căi pentru studii viitoare.
Foarte important, am dezvăluit grupuri care clasifică lucrări comparabile și am elaborat rezultatele. Studiile clasificate în clustere ajută la înțelegerea structurii intelectuale a cercetării UAV. În special, am descoperit o lipsă de studii care investighează factorii de adopție ai dronelor
și bariere în activitățile agricole (vezi Tabelul 9). Viitorii cercetători ar putea aborda acest potențial decalaj prin efectuarea de investigații empirice care evaluează factorii de adoptare a dronelor în diferite activități agricole și condiții climatice. În plus, cercetarea bazată pe studii de caz privind eficacitatea dronelor ar trebui să fie susținută de date reale din teren. De asemenea, implicarea fermierilor și a managerilor în cercetarea academică ar fi avantajoasă atât pentru progresul teoretic, cât și pentru cel practic al cercetării cu drone. De asemenea, am reușit să identificăm cei mai proeminenți cercetători și contribuțiile lor, ceea ce este valoros deoarece cunoașterea lucrărilor fundamentale recente poate oferi o îndrumare pentru viitoarele eforturi academice.
Tabelul 9
Bariere la adoptarea UAV.
Barieră | Descriere |
Securitatea datelor | Securitatea cibernetică este o provocare majoră pentru implementare Soluții IoT (Masroor și colab., 2021). |
Interoperabilitate și integrare | Diferite tehnologii precum UAV, WSN, IoT etc. ar trebui să fie integrate și să transmită date care crește nivelul de complexitate (Alsamhi et al., 2021; Popescu et al., 2020; Vuran și colab., 2018). |
Costuri de implementare | Acesta este cazul în special pentru micii fermieri și pentru integrarea diverselor tehnologii de ultimă oră ( Masroor și colab., 2021). |
Cunoștințele muncii și expertiză | Este nevoie de piloți de drone calificați pentru a opera UAV-uri. De asemenea, implementarea diverselor de ultimă oră tehnologiile necesită muncitori calificați (YB Huang et al., 2013; Tsouros și colab., 2019). |
Puterea motorului și zborul durată | Dronele nu pot fi operate ore lungi și acoperire suprafețe mari (Hardin & Hardin, 2010; Laliberte și colab., 2007). |
Stabilitate, fiabilitate și manevrabilitate | Dronele nu sunt stabile în condiții meteorologice nefavorabile (Hardin & Hardin, 2010; Laliberte et al., 2007). |
Limitări de sarcină utilă și calitatea senzorilor | Dronele pot transporta doar sarcini limitate la care conduc capacitatea de a încărca senzori de calitate inferioară (Nebiker și colab., 2008). |
Regulament | Deoarece dronele pot fi și periculoase, există și severe reglementări în unele domenii (Hardin & Jensen, 2011; Laliberte & Rango, 2011). |
Cunoștințele fermierilor și interes | Ca și alte tehnologii de ultimă oră, dronele implementarea cu succes necesită expertiză și, de asemenea însoțită de incertitudini (Fisher et al., 2009; Lambert şi colab., 2004; Stafford, 2000). |
Deoarece există o nevoie constantă de a utiliza eficient resursele disponibile pentru a maximiza randamentele, fermierii pot profita de drone pentru a asigura o scanare rapidă, precisă și rentabilă a câmpurilor lor. Tehnologia poate ajuta fermierii să determine starea culturilor lor și să evalueze starea apei, stadiul de coacere, infestările cu insecte și nevoile nutriționale. Capacitățile de teledetecție ale dronelor pot oferi fermierilor date cruciale pentru a anticipa problemele într-un stadiu incipient și pentru a efectua prompt intervenții adecvate. Cu toate acestea, beneficiile tehnologiei pot fi realizate numai dacă provocările sunt abordate în mod corespunzător. În lumina
problemele actuale privind securitatea datelor, problemele legate de tehnologia senzorilor (de exemplu, fiabilitatea sau acuratețea măsurătorilor), complexitatea integrării și costurile substanțiale de implementare, studiile viitoare trebuie, de asemenea, să examineze fezabilitatea tehnică, economică și operațională a integrării dronelor agricole și a altor produse de tăiere. tehnologii de vârf.
Limitări
Studiul nostru are mai multe limitări. În primul rând, constatările sunt determinate de publicațiile selectate pentru analiza finală. Este o provocare să captezi toate studiile relevante legate de dronele agricole, în special cele care nu sunt indexate în baza de date Scopus. În plus, procesul de colectare a datelor este limitat la setarea cuvintelor cheie de căutare, care pot să nu fie incluzive și să conducă la constatări neconcludente. Astfel, studiile viitoare trebuie să acorde mai multă atenție problemei de bază a colectării datelor de făcut
concluzii mai sigure. O altă limitare se referă la noile publicații cu un număr redus de citări. Analiza bibliometrică este părtinitoare față de publicațiile anterioare, deoarece acestea tind să primească mai multe citări de-a lungul anilor. Studiile recente au nevoie de o anumită perioadă de timp pentru a atrage atenția și pentru a acumula citări. În consecință, studiile recente care aduc o schimbare de paradigmă nu s-ar clasa în primele zece lucrări influente. Această limitare este predominantă în examinarea domeniilor de cercetare în curs de dezvoltare rapidă, cum ar fi dronele agricole. Deoarece l-am consultat pe Scopus pentru a studia literatura pentru această lucrare, viitorii cercetători ar putea considera diferit
baze de date, cum ar fi Web of Science și IEEE Xplore, pentru a extinde orizontul și a îmbunătăți structura cercetării.
Potențialele studii bibliometrice pot lua în considerare alte surse de cunoștințe vitale, cum ar fi lucrări de conferințe, capitole și cărți pentru a genera perspective noi. În ciuda cartografierii și investigării publicațiilor globale despre dronele agricole, constatările noastre nu au dezvăluit motivele din spatele rezultatelor academice ale universităților. Acest lucru deschide calea către o nouă arie de cercetare, care explică calitativ de ce unele universități sunt mai productive decât altele atunci când vine vorba de cercetări despre agricultură.
drone. În plus, studiile viitoare ar putea oferi perspective asupra potențialului dronelor de a crește durabilitatea agriculturii în mai multe moduri, cum ar fi monitorizarea mediului, managementul culturilor și cartografierea buruienilor, așa cum au indicat mai mulți cercetători (Chamuah & Singh, 2019; Islam et al., 2021; Popescu et al., 2020; J. Su, Liu, et al., 2018b). Deoarece analiza textuală nu a fost posibilă din cauza numărului mare de lucrări selectate, este nevoie de revizuiri sistematice de literatură care să examineze
metodele de cercetare utilizate și implicarea fermierilor în studiile anterioare. Pe scurt, analiza noastră a cercetării cu drone expune legăturile invizibile ale acestui corp de cunoștințe. Prin urmare, această recenzie ajută la descoperirea relațiilor dintre publicații și explorează structura intelectuală a domeniului de cercetare. De asemenea, descrie legăturile dintre diferitele aspecte ale literaturii, cum ar fi cuvintele cheie ale autorilor, afilierile și țările.
Declarația de interes concurent
Autorii declară că nu au interese financiare concurente cunoscute sau relații personale care ar fi putut părea să influențeze munca raportată în această lucrare.
Anexa 1
TITOLU-ABS-KEY (((dronă* SAU „vehicul aerian fără pilot” SAU uav* SAU „sistem de aeronavă fără pilot)” SAU uas SAU „aeronave pilotate de la distanță”) ȘI (agricol SAU agricultură SAU agricultură SAU fermier))) ȘI (EXCLUDE (PUBYEAR, 2022)) ȘI (LIMIT-TO (LIMBA, „Engleză”)).
Referinte
Aasen, H., Burkart, A., Bolten, A., Bareth, G., 2015. Generarea de informații hiperspectrale 3D cu camere ușoare UAV instantanee pentru monitorizarea vegetației: de la
calibrarea camerei la asigurarea calității. ISPRS J. Photogramm. Remote Sens. 108, 245–259. https://doi.org/10.1016/j.isprsjprs.2015.08.002.
Abd-Elrahman, A., Pearlstine, L., Percival, F., 2005. Dezvoltarea algoritmului de recunoaștere a modelelor pentru detectarea automată a păsărilor din imaginile vehiculelor aeriene fără pilot.
Studiu. Informarea terenului. Sci. 65 (1), 37–45.
Abdollahi, A., Rejeb, K., Rejeb, A., Mostafa, MM, Zailani, S., 2021. Wireless sensor networks in agriculture: insights from bibliometric analysis. Sustenabilitate 13 (21),
12011.
Aboutalebi, M., Torres-Rua, AF, Kustas, WP, Nieto, H., Coopmans, C., McKee, M., Evaluarea diferitelor metode de detectare a umbrelor în imagini optice de înaltă rezoluție și evaluarea impactului umbrei asupra calculului de NDVI și evapotranspirație. Irrig. Sci. 37 (3), 407–429. https://doi.org/10.1007/s00271-018-0613-9.
Adao, ˜ T., Hruˇska, J., Padova, ´ L., Bessa, J., Peres, E., Morais, R., Sousa, JJ, 2017. Imagistica hiperspectrală: o revizuire a senzorilor bazați pe UAV, date prelucrare şi
aplicații pentru agricultură și silvicultură. Teledetecție 9 (11). https://doi.org/ 10.3390/rs9111110.
Agüera Vega, F., Ramírez, FC, Saiz, MP, Rosúa, FO, 2015. Imagini multi-temporale folosind un vehicul aerian fără pilot pentru monitorizarea unei culturi de floarea-soarelui. Biosyst. ing.
132, 19–27. https://doi.org/10.1016/j.biosystemseng.2015.01.008.
Ajayi, OG, Salubi, AA, Angbas, AF, Odigure, MG, 2017. Generarea de modele digitale precise de elevație din UAV a dobândit un procent mic de imagini suprapuse. Int.
J. Remote Sens. 38 (8–10), 3113–3134. https://doi.org/10.1080/ 01431161.2017.1285085.
Ali, I., Greifeneder, F., Stamenkovic, J., Neumann, M., Notarnicola, C., 2015. Revizuirea abordărilor de învățare automată pentru extragerea biomasei și a umidității solului din datele de teledetecție. Teledetecție 7 (12), 16398–16421.
Alsamhi, SH, Afghah, F., Sahal, R., Hawbani, A., Al-qaness, MAA, Lee, B., Guizani, M., Green internet of things using UAVs in B5G networks: A review of applications
si strategii. Anunț. Hoc. Netw. 117, 102505 https://doi.org/10.1016/j. adhoc.2021.102505.
