Abderahmans Rejebs a , Alireza Abdollahi b , Karims Rejebs c , Horsts Treiblmaiers d,
- a Vadības un tiesību katedra, Ekonomikas fakultāte, Romas Universitāte Tor Vergata, Via Columbia, 2, Roma 00133, Itālija
- b Kharazmi Universitātes Vadības fakultātes Biznesa administrācijas katedra, 1599964511 Teherāna, Irāna
- c Bizertes Zinātņu fakultāte, Kartāgas Universitāte, Zarzouna, 7021 Bizerte, Tunisija
- d Starptautiskās vadības skola, Modul University Vīne, Am Kahlenberg 1, 1190 Vīne, Austrija
RAKSTA INFORMĀCIJA | ANOTĀCIJA |
atslēgvārdi: Drones UAV Precīzā lauksaimniecība Lietisko internetu Bibliometrika | Drons, ko sauc arī par bezpilota lidaparātiem (UAV), pēdējo desmitgažu laikā ir piedzīvojis ievērojamu attīstību. Lauksaimniecībā viņi ir mainījuši lauksaimniecības praksi, piedāvājot lauksaimniekiem ievērojamus izmaksu ietaupījumus darbības efektivitāti un labāku rentabilitāti. Pēdējo desmitgažu laikā lauksaimniecības dronu tēma ir bijusi piesaistīja ievērojamu akadēmisko uzmanību. Tāpēc mēs veicam visaptverošu pārskatu, pamatojoties uz bibliometriju apkopot un strukturēt esošo akadēmisko literatūru un atklāt pašreizējās pētniecības tendences un karstos punktus. Mēs izmantot bibliometriskās metodes un analizēt literatūru par lauksaimniecības droniem, lai apkopotu un novērtēt iepriekšējos pētījumus. Mūsu analīze liecina, ka attālā uzrāde, precīzā lauksaimniecība, dziļā mācīšanās, mašīnmācība un lietiskais internets ir kritiskas tēmas saistībā ar lauksaimniecības droniem. Kopcits analīze atklāj sešas plašas pētījumu kopas literatūrā. Šis pētījums ir viens no pirmajiem mēģinājumiem apkopot dronu pētījumus lauksaimniecībā un ieteikt turpmākos pētījumu virzienus. |
Ievads
Lauksaimniecība ir galvenais pārtikas avots pasaulē (Friha et al., 2021), un tā ir saskārusies ar nopietnām problēmām saistībā ar
pieaugošais pieprasījums pēc pārtikas produktiem, pārtikas nekaitīguma un drošības apsvērumi, kā arī aicinājumi uz vides aizsardzību, ūdens saglabāšanu un
ilgtspējība (Inoue, 2020). Tiek prognozēts, ka šī attīstība turpināsies, jo tiek lēsts, ka pasaules iedzīvotāju skaits līdz 9.7. gadam sasniegs 2050 miljardus
(2019). Tā kā lauksaimniecība ir spilgtākais ūdens patēriņa piemērs pasaulē, sagaidāms, ka pieprasījums pēc pārtikas un ūdens
patēriņš pārskatāmā nākotnē krasi pieaugs. Turklāt pieaugošais mēslošanas līdzekļu un pesticīdu patēriņš
kopā ar lauksaimniecības darbību intensificēšanu nākotnē varētu radīt vides problēmas. Tāpat aramzeme ir ierobežota, un
lauksaimnieku skaits pasaulē samazinās. Šīs problēmas akcentē vajadzību pēc inovatīviem un ilgtspējīgiem lauksaimniecības risinājumiem (Elija
et al., 2018; Friha et al., 2021; Inoue, 2020; Tzounis et al., 2017).
Jaunu tehnoloģiju iekļaušana ir atzīta par daudzsološu risinājumu šo problēmu risināšanai. Gudra lauksaimniecība (Brewster et al.,
2017. gads; Tang et al., 2021) un precīzā lauksaimniecība (Feng et al., 2019; Khanna & Kaur, 2019) ir parādījušies šādu debašu rezultātā. The
pirmais ir vispārējs jēdziens informācijas komunikācijas tehnoloģiju (IKT) un citu progresīvu inovāciju ieviešanai lauksaimniecības darbībās, lai palielinātu efektivitāti un iedarbīgumu (Haque et al., 2021). Pēdējais ir vērsts uz vietas specifisku apsaimniekošanu, kurā zeme ir sadalīta
viendabīgas daļas, un katra daļa iegūst precīzu lauksaimniecībā izmantojamo ieguldījumu ražas optimizēšanai, izmantojot jaunas tehnoloģijas (Feng et al., 2019; Khanna & Kaur, 2019). Ievērojamās tehnoloģijas, kas ir piesaistījušas zinātnieku uzmanību šajā jomā, ir bezvadu sensoru tīkli (WSN) (J. Zheng & Yang, 2018; Y. Zhou et al., 2016), lietu internets (IoT) (Gill et al., 2017; He et al., 2021; Liu et al., 2019),
mākslīgā intelekta (AI) metodes, tostarp mašīnmācīšanās un dziļā mācīšanās (Liakos et al., 2018; Parsaeian et al., 2020; Shadrin et al.,
2019), skaitļošanas tehnoloģijas (Hsu et al., 2020; Jinbo et al., 2019; Zamora-Izquierdo et al., 2019), lielie dati (Gill et al., 2017; Tantalaki
et al., 2019), un blokķēdi (PW Khan et al., 2020; Pincheira et al., 2021).
Papildus iepriekš minētajām tehnoloģijām attālā uzrāde ir uzskatīta par tehnoloģisku instrumentu ar augstu pilnveidošanās potenciālu
gudra un precīza lauksaimniecība. Satelīti, cilvēku apkalpes lidmašīnas un droni ir populāras attālās uzrādes tehnoloģijas (Tsouros et al., 2019).
Drons, ko tautā dēvē par bezpilota lidaparātiem (UAV), bezpilota gaisa kuģu sistēmām (UAS) un attālināti pilotējamiem lidaparātiem, ir
liela nozīme, jo tām ir vairākas priekšrocības salīdzinājumā ar citām attālās uzrādes tehnoloģijām. Piemēram, droni var piegādāt
augstas kvalitātes un augstas izšķirtspējas attēli mākoņainās dienās (Manfreda et al., 2018). Arī to pieejamība un pārsūtīšanas ātrums ir cits
priekšrocības (Radoglou-Grammatikis et al., 2020). Salīdzinot ar lidmašīnām, droni ir ļoti rentabli, un tos ir viegli uzstādīt un uzturēt (Tsouros et al., 2019). Neskatoties uz to, ka sākotnēji tos galvenokārt izmantoja militāriem nolūkiem, bezpilota lidaparāti var būt noderīgi daudziem civiliem lietojumiem, piemēram, piegādes ķēdes pārvaldībā (A. Rejeb, Rejeb, et al., 2021a), humānās palīdzības nolūkos (A. Rejeb, Rejeb, et al., 2021c), viedā lauksaimniecība, uzmērīšana un kartēšana, kultūras mantojuma dokumentēšana, katastrofu pārvaldība un mežu un savvaļas dzīvnieku saglabāšana (Panday, Pratihast, et al., 2020). Lauksaimniecībā pastāv dažādas dronu pielietojuma jomas, jo tās var integrēt ar jaunām tehnoloģijām, skaitļošanas iespējām un iebūvētiem sensoriem, lai atbalstītu ražas pārvaldību (piemēram, kartēšanu, uzraudzību, apūdeņošanu, augu diagnostiku) (H. Huang et al., 2021). , katastrofu samazināšana, agrīnās brīdināšanas sistēmas, savvaļas dzīvnieku un mežsaimniecības saglabāšana (Negash et al., 2019). Līdzīgi dronus var izmantot vairākās lauksaimniecības darbībās, tostarp ražas un augšanas uzraudzībā, ražas novērtēšanā, ūdens slodzes novērtēšanā un nezāļu, kaitēkļu un slimību noteikšanā (Inoue, 2020; Panday, Pratihast et al., 2020). Dronus var izmantot ne tikai uzraudzības, novērtēšanas un noteikšanas nolūkos, pamatojoties uz to sensorajiem datiem, bet arī precīzai apūdeņošanai un precīzai nezāļu, kaitēkļu un slimību pārvaldībai. Citiem vārdiem sakot, droni spēj izsmidzināt ūdeni un pesticīdus precīzos daudzumos, pamatojoties uz vides datiem. Dronu priekšrocības lauksaimniecībā ir apkopotas 1. tabulā.
Galvenās dronu priekšrocības lauksaimniecībā.
Labums | Atsauce(-es) |
Uzlabojiet laiku un telpisko uztveršanas rezolūcijas | (Gago et al., 2015; Niu et al., 2020; Srivastava et al., 2020) |
Veicināt precīzo lauksaimniecību | (L. Deng et al., 2018; Kalischuk et al., 2019; Maimaitijiang et al., 2017) |
Klasifikācija un izlūkošana labības | (Inoue, 2020; Kalischuk et al., 2019; Lopez-´ Granados et al., 2016; Maimaitijiang et al., 2017; Melville et al., 2019; Moharana un Dutta, 2016) |
Mēslojuma lietošana | (L. Deng et al., 2018; Guan et al., 2019) |
Sausuma uzraudzība | (Fawcett et al., 2020; Panday, Pratihast u.c., 2020. gads; Su et al., 2018) |
Biomasas novērtējums | (Bendigs et al., 2014) |
Ražas novērtējums | (Inoue, 2020; Panday, Shrestha u.c., 2020; Tao et al., 2020) |
Katastrofu mazināšana | (Negash et al., 2019) |
Savvaļas dzīvnieku saglabāšana un mežkopība | (Negash et al., 2019; Panday, Pratihast u.c., 2020) |
Ūdens slodzes novērtējums | (Inoue, 2020; J. Su, Coombes et al., 2018; L. Džans et al., 2019) |
Kaitēkļi, nezāles un slimības atklāšana | (Gaˇsparovi´c et al., 2020; Inoue, 2020; J. Su, Liu, et al., 2018; X. Zhang et al., 2019) |
No otras puses, droniem ir arī ierobežojumi. Pilota iesaistīšanās, dzinēja jauda, stabilitāte un uzticamība, sensoru kvalitāte, pateicoties kravnesībai
svara ierobežojumi, ieviešanas izmaksas un aviācijas regulējums ir viens no tiem (C. Zhang & Kovacs, 2012). Mēs salīdzinām trūkumus
no trim mobilajām attālās uzrādes tehnoloģijām 2. tabulā. Citas attālās izpētes tehnoloģijas, piemēram, augsnes sensori, nav šī pētījuma uzmanības centrā.
Dažādu mobilo attālās uzrādes tehnoloģiju nepilnības.
Attālā uzrāde tehnoloģijām | Nepilnības | Atsauces |
Drons (UAV) | Pilotu iesaiste; attēli' kvalitāte (vidēja); ieviešanas izmaksas (vidējās); stabilitāte, manevrētspēja un uzticamība; standartizācija; dzinēja jauda; ierobežota jauda avoti (akumulatora ilgmūžība); ierobežots lidojuma ilgums, sadursme un kiberuzbrukumiem; ierobežots kravnesības svars; lielas datu kopas un ierobežota datu apstrāde spējas; regulējuma trūkums; zināšanu trūkums, augsts ienākšanas līmenis šķēršļi piekļuvei lauksaimniecības droni; | (Bacco et al., 2018; Dawaliby et al., 2020; Hardins un Hardins, 2010; Hardins un Jensens, 2011; Lagkas et al., 2018. gads; Laliberte et al., 2007; Laliberte & Rango, 2011; Manfreda et al., 2018, 2018; Nebiker et al., 2008; Puri et al., 2017; Velusamy et al., 2022. gads; C. Džans un Kovacs, 2012) |
Satelīts | Periodisks satelīta pārklājums, ierobežota spektrālā izšķirtspēja; neaizsargātība pret redzamības problēmām (piem., mākoņi); Nepieejamība un zems pārsūtīšanas ātrums; orientācija un vinjetēšana rada dārgus telpiskos datus kolekcija; lēna datu piegāde laiks gala lietotājiem | (Aboutalebi et al., 2019; Cen et al., 2019; Chen et al., 2019. gads; Nansens un Eliots, 2016. gads; Panday, Pratihast, et al., 2020; Sajs Vīneth et al., 2019) |
Lidaparāts | Augstas adopcijas izmaksas; sarežģīta uzstādīšana; uzturēšanas izmaksas; uzticama nepieejamība lidmašīnas, ģeometrija attēli; neregulāri dati iegūšana; elastības trūkums; nāvējoši negadījumi; sensora dati svārstības vibrāciju dēļ; ģeoreferences problēmas | (Armstrong et al., 2011; Atkinsons et al., 2018; Barbedo & Koenigkan, 2018; Kovaļovs un Vorošilova, 2020. gads; Suomalainen et al., 2013. gads; Thamm et al., 2013) |
Kā daudznozaru un daudzfunkcionāla tehnoloģija lauksaimniecībā, droni ir pētīti no dažādām perspektīvām. Piemēram, zinātnieki ir pētījuši dronu pielietojumu lauksaimniecībā (Kulbacki et al., 2018; Mogili & Deepak, 2018), to ieguldījumu precīzajā lauksaimniecībā (Puri et al., 2017; Tsouros et al., 2019), to komplementaritāti ar citiem. visprogresīvākās tehnoloģijas (Al-Thani et al., 2020; Dutta & Mitra, 2021; Nayyar et al., 2020; Saha et al., 2018) un iespējas uzlabot to navigācijas un sensoru spējas (Bareth et al. , 2015; Suomalainen et al., 2014). Tā kā pētījumi par dronu lietojumiem lauksaimniecībā ir kļuvuši plaši izplatīti (Khan et al., 2021)), ir jāapkopo esošā literatūra un jāatklāj domēna intelektuālā struktūra. Turklāt, tā kā augsto tehnoloģiju joma ar nepārtrauktiem uzlabojumiem, ir jāveic strukturēti pārskati, lai periodiski apkopotu esošo literatūru un noteiktu svarīgus pētījumu trūkumus. Uz
datumā, ir maz atsauksmju, kurās apspriesti bezpilota lidaparātu lietojumi lauksaimniecības nozarē. Piemēram, Mogili un Deepak (2018) īsi pārskatīja dronu ietekmi uz kultūraugu uzraudzību un pesticīdu izsmidzināšanu. Inoue (2020) veic satelītu un bezpilota lidaparātu izmantošanas attālās izpētes pārskatu lauksaimniecībā. Autors pēta viedās lauksaimniecības ieviešanas tehnoloģiskos izaicinājumus un satelītu un dronu ieguldījumu, pamatojoties uz gadījumu izpēti un labāko praksi. Tsouros et al. (2019) apkopo dažādus dronu veidus un to galvenos pielietojumus lauksaimniecībā, izceļot dažādas datu iegūšanas un apstrādes metodes. Pavisam nesen Aslan et al. (2022) veica visaptverošu bezpilota lidaparātu lietojumu pārskatu lauksaimniecības darbībās un uzsvēra vienlaicīgas UAV lokalizācijas un kartēšanas nozīmi siltumnīcā. Diaz-Gonzalez et al. (2022) pārskatīja jaunākos pētījumus par ražas ražošanu, pamatojoties uz dažādām mašīnmācīšanās metodēm un attālināti
sensoru sistēmas. Viņu atklājumi norādīja, ka bezpilota lidaparāti ir noderīgi, lai novērtētu augsnes indikatorus un pārspēj satelītu sistēmas telpiskās izšķirtspējas, informācijas temporalitātes un elastības ziņā. Basiri et al. (2022) veica izsmeļošu pārskatu par dažādām pieejām un metodēm, lai pārvarētu ceļu plānošanas izaicinājumus daudzrotoru bezpilota lidaparātiem precīzās lauksaimniecības kontekstā. Turklāt Awais et al. (2022) apkopoja UAV attālās uzrādes datu pielietojumu kultūraugiem, lai novērtētu ūdens stāvokli, un sniedza padziļinātu sintēzi par UAV attālās izpētes potenciālo potenciālu izšķērdēšanas stresa pielietošanai. Visbeidzot, Aquilani et al. (2022) pārskatīja iepriekšējas lauksaimniecības tehnoloģijas, kas tiek izmantotas ganību lopkopības sistēmās, un secināja, ka bezpilota lidaparātu nodrošinātā attālā uzrāde ir izdevīga biomasas novērtēšanai un ganāmpulka pārvaldībai.
Nesen tika ziņots arī par centieniem izmantot bezpilota lidaparātus ganāmpulku uzraudzībai, izsekošanai un apkopošanai.
Lai gan šie pārskati sniedz jaunas un svarīgas atziņas, literatūrā nav atrodams visaptverošs un aktuāls pārskats, kas balstīts uz bibliometriju, kas liecina par nepārprotamu zināšanu trūkumu. Turklāt ir norādīts, ka tad, kad zinātniskā produkcija pieaug zinātnes jomā, pētniekiem kļūst ļoti svarīgi izmantot kvantitatīvās pārskatīšanas pieejas, lai izprastu jomas zināšanu struktūru (Rivera & Pizam, 2015). Līdzīgi Ferreira et al. (2014) apgalvoja, ka, pētniecības jomām nobriest un kļūstot sarežģītām, zinātniekiem ir jācenšas laiku pa laikam izprast radītās un uzkrātās zināšanas, lai atklātu jaunus ieguldījumus, aptvertu pētniecības tradīcijas un tendences, noteiktu, kuras tēmas tiek pētītas, un iedziļināties zināšanu struktūrā. joma un potenciālie pētniecības virzieni. Lai gan Raparelli un Bajocco (2019) veica bibliometrisko analīzi, lai pārbaudītu zināšanu jomu par dronu lietojumiem lauksaimniecībā un mežsaimniecībā, viņu pētījumā ņemti vērā tikai zinātniskie pētījumi, kas publicēti no 1995. līdz 2017. gadam, kas neatspoguļo šīs strauji mainīgās jomas dinamiku. Turklāt autori nemēģināja identificēt ietekmīgākos ieguldījumus šajā jomā, apkopot literatūru un novērtēt intelektuālo struktūru, izmantojot līdzcitēšanas analīzi. Rezultātā ir nepieciešams apkopot literatūru, lai atklātu aktuālos pētījumu fokusus, tendences un karstos punktus.
Lai aizpildītu šo zināšanu trūkumu, mēs izmantojam kvantitatīvo metodoloģiju un stingras bibliometriskās metodes, lai pārbaudītu pašreizējo pētījumu stāvokli dronu un lauksaimniecības krustpunktā. Mēs apgalvojam, ka pašreizējais pētījums sniedz vairākus ieguldījumus esošajā literatūrā, pētot jaunu tehnoloģiju, kas ir ļoti nepieciešama lauksaimniecībā, jo tā sniedz milzīgu potenciālu mainīt vairākus aspektus šajā nozarē. Nepieciešamība pēc lauksaimniecības dronu bibliometriskās analīzes tiek uztverta vēl vairāk, ņemot vērā izkaisītās un sadrumstalotās zināšanas par droniem lauksaimniecības kontekstā. Tāpat ir nepieciešams sistemātiski apkopot literatūru, kas attiecas uz lauksaimniecības droniem, ņemot vērā ietekmīgākos pētījumus, kas veido šīs pētniecības jomas pamatu. Analīzes nopelns ietver arī galveno literatūrā pārstāvēto pētījumu tēmu noskaidrošanu. Ņemot vērā tehnoloģijas transformācijas potenciālu, mēs uzskatām, ka padziļināta tīkla analīze sniedz jaunus ieskatus, nosakot ietekmīgus darbus un atklājot tēmas par dronu potenciālu lauksaimniecībā.
Tāpēc mēs cenšamies sasniegt šādus pētniecības mērķus:
- Ietekmīgu publikāciju identificēšana ar izcilu ieguldījumu bezpilota lidaparātu lietošanā lauksaimniecības jomā.
- Literatūras klasterizācija, pētījumu fokusu noteikšana un galveno “intelektuālās struktūras” pētījumu kartēšana, pamatojoties uz semantisko līdzību, izmantojot līdzcitēšanas analīzi.
- Izpratne par saikņu un citēšanas tīklu attīstību laika gaitā starp dažādām publikācijām šajā jomā un nākotnes pētniecības virzienu un aktuālo tēmu noteikšana.
Pārējā darba daļa ir strukturēta šādi: 2. sadaļā ir izklāstīta metodoloģija un datu vākšanas soļi; 3. sadaļā sniegti analīžu rezultāti; un 4. sadaļā ir aplūkoti atklājumi un nobeigumā ir sniegts pētniecības ieguldījums, sekas un turpmākie virzieni.
Metodoloģija
Šajā pašreizējā pētījumā mēs veicam bibliometrisko analīzi, lai izpētītu dronu pielietojumu lauksaimniecībā. Šī kvantitatīvā pieeja atklāj zināšanu jomas intelektuālo struktūru (Arora & Chakraborty, 2021) un pašreizējo statusu, aktuālās tēmas un nākotnes pētījumu virzienus, kurus var izpētīt, izmantojot šo metodi (Kapoor et al., 2018; Mishra et al. , 2017; A. Rejeb, Rejeb et al., 2021b; A. Rejeb et al., 2021d; MA Rejeb et al., 2020). Parasti bibliometriskā analīze pārbauda esošo literatūru, lai apkopotu un atklātu slēptos rakstiskās komunikācijas modeļus un disciplīnas attīstību, pamatojoties uz statistiku un matemātiskām metodēm, un tā attiecas uz lielām datu kopām (Pritchard, 1969; Small, 1999; Tahai & Rigsby , 1998). Izmantojot bibliometriju, mēs cenšamies labāk izprast esošās paradigmas un izpētes centrus, kas veicina domēnu, pamatojoties uz līdzību (Thelwall, 2008). Bibliometrika sniedz jaunus ieskatus, ko atbalsta metodoloģijas objektīvais kvantitatīvais spēks (Casillas & Acedo, 2007). Daudzi zinātnieki iepriekš ir veikuši bibliometriskus pētījumus saistītās jomās, tostarp lauksaimniecībā, attālajā uzrāde un digitālā transformācija (Armenta-Medina et al., 2020; Bouzembrak et al., 2019; A. Rejeb, Treiblmaier, et al., 2021; Wamba & Queiroz, 2021; Wang et al., 2019).
