Абдерахман Реджеб a , Алиреза Абдолахи b , Карим Реджеб c , Хорст Трайблмайер d,
- a Катедра по управление и право, Факултет по икономика, Римски университет Tor Vergata, Via Columbia, 2, Рим 00133, Италия
- b Катедра по бизнес администрация, Факултет по мениджмънт, Университет Харазми, 1599964511 Техеран, Иран
- c Факултет по природни науки в Бизерта, Университет на Картаген, Зарзуна, 7021 Бизерта, Тунис
- d School of International Management, Modul University Vienna, Am Kahlenberg 1, 1190 Виена, Австрия
ИНФОРМАЦИЯ ЗА СТАТИЯТА | Резюме |
Ключови думи: Търтеите UAV Прецизно земеделие Интернет на нещата Библиометрия | Дроновете, наричани още безпилотни летателни апарати (UAV), са свидетели на забележително развитие през последните десетилетия. В селското стопанство те промениха земеделските практики, като предложиха на фермерите значителни икономии на разходи, увеличени оперативна ефективност и по-добра рентабилност. През последните десетилетия темата за селскостопанските дронове се засили привлече забележително академично внимание. Поради това извършваме цялостен преглед въз основа на библиометрия да обобщи и структурира съществуващата академична литература и да разкрие настоящите изследователски тенденции и горещи точки. Ние прилагайте библиометрични техники и анализирайте литературата относно селскостопанските дронове, за да обобщите и оценяват предишни изследвания. Нашият анализ показва, че дистанционното наблюдение, прецизното земеделие, дълбокото обучение, машинното обучение и интернет на нещата са критични теми, свързани със селскостопанските дронове. Съвместното цитиране анализът разкрива шест широки изследователски групи в литературата. Това проучване е един от първите опити да се обобщят изследванията на дроновете в селското стопанство и да се предложат бъдещи насоки за изследване. |
Въведение
Селското стопанство представлява основният източник на храна в света (Friha et al., 2021) и е изправено пред сериозни предизвикателства поради
нарастващо търсене на хранителни продукти, безопасност на храните и опасения за сигурността, както и призиви за опазване на околната среда, опазване на водата и
устойчивост (Inoue, 2020). Предвижда се това развитие да продължи, тъй като световното население се очаква да достигне 9.7 милиарда до 2050 г
(2019 г.). Тъй като селското стопанство представлява най-яркият пример за потребление на вода в световен мащаб, се очаква, че търсенето на храна и вода
потреблението ще се увеличи драстично в обозримо бъдеще. Освен това нарастващото потребление на торове и пестициди
заедно с интензификацията на селскостопанските дейности може да доведе до бъдещи екологични предизвикателства. По същия начин обработваемата земя е ограничена и
броят на фермерите в световен мащаб намалява. Тези предизвикателства подчертават необходимостта от иновативни и устойчиви решения за земеделие (Илайджа
и др., 2018 г.; Фриха и др., 2021 г.; Иное, 2020 г.; Цунис и др., 2017).
Включването на нови технологии е идентифицирано като обещаващо решение за справяне с тези предизвикателства. Интелигентно земеделие (Brewster et al.,
2017 г.; Tang et al., 2021) и прецизното земеделие (Feng et al., 2019; Khanna & Kaur, 2019) се появиха в резултат на такива дебати. The
първото е общо понятие за приемане на информационно-комуникационни технологии (ИКТ) и други авангардни иновации в земеделските дейности за повишаване на ефективността и ефикасността (Haque et al., 2021). Последният се фокусира върху специфично за обекта управление, при което земята е разделена на
хомогенни части и всяка част получава точното количество селскостопански вложени ресурси за оптимизиране на добивите чрез нови технологии (Feng et al., 2019; Khanna & Kaur, 2019). Известни технологии, които са привлекли вниманието на учените в тази област, включват безжични сензорни мрежи (WSNs) (J. Zheng & Yang, 2018; Y. Zhou et al., 2016), Интернет на нещата (IoT) (Gill et al., 2017; He et al., 2021; Liu et al., 2019),
техники за изкуствен интелект (AI), включително машинно обучение и дълбоко обучение (Liakos et al., 2018; Parsaeian et al., 2020; Shadrin et al.,
2019), компютърни технологии (Hsu et al., 2020; Jinbo et al., 2019; Zamora-Izquierdo et al., 2019), големи данни (Gill et al., 2017; Tantalaki
et al., 2019) и блокчейн (PW Khan et al., 2020; Pincheira et al., 2021).
В допълнение към гореспоменатите технологии, дистанционното наблюдение се счита за технологичен инструмент с голям потенциал за подобряване
интелигентно и прецизно земеделие. Сателитите, самолетите с човешки екипаж и дроновете са популярни технологии за дистанционно наблюдение (Tsouros et al., 2019).
Дроновете, популярни като безпилотни летателни апарати (UAV), безпилотни летателни системи (UAS) и дистанционно пилотирани летателни апарати, са
голямо значение, тъй като те имат множество предимства в сравнение с други технологии за дистанционно наблюдение. Например дроновете могат да доставят
изображения с високо качество и висока разделителна способност в облачни дни (Manfreda et al., 2018). Освен това тяхната наличност и скорост на трансфер са други
ползи (Radoglou-Grammatikis et al., 2020). В сравнение със самолетите, дроновете са много рентабилни и лесни за настройка и поддръжка (Tsouros et al., 2019). Въпреки че първоначално са били използвани предимно за военни цели, дроновете могат да се възползват от множество граждански приложения, например в управлението на веригата за доставки (A. Rejeb, Rejeb, et al., 2021a), за хуманитарни цели (A. Rejeb, Rejeb, et al., 2021c), интелигентно земеделие, геодезия и картографиране, документиране на културното наследство, управление на бедствия и опазване на горите и дивата природа (Panday, Pratihast, et al., 2020). В селското стопанство съществуват разнообразни области на приложение на дроновете, тъй като те могат да бъдат интегрирани с нови технологии, изчислителни възможности и бордови сензори за подпомагане на управлението на културите (напр. картографиране, мониторинг, напояване, диагностика на растения) (H. Huang et al., 2021) , намаляване на бедствията, системи за ранно предупреждение, опазване на дивата природа и горите, за да назовем само няколко (Negash et al., 2019). По подобен начин дроновете могат да се използват в няколко селскостопански дейности, включително наблюдение на културите и растежа, оценка на добива, оценка на водния стрес и откриване на плевели, вредители и болести (Inoue, 2020; Panday, Pratihast и др., 2020). Дроновете не само могат да се използват за целите на наблюдение, оценка и откриване въз основа на техните сензорни данни, но също така и за прецизно напояване и прецизно управление на плевели, вредители и болести. С други думи, дроновете могат да пръскат вода и пестициди в точни количества въз основа на данни за околната среда. Ползите от дроновете в селското стопанство са обобщени в таблица 1.
Основни предимства на дроновете в селското стопанство.
Възползвайте | Препратки) |
Подобрете времевото и пространственото сензорни резолюции | (Gago et al., 2015; Niu et al., 2020; Srivastava et al., 2020) |
Улесняване на прецизното земеделие | (L. Deng et al., 2018; Kalischuk et al., 2019; Maimaitijiang и др., 2017 г.) |
Класификация и разузнаване на култури | (Inoue, 2020; Kalischuk et al., 2019; Lopez-´ Granados et al., 2016; Maimaitijiang и др., 2017 г.; Мелвил и др., 2019 г.; Moharana & Dutta, 2016) |
Използване на торове | (L. Deng et al., 2018; Guan et al., 2019) |
Мониторинг на сушата | (Fawcett et al., 2020; Panday, Pratihast, et al., 2020 г.; Су и др., 2018 г.) |
Оценка на биомасата | (Бендиг и др., 2014 г.) |
Оценка на добива | (Inoue, 2020; Panday, Shrestha и др., 2020; Tao et al., 2020) |
Намаляване на бедствията | (Негаш и др., 2019) |
Опазване на дивата природа и лесовъдство | (Negash et al., 2019; Panday, Pratihast, et al., 2020) |
Оценка на водния стрес | (Inoue, 2020; J. Su, Coombes и др., 2018; L. Джан и др., 2019 г.) |
Вредители, плевели и болести откриване | (Gaˇsparovi´c et al., 2020; Inoue, 2020; J. Su, Liu, и др., 2018 г.; X. Джан и др., 2019 г.) |
От друга страна, дроновете също са изправени пред ограничения. Участие на пилота, мощност на двигателя, стабилност и надеждност, качество на сензорите поради полезен товар
ограниченията на теглото, разходите за внедряване и регулирането на авиацията са сред тях (C. Zhang & Kovacs, 2012). Сравняваме недостатъците
от трите мобилни технологии за дистанционно наблюдение в Таблица 2. Други технологии за дистанционно наблюдение, като сензори за почва, са извън фокуса на това проучване.
Недостатъци на различни мобилни технологии за дистанционно наблюдение.