Al-Thani, N., Albuainain, A., Alnaimi, F., Zorba, N., 2020. Drones for Sheep Livestock Monitoring. În: 20th IEEE Mediterranean Electrotechnical Conference. https://doi.
org/10.1109/MELECON48756.2020.9140588.
Ampatzidis, Y., Partel, V., 2019. Fenotiparea cu debit mare bazată pe UAV în citrice utilizând imagini multispectrale și inteligență artificială. Teledetecție 11 (4), https://doi.org/10.3390/rs11040410.
Ampatzidis, Y., Partel, V., Costa, L., 2020. Agroview: Aplicație bazată pe cloud pentru a procesa, analiza și vizualiza datele colectate de UAV pentru aplicații de agricultură de precizie care utilizează inteligența artificială. Calculator. Electron. Agric. 174, 105457 https://doi. org/10.1016/j.compag.2020.105457.
Ang, K.-L.-M., Seng, JKP, 2021. Big data și machine learning cu informații hiperspectrale în agricultură. IEEE Access 9, 36699–36718. https://doi.org/10.1109/
ACCES.2021.3051196.
Aquilani, C., Confessore, A., Bozzi, R., Sirtori, F., Pugliese, C., 2022. Recenzie: tehnologii de precizie pentru creșterea animalelor în sistemele animale bazate pe pășuni. Animal 16 (1), https://doi.org/10.1016/j.animal.2021.100429.
Armenta-Medina, D., Ramirez-Delreal, TA, Villanueva-Vasquez, ´ D., Mejia-Aguirre, C., Trends on advanced information and communication technologies for
îmbunătățirea productivităților agricole: o analiză bibliometrică. Agronomie 10 (12), Articolul 12. https://doi.org/10.3390/agronomy10121989.
Armstrong, I., Pirrone-Brusse, M., Smith, A., Jadud, M., 2011. Gator zburător: spre robotica aeriană în occam-π. comun. Arhitect de proces. 2011, 329–340. https://doi. org/10.3233/978-1-60750-774-1-329.
Arora, SD, Chakraborty, A., 2021. Structura intelectuală a cercetării comportamentului de plângere a consumatorului (CCB): O analiză bibliometrică. J. Business Res. 122, 60–74.
Aslan, MF, Durdu, A., Sabanci, K., Ropelewska, E., Gültekin, SS, 2022.
Un studiu cuprinzător al studiilor recente cu UAV pentru agricultura de precizie în câmpuri deschise și sere. Appl. Sci. 12 (3), 1047. https://doi.org/10.3390/
app12031047.
Atkinson, JA, Jackson, RJ, Bentley, AR, Ober, E. și Wells, DM (2018). Fenotiparea câmpului pentru viitor. În Annual Plant Reviews online (p. 719–736). Ioan
Wiley & Sons, Ltd. doi: 10.1002/9781119312994.apr0651.
Austin, R., 2010. Unmanned Aircraft Systems: UAVS Design, Development and Deployment. În: Sisteme de aeronave fără pilot: proiectare, dezvoltare și dezvoltare UAVS
Implementare. John Wiley și fiii. 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. Teledetecția bazată pe UAV în stresul plantelor imaginați-vă folosind senzorul termic de înaltă rezoluție pentru practicile agricole digitale: o meta-revizuire. Int. J. Environ. Sci. Tehnol. 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. Agricultura inteligentă: Oportunități, provocări
și facilitatori tehnologici. 2018 IoT Vertical și. Summit-ul de actualitate pentru agricultură - Toscana (IOT Toscana) 1–6. https://doi.org/10.1109/IOTTUSCANY.2018.8373043.
Bah, MD, Hafiane, A., Canals, R., 2018. Învățare profundă cu etichetare nesupravegheată a datelor pentru detectarea buruienilor în culturile liniare în imaginile UAV. Teledetecție 10 (11), 1690.
https://doi.org/10.3390/rs10111690.
Baldi, S., 1998. Procese normative versus constructiviste sociale în alocarea citărilor: un model analitic de rețea. A.m. Sociol. Apoc. 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. Evaluarea variabilității stării apei viticole prin termoficare și multispectrală
imagini folosind un vehicul aerian fără pilot (UAV). Irrig. Sci. 30 (6), 511–522. https://doi.org/10.1007/s00271-012-0382-9.
Barabaschi, D., Tondelli, A., Desiderio, F., Volante, A., Vaccino, P., Val`e, G., Cattivelli, L.,Next generation breeding. Plant Sci. 242, 3–13. https://doi.org/10.1016/j.
plantsci.2015.07.010.
Barbedo, JGA, Koenigkan, LV, 2018. Perspective privind utilizarea sistemelor aeriene fără pilot pentru monitorizarea bovinelor. 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. Hiperspectral cu greutate redusă și bazat pe UAV camere full-frame
pentru monitorizarea culturilor: comparație spectrală cu măsurători cu spectroradiometru portabil. Fotogrametrie, 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., Teledetecție aeriană în agricultură: O abordare practică a acoperirii zonei
și planificarea traseului pentru flotele de mini roboți aerieni. 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. Un studiu privind aplicarea algoritmilor de planificare a căii pentru UAV-uri cu mai multe rotoare în precizie
agricultură. J. Navig. 75 (2), 364–383.
Basnet, B., Bang, J., 2018. De ultimă generație a agriculturii intensive în cunoștințe: o revizuire a sistemelor de detectare aplicate și a analizei datelor. J. Sens. 2018, 1–13.
Bendig, J., Bolten, A., Bareth, G., 2013. Imagini bazate pe UAV pentru modele multi-temporale, de foarte înaltă rezoluție a suprafeței culturilor pentru a monitoriza variabilitatea creșterii culturilor. 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. Estimarea biomasei orzului folosind modele de suprafață a culturii (CSM) derivate din imagini RGB bazate pe UAV. Teledetecție 6 (11), 10395–10412.
Bendig, J., Yu, K., Aasen, H., Bolten, A., Bennertz, S., Broscheit, J., Gnyp, ML, Bareth, G., 2015. Combinând înălțimea plantelor pe bază de UAV de la suprafața culturii modele,
indici de vegetație vizibili și în infraroșu apropiat pentru monitorizarea biomasei la orz. Int. J. Apl. Obs. Pământ. 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. Cartografierea conductanței copacului și a CWSI în livezile de măslini folosind rezoluție înaltă
imagini cu teledetecție termică. Remote Sens. Mediu. 113 (11), 2380–2388. https://doi.org/10.1016/j.rse.2009.06.018.
Berni, JA, Zarco-Tejada, PJ, Suarez, ´ L., Fereres, E., 2009b. Teledetecție multispectrală termică și în bandă îngustă pentru monitorizarea vegetației de la un vehicul aerian fără pilot. IEEE Trans. Geosci. Remote Sens. 47 (3), 722–738.
Bouzembrak, Y., Klüche, M., Gavai, A., Marvin, HJP, 2019. Internet of Things in food safety: Literature review and a bibliometric analysis. Trends Food Sci. Tehnol. 94,54–64. https://doi.org/10.1016/j.tifs.2019.11.002.
Brewster, C., Roussaki, I., Kalatzis, N., Doolin, K., Ellis, K., 2017. IoT in agriculture: Designing a Europe-wide large-scale pilot. IEEE Commun. Mag. 55 (9), 26–33.
Buters, TM, Belton, D., Cross, AT, 2019. Urmărirea UAV cu mai multe senzori a răsadurilor individuale și a comunităților de răsaduri la o precizie milimetrică. Drones 3 (4), 81.
https://doi.org/10.3390/drones3040081.
Candiago, S., Remondino, F., De Giglio, M., Dubbini, M., Gattelli, M., 2015. Evaluarea imaginilor multispectrale și a indicilor de vegetație pentru aplicații de agricultura de precizie din imagini UAV. Teledetecție 7 (4), 4026–4047. https://doi.org/10.3390/rs70404026.
Cao, Y., Li, GL, Luo, YK, Pan, Q., Zhang, SY, 2020. Monitorizarea indicatorilor de creștere a sfeclei de zahăr folosind indicele de vegetație cu gamă dinamică largă (WDRVI) derivat din UAV
imagini multispectrale. Calculator. Electron. Agric. 171, 105331 https://doi.org/10.1016/j.compag.2020.105331.
Casillas, J., Acedo, F., 2007. Evoluția structurii intelectuale a literaturii de afaceri de familie: un studiu bibliometric al FBR. Family Business 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. Monitorizarea dinamică a biomasei de orez sub
diferite tratamente cu azot folosind un UAV ușor cu camere instantanee duble cu cadru de imagine. Metode de plante 15 (1), 32. https://doi.org/10.1186/s13007-019-
0418-8.
Chamuah, A., Singh, R., 2019. Asigurarea durabilității în agricultura indiană prin UAV civil: o perspectivă de inovare responsabilă. SN Appl. Sci. 2 (1), 106. https://
doi.org/10.1007/s42452-019-1901-6.
Chamuah, A., Singh, R., 2022. Guvernarea responsabilă a inovațiilor vehiculelor aeriene fără pilot civil (UAV) pentru aplicațiile de asigurare a culturilor din India. J. Responsabil
Tehnol. 9, 100025 https://doi.org/10.1016/j.jrt.2022.100025.
Chen, A., Orlov-Levin, V., Meron, M., 2019. Aplicarea imaginilor aeriene cu canale vizibile de înaltă rezoluție a copacului culturilor la managementul de precizie a irigației. Agric. Apă
Manag. 216, 196–205. https://doi.org/10.1016/j.agwat.2019.02.017.
Daakir, M., Pierrot-Deseilligny, M., Bosser, P., Pichard, F., Thom, C., Rabot, Y., Martin, O., 2017. UAV ușor cu fotogrammetrie la bord și poziționare GPS cu o singură frecvență pentru aplicații de metrologie. ISPRS J. Photogramm. Remote Sens. 127, 115–126. https://doi.org/10.1016/j.isprsjprs.2016.12.007.
Dawaliby, S., Aberkane, A., Bradai, A., 2020. Platformă IoT bazată pe blockchain pentru managementul autonom al operațiunilor cu drone. În: Proceedings of the 2nd ACM
Atelier MobiCom privind comunicațiile fără fir asistate cu drone pentru 5G și mai departe, pp. 31–36. https://doi.org/10.1145/3414045.3415939.