Citātu analīze
Citu analīze atklāj dažādus ieskatus noteiktā pētniecības jomā. Pirmkārt, tas palīdz atklāt ietekmīgākos autorus un publikācijas, kas sniedz ieguldījumu konkrētajā pētniecības jomā un būtiski ietekmē (Gundolf & Filser, 2013). Otrkārt, var atklāt zināšanu plūsmu un komunikācijas saites starp autoriem. Visbeidzot, izsekojot saiknes starp citētajiem un citētajiem darbiem, var izpētīt zināšanu jomas izmaiņas un attīstību laika gaitā (Pournader
et al., 2020). Liels publikācijas citēšanas skaits atspoguļo tās atbilstību un būtisku ieguldījumu pētniecības jomā (Baldi, 1998; Gundolf & Filser, 2013; Marinko, 1998). Publikāciju citēšanas analīze palīdz arī identificēt atbilstošos darbus un izsekot to popularitātei un progresam laika gaitā.
Dokumentu līdzcitēšanas analīze
Kopcitēšanas analīze ir vērtīga metode, lai izpētītu attiecības starp publikācijām un attēlotu nozares intelektuālo struktūru (Nerur et al., 2008). Citiem vārdiem sakot, identificējot visvairāk citētās publikācijas un to sakarības, metode grupē publikācijas atšķirīgos pētījumu klasteros, kur publikācijām klasterī regulāri ir līdzīgas idejas (McCain, 1990; Small, 1973). Ir svarīgi pieminēt, ka līdzība nenozīmē, ka publikāciju secinājumi ir tādi
saliedēti un viens ar otru vienojas; publikācijas pieder vienai klasterim tēmu līdzības dēļ, taču tām var būt pretrunīgi viedokļi.
Datu vākšana un analīze
Pēc Vaita un Grifita (1981) piedāvātās metodoloģijas mēs veicām visaptverošu žurnālu rakstu meklēšanu, lai aptvertu visu bezpilota lidaparātu lietojumu pētniecības jomu lauksaimniecībā, veicot šādas piecas darbības:
- Pirmais solis bija datu vākšana. Scopus tika izvēlēts kā viena no visaptverošākajām un uzticamākajām datu bāzēm ar standartizētiem rezultātiem. Tika izgūti publikāciju metadati, kas saistīti ar visiem dronu lietojumiem lauksaimniecībā. Pēc tam mēs analizējām atlasītos rakstus, no analīzes noņemot rakstus, kas nav saistīti ar tēmu.
- Mēs analizējām literatūru un identificējām svarīgākos pētāmajā jomā izmantotos atslēgvārdus.
- Izmantojot citēšanas analīzi, mēs izpētījām saikni starp autoriem un dokumentiem, lai atklātu pamatā esošos citēšanas modeļus. Mēs arī noskaidrojām ietekmīgākos autorus un publikācijas ar nozīmīgu ieguldījumu lauksaimniecības dronu jomā.
- Mēs veicām kopsavilkuma analīzi, lai grupētu līdzīgas publikācijas klasteros.
- Visbeidzot, mēs analizējām saiknes un saiknes starp valstīm, iestādēm un žurnāliem, lai attēlotu sadarbības tīklu.
Atbilstošu meklēšanas vienumu identifikācija
Datu apkopošanai izmantojām šādas meklēšanas virknes: (drone* VAI “bezpilota lidaparāts” VAI uav* VAI “bezpilota gaisakuģu sistēma” VAI uas VAI “tālvadības lidmašīna”) UN (lauksaimniecība VAI lauksaimniecība VAI lauksaimniecība VAI lauksaimnieks). Meklēšana tika veikta 2021. gada septembrī. Droniem ir vairāki apzīmējumi, tostarp UAV, UAS un attālināti pilotējami lidaparāti (Sah et al., 2021). Konkrētie ar lauksaimniecību saistītie meklēšanas vienumi tika noteikti, pamatojoties uz Abdollahi et al. (2021). Skaidrības un pārskatāmības labad precīzs mūsu izmantotais vaicājums ir sniegts 1. pielikumā. Pēc datu tīrīšanas mēs izveidojām teksta failu, kas pēc tam tika ielādēts programmā BibExcel, kas ir izplatīts citēšanas un līdzcitēšanas analīzes rīks. Šis rīks piedāvā arī vienkāršu mijiedarbību ar citu programmatūru un nodrošina ievērojamu datu apstrādes un analīzes brīvības pakāpi. VOSviewer versija 1.6.16 tika izmantota, lai vizualizētu atradumus un ģenerētu bibliometriskos tīklus (Eck & Waltman, 2009). VOSviewer piedāvā virkni intuitīvu vizualizāciju, īpaši bibliometrisko karšu analīzei (Geng et al., 2020). Turklāt tas palīdz nodrošināt vienkāršus vizuālus rezultātus, kas palīdz labāk izprast rezultātus (Abdollahi et al., 2021). Izmantojot iepriekš norādītās meklēšanas virknes, mēs apkopojām un saglabājām visas atbilstošās publikācijas. Pirmie meklēšanas rezultāti kopā sniedza 5,085 dokumentus. Lai nodrošinātu atlasītās izlases kvalitāti, pētījumā tika ņemti vērā tikai recenzēti žurnālu raksti, kā rezultātā tika izslēgti citi dokumentu veidi, piemēram, grāmatas, nodaļas, konferenču rakstu krājumi un redakcijas piezīmes. Pārbaudes procesā tika izfiltrētas neatbilstošas (ti, ārpus šī darba darbības jomas), liekas (ti, dublikāti, kas radušās dubultās indeksācijas rezultātā) un publikācijas, kas nerunā angliski. Šī procesa rezultātā galīgajā analīzē tika iekļauti 4,700 dokumenti.
Atklājumi un diskusija
Sākumā mēs analizējām publikāciju izlaiduma attīstību pašreizējā literatūrā par lauksaimniecības droniem. Zinātnisko pētījumu sadalījums laikā ir parādīts 1. attēlā. Mēs novērojam strauju publikāciju skaita pieaugumu, sākot ar 2011. gadu (30 publikācijas); tāpēc mēs nolēmām sadalīt analīzes periodu divos dažādos posmos. Mēs atsaucamies uz laika posmu no 1990. līdz 2010. gadam kā izveides posmu, kurā katru gadu tika publicēti aptuveni septiņi dokumenti. Periods pēc 2010. gada tiek saukts par izaugsmes posmu, jo pētījumi par bezpilota lidaparātu lietojumiem lauksaimniecībā šajā periodā piedzīvoja eksponenciālu pieaugumu. Pēc 2010. gada pieaugošais publikāciju skaits apliecina pieaugošo interesi pētnieku vidū, kas arī atspoguļo to, ka droni ir tikuši pielietoti attālajā izpētē un izmantoti precīzajā lauksaimniecībā (Deng et al., 2018; Maes & Steppe, 2019; Messina & Modica, 2020). ). Konkrētāk, publikāciju skaits pieauga no 108 2013. gadā līdz 498 2018. gadā un sasniedza 1,275 2020. gadā. Kopumā no 935. gada janvāra līdz septembra vidum tika publicēti 2021 raksti. Pēc tam mēs izvēlējāmies savu analīzi vairāk koncentrēt uz izaugsmes posmu. jo šis periods atspoguļo jaunākos un svarīgākos lauksaimniecības dronu smalkumus.
Atslēgvārdu analīze
Atslēgvārdi, ko autori izvēlas publikācijai, būtiski ietekmē to, kā raksts tiek attēlots un kā tas tiek izplatīts zinātnieku aprindās. Viņi identificē galvenos pētījuma priekšmetus un nosaka tā potenciālu uzplaukt vai izgāzties (Day & Gastel, 1998; Kim et al., 2016; Uddin et al., 2015). Atslēgvārdu analīze, rīks plašāku pētījumu tendenču un virzienu atklāšanai, attiecas uz visu saistīto publikāciju atslēgvārdu apkopošanu domēnā (Dixit & Jakhar, 2021). Šajā pētījumā apkopotie atslēgvārdi tika sadalīti divās kopās (ti, līdz 2010. gadam un 2011.–2021. gadam), lai izpētītu populārākās tēmas. To darot, mēs varam izsekot svarīgākajiem atslēgvārdiem abās kopās un nodrošināt, ka esam tvēruši visus nepieciešamos datus. Katrai kopai desmit populārākie atslēgvārdi ir parādīti 3. tabulā. Mēs novērsām neatbilstības, apvienojot semantiski identiskus atslēgvārdus, piemēram, “drone” un “drones” vai, līdzīgi, “lietu internets” un “IoT”.
3. tabulā parādīts, ka “bezpilota lidaparāts” ir biežāk lietots atslēgvārds, salīdzinot ar “droni” un “bezpilota gaisa sistēma” abos laika periodos. Turklāt abos periodos augsti vērtētas “tālvadības uzrāde”, “precīzā lauksaimniecība” un “lauksaimniecība”. Pirmajā periodā “precīzā lauksaimniecība” ierindojās piektajā vietā, bet otrajā – otrajā vietā, kas parāda, kā droni kļūst arvien svarīgāki precīzās lauksaimniecības sasniegšanā, jo tie var veikt monitoringu,
noteikšanas un novērtēšanas metodes ātrāk, lētāk un vieglāk izpildāmas salīdzinājumā ar citām attālās uzrādes un uz zemes bāzētām sistēmām. Vajadzības gadījumā tie var arī izsmidzināt precīzu ievades daudzumu (piemēram, ūdeni vai pesticīdus) (Guo et al., 2020; Inoue, 2020; Panday, Pratihast et al., 2020).
Visbiežāk lietoto atslēgvārdu saraksts.
rangs | 1990-2010 | Nr atgadījumi | 2011-2021 | Nr atgadījumi |
1 | bezpilota antena transportlīdzeklis | 28 | bezpilota lidaparāts | 1628 |
2 | attālās uzrādes | 7 | precizitāte lauksaimniecība | 489 |
3 | lauksaimniecība | 4 | attālās uzrādes | 399 |
4 | gaisā | 4 | dūkoņa | 374 |
5 | precizitāte lauksaimniecība | 4 | bezpilota gaisa sistēma | 271 |
6 | bezpilota antena | 4 | lauksaimniecība | 177 |
7 | hiperspektrāls devējs | 3 | dziļa mācīšanās | 151 |
8 | mākslīgais nervu tīkli | 2 | mašīna mācīšanās | 149 |
9 | autonoms lidojums | 2 | veģetācija Indekss | 142 |
10 | kafija | 2 | Internets no Lietas | 124 |
Vēl viena interesanta iezīme ir papildu tehnoloģiju klātbūtne. Pirmajā posmā “Hiperspektrālais sensors” un “mākslīgie neironu tīkli” (ANN) ir starp desmit labākajiem atslēgvārdiem. Hiperspektrālā attēlveidošana radīja revolūciju tradicionālajā attēlveidošanā, savācot milzīgu skaitu attēlu dažādos viļņu garumos. To darot, sensori var vienlaikus savākt labāku telpisko un spektrālo informāciju, salīdzinot ar multispektrālo attēlveidošanu, spektroskopiju un RGB attēliem (Adao ˜ et al.,
2017). “ANN” parādīšanās pirmajā posmā un “dziļās mācīšanās” (DL) un “mašīnmācīšanās” (ML) otrajā posmā nozīmē, ka lielākā daļa publicēto darbu bija vērsti uz AI metožu potenciāla pārbaudi dronu- balstīta lauksaimniecība. Lai gan droni spēj lidot autonomi, tiem joprojām ir nepieciešama pilota iesaistīšanās, kas nozīmē zemu ierīces inteliģences līmeni. Tomēr šo problēmu var atrisināt, pateicoties AI metožu attīstībai, kas var nodrošināt labāku situācijas izpratni un autonomu lēmumu atbalstu. Aprīkoti ar mākslīgo intelektu, bezpilota lidaparāti var izvairīties no sadursmēm navigācijas laikā, uzlabot augsnes un labības apsaimniekošanu (Inoue, 2020) un samazināt cilvēku darbu un stresu (BK Sharma et al., 2019).
Pateicoties to elastībai un spējai apstrādāt milzīgus nelineāru datu apjomus, mākslīgā intelekta metodes ir piemērotas metodes, lai analizētu datus, ko pārraida bezpilota lidaparāti un citas attālās uzrādes un zemes sistēmas, lai prognozētu un pieņemtu lēmumus (Ali et al., 2015; Inoue, 2020). Turklāt “IoT” klātbūtne otrajā periodā norāda uz tā jauno lomu lauksaimniecībā. IoT maina lauksaimniecību, savstarpēji savienojot citas tehnoloģijas, tostarp dronus, ML, DL, WSN un lielos datus. Viena no galvenajām IoT ieviešanas priekšrocībām ir tā spēja efektīvi un efektīvi apvienot dažādus uzdevumus (datu iegūšanu, datu analīzi un apstrādi, lēmumu pieņemšanu un ieviešanu) gandrīz reāllaikā (Elijah et al., 2018; Feng et al. , 2019; Muangprathub et al., 2019). Turklāt droni tiek uzskatīti par efektīviem instrumentiem, lai iegūtu datus, kas nepieciešami veģetācijas spēka un veģetācijas īpašību aprēķināšanai (Candiago et al., 2015). 2.a un 2.b attēlā ir parādīti atslēgvārdu līdzāsparādīšanās tīkli abiem laika periodiem.
Ietekmīgi autori
Šajā sadaļā mēs nosakām ietekmīgos autorus un pārbaudām, kā autoru citēšanas tīkli var vizualizēt un sakārtot pašreizējo literatūru. 3. attēlā parādīts visu pētnieku hronoloģiskais pārklājums ar vislielāko citātu skaitu. Krāsu skala atspoguļo autoru citātu atšķirības pa gadiem. Mēs pārbaudām to pētnieku citēšanas struktūru, kuri publicēja pētījumus par lauksaimniecības droniem, izmantojot vismaz 50 citātu un desmit publikāciju slieksni. Beidzās
12,891 115 autors, tikai 4 atbilda šim nosacījumam. 1,963. tabulā ir uzskaitīti desmit ietekmīgākie autori, kas sakārtoti pēc maksimālā citātu skaita. Lopesa-Granadosa F. ieņem pirmo vietu ar 1,909 citātiem, kam seko Zarco-Tejada PJ ar XNUMX citātiem.
Visbiežāk citēto autoru saraksts.
Ranking | autors | citāti |
1 | Lopesa-Granadosa F. | 1,963 |
2 | Zarco-Tejada PJ | 1,909 |
3 | Pena ˜ JM | 1,644 |
4 | Torres-S' ančezs Dž. | 1,576 |
5 | Fereress E | 1,339 |
6 | Remondino F | 1,235 |
7 | Boltens A | 1,160 |
8 | Bārets G | 1,155 |
9 | Berni JA | 1,132 |
10 | de Kastro AI | 1,036 |
Runājot par atsevišķām publikācijām, Zhang un Kovacs (2012) raksts ir bijis visvairāk citētais pētījums, kas publicēts Precision Agriculture. Šeit autori apskatīja UAS pielietojumu precīzajā lauksaimniecībā. Viņu pētījumu rezultāti liecina, ka ir nepieciešams uzlabot platformas izstrādi, ražošanu, attēlu ģeoreferences standartizāciju un informācijas izguves darbplūsmu, lai nodrošinātu lauksaimniekus ar uzticamiem galaproduktiem. Turklāt viņi iesaka vairāk iesaistīt lauksaimnieku, jo īpaši lauku plānošanā, attēlu uzņemšanā, kā arī datu interpretācijā un analīzē. Svarīgi, ka šis pētījums bija viens no pirmajiem, kas parādīja UAV nozīmi lauka kartēšanā, spēka kartēšanā, ķīmiskā satura mērīšanā, veģetācijas stresa uzraudzībā un mēslošanas līdzekļu ietekmes uz augu augšanu novērtēšanā. Ar tehnoloģiju saistītie izaicinājumi ietver arī pārmērīgas izmaksas, sensoru iespējas, platformas stabilitāti un uzticamību, standartizācijas trūkumu un konsekventu procedūru, lai analizētu milzīgus datu apjomus.
Citātu analīze
Atsauces analīze atspoguļo rakstu ietekmes izpēti, lai gan tie ir pakļauti plūsmai (piemēram, citēšanas novirze, pašcitēšana), tiek uzskatīta par vienu no standarta ietekmes novērtējuma instrumentiem (Osareh, 1996; A. Rejeb et al., 2022; Sarli et al., 2010). Citācijas arī atspoguļo rakstu nozīmi un vitalitāti literatūrā par konkrētu tēmu (R. Sharma et al., 2022). Mēs veicām citātu analīzi, lai noteiktu ietekmīgākos pētījumus par lauksaimniecības droniem, un apkopojām saturu. 5. tabulā ir sniegts piecpadsmit ietekmīgāko publikāciju saraksts laika posmam no 1990. līdz 2010. gadam un no 2011. līdz 2021. gadam. Berni et al. raksti. (2009)b un Austin (2010) ir visvairāk citēti 1990. un 2010. gadā ar attiecīgi 831 un 498 citātiem. Berni et al. (2009) b ilustrēja potenciālu izstrādāt kvantitatīvus tālvadības produktus, izmantojot uz helikopteru balstītu UAV, kas aprīkots ar pieņemamiem termiskiem un šaurjoslas multispektrālajiem attēlveidošanas sensoriem. Salīdzinot ar tradicionālajiem pilotējamiem gaisa sensoriem, zemu izmaksu UAV sistēma lauksaimniecībai spēj sasniegt salīdzināmus kultūraugu biofizikālo parametru novērtējumus, ja ne labāk. Pieejamās izmaksas un darbības elastība, kā arī augstā spektrālā, telpiskā un laika izšķirtspēja, kas pieejama ātrā laikā, padara bezpilota lidaparātus piemērotus dažādiem lietojumiem, kuriem nepieciešama laika kritiska pārvaldība, tostarp apūdeņošanas plānošanai un precīzai lauksaimniecībai. Papīrs no Berni et al. (2009) b ir ļoti citēts, jo tas efektīvi integrēja bezpilota rotējošu spārnu platformu un digitālos un termiskos sensorus ar nepieciešamajiem kalibrēšanas mehānismiem lauksaimniecības vajadzībām. Otra visvairāk citētā publikācija ir grāmata, kuras autors ir Ostins (2010), kurā tika apspriesti bezpilota lidaparāti no projektēšanas, izstrādes un izvietošanas perspektīvas. Lauksaimniecībā bezpilota lidaparāti atbalsta kultūraugu uzraudzību, agrīni atklājot slimības, mainot kultūraugu krāsu, atvieglojot kultūraugu sēšanu un izsmidzināšanu, kā arī ganāmpulku uzraudzību un dzīšanu.
Salivan et al pētījumi. (2007), Lumme et al. (2008), un Gokto ¨ ǧan et al. (2010) pabeidz piecpadsmit visvairāk citēto rakstu sarakstu. Šie raksti ilustrē uz UAV balstītu sistēmu attīstību lauksaimniecības atbalstam. Tie piedāvā risinājumus dažādām problēmām, piemēram, ražas uzraudzībai un skenēšanai, nezāļu uzraudzībai un apsaimniekošanai, kā arī lēmumu atbalstam. Viņi arī iesaka un apspriež UAV spēju palielināt paraugu ņemšanas efektivitāti un palīdzēt lauksaimniekiem izstrādāt precīzu un efektīvu.
stādīšanas stratēģijas. Berni ir uzrakstījis divus rakstus (Berni et al., 2009b; Berni et al., 2009a), uzsverot viņa nozīmīgo ietekmi uz lauksaimniecības droniem saistītos pētījumos. Zarco-Tejada et al. (2014) ir bijis viens no novatoriskajiem pētījumiem, lai ilustrētu vajadzību izmantot zemu izmaksu bezpilota lidaparātu attēlus koku augstuma kvantitatīvajā noteikšanā.
Visbiežāk citēto publikāciju saraksts.
rangs | No 1990 līdz 2010 | No 2011 līdz 2021 | ||
Dokuments | citēšana | Dokuments | citēšana | |
1 | (Berni et al., 2009b) | 831 | (C. Zhang & Kovacs, 2012) | 967 |
2 | (Ostina, 2010) | 498 | (Nex un Remondino, 2014) | 893 |
3 | (Hants et al., 2010) | 331 | (Floreano un Vuds, 2015) | 552 |
4 | (SR Herwitz et al., 2004) | 285 | (Hoseins Motlags et al., 2016) | 391 |
5 | (CCD Lelong et al., 2008) | 272 | (Shakhatreh et al., 2019) | 383 |
6 | (Berni et al., 2009b) | 250 | (Ma et al., 2017) | 373 |
7 | (Grenzdorffer ¨ et al., 2008) | 198 | (Bendigs et al., 2014) | 360 |
8 | (Hrabar et al., 2005) | 175 | (Zarco-Tejada et al., 2014) | 347 |
9 | (Y. Huang et al., 2009) | 129 | (Ad˜ ao et al., 2017) | 335 |
10 | (Šmale III et al., 2008) | 119 | (Honkavaara et al., 2013a) | 331 |
11 | (Abd-Elrahman et al., 2005) | 79 | (Candiago et al., 2015) | 327 |
12 | (Techy et al., 2010) | 69 | (Xiang & Tian, 2011) | 307 |
13 | (Salivans et al., 2007) | 51 | (Matese et al., 2015) | 303 |
14 | (Lumme et al., 2008) | 42 | (Gago et al., 2015) | 275 |
15 | (Gokto ¨ ǧan et al., 2010) | 40 | (Aasen et al., 2015a) | 269 |
Otrajā periodā (2011–2021) Zhang un Kovacs (2012) un Nex un Remondino (2014) pētījumu rezultātā tika iegūtas visbiežāk citētās publikācijas. Džans un Kovacs (2012) apgalvo, ka precīzā lauksaimniecība varētu gūt labumu no ģeotelpisko metožu un sensoru, piemēram, ģeogrāfiskās informācijas sistēmu, GPS un attālās uzrādes, ieviešanas, lai uztvertu lauka izmaiņas un apstrādātu tās, izmantojot alternatīvas stratēģijas. Tā kā bezpilota lidaparātu ieviešana precīzajā lauksaimniecībā ir mainījusies, tā ir vēstījusi par jaunu laikmetu attālajā izpētē, vienkāršojot novērošanu no gaisa, tverot ražas augšanas datus, augsnes apstākļus un smidzināšanas platības. Zhang un Kovacs (2012) pārskats ir būtisks, jo tas sniedz ieskatu par bezpilota lidaparātiem, atklājot šo ierīču pašreizējos lietojumus un izaicinājumus vides uzraudzībā un precīzajā lauksaimniecībā, piemēram, platformu un kameru ierobežojumus, datu apstrādes problēmas, lauksaimnieku iesaistīšanos un aviācijas noteikumus. . Otrais
visvairāk citētais pētījums no Nex un Remondino (2014) apskatīja bezpilota lidaparātu jaunākās tehnoloģijas zemes attēlu tveršanai, apstrādei un analīzei.