Дистанционно проучване технологии | Недостатъци | Препратки |
Дрон (UAV) | Участие на пилота; изображения" качество (средно); разходи за внедряване (средни); стабилност, маневреност и надеждност; стандартизация; мощност на двигателя; ограничена мощност източници (дълготрайност на батерията); ограничена продължителност на полета, сблъсък и кибератаки; ограничен тегло на полезен товар; големи набори от данни и ограничена обработка на данни възможности; липса на регулация; липса на опит, висок вход бариери за достъп до селскостопански дронове; | (Bacco et al., 2018; Dawaliby и др., 2020 г.; Хардин и Хардин, 2010; Хардин и Дженсън, 2011; Лагкас и др., 2018 г.; Laliberte et al., 2007; Laliberte & Rango, 2011; Манфреда и др., 2018, 2018; Nebiker et al., 2008; Пури и др., 2017 г.; Velusamy и др., 2022 г.; C. Zhang & Kovacs, 2012) |
Спътник | Периодично сателитно покритие, ограничена спектрална разделителна способност; уязвимост към проблеми с видимостта (напр. облаци); Недостъпност и ниска скорост на трансфер; ориентация и винетиране въздейства върху скъпи пространствени данни колекция; бавна доставка на данни време до крайните потребители | (Aboutalebi et al., 2019; Cen и др., 2019 г.; Чен и др., 2019 г.; Нансен и Елиът, 2016 г.; Пандей, Пратихаст, и др., 2020 г.; Сай Винет et al., 2019) |
Самолети | Високи разходи за осиновяване; сложна настройка; разходи за поддръжка; липса на надеждни самолети, геометрия на изображения; нередовни данни придобиване; липса на гъвкавост; смъртоносни инциденти; сензорни данни вариации поради вибрации; проблеми с геореферирането | (Armstrong et al., 2011; Atkinson et al., 2018; Barbedo & Koenigkan, 2018; Ковальов и Ворошилова, 2020 г.; Suomalainen и др., 2013; Thamm et al., 2013) |
Като мултидисциплинарна и многофункционална технология в селското стопанство, дроновете са изследвани от различни гледни точки. Например, учените са изследвали приложенията на дронове в селското стопанство (Kulbacki et al., 2018; Mogili & Deepak, 2018), техния принос към прецизното земеделие (Puri et al., 2017; Tsouros et al., 2019), тяхното допълване с други авангардни технологии (Al-Thani et al., 2020; Dutta & Mitra, 2021; Nayyar et al., 2020; Saha et al., 2018) и възможностите за усъвършенстване на техните навигационни и сензорни способности (Bareth et al. , 2015; Suomalainen и др., 2014). Тъй като изследванията върху приложенията на дронове в селското стопанство станаха преобладаващи (Khan et al., 2021)), има нужда да се обобщи съществуващата литература и да се разкрие интелектуалната структура на домейна. Освен това, като високотехнологична област с непрекъснати подобрения, трябва да се провеждат структурирани прегледи, за да се обобщава периодично съществуващата литература и да се идентифицират важни пропуски в изследванията. Да се
Към днешна дата има малко прегледи, които обсъждат приложенията на дронове в селскостопанския сектор. Например Mogili и Deepak (2018) правят накратко преглед на последиците от дроновете за наблюдение на културите и пръскане с пестициди. Inoue (2020) прави преглед на използването на сателити и дронове при дистанционно наблюдение в селското стопанство. Авторът изследва технологичните предизвикателства при възприемането на интелигентното земеделие и приноса на сателитите и дроновете въз основа на казуси и най-добри практики. Цурос и др. (2019) обобщават различни видове дронове и основните им приложения в селското стопанство, като подчертават различни методи за събиране и обработка на данни. Съвсем наскоро Aslan et al. (2022) направи цялостен преглед на приложенията на UAV в селскостопански дейности и подчерта значението на едновременното локализиране и картографиране на UAV в оранжерията. Диас-Гонзалес и др. (2022) прегледа скорошни проучвания за производство на реколта въз основа на различни техники за машинно обучение и дистанционно
сензорни системи. Техните открития показват, че UAV са полезни за оценка на почвените индикатори и превъзхождат сателитните системи по отношение на пространствена разделителна способност, времева информация и гъвкавост. Basiri и др. (2022) направи изчерпателен преглед на различните подходи и методи за преодоляване на предизвикателствата при планирането на пътя за многороторни UAV в контекста на прецизното земеделие. Освен това, Awais et al. (2022) обобщава прилагането на данните от дистанционното наблюдение на UAV в културите за оценка на състоянието на водата и предоставя задълбочен синтез на бъдещия капацитет на дистанционното наблюдение на UAV за прилагане на разточителен стрес. И накрая, Aquilani et al. (2022) прегледа технологиите за предварително отглеждане, прилагани в пасищни животновъдни системи, и заключи, че дистанционното наблюдение, активирано от UAV, е полезно за оценка на биомасата и управление на стадата.
Освен това напоследък се съобщава за опити за използване на UAV за наблюдение, проследяване и събиране на добитък.
Въпреки че тези прегледи дават нови и важни прозрения, в литературата не може да се намери изчерпателен и актуален преглед, базиран на библиометрия, което представлява ясна празнина в знанията. Освен това беше посочено, че когато научната продукция расте в научна област, за изследователите става жизненоважно да използват подходи за количествен преглед, за да разберат структурата на знанието в областта (Rivera & Pizam, 2015). По подобен начин Ferreira et al. (2014) твърди, че тъй като изследователските области узряват и стават сложни, учените трябва да се стремят от време на време да осмислят генерираното и натрупано знание, за да разкрият нови приноси, да уловят изследователски традиции и тенденции, да идентифицират кои теми се изучават и да се задълбочат в структурата на знанието на полето и потенциалните изследователски направления. Докато Raparelli и Bajocco (2019) проведоха библиометричен анализ, за да изследват областта на знанието за приложенията на дронове в селското и горското стопанство, тяхното проучване разглежда само научни изследвания, публикувани между 1995 и 2017 г., които не отразяват динамиката на тази бързо развиваща се област. Освен това, авторите не са се опитали да идентифицират най-влиятелните приноси в областта, да групират литературата и да оценят интелектуалната структура, използвайки анализ на съвместно цитиране. В резултат на това е необходимо да се обобщи литературата, за да се разкрият настоящите изследователски фокуси, тенденции и горещи точки.
За да запълним тази празнина в знанията, ние използваме количествена методология и строги библиометрични методи, за да проучим текущото състояние на изследванията в пресечната точка на дроновете и селското стопанство. Ние твърдим, че настоящото проучване има няколко приноса към съществуващата литература, като изследва нововъзникваща технология, която е силно необходима в селското стопанство, тъй като предоставя огромен потенциал за промяна на няколко аспекта в този сектор. Нуждата от библиометричен анализ на селскостопанските дронове се усеща още повече предвид разпръснатите и фрагментирани знания за дронове в контекста на селското стопанство. По същия начин се изисква литературата, отнасяща се до селскостопанските дронове, да бъде систематично групирана, като се вземат предвид най-влиятелните изследвания, които изграждат основата на тази изследователска област. Заслугата на анализа включва и изясняването на основните изследователски теми, застъпени в литературата. Като се има предвид трансформационният потенциал на технологията, ние приемаме, че задълбочен анализ на мрежата дава нови прозрения чрез определяне на влиятелни произведения и разкриване на теми относно потенциала на дроновете за селското стопанство.
Затова се стремим да постигнем следните изследователски цели:
- Идентифициране на влиятелни публикации с изключителен принос към приложенията на дронове в областта на селското стопанство.
- Групиране на литературата, идентифициране на изследователски фокуси и картографиране на основните проучвания на „интелектуалната структура“ въз основа на семантично сходство чрез използване на анализ на съвместно цитиране.
- Разбиране на еволюцията на връзките и мрежите за цитиране във времето сред различни публикации в областта и идентифициране на бъдещи изследователски посоки и горещи теми.
Останалата част от документа е структурирана по следния начин: раздел 2 очертава методологията и стъпките за събиране на данни; раздел 3 представя резултатите от анализите; и раздел 4 обсъжда констатациите и завършва с изследователски принос, последици и бъдещи насоки.
методология
В това текущо изследване ние провеждаме библиометричен анализ, за да изследваме приложенията на дронове в селското стопанство. Този количествен подход разкрива интелектуалната структура на областта на знанието (Arora & Chakraborty, 2021) и текущото състояние, горещи теми и бъдещи изследователски посоки, които могат да бъдат изследвани чрез прилагане на този метод (Kapoor et al., 2018; Mishra et al. , 2017; A. Rejeb, Rejeb, et al., 2021b; A. Rejeb et al., 2021d; MA Rejeb et al., 2020). Като цяло библиометричният анализ изследва съществуващата литература, за да обобщи и разкрие скрити модели на писмена комуникация и еволюцията на дисциплината въз основа на статистика и математически методи и се прилага за големи набори от данни (Pritchard, 1969; Small, 1999; Tahai & Rigsby , 1998). Използвайки библиометрия, ние се стремим да разберем по-добре съществуващите парадигми и изследователски фокуси, които допринасят за домейна въз основа на сходството (Thelwall, 2008). Библиометрията предоставя нови прозрения, подкрепени от обективната количествена сила на методологията (Casillas & Acedo, 2007). Множество учени преди това са провеждали библиометрични изследвания в свързани области, включително селско стопанство, дистанционно наблюдение и цифрова трансформация (Armenta-Medina et al., 2020; Bouzembrak et al., 2019; A. Rejeb, Treiblmaier, et al., 2021; Wamba & Queiroz, 2021; Wang et al., 2019).
Анализ на цитирането
Анализът на цитирането разкрива различни прозрения в дадена изследователска област. На първо място, помага да се разкрият най-влиятелните автори и публикации, които допринасят за дадена изследователска област и оказват значително въздействие (Gundolf & Filser, 2013). Второ, потокът от знания и комуникационните връзки между авторите могат да бъдат разкрити. И накрая, чрез проследяване на връзките между цитираните и цитираните произведения, човек може да изследва промените и еволюцията на дадена област на знанието с течение на времето (Pournader
и др., 2020). Високият брой цитирания на публикация отразява нейната уместност и значителен принос към изследователската област (Baldi, 1998; Gundolf & Filser, 2013; Marinko, 1998). Анализът на цитирането на публикации също помага да се идентифицират подходящи произведения и да се проследи тяхната популярност и напредък във времето.
Анализ на съвместното цитиране на документи
Анализът на съвместното цитиране е ценен метод за изследване на връзките между публикациите и изобразяване на интелектуалната структура на дадена област (Nerur et al., 2008). С други думи, чрез идентифициране на най-цитираните публикации и техните връзки, методът групира публикациите в отделни изследователски клъстери, където публикациите в клъстер редовно споделят подобни идеи (McCain, 1990; Small, 1973). Важно е да се спомене, че сходството не означава, че констатациите в публикациите са
сплотени и съгласни помежду си; публикациите принадлежат към един и същи клъстер поради сходството на темите, но могат да имат противоречиви гледни точки.
Събиране и анализ на данни
Следвайки методологията, предложена от Уайт и Грифит (1981), ние извършихме цялостно търсене на статии в списания, за да покрием цялата изследователска област на приложенията на дронове в селското стопанство, преследвайки следните пет стъпки:
- Първата стъпка беше събирането на данни. Scopus беше избран за една от най-изчерпателните и надеждни бази данни със стандартизирани резултати. Бяха извлечени метаданните на публикации, свързани с всички приложения на дронове в селското стопанство. След това анализирахме избраните статии, като премахнахме статии извън темата от анализа.