Day, RA, Gastel, B., 1998. Cum să scrieți și să publicați o lucrare științifică. Cambridge University Press. de Castro, AI, Pena, ˜ JM, Torres-Sanchez, ´ J., Jim´enez-Brenes, FM, ValenciaGredilla, F., Recasens, J., Lopez-Granados, ´ F., 2020. Mapping cynodon dactylon infesting culturi de acoperire cu o procedură automată de arbore de decizie-OBIA și imagini UAV pentru viticultura de precizie. Teledetecție 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. An automatic random forest-OBIA algorithm for cartografierea timpurie a buruienilor între și în interiorul rândurilor de culturi folosind imagini UAV. Teledetecție 10 (2). https://doi.org/10.3390/rs10020285.
Demir, N., Sonmez, ¨ NK, Akar, T., Ünal, S., 2018. Măsurarea automată a înălțimii plantelor a genotipurilor de grâu utilizând un DSM derivat din imaginile UAV. Proceedings 2 (7), 350. https://doi.org/10.3390/ecrs-2-05163.
Deng, J., Zhong, Z., Huang, H., Lan, Y., Han, Y., Zhang, Y., 2020. Rețea ușoară de segmentare semantică pentru cartografierea în timp real a buruienilor folosind vehicule aeriene fără pilot. Aplic. Sci. 10 (20), 7132. https://doi.org/10.3390/app10207132.
Deng, L., Mao, Z., Li, X., Hu, Z., Duan, F., Yan, Y., 2018. Teledetecție multispectrală bazată pe UAV pentru agricultura de precizie: o comparație între diferite camere. ISPRS J. Photogramm. Remote Sens. 146, 124–136.
Diaz-Gonzalez, FA, Vuelvas, J., Correa, CA, Vallejo, VE, Patino, D., 2022. Tehnici de învățare automată și teledetecție aplicate pentru estimarea indicatorilor de sol – revizuire. 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. Imagini UAV aeropurtate de înaltă rezoluție pentru a evalua parametrii coroanei măslinului folosind fotografii 3D
reconstrucție: aplicare în studiile de ameliorare. Teledetecție 7 (4), 4213–4232. https://doi.org/10.3390/rs70404213.
Dixit, A., Jakhar, SK, 2021. Managementul capacității aeroportuare: o revizuire și analiză bibliometrică. J. Air Transp. Manag. 91, 102010.
Dong, T., Shang, J., Liu, J., Qian, B., Jing, Q., Ma, B., Huffman, T., Geng, X., Sow, A., Shi, Y., Canisius, F., Jiao, X., Kovacs, JM, Walters, D., Cable, J., Wilson, J., 2019.
Utilizarea imaginilor RapidEye pentru a identifica variabilitatea în câmp a creșterii și a randamentului culturilor în Ontario, Canada. Precision Agric. 20 (6), 1231–1250. https://doi.org/10.1007/
s11119-019-09646-w.
Dutta, PK, Mitra, S., 2021. Aplicarea dronelor agricole și iot pentru a înțelege lanțul de aprovizionare cu alimente în perioada post COVID-19. În: Choudhury, A., Biswas, A., Prateek, M.,
Chakrabarti, A. (Eds.), Agricultural Informatics: Automation Using the IoT and Machine Learning. Wiley, pp. 67–87. van Eck, N., Waltman, L., 2009. Sondaj software: VOSviewer, un program de calculator pentru cartografierea bibliometrică. Scientometria 84 (2), 523–538. https://doi.org/10.1007/s11192-009-0146-3.
Elijah, O., Rahman, TA, Orikumhi, I., Leow, CY, Hindia, MN, 2018. O privire de ansamblu asupra Internetului obiectelor (IoT) și a analizei datelor în agricultură: beneficii și provocări.
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. Validarea agronomiei UAV și câmp
măsurători pentru soiurile de tomate. Calculator. Electron. Agric. 158, 278–283. https:// doi.org/10.1016/j.compag.2019.02.011.
Espinoza, CZ, Khot, LR, Sankaran, S., Jacoby, PW, 2017. Evaluarea stresului hidric bazată pe teledetecție multispectrală și termică de înaltă rezoluție în
viță de vie irigată sub suprafață. Teledetecție 9 (9), 961. https://doi.org/ 10.3390/rs9090961.
Ewing, J., Oommen, T., Jayakumar, P., Alger, R., 2020. Utilizarea teledetecției hiperspectrale pentru gradarea solului. Teledetecție 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. Evaluarea la scară multiplă a reflectanței suprafeței multispectrale și a indicilor de vegetație pe bază de drone în condiții operaționale. Teledetecție 12 (3), 514.
Feng, X., Yan, F., Liu, X., 2019. Studiul tehnologiilor de comunicare fără fir pe Internet of Things pentru agricultura de precizie. Wireless Pers. comun. 108 (3),
1785-1802.
Ferreira, MP, Pinto, CF, Serra, FR, 2014. The transaction costs theory in international business research: a bibliometric study over three decades. Scientometria 98 (3), 1899–1922. https://doi.org/10.1007/s11192-013-1172-8.
Fisher, P., Abuzar, M., Rab, M., Best, F., Chandra, S., 2009. Progrese în agricultura de precizie în sud-estul Australiei. I. o metodologie de regresie de simulat
variația spațială a recoltelor de cereale utilizând randamentele istorice ale fermierilor din padoc și diferența normalizată a indicelui de vegetație. Cultură Pășune Sci. 60 (9), 844–858.
Floreano, D., Wood, RJ, 2015. Știința, tehnologia și viitorul dronelor autonome mici. Nature 521 (7553), 460–466. https://doi.org/10.1038/nature14542.
Friha, O., Ferrag, MA, Shu, L., Maglaras, LA, Wang, X., 2021. Internetul lucrurilor pentru viitorul agriculturii inteligente: un studiu cuprinzător al tehnologiilor emergente. IEEE CAA J. Autom. Sinica 8 (4), 718–752.
Fuentes-Pacheco, J., Torres-Olivares, J., Roman-Rangel, E., Cervantes, S., JuarezLopez, P., Hermosillo-Valadez, J., Rendon-Mancha, ´ JM, 2019. Segmentarea plantelor de smochin din imagini aeriene folosind o rețea profundă de codificator-decodor convoluțional. Teledetecție 11 (10), 1157. https://doi.org/10.3390/rs11101157.
Gago, J., Douthe, C., Coopman, RE, Gallego, PP, Ribas-Carbo, M., Flexas, J., Escalona, J., Medrano, H., 2015. UAVs challenge to assess water stress for
agricultura durabilă. Agric. Gestionarea apei. 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-Plegezuelo, CR, Dur´ an-Zuazo, VH, 2018. Imagistica termică la plantă
nivel pentru evaluarea stării culturii-apelor la migdal (cv. Guara) în cadrul strategiilor de irigare deficitare. Agric. Gestionarea apei. 208, 176–186. https://doi.org/10.1016/j.
agwat.2018.06.002.
Garzonio, R., Di Mauro, B., Colombo, R., Cogliati, S., 2017. Măsurători prin spectroscopie de reflectare a suprafeței și fluorescență indusă de soare folosind un UAS mic hiperspectral. Teledetecție 9 (5), 472. https://doi.org/10.3390/rs9050472. Gaˇsparovi´c, M., Zrinjski, M., Barkovi´c, Đ., Radoˇcaj, D., 2020. O metodă automată pentru
cartografierea buruienilor în câmpurile de ovăz pe baza imaginilor UAV. Calculator. Electron. Agric.
Gebbers, R., Adamchuk, VI, 2010. Agricultura de precizie și securitatea alimentară. Science 327 (5967), 828–831. https://doi.org/10.1126/science.1183899.
Geipel, J., Link, J., Claupein, W., 2014. Modelarea combinată spectrală și spațială a randamentului de porumb bazată pe imagini aeriene și modele de suprafață de cultură achiziționate cu un sistem de aeronave fără pilot. Teledetecție 6 (11), 10335–10355. https://doi.org/10.3390/rs61110335.
Geng, D., Feng, Y., Zhu, Q., 2020. Design sustenabil pentru utilizatori: o revizuire a literaturii și o analiză bibliometrică. Mediul. Sci. Poluarea. Res. 27 (24), 29824–29836. https://doi. org/10.1007/s11356-020-09283-1.
Gevaert, CM, Suomalainen, J., Tang, J., Kooistra, L., 2015. Generarea suprafețelor de răspuns spectraltemporal prin combinarea satelitului multispectral și hiperspectral
Imagini UAV pentru aplicații agricole de precizie. IEEE J. Sel. Top. Aplic. Obs. Pământ. Senzori la distanță 8 (6), 3140–3146. ttps://doi.org/10.1109/JSTARS.2015.2406339.
Gill, SS, Chana, I., Buyya, R., 2017. Agricultura bazată pe IoT ca serviciu cloud și big data: începutul Indiei digitale. J. Org. și computerul utilizatorului final. (JOEUC) 29 (4),
1-23.
Gmür, M., 2006. Analiza co-citare și căutarea colegiilor invizibile: o evaluare metodologică. Scientometria 57 (1), 27–57. https://doi.org/10.1023/
a:1023619503005.
Gnadinger, ¨ F., Schmidhalter, U., 2017. Numărări digitale ale plantelor de porumb de către vehicule aeriene fără pilot (UAV). Teledetecție 9 (6). Https://doi.org/10.3390/rs9060544.
Gokto ¨ ǧan, AH, Sukkarieh, S., Bryson, M., Randle, J., Lupton, T., Hung, C., 2010. Un vehicul aerian fără pilot cu aripă rotativă pentru supravegherea buruienilor acvatice și
management. J. Intell. Sistem robotic: Theor. Aplic. 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. Evaluarea acurateței mozaicurilor din imaginile vehiculelor aeriene fără pilot (UAV) pentru scopuri agricole de precizie în grâu. 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. Fenotiparea câmpului stresului hidric la scara arborilor prin imaginile detectate de UAV : noi perspective pentru
achizitie termica si calibrare. Precis. Agric. 17 (6), 786–800. https://doi.org/10.1007/s11119-016-9449-6.
Gonzalez-Dugo, V., Zarco-Tejada, PJ, Fereres, E., 2014. Aplicabilitatea și limitările utilizării indicelui de stres hidric al culturii ca indicator al deficitelor de apă în livezile de citrice. Agric. Pentru. 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. Utilizarea imaginilor termice UAV de înaltă rezoluție pentru
să evalueze variabilitatea stării apei a cinci specii de pomi fructiferi dintr-o livadă comercială. Precis. Agric. 14 (6), 660–678. https://doi.org/10.1007/s11119-013-9322-9.