Viņu darbs arī sniedza pārskatu par vairākām UAV platformām, lietojumprogrammām un lietošanas gadījumiem, demonstrējot jaunākos sasniegumus UAV attēlu apstrādē. Lauksaimniecībā lauksaimnieki varētu izmantot bezpilota lidaparātus, lai pieņemtu efektīvus lēmumus, lai panāktu izmaksu un laika ietaupījumu, saņemtu ātru un precīzu zaudējumu uzskaiti un paredzētu iespējamās problēmas. Atšķirībā no parastajām gaisa platformām bezpilota lidaparāti var samazināt ekspluatācijas izdevumus un samazināt piekļuves briesmas skarbās vietās, vienlaikus saglabājot augstas precizitātes potenciālu. Viņu rakstā ir apkopotas dažādas bezpilota lidaparātu priekšrocības, jo īpaši attiecībā uz precizitāti un izšķirtspēju.
Starp atlikušajām trīspadsmit visvairāk citētajām publikācijām laikā no 2011. līdz 2021. gadam mēs novērojām lielāku koncentrēšanos uz pētījumiem, kas saistīti ar dronu lietojumiem attēlveidošanas misijās (Bendig et al., 2014; Ma et al., 2017; Zarco-Tejada et al., 2014). , precīzā lauksaimniecība (Candiago et al., 2015; Honkavaara et al., 2013a), precīzā vīnkopība (Matese et al., 2015), ūdens slodzes novērtējums (Gago et al., 2015) un veģetācijas monitorings (Aasen et al. , 2015a). Pirmajos gados pētnieki koncentrējās
vairāk par zemu izmaksu, vieglu un precīzu uz UAV balstītu sistēmu izstrādi lauksaimniecībai; jaunākie pētījumi ir vairāk vērsti uz bezpilota lidaparātu lietojumu pārskatiem lauksaimniecībā un lauka uzmērīšanā. Kopumā šī analīze atklāj, ka ietekmīgās publikācijas galvenokārt ir sniegušas pārskatus par iepriekšējiem pētījumiem, lai novērtētu UAV pašreizējo zinātnisko un tehnoloģisko stāvokli, un izstrādātas UAV sistēmas precīzās lauksaimniecības atbalstam. Interesanti, ka mēs neatradām empīriskus pētījumus
metodoloģijām vai aprakstošiem gadījumu pētījumiem, kas rada būtisku zināšanu trūkumu un prasa vairāk pētījumu par šo tēmu.
Kopcitēšanas analīze
Saskaņā ar Gmür (2006) līdzcitēšanas analīze identificē līdzīgas publikācijas un apkopo tās. Rūpīga klastera pārbaude var atklāt kopīgu pētījumu jomu starp publikācijām. Mēs pētām literatūras, kas attiecas uz lauksaimniecības droniem, kopcitēšanu, lai ilustrētu saistītās tēmas un atklātu publikāciju intelektuālos modeļus. Šajā sakarā Sīls (1973) ieteica izmantot kocitācijas analīzi, lai izpētītu ietekmīgākos un svarīgākos pētījumus.
disciplīnas ietvaros. Lai ierobežotu kopu līdz visnozīmīgākajiem rakstiem (Goyal & Kumar, 2021), mēs noteicām līdzcitēšanas slieksni 25, kas nozīmē, ka diviem rakstiem ir jābūt kopā citētiem 25 vai vairāk dažādu publikāciju atsauces sarakstos. Klasterizācija tika veikta arī ar minimālo klasteru izmēru 1 un bez jebkādas metodes mazāku klasteru sapludināšanai ar lielākiem. Rezultātā tika izveidoti seši klasteri, pamatojoties uz pētījumu līdzību un to intelektuālo struktūru. 6. tabulā parādīts publikāciju sadalījums katrā klasterī.
1. klasteris: šajā klasterī ir astoņpadsmit dokumenti, kas publicēti pēc Publikācijas šajā klasterī apspriež dronu lomu vides uzraudzības, kultūraugu apsaimniekošanas un nezāļu apsaimniekošanas atbalstīšanā. Piemēram, Manfreda et al. (2018) sniedz pārskatu par pašreizējiem UAV pētījumiem un ieviešanu dabiskās lauksaimniecības ekosistēmu uzraudzībā un apgalvo, ka tehnoloģija piedāvā milzīgu potenciālu, lai krasi uzlabotu vides uzraudzību un samazinātu
esošā plaisa starp lauka novērošanu un parasto gaisa un kosmosa attālo izpēti. To var izdarīt, piedāvājot jaunas iespējas uzlabotai laika izguvei un telpiskam ieskatam lielās platībās par pieņemamu cenu. Bezpilota lidaparāti var pastāvīgi sajust vidi un nosūtīt iegūtos datus viedām, centralizētām/decentralizētām vienībām, kas kontrolē sensorus, lai identificētu iespējamās problēmas, piemēram, slimības vai ūdens noteikšanas trūkumu (Padua ´ et al., 2017). Adao ˜ et al. (2017) uzskata, ka bezpilota lidaparāti ir ideāli piemēroti augu apstākļu novērtēšanai, tverot milzīgu daudzumu neapstrādātu datu, kas saistīti ar ūdens stāvokli, biomasas aplēsēm un spēka novērtēšanu. Uz bezpilota lidaparātiem uzstādītos sensorus varētu arī nekavējoties izvietot atbilstošos vides apstākļos, lai varētu savlaicīgi uztvert attālās uzrādes datus (Von Bueren et al., 2015). Ar bezpilota lidaparātu palīdzību lauksaimnieki var veikt iekštelpu lauksaimniecības darbības, veicot mērījumus praktiski no jebkuras vietas trīsdimensiju telpā iekštelpu lauksaimniecības vidē (piemēram, siltumnīcās), tādējādi nodrošinot lokālu klimata kontroli un augu uzraudzību (Roldan ´ et al. ., 2015). Precizitātes kontekstā
lauksaimniecībai, augkopības lēmumiem ir nepieciešami precīzi, uzticami ražas dati ar atbilstošu laika un telpisko izšķirtspēju (Gebbers & Adamchuk, 2010; Gevaert et al., 2015; Maes & Steppe, 2019). Šī iemesla dēļ Agüera Vega et al. (2015) izmantoja UAV uzstādītu multispektrālo sensoru sistēmu, lai iegūtu saulespuķu ražas attēlus augšanas sezonas laikā. Līdzīgi Huang et al. (2009) atzīmē, ka attālā uzrāde, kuras pamatā ir bezpilota lidaparāti, varētu atvieglot kultūraugu un augsnes mērījumus no savāktajiem spektrālajiem datiem. Verger et al. (2014) izstrādāja un pārbaudīja paņēmienu zaļās zonas indeksa (GAI) novērtēšanai no UAV atstarošanas mērījumiem precīzās lauksaimniecības lietojumos, koncentrējoties uz kviešu un rapšu kultūrām. Tāpēc bezpilota lidaparāti sniedz jaunas iespējas izgūt informāciju par kultūraugu stāvokli ar biežiem atkārtotiem apmeklējumiem un augstu telpisko izšķirtspēju (Dong et al., 2019; Garzonio et al., 2017; H. Zheng et al., 2016).
Ietekmīgu publikāciju grupēšana par lauksaimniecības droniem.
Grupa | Plaša tēma | Atsauces |
1 | Vides monitorings, raža apsaimniekošana, nezāļu apsaimniekošana | (Ad˜ ao et al., 2017; Agüera Vega et al., 2015; de Kastro et al., 2018; Gomez-Cand ´ on ´ et al., 2014; YB Huang et al., 2013; Khanal et al., 2017. gads; Lopesa-Granadosa, 2011. gads; Manfreda et al., 2018; P' adua et al., 2017. gads; Pena ˜ et al., 2013; Peress-Ortiss et al., 2015; Rasmussen et al., 2013, 2016. gads; Torres-S' anchez et al., 2014; Toress-Sančess, Lopesa-Granadosa, & Pena, ~ 2015; Verger et al., 2014; Von Bueren et al., 2015; C. Džans un Kovačs, 2012) |
2 | Attālā fenotipēšana, raža novērtējums, kultūraugu virsmas modelis, augu skaitīšana | (Bendigs et al., 2013, 2014; Geipel et al., 2014; Gnadingers ¨ & Šmidhalters, 2017; Haghighattalab et al., 2016; Holman et al., 2016; Jin et al., 2017; W. Li et al., 2016; Maimaitijiang et al., 2017; Sankaran et al., 2015; Schirrmann et al., 2016; Shi et al., 2016; Yue et al., 2017; X. Džou et al., 2017) |
3 | Termiskā attēlveidošana ūdenim, multispektrālā attēlveidošana | (Baluja et al., 2012; Berni et al., 2009b; Berni et al., 2009a; Candiago et al., 2015; Gago et al., 2015; Gonzalez-Dugo et al., 2013, 2014; Grenzdorffer ¨ et al., 2008; Khaliq et al., 2019; Matese et al., 2015; Ribeiro-Gomes et al., 2017; Santesteban et al., 2017; Uto et al., 2013) |
4 | Hipersektrālā attēlveidošana, spektrālā attēlveidošanas | (Aasen et al., 2015a; Bareth et al., 2015. gads; Hakala et al., 2013; Honkavaara et al., 2013a; Lūsjē et al., 2014; Saari et al., 2011; Suomalainen et al., 2014) |
5 | 3D kartēšanas lietojumprogrammas | (Jim'enez-Brenes et al., 2017; Nex & Remondino, 2014; Salami et al., 2014. gads; Torres-S' Ančess, Lopess-' Granados, Serrano u.c., 2015; Zahawi et al., 2015; Zarko-Tejada et al., 2014) |
6 | Lauksaimniecības uzraudzība | (SR Herwitz et al., 2004; Hunt et al., 2010; CCD Lelong et al., 2008. gads; Primicerio et al., 2012; Xiang & Tian, 2011) |
Turklāt droni ir noderīgi sarežģītiem uzdevumiem lauksaimniecībā, tostarp nezāļu kartēšanai. Ierīču uzņemtie attēli ir pierādījuši savu lietderību agrīnai nezāļu noteikšanai laukos (de Castro et al., 2018; Jim'enez-Brenes et al., 2017; Lam et al., 2021; Lopez-Granados ´ et al., 2016; Rozenberg et al., 2021). Šajā sakarā de Kastro et al. (2018) uzskata, ka bezpilota lidaparātu attēlu un objektu bāzes attēlu analīzes (OBIA) apvienošana ir ļāvusi praktiķiem pārvarēt problēmu par agrīnas noteikšanas automatizāciju agrīnās sezonas zālāju kultūrās, kas ir liels solis uz priekšu nezāļu izpētē. Tāpat Pena ˜ et al. (2013) norāda, ka īpaši augstas telpiskās izšķirtspējas attēlu izmantošana no UAV kopā ar OBIA procedūru ļauj ģenerēt nezāļu kartes agrīnās kukurūzas kultūrās, ko varētu izmantot, plānojot sezonas nezāļu ierobežošanas pasākumu īstenošanu, uzdevums, kas pārsniedz satelītu un tradicionālo gaisa attēlu iespējas. Salīdzinot ar attēlu klasifikācijas vai objektu noteikšanas algoritmiem, semantiskās segmentācijas metodes ir efektīvākas nezāļu kartēšanas uzdevumos (J. Deng et al., 2020), tādējādi ļaujot lauksaimniekiem noteikt lauka apstākļus, mazināt zaudējumus un uzlabot ražu visā augšanas sezonā (Ramesh et al., 2020). Uz dziļu mācīšanos balstīta semantiskā segmentācija var arī nodrošināt precīzu veģetācijas seguma mērījumu no augstas izšķirtspējas gaisa attēliem (Ramesh et al., 2020; A. Zheng et al., 2022). Neskatoties uz to tālvadības potenciālu
Sensing pikseļu klasifikācija, semantiskās segmentācijas metodes prasa ievērojamu aprēķinu un pārmērīgi lielu GPU atmiņu (J. Deng et al., 2020).
Pamatojoties uz mašīnmācību un UAV, P´erez-Ortiz et al. (2015) ierosināja nezāļu kartēšanas pieeju, lai nodrošinātu vietai specifiskas nezāļu apkarošanas stratēģijas, kad lauksaimnieki pieņem agrīnu nezāļu kontroli pēc parādīšanās. Visbeidzot, Rasmussen et al. (2013) uzsvēra, ka droni nodrošina lētu uztveršanu ar lielu telpiskās izšķirtspējas elastību. Kopumā publikācijas šajā klasterī koncentrējas uz bezpilota lidaparātu potenciāla izpēti, lai atbalstītu attālo uzrādi, kultūraugu uzraudzību un nezāļu kartēšanu. Ir nepieciešami papildu padziļināti pētījumi, lai turpinātu pētīt, kā dronu izmantošana vides uzraudzībā, kultūraugu apsaimniekošanā un nezāļu kartēšanā var nodrošināt ilgtspējīgāku lauksaimniecību (Chamuah & Singh, 2019; Islam et al., 2021; Popescu et al., 2020; J. Su, Liu et al., 2018) un risināt šīs tehnoloģijas pārvaldības problēmas ražas apdrošināšanas lietojumos (Basnet & Bang, 2018; Chamuah & Singh, 2019, 2022; Meinen & Robinson, 2021). Pētniekiem jākoncentrējas uz UAV savākto mērījumu apstiprināšanu ar efektīvām apstrādes metodēm, lai uzlabotu apstrādāto datu maksimālo kvalitāti (Manfreda et al., 2018). Turklāt ir jāizstrādā atbilstoši algoritmi, kas atpazīst pikseļus, kas parāda nezāles digitālajos attēlos un novērš neatbilstošu fonu UAV nezāļu kartēšanas laikā (Gaˇsparovi´c et al., 2020; Hamylton et al., 2020; H. Huang et al. , 2018, 2020; Lopez-´ Granados et al., 2016). Ir apsveicami papildu pētījumi par semantiskās segmentācijas metožu izmantošanu augu atpazīšanā, lapu klasifikācijā un slimību kartēšanā (Fuentes-Pacheco et al., 2019; Kerkech et al., 2020).
2. klasteris. Publikācijas šajā klasterī koncentrējās uz vairākiem lauksaimniecības dronu aspektiem. Saistībā ar attālo fenotipēšanu Sankaran et al. (2015) pārskatīja iespējas izmantot zema augstuma augstas izšķirtspējas gaisa attēlveidošanu ar bezpilota lidaparātiem, lai ātri noteiktu labības fenotipēšanu uz lauka, un viņi apgalvo, ka, salīdzinot ar uz zemes izvietotām sensoru platformām, maziem UAV ar atbilstošiem sensoriem ir vairākas priekšrocības. , piemēram, vieglāka piekļuve laukam, augstas izšķirtspējas dati, efektīva datu vākšana,
ātri novērtē lauka augšanas apstākļus un zemas ekspluatācijas izmaksas. Tomēr autori arī atzīmē, ka efektīva UAV pielietošana lauka fenotipēšanai ir atkarīga no diviem pamatelementiem, proti, UAV iezīmēm (piemēram, drošība, stabilitāte, pozicionēšana, autonomija) un sensora raksturlielumiem (piemēram, izšķirtspēja, svars, spektra viļņu garumi, lauks). skats). Haghighattalab et al. (2016) ierosināja daļēji automatizētu attēlu apstrādes cauruļvadu, lai iegūtu parauga līmeņa datus no UAV attēliem un paātrinātu audzēšanas procesu. Holmans u.c. (2016) izstrādāja augstu
caurlaidspējas lauka fenotipēšanas sistēma un uzsvēra, ka UAV spēj savākt kvalitatīvus, apjomīgus, uz lauka balstītus fenotipiskus datus un ka ierīce ir efektīva lielām platībām un dažādās lauka vietās.
Tā kā ražas novērtējums ir neticami svarīga informācija, jo īpaši, ja tie ir pieejami laikā, bezpilota lidaparāti var nodrošināt visus lauka mērījumus un efektīvi iegūt augstas kvalitātes datus (Daakir et al., 2017; Demir et al., 2018). Enciso et al., 2019; Kulbacki et al., 2018; Pudelko et al., 2012). Šajā sakarā Jin et al. (2017) izmantoja augstas izšķirtspējas attēlus, kas iegūti ar bezpilota lidaparātiem ļoti zemā augstumā, lai izstrādātu un novērtētu metodi kviešu augu blīvuma novērtēšanai rašanās stadijā. Pēc autoru domām, bezpilota lidaparāti pārvar ar kamerām aprīkoto roveru sistēmu ierobežojumus un ir neinvazīva metode augu blīvuma noteikšanai kultūraugos, ļaujot lauksaimniekiem sasniegt augstu caurlaidspēju, kas nepieciešama lauka fenotipēšanai neatkarīgi no augsnes satiksmes. Li et al. (2016) savāca simtiem stereo attēlu ar ārkārtīgi augstu izšķirtspēju, izmantojot uz UAV balstītu sistēmu, lai novērtētu kukurūzas parametrus, tostarp lapotnes augstumu un virszemes biomasu. Visbeidzot, Yue et al. (2017) atklāja, ka kultūraugu augstums, kas noteikts no bezpilota lidaparātiem, varētu uzlabot virszemes biomasas (AGB) novērtējumu.
Pieeja kultūraugu augšanas uzraudzībai ir ideja izstrādāt kultūraugu virsmas modeļus (Bendig et al., 2014, 2015; Holman et al., 2016; Panday, Shrestha, et al., 2020; Sumesh et al., 2021). Vairākos pētījumos tika uzsvērta no UAV uzņemto attēlu iespējamība, lai attēlotu augu augstumu un uzraudzītu to augšanu. Piemēram, Bendigs et al. (2013) aprakstīja multitemporālu kultūraugu virsmas modeļu izstrādi ar ļoti augstu izšķirtspēju, kas ir mazāka par 0.05 m, izmantojot UAV. Viņu mērķis bija atklāt ražu
augšanas mainīgums un tās atkarība no kultūraugu apstrādes, šķirnes un stresa. Bendigs et al. (2014) izmantoja bezpilota lidaparātus, lai novērtētu svaigu un sausu biomasu, pamatojoties uz augu augstumu, kas iegūts no kultūraugu virsmas modeļiem, un atklāja, ka atšķirībā no gaisa platformām un sauszemes lāzerskenēšanas augstas izšķirtspējas attēli no bezpilota lidaparātiem var ievērojami palielināt augu augstuma modelēšanas precizitāti dažādām augšanas reizēm. posmos. Tādā pašā veidā Geipel et al. (2014) izmantoja bezpilota lidaparātus savos pētījumos, lai iegūtu attēlus
datu kopas kukurūzas graudu ražas prognozēšanai trīs dažādās augšanas fāzēs no sezonas sākuma līdz vidum un secināja, ka spektrālās un telpiskās modelēšanas kombinācija, kas balstīta uz gaisa attēliem un kultūraugu virsmas modeļiem, ir piemērota metode kukurūzas ražas prognozēšanai sezonas vidū. Visbeidzot, Gnadinger ¨ un Schmidhalter (2017) pētīja bezpilota lidaparātu lietderību precīzas fenotipēšanas noteikšanā un uzsvēra, ka šīs tehnoloģijas izmantošana varētu uzlabot saimniecības pārvaldību un ļautu eksperimentēt uz lauka audzēšanas un agronomijas nolūkos. Kopumā mēs novērojam, ka 2. klastera publikācijas koncentrējas uz galvenajām bezpilota lidaparātu priekšrocībām tālvadības režīmā
fenotipēšana, ražas novērtēšana, kultūraugu virsmas modelēšana un augu skaitīšana. Nākotnes pētījumi var iedziļināties, izstrādājot jaunas metodes attālai fenotipēšanai, kas var automatizēt un optimizēt attālināti uztverto datu apstrādi (Barabaschi et al., 2016; Liebisch et al., 2015; Mochida et al., 2015; S. Zhou et al. ., 2021). Turklāt ir jāizpēta uz bezpilota lidaparātiem uzstādīto IoT sensoru veiktspēja un kompromiss starp to izmaksām, darbu un ienesīguma novērtējuma precizitāti.
nākotne (Ju & Son, 2018a, 2018b; Xie & Yang, 2020; Yue et al., 2018). Galu galā ir jāizstrādā efektīvas attēlu apstrādes metodes, kas var radīt ticamu informāciju, palielināt lauksaimnieciskās ražošanas efektivitāti un samazināt lauksaimnieku manuālo skaitīšanas darbu (RU Khan et al., 2021; Koh et al., 2021; Lin & Guo, 2020; C. Zhang et al., 2020).
3. klasteris. Publikācijās šajā klasterī ir aplūkoti dažādi attēlveidošanas sistēmu veidi lauksaimniecības resursu attālinātai izpētei, ko izmanto UAV platformās. Šajā sakarā termiskā attēlveidošana ļauj uzraudzīt virsmas temperatūru, lai novērstu ražas bojājumus un laikus atklātu sausuma stresu (Awais et al., 2022; García-Tejero et al., 2018; Sankaran et al., 2015; Santesteban et al., 2017; Yeom, 2021). Baluja u.c. (2012) apgalvoja, ka multispektrālo un termisko kameru izmantošana uz kuģa
UAV ļāva pētniekiem iegūt augstas izšķirtspējas attēlus un novērtēt vīnogulāju ūdens stāvokli. Tas varētu būt noderīgi, lai izstrādātu jaunus ūdens plānošanas modeļus, izmantojot attālās uzrādes datus (Baluja et al., 2012). Sakarā ar
ierobežota bezpilota lidaparātu kravnesība, Ribeiro-Gomes et al. (2017) apsvēra neatdzesētu termokameru integrāciju UAV, lai noteiktu ūdens spriedzi augos, kas padara šāda veida bezpilota lidaparātus efektīvākus un dzīvotspējīgākus nekā tradicionālā satelītu attālā uzrāde un UAV, kas aprīkoti ar atdzesētām termokamerām. Pēc autoru domām, termokameras bez dzesēšanas ir vieglākas nekā atdzesētas, un tām ir nepieciešama atbilstoša kalibrēšana. Gonzalez-Dugo et al. (2014) parādīja, ka termiskie attēli efektīvi ģenerē kultūraugu ūdens stresa indeksu telpiskās kartes, lai novērtētu ūdens stāvokli un kvantitatīvi noteiktu ūdens stresu citrusaugļu dārzos un to iekšienē. Gonzalez-Dugo et al. (2013) un Santesteban et al. (2017) pētīja augstas izšķirtspējas UAV termisko attēlu izmantošanu, lai novērtētu komerciāla augļu dārza un vīna dārza ūdens stāvokļa mainīgumu.