- Анализирахме литературата и идентифицирахме най-важните ключови думи, използвани в изследователската област.
- Използвайки анализ на цитирането, ние изследвахме връзката между автори и документи, за да разкрием основните модели на цитиране. Ние също така идентифицирахме най-влиятелните автори и публикации със значителен принос в областта на селскостопанските дронове.
- Проведохме анализ на съвместното цитиране, за да групираме подобни публикации в клъстери.
- И накрая, анализирахме връзките и връзките между държави, институции и списания, за да изобразим мрежата за сътрудничество.
Идентифициране на подходящи думи за търсене
Приложихме следните низове за търсене за агрегиране на данни: (дрон* ИЛИ „безпилотен летателен апарат“ ИЛИ uav* ИЛИ „безпилотна самолетна система” ИЛИ uas ИЛИ „дистанционно пилотиран самолет”) И (селско стопанство ИЛИ земеделие ИЛИ земеделие ИЛИ фермер). Търсенето е проведено през септември 2021 г. Дроновете имат няколко обозначения, включително UAV, UAS и дистанционно пилотирани летателни апарати (Sah et al., 2021). Конкретните термини за търсене, свързани със селското стопанство, бяха идентифицирани въз основа на проучването на Abdollahi et al. (2021 г.). За по-голяма яснота и прозрачност точната заявка, която използвахме, е дадена в Приложение 1. След процес на почистване на данни създадохме текстов файл, който впоследствие беше зареден в BibExcel, общ инструмент за анализ на цитиране и съвместно цитиране. Този инструмент също предлага лесно взаимодействие с друг софтуер и предлага значителна степен на свобода при обработката и анализа на данни. VOSviewer версия 1.6.16 беше използвана за визуализиране на откритията и генериране на библиометрични мрежи (Eck & Waltman, 2009). VOSviewer предлага набор от интуитивни визуализации, особено за анализиране на библиометрични карти (Geng et al., 2020). Освен това, той подпомага предоставянето на ясни визуални резултати, които помагат за по-доброто разбиране на резултатите (Abdollahi et al., 2021). Прилагайки низовете за търсене, както е посочено по-горе, ние събрахме и съхранихме всички подходящи публикации. Първите резултати от търсенето дадоха общо 5,085 документа. За да се гарантира качеството на избраната извадка, в изследването бяха взети предвид само рецензирани статии от списания, което доведе до изключване на други видове документи, като книги, глави, сборници от конференции и редакционни бележки. По време на процеса на проверка бяха филтрирани неуместни (т.е. извън обхвата на тази работа), излишни (т.е. дубликати, произлизащи от двойно индексиране) и неанглоезични публикации. Този процес доведе до включването на 4,700 документа в окончателния анализ.
Констатации и дискусия
Като начало анализирахме развитието на публикациите в текущата литература за селскостопански дронове. Времевото разпределение на научните изследвания е показано на фиг. 1. Виждаме бързо нарастване на публикациите от 2011 г. (30 публикации) нататък; затова решихме да разделим периода на анализ на два различни етапа. Позоваваме се на периода между 1990 г. и 2010 г. като етап на изграждане, който имаше приблизително седем публикации, публикувани годишно. Периодът след 2010 г. се нарича етап на растеж, тъй като изследванията върху приложенията на дронове в селското стопанство станаха свидетели на експоненциален скок през този период. След 2010 г. нарастващият брой публикации потвърждава нарастващия интерес сред изследователите, което също отразява, че дроновете са били прилагани за дистанционно наблюдение и използвани в прецизното земеделие (Deng et al., 2018; Maes & Steppe, 2019; Messina & Modica, 2020 ). По-конкретно, броят на публикациите нарасна от 108 през 2013 г. на 498 през 2018 г. и достигна своя връх от 1,275 през 2020 г. Общо 935 статии бяха публикувани между януари и средата на септември 2021 г. Впоследствие избрахме да съсредоточим нашия анализ повече върху етапа на растеж тъй като този период отразява най-новите и важни тънкости на селскостопанските дронове.
Анализ на ключови думи
Ключовите думи, които авторите избират за публикация, имат решаващо влияние върху начина, по който документът е представен и как се комуникира в научните общности. Те идентифицират ключовите обекти на изследването и определят неговия потенциал да процъфтява или да се провали (Day & Gastel, 1998; Kim et al., 2016; Uddin et al., 2015). Анализът на ключови думи, инструмент за разкриване на по-широки изследователски тенденции и посоки, се отнася до компилацията на ключовите думи на всички свързани публикации в даден домейн (Dixit & Jakhar, 2021). В настоящото проучване разделихме обобщените ключови думи на два набора (т.е. до 2010 г. и 2011–2021 г.), за да проучим най-популярните теми. Правейки това, можем да проследим ключовите ключови думи и в двата комплекта и да гарантираме, че сме уловили всички необходими данни. За всеки набор първите десет ключови думи са представени в таблица 3. Елиминирахме несъответствията чрез сливане на семантично идентични ключови думи, като „дрон“ и „дронове“ или, по подобен начин, „Интернет на нещата“ и „Интернет на нещата“.
Таблица 3 показва, че „безпилотен летателен апарат“ е по-често използвана ключова дума в сравнение с „дрон“ и „безпилотна летателна система“ и в двата периода от време. Освен това „дистанционното наблюдение“, „прецизното земеделие“ и „селското стопанство“ са високо класирани и в двата периода. През първия период „прецизното земеделие“ се класира на пето място и се класира на второ място през втория период, което илюстрира как дроновете стават все по-важни за постигането на прецизно земеделие, тъй като те могат да извършват мониторинг,
практиките за откриване и оценка са по-бързи, по-евтини и по-лесни за изпълнение в сравнение с други системи за дистанционно наблюдение и наземни системи. Освен това те могат да пръскат точното количество вложено количество (напр. вода или пестициди), когато е необходимо (Guo et al., 2020; Inoue, 2020; Panday, Pratihast, et al., 2020).
Списък с най-често използвани ключови думи.
ранг | 1990-2010 | Брой на прояви | 2011-2021 | Брой на прояви |
1 | безпилотен летателен апарат превозно средство | 28 | безпилотен летателно превозно средство | 1628 |
2 | дистанционно наблюдение | 7 | прецизност селско стопанство | 489 |
3 | селско стопанство | 4 | дистанционно наблюдение | 399 |
4 | пренасян по въздуха | 4 | търтей | 374 |
5 | прецизност селско стопанство | 4 | безпилотен въздушна система | 271 |
6 | безпилотен летателен апарат | 4 | селско стопанство | 177 |
7 | хиперспектрална сензор | 3 | дълбоко учене | 151 |
8 | изкуствена нервна мрежи | 2 | машина обучение | 149 |
9 | автономен полет | 2 | растителност индекс | 142 |
10 | кафе | 2 | Интернет на Вещи | 124 |
Друга интересна особеност е наличието на допълващи се технологии. В първия етап „хиперспектрален сензор“ и „изкуствени невронни мрежи“ (ANN) са сред първите десет ключови думи. Хиперспектралното изобразяване революционизира традиционното изобразяване чрез събиране на огромен брой изображения на различни дължини на вълната. По този начин сензорите могат едновременно да събират по-добра пространствена и спектрална информация в сравнение с мултиспектрални изображения, спектроскопия и RGB изображения (Adao ˜ et al.,
2017). Появата на „ANN“ в първия етап и „задълбочено обучение“ (DL) и „машинно обучение“ (ML) във втория предполага, че повечето от публикуваните произведения са фокусирани върху изследването на потенциала на AI техниките за дрон- базирано селско стопанство. Въпреки че дроновете могат да летят автономно, те все още изискват участието на пилот, което предполага ниско ниво на интелигентност на устройството. Този проблем обаче може да бъде решен благодарение на напредъка на техниките за изкуствен интелект, които могат да осигурят по-добра осведоменост за ситуацията и подкрепа за автономно вземане на решения. Оборудвани с AI, дроновете могат да избегнат сблъсъци по време на навигация, да подобрят управлението на почвата и културите (Inoue, 2020) и да намалят труда и стреса за хората (BK Sharma et al., 2019).
Поради тяхната гъвкавост и способност да обработват огромни количества нелинейни данни, AI техниките са подходящи методи за анализ на данните, предавани от дронове и други системи за дистанционно наблюдение и наземни системи за прогнозиране и вземане на решения (Ali et al., 2015; Иноуе, 2020 г.). Освен това, присъствието на „IoT“ през втория период показва неговата нововъзникваща роля в селското стопанство. IoT революционизира селското стопанство, като свързва други технологии, включително дронове, ML, DL, WSN и големи данни. Едно от ключовите предимства на внедряването на IoT е неговата способност за ефективно и ефективно обединяване на различни задачи (получаване на данни, анализ и обработка на данни, вземане на решения и внедряване) в почти реално време (Elijah et al., 2018; Feng et al. , 2019; Muangprathub et al., 2019). Освен това дроновете се считат за ефикасни инструменти за улавяне на данните, необходими за изчисляване на силата на растителността и свойствата на растителността (Candiago et al., 2015). Фиг. 2а и 2б илюстрират мрежите за съвместна поява на ключови думи за двата периода от време.
Влиятелни автори
В този раздел ние определяме влиятелните автори и изследваме как мрежите за цитиране на автори могат да визуализират и организират текущата литература. Фигура 3 показва хронологично наслагване на всички изследователи с най-голям брой цитирания. Цветовата скала отразява годишното изменение на цитиранията на авторите. Ние изследваме структурата на цитиране на изследователи, публикували проучвания за селскостопански дронове, като използваме праг от минимум 50 цитирания и десет публикации. Извън
12,891 115 автори, само 4 отговарят на това условие. Таблица 1,963 изброява десетте най-влиятелни автори, сортирани по максималния брой цитирания. Lopez-Granados F. води списъка с 1,909 цитирания, следван от Zarco-Tejada PJ с XNUMX цитирания.
Списък на най-цитираните автори.