Goyal, K., Kumar, S., 2021. Educație financiară: o revizuire sistematică și analiză bibliometrică. Int. J. Consumer Studies 45 (1), 80–105. https://doi.org/10.1111/
ijcs.12605.
Grenzdorffer, ¨ GJ, Engel, A., Teichert, B., 2008. Potențialul fotogrametric al uav-urilor lowcost în silvicultură și agricultură. Arhivele Internaționale de Fotogrammetrie, Teledetecție și Științe ale Informației Spațiale – Arhivele 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. Evaluarea corelației de înaltă rezoluție
NDVI cu nivelul de aplicare a îngrășămintelor și randamentul culturilor de orez și grâu folosind UAV-uri mici. Teledetecție 11 (2), 112.
Gundolf, K., Filser, M., 2013. Management research and religion: a citation analysis. J. Autobuz. Etica 112 (1), 177–185.
Guo, Q., Zhu, Y., Tang, Y., Hou, C., He, Y., Zhuang, J., Zheng, Y., Luo, S., 2020. Simularea CFD și verificarea experimentală a spațiului spațial şi distribuţiile temporale ale
fluxul de aer de spălare în jos al unui UAV agricol cu patru rotoare în hover. Calculator. Electron. 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. , Polonia, J., 2016.
Aplicarea sistemelor aeriene fără pilot pentru fenotiparea cu randament ridicat al pepinierelor mari de creștere a grâului. Metode de plante 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. Imagini spectrale de la UAV-uri în diferite condiții de iluminare . În GG Bill R. (Ed.), International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences—ISPRS Archives (Vol. 40, Issue 1W2, pp. 189–194). Societatea Internațională pentru Fotogrammetrie și Teledetecție. 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. Tehnici de evaluare pentru cartografierea vegetației insulare din aer fără pilot
Imagini ale vehiculelor (UAV): clasificarea pixelilor, interpretarea vizuală și abordările de învățare automată. Int. J. Apl. Obs. Pământ. Geoinf. 89, 102085 https://doi.org/
10.1016/j.jag.2020.102085.
Haque, A., Islam, N., Samrat, NH, Dey, S., Ray, B., 2021. Agricultura inteligentă prin conducere responsabilă în Bangladesh: posibilități, oportunități și nu numai.
Sustenabilitate 13 (8), 4511.
Hardin, PJ, Hardin, TJ, 2010. Vehicule pilotate de la distanță la scară mică în cercetarea mediului. Busola geografică 4 (9), 1297–1311. ttps://doi.org/10.1111/j.1749-
8198.2010.00381.x.
Hardin, PJ, Jensen, RR, 2011. Vehicule aeriene fără pilot la scară mică în teledetecția mediului: provocări și oportunități. 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. Agricultural Internet of Things: technologies and applications, (ediția I, 1). 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.
Imagini de la un vehicul aerian fără pilot: supraveghere agricolă și sprijin decizional. Calculator. Electron. 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, Fenotiparea câmpului cu randament mare a înălțimii plantelor de grâu și a ratei de creștere în testele pe teren folosind teledetecția bazată pe UAV. Teledetecție 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. Procesare și evaluare de imagini spectrometrice, stereoscopice colectate folosind o cameră spectrală UAV ușoară pentru agricultura de precizie. Teledetecție 5 (10), 5006–5039. https://doi.org/10.3390/rs5105006.
Hossein Motlagh, N., Taleb, T., Arouk, O., 2016. Servicii de internet ale lucrurilor bazate pe vehicule aeriene fără pilot la altitudine joasă: sondaj cuprinzător și perspective de viitor. 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. Navigație combinată cu flux optic și stereo a canioanelor urbane pentru un UAV. În: 2005 IEEE/RSJ
Conferința internațională privind roboții și sistemele inteligente, pp. 3309–3316. https://doi.org/10.1109/IROS.2005.1544998.
Hsu, T.-C., Yang, H., Chung, Y.-C., Hsu, C.-H., 2020. A Creative IoT agriculture platform for cloud fog computing. Susține. Calculator. Inf. Syst. 28, 100285.
Huang, H., Deng, J., Lan, Y., Yang, A., Deng, X., Zhang, L., Gonzalez-Andujar, JL, 2018. O rețea complet convoluțională pentru cartografierea buruienilor a vehiculelor aeriene fără pilot ( imagini UAV). PLoS ONE 13 (4), e0196302.
Huang, H., Lan, Y., Yang, A., Zhang, Y., Wen, S., Deng, J., 2020. Deep learning versus Object-based Image Analysis (OBIA) în maparea buruienilor a imaginilor UAV. Int. J.
Remote Sens. 41 (9), 3446–3479. https://doi.org/10.1080/01431161.2019.1706112.
Huang, H., Yang, A., Tang, Y., Zhuang, J., Hou, C., Tan, Z., Dananjayan, S., He, Y., Guo, Q., Luo, S., 2021. Calibrare profundă a culorilor pentru imaginile UAV în monitorizarea culturilor
folosind transferul de stil semantic cu atenție locală către globală. Int. J. Apl. Obs. Pământ. Geoinf. 104, 102590 https://doi.org/10.1016/j.jag.2021.102590.
Huang, YB, Thomson, SJ, Hoffmann, WC, Lan, YB, Fritz, BK, 2013. Dezvoltarea și perspectiva tehnologiilor de vehicule aeriene fără pilot pentru producția agricolă
management. Int. J. Agric. Biol. ing. 6 (3), 1–10. https://doi.org/10.3965/j. ijabe.20130603.001.
Huang, Y., Hoffmann, WC, Lan, Y., Wu, W., Fritz, BK, 2009. Dezvoltarea unui sistem de pulverizare pentru o platformă de vehicule aeriene fără pilot. Aplic. ing. Agric. 25 (6), 803–809.
Hunt Jr., ER, Dean Hively, W., Fujikawa, SJ, Linden, DS, Daughtry, CST, McCarty, GW, 2010. Achiziția de fotografii digitale NIR-verde-albastru de la
aeronave fără pilot pentru monitorizarea culturilor. Teledetecție 2 (1), 290–305. https://doi. org/10.3390/rs2010290. Inoue, Y., 2020. Teledetecția pe bază de satelit și drone a culturilor și a solurilor pentru agricultura inteligentă – o revizuire. 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. O revizuire a aplicațiilor și tehnologiilor de comunicare pentru Internetul obiectelor (IoT) și
Agricultura inteligentă durabilă bazată pe vehicule aeriene fără pilot (UAV). Sustainability 13 (4), 1821. https://doi.org/10.3390/su13041821.
Jaud, M., Passot, S., Le Bivic, R., Delacourt, C., Grandjean, P., Le Dantec, N., 2016. Evaluarea acurateței modelelor digitale de suprafață de înaltă rezoluție calculate de
PhotoScan® și MicMac® în condiții de sondaj suboptimale. Teledetecție 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. Cuantificarea impactului tăierii asupra arhitecturii măslinului și anual creșterea baldachinului prin utilizarea modelării 3D bazate pe UAV. Metode de plante 13 (1). https://doi.org/10.1186/s13007-017-0205-3.
Jin, X., Liu, S., Baret, F., Hemerl´e, M., Comar, A., 2017. Estimări ale densității plantelor culturilor de grâu la răsărirea din imaginile UAV la altitudine foarte joasă. Senzori de la distanță.
Mediul. 198, 105–114. https://doi.org/10.1016/j.rse.2017.06.007.
Jinbo, C., Xiangliang, C., Han-Chi, F., Lam, A., 2019. Sistem de monitorizare a produselor agricole susținut de cloud computing. Cluster Comput. 22 (4), 8929–8938.
Ju, C. și Son, HI 2018a. Evaluarea performanței mai multor sisteme UAV pentru teledetecție în agricultură. Proceedings of the Workshop on Robotic Vision and Action in Agriculture la Conferința Internațională IEEE pentru Robotică și Automatizare (ICRA), Brisbane, Australia, 21–26.
Ju, C., Son, HI, 2018b. Sisteme UAV multiple pentru aplicații agricole: control, implementare și evaluare. Electronics 7 (9), 162. https://doi.org/10.3390/
electronice7090162.
Jung, J., Maeda, M., Chang, A., Bhandari, M., Ashapure, A., Landivar-Bowles, J., 2021. Potențialul teledetecției și inteligenței artificiale ca instrumente de îmbunătățire a
rezistența sistemelor de producție agricolă. Curr. Opinează. Biotehnologia. 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. O tehnică îmbunătățită de explorare a culturilor care încorporează imaginile culturilor multispectrale asistate de vehicule aeriene fără pilot în practica convențională de cercetare pentru tulpinile gumose la pepene verde. Plant Dis. 103 (7), 1642–1650.
Kapoor, KK, Tamilmani, K., Rana, NP, Patil, P., Dwivedi, YK, Nerur, S., 2018. Progrese în cercetarea rețelelor sociale: trecut, prezent și viitor. Informa. Syst. Față. 20
(3), 531-558.
Kerkech, M., Hafiane, A., Canals, R., 2020. VddNet: rețea de detectare a bolii viței de vie bazată pe imagini multispectrale și hartă de adâncime. Teledetecție 12 (20), 3305. https://doi. org/10.3390/rs12203305.
Khaliq, A., Comba, L., Biglia, A., Ricauda Aimonino, D., Chiaberge, M., Gay, P., 2019. Comparație a imaginilor multispectrale bazate pe satelit și UAV pentru podgorie
evaluarea variabilitatii. Teledetecție 11 (4). https://doi.org/10.3390/rs11040436.
Khan, PW, Byun, Y.-C., Park, N., 2020. Sistemul de proveniență optimizat a permis IoT-blockchain pentru industria alimentară 4.0 folosind învățarea profundă avansată. Senzori 20 (10), 2990.
Khan, RU, Khan, K., Albattah, W., Qamar, AM, Ullah, F., 2021. Detectarea pe bază de imagini a bolilor plantelor: de la învățarea clasică a mașinilor la călătoria de învățare profundă. Comunicare fără fir. Calculator mobil. 2021, 1–13.
Khan, S., Tufail, M., Khan, MT, Khan, ZA, Iqbal, J., Alam, M., Le, KNQ, 2021. Un nou cadru semi-supravegheat pentru clasificarea culturilor/buruienilor bazată pe UAV. PLoS ONE 16 (5), e0251008.