Multispektrālā attēlveidošana varētu sniegt apjomīgus datus salīdzinājumā ar tradicionālajiem RGB (sarkanā, zaļā un zilā) attēliem (Ad˜ ao et al., 2017; Navia et al., 2016). Šie spektrālie dati kopā ar telpiskajiem datiem varētu palīdzēt klasifikācijas, kartēšanas, prognozēšanas, prognozēšanas un noteikšanas nolūkos (Berni et al., 2009b). Saskaņā ar Candiago et al. (2015), UAV balstīta multispektrālā attēlveidošana varētu sniegt milzīgu ieguldījumu ražas novērtēšanā un precīzā lauksaimniecībā kā uzticams un efektīvs resurss. Tāpat
Khaliq et al. (2019) veica salīdzinājumu starp satelītu un UAV balstītu multispektrālo attēlveidošanu. Uz bezpilota lidaparātiem balstītie attēli ļāva precīzāk aprakstīt vīna dārzu mainīgumu, kā arī spēka kartes kultūraugu nojumes attēlošanai. Īsumā, raksti šajā klasterī apspriež termisko un multispektrālo attēlveidošanas sensoru iekļaušanu lauksaimniecības bezpilota lidaparātos. Attiecīgi ir nepieciešams vairāk pētījumu, lai saprastu, kā termisko un multispektrālo attēlveidošanu var integrēt ar AI
metodes (piemēram, dziļa mācīšanās), lai noteiktu augu stresu (Ampatzidis et al., 2020; Ampatzidis & Partel, 2019; Jung et al., 2021; Santesteban et al., 2017; Syeda et al., 2021). Šādas atziņas palīdzēs nodrošināt efektīvāku un precīzāku augu augšanas, stresa un fenoloģijas noteikšanu, kā arī uzraudzību (Buters et al., 2019; Cao et al., 2020; Neupane & BaysalGurel, 2021; L. Zhou et al., 2020).
4. klasteris. Šis klasteris sastāv no septiņiem dokumentiem, kas apspriež spektrālās attēlveidošanas un hiperspektrālās attēlveidošanas būtisko lomu lauksaimniecības prakses atbalstīšanā. Hiperspektrālā attēlveidošana ir kļuvusi par attālās uzrādes metodi, kas ļauj kvantitatīvi novērtēt Zemes sistēmu (Schaepman et al., 2009). Precīzāk sakot, tā ļauj identificēt virsmas materiālus, kvantitatīvi noteikt (relatīvas) koncentrācijas un virsmas komponentu proporciju piešķiršana
jauktos pikseļos (Kirsch et al., 2018; Zhao et al., 2022). Citiem vārdiem sakot, augstāka spektrālā izšķirtspēja, ko nodrošina hiperspektrālās sistēmas, ļauj precīzāk novērtēt dažādus parametrus, piemēram, veģetāros īpašības vai lapu ūdens saturu (Suomalainen et al., 2014). Pētnieki šajā klasterī pētīja dažādus šādu sistēmu aspektus. Cita starpā Aasen et al. (2015b) piedāvāja unikālu pieeju trīsdimensiju hiperspektrālās informācijas iegūšanai no vieglā svara
momentuzņēmumu kameras, ko izmanto bezpilota lidaparātos veģetācijas uzraudzībai. Lucieer et al. (2014) apsprieda jaunas hiperspektrālās UAS projektēšanu, izstrādi un gaisa operācijas, kā arī ar to iegūto attēla datu kalibrēšanu, analīzi un interpretāciju. Visbeidzot, Honkavaara et al. (2013b) izstrādāja visaptverošu apstrādes pieeju uz FabryPerot interferometru balstītiem spektrālajiem attēliem un parādīja tās izmantošanu biomasas aplēses procedūrā precīzai lauksaimniecībai. Šīs pašreizējās kopas potenciālie nākotnes ceļi ietver sensoru tehnoloģiju tehnisku uzlabojumu nepieciešamības uzsvēršanu (Aasen et al., 2015b), kā arī nepieciešamību iekļaut un uzlabot papildu tehnoloģijas, īpaši lielos datus un analīzi (Ang & Seng, 2021; Radoglou -Grammatikis et al., 2020; Shakoor et al., 2019). Pēdējais galvenokārt izriet no arvien pieaugošajiem datiem, ko ģenerē dažādi viedajā lauksaimniecībā ieviestie sensori (C. Li & Niu, 2020; A. Rejeb et al., 2022; Y. Su & Wang, 2021).
5. klasteris. Publikācijās šajā klasterī tika pārbaudītas uz droniem balstītas 3D kartēšanas lietojumprogrammas. Dronu izmantošana 3D kartēšanai varētu atvieglot sarežģīto lauka darbu un būtiski palielināt efektivitāti (Torres-Sanchez ´ et al., 2015). Pieci klastera raksti galvenokārt bija vērsti uz augu uzraudzības lietojumiem. Piemēram, lai iegūtu trīsdimensiju datus par lapotnes laukumu, koka augstumu un vainaga tilpumu, Torres-Sanchez ´ et al. (2015) izmantoja UAV tehnoloģiju, lai ģenerētu digitālos virsmas modeļus un pēc tam uz objektiem balstītas attēlu analīzes (OBIA) pieejas. Turklāt Zarco-Tejada et al. (2014) kvantitatīvi noteica koka augstumu, integrējot UAV tehnoloģiju un trīsdimensiju fotorekonstrukcijas metodes. Jim'enez-Brenes Lopez-Granados, ´ De Kastro u.c. (2017) demonstrēja jaunu procesu vairāku laiku, 3D monitoringam desmitiem olīvkoku, integrējot UAV tehnoloģiju ar progresīvu OBIA metodoloģiju. Interesanti ceļi turpmākajiem darbiem šajā klasterī ietver vai nu pašreizējo uzlabošanu
metodikas (Zarco-Tejada et al., 2014) digitālās virsmas modelēšanas vajadzībām (Ajayi et al., 2017; Jaud et al., 2016), piemēram, OBIA (de Castro et al., 2018, 2020; Ventura et al. , 2018), un foto rekonstrukcijas vai jaunu metožu izstrāde (Díaz-Varela et al., 2015; Torres-S´anchez et al., 2015).
6. klasteris. Šajā grupā tiek apspriesta dronu loma lauksaimniecības uzraudzībā. Bezpilota lidaparāti varētu papildināt un novērst satelītu un gaisa kuģu attēlveidošanas nepilnības. Piemēram, tie varētu nodrošināt augstas izšķirtspējas gandrīz reāllaika attēlveidošanu ar mazāku degvielas patēriņu vai pilotēšanas problēmām, kā rezultātā tiek nodrošināta pastāvīga un reāllaika uzraudzība un lēmumu pieņemšanas uzlabojumi (S. Herwitz et al., 2004). Vēl viens svarīgs bezpilota lidaparātu ieguldījums ir to spēja nodrošināt vietai specifiskus datus precīzai lauksaimniecībai vai vietai specifiskai lauksaimniecībai, jo to augstā izšķirtspēja, detalizēti dati par dažādiem parametriem ļauj lauksaimniekiem sadalīt zemi viendabīgās daļās un attiecīgi apstrādāt (Hunt et al. , 2010; CC Lelong et al., 2008; Primicerio et al., 2012). Šāda uz UAV balstīta lauksaimniecības uzraudzība var atbalstīt pārtikas nodrošinājuma uzraudzību un lēmumu pieņemšanu (SR Herwitz et al., 2004). Lai veicinātu pētījumus lauksaimniecības uzraudzībā, ir nepieciešami ne tikai sensoru, bezpilota lidaparātu un citu saistīto tehnoloģiju un to sakaru un datu pārsūtīšanas metožu uzlabojumi (Ewing et al., 2020; Shuai et al., 2019), bet arī bezpilota lidaparātu integrēšana ar dažādām ierīcēm. tehnoloģijas dažādu uzdevumu optimizēšanai saistībā ar viedo lauksaimniecību, piemēram, uzraudzība, lauksaimniecības uzraudzība un lēmumu pieņemšana, ir augsta potenciāla pētniecības joma (Alsamhi et al., 2021; Popescu et al., 2020; Vuran et al., 2018). Šajā sakarā IoT, WSN un lielie dati piedāvā interesantas papildu iespējas (van der Merwe et al., 2020). Īstenošanas izmaksas, izmaksu ietaupījumi, energoefektivitāte un datu drošība ir viena no nepietiekami izpētītajām jomām šādai integrācijai (Masroor et al., 2021).
Valstis un akadēmiskās institūcijas
Pēdējais solis ietvēra izcelsmes valsts un autoru akadēmiskās piederības izpēti. Izmantojot šo analīzi, mēs cenšamies labāk izprast to zinātnieku ģeogrāfisko izplatību, kuri veicina dronu izmantošanu lauksaimniecībā. Ievērības cienīgi ir pamanīt valstu un akadēmisko institūciju dažādību. Raugoties no valsts viedokļa, ASV, Ķīna, Indija un Itālija publikāciju skaita ziņā ierindojas topa augšgalā (7. tabula). Esošais
lauksaimniecības dronu pētījumi galvenokārt ir vērsti uz Ziemeļamerikas un Āzijas valstīm, galvenokārt tāpēc, ka tās ir plaši iesaistītas precīzās lauksaimniecības lietojumos. Piemēram, ASV lauksaimniecības dronu tirgus 841.9. gadā tika lēsts 2020 miljonu USD apmērā, kas veido aptuveni 30% no pasaules tirgus daļas (ReportLinker, 2021). Tiek prognozēts, ka Ķīna ir pasaules lielākā ekonomika, un 2.6. gadā tā sasniegs aptuveno tirgus lielumu — 2027 miljardus USD. Šī valsts ir pievilcīga lauksaimniecības bezpilota lidaparātiem, lai pārvarētu produktivitātes problēmas un panāktu labāku ražu, atvieglotu darbaspēku un mazāku ražošanas ieguldījumu. Tomēr tehnoloģijas ieviešanu Ķīnā nosaka arī tādi faktori kā iedzīvotāju skaits un nepieciešamība ieviest jauninājumus un uzlabot esošās kultūraugu apsaimniekošanas metodes.
Visproduktīvākās valstis un universitātes/organizācijas, kas sniedz ieguldījumu
ar lauksaimniecības droniem saistīti pētījumi.
rangs | valstis |
1 | ASV |
2 | Ķīna |
3 | Indija |
4 | Itālija |
5 | Spānija |
6 | Vācija |
7 | Brazīlija |
8 | Austrālija |
9 | Japāna |
10 | Apvienotā Karaliste |
rangs | Universitātes/ organizācijas |
1 | Ķīnas Zinātņu akadēmija |
2 | Ķīnas Tautas Republikas Lauksaimniecības ministrija |
3 | Augstākā zinātnisko pētījumu padome |
4 | Teksasas A&M universitāte |
5 | Ķīnas Lauksaimniecības universitāte |
6 | USDA Lauksaimniecības pētījumu dienests |
7 | CSIC — Instituto de Agricultura Sostenible IAS |
8 | Purdue University |
9 | Consiglio Nazionale delle Ricerche |
10 | Dienvidķīnas Lauksaimniecības universitāte |
No universitātes un organizatoriskā viedokļa Ķīnas Zinātņu akadēmija ieņem pirmo vietu publikāciju skaita ziņā, kam seko Ķīnas Tautas Republikas Lauksaimniecības ministrija un Consejo Superior de Investigaciones Científicas. Ķīnas Zinātņu akadēmiju pārstāv autori Liao Sjaohans un Li Džūns; Han Venting pārstāv Ķīnas Tautas Republikas Lauksaimniecības ministriju; un Consejo Superior de Investigaciones Científicas pārstāv Lopes-Granados, ´ F. un Pena, ˜ Jos´e María S. No ASV tādas universitātes kā Teksasas A&M universitāte un Purdjū universitāte atrod savu
pieminēt. Universitātes ar vislielāko publikāciju skaitu un to savienojumi ir parādīti 4. attēlā. Turklāt šajā sarakstā ir iekļautas tādas institūcijas kā Consiglio Nazionale delle Ricerche un Consejo Superior de Investigaciones Científicas, kas aktīvi darbojas zinātniskajā pētniecībā, bet nav akadēmiskās institūcijas. .
Mūsu atlasē bija iekļauts plašs žurnālu klāsts, kas aptver gandrīz visus pieejamos datus. Kā parādīts 8. tabulā, augšgalā atrodas attālā uzrāde ar 258 rakstiem, kam seko Inteliģentu un robotu sistēmu žurnāls: teorija un lietojumprogrammas ar 126 un datori un elektronika lauksaimniecībā ar 98 rakstiem. Lai gan attālā uzrāde galvenokārt ir vērsta uz bezpilota lidaparātu pielietošanu un attīstību, datori un elektronika lauksaimniecībā galvenokārt aptver sasniegumus datoru aparatūras, programmatūras, elektronikas un vadības sistēmu jomā lauksaimniecībā. Vairāku apgabalu tirdzniecības vietas, piemēram, IEEE Robotics and Automation Letters ar 87 publikācijām un IEEE Access ar 34 publikācijām, ir arī galvenās tirdzniecības vietas šajā jomā. Piecpadsmit populārākie tirgi ir snieguši savu ieguldījumu literatūrā ar 959 dokumentiem, kas ir aptuveni 20.40% no visām publikācijām. Žurnāla līdzcitēšanas analīze ļauj mums pārbaudīt publikāciju nozīmīgumu un līdzību. Kopcitēšanas analīze iegūst trīs kopas, kā parādīts 5. attēlā. Sarkano kopu veido tādi žurnāli kā attālā uzrāde, datori un elektronika lauksaimniecībā, sensori,
un International Journal of Remote Sensing. Visas šīs tirdzniecības vietas ir ļoti cienījami žurnāli attālās izpētes un precīzās lauksaimniecības jomās. Zaļajā klasterī ir žurnāli, kas nodarbojas ar robotiku, piemēram, Inteliģento un robotu sistēmu žurnāls: teorija un lietojumprogrammas, IEEE Robotics and Automation Letters, IEEE Access un Drones. Šīs tirdzniecības vietas galvenokārt publicē dokumentus par automatizāciju un ir noderīgi lauksaimniecības inženieriem. Galīgo kopu veido žurnāli, kas saistīti ar agronomiju un lauksaimniecības inženieriju, piemēram, Agronomy un International Journal of Agricultural and Biological Engineering.
15 populārākie žurnāli ar lauksaimniecības droniem saistītajos pētījumos.
rangs | Žurnāls | Skaitīt |
1 | Tālvadība | 258 |
2 | Inteliģento un robotu sistēmu žurnāls: teorija un Aplikācijas | 126 |
3 | Datori un elektronika lauksaimniecībā | 98 |
4 | IEEE robotikas un automatizācijas vēstules | 87 |
5 | Sensori | 73 |
6 | Starptautiskais attālās izpētes žurnāls | 42 |
7 | Precīzā lauksaimniecība | 41 |
8 | Drones | 40 |
9 | Agronomija | 34 |
10 | IEEE piekļuve | 34 |
11 | Starptautiskais progresīvo robotu sistēmu žurnāls | 31 |
12 | Starptautiskais lauksaimniecības un bioloģiskās inženierijas žurnāls | 25 |
13 | PLoS ONE | 25 |
14 | Lauka robotikas žurnāls | 23 |
15 | Biosistēmu inženierija | 23 |
Secinājumi
Kopsavilkums
Šajā pētījumā mēs apkopojām un analizējām esošos pētījumus par lauksaimniecības droniem. Izmantojot dažādus bibliometriskos paņēmienus, mēs centāmies iegūt labāku izpratni par ar lauksaimniecības droniem saistīto pētījumu intelektuālo struktūru. Rezumējot, mūsu pārskats piedāvā vairākus ieguldījumus, identificējot un apspriežot atslēgvārdus literatūrā, atklājot zināšanu kopas, vienlaikus veidojot semantiski līdzīgas kopienas dronu jomā, iezīmējot agrākos pētījumus un ierosinot turpmākos pētījumu virzienus. Tālāk ir izklāstīti galvenie secinājumi, kas gūti pārskatā par lauksaimniecības dronu izstrādi:
• Kopējā literatūra pēdējās desmitgades laikā ir strauji augusi un piesaistījusi milzīgu uzmanību, par ko liecina rakstu skaita pieaugums pēc 2012. gada. Lai gan šī zināšanu joma vēl nav pilnībā nobriedusi (Barrientos et al., 2011; Maes). & Steppe, 2019), vairāki jautājumi joprojām ir neatbildēti. Piemēram, par dronu lietderību iekštelpu lauksaimniecībā joprojām var diskutēt (Aslan et al., 2022; Krul et al., 2021; Rold´an et al., 2015). Lauku ainu sarežģītība un dažādie attēlveidošanas apstākļi (piemēram, ēnas un apgaismojums) var izraisīt lielāku spektra dispersiju klasē (Yao et al., 2019). Pat vēlākajos pētniecības posmos pētniekiem ir bijis izaicinājums noteikt optimālus lidojumu plānus atbilstoši konkrētiem scenārijiem un nepieciešamajai attēla kvalitātei (Soares et al., 2021; Tu et al.,
2020).
• Mēs novērojam, ka joma ir progresējusi no efektīvu bezpilota lidaparātu sistēmu izstrādes līdz AI paņēmienu, piemēram, mašīnmācības un dziļas mācīšanās, iekļaušanai lauksaimniecības dronu projektēšanā (Bah et al., 2018; Kitano et al., 2019; Maimaitijiang et al. , 2020; Mazzia et al., 2020; Tetila et al., 2020).
• Lauksaimniecības dronu pētījumos galvenokārt tika apspriesta attālā uzrāde, pētot tehnoloģijas potenciālu vides monitoringā, kultūraugu apsaimniekošanā un nezāļu apsaimniekošanā (1. klasteris), kā arī attālinātā fenotipā un ražas novērtēšanā (2. klasteris). Ietekmīgu pētījumu kopums par lauksaimniecības droniem ietver Austin (2010), Berni et al. (2009)a, Herwitz et al. (2004), Neks un Remondino (2014) un Džans un Kovacs (2012). Šie pētījumi attīstīja ar droniem saistīto pētījumu konceptuālo bāzi lauksaimniecības kontekstā.
• Saistībā ar metodoloģiju mēs novērojām, ka lielākā daļa līdz šim veikto pētījumu sastāvēja no sistēmas dizaina, konceptuāliem vai uz pārskatiem balstītiem pētījumiem (Inoue, 2020; Nex & Remondino, 2014; P´erez-Ortiz et al. , 2015; Yao et al., 2019). Mēs arī novērojam empīrisku, kvalitatīvu un uz gadījumu izpēti balstītu metožu trūkumu lauksaimniecības dronu izmeklēšanā.
• Pēdējā laikā lielu uzmanību ir pievērsušas tēmas, kas saistītas ar precīzo lauksaimniecību, mākslīgā intelekta metodēm, precīzo vīnkopību un ūdens slodzes novērtēšanu (Espinoza et al., 2017; Gomez-Cand ´ on ´ et al., 2016; Matese et al., 2015; Matese & Di Gennaro, 2018, 2021; Z. Džou et al., 2021). Rūpīga izpētes klasteru izpēte divos atsevišķos laikmetos, 1990.–2010. un 2011.–2021. gadā, atklāj jomas intelektuālās struktūras progresu. Laikposmā no 1990. gada līdz 2010. gadam tika izveidoti centrālie jēdzieni un bezpilota lidaparātu koncepcijas, kas ir acīmredzams diskusijās par UAV dizainu, izstrādi un ieviešanu. Otrajā laikmetā pētniecības uzmanības centrā ir iepriekšējie pētījumi, cenšoties sintezēt UAV lietošanas gadījumus lauksaimniecībā. Mēs arī atradām daudzus pētījumus, kas apspriež dronu pielietojumu attēlveidošanas uzdevumos un precīzajā lauksaimniecībā.
rangs | Žurnāls | Skaitīt |
1 | Tālvadība | 258 |
2 | Inteliģento un robotu sistēmu žurnāls: teorija un | 126 |
Aplikācijas | ||
3 | Datori un elektronika lauksaimniecībā | 98 |
4 | IEEE robotikas un automatizācijas vēstules | 87 |
5 | Sensori | 73 |
6 | Starptautiskais attālās izpētes žurnāls | 42 |
7 | Precīzā lauksaimniecība | 41 |
8 | Drones | 40 |
9 | Agronomija | 34 |
10 | IEEE piekļuve | 34 |
11 | Starptautiskais progresīvo robotu sistēmu žurnāls | 31 |
12 | Starptautiskais lauksaimniecības un bioloģiskās inženierijas žurnāls | 25 |
13 | PLoS ONE | 25 |
14 | Lauka robotikas žurnāls | 23 |
15 | Biosistēmu inženierija | 22 |
Sekas
Mūsu bibliometriskais pārskats tika izstrādāts un veikts, paturot prātā zinātniekus, lauksaimniekus, lauksaimniecības ekspertus, labības konsultantus un bezpilota lidaparātu sistēmu projektētājus. Cik autoriem ir zināms, šis ir viens no pirmajiem oriģinālajiem pārskatiem, kurā veikta padziļināta bibliometriskā analīze
bezpilota lidaparātu pielietojums lauksaimniecībā. Mēs esam veikuši visaptverošu šī zināšanu kopuma pārskatu, izmantojot publikāciju citēšanas un līdzcitēšanas analīzi. Mūsu mēģinājumi aprakstīt dronu pētniecības intelektuālo struktūru arī piedāvā jaunus ieskatus akadēmiķiem. Rūpīgi pārskatot laika gaitā izmantotos atslēgvārdus, atklājas karstie punkti un galvenās pētniecības jomas ar droniem saistītā literatūrā. Turklāt mēs piedāvājam visvairāk citēto pētījumu sarakstu, lai noteiktu visietekmīgākos šajā jomā pabeigtos pētījumus. Rakstu un atslēgvārdu identificēšana tādējādi varētu būt stabils sākumpunkts, lai atklātu vairākas turpmāko pētījumu iespējas.