Класиране | автор | Цитати |
1 | Лопес-Гранадос 'Ф. | 1,963 |
2 | Zarco-Tejada PJ | 1,909 |
3 | Pena ˜ JM | 1,644 |
4 | Торес-S´ Анчез Дж. | 1,576 |
5 | Феререс Е | 1,339 |
6 | Ремондино Ф | 1,235 |
7 | Болтен А | 1,160 |
8 | Барет Г | 1,155 |
9 | Берни JA | 1,132 |
10 | де Кастро AI | 1,036 |
Когато става въпрос за отделни публикации, статията на Джан и Ковач (2012) е най-цитираното изследване, публикувано в Precision Agriculture. Тук авторите прегледаха приложението на UAS в прецизното земеделие. Констатациите от тяхното изследване предполагат, че има нужда от усъвършенстване на дизайна на платформата, производството, стандартизирането на геореферирането на изображения и работния процес за извличане на информация, за да се осигурят на фермерите надеждни крайни продукти. Освен това те препоръчват по-силно ангажиране на фермера, особено при планиране на полето, заснемане на изображения, както и интерпретация и анализ на данни. Важно е, че това проучване беше сред първите, които показаха значението на UAV при картографиране на полето, картографиране на жизненост, измерване на химичното съдържание, мониторинг на растителния стрес и оценка на ефектите на торовете върху растежа на растенията. Предизвикателствата, свързани с технологията, включват също непосилни разходи, сензорни възможности, стабилност и надеждност на платформата, липса на стандартизация и последователна процедура за анализиране на огромни количества данни.
Анализ на цитирането
Анализът на цитирането представлява изследване на влиянието на статиите, макар и склонни към потоци (напр. пристрастност при цитиране, самоцитиране), се счита за един от стандартните инструменти за оценка на въздействието (Osareh, 1996; A. Rejeb et al., 2022; Sarli et al., 2010). Цитатите също така отразяват важността и жизнеността на приноса на статиите към литературата по конкретна тема (R. Sharma et al., 2022). Проведохме анализ на цитиранията, за да определим най-влиятелните изследвания върху селскостопанските дронове и обобщихме съдържанието. Таблица 5 представя списъка на петнадесетте най-влиятелни статии за периодите 1990–2010 и 2011–2021. Статиите на Berni et al. (2009)b и Austin (2010) са най-цитираните през 1990 и 2010 г., съответно с 831 и 498 цитирания. Берни и др. (2009)b илюстрира потенциала за разработване на количествени продукти за дистанционно наблюдение чрез базиран на хеликоптер UAV, оборудван с достъпни термични и теснолентови мултиспектрални сензори за изображения. В сравнение с традиционните пилотирани въздушни сензори, една евтина UAV система за селското стопанство е в състояние да постигне сравними оценки на биофизичните параметри на културите, ако не и по-добри. Достъпната цена и оперативната гъвкавост, заедно с високите спектрални, пространствени и времеви разделителни способности, налични при бързо изпълнение, правят UAV подходящи за набор от приложения, които изискват критично време управление, включително планиране на напояване и прецизно земеделие. Документът от Berni et al. (2009)b е високо цитиран, защото ефективно интегрира безпилотна платформа с въртящи се крила и цифрови и термични сензори с необходимите механизми за калибриране за селскостопански приложения. Втората най-цитирана публикация е книга, написана от Austin (2010), който обсъжда UAV от гледна точка на проектиране, разработка и внедряване. В селското стопанство UAV поддържат наблюдението на културите чрез ранно откриване на болести чрез промени в цвета на културите, улесняване на засяването и пръскането на културите и наблюдение и управление на стада.
Проучванията на Sullivan et al. (2007), Lumme et al. (2008) и Gokto ¨ ǧan et al. (2010) завършват списъка на първите петнадесет най-цитирани статии. Тези статии илюстрират разработването на базирани на UAV системи за подпомагане на селското стопанство. Те предлагат решения на различни проблеми, като наблюдение и сканиране на културите, наблюдение и управление на плевелите и подкрепа за вземане на решения. Те също така предлагат и обсъждат способността на UAV да повишава ефективността на вземане на проби и да помага на фермерите при разработването на точни и ефективни
стратегии за засаждане. Две статии са написани от Бърни (Berni et al., 2009b; Berni et al., 2009a), подчертавайки значителното му влияние върху изследванията, свързани със селскостопанските дронове. Документът от Zarco-Tejada et al. (2014) е сред пионерските проучвания, които илюстрират необходимостта от използване на евтини изображения на UAV при количествено определяне на височината на дърветата.
Списък на най-цитираните публикации.
ранг | От 1990 да 2010 | От 2011 да 2021 | ||
Документ | цитат | Документ | цитат | |
1 | (Berni et al., 2009b) | 831 | (C. Zhang & Kovacs, 2012) | 967 |
2 | (Остин, 2010) | 498 | (Nex & Remondino, 2014) | 893 |
3 | (Hunt et al., 2010) | 331 | (Флореано и Ууд, 2015) | 552 |
4 | (SR Herwitz et al., 2004) | 285 | (Hossein Motlagh et al., 2016) | 391 |
5 | (CCD Lelong et al., 2008) | 272 | (Shakhatreh и др., 2019) | 383 |
6 | (Berni et al., 2009b) | 250 | (Ма и др., 2017) | 373 |
7 | (Grenzdorffer ¨ et al., 2008) | 198 | (Бендиг и др., 2014 г.) | 360 |
8 | (Храбър и др., 2005) | 175 | (Zarco-Tejada et al., 2014) | 347 |
9 | (Y. Huang и др., 2009 г.) | 129 | (Ad˜ ao и др., 2017 г.) | 335 |
10 | (Schmale III et al., 2008) | 119 | (Хонкаваара и др., 2013) | 331 |
11 | (Абд-Елрахман и др., 2005) | 79 | (Candiago et al., 2015) | 327 |
12 | (Techy et al., 2010) | 69 | (Xiang & Tian, 2011) | 307 |
13 | (Съливан и др., 2007 г.) | 51 | (Матезе и др., 2015 г.) | 303 |
14 | (Lumme et al., 2008) | 42 | (Gago et al., 2015) | 275 |
15 | (Gokto ¨ ǧan et al., 2010) | 40 | (Aasen et al., 2015a) | 269 |
През втория период (2011–2021 г.) изследването на Zhang и Kovacs (2012) и Nex и Remondino (2014) доведе до най-често цитираните публикации. Zhang и Kovacs (2012) твърдят, че прецизното земеделие може да се възползва от прилагането на геопространствени техники и сензори, като географски информационни системи, GPS и дистанционно наблюдение, за улавяне на вариациите в областта и справяне с тях чрез използване на алтернативни стратегии. Като промяна в играта в прецизното земеделие, приемането на дроновете обяви нова ера в дистанционното наблюдение, опростявайки въздушното наблюдение, улавянето на данни за растежа на културите, почвените условия и площите за пръскане. Прегледът на Zhang и Kovacs (2012) е основополагащ, тъй като предлага прозрения за UAV, като разкрива съществуващи употреби и предизвикателства на тези устройства в мониторинга на околната среда и прецизното земеделие, като ограничения на платформата и камерата, предизвикателства при обработката на данни, ангажираност на фермерите и авиационни разпоредби . Секундата
Най-цитираното проучване на Nex и Remondino (2014) прави преглед на състоянието на безпилотните летателни апарати за улавяне, обработка и анализ на земни изображения.
Тяхната работа също така представи преглед на няколко UAV платформи, приложения и случаи на употреба, демонстрирайки най-новите постижения в обработката на изображения на UAV. В селското стопанство фермерите биха могли да използват UAV, за да вземат ефективни решения за постигане на икономии на разходи и време, да получават бърз и точен запис на щетите и да предвиждат възможни проблеми. За разлика от конвенционалните въздушни платформи, UAV могат да намалят оперативните разходи и да намалят опасността от достъп в сурови места, като същевременно запазват потенциала за висока точност. Техният документ обобщава различни предимства на UAV, особено по отношение на точност и разделителна способност.
Сред останалите тринадесет най-цитирани публикации между 2011 г. и 2021 г. забелязахме по-голяма концентрация върху изследванията, свързани с приложенията на дронове в мисии за изображения (Bendig et al., 2014; Ma et al., 2017; Zarco-Tejada et al., 2014) , прецизно земеделие (Candiago et al., 2015; Honkavaara et al., 2013a), прецизно лозарство (Matese et al., 2015), оценка на водния стрес (Gago et al., 2015) и мониторинг на растителността (Aasen et al. , 2015a). В ранните години изследователите се фокусираха
повече за разработването на евтини, леки и прецизни базирани на UAV системи за селското стопанство; по-скорошните изследвания се фокусират повече върху прегледите на приложенията на UAV за селското стопанство и полеви проучвания. В обобщение, този анализ разкрива, че влиятелните публикации са предоставили предимно прегледи на предишни проучвания за оценка на текущото научно и технологично състояние на UAV и разработени UAV системи за подпомагане на прецизното земеделие. Интересното е, че не открихме проучвания, които да използват емпирично
методологии или описателни казуси, което представлява значителна празнина в знанията и изисква повече изследвания по тази тема.
Анализ на съвместното цитиране
Според Gmür (2006) анализът на съвместното цитиране идентифицира подобни публикации и ги групира. Внимателното изследване на даден клъстер може да разкрие обща област на изследване сред публикациите. Ние изследваме съвместното цитиране на литература, отнасяща се до селскостопански дронове, за да илюстрираме свързани предметни области и да открием интелектуалните модели на публикациите. В това отношение Смол (1973) препоръчва използването на анализ на съвкупността за изследване на най-влиятелните и основополагащи изследвания
в рамките на една дисциплина. За да ограничим набора до най-важните статии (Goyal & Kumar, 2021), ние зададохме праг на съвместно цитиране от 25, което означава, че две статии трябва да са цитирани заедно в списъците с препратки на 25 или повече различни публикации. Клъстерирането също беше проведено с минимален размер на клъстера 1 и без никакъв метод за сливане на по-малки клъстери с по-големи. В резултат на това бяха генерирани шест клъстера въз основа на сходството на изследванията и тяхната интелектуална структура. Таблица 6 показва разпределението на публикациите във всеки клъстер.