Khanal, S., Fulton, J., Shearer, S., 2017. O prezentare generală a aplicațiilor actuale și potențiale ale teledetecției termice în agricultura de precizie. Calculator. Electron.
Agric. 139, 22–32. https://doi.org/10.1016/j.compag.2017.05.001.
Khanna, A., Kaur, S., 2019. Evoluția Internet of Things (IoT) și impactul său semnificativ în domeniul agriculturii de precizie. Calculator. Electron. Agric. 157, 218–231.
Kim, W., Khan, GF, Wood, J., Mahmood, MT, 2016. Angajamentul angajaților pentru organizații sustenabile: analiza cuvintelor cheie folosind analiza și explozia rețelelor sociale
abordare de detectare. Sustenabilitate 8 (7), 631.
Kirsch, M., Lorenz, S., Zimmermann, R., Tusa, L., Mockel, ¨ R., Hodl, ¨ P., Booysen, R., Khodadadzadeh, M., Gloaguen, R., 2018. Integrare de terestre și transportate de drone
metode de detecție hiperspectrală și fotogrammetrică pentru cartografierea explorării și monitorizarea mineritului. Teledetecție 10 (9), 1366. https://doi.org/10.3390/
rs10091366.
Kitano, BT, Mendes, CCT, Geus, AR, Oliveira, HC, Souza, JR, 2019. Numărarea plantelor de porumb folosind deep learning și imagini UAV. IEEE Geosci. Senzori de la distanță Lett. 1–5 https://doi.org/10.1109/LGRS.2019.2930549.
Koh, JCO, Spangenberg, G., Kant, S., 2021. Învățarea automată a mașinilor pentru fenotiparea plantelor bazată pe imagini de mare randament. Teledetecție 13 (5), 858. https://
doi.org/10.3390/rs13050858.
Kovalev, IV, Voroshilova, AA, 2020. Tendințele tehnologice moderne în dezvoltarea ecosistemului UAV-urilor de marfă. J. Fiz. Conf. Ser. 1515 (5), 052068 https://doi. org/10.1088/1742-6596/1515/5/052068.
Krul, S., Pantos, C., Frangulea, M., Valente, J., 2021. Visual SLAM pentru animale de interior și agricultură folosind o dronă mică cu o cameră monoculară: un studiu de fezabilitate.
Drones 5 (2), 41. https://doi.org/10.3390/drones5020041.
Kulbacki, M., Segen, J., Knie´c, W., Klempous, R., Kluwak, K., Nikodem, J., Kulbacka, J., Serester, A., 2018. Survey of drones for agriculture automation de la plantare la
recolta. În: INES 2018 – IEEE 22nd International Conference on Intelligent Engineering Systems, pp. 000353–358. https://doi.org/10.1109/INES.2018.8523943.
Lagkas, T., Argyriou, V., Bibi, S., Sarigiannidis, P., 2018. Vizualizări și provocări ale cadrului UAV IoT: către protecția dronelor ca „lucruri”. Senzori 18 (11), 4015. https://doi.org/10.3390/s18114015.
Laliberte, AS, Rango, A., 2011. Proceduri de procesare și clasificare a imaginilor pentru analiza imaginilor sub-decimetrice dobândite cu o aeronavă fără pilot peste aride
pășuni. GISci. Senzori de la distanță 48 (1), 4–23. https://doi.org/10.2747/1548-1603.48.1.4.
Laliberte, AS, Rango, A., Herrick, JE, 2007. Vehicule aeriene fără pilot pentru cartografierea și monitorizarea zonelor de pădure: o comparație a două sisteme. Actele conferinței anuale ASPRS.
Lam, OHY, Dogotari, M., Prüm, M., Vithlani, HN, Roers, C., Melville, B., Zimmer, F., Becker, R., 2021. An open source workflow for weed mapping in native grassland
folosind un vehicul aerian fără pilot: Utilizarea Rumex obtusifolius ca studiu de caz. EURO. 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. Adoptarea, profitabilitatea și utilizarea mai bună a datelor agricole de precizie.
Document de lucru. Universitatea Purdue. https://doi.org/10.22004/ag.econ.28615.
Lelong, CCD, Burger, P., Jubelin, G., Roux, B., Labb´e, S., Baret, F., 2008. Evaluarea imaginilor vehiculelor aeriene fără pilot pentru monitorizarea cantitativă a culturii de grâu în parcele mici. Senzori 8 (5), 3557–3585. https://doi.org/10.3390/s8053557.
Li, C., Niu, B., 2020. Design of smart agriculture based on big data și Internet of Things. 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. Estimarea de la distanță a înălțimii copacului și a biomasei supraterane a porumbului folosind imagini stereo de înaltă rezoluție dintr-un sistem de vehicule aeriene fără pilot cu costuri reduse. 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. Învățarea automată în agricultură: o revizuire. Senzorii 18 (8), 2674.
Liebisch, F., Kirchgessner, N., Schneider, D., Walter, A., Hund, A., 2015. Fenotiparea la distanță, aeriană a trăsăturilor porumbului cu o abordare multi-senzoră mobilă. Plant Methods 11 (1), 9. https://doi.org/10.1186/s13007-015-0048-8.
Lin, Z., Guo, W., 2020. Detectarea și numărarea paniculelor de sorg utilizând imagini cu sisteme aeriene fără pilot și învățare profundă. Față. Plant Sci. 11.
Liu, S., Guo, L., Webb, H., Ya, X., Chang, X., 2019. Sistemul de monitorizare a Internetului lucrurilor al eco-agriculturii moderne bazat pe cloud computing. IEEE Access 7, 37050–37058.
Lopez-Granados, ´ F., 2011. Detectarea buruienilor pentru managementul buruienilor specifice locației: cartografiere și abordări în timp real. Buruiana 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. Monitorizarea timpurie bazată pe obiecte a unei buruieni de iarbă într-o cultură de iarbă folosind imagini UAV de înaltă rezoluție. Agron. Susține. 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. Cartografierea buruienilor la începutul sezonului la floarea-soarelui folosind tehnologia UAV: variabilitatea hărților de tratament cu erbicid față de pragurile buruienilor. Precis. Agric. 17 (2), 183–199.
Lucieer, A., Malenovský, Z., Veness, T., Wallace, L., 2014. HyperUAS – spectroscopie imagistică dintr-un sistem de aeronave fără pilot multirotor. 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. Scanarea cu laser terestră a culturi agricole. În JJ
Chen J. Maas H–G. (Ed.), Arhivele Internaționale de Fotogrammetrie, Teledetecție și Științe ale Informației Spațiale — Arhivele ISPRS (Vol. 37, pp. 563–566).
Societatea Internațională pentru Fotogrammetrie și Teledetecție. 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. O revizuire a clasificării imaginilor de acoperire a terenului bazată pe obiecte supravegheate. ISPRS J. Photogramm. Senzori de la distanță 130,
277–293. https://doi.org/10.1016/j.isprsjprs.2017.06.001.
Maes, WH, Steppe, K., 2019. Perspective pentru teledetecție cu vehicule aeriene fără pilot în agricultura de precizie. 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.
Fenotiparea soiei pe bază de sistem aerian fără pilot (UAS) folosind fuziunea datelor cu mai mulți senzori și mașină de învățare extremă. ISPRS J. Photogramm. Remote Sens. 134, 43–58. https://doi.org/10.1016/j.isprsjprs.2017.10.011. Maimaitijiang, M., Sagan, V., Sidike, P., Daloye, AM, Erkbol, H., Fritschi, FB, 2020.
Monitorizarea culturilor folosind fuziunea datelor satelit/UAV și învățarea automată. Teledetecție 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. Despre utilizarea sistemelor aeriene fără pilot pentru
monitorizarea mediului. Teledetecție 10 (4), 641.
Marinko, RA, 1998. Citate la reviste de studii ale femeilor în disertații, 1989 și The Serials Librarian 35 (1–2), 29–44. https://doi.org/10.1300/J123v35n01_
03.
Masroor, R., Naeem, M., Ejaz, W., 2021. Managementul resurselor în rețelele fără fir asistate de UAV: o perspectivă de optimizare. Rețeaua Ad Hoc. 121, 102596 https://doi.org/10.1016/j.adhoc.2021.102596.
Matese, A., Di Gennaro, SF, 2018. Aplicații practice ale unei platforme UAV multisenzor bazate pe imagini de înaltă rezoluție multispectrale, termice și RGB cu precizie
viticultură. Agricultură 8 (7), 116. https://doi.org/10.3390/agriculture8070116.
Matese, A., Di Gennaro, SF, 2021. Dincolo de indicele tradițional NDVI ca factor cheie pentru a integra utilizarea UAV în viticultura de precizie. 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 Intercompararea UAV, aeronave
și platforme de teledetecție prin satelit pentru viticultura de precizie. Teledetecție 7 (3), 2971–2990. https://doi.org/10.3390/rs70302971.
Mazzia, V., Comba, L., Khaliq, A., Chiaberge, M., Gay, P., 2020. Rafinamentul bazat pe UAV și învățarea automată a unui indice de vegetație condus de satelit pentru precizie
agricultură. Senzori 20 (9), 2530. https://doi.org/10.3390/s20092530.
McCain, KW, 1990. Cartografierea autorilor în spațiul intelectual: o privire de ansamblu tehnic. J. Am. Soc. Info. Sci. 41 (6), 433–443.
Meinen, BU, Robinson, DT, 2021. Modelarea eroziunii agricole: evaluarea estimărilor de eroziune la scară de câmp USLE și WEPP folosind datele din seria temporală a UAV. Mediul. Modell. Software 137, 104962. https://doi.org/10.1016/j.envsoft.2021.104962.
Melville, B., Lucieer, A., Aryal, J., 2019. Clasificarea comunităților de pășuni native de câmpie folosind imagini hiperspectrale Unmanned Aircraft System (UAS) în
Midlands Tasmanian. Drones 3 (1), 5.
Messina, G., Modica, G., 2020. Aplicații ale imaginilor termice UAV în agricultura de precizie: stadiul tehnicii și perspectivele de cercetare viitoare. Teledetecție 12 (9), https://doi.org/10.3390/rs12091491.
Mishra, D., Luo, Z., Jiang, S., Papadopoulos, T., Dubey, R., 2017. Un studiu bibliografic asupra datelor mari: concepte, tendințe și provocări. Managementul proceselor de afaceri J. 23 (3),
555-573.