Svarīgi, ka mēs atklājām kopas, kas klasificē salīdzināmus darbus, un izstrādājām rezultātus. Klasteros klasificētie pētījumi palīdz izprast UAV pētījumu intelektuālo struktūru. Proti, mēs atklājām, ka trūkst pētījumu, kas pēta dronu pieņemšanas faktorus
un šķēršļi lauksaimnieciskajā darbībā (sk. 9. tabulu). Nākamie pētnieki varētu novērst šo iespējamo plaisu, veicot empīriskus pētījumus, kas novērtē dronu pieņemšanas faktorus dažādās lauksaimniecības darbībās un klimatiskajos apstākļos. Turklāt uz gadījumu izpēti balstīti pētījumi par dronu efektivitāti būtu jāpapildina ar reāliem datiem no lauka. Tāpat lauksaimnieku un vadītāju iesaistīšana akadēmiskajos pētījumos būtu izdevīga gan dronu pētījumu teorētiskajai, gan praktiskajai virzībai. Mēs arī varējām identificēt ievērojamākos pētniekus un viņu ieguldījumu, kas ir vērtīgi, jo jaunāko pamatdarbu apzināšanās var sniegt dažus norādījumus turpmākajiem akadēmiskajiem centieniem.
Tabula 9
UAV adopcijas šķēršļi.
Barjera | Apraksts |
Datu drošība | Kiberdrošība ir galvenais izaicinājums ieviešanai IoT risinājumi (Masroor et al., 2021). |
Sadarbspēja un integrācija | Dažādas tehnoloģijas, piemēram, UAV, WSN, IoT utt. būtu jāintegrē un jāpārsūta dati, kas palielināt sarežģītības līmeni (Alsamhi et al., 2021; Popesku et al., 2020; Vuran et al., 2018). |
Ieviešanas izmaksas | Tas jo īpaši attiecas uz mazajiem lauksaimniekiem un integrējot dažādas progresīvas tehnoloģijas ( Masrū u.c., 2021). |
Darba zināšanas un zināšanas | Lai vadītu bezpilota lidaparātus, ir nepieciešami kvalificēti dronu piloti. Arī dažādu progresīvu ieviešanu tehnoloģijām ir nepieciešami kvalificēti darbinieki (YB Huang et al., 2013; Tsouros et al., 2019). |
Dzinēja jauda un lidojums ilgums | Dronus nevar darbināt ilgas stundas un aizsegā lielas platības (Hardin & Hardin, 2010; Laliberte et al., 2007). |
Stabilitāte, uzticamība un manevrēšanas spēja | Droni nav stabili sliktos laika apstākļos (Hardin & Hardin, 2010; Laliberte et al., 2007). |
Kravas slodzes ierobežojumi un sensoru kvalitāte | Drons var pārvadāt tikai ierobežotas kravas iespēja ielādēt zemākas kvalitātes sensorus (Nebiker et al., 2008). |
Regulēšana | Tā kā droni var būt arī bīstami, tie ir smagi noteikumi dažās jomās (Hardin & Jensen, 2011; Laliberte & Rango, 2011). |
Lauksaimnieku zināšanas un procenti | Tāpat kā citas progresīvās tehnoloģijas, droni veiksmīgai īstenošanai ir vajadzīgas zināšanas un arī kopā ar neskaidrībām (Fisher et al., 2009; Lamberts et al., 2004; Staforda, 2000). |
Tā kā pastāvīgi ir nepieciešams efektīvi izmantot pieejamos resursus, lai palielinātu ražu, lauksaimnieki var izmantot dronus, lai nodrošinātu ātru, precīzu un rentablu savu lauku skenēšanu. Šī tehnoloģija var palīdzēt lauksaimniekiem noteikt savu kultūraugu stāvokli un novērtēt ūdens stāvokli, nogatavošanās stadiju, kukaiņu invāziju un uztura vajadzības. Dronu attālās uzrādes iespējas var nodrošināt lauksaimniekiem svarīgus datus, lai agrīnā stadijā paredzētu problēmas un nekavējoties veiktu piemērotus pasākumus. Tomēr tehnoloģijas priekšrocības var realizēt tikai tad, ja problēmas tiek pienācīgi risinātas. Ņemot vērā
pašreizējās problēmas saistībā ar datu drošību, sensoru tehnoloģiju jautājumiem (piemēram, mērījumu uzticamību vai precizitāti), integrācijas sarežģītību un ievērojamām ieviešanas izmaksām, turpmākajos pētījumos ir jāpārbauda arī tehniskā, ekonomiskā un darbības iespējamība integrēt lauksaimniecības dronus un citus griešanas veidus. malas tehnoloģijas.
Ierobežojumi
Mūsu pētījumam ir vairāki ierobežojumi. Pirmkārt, secinājumus nosaka galīgajai analīzei atlasītās publikācijas. Ir grūti tvert visus attiecīgos pētījumus, kas saistīti ar lauksaimniecības droniem, jo īpaši tos, kas nav indeksēti Scopus datubāzē. Turklāt datu vākšanas process aprobežojas ar meklēšanas atslēgvārdu iestatīšanu, kas var nebūt iekļaujošs un novest pie nepārliecinošiem secinājumiem. Tādējādi turpmākajos pētījumos lielāka uzmanība jāpievērš datu vākšanas pamatjautājumam
ticamāki secinājumi. Vēl viens ierobežojums attiecas uz jaunām publikācijām ar zemu citātu skaitu. Bibliometriskā analīze ir novirzīta uz agrākām publikācijām, jo tās gadu gaitā mēdz saņemt vairāk citātu. Jaunākajiem pētījumiem ir vajadzīgs zināms laiks, lai piesaistītu uzmanību un uzkrātu citātus. Līdz ar to jaunākie pētījumi, kas ienes paradigmas maiņu, neietilpst ietekmīgāko darbu desmitniekā. Šis ierobežojums ir izplatīts, pārbaudot strauji jaunas pētniecības jomas, piemēram, lauksaimniecības dronus. Tā kā mēs esam konsultējušies ar Scopus, lai izpētītu literatūru šim darbam, nākamie pētnieki varētu apsvērt savādāk
datubāzes, piemēram, Web of Science un IEEE Xplore, lai paplašinātu redzesloku un uzlabotu pētniecības struktūru.
Potenciālajos bibliometriskajos pētījumos var ņemt vērā citus svarīgus zināšanu avotus, piemēram, konferenču rakstus, nodaļas un grāmatas, lai radītu jaunus ieskatus. Neskatoties uz globālo publikāciju kartēšanu un izpēti par lauksaimniecības droniem, mūsu atklājumi neatklāja universitāšu zinātnisko rezultātu iemeslus. Tas paver ceļu uz jaunu pētniecības jomu, kvalitatīvi izskaidrojot, kāpēc dažas universitātes ir produktīvākas par citām, kad runa ir par pētījumiem par lauksaimniecību.
droni. Turklāt turpmākie pētījumi varētu sniegt ieskatu par dronu potenciālu palielināt lauksaimniecības ilgtspējību vairākos veidos, piemēram, vides uzraudzībā, kultūraugu apsaimniekošanā un nezāļu kartēšanā, kā norāda vairāki pētnieki (Chamuah & Singh, 2019; Islam et al., 2021; Popescu et al., 2020; J. Su, Liu et al., 2018b). Tā kā tekstuālā analīze nebija iespējama lielā atlasīto rakstu skaita dēļ, ir nepieciešami sistemātiski literatūras apskati, kas pārbauda
izmantotās pētniecības metodes un lauksaimnieku iesaiste iepriekšējos pētījumos. Īsāk sakot, mūsu bezpilota lidaparātu pētījumu analīze atklāj šī zināšanu kopuma neredzamās saiknes. Tāpēc šis pārskats palīdz atklāt attiecības starp publikācijām un pēta pētniecības jomas intelektuālo struktūru. Tajā ir arī attēlotas saiknes starp dažādiem literatūras aspektiem, piemēram, autoru atslēgvārdiem, piederībām un valstīm.
Konkurējošo interešu deklarācija
Autori paziņo, ka viņiem nav zināmu konkurējošu finansiālu interešu vai personisku attiecību, kas varētu šķist ietekmēt šajā rakstā aprakstīto darbu.
Pielikums 1
TITLE-ABS-KEY (((drone* VAI “bezpilota lidaparāts” VAI uav* VAI “bezpilota gaisa kuģu sistēma” VAI uas VAI “tālvadības lidmašīna”) UN (lauksaimniecība VAI lauksaimniecība VAI lauksaimniecība VAI lauksaimnieks))) UN (IZSLĒGT (PUBIEDS, 2022)) UN (IEROBEŽOTS (VALODA, “angļu”)).
Atsauces
Aasen, H., Burkart, A., Bolten, A., Bareth, G., 2015. 3D hiperspektrālās informācijas ģenerēšana ar vieglām UAV momentuzņēmuma kamerām veģetācijas monitoringam: no plkst.
kameras kalibrēšana kvalitātes nodrošināšanai. 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. Modeļu atpazīšanas algoritma izstrāde automātiskai putnu noteikšanai no bezpilota lidaparātu attēliem.
Aptauja. Zemes inform. 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. Ilgtspējība 13 (21),
12011.
Aboutalebi, M., Torres-Rua, AF, Kustas, WP, Nieto, H., Coopmans, C., McKee, M., Dažādu metožu novērtējums ēnu noteikšanai augstas izšķirtspējas optiskajos attēlos un ēnu ietekmes novērtējums aprēķinos NDVI un evapotranspirāciju. Irrig. Sci. 37 (3), 407–429. https://doi.org/10.1007/s00271-018-0613-9.
Adao, ˜ T., Hruˇska, J., Padua, ´ L., Bessa, J., Peres, E., Morais, R., Sousa, JJ, 2017. Hiperspektrālā attēlveidošana: pārskats par UAV balstītiem sensoriem, dati apstrāde un
pieteikumi lauksaimniecībai un mežsaimniecībai. Tālvadība 9 (11). https://doi.org/ 10.3390/rs9111110.
Agüera Vega, F., Ramírez, FC, Saiz, MP, Rosúa, FO, 2015. Daudzlaiku attēlveidošana, izmantojot bezpilota lidaparātu saulespuķu ražas uzraudzībai. Biosyst. Inž.
132, 19–27. https://doi.org/10.1016/j.biosystemseng.2015.01.008.
Ajayi, OG, Salubi, AA, Angbas, AF, Odigure, MG, 2017. Precīzu digitālo pacēluma modeļu ģenerēšana no UAV ieguva zemu procentuālo pārklājumu attēlus. 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. Pārskats par mašīnmācības pieejām biomasas un augsnes mitruma iegūšanai no attālās uzrādes datiem. Remote Sensing 7 (12), 16398–16421.
Alsamhi, SH, Afghah, F., Sahal, R., Hawbani, A., Al-qaness, MAA, Lee, B., Guizani, M., Zaļais lietu internets, izmantojot UAV B5G tīklos: lietojumprogrammu apskats
un stratēģijas. Reklāma Hoc. Tīkls 117, 102505 https://doi.org/10.1016/j. adhoc.2021.102505.
Al-Thani, N., Albuainain, A., Alnaimi, F., Zorba, N., 2020. Drones for Sheep Livestock Monitoring. In: 20. IEEE Vidusjūras elektrotehniskā konference. https://doi.
org/10.1109/MELECON48756.2020.9140588.
Ampatzidis, Y., Partel, V., 2019. Uz UAV balstīta augstas caurlaidspējas fenotipēšana citrusaugļos, izmantojot multispektrālo attēlveidošanu un mākslīgo intelektu. Remote Sensing 11 (4), https://doi.org/10.3390/rs11040410.
Ampatzidis, Y., Partel, V., Costa, L., 2020. Agroview: uz mākoņiem balstīta lietojumprogramma, lai apstrādātu, analizētu un vizualizētu UAV savāktos datus precīzās lauksaimniecības lietojumprogrammām, kurās tiek izmantots mākslīgais intelekts. Aprēķināt. Elektrons. Lauksaimniecības. 174, 105457 https://doi. org/10.1016/j.compag.2020.105457.
Ang, K.-L.-M., Seng, JKP, 2021. Lielie dati un mašīnmācīšanās ar hiperspektrālu informāciju lauksaimniecībā. IEEE Access 9, 36699–36718. https://doi.org/10.1109/
PIEKĻUVE.2021.3051196.
Aquilani, C., Confessore, A., Bozzi, R., Sirtori, F., Pugliese, C., 2022. Pārskats: precīzas lopkopības tehnoloģijas ganību bāzes lopkopības sistēmās. Dzīvnieks 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
lauksaimniecības produktivitātes uzlabošana: bibliometriskā analīze. Agronomy 10 (12), 12. pants. https://doi.org/10.3390/agronomy10121989.
Armstrong, I., Pirrone-Brusse, M., Smith, A., Jadud, M., 2011. The flying Gator: to aerial robotics in occam-π. Commun. Procesu arhitekts. 2011, 329.–340. https://doi. org/10.3233/978-1-60750-774-1-329.
Arora, SD, Chakraborty, A., 2021. Patērētāju sūdzību uzvedības intelektuālās struktūras (CCB) pētījums: bibliometriskā analīze. J. Business Res. 122, 60–74.
Aslan, MF, Durdu, A., Sabanci, K., Ropelewska, E., Gültekin, SS, 2022. gads.
Visaptverošs pētījums par jaunākajiem pētījumiem ar bezpilota lidaparātiem par precīzo lauksaimniecību atklātos laukos un siltumnīcās. Appl. Sci. 12 (3), 1047. https://doi.org/10.3390/
lietotne12031047.
Atkinsons, JA, Džeksons, RJ, Bentlijs, AR, Obers, E. un Velss, DM (2018). Lauka fenotipēšana nākotnei. In Annual Plant Reviews tiešsaistē (719.–736. lpp.). Džons
Wiley & Sons, Ltd. doi: 10.1002/9781119312994.apr0651.
Austin, R., 2010. Bezpilota gaisa kuģu sistēmas: UAVS projektēšana, izstrāde un izvietošana. In: Bezpilota lidaparātu sistēmas: UAVS dizains, izstrāde un
Izvietošana. Džons Vīlijs un dēli. https://doi.org/10.1002/9780470664797.
Awais, M., Li, W., Cheema, MJM, Zaman, QU, Shaheen, A., Aslam, B., Zhu, W., Ajmal, M., Faheem, M., Hussain, S., Nadeem, AA, Afzal, MM, Liu, C., 2022. UAV balstīta attālā uzrāde augu stresa apstākļos Iedomājieties, ka digitālās lauksaimniecības praksēs tiek izmantots augstas izšķirtspējas termiskais sensors: meta-pārskats. Int. J. Vide. Sci. Tehn. 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. Gudra lauksaimniecība: iespējas, izaicinājumi
un tehnoloģiju veicinātāji. 2018 IoT Vertical un. Aktuālais samits par lauksaimniecību — Toskāna (IOT Toskāna) 1.–6. https://doi.org/10.1109/IOTTUSCANY.2018.8373043.
Bah, MD, Hafiane, A., Canals, R., 2018. Dziļa mācīšanās ar neuzraudzītu datu marķēšanu nezāļu noteikšanai līnijas kultūrās UAV attēlos. Remote Sensing 10 (11), 1690.
https://doi.org/10.3390/rs10111690.
Baldi, S., 1998. Normatīvie pret sociāli konstruktīvisma procesi citātu piešķiršanā: tīkla analītiskais modelis. Am. Sociol. Atkl. 63 (6), 829–846. https://doi.
org/10.2307/2657504.
Baluja, J., Diago, MP, Balda, P., Zorer, R., Meggio, F., Morales, F., Tardaguila, J., 2012. Assessment of vineyard water status variability by termal and multispectral
attēlus, izmantojot bezpilota lidaparātu (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.,Nākamās paaudzes audzēšana. Augu Sci. 242, 3–13. https://doi.org/10.1016/j.
plantci.2015.07.010.
Barbedo, JGA, Koenigkan, LV, 2018. Bezpilota gaisa sistēmu izmantošanas perspektīvas liellopu monitoringam. Outlook Agric. 47 (3), 214–222. https://doi.org/10.1177/0030727018781876.
Bareth, G., Aasen, H., Bendig, J., Gnyp, ML, Bolten, A., Jung, A., Michels, R., Soukkamaki, ¨ J., 2015. Low-weight and UAV-based hyperspectral pilna kadra kameras
kultūraugu uzraudzībai: spektrālais salīdzinājums ar pārnēsājamiem spektroradiometra mērījumiem. Photogrammetrie, Fernerkundung, Ģeoinformācija 2015 (1), 69–79.
https://doi.org/10.1127/pfg/2015/0256.
Barrientos, A., Colorado, J., del Cerro, J., Martinez, A., Rossi, C., Sanz, D., Valente, J., Aerial remote sensing in agriculture: praktiska pieeja apgabala pārklājumam
un mini gaisa robotu flotes ceļu plānošana. Dž. Fīlds Robs. 28 (5), 667–689. https://doi.org/10.1002/rob.20403.
Basiri, A., Mariani, V., Silano, G., Aatif, M., Iannelli, L., Glielmo, L., 2022. Aptauja par ceļa plānošanas algoritmu pielietošanu daudzrotoru UAV precizitātē
lauksaimniecība. J. Navigs. 75 (2), 364–383.
Basnet, B., Bang, J., 2018. Zināšanu ietilpīgās lauksaimniecības jaunākās tehnoloģijas: pārskats par lietišķajām sensoru sistēmām un datu analīzi. J. Sens. 2018, 1.–13.
Bendig, J., Bolten, A., Bareth, G., 2013. Uz UAV balstīta attēlveidošana daudzlaiku, ļoti augstas izšķirtspējas kultūraugu virsmas modeļiem, lai uzraudzītu kultūraugu augšanas mainīgumu. 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. Miežu biomasas novērtēšana, izmantojot kultūraugu virsmas modeļus (CSM), kas iegūti no UAV bāzes RGB attēlveidošanas. Remote Sensing 6 (11), 10395–10412.
Bendig, J., Yu, K., Aasen, H., Bolten, A., Bennertz, S., Broscheit, J., Gnyp, ML, Bareth, G., 2015. Apvienojot UAV balstītu augu augstumu no ražas virsmas modeļi,
redzami un tuvu infrasarkano staru veģetācijas indeksi biomasas monitoringam miežos. Int. J. Appl. Earth Obs. Ģeoinf. 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. Nojumes vadītspējas un CWSI kartēšana olīvu dārzos, izmantojot augstu izšķirtspēju
siltuma attālās uzrādes attēli. Tālvadības sensori. 113 (11), 2380–2388. https://doi.org/10.1016/j.rse.2009.06.018.
Berni, JA, Zarco-Tejada, PJ, Suarez, ´L., Fereres, E., 2009b. Termiskā un šaurjoslas multispektrālā attālā uzrāde veģetācijas uzraudzībai no bezpilota lidaparāta. 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. Tehn. 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. Atsevišķu stādu un stādu kopienu daudzsensoru UAV izsekošana ar milimetru precizitāti. Drones 3 (4), 81.
https://doi.org/10.3390/drones3040081.
Candiago, S., Remondino, F., De Giglio, M., Dubbini, M., Gattelli, M., 2015. Multispektrālo attēlu un veģetācijas indeksu novērtēšana precīzās lauksaimniecības lietojumiem no UAV attēliem. Remote Sensing 7 (4), 4026–4047. https://doi.org/10.3390/rs70404026.
Cao, Y., Li, GL, Luo, YK, Pan, Q., Zhang, SY, 2020. Cukurbiešu augšanas rādītāju monitorings, izmantojot plaša dinamiskā diapazona veģetācijas indeksu (WDRVI), kas iegūts no UAV
multispektrālie attēli. Aprēķināt. Elektrons. Lauksaimniecības. 171, 105331 https://doi.org/10.1016/j.compag.2020.105331.
Casillas, J., Acedo, F., 2007. Ģimenes biznesa literatūras intelektuālās struktūras evolūcija: FBR bibliometriskais pētījums. Ģimenes bizness, 20. red. (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. Dinamiskais rīsu biomasas monitorings saskaņā ar
dažādas slāpekļa apstrādes, izmantojot vieglu UAV ar divu attēlu kadru momentuzņēmumu kamerām. Augu metodes 15 (1), 32. https://doi.org/10.1186/s13007-019-
0418-8.
Chamuah, A., Singh, R., 2019. Indijas lauksaimniecības ilgtspējības nodrošināšana, izmantojot civilos bezpilota lidaparātus: atbildīga inovāciju perspektīva. SN Appl. Sci. 2 (1), 106. https://
doi.org/10.1007/s42452-019-1901-6.
Chamuah, A., Singh, R., 2022. Civilo bezpilota lidaparātu (UAV) inovāciju atbildīga pārvaldība Indijas ražas apdrošināšanas lietojumiem. J. Atbildīgais
Tehn. 9, 100025 https://doi.org/10.1016/j.jrt.2022.100025.
Chen, A., Orlov-Levin, V., Meron, M., 2019. Augstas izšķirtspējas redzamā kanāla gaisa attēlveidošanas izmantošana kultūraugu lapotnes precīzai apūdeņošanas vadībai. Lauksaimniecības. Ūdens
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. Viegls UAV ar iebūvētu fotogrammetriju un vienas frekvences GPS pozicionēšanu metroloģijas lietojumiem. 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. Uz blokķēdes balstīta IoT platforma autonomai dronu operāciju pārvaldībai. In: Proceedings of the 2nd ACM
MobiCom seminārs par bezpilota bezvadu sakariem 5G un ne tikai, 31.–36. lpp. https://doi.org/10.1145/3414045.3415939.
Day, RA, Gastel, B., 1998. Kā uzrakstīt un publicēt zinātnisku rakstu. 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 segt kultūraugus ar automātisku lēmumu koku-OBIA procedūru un UAV attēliem precīzai vīnkopībai. Remote Sensing 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. Automātisks izlases meža-OBIA algoritms agrīna nezāļu kartēšana starp kultūraugu rindām un to robežās, izmantojot UAV attēlus. Tālvadība 10 (2). https://doi.org/10.3390/rs10020285.
Demir, N., Sonmez, ¨ NK, Akar, T., Ünal, S., 2018. Automated Measurement of Plant Height of Wheat Genotypes using a DSM Derived from UAV Imagery. Proceedings 2 (7), 350. https://doi.org/10.3390/ecrs-2-05163.