Клъстер 1: Този клъстер съдържа осемнадесет документа, публикувани след Публикациите в този клъстер обсъждат ролята на дроновете в подкрепа на мониторинга на околната среда, управлението на културите и борбата с плевелите. Например Manfreda et al. (2018) предоставят преглед на текущите изследвания и внедряването на UAV в мониторинга на естествените селскостопански екосистеми и твърдят, че технологията предлага огромен потенциал за драстично подобряване на мониторинга на околната среда и намаляване на
съществуващата празнина между теренното наблюдение и конвенционалното въздушно и космическо дистанционно наблюдение. Това може да бъде направено чрез предлагане на нов капацитет за подобрено временно извличане и пространствени прозрения в големи области по достъпен начин. UAV могат постоянно да усещат околната среда и да изпращат получените данни до интелигентни, централизирани/децентрализирани единици, които контролират сензори, за да идентифицират евентуални проблеми, като липса на заболяване или откриване на вода (Padua ´ et al., 2017). Adao ˜ et al. (2017) твърдят, че UAV са идеални за оценка на условията на растенията чрез улавяне на огромен обем необработени данни, свързани със състоянието на водата, оценка на биомасата и оценка на силата. Сензорите, монтирани на UAV, също могат да бъдат незабавно разгърнати в подходящи условия на околната среда, за да позволят навременното улавяне на данни от дистанционно наблюдение (Von Bueren et al., 2015). С помощта на UAV фермерите са в състояние да извършват земеделски дейности на закрито, като получават измервания от практически всяко място в триизмерното пространство на закритите земеделски среди (напр. оранжерии), като по този начин осигуряват локален климатичен контрол и мониторинг на растенията (Roldan ´ et al. ., 2015). В контекста на прецизността
селското стопанство, решенията за управление на културите изискват точни, надеждни данни за културите с подходяща времева и пространствена резолюция (Gebbers & Adamchuk, 2010; Gevaert et al., 2015; Maes & Steppe, 2019). Поради тази причина Agüera Vega et al. (2015) използваха монтирана на UAV мултиспектрална сензорна система за получаване на изображения на слънчогледова култура по време на вегетационния период. По подобен начин, Huang et al. (2009) отбелязват, че дистанционното наблюдение, базирано на UAV, може да улесни измерването на културите и почвата от събраните спектрални данни. Verger и др. (2014) разработи и тества техника за оценка на индекса на зелените площи (GAI) от измервания на отражателната способност на UAV в приложения за прецизно земеделие, като се фокусира върху посеви от пшеница и рапица. Следователно дроновете предоставят нови възможности за извличане на информация за състоянието на културите с чести преразглеждания и висока пространствена разделителна способност (Dong et al., 2019; Garzonio et al., 2017; H. Zheng et al., 2016).
Групиране на влиятелни публикации за селскостопански дронове.
Група | Широка тема | Препратки |
1 | Екологичен мониторинг, реколта управление, управление на плевелите | (Ad˜ ao и др., 2017 г.; Агуера Вега и др., 2015; де Кастро и др., 2018 г.; Gomez-Cand ´ on ´ et al., 2014; YB Huang et al., 2013; Ханал и др., 2017 г.; Лопес-Гранадос, ´ 2011; Манфреда и др., 2018; P´ адуа и др., 2017 г.; Pena ˜ et al., 2013; П'ерез-Ортис и др., 2015; Расмусен и др., 2013 г., 2016 г.; Торес-S´ anchez et al., 2014; Торес-Санчес, ´ Лопес-Гранадос ´ & Pena, ~ 2015 г.; Verger et al., 2014; фон Bueren et al., 2015; C. Zhang & Ковач, 2012 г.) |
2 | Дистанционно фенотипиране, добив оценка, модел на повърхността на културите, преброяване на растенията | (Bendig et al., 2013, 2014; Geipel и др., 2014; Gnadinger ¨ & Шмидхалтер, 2017; Хагихатталаб и др., 2016; Холман и др., 2016; Джин и др., 2017 г.; W. Li et al., 2016; Maimaitijiang и др., 2017 г.; Санкаран и др., 2015; Schirrmann и др., 2016; Ши и др., 2016; Юе и др., 2017 г.; Х. Джоу и др., 2017 г.) |
3 | Термично изображение за вода, мултиспектрално изобразяване | (Baluja et al., 2012; Berni et al., 2009b; Berni et al., 2009a; Кандиаго и др., 2015; Gago et al., 2015; Gonzalez-Dugo et al., 2013, 2014; Grenzdorffer ¨ et al., 2008; Халик и др., 2019 г.; Matese et al., 2015; Ribeiro-Gomes et al., 2017; Сантестебан и др., 2017 г.; Uto и др., 2013) |
4 | Хиперсекторно изображение, спектрално изображения | (Aasen et al., 2015a; Bareth et al., 2015 г.; Хакала и др., 2013; Honkavaara и др., 2013a; Лусиер и др., 2014; Саари и др., 2011; Suomalainen и др., 2014 г.) |
5 | Приложения за 3D-картографиране | (Jim´enez-Brenes et al., 2017; Nex & Ремондино, 2014; Салами и др., 2014 г.; Торес-S´ Анчес, Лопес- ´ Granados, Serrano и др., 2015 г.; Zahawi et al., 2015; Зарко-Техада et al., 2014) |
6 | Наблюдение на селското стопанство | (SR Herwitz et al., 2004; Hunt и др., 2010; CCD Lelong и др., 2008 г.; Primicerio и др., 2012; Сян и Тиен, 2011) |
Освен това дроновете са полезни за трудни задачи в селското стопанство, включително картографиране на плевели. Изображенията, заснети от устройствата, са доказали тяхната полезност за ранно откриване на плевели в полета (de Castro et al., 2018; Jim´enez-Brenes et al., 2017; Lam et al., 2021; Lopez-Granados ´ et al., 2016; Rozenberg et al., 2021). В тази връзка de Castro et al. (2018) твърдят, че сливането на изображения от UAV и обектно-базиран анализ на изображения (OBIA) е позволило на практикуващите да преодолеят проблема с автоматизирането на ранното откриване в пасищните култури в ранния сезон, което е голяма стъпка напред в изследването на плевелите. По същия начин Pena ˜ et al. (2013) посочват, че използването на изображения с ултрависока пространствена разделителна способност от UAV във връзка с процедура OBIA прави възможно генерирането на карти на плевелите в ранните царевични култури, които могат да се използват при планирането на прилагането на мерки за контрол на плевелите през сезона, задача извън възможностите на сателитните и традиционните изображения от въздуха. В сравнение с алгоритмите за класифициране на изображения или откриване на обекти, техниките за семантично сегментиране са по-ефективни при задачи за картографиране на плевелите (J. Deng et al., 2020), като по този начин позволяват на фермерите да откриват условията на полето, да намалят загубите и да подобрят добивите през целия вегетационен период (Ramesh и др., 2020). Базираната на дълбоко обучение семантична сегментация може също да осигури точно измерване на растителната покривка от въздушни изображения с висока разделителна способност (Ramesh et al., 2020; A. Zheng et al., 2022). Въпреки потенциала им за дистанционно
за класифициране на сензорни пиксели, техниките за семантично сегментиране изискват значителни изчисления и непосилно висока GPU памет (J. Deng et al., 2020).
Въз основа на машинно обучение и UAV, P´erez-Ortiz et al. (2015) предложи подход за картографиране на плевелите, за да се осигурят специфични за мястото стратегии за контрол на плевелите, когато фермерите възприемат контрола на плевелите ранно след поникването им. Накрая, Rasmussen et al. (2013) подчертава, че дроновете осигуряват евтино наблюдение с голяма гъвкавост на пространствената разделителна способност. Като цяло, публикациите в този клъстер се фокусират върху изследването на потенциала на UAV за подпомагане на дистанционно наблюдение, наблюдение на културите и картографиране на плевелите. Необходими са допълнителни задълбочени изследвания, за да се проучи как приложенията на дронове в мониторинга на околната среда, управлението на културите и картографирането на плевелите могат да постигнат по-устойчиво земеделие (Chamuah & Singh, 2019; Islam et al., 2021; Popescu et al., 2020; J Su, Liu, et al., 2018) и се занимават с проблемите на управлението на тази технология в приложенията за застраховане на култури (Basnet & Bang, 2018; Chamuah & Singh, 2019, 2022; Meinen & Robinson, 2021). Изследователите трябва да се съсредоточат върху валидирането на събраните от UAV измервания с ефективни техники за обработка, за да подобрят крайното качество на обработените данни (Manfreda et al., 2018). Освен това е необходимо разработването на подходящи алгоритми, които разпознават пиксели, които показват плевели в цифровите изображения и елиминират неуместния фон по време на картографирането на плевелите от UAV (Gaˇsparovi´c et al., 2020; Hamylton et al., 2020; H. Huang et al. , 2018, 2020; Lopez-´ Granados et al., 2016). Допълнителни изследвания относно приемането на техники за семантично сегментиране при разпознаване на растения, класификация на листа и картографиране на заболявания са добре дошли (Fuentes-Pacheco et al., 2019; Kerkech et al., 2020).
Клъстер 2. Публикациите в този клъстер се фокусираха върху няколко аспекта на селскостопанските дронове. Във връзка с отдалеченото фенотипиране, Sankaran et al. (2015) прегледаха потенциала за използване на въздушни изображения с ниска надморска височина и висока разделителна способност с UAV за бързо фенотипиране на култури в полето и те твърдят, че в сравнение с наземните сензорни платформи, малките UAV с подходящи сензори предлагат няколко предимства , като по-лесен достъп до полето, данни с висока разделителна способност, ефективно събиране на данни,
бързи оценки на условията за растеж на полето и ниски оперативни разходи. Въпреки това, авторите също така отбелязват, че ефективното приложение на UAV за полево фенотипиране разчита на два основни елемента, а именно характеристики на UAV (напр. безопасност, стабилност, позициониране, автономност) и характеристики на сензора (напр. разделителна способност, тегло, спектрални дължини на вълните, поле на гледка). Haghighattalab и др. (2016) предложи полуавтоматизиран тръбопровод за обработка на изображения за извличане на данни на ниво графика от изображения на UAV и ускоряване на процеса на размножаване. Холман и др. (2016) развиха високо
система за фенотипизиране на полето с пропускателна способност и подчерта, че UAV е в състояние да събира качествени, обемни, базирани на полето фенотипни данни и че устройството е ефективно за големи площи и в различни местоположения на полето.