Mochida, K., Saisho, D., Hirayama, T., 2015. Îmbunătățirea culturilor folosind seturi de date ciclului de viață achiziționate în condiții de câmp. Față. Plant Sci. 6 https://doi.org/10.3389/
fpls.2015.00740.
Mogili, UM.R., Deepak, BBVL, 2018. Recenzie privind aplicarea sistemelor de drone în agricultura de precizie. Procedia Comput. Sci. 133, 502–509.
Moharana, S., Dutta, S., 2016. Variabilitatea spațială a conținutului de clorofilă și azot al orezului din imaginile hiperspectrale. ISPRS J. Photogramm. Remote Sens. 122, 17–29.
Muangprathub, J., Boonnam, N., Kajornkasirat, S., Lekbangpong, N., Wanichsombat, A.,
Nillaor, P., 2019. Analiza datelor IoT și agricultură pentru fermă inteligentă. Calculator. Electron. Agric. 156, 467–474.
Nansen, C., Elliott, N., 2016. Teledetecție și profilarea reflectanței în entomologie. Annu. Rev. Entomol. 61 (1), 139–158. https://doi.org/10.1146/annurev-ento010715-023834.
Navia, J., Mondragon, I., Patino, D., Colorado, J., 2016. Cartografierea multispectrală în agricultură: mozaic de teren folosind un UAV autonom quadcopter. Int. Conf.
Sistem de avioane fără pilot (ICUAS) 2016, 1351–1358. https://doi.org/10.1109/ ICUAS.2016.7502606.
Nayyar, A., Nguyen, B.-L., Nguyen, NG, 2020. Internetul lucrurilor cu drone (Iodt): viziunea viitoare a dronelor inteligente. Adv. Intelege. Syst. Calculator. 1045, 563–580. https://doi.org/10.1007/978-981-15-0029-9_45.
Nebiker, S., Annen, A., Scherrer, M., Oesch, D., 2008. Un senzor multispectral ușor pentru micro UAV-oportunități pentru teledetecție aeriană de foarte înaltă rezoluție. Int. Arc. Fotograma. Remote Sens. Spat. Inf. Sci 37 (B1), 1193–1200.
Negash, L., Kim, H.-Y., Choi, H.-L., 2019. Aplicații emergente UAV în agricultură. În: 2019 a 7-a Conferință Internațională privind Tehnologia Inteligenței Robotilor și
Aplicații (RiTA), pp. 254–257. https://doi.org/10.1109/RITAPP.2019.8932853.
Nerur, SP, Rasheed, AA, Natarajan, V., 2008. Structura intelectuală a domeniului managementului strategic: o analiză de co-citare a autorului. Strateg. Manag. J. 29 (3),
319-336.
Neupane, K., Baysal-Gurel, F., 2021. Identificarea și monitorizarea automată a bolilor plantelor folosind vehicule aeriene fără pilot: o revizuire. Teledetecție 13 (19), 3841. https://doi.org/10.3390/rs13193841.
Nex, F., Remondino, F., 2014. UAV pentru aplicații de cartografiere 3D: o revizuire. Appl. Geomatică 6 (1), 1–15. https://doi.org/10.1007/s12518-013-0120-x.
Niu, H., Hollenbeck, D., Zhao, T., Wang, D., Chen, Y., 2020. Estimarea evapotranspirației cu UAV-uri mici în agricultura de precizie. Senzori 20 (22), 6427. https://
doi.org/10.3390/s20226427.
Osareh, F., 1996. Bibliometrie, Citation Analysis and Co-Citation Analysis. A Review of Literature I 46 (3), 149–158. https://doi.org/10.1515/libr.1996.46.3.149.
P´adua, L., Vanko, J., Hruˇska, J., Ad˜ ao, T., Sousa, JJ, Peres, E., Morais, R., 2017. UAS, sensors, and data processing in agroforestry: o revizuire a aplicațiilor practice. Int. J. Remote Sens. 38 (8–10), 2349–2391. https://doi.org/10.1080/01431161.2017.1297548.
Panday, SUA, Pratihast, AK, Aryal, J., Kayastha, RB, 2020. O revizuire a soluțiilor de date bazate pe drone pentru culturile de cereale. Drones 4 (3), 1–29. https://doi.org/10.3390/
drone4030041.
Parsaeian, M., Shahabi, M., Hassanpour, H., 2020. Estimarea conținutului de ulei și proteine al semințelor de susan folosind procesarea imaginilor și rețeaua neuronală artificială. J. Am. Ulei
Chimiștii Soc. 97 (7), 691–702.
Pena, ˜ JM, Torres-S´anchez, J., de Castro, AI, Kelly, M., Lopez-Granados, ´ F., Suarez, O., Maparea buruienilor în câmpurile de porumb de început de sezon folosind analiza bazată pe obiecte de
Imagini de vehicule aeriene fără pilot (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. Un sistem semi-supravegheat pentru cartografierea buruienilor în culturile de floarea-soarelui folosind vehicule aeriene fără pilot și o metodă de detectare a rândurilor de culturi. 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. Dispozitive IoT rentabile ca surse de date de încredere pentru un sistem de management al apei bazat pe blockchain în agricultura de precizie. Calculator. Electron. Agric. 180, 105889.
Popescu, D., Stoican, F., Stamatescu, G., Ichim, L., Dragana, C., 2020. Advanced UAV–WSN system for intelligent monitoring in precision agriculture. Senzori 20 (3), https://doi.org/10.3390/s20030817.
Pournader, M., Shi, Y., Seuring, S., Koh, SL, 2020. Aplicații blockchain în lanțurile de aprovizionare, transport și logistică: o revizuire sistematică a literaturii. Int. J. Prod. Res. 58 (7), 2063–2081.
Primicerio, J., Di Gennaro, SF, Fiorillo, E., Genesio, L., Lugato, E., Matese, A., Vaccari, FP, 2012. A flexible unmanned aerial vehicle for precision agriculture.
Precis. Agric. 13 (4), 517–523. https://doi.org/10.1007/s11119-012-9257-6.
Pritchard, A., 1969. Bibliografie statistică sau bibliometrie. J. Document. 25 (4), 348–349.
Pudelko, R., Stuczynski, T., Borzecka-Walker, M., 2012. Adecvarea unui vehicul aerian fără pilot (UAV) pentru evaluarea câmpurilor experimentale și a culturilor. Agricultură 99 (4), 431–436.
Puri, V., Nayyar, A., Raja, L., 2017. Drones agricole: o descoperire modernă în agricultura de precizie. J. Statis. Manag. Syst. 20 (4), 507–518.
Radoglou-Grammatikis, P., Sarigiannidis, P., Lagkas, T., Moscholios, I., 2020. O compilație de aplicații UAV pentru agricultura de precizie. Calculator. Netw. 172,
107148 https://doi.org/10.1016/j.comnet.2020.107148.
Ramesh, KV, Rakesh, V., Prakasa Rao, EVS, 2020. Aplicarea analizei datelor mari și a inteligenței artificiale în cercetarea agronomică. indianul J. Agron. 65 (4), 383–395.
Raparelli, E., Bajocco, S., 2019. O analiză bibliometrică privind utilizarea vehiculelor aeriene fără pilot în studiile agricole și forestiere. Int. J. Remote Sens. 40 (24),
9070–9083. https://doi.org/10.1080/01431161.2019.1569793.
Rasmussen, J., Nielsen, J., Garcia-Ruiz, F., Christensen, S., Streibig, JC, Lotz, B., 2013.
Utilizări potențiale ale sistemelor de aeronave fără pilot (UAS) mici în cercetarea buruienilor. Buruiana Res. 53 (4), 242–248.
Rasmussen, J., Ntakos, G., Nielsen, J., Svensgaard, J., Poulsen, RN, Christensen, S., Sunt indicii de vegetație derivați de la camere de calitate pentru consumatori montate pe
UAV-uri suficient de fiabile pentru evaluarea parcelelor experimentale? EURO. 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. Digitalizarea în lanțurile de aprovizionare cu alimente: o revizuire bibliometrică și calea principală a rutei cheie
analiză. Sustenabilitate 14 (1), 83. https://doi.org/10.3390/su14010083.
Rejeb, A., Rejeb, K., Simske, SJ, Treiblmaier, H., 2021a. Drones pentru managementul lanțului de aprovizionare și logistică: o agendă de revizuire și cercetare. Int. J. Logist. Res. Appl.
1–24. https://doi.org/10.1080/13675567.2021.1981273.
Rejeb, A., Rejeb, K., Simske, S., Treiblmaier, H., 2021b. Tehnologii blockchain în logistică și managementul lanțului de aprovizionare: o revizuire bibliometrică. Logistica 5 (4), 72.
https://doi.org/10.3390/logistics5040072.
Rejeb, A., Rejeb, K., Simske, S., Treiblmaier, H., 2021c. Drones umanitare: o agendă de revizuire și cercetare. Internet of Things 16, 100434. https://doi.org/10.1016/j.
iot.2021.100434.
Rejeb, A., Treiblmaier, H., Rejeb, K., Zailani, S., 2021d. Cercetarea blockchain în domeniul sănătății: o revizuire bibliometrică și tendințele actuale de cercetare. J. de date, Inf. și
Manag. 3 (2), 109–124.
Rejeb, A., Simske, S., Rejeb, K., Treiblmaier, H., Zailani, S., 2020. Cercetarea Internet of Things în managementul lanțului de aprovizionare și logistică: o analiză bibliometrică. Internet
of Things 12, 100318.
ReportLinker, 2021. Piața globală a dronelor agricole va ajunge la 15.2 miliarde USD până la Sala de știri YearGlobeNewswire. https://www.globenewswire.com/news-release/2021/08/10/2277986/0/en/Global-Agriculture-Drones-Market-to-Reach-US-15-2-Billion-by-the- Anul-2027.html.
Ribeiro-Gomes, K., Hernandez-L ´ opez, ´ D., Ortega, JF, Ballesteros, R., Poblete, T., Moreno, MA, 2017. Calibrarea și optimizarea camerei termice nerăcite
proces de fotogrammetrie pentru aplicații UAV în agricultură. Senzori (Elveția) 17 (10). https://doi.org/10.3390/s17102173.
Rivera, MA, Pizam, A., 2015. Progrese în cercetarea ospitalității: „De la Rodney Dangerfield la Aretha Franklin”. Int. J. Contempor. Spital. Manag. 27 (3),
362–378. https://doi.org/10.1108/IJCHM-03-2014-0146.