Deng, J., Zhong, Z., Huang, H., Lan, Y., Han, Y., Zhang, Y., 2020. Viegls semantiskās segmentācijas tīkls reāllaika nezāļu kartēšanai, izmantojot bezpilota lidaparātus. Appl. Sci. 10 (20), 7132. https://doi.org/10.3390/app10207132.
Deng, L., Mao, Z., Li, X., Hu, Z., Duan, F., Yan, Y., 2018. UAV-based multispectral remote sensing for precision agriculture: a salīdzināt starp dažādām kamerām. ISPRS J. Photogramm. Remote Sens. 146, 124–136.
Diaz-Gonzalez, FA, Vuelvas, J., Correa, CA, Vallejo, VE, Patino, D., 2022. Mašīnmācīšanās un attālās uzrādes metodes, ko izmanto augsnes indikatoru novērtēšanai – pārskats. 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. Augstas izšķirtspējas bezpilota lidaparātu attēli, lai novērtētu olīvkoku vainaga parametrus, izmantojot 3D fotoattēlu
rekonstrukcija: pielietojums selekcijas izmēģinājumos. Remote Sensing 7 (4), 4213–4232. https://doi.org/10.3390/rs70404213.
Dixit, A., Jakhar, SK, 2021. Lidostu kapacitātes vadība: pārskats un bibliometriskā analīze. J. Air Transp. Manag. 91, 102010.
Dong, T., Shang, J., Liu, J., Qian, B., Jing, Q., Ma, B., Huffman, T., Geng, X., Sow, A., Shi, Y., Canisius, F., Jiao, X., Kovacs, JM, Walters, D., Cable, J., Wilson, J., 2019.
RapidEye attēlu izmantošana, lai noteiktu ražas augšanas un ražas mainīgumu Ontario, Kanādā. Precīzijas lauksaimniecība. 20 (6), 1231–1250. https://doi.org/10.1007/
s11119-019-09646-w.
Dutta, PK, Mitra, S., 2021. Lauksaimniecības dronu un citu lietu pielietojums, lai izprastu pārtikas piegādes ķēdi pēc Covid-19. In: Choudhury, A., Biswas, A., Prateek, M.,
Chakrabarti, A. (Eds.), Lauksaimniecības informātika: automatizācija, izmantojot IoT un mašīnmācīšanos. Wiley, 67.–87. lpp. van Eck, N., Waltman, L., 2009. Programmatūras aptauja: VOSviewer, datorprogramma bibliometriskai kartēšanai. Scientometrics 84 (2), 523–538. https://doi.org/10.1007/s11192-009-0146-3.
Elija, O., Rahman, TA, Orikumhi, I., Leow, CY, Hindia, MN, 2018. Pārskats par lietu internetu (IoT) un datu analīzi lauksaimniecībā: ieguvumi un izaicinājumi.
IEEE Internet Things J. 5 (5), 3758–3773.
Enciso, J., Avila, CA, Jung, J., Elsayed-Farag, S., Chang, A., Yeom, J., Landivar, J., Maeda, M., Chavez, JC, 2019. Validation of Agronomic UAV un lauks
mērījumi tomātu šķirnēm. Aprēķināt. Elektrons. Lauksaimniecības. 158., 278.–283. https://doi.org/10.1016/j.compag.2019.02.011.
Espinoza, CZ, Khot, LR, Sankaran, S., Jacoby, PW, 2017. Augstas izšķirtspējas multispektrālās un termiskās attālās uzrādes bāzes ūdens sprieguma novērtējums
pazemes apūdeņotas vīnogas. Remote Sensing 9 (9), 961. https://doi.org/ 10.3390/rs9090961.
Ewing, J., Oommen, T., Jayakumar, P., Alger, R., 2020. Hiperspektrālās attālās uzrādes izmantošana augsnes gradācijai. Remote Sensing 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. Dronu bāzes multispektrālās virsmas atstarošanas un veģetācijas indeksu daudzskalu novērtējums ekspluatācijas apstākļos. Tālvadības 12 (3), 514.
Feng, X., Yan, F., Liu, X., 2019. Bezvadu sakaru tehnoloģiju pētījums par lietu internetu precīzai lauksaimniecībai. Bezvadu pers. Commun. 108 (3),
1785-1802.
Ferreira, MP, Pinto, CF, Serra, FR, 2014. Darījumu izmaksu teorija starptautiskā biznesa izpētē: bibliometrisks pētījums trīs gadu desmitu garumā. Scientometrics 98 (3), 1899–1922. https://doi.org/10.1007/s11192-013-1172-8.
Fisher, P., Abuzar, M., Rab, M., Best, F., Chandra, S., 2009. Advances in precizion agriculture in South-eastern Australia. I. modelējamā regresijas metodoloģija
graudaugu ražības telpiskā variācija, izmantojot lauksaimnieku vēsturisko aploku ražu un normalizēto veģetācijas indeksu. Crop Pasture Sci. 60 (9), 844–858.
Floreano, D., Wood, RJ, 2015. Zinātne, tehnoloģijas un mazu autonomo dronu nākotne. Nature 521 (7553), 460–466. https://doi.org/10.1038/nature14542.
Friha, O., Ferrag, MA, Shu, L., Maglaras, LA, Wang, X., 2021. Lietu internets viedās lauksaimniecības nākotnei: visaptverošs jauno tehnoloģiju apskats. IEEE CAA J. Autom. Sinica 8 (4), 718–752.
Fuentes-Pacheco, J., Torres-Olivares, J., Roman-Rangel, E., Cervantes, S., JuarezLopez, P., Hermosillo-Valadez, J., Rendon-Mancha, ´ JM, 2019. Fig plant segmentation no gaisa attēliem, izmantojot dziļo konvolucionālo kodētāja-dekodētāja tīklu. Remote Sensing 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 assessment water stress for
ilgtspējīga lauksaimniecība. Lauksaimniecības. Ūdens apsaimniekotājs. 153, 9–19. https://doi.org/10.1016/j. agwat.2015.01.020.
García-Tejero, IF, Rubio, AE, Vinuela, ˜ I., Hern´ andez, A., Guti´errez-Gordillo, S., Rodríguez-Pleguezuelo, CR, Dur´an-Zuazo, VH, 2018. Termiskā attēlveidošana rūpnīcā
līmenī, lai novērtētu kultūraugu un ūdens stāvokli mandeļu kokiem (cv. Guara) saskaņā ar deficīta apūdeņošanas stratēģijām. Lauksaimniecības. Ūdens apsaimniekotājs. 208., 176.–186. https://doi.org/10.1016/j.
agwat.2018.06.002.
Garzonio, R., Di Mauro, B., Colombo, R., Cogliati, S., 2017. Virsmas atstarošanas un saules inducētās fluorescences spektroskopijas mērījumi, izmantojot nelielu hiperspektrālo UAS. Remote Sensing 9 (5), 472. https://doi.org/10.3390/rs9050472. Gaˇsparovi´c, M., Zrinjski, M., Barkovi´c, Đ., Radoˇcaj, D., 2020. An automatic method for
nezāļu kartēšana auzu laukos, pamatojoties uz UAV attēliem. Aprēķināt. Elektrons. Lauksaimniecības.
Gebbers, R., Adamchuk, VI, 2010. Precīzā lauksaimniecība un pārtikas drošība. Zinātne 327 (5967), 828–831. https://doi.org/10.1126/science.1183899.
Geipel, J., Link, J., Claupein, W., 2014. Kukurūzas ražas kombinētā spektrālā un telpiskā modelēšana, pamatojoties uz gaisa attēliem un kultūraugu virsmas modeļiem, kas iegūti ar bezpilota lidaparātu sistēmu. Remote Sensing 6 (11), 10335–10355. https://doi.org/10.3390/rs61110335.
Geng, D., Feng, Y., Zhu, Q., 2020. Ilgtspējīgs dizains lietotājiem: literatūras apskats un bibliometriskā analīze. Vide. Sci. Piesārņo. Res. 27 (24), 29824–29836. https://doi. org/10.1007/s11356-020-09283-1.
Gevaert, CM, Suomalainen, J., Tang, J., Kooistra, L., 2015. Spektrālās laika atbildes virsmu ģenerēšana, apvienojot multispektrālo satelītu un hiperspektrālo
UAV attēli precīzai lauksaimniecībai. IEEE J. Sel. Tops. Appl. Earth Obs. Remote Sens. 8 (6), 3140–3146. ttps://doi.org/10.1109/JSTARS.2015.2406339.
Gill, SS, Chana, I., Buyya, R., 2017. IoT balstīta lauksaimniecība kā mākonis un liels datu pakalpojums: digitālās Indijas sākums. J. Org. un galalietotāja skaitļošana. (JOEUC) 29 (4),
1-23.
Gmür, M., 2006. Līdzcitēšanas analīze un neredzamo koledžu meklēšana: metodoloģiskais novērtējums. Scientometrics 57 (1), 27–57. https://doi.org/10.1023/
a:1023619503005.
Gnadinger, ¨ F., Schmidhalter, U., 2017. Kukurūzas augu digitālie uzskaiti ar bezpilota lidaparātiem (UAV). Tālvadība 9 (6). https://doi.org/10.3390/rs9060544.
Gokto ¨ ǧan, AH, Sukkarieh, S., Bryson, M., Randle, J., Lupton, T., Hung, C., 2010. Rotary-wing bezpilota gaisa transportlīdzeklis ūdens nezāļu novērošanai un
vadība. J. Intell. Robotikas sistēma: Teor. Appl. 57 (1–4), 467–484. https://doi. org/10.1007/s10846-009-9371-5.
Gomez-Cand ´ on, ´ D., De Castro, AI, Lopez-Granados, ´ F., 2014. Bezpilota lidaparātu (UAV) attēlu mozaīku precizitātes novērtēšana precīzās lauksaimniecības nolūkos kviešu audzēšanā. Precis. Lauksaimniecības. 15 (1), 44–56. https://doi.org/10.1007/s11119-013-9335-4.
Gomez-Cand ´ on, ´ D., Virlet, N., Labb´e, S., Jolivot, A., Regnard, J.-L., 2016. Field phenotyping of water stress at tree scale by UAV-sensed imagesry : jauni ieskati par
termiskā iegūšana un kalibrēšana. Precis. Lauksaimniecības. 17 (6), 786–800. https://doi.org/10.1007/s11119-016-9449-6.
Gonzalez-Dugo, V., Zarco-Tejada, PJ, Fereres, E., 2014. Pielietojamība un ierobežojumi, izmantojot kultūraugu ūdens stresa indeksu kā ūdens deficīta indikatoru citrusaugļu dārzos. Lauksaimniecības. Priekš. Meteorols. 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. Izmantojot augstas izšķirtspējas UAV termisko attēlu
novērtē piecu augļu koku sugu ūdens stāvokļa mainīgumu komerciālā augļu dārzā. Precis. Lauksaimniecības. 14 (6), 660–678. https://doi.org/10.1007/s11119-013-9322-9.
Goyal, K., Kumar, S., 2021. Finanšu pratība: sistemātisks pārskats un bibliometriskā analīze. Int. J. Consumer Studies 45 (1), 80–105. https://doi.org/10.1111/
ijcs.12605.
Grenzdorffer, ¨ GJ, Engel, A., Teichert, B., 2008. Zemo izmaksu uav fotogrammetriskais potenciāls mežsaimniecībā un lauksaimniecībā. Starptautiskais fotogrammetrijas, attālās izpētes un telpiskās informācijas zinātņu arhīvs – ISPRS Archives 37, 1207–1213. https://www.scopus.com/inward/record.uri?eid=2-s2.0-85039543258&partnerI D=40&md5=b4b2d639257e8ddb5a373d15959c4e1e.
Guan, S., Fukami, K., Matsunaka, H., Okami, M., Tanaka, R., Nakano, H., Sakai, T., Nakano, K., Ohdan, H., Takahashi, K., 2019. Augstas izšķirtspējas korelācijas novērtēšana
NDVI ar mēslojuma līmeni un rīsu un kviešu kultūru ražu, izmantojot mazos UAV. Tālvadības 11 (2), 112.
Gundolf, K., Filser, M., 2013. Vadības pētījumi un reliģija: citātu analīze. J. Autobuss. Ētika 112 (1), 177–185.
Guo, Q., Zhu, Y., Tang, Y., Hou, C., He, Y., Zhuang, J., Zheng, Y., Luo, S., 2020. Telpiskās CFD simulācija un eksperimentālā verifikācija un laika sadalījums
četru rotoru lauksaimniecības bezpilota lidaparāta lejupvērstā gaisa plūsma. Aprēķināt. Elektrons. Lauksaimniecības. 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. , Polija, J., 2016.
Bezpilota antenu sistēmu pielietojums lielas caurlaidības fenotipēšanai lielās kviešu audzēšanas audzētavās. Augu metodes 12 (1). https://doi.org/10.1186/s13007-
016-0134-6.
Hakala, T., Honkavaara, E., Saari, H., Makynen, ¨ J., Kaivosoja, J., Pesonen, L., & Pol ¨ onen, ¨I., 2013. Spectral imaging from UAVs under variing illumination conditions . In GG Bill R. (Ed.), International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences — ISPRS Archives (Vol. 40, Issue 1W2, pp. 189–194). Starptautiskā fotogrammetrijas un attālās izpētes biedrība. 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. No bezpilota gaisa salu veģetācijas kartēšanas paņēmienu novērtēšana
transportlīdzekļu (UAV) attēli: pikseļu klasifikācija, vizuālā interpretācija un mašīnmācīšanās pieejas. Int. J. Appl. Earth Obs. Ģeoinf. 89, 102085 https://doi.org/
10.1016/j.jag.2020.102085.
Haque, A., Islam, N., Samrat, NH, Dey, S., Ray, B., 2021. Gudra lauksaimniecība, izmantojot atbildīgu vadību Bangladešā: iespējas, iespējas un ne tikai.
Ilgtspējība 13 (8), 4511.
Hardin, PJ, Hardin, TJ, 2010. Maza mēroga attālināti pilotēti transportlīdzekļi vides izpētē. Ģeogrāfijas kompass 4 (9), 1297–1311. ttps://doi.org/10.1111/j.1749-
8198.2010.00381.x.
Hardin, PJ, Jensen, RR, 2011. Maza mēroga bezpilota lidaparāti vides attālajā izpētē: izaicinājumi un iespējas. 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: technology and applications, (1. izdevums, 2021. gada izdevums). Springeris.
Herwitz, SR, Johnson, LF, Dunagan, SE, Higgins, RG, Sallivan, DV, Zheng, J., Lobitz, BM, Leung, JG, Gallmeyer, BA, Aoyagi, M., Slye, RE, Brass, JA, 2004. gads.
Attēlveidošana no bezpilota lidaparāta: lauksaimniecības uzraudzība un lēmumu atbalsts. Aprēķināt. Elektrons. Lauksaimniecības. 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, Kviešu augu augstuma un augšanas ātruma augstas caurlaidības lauka fenotipēšana lauka parauglaukumos, izmantojot UAV balstītu attālo uzrādi. Tālvadība 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. Processing and assessment spektrometriski stereoskopiski attēli, kas savākti, izmantojot vieglu UAV spektrālo kameru precīzai lauksaimniecībai. Remote Sensing 5 (10), 5006–5039. https://doi.org/10.3390/rs5105006.
Hossein Motlagh, N., Taleb, T., Arouk, O., 2016. Zema augstuma bezpilota lidaparātu bāzes pakalpojumi lietu internetam: visaptveroša aptauja un nākotnes perspektīvas. 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. Combined optic-flow and stereo-based navigation of urban canyons for a UAV. In: 2005 IEEE/RSJ
Starptautiskā konference par viedajiem robotiem un sistēmām, 3309.–3316. lpp. https://doi.org/10.1109/IROS.2005.1544998.
Hsu, T.-C., Yang, H., Chung, Y.-C., Hsu, C.-H., 2020. Radoša IoT lauksaimniecības platforma mākoņu miglas skaitļošanai. Uzturēt. Aprēķināt. Inf. Sist. 28, 100285.
Huang, H., Deng, J., Lan, Y., Yang, A., Deng, X., Zhang, L., Gonzalez-Andujar, JL, 2018. Pilnībā konvolūcijas tīkls bezpilota lidaparātu nezāļu kartēšanai ( UAV) attēli. 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) nezāļu kartēšanā UAV attēliem. Int. Dž.
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. gads. Dziļa krāsu kalibrēšana bezpilota lidaparātu attēliem kultūraugu uzraudzībā
izmantojot semantiskā stila pārnesi ar lokālu uz globālu uzmanību. Int. J. Appl. Earth Obs. Ģeoinf. 104, 102590 https://doi.org/10.1016/j.jag.2021.102590.
Huang, YB, Thomson, SJ, Hoffmann, WC, Lan, YB, Fritz, BK, 2013. Bezpilota lidaparātu tehnoloģiju attīstība un perspektīva lauksaimnieciskai ražošanai
vadība. Int. J. Agric. Biol. Inž. 6 (3), 1.–10. https://doi.org/10.3965/j. ijabe.20130603.001.
Huang, Y., Hoffmann, WC, Lan, Y., Wu, W., Fritz, BK, 2009. Smidzināšanas sistēmas izstrāde bezpilota lidaparātu platformai. Appl. Inž. Lauksaimniecības. 25 (6), 803–809.
Hunt Jr., ER, Dean Hively, W., Fujikawa, SJ, Linden, DS, Daughtry, CST, McCarty, GW, 2010. NIR-zaļi-zilo digitālo fotogrāfiju iegūšana no plkst.
bezpilota lidaparāti ražas uzraudzībai. Remote Sensing 2 (1), 290–305. https://doi. org/10.3390/rs2010290. Inoue, Y., 2020. Ar satelītiem un droniem balstīta kultūraugu un augsnes attālā uzrāde viedai lauksaimniecībai — pārskats. Augsne Sci. Augu 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. Lietojumprogrammu un komunikācijas tehnoloģiju apskats lietu internetam (IoT) un
Uz bezpilota lidaparātiem (UAV) balstīta ilgtspējīga viedā lauksaimniecība. Ilgtspējība 13 (4), 1821. https://doi.org/10.3390/su13041821.
Jaud, M., Passot, S., Le Bivic, R., Delacourt, C., Grandjean, P., Le Dantec, N., 2016. Augstas izšķirtspējas digitālo virsmu modeļu precizitātes novērtējums, ko aprēķina
PhotoScan® un MicMac® neoptimālos apsekošanas apstākļos. Remote Sensing 8 (6), https://doi.org/10.3390/rs8060465.
Jim'enez-Brenes, FM, Lopez-Granados, ´F., Castro, AI, Torres-S´ anchez, J., Serrano, N., Pena, ˜ JM, 2017. Kvantitatīvā apgriešanas ietekme uz olīvkoku arhitektūru un gada nojumes augšana, izmantojot uz UAV balstītu 3D modelēšanu. Augu metodes 13 (1). https://doi.org/10.1186/s13007-017-0205-3.
Jin, X., Liu, S., Baret, F., Hemerl´e, M., Comar, A., 2017. Estimates of plant density of wheat crops at erupting from very low-search UAV imagesry. Tālvadības sensori.
Vide. 198, 105–114. https://doi.org/10.1016/j.rse.2017.06.007.
Jinbo, C., Xiangliang, C., Han-Chi, F., Lam, A., 2019. Lauksaimniecības produktu uzraudzības sistēma, ko atbalsta mākoņdatošana. Cluster Comput. 22 (4), 8929–8938.
Ju, C. un Son, HI 2018a. Vairāku UAV sistēmu veiktspējas novērtējums attālajai uzrādei lauksaimniecībā. Semināra par robotu redzējumu un rīcību lauksaimniecībā materiāli IEEE starptautiskajā robotikas un automatizācijas konferencē (ICRA), Brisbena, Austrālija, 21.–26.
Ju, C., Son, HI, 2018b. Vairākas UAV sistēmas lauksaimniecības vajadzībām: kontrole, ieviešana un novērtēšana. Electronics 7 (9), 162. https://doi.org/10.3390/
elektronika7090162.
Jung, J., Maeda, M., Chang, A., Bhandari, M., Ashapure, A., Landivar-Bowles, J., 2021. Attālās uzrādes un mākslīgā intelekta potenciāls kā instrumenti, lai uzlabotu
lauksaimniecības ražošanas sistēmu noturība. Curr. Atzinums. Biotehnoloģija. 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. Uzlabota kultūru izpētes tehnika, kas ietver bezpilota lidaparātu atbalstītu multispektrālo kultūru attēlveidošanu tradicionālajā izlūkošanas praksē arbūzu smaganu stublāju iekaisei. Augu Dis. 103 (7), 1642–1650.
Kapoor, KK, Tamilmani, K., Rana, NP, Patil, P., Dwivedi, YK, Nerur, S., 2018. Advances in social media research: past, present and future. Informēt. Sist. Priekšpuse. 20
(3), 531-558.
Kerkech, M., Hafiane, A., Canals, R., 2020. VddNet: vīnogulāju slimību noteikšanas tīkls, kas balstīts uz daudzspektriem attēliem un dziļuma karti. Remote Sensing 12 (20), 3305. https://doi. org/10.3390/rs12203305.
Khaliq, A., Comba, L., Biglia, A., Ricauda Aimonino, D., Chiaberge, M., Gay, P., 2019. Satelītu un UAV balstītu multispektrālo attēlu salīdzinājums vīna dārzam
mainīguma novērtējums. Tālvadība 11 (4). https://doi.org/10.3390/rs11040436.
Khan, PW, Byun, Y.-C., Park, N., 2020. IoT blokķēdes iespējota optimizēta izcelsmes sistēma pārtikas rūpniecībai 4.0, izmantojot uzlabotas dziļās mācības. Sensori 20 (10), 2990.
Khan, RU, Khan, K., Albattah, W., Qamar, AM, Ullah, F., 2021. Augu slimību noteikšana uz attēliem: no klasiskās mašīnmācīšanās līdz dziļas mācīšanās braucienam. Bezvadu komunikācija. Mobilais dators. 2021, 1.–13.
Khan, S., Tufail, M., Khan, MT, Khan, ZA, Iqbal, J., Alam, M., Le, KNQ, 2021. Jauns daļēji uzraudzīts regulējums UAV balstītai kultūraugu/nezāļu klasifikācijai. PLoS ONE 16 (5), e0251008.