Тъй като оценката на добива е невероятно жизненоважна част от информацията, особено когато е налична навреме, има потенциал БЛА да предоставят всички полеви измервания и ефективно да получават висококачествени данни (Daakir et al., 2017; Demir et al., 2018 ; Enciso et al., 2019; Kulbacki et al., 2018; Pudelko et al., 2012). В тази връзка Jin et al. (2017) се възползва от изображенията с висока разделителна способност, получени от UAV на много ниски височини, за да разработи и оцени метод за оценка на гъстотата на пшеничните растения на етапа на поникване. Според авторите UAVs преодоляват ограниченията на роувър системите, оборудвани с камери, и представляват неинвазивен метод за оценка на гъстотата на растенията в културите, което позволява на фермерите да постигнат високата производителност, необходима за фенотипизиране на полето, независимо от проходимостта на почвата. Li et al. (2016) събра стотици стерео изображения с изключително висока разделителна способност, използвайки базирана на UAV система за оценка на параметрите на царевицата, включително височината на короната и надземната биомаса. И накрая, Yue et al. (2017) установи, че височината на културите, определена от UAV, може да подобри оценката на надземната биомаса (AGB).
Подход за наблюдение на растежа на културите е идеята за разработване на модели на повърхността на културите (Bendig et al., 2014, 2015; Holman et al., 2016; Panday, Shrestha, et al., 2020; Sumesh et al., 2021). Няколко проучвания подчертаха осъществимостта на изображения, направени от UAV, за улавяне на височината на растенията и наблюдение на растежа им. Например, Bendig et al. (2013) описва разработването на многовременни модели на повърхността на културите с много висока разделителна способност от по-малко от 0.05 m с помощта на UAV. Те имаха за цел да открият реколта
променливостта на растежа и нейната зависимост от обработката на културата, сорта и стреса. Бендиг и др. (2014) използва UAV за оценка на свежа и суха биомаса въз основа на височината на растенията, извлечена от модели на повърхността на културите, и установи, че за разлика от въздушните платформи и наземното лазерно сканиране, изображенията с висока разделителна способност от UAV могат значително да повишат точността на моделирането на височината на растенията за различен растеж етапи. В същия дух, Geipel et al. (2014) са използвали UAV в своите изследвания, за да получат изображения
набори от данни за прогнозиране на добива на царевично зърно в три различни фази на растеж от началото до средата на сезона и стигна до заключението, че комбинацията от спектрално и пространствено моделиране, базирано на въздушни изображения и модели на повърхността на културите, е подходящ метод за прогнозиране на добива от царевица в средата на сезона. И накрая, Gnadinger ¨ и Schmidhalter (2017) изследват полезността на UAV в прецизното фенотипизиране и подчертават, че използването на тази технология може да подобри управлението на фермата и да даде възможност за полеви експерименти за развъждане и агрономически цели. Като цяло забелязваме, че публикациите в клъстер 2 се фокусират върху основните предимства на UAV в дистанционно
фенотипиране, оценка на добива, моделиране на повърхността на културите и преброяване на растенията. Бъдещите проучвания могат да се задълбочат чрез разработване на нови методи за отдалечено фенотипизиране, които могат да автоматизират и оптимизират обработката на дистанционно регистрирани данни (Barabaschi et al., 2016; Liebisch et al., 2015; Mochida et al., 2015; S. Zhou et al. ., 2021). В допълнение, производителността на IoT сензори, монтирани на UAV, и компромисът между техните разходи, труд и прецизността на оценката на добива трябва да бъдат проучени в
бъдеще (Ju & Son, 2018a, 2018b; Xie & Yang, 2020; Yue et al., 2018). В крайна сметка има нужда от разработване на ефективни методи за обработка на изображения, които могат да генерират надеждна информация, да увеличат максимално ефективността на селскостопанското производство и да сведат до минимум ръчната работа по броене на фермерите (RU Khan et al., 2021; Koh et al., 2021; Lin & Guo, 2020; C. Zhang et al., 2020).
Клъстер 3. Публикациите в този клъстер обсъждат различните видове системи за изображения за дистанционно наблюдение на селскостопански ресурси, използвани на платформи за UAV. В това отношение термичните изображения позволяват наблюдение на повърхностните температури, за да се предотврати увреждане на културите и да се открие рано стресът от суша (Awais et al., 2022; García-Tejero et al., 2018; Sankaran et al., 2015; Santesteban et al., 2017; Yeom, 2021). Baluja и др. (2012) твърдят, че използването на мултиспектрални и термални камери на борда на
UAV позволи на изследователите да получат изображения с висока разделителна способност и да оценят състоянието на лозовите води. Това може да бъде полезно за разработване на нови модели за планиране на водата, използващи данни от дистанционно наблюдение (Baluja et al., 2012). Поради на
ограничен товароносимост на UAV, Ribeiro-Gomes et al. (2017) обмислят интегрирането на неохлаждани термични камери в UAVS за определяне на водния стрес в растенията, което прави този тип UAV по-ефективни и жизнеспособни от традиционното сателитно базирано дистанционно наблюдение и UAVs, оборудвани с охладени термални камери. Според авторите неохлажданите термокамери са по-леки от охлажданите камери, което изисква подходящо калибриране. Gonzalez-Dugo и др. (2014) показаха, че термичните изображения ефективно генерират пространствени карти на индексите на водния стрес на културите за оценка на състоянието на водата и количествено определяне на водния стрес сред и в цитрусовите овощни градини. Gonzalez-Dugo и др. (2013) и Santesteban et al. (2017) изследва използването на топлинни изображения с висока разделителна способност на UAV за оценка на променливостта на водния статус на търговска овощна градина и лозе.
Мултиспектралното изображение може да предостави масивни данни в сравнение с традиционните RGB (червено, зелено и синьо) изображения (Ad˜ ao et al., 2017; Navia et al., 2016). Тези спектрални данни, заедно с пространствените данни, биха могли да помогнат при целите на класифицирането, картографирането, прогнозирането, прогнозирането и откриването (Berni et al., 2009b). Според Candiago et al. (2015), базираните на UAV многоспектрални изображения могат да допринесат значително за оценката на културите и прецизното земеделие като надежден и ефективен ресурс. Също,
Khaliq и др. (2019) направи сравнение между сателитно и базирано на UAV мултиспектрално изображение. Изображенията, базирани на UAV, доведоха до по-прецизно описване на променливостта на лозята, както и до карти на жизненост за представяне на короните на културите. Накратко, статиите в този клъстер обсъждат включването на термични и мултиспектрални сензори за изображения в селскостопански UAV. Съответно са необходими повече изследвания, за да се разбере как термичните и мултиспектралните изображения могат да бъдат интегрирани с AI
техники (напр. задълбочено обучение) за откриване на стрес при растенията (Ampatzidis et al., 2020; Ampatzidis & Partel, 2019; Jung et al., 2021; Santesteban et al., 2017; Syeda et al., 2021). Такива прозрения ще помогнат да се осигури по-ефективно и точно откриване, както и наблюдение на растежа на растенията, стреса и фенологията (Buters et al., 2019; Cao et al., 2020; Neupane & BaysalGurel, 2021; L. Zhou et al., 2020 г.).
Клъстер 4. Този клъстер се състои от седем документа, които се въртят около решаващата роля на спектралните изображения и хиперспектралните изображения в подкрепа на селскостопанските практики. Хиперспектралното изобразяване се е утвърдило като метод за дистанционно наблюдение, който дава възможност за количествена оценка на земната система (Schaepman et al., 2009). За да бъдем по-точни, той позволява идентифицирането на повърхностни материали, количественото определяне на (относителни) концентрации и определяне на пропорциите на повърхностните компоненти
в рамките на смесени пиксели (Kirsch et al., 2018; Zhao et al., 2022). С други думи, по-високата спектрална разделителна способност, осигурена от хиперспектрални системи, позволява по-точни оценки на различни параметри, като вегетариански свойства или съдържание на вода в листата (Suomalainen et al., 2014). Изследователите в този клъстер изследваха различни аспекти на такива системи. Между другото, Aasen et al. (2015b) предлага уникален подход за извличане на триизмерна хиперспектрална информация от лека
камери за моментни снимки, използвани на UAV за наблюдение на растителността. Lucieer и др. (2014) обсъдиха дизайна, разработването и въздушните операции на нов хиперспектрален UAS, както и калибрирането, анализа и интерпретацията на данните за изображенията, събрани с него. И накрая, Honkavaara et al. (2013b) разработи всеобхватен подход за обработка на базирани на интерферометър FabryPerot спектрални изображения и показа използването му в процедура за оценка на биомасата за прецизно земеделие. Потенциалните бъдещи пътища за този настоящ клъстер включват подчертаване на необходимостта от технически подобрения в сензорните технологии (Aasen et al., 2015b), както и необходимостта от включване и подобряване на допълнителни технологии, по-специално големи данни и анализи (Ang & Seng, 2021; Radoglou -Grammatikis et al., 2020; Shakoor et al., 2019). Последното произтича основно от непрекъснато нарастващите данни, генерирани от различни сензори, внедрени в интелигентното земеделие (C. Li & Niu, 2020; A. Rejeb et al., 2022; Y. Su & Wang, 2021).
Клъстер 5. Публикациите в този клъстер изследваха базирани на дронове 3Dmapping приложения. Използването на дронове за 3D картографиране може да облекчи сложната теренна работа и да повиши значително ефективността (Torres-Sanchez ´ et al., 2015). Петте статии в клъстера се фокусираха главно върху приложенията за мониторинг на растенията. Например, за да се получат триизмерни данни за площта на короната, височината на дървото и обема на короната, Torres-Sanchez ´ et al. (2015) използва UAV технология за генериране на цифрови модели на повърхността и след това подходи за анализ на обектно базирани изображения (OBIA). Освен това, Zarco-Tejada et al. (2014) определят количествено височината на дърветата чрез интегриране на UAV технология и методи за триизмерна фотореконструкция. Jim´enez-Brenes Lopez-Granados, ´ De Castro, et al. (2017) демонстрира нов процес за мулти-времево, 3D наблюдение на десетки маслинови дървета чрез интегриране на UAV технология с усъвършенствана методология на OBIA. Интересни пътища за бъдещи работи в този клъстер включват или подобряване на текущия
методологии (Zarco-Tejada et al., 2014) за целите на цифрово повърхностно моделиране (Ajayi et al., 2017; Jaud et al., 2016), като OBIA (de Castro et al., 2018, 2020; Ventura et al. , 2018) и фото реконструкция или разработване на нови методи (Díaz-Varela et al., 2015; Torres-S´ anchez et al., 2015).