Roldan, ´ JJ, Joossen, G., Sanz, D., Del Cerro, J., Barrientos, A., 2015. Sistem senzorial bazat pe mini-UAV pentru măsurarea variabilelor de mediu în sere. Senzori 15 (2), 3334–3350. https://doi.org/10.3390/s150203334.
Rozenberg, G., Kent, R., Blank, L., 2021. UAV de calitate pentru consumator utilizat pentru detectarea și analizarea modelelor de distribuție spațială a buruienilor de la sfârșitul sezonului în câmpurile comerciale de ceapă. 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. Unmanned sistem de camere spectrale operate de vehicule aeriene (UAV) pentru aplicații forestiere și agricole. Continua. SPIE – Int. Soc. Opta. ing. 8174 https://doi.org/10.1117/12.897585.
Sah, B., Gupta, R., Bani-Hani, D., 2021. Analiza barierelor în implementarea logisticii dronei. 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 și Saha, HN, dronă bazată pe IOT pentru îmbunătățirea calității culturilor în domeniul agricol. În SH
N. Chakrabarti S. (Ed.), 2018 IEEE 8th Annual Computing and Communication Workshop and Conference, CCWC 2018 (Vol. 2018-ianuarie, pp. 612–615). institut
of Electrical and Electronics Engineers Inc. doi: 10.1109/CCWC.2018.8301662.
Sai Vineeth, KV, Vara Prasad, YR, Dubey, SR, Venkataraman, H., 2019. LEDCOM: o comunicare nouă și eficientă bazată pe LED pentru agricultura de precizie. IEEE Conf. Info. comun. Tehnol. 2019, 1–5. https://doi.org/10.1109/CICT48419.2019.9066177.
Salamí, E., Barrado, C., Pastor, E., 2014. Experimente de zbor cu UAV aplicate la teledetecția zonelor vegetate. Teledetecție 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.
Sisteme de imagini aeriene la altitudine joasă, de înaltă rezoluție pentru fenotiparea culturilor de rând și de câmp: o revizuire. EURO. 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. Imagini termice de înaltă rezoluție bazate pe UAV pentru a estima
variabilitatea instantanee și sezonieră a stării apei plantelor într-o podgorie. Agric. Gestionarea apei. 183, 49–59. https://doi.org/10.1016/j.agwat.2016.08.026.
Sarli, CC, Dubinsky, EK, Holmes, KL, 2010. Dincolo de analiza citațiilor: Un model de evaluare a impactului cercetării. J. Med. Biblioteca Conf. univ. : 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. Spectroscopie imagistică legată de știința sistemului pământesc—o evaluare. Remote Sens. Mediu. 113, S123–S137.
Schirrmann, M., Giebel, A., Gleiniger, F., Pflanz, M., Lentschke, J., Dammer, K.-H., 2016. Monitorizarea parametrilor agronomici ai culturilor de grâu de iarnă cu UAV low-cost
imagini. Teledetecție 8 (9). https://doi.org/10.3390/rs8090706.
Schmale III, DG, Dingus, BR, Reinholtz, C., 2008. Dezvoltarea și aplicarea unui vehicul aerian autonom fără pilot pentru eșantionarea aerobiologică precisă de mai sus
câmpuri agricole. J. Field Rob. 25 (3), 133–147. https://doi.org/10.1002/rob.20232.
Shadrin, D., Menshchikov, A., Somov, A., Bornemann, G., Hauslage, J., Fedorov, M.,
Permiterea agriculturii de precizie prin detecție încorporată cu inteligență artificială. IEEE Trans. Instrum. Măs. 69 (7), 4103–4113.
Shakhatreh, H., Sawalmeh, AH, Al-Fuqaha, A., Dou, Z., Almaita, E., Khalil, I.,
Othman, NS, Khreishah, A., Guizani, M., 2019. Unmanned Aerial Vehicles (UAV-uri): un studiu privind aplicațiile civile și provocările cheie în cercetare. IEEE Access 7,
48572–48634. https://doi.org/10.1109/ACCESS.2019.2909530.
Shakoor, N., Northrup, D., Murray, S., Mockler, TC, 2019. Agricultură bazată pe date mari: analiza datelor mari în ameliorarea plantelor, genomica și utilizarea teledetecției
tehnologii pentru creșterea productivității culturilor. Fenomul vegetal J. 2 (1), 1–8.
Sharma, BK, Chandra, G., Mishra, VP, 2019. Analiza comparativă și implicarea UAV și AI în investigațiile criminalistice. În: Proceedings – 2019 Amity International
Conferință despre Inteligența Artificială. https://doi.org/10.1109/AICAI.2019.8701407.
Sharma, R., Shishodia, A., Gunasekaran, A., Min, H., Munim, ZH, 2022. Rolul inteligenței artificiale în managementul lanțului de aprovizionare: cartografierea teritoriului. 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. Vehicule aeriene fără pilot pentru fenotiparea de mare capacitate și cercetarea agronomică. Plus unu
11 (7), e0159781.
Shuai, G., Martinez-Feria, RA, Zhang, J., Li, S., Price, R., Basso, B., 2019. Capturarea eterogenității arboretului de porumb în zonele de stabilitate a randamentului utilizând aeriană fără pilot
Vehicule (UAV). Senzori 19 (20), 4446. https://doi.org/10.3390/s19204446.
Small, H., 1973. Co-citare în literatura științifică: o nouă măsură a relației dintre două documente. J. Am. Soc. Info. Sci. 24 (4), 265–269.
Small, H., Rorvig, ME, Lunin, LF, 1999. Visualizing science by citation mapping. J. Am. Soc. Info. Sci. 50 (9), 799–813.
Soares, VHA, Ponti, MA, Gonçalves, RA, Campello, RJGB, 2021. Numărarea vitelor în sălbăticie cu imagini aeriene geolocalizate în zone mari de pășune. Calculator. Electron. Agric. 189, 106354 https://doi.org/10.1016/j.compag.2021.106354.
Srivastava, K., Pandey, PC, Sharma, JK, 2020. O abordare pentru optimizarea rutelor în aplicațiile agriculturii de precizie folosind UAV-uri. Drones 4 (3), 58. https://doi.org/ 10.3390/drones4030058.
Stafford, JV, 2000. Implementarea agriculturii de precizie în secolul XXI. J. Agric. ing. Res. 21 (76), 3–267.
Su, J., Coombes, M., Liu, C., Guo, L., Chen, W.-H., 2018. Evaluarea secetei de grâu prin imagini de teledetecție folosind vehicule aeriene fără pilot. În 2018, a 37-a Conferință Chineză de Control (CCC).
Su, J., Liu, C., Coombes, M., Hu, X., Wang, C., Xu, X., Li, Q., Guo, L., Chen, W.-H., 2018. Monitorizarea ruginii galbene de grâu prin învățarea din imaginile aeriene multispectrale UAV.
Calculator. Electron. Agric. 155, 157–166. https://doi.org/10.1016/j. compag.2018.10.017.
Su, Y., Wang, X., 2021. Inovarea managementului economic agricol în procesul de construire a agriculturii inteligente prin date mari. Calculator durabil. Inf. Syst. 31, 100579 https://doi.org/10.1016/j.suscom.2021.100579.
Sullivan, DG, Fulton, JP, Shaw, JN, Bland, GL, 2007. Evaluarea sensibilității unui sistem aerian cu infraroșu termic fără pilot pentru a detecta stresul hidric într-un baldachin de bumbac. Trans. ASABE 50 (6), 1955–1962.
Sumesh, KC, Ninsawat, S., Som-ard, J., 2021. Integrarea indicelui de vegetație bazat pe RGB, modelul de suprafață a culturii și abordarea de analiză a imaginii bazată pe obiect pentru estimarea randamentului trestiei de zahăr folosind un vehicul aerian fără pilot. Calculator. Electron. 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. A light-weight hyperspectral mapping system for
vehicule aeriene fără pilot — primele rezultate. În: 2013 5th Workshop on Hyperspectral Image and Signal Processing: Evolution in Remote Sensing (WHISPERS), pp. 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. Un hiperspectral ușor
sistem de cartografiere și lanț de procesare fotogrammetrică pentru vehicule aeriene fără pilot. Teledetecție 6 (11), 11013–11030. https://doi.org/10.3390/
rs61111013.
Syeda, IH, Alam, MM, Illahi, U., Su'ud, MM, 2021. Strategii de control avansate folosind procesarea imaginilor, UAV și AI în agricultură: O revizuire. Lumea J. ing. 18 (4),
579–589. https://doi.org/10.1108/WJE-09-2020-0459.
Tahai, A., Rigsby, JT, 1998. Procesarea informațiilor folosind citate pentru a investiga influența jurnalului în contabilitate. Inf. Proces. Administra. 34 (2–3), 341–359.
Tang, Y., Dananjayan, S., Hou, C., Guo, Q., Luo, S., He, Y., 2021. Un sondaj privind rețeaua 5G și impactul acesteia asupra agriculturii: provocări și oportunități. Calculator.
Electron. Agric. 180, 105895 https://doi.org/10.1016/j.compag.2020.105895.
Tantalaki, N., Souravlas, S., Roumeliotis, M., 2019. Luarea deciziilor bazate pe date în agricultura de precizie: creșterea datelor mari în sistemele agricole. J. Agric. Informații alimentare.
20 (4), 344-380.
Tao, H., Feng, H., Xu, L., Miao, M., Yang, G., Yang, X., Fan, L., 2020. Estimarea randamentului și a înălțimii plantelor de grâu de iarnă folosind UAV- imagini hiperspectrale bazate.
Senzorii 20 (4), 1231.
Techy, L., Schmale III, DG, Woolsey, CA, 2010. Eșantionarea aerobiologică coordonată a unui agent patogen de plante în atmosfera inferioară folosind două vehicule aeriene autonome fără pilot. 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. Detectarea și clasificarea dăunătorilor de soia folosind deep learning
cu imagini UAV. Calculator. Electron. Agric. 179, 105836.
Thamm, H.-P., Menz, G., Becker, M., Kuria, DN, Misana, S., Kohn, D., 2013. The Use of Uas for Assessing Agricultural Systems in AN Wetland in Tanzania in the— Și WetSeason pentru o agricultură durabilă și furnizarea de adevăruri de bază pentru datele Terra-Sar X. În: ISPRS – International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, pp. 401–406. https://doi.org/10.5194/isprsarchivesXL-1-W2-401-2013.