Khanal, S., Fulton, J., Shearer, S., 2017. Pārskats par pašreizējiem un iespējamiem termiskās attālās uzrādes pielietojumiem precīzajā lauksaimniecībā. Aprēķināt. Elektrons.
Lauksaimniecības. 139, 22–32. https://doi.org/10.1016/j.compag.2017.05.001.
Khanna, A., Kaur, S., 2019. Lietu interneta (IoT) evolūcija un tās būtiskā ietekme precīzās lauksaimniecības jomā. Aprēķināt. Elektrons. Lauksaimniecības. 157, 218–231.
Kim, W., Khan, GF, Wood, J., Mahmood, MT, 2016. Darbinieku iesaiste ilgtspējīgās organizācijās: atslēgvārdu analīze, izmantojot sociālo tīklu analīzi un sēriju
noteikšanas pieeja. Ilgtspējība 8 (7), 631.
Kirsch, M., Lorenz, S., Zimmermann, R., Tusa, L., Mockel, ¨ R., Hodl, ¨ P., Booysen, R., Khodadadzadeh, M., Gloaguen, R., 2018. Integrācija uz sauszemes un ar bezpilota lidaparātiem
hiperspektrālās un fotogrammetriskās noteikšanas metodes izpētes kartēšanai un ieguves uzraudzībai. Remote Sensing 10 (9), 1366. https://doi.org/10.3390/
rs10091366.
Kitano, BT, Mendes, CCT, Geus, AR, Oliveira, HC, Souza, JR, 2019. Kukurūzas augu skaitīšana, izmantojot dziļo mācīšanos un UAV attēlus. IEEE Geosci. Remote Sens. Lett. 1–5 https://doi.org/10.1109/LGRS.2019.2930549.
Koh, JCO, Spangenberg, G., Kant, S., 2021. Automated machine learning for highthroughput image based plant fenotipēšana. Remote Sensing 13 (5), 858. https://
doi.org/10.3390/rs13050858.
Kovalev, IV, Voroshilova, AA, 2020. Mūsdienu tehnoloģiskās tendences kravas bezpilota lidaparātu ekosistēmas attīstībā. J. Phys. Konf. Ser. 1515 (5), 052068 https://doi. org/10.1088/1742-6596/1515/5/052068.
Krul, S., Pantos, C., Frangulea, M., Valente, J., 2021. Vizuāls SLAM iekštelpu lopkopībai un lauksaimniecībai, izmantojot nelielu dronu ar monokulāru kameru: priekšizpēte.
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 drons for agriculture automation no stādīšanas līdz
ražu. In: INES 2018 – IEEE 22nd International Conference on Intelligent Engineering Systems, 000353–358.lpp. https://doi.org/10.1109/INES.2018.8523943.
Lagkas, T., Argyriou, V., Bibi, S., Sarigiannidis, P., 2018. UAV IoT framework viedokļi un izaicinājumi: ceļā uz dronu kā “lietu” aizsardzību. Sensori 18 (11), 4015. https://doi.org/10.3390/s18114015.
Laliberte, AS, Rango, A., 2011. Attēlu apstrādes un klasifikācijas procedūras subdecimetru attēlu analīzei, kas iegūti ar bezpilota lidaparātu virs sausuma
apvidus. GISci. Remote Sens. 48 (1), 4–23. https://doi.org/10.2747/1548-1603.48.1.4.
Laliberte, AS, Rango, A., Herrick, JE, 2007. Bezpilota lidaparāti diapazonu kartēšanai un uzraudzībai: divu sistēmu salīdzinājums. ASPRS ikgadējās konferences materiāli.
Lam, OHY, Dogotari, M., Prüm, M., Vithlani, HN, Roers, C., Melville, B., Zimmer, F., Becker, R., 2021. Atvērtā koda darbplūsma nezāļu kartēšanai native grassland
bezpilota lidaparāta izmantošana: Rumex obtusifolius izmantošana kā gadījuma izpēte. Eiro. 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. Precīzās lauksaimniecības datu pieņemšana, rentabilitāte un labāka izmantošana.
Darba papīrs. Purdjū universitāte. https://doi.org/10.22004/ag.econ.28615.
Lelong, CCD, Burger, P., Jubelin, G., Roux, B., Labb´e, S., Baret, F., 2008. Bezpilota lidaparātu attēlu novērtējums kviešu ražas kvantitatīvai uzraudzībai mazos parauglaukumos. Sensori 8 (5), 3557–3585. https://doi.org/10.3390/s8053557.
Li, C., Niu, B., 2020. Gudrās lauksaimniecības dizains, pamatojoties uz lielajiem datiem un lietu internetu. Int. J. Distrib. Sens. tīkls 16 (5) ttps://doi.org/10.1177/1550147720917065.
Li, W., Niu, Z., Chen, H., Li, D., Wu, M., Zhao, W., 2016. Kukurūzas lapotnes augstuma un virszemes biomasas attālināta novērtēšana, izmantojot augstas izšķirtspējas stereo attēlus no a. zemu izmaksu bezpilota lidaparātu sistēma. 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. Mašīnmācība lauksaimniecībā: apskats. Sensori 18 (8), 2674.
Liebisch, F., Kirchgessner, N., Schneider, D., Walter, A., Hund, A., 2015. Kukurūzas pazīmju attālināta, gaisa fenotipēšana ar mobilu vairāku sensoru pieeju. Augu metodes 11 (1), 9. https://doi.org/10.1186/s13007-015-0048-8.
Lin, Z., Guo, W., 2020. Sorgo panicles noteikšana un skaitīšana, izmantojot bezpilota gaisa sistēmas attēlus un dziļu mācīšanos. Priekšpuse. Augu Sci. 11.
Liu, S., Guo, L., Webb, H., Ya, X., Chang, X., 2019. Internet of Things monitoring system of modern eco-agriculture based on cloud computing. IEEE Access 7, 37050–37058.
Lopez-Granados, ´ F., 2011. Nezāļu noteikšana vietnei specifiskai nezāļu pārvaldībai: kartēšana un reāllaika pieejas. Weed Res. 51 (1), 1.–11. https://doi.org/10.1111/j.1365-3180.2010.00829.x.
Lopess-Granadoss, ´F., Toress-Sančess, ´J., De Kastro, A.-I., Serrano-Peress, A., MesasKaraskosa, F.-J., Pena, ˜ J.-M. , 2016. Uz objektu balstīta zālaugu nezāles agrīna uzraudzība zāles kultūrā, izmantojot augstas izšķirtspējas UAV attēlus. Agron. Uzturēt. Izstrādātājs 36 (4), 1.–12
Lopess-Granados, ´F., Torres-S´anchez, J., Serrano-P´erez, A., de Kastro, AI, MesasCarrascosa, F.-J., Pena, ˜ J.-M., 2016. Agrīnās sezonas nezāļu kartēšana saulespuķēs, izmantojot UAV tehnoloģiju: herbicīdu apstrādes karšu mainīgums attiecībā pret nezāļu sliekšņiem. Precis. Lauksaimniecības. 17 (2), 183–199.
Lucieer, A., Malenovský, Z., Veness, T., Wallace, L., 2014. HyperUAS – imaging spectroscopy from a multirotor unmanned aircraft system. Dž. Fīlds Robs. 31 (4),
571–590. https://doi.org/10.1002/rob.21508.
Lumme, J., Karjalainen, M., Kaartinen, H., Kukko, A., Hyyppa, ¨ J., Hyypp¨ a, H., Jaakkola, A., & Kleemola, J., 2008. Terrestrial laser scanning of lauksaimniecības kultūrām. In JJ
Chen J. Maas H–G. (Red.), International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences — ISPRS Archives (37. sēj., 563.–566. lpp.).
Starptautiskā fotogrammetrijas un attālās izpētes biedrība. https://www.scopus .com/inward/record.uri?eid=2-s2.0-84919356328&partnerID=40&md5=574
b802131a99d16318ce619a01ca1bf.
Ma, L., Li, M., Ma, X., Cheng, L., Du, P., Liu, Y., 2017. A review of supervised objectbased land-cover image classification. ISPRS J. Photogramm. Tālvadības sensori 130,
277–293. https://doi.org/10.1016/j.isprsjprs.2017.06.001.
Maes, WH, Steppe, K., 2019. Perspektīvas attālajai izpētei ar bezpilota lidaparātiem precīzajā lauksaimniecībā. 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.
Uz bezpilota gaisa sistēmu (UAS) balstīta sojas pupu fenotipēšana, izmantojot vairāku sensoru datu saplūšanu un ekstrēmo mācību mašīnu. 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.
Kultūraugu uzraudzība, izmantojot satelīta/UAV datu saplūšanu un mašīnmācīšanos. Remote Sensing 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. Par bezpilota antenu sistēmu izmantošanu priekš
vides monitorings. Remote Sensing 10 (4), 641.
Marinko, RA, 1998. Citācijas sieviešu studiju žurnāliem disertācijās, 1989 un The Serials Librarian 35 (1–2), 29–44. https://doi.org/10.1300/J123v35n01_
03.
Masroor, R., Naeem, M., Ejaz, W., 2021. Resursu pārvaldība UAV atbalstītos bezvadu tīklos: optimizācijas perspektīva. Ad Hoc tīkls 121, 102596 https://doi.org/10.1016/j.adhoc.2021.102596.
Matese, A., Di Gennaro, SF, 2018. Daudzsensoru UAV platformas praktiski pielietojumi, kuru pamatā ir daudzspektrālie, termiskie un RGB augstas izšķirtspējas attēli precīzi
vīnkopība. Agriculture 8 (7), 116. https://doi.org/10.3390/agriculture8070116.
Matese, A., Di Gennaro, SF, 2021. Papildus tradicionālajam NDVI indeksam kā galvenajam faktoram, lai integrētu UAV izmantošanu precīzajā vīnkopībā. Sci. Rep. 11 (1), 2721. https://doi.org/10.1038/s41598-021-81652-3.
Matese, A., Toscano, P., Di Gennaro, SF, Genesio, L., Vaccari, FP, Primicerio, J., Belli, C., Zaldei, A., Bianconi, R., Gioli, B., 2015 UAV, gaisa kuģu savstarpējā salīdzināšana
un satelītu attālās uzrādes platformas precīzai vīnkopībai. Remote Sensing 7 (3), 2971–2990. https://doi.org/10.3390/rs70302971.
Mazzia, V., Comba, L., Khaliq, A., Chiaberge, M., Gay, P., 2020. Uz UAV un mašīnmācībām balstīta satelīta vadīta veģetācijas indeksa uzlabošana precizitātei
lauksaimniecība. Sensori 20 (9), 2530. https://doi.org/10.3390/s20092530.
McCain, KW, 1990. Autoru kartēšana intelektuālajā telpā: tehniskais pārskats. J. Am. Soc. Informācija. Sci. 41 (6), 433–443.
Meinen, BU, Robinson, DT, 2021. Lauksaimniecības erozijas modelēšana: USLE un WEPP lauka mēroga erozijas aplēšu novērtēšana, izmantojot UAV laikrindu datus. Vide. Modelis. Programmatūra 137, 104962. https://doi.org/10.1016/j.envsoft.2021.104962.
Melville, B., Lucieer, A., Aryal, J., 2019. Vietējo zemienes pļavu kopienu klasifikācija, izmantojot bezpilota gaisa kuģu sistēmas (UAS) hiperspektrālos attēlus
Tasmānijas vidusdaļa. Drones 3 (1), 5.
Messina, G., Modica, G., 2020. UAV termoattēlu pielietojumi precīzajā lauksaimniecībā: jaunākie sasniegumi un nākotnes pētniecības perspektīvas. Remote Sensing 12 (9), https://doi.org/10.3390/rs12091491.
Mishra, D., Luo, Z., Jiang, S., Papadopoulos, T., Dubey, R., 2017. Bibliogrāfisks pētījums par lielajiem datiem: koncepcijas, tendences un izaicinājumi. Biznesa procesu vadītājs. J. 23 (3),
555-573.
Mochida, K., Saisho, D., Hirayama, T., 2015. Kultūraugu uzlabošana, izmantojot dzīves cikla datu kopas, kas iegūtas lauka apstākļos. Priekšpuse. Augu Sci. 6 https://doi.org/10.3389/
fpls.2015.00740.
Mogili, UM.R., Deepak, BBVL, 2018. Pārskats par dronu sistēmu pielietojumu precīzajā lauksaimniecībā. Procedia Comput. Sci. 133, 502–509.
Moharana, S., Dutta, S., 2016. Rīsu hlorofila un slāpekļa satura telpiskā mainīgums no hiperspektrālajiem attēliem. ISPRS J. Photogramm. Remote Sens. 122, 17–29.
Muangprathub, J., Boonnam, N., Kajornkasirat, S., Lekbangpong, N., Vanichsombat, A.,
Nillaor, P., 2019. IoT un lauksaimniecības datu analīze viedajai fermai. Aprēķināt. Elektrons. Lauksaimniecības. 156, 467–474.
Nansen, C., Elliott, N., 2016. Tālvadības un atstarošanas profilēšana entomoloģijā. Annu. Rev. Entomol. 61 (1), 139–158. https://doi.org/10.1146/annurev-ento010715-023834.
Navia, J., Mondragon, I., Patino, D., Colorado, J., 2016. Multispectral mapping in agriculture: terrain mosaic using an autonomous quadcopter UAV. Int. Konf.
Bezpilota lidaparātu sistēma. (ICUAS) 2016, 1351.–1358. https://doi.org/10.1109/ ICUAS.2016.7502606.
Nayyar, A., Nguyen, B.-L., Nguyen, NG, 2020. The internet of drone things (Iodt): nākotnes redzējums par viedajiem droniem. Adv. Intell. Sist. Aprēķināt. 1045, 563–580. https://doi.org/10.1007/978-981-15-0029-9_45.
Nebiker, S., Annen, A., Scherrer, M., Oesch, D., 2008. Viegls daudzspektrālais sensors mikro bezpilota lidaparātiem — iespējas ļoti augstas izšķirtspējas gaisa tālvadības noteikšanai. Int. Arch. Fotogramma. Tālvadības sensori. Inf. Sci 37 (B1), 1193–1200.
Negash, L., Kim, H.-Y., Choi, H.-L., 2019. Emerging UAV application in agriculture. In: 2019 7th International Conference on Robot Intelligence Technology and
Pieteikumi (RiTA), 254.–257.lpp. https://doi.org/10.1109/RITAPP.2019.8932853.
Nerur, SP, Rasheed, AA, Natarajan, V., 2008. Stratēģiskās vadības jomas intelektuālā struktūra: autora līdzcitēšanas analīze. Stratēģija. Manag. J. 29 (3),
319-336.
Neupane, K., Baysal-Gurel, F., 2021. Automātiska augu slimību identificēšana un uzraudzība, izmantojot bezpilota lidaparātus: pārskats. Remote Sensing 13 (19), 3841. https://doi.org/10.3390/rs13193841.
Nex, F., Remondino, F., 2014. UAV 3D kartēšanas lietojumprogrammām: apskats. Appl. Ģeomātika 6 (1), 1.–15. https://doi.org/10.1007/s12518-013-0120-x.
Niu, H., Hollenbeck, D., Zhao, T., Wang, D., Chen, Y., 2020. Iztvaikošanas novērtējums ar maziem UAV precīzajā lauksaimniecībā. Sensori 20 (22), 6427. https://
doi.org/10.3390/s20226427.
Osareh, F., 1996. Bibliometrics, citātu analīze un līdzcitēšanas analīze. Literatūras apskats 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: pārskats par praktisku pielietojumu. Int. J. Remote Sens. 38 (8–10), 2349–2391. https://doi.org/10.1080/01431161.2017.1297548.
Panday, US, Pratihast, AK, Aryal, J., Kayastha, RB, 2020. Pārskats par droniem balstītiem datu risinājumiem graudaugu kultūrām. Drones 4 (3), 1.–29. https://doi.org/10.3390/
droni4030041.
Parsaeian, M., Shahabi, M., Hassanpour, H., 2020. Sezama sēklu eļļas un olbaltumvielu satura novērtēšana, izmantojot attēlu apstrādi un mākslīgo neironu tīklu. J. Am. Eļļa
Ķīmiķu soc. 97 (7), 691–702.
Pena, ˜ JM, Torres-S'anchez, J., de Castro, AI, Kelly, M., Lopez-Granados, ´F., Suarez, O., Nezāļu kartēšana agrīnās sezonas kukurūzas laukos, izmantojot objektu analīzi no
bezpilota lidaparātu (UAV) attēli. 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. Daļēji uzraudzīta sistēma nezāļu kartēšanai saulespuķu kultūrās, izmantojot bezpilota lidaparātus un kultūraugu rindu noteikšanas metodi. 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. Rentablas IoT ierīces kā uzticami datu avoti uz blokķēdi balstītai ūdens pārvaldības sistēmai precīzajā lauksaimniecībā. Aprēķināt. Elektrons. Lauksaimniecības. 180, 105889.
Popescu, D., Stoican, F., Stamatescu, G., Ichim, L., Dragana, C., 2020. Advanced UAV–WSN system for intelligent monitoring in precision agriculture. Sensors 20 (3), https://doi.org/10.3390/s20030817.
Pournader, M., Shi, Y., Seuring, S., Koh, SL, 2020. Blockchain pielietojumi piegādes ķēdēs, transportā un loģistikā: sistemātisks literatūras apskats. Int. J. Prod. Res. 58 (7), 2063–2081.
Primicerio, J., Di Gennaro, SF, Fiorillo, E., Genesio, L., Lugato, E., Matese, A., Vaccari, FP, 2012. Elastīgs bezpilota lidaparāts precīzai lauksaimniecībai.
Precis. Lauksaimniecības. 13 (4), 517–523. https://doi.org/10.1007/s11119-012-9257-6.
Pritchard, A., 1969. Statistiskā bibliogrāfija jeb bibliometrija. J. Dokuments. 25 (4), 348–349.
Pudelko, R., Stuczynski, T., Borzecka-Walker, M., 2012. Bezpilota lidaparāta (UAV) piemērotība eksperimentālo lauku un kultūraugu novērtēšanai. Lauksaimniecība 99 (4), 431–436.
Puri, V., Nayyar, A., Raja, L., 2017. Lauksaimniecības droni: moderns izrāviens precīzajā lauksaimniecībā. J. Statis. Manag. Sist. 20 (4), 507–518.
Radoglou-Grammatikis, P., Sarigiannidis, P., Lagkas, T., Moscholios, I., 2020. UAV pieteikumu apkopojums precīzajai lauksaimniecībai. Aprēķināt. Tīkls 172,
107148 https://doi.org/10.1016/j.comnet.2020.107148.
Ramesh, KV, Rakesh, V., Prakasa Rao, EVS, 2020. Lielo datu analītikas un mākslīgā intelekta pielietojums agronomiskajos pētījumos. Indijas J. Agrons. 65 (4), 383–395.
Raparelli, E., Bajocco, S., 2019. Bibliometriskā analīze par bezpilota lidaparātu izmantošanu lauksaimniecības un mežsaimniecības pētījumos. 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.
Mazo bezpilota lidaparātu sistēmu (UAS) potenciālie lietojumi nezāļu izpētē. Weed Res. 53 (4), 242–248.
Rasmussen, J., Ntakos, G., Nielsen, J., Svensgaard, J., Poulsen, RN, Christensen, S., Vai veģetācijas indeksi ir iegūti no patērētāju klases kamerām, kas uzstādītas uz
Vai bezpilota lidaparāti ir pietiekami uzticami eksperimentālo parauglaukumu novērtēšanai? Eiro. J. Agrons. 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. Digitalization in food supply chains: a bibliometric review and key-route main path
analīze. Ilgtspējība 14 (1), 83. https://doi.org/10.3390/su14010083.
Rejeb, A., Rejeb, K., Simske, SJ, Treiblmaier, H., 2021a. Droni piegādes ķēdes pārvaldībai un loģistikai: pārskatīšana un izpētes programma. Int. J. Logists. Res. Appl.
1–24. https://doi.org/10.1080/13675567.2021.1981273.
Rejeb, A., Rejeb, K., Simske, S., Treiblmaier, H., 2021b. Blokķēdes tehnoloģijas loģistikā un piegādes ķēdes pārvaldībā: bibliometriskais pārskats. Loģistika 5 (4), 72.
https://doi.org/10.3390/logistics5040072.
Rejeb, A., Rejeb, K., Simske, S., Treiblmaier, H., 2021c. Humanitārie droni: pārskats un izpētes programma. Internet of Things 16, 100434. https://doi.org/10.1016/j.
iot.2021.100434.
Rejeb, A., Treiblmaier, H., Rejeb, K., Zailani, S., 2021d. Blokķēdes pētījumi veselības aprūpē: bibliometriskais pārskats un pašreizējās pētniecības tendences. J. of Data, Inf. un
Manag. 3 (2), 109–124.
Rejeb, A., Simske, S., Rejeb, K., Treiblmaier, H., Zailani, S., 2020. Internet of Things research in supply chain management and Logistics: a bibliometric analysis. Internets
12. lietas, 100318.
ReportLinker, 2021. Globālais lauksaimniecības dronu tirgus sasniegs 15.2 miljardus ASV dolāru, izmantojot YearGlobeNewswire ziņu telpu. https://www.globenewswire.com/news-release/2021/08/10/2277986/0/en/Global-Agriculture-Drones-Market-to-Reach-US-15-2-Billion-by-the- Gads-2027.html.
Ribeiro-Gomes, K., Hernandez-L ´ opez, ´ D., Ortega, JF, Ballesteros, R., Poblete, T., Moreno, MA, 2017. Nedzesētas termokameras kalibrēšana un optimizācija
fotogrammetrijas process UAV lietojumiem lauksaimniecībā. Sensori (Šveice) 17 (10). https://doi.org/10.3390/s17102173.
Rivera, MA, Pizam, A., 2015. Sasniegumi viesmīlības pētniecībā: “From Rodney Dangerfield to Aretha Franklin”. Int. J. Contempor. Slimnīca. Manag. 27 (3),
362–378. https://doi.org/10.1108/IJCHM-03-2014-0146.
Roldan, ´ JJ, Joossen, G., Sanz, D., Del Cerro, J., Barrientos, A., 2015. Mini-UAV balstīta sensoru sistēma vides mainīgo mērīšanai siltumnīcās. Sensori 15 (2), 3334–3350. https://doi.org/10.3390/s150203334.