Клъстер 6. Този клъстер обсъжда ролята на дроновете в селскостопанското наблюдение. БПЛА биха могли да допълнят и преодолеят недостатъците на сателитните и самолетните изображения. Например, те биха могли да осигурят изображения с висока разделителна способност почти в реално време с по-малко гориво или предизвикателства при пилотиране, което води до постоянно наблюдение в реално време и подобрения във вземането на решения (S. Herwitz et al., 2004). Друг ключов принос на UAV е тяхната способност да предоставят специфични за обекта данни за прецизно земеделие или специфично за обекта земеделие, тъй като тяхната висока разделителна способност, подробни данни за различни параметри позволяват на фермерите да разделят земята на хомогенни части и да ги третират по съответния начин (Hunt et al. , 2010; CC Lelong et al., 2008; Primicerio et al., 2012). Такова базирано на UAV селскостопанско наблюдение може да подпомогне мониторинга на хранителната сигурност и вземането на решения (SR Herwitz et al., 2004). За да се напреднат изследванията в селскостопанското наблюдение, са необходими не само подобрения в сензорите, UAV и други свързани технологии и техните методи за комуникация и пренос на данни (Ewing et al., 2020; Shuai et al., 2019), но също и интегриране на дронове с различни технологиите за оптимизиране на различни задачи във връзка с интелигентното селско стопанство, като мониторинг, селскостопански надзор и вземане на решения, е изследователска област с висок потенциал (Alsamhi et al., 2021; Popescu et al., 2020; Vuran et al., 2018). В това отношение IoT, WSN и големите данни предлагат интересни допълнителни възможности (van der Merwe et al., 2020). Разходите за внедряване, икономиите на разходи, енергийната ефективност и сигурността на данните са сред недостатъчно проучените области за такава интеграция (Masroor et al., 2021).
Държави и академични институции
Последната стъпка включва проучване на страната на произход и академичната принадлежност на авторите. Чрез този анализ ние се стремим да разберем по-добре географското разпределение на учените, които допринасят за приложенията на дронове в селското стопанство. Заслужава да се отбележи разнообразието от държави и академични институции. От гледна точка на страните САЩ, Китай, Индия и Италия се нареждат начело в списъка по брой публикации (Таблица 7). Текущата
изследванията върху селскостопанските дронове са до голяма степен съсредоточени в страните от Северна Америка и Азия, главно поради тяхната висока ангажираност в приложенията за прецизно земеделие. Например в САЩ пазарът на селскостопански дронове се оценява на 841.9 милиона щатски долара през 2020 г., което представлява приблизително 30% от световния пазарен дял (ReportLinker, 2021). Класирайки се като най-голямата икономика в света, Китай се прогнозира да достигне приблизителен размер на пазара от 2.6 милиарда щатски долара през 2027 г. Тази страна призовава за селскостопански дронове, за да преодолее проблемите с производителността и да постигне по-добри добиви, облекчаване на труда и по-малко производствени ресурси. Въпреки това, приемането на технологията в Китай също се ръководи от фактори като размера на населението и необходимостта от иновации и подобряване на съществуващите практики за управление на културите.
Топ най-продуктивни държави и университети/организации, които допринасят за
изследвания, свързани със селскостопански дронове.
ранг | Държави |
1 | САЩ |
2 | Китай |
3 | Индия |
4 | Италия |
5 | Испания |
6 | Германия |
7 | Бразилия |
8 | Австралия |
9 | Япония |
10 | Великобритания |
ранг | Университети/ Организации |
1 | Китайската академия на науките |
2 | Министерство на земеделието на Китайската народна република |
3 | Висш съвет на научните изследвания |
4 | Тексаски университет A&M |
5 | Китайски аграрен университет |
6 | Служба за земеделски изследвания на USDA |
7 | CSIC – Instituto de Agricultura Sostenible IAS |
8 | Purdue University |
9 | Национален съвет за научни изследвания |
10 | Южнокитайски земеделски университет |
От университетска и организационна гледна точка Китайската академия на науките оглавява списъка по отношение на броя на публикациите, следвана от Министерството на земеделието на Китайската народна република и Consejo Superior de Investigaciones Sientíficas. Китайската академия на науките е представена от авторите Liao Xiaohan и Li Jun; Han Wenting представлява Министерството на земеделието на Китайската народна република; и Consejo Superior de Investigaciones Científicas се представлява от Lopez-Granados, ´ F. и Pena, ˜ Jos´e María S. От САЩ, университети като Texas A&M University и Purdue University намират своите
споменавам. Университетите с най-голям брой публикации и техните връзки са показани на фиг. 4. Освен това този списък включва институции като Consiglio Nazionale delle Ricerche и Consejo Superior de Investigaciones Científicas, които са активни в научните изследвания, но не са академични институции .
Нашата селекция включва голямо разнообразие от списания, обхващащи почти всички налични данни. Както е показано в таблица 8, дистанционното наблюдение с 258 статии се нарежда на върха, следвано от Journal of Intelligent and Robotic Systems: Theory and Applications със 126 и Computers and Electronics in Agriculture с 98 статии. Докато дистанционното наблюдение е фокусирано най-вече върху приложението и развитието на дронове, компютрите и електрониката в селското стопанство обхваща главно напредъка в компютърния хардуер, софтуера, електрониката и системите за управление в селското стопанство. Международните издания, като IEEE Robotics and Automation Letters с 87 публикации и IEEE Access с 34 публикации, също са водещи издания в областта. Първите петнадесет издания са допринесли за литературата с 959 документа, което е приблизително 20.40% от всички публикации. Анализът на съвместното цитиране на списание ни позволява да изследваме важността и приликата между публикациите. Анализът на съвместното цитиране дава три клъстера, както е показано на фиг. 5. Червеният клъстер се състои от списания като Remote Sensing, Computer and Electronics in Agriculture, Sensors,
и Международния журнал за дистанционно наблюдение. Всички тези издания са списания с висока репутация в областта на дистанционното наблюдение и прецизното земеделие. Зеленият клъстер съдържа списания, които се занимават с роботика, като Journal of Intelligent and Robotic Systems: Theory and Applications, IEEE Robotics and Automation Letters, IEEE Access и Drones. Тези издания публикуват предимно статии за автоматизация и са полезни за селскостопански инженери. Последният клъстер се формира от списания, свързани с агрономията и селскостопанското инженерство, като Agronomy и International Journal of Agricultural and Biological Engineering.
Топ 15 на списанията за изследвания, свързани със селскостопански дронове.
ранг | списание | Броя |
1 | Дистанционно проучване | 258 |
2 | Вестник за интелигентни и роботизирани системи: теория и Приложения | 126 |
3 | Компютри и електроника в селското стопанство | 98 |
4 | IEEE Robotics and Automation Letters | 87 |
5 | Сензори | 73 |
6 | Международен журнал за дистанционно наблюдение | 42 |
7 | Прецизно земеделие | 41 |
8 | Търтеите | 40 |
9 | агрономия | 34 |
10 | Достъп до IEEE | 34 |
11 | Международен журнал за напреднали роботизирани системи | 31 |
12 | Международен журнал за селскостопанско и биологично инженерство | 25 |
13 | PLoS ONE | 25 |
14 | Journal of Field Robotics | 23 |
15 | Biosystems Engineering | 23 |
Заключение
Oбобщение
В това проучване ние обобщихме и анализирахме съществуващи изследвания върху селскостопански дронове. Прилагайки различни библиометрични техники, ние се стремихме да постигнем по-добро разбиране на интелектуалната структура на изследванията, свързани със селскостопанските дронове. Накратко, нашият преглед предлага няколко приноса чрез идентифициране и обсъждане на ключови думи в литературата, разкриване на клъстери от знания, като същевременно формира семантично подобни общности в областта на дроновете, очертавайки по-ранни изследвания и предлагайки бъдещи изследователски посоки. По-долу очертаваме основните констатации от прегледа на разработването на селскостопански дронове:
• Цялостната литература нарасна бързо и привлече огромно внимание през последното десетилетие, както се вижда от нарастването на броя на статиите след 2012 г. Въпреки че тази област на знания все още не е достигнала своята пълна зрялост (Barrientos et al., 2011; Maes & Steppe, 2019), няколко въпроса все още остават без отговор. Например полезността на дроновете в отглеждането на закрито все още е открита за дебат (Aslan et al., 2022; Krul et al., 2021; Rold´ an et al., 2015). Сложността на сцените с полета и различните обстоятелства при изобразяване (напр. сенки и осветеност) могат да доведат до по-висока спектрална дисперсия в класа (Yao et al., 2019). Дори в по-късните фази на изследване, изследователите са били изправени пред предизвикателството да определят оптимални планове за полети според конкретни сценарии и необходимо качество на изображението (Soares et al., 2021; Tu et al.,
2020).
• Забелязваме, че областта е напреднала от разработването на ефективни UAV системи до включването на AI техники, като машинно обучение и дълбоко обучение в дизайна на селскостопански дронове (Bah et al., 2018; Kitano et al., 2019; Maimaitijiang et al. , 2020; Mazzia et al., 2020; Tetila et al., 2020).
• Изследванията на селскостопански дронове обсъждат предимно дистанционното наблюдение чрез изследване на потенциала на технологията за мониторинг на околната среда, управление на културите и управление на плевелите (клъстер 1), както и дистанционно фенотипиране и оценка на добива (клъстер 2). Набор от влиятелни проучвания върху селскостопански дронове включва Austin (2010), Berni et al. (2009)a, Herwitz et al. (2004), Nex и Remondino (2014) и Zhang и Kovacs (2012). Тези проучвания разработиха концептуалната основа на изследванията, свързани с дроновете, в контекста на селското стопанство.