Thelwall, M., 2008. Bibliometrie la webometrie. J. Info. Sci. 34 (4), 605–621.
Torres-Sanchez, ´ J., Lopez-Granados, ´ F., Pena, ˜ JM, 2015. O metodă automată bazată pe obiecte pentru o prag optimă în imaginile UAV: aplicație pentru detectarea vegetației în culturile erbacee. Calculator. Electron. 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. Monitorizare 3-D de mare performanță a plantațiilor agricole de arbori cu Tehnologia vehiculului aerian fără pilot (UAV). PLoS ONE 10 (6), e0130479.
Torres-Sanchez, ´ J., Pena, ˜ JM, de Castro, AI, Lopez-Granados, ´ F., 2014. Cartografierea multi-temporală a fracției de vegetație în câmpurile de grâu de început de sezon folosind imagini de la UAV. Calculator. Electron. Agric. 103, 104–113. https://doi.org/10.1016/j. compag.2014.02.009.
Tsouros, DC, Bibi, S., Sarigiannidis, PG, 2019. O revizuire a aplicațiilor bazate pe UAV pentru agricultura de precizie. Informații (Elveția) 10 (11). https://doi.org/10.3390/info10110349.
Tu, Y.-H., Phinn, S., Johansen, K., Robson, A., Wu, D., 2020. Optimizarea planificării zborului cu drone pentru măsurarea structurii culturilor de arbori horticole. 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 of Things in agriculture, recent advances and future challenges. Biosyst. ing. 164, 31–48.
https://doi.org/10.1016/j.biosystemseng.2017.09.007.
Uddin, A., Singh, VK, Pinto, D., Olmos, I., 2015. Cartografierea scientometrică a cercetării informatice în Mexic. Scientometria 105 (1), 97–114.
UN., 2019. World population perspectives 2019. https://population.un.org/wpp/ (Accesat la 15/04/2022).
Uto, K., Seki, H., Saito, G., Kosugi, Y., 2013. Caracterizarea orezelor printr-un sistem de senzori hiperspectral miniatural montat cu UAV. IEEE J. Sel. Top. Appl. Obs. Pământ.
Remote Sens. 6 (2), 851–860. https://doi.org/10.1109/JSTARS.2013.2250921. van der Merwe, D., Burchfield, DR, Witt, TD, Price, KP, Sharda, A., 2020. Drones în
agricultură. Adv. Agron. 162, 1–30.
Velusamy, P., Rajendran, S., Mahendran, RK, Naseer, S., Shafiq, M., Choi, J.-G., 2022.
Vehicule aeriene fără pilot (UAV) în agricultura de precizie: aplicații și provocări. Energii 15 (1), 217. https://doi.org/10.3390/en15010217.
Ventura, D., Bonifazi, A., Gravina, MF, Belluscio, A., Ardizzone, G., 2018. Cartografierea și clasificarea habitatelor marine sensibile din punct de vedere ecologic utilizând Unmanned Aerial
Imaginile vehiculelor (UAV) și analiza imaginilor bazate pe obiecte (OBIA). Teledetecție 10 (9), 1331. https://doi.org/10.3390/rs10091331.
Verger, A., Vigneau, N., Ch´eron, C., Gilliot, J.-M., Comar, A., Baret, F., 2014. Indice de suprafață verde dintr-un sistem aerian fără pilot peste culturile de grâu și rapiță . Remote Sens. Mediu. 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. Implementarea a patru senzori optici bazați pe UAV peste pășuni: provocări și
limitări. Biogeosciences 12 (1), 163–175. https://doi.org/10.5194/bg-12-163-2015.
Vuran, MC, Salam, A., Wong, R., Irmak, S., 2018. Internetul lucrurilor subterane în agricultura de precizie: aspecte de arhitectură și tehnologie. Rețeaua Ad Hoc. 81,
160–173. https://doi.org/10.1016/j.adhoc.2018.07.017.
Wamba, SF, Queiroz, MM, 2021. Inteligența artificială responsabilă ca ingredient secret pentru sănătatea digitală: analiză bibliometrică, perspective și direcții de cercetare.
Info. Syst. Față. 1–16.
Wang, L., Zhang, G., Wang, Z., Liu, J., Shang, J., Liang, L., 2019. Analiza bibliometrică a tendinței cercetării cu teledetecție în monitorizarea creșterii culturilor: un studiu de caz în China. Teledetecție 11 (7). https://doi.org/10.3390/rs11070809.
White, HD, Griffith, BC, 1981. Cocitarea autorului: O măsură de literatură a structurii intelectuale. J. Am. Soc. Info. Sci. 32 (3), 163–171.
Xiang, H., Tian, L., 2011. Dezvoltarea unui sistem de teledetecție agricol cu costuri reduse bazat pe un vehicul aerian autonom fără pilot (UAV). Biosyst. ing. 108 (2), 174–190. https://doi.org/10.1016/j.biosystemseng.2010.11.010.
Xie, C., Yang, C., 2020. O revizuire a trăsăturilor de fenotipizare a plantelor cu randament ridicat folosind senzori bazați pe UAV. Calculator. Electron. Agric. 178, 105731 https://doi.org/10.1016/j.
compag.2020.105731.
Yao, H., Qin, R., Chen, X., 2019. Vehicul aerian fără pilot pentru aplicații de teledetecție — o revizuire. Teledetecție 11 (12). https://doi.org/10.3390/
rs11121443.
Yeom, S., 2021. Urmărirea persoanelor în mișcare și îndepărtarea urmelor false cu imagini termice în infraroșu de către un multirotor. Drones 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. O comparație a estimării parametrilor recoltei folosind imagini de la UAV montat
Senzor hiperspectral instantaneu și cameră digitală de înaltă definiție. Teledetecție 10 (7), 1138. https://doi.org/10.3390/rs10071138.
Yue, J., Yang, G., Li, C., Li, Z., Wang, Y., Feng, H., Xu, B., 2017. Estimarea biomasei supraterane a grâului de iarnă folosind vehicule aeriene fără pilot- instantaneu bazat
Senzor hiperspectral și modele îmbunătățite pentru înălțimea recoltei. Teledetecție 9 (7). https://doi.org/10.3390/rs9070708.
Zahawi, RA, Dandois, JP, Holl, KD, Nadwodny, D., Reid, JL, Ellis, EC, 2015. Utilizarea de vehicule aeriene ușoare fără pilot pentru a monitoriza recuperarea pădurilor tropicale. Biol.
Conserv. 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.
Platformă IoT pentru agricultură inteligentă bazată pe edge și cloud computing. Biosyst. ing. 177,
4-17.
Zarco-Tejada, PJ, Diaz-Varela, R., Angileri, V., Loudjani, P., 2014. Cuantificarea înălțimii arborilor folosind imagini de foarte înaltă rezoluție achiziționate dintr-o antenă fără pilot
vehicul (UAV) și metode automate de foto-reconstrucție 3D. EURO. 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. Fenotiparea pe bază de imagini a intensității înfloririi în culturile sezonului rece. Senzori 20 (5), 1450. https://doi.org/10.3390/s20051450.
Zhang, C., Kovacs, JM, 2012. Aplicarea sistemelor aeriene mici fără pilot pentru agricultura de precizie: o revizuire. Precis. Agric. 13 (6), 693–712. https://doi.org/
10.1007/s11119-012-9274-5.
Zhang, L., Zhang, H., Niu, Y., Han, W., 2019. Cartografierea stresului hidric de porumb pe baza teledetecției multispectrale UAV. Teledetecție 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. O abordare bazată pe învățarea profundă pentru rugina galbenă automatizată
detectarea bolii din imagini UAV hiperspectrale de înaltă rezoluție. Teledetecție 11 (13), 1554.
Zhao, X., Zhang, J., Huang, Y., Tian, Y., Yuan, L., 2022. Detectarea și discriminarea bolilor și stresului insectelor la plantele de ceai folosind imagini hiperspectrale combinate cu analiza wavelet. Calculator. Electron. Agric. 193, 106717 https://doi.org/10.1016/j. compag.2022.106717.
Zheng, A., Wang, M., Li, C., Tang, J., Luo, B., 2022. Adaptarea domeniului advers ghidat de entropie pentru segmentarea semantică a imaginilor aeriene. IEEE Trans. G
Zheng, H., Cheng, T., Yao, X., Deng, X., Tian, Y., Cao, W., Zhu, Y., 2016. Detectarea fenologiei orezului prin analiza serii de timp a spectrului de la sol date de index. Culturi de câmp Res. 198, 131–139. https://doi.org/10.1016/j.fcr.2016.08.027.
Zheng, J., Yang, W., 2018. Proiectarea unui sistem de însămânțare cu scurgeri în agricultură de precizie bazat pe senzori fără fir. Int. J. Online Ing. 14 (05), 184.
Zhou, L., Gu, X., Cheng, S., Yang, G., Shu, M., Sun, Q., 2020. Analiza modificărilor înălțimii plantelor la porumb depozitat folosind datele UAV-LiDAR. Agricultură 10 (5), 146. https://
doi.org/10.3390/agriculture10050146.
Zhou, S., Chai, X., Yang, Z., Wang, H., Yang, C., Sun, T., 2021. Maize-IAS: Un software de analiză a imaginilor de porumb care utilizează învățarea profundă pentru fenotiparea plantelor cu randament ridicat . Plant Methods 17 (1), 48. https://doi.org/10.1186/s13007-021-00747-0.
Zhou, X., Zheng, HB, Xu, XQ, He, JY, Ge, XK, Yao, X., Cheng, T., Zhu, Y., Cao, WX, Tian, YC, 2017. Prezicerea randamentului de cereale în orez folosind vegetație multi-temporală
indici din imagini multispectrale și digitale bazate pe UAV. ISPRS J. Photogramm. Remote Sens. 130, 246–255. https://doi.org/10.1016/j.isprsjprs.2017.05.003.
Zhou, Y., Xie, Y., Shao, L., 2016. Simularea tehnologiei de bază a unui sistem de monitorizare a serelor bazat pe o rețea de senzori fără fir. Int. J. Online Ing. 12 (05),
43.
Zhou, Z., Majeed, Y., Diverres Naranjo, G., Gambacorta, EMT, 2021. Evaluarea stresului hidric al culturilor cu imagini termice în infraroșu în agricultura de precizie: o revizuire
și perspectivele viitoare pentru aplicațiile de deep learning. Calculator. Electron. Agric. 182, 106019 https://doi.org/10.1016/j.compag.2021.106019.