Rozenberg, G., Kent, R., Blank, L., 2021. Patērētāju kategorijas bezpilota lidaparāts, ko izmanto, lai atklātu un analizētu vēlās sezonas nezāļu telpiskās izplatības modeļus komerciālos sīpolu laukos. Precis. Lauksaimniecības. 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 ar lidaparātu (UAV) darbināma spektrālo kameru sistēma meža un lauksaimniecības vajadzībām. Turpināt. SPIE — Int. Soc. Izvēlēties. Inž. 8174 https://doi.org/10.1117/12.897585.
Sah, B., Gupta, R., Bani-Hani, D., 2021. Dronu loģistikas ieviešanas šķēršļu analīze. Int. J. Logists. Res. Appl. 24 (6), 531–550. https://doi.org/10.1080/
13675567.2020.1782862.
Saha, AK, Saha, J., Ray, R., Sircar, S., Dutta, S., Chattopadhyay, SP, & Saha, HN, uz IOT balstīts drons ražas kvalitātes uzlabošanai lauksaimniecības laukā. SH
N. Chakrabarti S. (Ed.), 2018 IEEE 8th Annual Computing and Communication Workshop and Conference, CCWC 2018 (Vols. 2018-Janvāris, 612.–615. lpp.). institūts
of Electrical and Electronics Engineers Inc. doi: 10.1109/CCWC.2018.8301662.
Sai Vineeth, KV, Vara Prasad, YR, Dubey, SR, Venkataraman, H., 2019. LEDCOM: jauna un efektīva uz LED balstīta komunikācija precīzai lauksaimniecībai. IEEE konf. Informācija. Commun. Tehn. 2019, 1.–5. https://doi.org/10.1109/CICT48419.2019.9066177.
Salamí, E., Barrado, C., Pastor, E., 2014. UAV lidojumu eksperimenti, kas pielietoti veģetācijas apgabalu attālajā izpētē. Remote Sensing 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. gads.
Zema augstuma augstas izšķirtspējas gaisa attēlveidošanas sistēmas rindu un lauka kultūru fenotipēšanai: pārskats. Eiro. J. Agrons. 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. Augstas izšķirtspējas UAV balstīta termiskā attēlveidošana, lai novērtētu
augu ūdens stāvokļa momentāna un sezonāla mainīgums vīna dārzā. Lauksaimniecības. Ūdens apsaimniekotājs. 183, 49–59. https://doi.org/10.1016/j.agwat.2016.08.026.
Sarli, CC, Dubinsky, EK, Holmes, KL, 2010. Beyond citation analysis: A model for assessment of research effect. J. Med. Bibliotēkas asoc. : 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. Ar Zemes sistēmas zinātni saistītā attēlveidošanas spektroskopija — novērtējums. Tālvadības sensori. 113, S123–S137.
Schirrmann, M., Giebel, A., Gleiniger, F., Pflanz, M., Lentschke, J., Dammer, K.-H., 2016. Ziemas kviešu kultūru agronomisko parametru monitorings ar zemo izmaksu UAV
tēlainība. Tālvadība 8 (9). https://doi.org/10.3390/rs8090706.
Schmale III, DG, Dingus, BR, Reinholtz, C., 2008. Autonomā bezpilota lidaparāta izstrāde un pielietošana precīzai aerobioloģisko paraugu ņemšanai iepriekš
lauksaimniecības lauki. Dž. Fīlds Robs. 25 (3), 133–147. https://doi.org/10.1002/rob.20232.
Šadrins, D., Menščikovs, A., Somovs, A., Bornemans, G., Hauslāge, J., Fjodorovs, M.,
Precīzās lauksaimniecības iespējošana, izmantojot iegulto sensoru ar mākslīgo intelektu. IEEE Trans. Instrum. Meas. 69 (7), 4103–4113.
Shakhatreh, H., Sawalmeh, AH, Al-Fuqaha, A., Dou, Z., Almaita, E., Khalil, I.,
Othman, NS, Khreishah, A., Guizani, M., 2019. Bezpilota lidaparāti (UAV): aptauja par civiliem lietojumiem un galvenajiem pētniecības izaicinājumiem. IEEE Access 7,
48572–48634. https://doi.org/10.1109/ACCESS.2019.2909530.
Shakoor, N., Northrup, D., Murray, S., Mockler, TC, 2019. Uz lieliem datiem balstīta lauksaimniecība: lielo datu analītika augu selekcijā, genomikā un attālās uzrādes izmantošana
tehnoloģijas, lai veicinātu kultūraugu produktivitāti. Augu fenomens J. 2 (1), 1.–8.
Sharma, BK, Chandra, G., Mishra, VP, 2019. UAV un AI salīdzinošā analīze un ietekme kriminālistikas izmeklēšanā. In: Proceedings – 2019 Amity International
Mākslīgā intelekta konference. https://doi.org/10.1109/AICAI.2019.8701407.
Sharma, R., Shishodia, A., Gunasekaran, A., Min, H., Munim, ZH, 2022. Mākslīgā intelekta loma piegādes ķēdes pārvaldībā: teritorijas kartēšana. Int. Dž.
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., Makkatens, BF,
Baltensperger, DD, Avant, RV, Vidrine, M., Yang, C., Zhang, J., 2016. Bezpilota lidaparāti augstas caurlaidības fenotipēšanai un agronomiskajai izpētei. PLoS ONE
11 (7), e0159781.
Shuai, G., Martinez-Feria, RA, Zhang, J., Li, S., Price, R., Basso, B., 2019. Kukurūzas audzes neviendabīguma noteikšana ražas stabilitātes zonās, izmantojot bezpilota gaisa kuģus
Transportlīdzekļi (UAV). Sensori 19 (20), 4446. https://doi.org/10.3390/s19204446.
Small, H., 1973. Līdzcitēšana zinātniskajā literatūrā: jauns divu dokumentu attiecību mērs. J. Am. Soc. Informācija. Sci. 24 (4), 265–269.
Small, H., Rorvig, ME, Lunin, LF, 1999. Zinātnes vizualizācija, izmantojot citātu kartēšanu. J. Am. Soc. Informācija. Sci. 50 (9), 799–813.
Soares, VHA, Ponti, MA, Gonçalves, RA, Campello, RJGB, 2021. Liellopu skaitīšana savvaļā ar ģeogrāfiski noteiktiem gaisa attēliem lielos ganību apgabalos. Aprēķināt. Elektrons. Lauksaimniecības. 189, 106354 https://doi.org/10.1016/j.compag.2021.106354.
Srivastava, K., Pandey, PC, Sharma, JK, 2020. Pieeja maršruta optimizācijai precīzās lauksaimniecības lietojumos, izmantojot UAV. Drones 4 (3), 58. https://doi.org/ 10.3390/drones4030058.
Stafford, JV, 2000. Precīzās lauksaimniecības ieviešana 21. gadsimtā. J. Agric. Inž. Res. 76 (3), 267–275.
Su, J., Coombes, M., Liu, C., Guo, L., Chen, W.-H., 2018. Kviešu sausuma novērtējums ar attālās uzrādes attēliem, izmantojot bezpilota lidaparātu. 2018. gadā 37. Ķīnas kontroles konference (CCC).
Su, J., Liu, C., Coombes, M., Hu, X., Wang, C., Xu, X., Li, Q., Guo, L., Chen, W.-H., 2018. Kviešu dzeltenās rūsas monitorings, mācoties no multispektrālajiem UAV aerofotoattēliem.
Aprēķināt. Elektrons. Lauksaimniecības. 155., 157.–166. https://doi.org/10.1016/j. compag.2018.10.017.
Su, Y., Wang, X., 2021. Lauksaimniecības ekonomiskās vadības inovācija viedās lauksaimniecības konstruēšanas procesā, izmantojot lielos datus. Ilgtspējīga skaitļošana. Inf. Sist. 31, 100579 https://doi.org/10.1016/j.suscom.2021.100579.
Sullivan, DG, Fulton, JP, Shaw, JN, Bland, GL, 2007. Bezpilota termiskās infrasarkanās antenas sistēmas jutīguma novērtēšana, lai noteiktu ūdens stresu kokvilnas nojumē. Trans. ASABE 50 (6), 1955–1962.
Sumesh, KC, Ninsawat, S., Som-ard, J., 2021. Uz RGB balstīta veģetācijas indeksa, kultūraugu virsmas modeļa un uz objektu balstītas attēlu analīzes pieejas integrācija cukurniedru ražas novērtēšanai, izmantojot bezpilota lidaparātu. Aprēķināt. Elektrons. Lauksaimniecības. 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
bezpilota lidaparāti — pirmie rezultāti. In: 2013 5th Workshop on Hyperspectral Image and Signal Processing: Evolution in Remote Sensing (WHISPERS), 1.–4. lpp. https://doi.org/10.1109/WHISPERS.2013.8080721.
Suomalainens, J., Anders, N., Iqbal, S., Roerink, G., Franke, J., Wenting, P., Hunniger, D., Bartholomeus, H., Becker, R., Kooistra, L., 2014. Viegls hiperspektrālis
kartēšanas sistēma un fotogrammetriskā apstrādes ķēde bezpilota lidaparātiem. Remote Sensing 6 (11), 11013–11030. https://doi.org/10.3390/
rs61111013.
Syeda, IH, Alam, MM, Illahi, U., Su'ud, MM, 2021. Uzlabotas kontroles stratēģijas, izmantojot attēlu apstrādi, UAV un AI lauksaimniecībā: pārskats. Pasaules J. Inž. 18 (4),
579–589. https://doi.org/10.1108/WJE-09-2020-0459.
Tahai, A., Rigsby, JT, 1998. Informācijas apstrāde, izmantojot citātus, lai izpētītu žurnāla ietekmi uz grāmatvedību. Inf. Process. Pārvaldīt. 34 (2–3), 341–359.
Tang, Y., Dananjayan, S., Hou, C., Guo, Q., Luo, S., He, Y., 2021. Aptauja par 5G tīklu un tā ietekmi uz lauksaimniecību: izaicinājumi un iespējas. Aprēķināt.
Elektrons. Lauksaimniecības. 180, 105895 https://doi.org/10.1016/j.compag.2020.105895.
Tantalaki, N., Souravlas, S., Roumeliotis, M., 2019. Datu vadīta lēmumu pieņemšana precīzajā lauksaimniecībā: lielo datu pieaugums lauksaimniecības sistēmās. J. Agric. Informācija par pārtiku.
20. (4), 344. – 380.
Tao, H., Feng, H., Xu, L., Miao, M., Yang, G., Yang, X., Fan, L., 2020. Ziemas kviešu ražas un augu augstuma novērtējums, izmantojot UAV- balstīti hiperspektrālie attēli.
Sensori 20 (4), 1231.
Techy, L., Schmale III, DG, Woolsey, CA, 2010. Koordinēta aerobioloģiska augu patogēna paraugu ņemšana atmosfēras slānī, izmantojot divus autonomus bezpilota lidaparātus. Dž. Fīlds Robs. 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. Sojas pupu kaitēkļu noteikšana un klasifikācija, izmantojot dziļo mācīšanos
ar UAV attēliem. Aprēķināt. Elektrons. Lauksaimniecības. 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— Un WetSeason ilgtspējīgai lauksaimniecībai un pamata patiesības nodrošināšanai Terra-Sar X datiem. In: ISPRS – International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 401.–406. lpp. https://doi.org/10.5194/isprsarchivesXL-1-W2-401-2013.
Thelwall, M., 2008. Bibliometrics to webometrics. J. Info. Sci. 34 (4), 605–621.
Torres-Sanchez, ´ J., Lopez-Granados, ´ F., Pena, ˜ JM, 2015. Automātiska objektā balstīta metode optimālai sliekšņa noteikšanai UAV attēlos: pielietojums veģetācijas noteikšanai zālaugu kultūrās. Aprēķināt. Elektrons. Lauksaimniecības. 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. Augstas caurlaidības 3-D monitorings lauksaimniecības koku plantācijās ar Bezpilota lidaparātu (UAV) tehnoloģija. PLoS ONE 10 (6), e0130479.
Torres-Sanchez, ´ J., Pena, ˜ JM, de Castro, AI, Lopez-Granados, ´ F., 2014. Veģetācijas frakcijas daudzlaiku kartēšana agrīnās sezonas kviešu laukos, izmantojot attēlus no UAV. Aprēķināt. Elektrons. Lauksaimniecības. 103., 104.–113. https://doi.org/10.1016/j. compag.2014.02.009.
Tsouros, DC, Bibi, S., Sarigiannidis, PG, 2019. Pārskats par UAV balstītām lietojumprogrammām precīzai lauksaimniecībai. Informācija (Šveice) 10 (11). https://doi.org/10.3390/info10110349.
Tu, Y.-H., Phinn, S., Johansen, K., Robson, A., Wu, D., 2020. Optimizing drone flight planing for measuring horticultural tree crop structure. ISPRS J. Photogramm.
Remote Sens. 160, 83–96. https://doi.org/10.1016/j.isprsjprs.2019.12.006
Tzounis, A., Katsoulas, N., Bartzanas, T., Kittas, C., 2017. Internet of Things in agriculture, nesenie sasniegumi un nākotnes izaicinājumi. Biosyst. Inž. 164, 31–48.
https://doi.org/10.1016/j.biosystemseng.2017.09.007.
Uddin, A., Singh, VK, Pinto, D., Olmos, I., 2015. Scientometric mapping of Computer science research in Mexico. Scientometrics 105 (1), 97–114.
UN., 2019. Pasaules populācijas perspektīvas 2019. https://population.un.org/wpp/ (Aplūkots 15.).
Uto, K., Seki, H., Saito, G., Kosugi, Y., 2013. Characterization of rice paddies by a UAVmounted miniature hyperspectral sensor system. IEEE J. Sel. Tops. Appl. Earth Obs.
Remote Sens. 6 (2), 851–860. https://doi.org/10.1109/JSTARS.2013.2250921. van der Merwe, D., Burchfield, DR, Witt, TD, Price, KP, Sharda, A., 2020. Droni
lauksaimniecība. Adv. Agron. 162, 1.–30.
Velusamy, P., Rajendran, S., Mahendran, RK, Naseer, S., Shafiq, M., Choi, J.-G., 2022.
Bezpilota lidaparāti (UAV) precīzajā lauksaimniecībā: pielietojums un izaicinājumi. Enerģijas 15 (1), 217. https://doi.org/10.3390/en15010217.
Ventura, D., Bonifazi, A., Gravina, MF, Belluscio, A., Ardizzone, G., 2018. Ekoloģiski jutīgu jūras biotopu kartēšana un klasifikācija, izmantojot bezpilota gaisa lidmašīnu
Transportlīdzekļu (UAV) attēli un uz objektiem balstīta attēlu analīze (OBIA). Remote Sensing 10 (9), 1331. https://doi.org/10.3390/rs10091331.
Verger, A., Vigneau, N., Ch´eron, C., Gilliot, J.-M., Comar, A., Baret, F., 2014. Green area index from an unmanned aerial system over wheat and rapseed crops . Tālvadības sensori. 152, 654–664. https://doi.org/10.1016/j.rse.2014.06.006.
Fon Bueren, SK, Burkart, A., Hueni, A., Rascher, U., Tuohy, MP, Yule, IJ, 2015. Četru optisko bezpilota lidaparātu sensoru izvietošana pļavā: izaicinājumi un
ierobežojumiem. Biogeosciences 12 (1), 163–175. https://doi.org/10.5194/bg-12-163-2015.
Vuran, MC, Salam, A., Wong, R., Irmak, S., 2018. Pazemes lietu internets precīzajā lauksaimniecībā: arhitektūra un tehnoloģiju aspekti. Ad Hoc tīkls 81,
160–173. https://doi.org/10.1016/j.adhoc.2018.07.017.
Wamba, SF, Queiroz, MM, 2021. Atbildīgs mākslīgais intelekts kā slepena sastāvdaļa digitālajai veselībai: bibliometriskā analīze, ieskati un pētniecības virzieni.
Informācija. Sist. Priekšpuse. 1.–16.
Wang, L., Zhang, G., Wang, Z., Liu, J., Shang, J., Liang, L., 2019. Bibliometric analysis of remote sensing research trend in crop growth monitoring: A case study in China. Tālvadības 11 (7). https://doi.org/10.3390/rs11070809.
White, HD, Griffith, BC, 1981. Autora sarunvaloda: intelektuālās struktūras literatūras mērs. J. Am. Soc. Informācija. Sci. 32 (3), 163–171.
Xiang, H., Tian, L., 2011. Zemu izmaksu lauksaimniecības attālās uzrādes sistēmas izstrāde, kuras pamatā ir autonoms bezpilota lidaparāts (UAV). Biosyst. Inž. 108 (2), 174–190. https://doi.org/10.1016/j.biosystemseng.2010.11.010.
Xie, C., Yang, C., 2020. Pārskats par augu augstas caurlaidības fenotipēšanas iezīmēm, izmantojot UAV balstītus sensorus. Aprēķināt. Elektrons. Lauksaimniecības. 178, 105731 https://doi.org/10.1016/j.
compag.2020.105731.
Yao, H., Qin, R., Chen, X., 2019. Bezpilota lidaparāts attālās uzrādes lietojumiem — apskats. Tālvadība 11 (12). https://doi.org/10.3390/
rs11121443.
Yeom, S., 2021. Cilvēku kustības izsekošana un viltus pēdu noņemšana, izmantojot infrasarkano termisko attēlveidošanu ar multirotoru. 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. Ražas parametru aplēses salīdzinājums, izmantojot attēlus no UAV uzstādīts
momentuzņēmuma hiperspektrālais sensors un augstas izšķirtspējas digitālā kamera. Remote Sensing 10 (7), 1138. https://doi.org/10.3390/rs10071138.
Yue, J., Yang, G., Li, C., Li, Z., Wang, Y., Feng, H., Xu, B., 2017. Ziemas kviešu virszemes biomasas novērtējums, izmantojot bezpilota lidaparātu- pamatojoties uz momentuzņēmumu
hiperspektrālā sensora un labības augstuma uzlaboti modeļi. Tālvadība 9 (7). https://doi.org/10.3390/rs9070708.
Zahawi, RA, Dandois, JP, Holl, KD, Nadwodny, D., Reid, JL, Ellis, EC, 2015. Izmantojot vieglus bezpilota lidaparātus, lai uzraudzītu tropu mežu atjaunošanos. Biol.
Konservēt. 186., 287.–295. https://doi.org/10.1016/j.biocon.2015.03.031. Zamora-Izquierdo, MA, Santa, J., Martinez, JA, Martínez, V., Skarmeta, AF, 2019.
Viedās lauksaimniecības IoT platforma, kuras pamatā ir malu un mākoņdatošana. Biosyst. Inž. 177,
4-17.
Zarco-Tejada, PJ, Diaz-Varela, R., Angileri, V., Loudjani, P., 2014. Koku augstuma kvantitatīva noteikšana, izmantojot ļoti augstas izšķirtspējas attēlus, kas iegūti no bezpilota gaisa
transportlīdzekļa (UAV) un automātiskās 3D fotorekonstrukcijas metodes. Eiro. J. Agrons. 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. Uz attēlu balstīta ziedēšanas intensitātes fenotipēšana aukstās sezonas kultūrās. Sensori 20 (5), 1450. https://doi.org/10.3390/s20051450.
Zhang, C., Kovacs, JM, 2012. Mazo bezpilota gaisa sistēmu pielietojums precīzajai lauksaimniecībai: apskats. Precis. Lauksaimniecības. 13 (6), 693–712. https://doi.org/
10.1007/s11119-012-9274-5.
Zhang, L., Zhang, H., Niu, Y., Han, W., 2019. Kukurūzas ūdens stresa kartēšana, pamatojoties uz UAV multispektrālo attālo uzrādi. Remote Sensing 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. Uz dziļu mācīšanos balstīta pieeja automatizētai dzeltenajai rūsai
slimību noteikšana no augstas izšķirtspējas hiperspektrālajiem UAV attēliem. Remote Sensing 11 (13), 1554.
Zhao, X., Zhang, J., Huang, Y., Tian, Y., Yuan, L., 2022. Tējas augu slimību un kukaiņu stresa noteikšana un diskriminācija, izmantojot hiperspektrālo attēlveidošanu apvienojumā ar viļņu analīzi. Aprēķināt. Elektrons. Lauksaimniecības. 193, 106717 https://doi.org/10.1016/j. compag.2022.106717.
Zheng, A., Wang, M., Li, C., Tang, J., Luo, B., 2022. Entropy guided adversarial domain adaptation for aerial image semantical segmentation. IEEE Trans. G
Zheng, H., Cheng, T., Yao, X., Deng, X., Tian, Y., Cao, W., Zhu, Y., 2016. Rīsu fenoloģijas noteikšana, izmantojot zemes spektra laikrindu analīzi indeksa dati. Field Crops Res. 198, 131–139. https://doi.org/10.1016/j.fcr.2016.08.027.
Zheng, J., Yang, W., 2018. Uz bezvadu sensoriem balstītas precīzas lauksaimniecības noplūdes sēšanas sistēmas projektēšana. Int. J. Tiešsaistes inž. 14 (05), 184.
Zhou, L., Gu, X., Cheng, S., Yang, G., Shu, M., Sun, Q., 2020. Nosēdušās kukurūzas augu augstuma izmaiņu analīze, izmantojot UAV-LiDAR datus. Lauksaimniecība 10 (5), 146. https://
doi.org/10.3390/agriculture10050146.
Zhou, S., Chai, X., Yang, Z., Wang, H., Yang, C., Sun, T., 2021. Maize-IAS: Kukurūzas attēlu analīzes programmatūra, kas izmanto dziļu mācīšanos augstas caurlaidības augu fenotipu noteikšanai . Augu metodes 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. Graudu ražas prognozēšana rīsi, izmantojot daudzlaiku veģetāciju
indeksi no UAV balstītiem multispektrālajiem un digitālajiem attēliem. 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. Uz bezvadu sensoru tīklu balstītas siltumnīcas uzraudzības sistēmas pamattehnoloģijas simulācija. Int. J. Tiešsaistes inž. 12 (05),
43.
Zhou, Z., Majeed, Y., Diverres Naranjo, G., Gambacorta, EMT, 2021. Kultūraugu ūdens slodzes novērtējums ar infrasarkano siltuma attēlu precīzajā lauksaimniecībā: pārskats
un nākotnes perspektīvas dziļās mācīšanās lietojumiem. Aprēķināt. Elektrons. Lauksaimniecības. 182, 106019 https://doi.org/10.1016/j.compag.2021.106019.