• Във връзка с методологията, ние забелязахме, че по-голямата част от изследванията, извършени досега, са били съставени от системен дизайн, концептуални или базирани на преглед проучвания (Inoue, 2020; Nex & Remondino, 2014; P´erez-Ortiz et al. , 2015 г.; Яо и др., 2019 г.). Също така забелязваме липса на емпирични, качествени и базирани на казуси методи, които работят при изследване на селскостопански дронове.
• Напоследък теми, свързани с прецизното земеделие, техниките на ИИ, прецизното лозарство и оценката на водния стрес, привлякоха значително внимание (Espinoza et al., 2017; Gomez-Cand ´ on ´ et al., 2016; Matese et al., 2015; Matese & Di Gennaro, 2018, 2021; Z. Zhou et al., 2021). Внимателното изследване на изследователските клъстери в две отделни епохи, 1990–2010 и 2011–2021, разкрива напредъка на интелектуалната структура на домейна. Периодът от 1990 г. до 2010 г. представлява изграждането на централни понятия и концепции за дронове, което е очевидно от дискусията за дизайна, разработването и внедряването на UAV. През втората ера изследователският фокус се разширява върху предишни проучвания, като се полагат усилия за синтезиране на случаи на използване на UAV в селското стопанство. Открихме също многобройни проучвания, които обсъждат приложенията на дронове при задачи за изображения и прецизно земеделие.
ранг | списание | Броя |
1 | Дистанционно проучване | 258 |
2 | Вестник за интелигентни и роботизирани системи: теория и | 126 |
Приложения | ||
3 | Компютри и електроника в селското стопанство | 98 |
4 | IEEE Robotics and Automation Letters | 87 |
5 | Сензори | 73 |
6 | Международен журнал за дистанционно наблюдение | 42 |
7 | Прецизно земеделие | 41 |
8 | Търтеите | 40 |
9 | агрономия | 34 |
10 | Достъп до IEEE | 34 |
11 | Международен журнал за напреднали роботизирани системи | 31 |
12 | Международен журнал за селскостопанско и биологично инженерство | 25 |
13 | PLoS ONE | 25 |
14 | Journal of Field Robotics | 23 |
15 | Biosystems Engineering | 22 |
Последици
Нашият библиометричен преглед беше проектиран и проведен с мисъл за учени, фермери, селскостопански експерти, консултанти по културите и дизайнери на системи за UAV. Доколкото е известно на авторите, това е една от първите оригинални рецензии, която е предприела задълбочен библиометричен анализ на
приложения на дронове в селското стопанство. Проведохме цялостен преглед на това тяло от знания, използвайки анализи на цитиране и съвместно цитиране на публикации. Нашите опити да опишем интелектуалната структура на изследванията с дронове също предлагат нови прозрения за академичните среди. Внимателният преглед на използваните ключови думи във времето разкрива горещите точки и фокусните области на изследване в литературата, свързана с дронове. Освен това представяме списък с най-цитираните проучвания, за да идентифицираме най-въздействащите изследователски работи, завършени в тази област. Следователно идентифицирането на статии и ключови думи би могло да осигури солидна отправна точка за разкриване на няколко пътища за бъдещи проучвания.
Важно е, че разкрихме клъстери, които класифицират сравними произведения и разработихме резултатите. Проучванията, класифицирани в клъстери, помагат за разбирането на интелектуалната структура на изследванията на UAV. Трябва да се отбележи, че открихме недостиг на проучвания, които изследват факторите за приемане на дронове
и бариери в земеделските дейности (вж. таблица 9). Бъдещите изследователи биха могли да се справят с тази потенциална празнина чрез провеждане на емпирични изследвания, които оценяват факторите за приемане на дронове при различни земеделски дейности и климатични условия. Освен това изследванията, базирани на казуси относно ефективността на дроновете, трябва да бъдат подкрепени с реални данни от полето. Освен това включването на фермери и мениджъри в академични изследвания би било от полза както за теоретичния, така и за практическия напредък на изследванията с дронове. Успяхме също така да идентифицираме най-видните изследователи и техния принос, което е ценно, защото познаването на последните основополагащи трудове може да предложи някои насоки за бъдещи академични начинания.
Таблица 9
Бариери за приемане на UAV.
бариера | Описание |
Сигурност на данните | Киберсигурността е голямо предизвикателство за прилагане IoT решения (Masroor et al., 2021). |
Оперативна съвместимост и интеграция | Различни технологии като UAV, WSN, IoT и др. трябва да бъдат интегрирани и да предават данни, които повишаване на нивото на сложност (Alsamhi et al., 2021; Попеску и др., 2020 г.; Vuran et al., 2018). |
Разходи за внедряване | Това важи особено за дребните фермери и за интегриране на различни авангардни технологии ( Masroor и др., 2021). |
Трудови знания и експертиза | Необходими са квалифицирани пилоти на дронове, за да управляват UAV. Също така внедряване на различни авангардни технологиите изискват квалифицирани работници (YB Huang и др., 2013; Цурос и др., 2019). |
Мощност на двигателя и полет продължителност | Дроновете не могат да се управляват дълги часове и да се покриват големи площи (Hardin & Hardin, 2010; Laliberte et al., 2007). |
Стабилност, надеждност и маневреност | Дроновете не са стабилни при лоши метеорологични условия (Hardin & Hardin, 2010; Laliberte et al., 2007). |
Ограничения на полезния товар и качество на сензорите | Дроновете могат да носят само ограничени товари възможност за зареждане на сензори с по-ниско качество (Nebiker съч., 2008). |
Регулиране | Тъй като дроновете могат да бъдат и опасни, има тежки регулации в някои области (Hardin & Jensen, 2011; Laliberte & Rango, 2011). |
Знанията на фермерите и интерес | Като други авангардни технологии, дроновете успешното прилагане се нуждае от експертиза и също придружен от несигурност (Fisher et al., 2009; Lambert et al., 2004; Стафорд, 2000). |
Тъй като има постоянна нужда от ефективно използване на наличните ресурси за максимизиране на добивите, фермерите могат да се възползват от дроновете, за да осигурят бързо, точно и рентабилно сканиране на своите полета. Технологията може да помогне на фермерите да определят състоянието на своите култури и да оценят състоянието на водата, етапа на зреене, нашествията от насекоми и хранителните нужди. Възможностите за дистанционно наблюдение на дроновете могат да осигурят на фермерите важни данни, за да предвидят проблеми на ранен етап и своевременно да предприемат подходящи интервенции. Ползите от технологията обаче могат да бъдат реализирани само ако предизвикателствата са правилно адресирани. В светлината на
настоящи проблеми по отношение на сигурността на данните, проблеми със сензорната технология (напр. надеждността или точността на измерванията), сложността на интеграцията и значителните разходи за внедряване, бъдещите проучвания трябва също така да проучат техническата, икономическата и оперативната осъществимост на интегрирането на селскостопански дронове и други режещи машини. крайни технологии.
Ограничения
Нашето проучване има няколко ограничения. Първо, констатациите се определят от публикациите, избрани за окончателния анализ. Предизвикателство е да се обхванат всички съответни проучвания, свързани със селскостопански дронове, особено тези, които не са индексирани в базата данни Scopus. Освен това процесът на събиране на данни е ограничен до задаване на ключови думи за търсене, които може да не са всеобхватни и да доведат до неубедителни констатации. Следователно бъдещите проучвания трябва да обърнат повече внимание на основния проблем за събиране на данни
по-надеждни заключения. Друго ограничение се отнася до новите публикации с малък брой цитирания. Библиометричният анализ е предубеден към по-ранни публикации, тъй като те са склонни да получават повече цитати през годините. Последните проучвания се нуждаят от известно време, за да привлекат внимание и да натрупат цитати. Следователно, скорошни проучвания, които водят до промяна на парадигмата, не биха се класирали в първите десет влиятелни произведения. Това ограничение преобладава при изследването на бързо развиващи се изследователски области като селскостопански дронове. Тъй като се консултирахме със Scopus, за да проучим литературата за тази работа, бъдещите изследователи биха могли да обмислят друго
бази данни, като Web of Science и IEEE Xplore, за разширяване на хоризонта и подобряване на изследователската структура.
Потенциалните библиометрични проучвания могат да вземат предвид други жизненоважни източници на знания като доклади от конференции, глави и книги, за да генерират нови прозрения. Въпреки картографирането и проучването на глобални публикации за селскостопански дронове, нашите открития не разкриха причините зад научните резултати на университетите. Това проправя пътя към нова област на изследване в качественото обяснение защо някои университети са по-продуктивни от други, когато става въпрос за изследвания в областта на селското стопанство
Дроновете. В допълнение, бъдещите проучвания биха могли да дадат представа за потенциала на дроновете за повишаване на устойчивостта на земеделието по няколко начина, като мониторинг на околната среда, управление на културите и картографиране на плевелите, както е посочено от няколко изследователи (Chamuah & Singh, 2019; Islam et al., 2021; Popescu et al., 2020; J. Su, Liu et al., 2018b). Тъй като текстовият анализ не беше възможен поради големия брой избрани статии, има нужда от систематични прегледи на литературата, които разглеждат
използвани изследователски методи и участието на фермерите в предходни проучвания. Накратко, нашият анализ на изследванията с дронове разкрива невидимите връзки на това знание. Следователно този преглед помага да се разкрият връзките между публикациите и изследва интелектуалната структура на изследователската област. Той също така изобразява връзките между различните аспекти на литературата, като ключови думи на авторите, връзки и държави.
Декларация за конкурентен интерес
Авторите заявяват, че нямат известни конкуриращи се финансови интереси или лични взаимоотношения, които биха могли да окажат влияние върху работата, докладвана в тази статия.
Допълнение 1
TITLE-ABS-KEY (((дрон* ИЛИ „безпилотен летателен апарат“ ИЛИ Uav* ИЛИ „безпилотна летателна система“” ИЛИ uas ИЛИ „дистанционно пилотиран самолет”) И (селско стопанство ИЛИ земеделие ИЛИ земеделие ИЛИ фермер))) И (ИЗКЛЮЧВАНЕ (PUBYEAR, 2022)) И (ОГРАНИЧЕНИЕ ДО (ЕЗИК, „английски“)).
Препратки
Aasen, H., Burkart, A., Bolten, A., Bareth, G., 2015. Генериране на 3D хиперспектрална информация с леки UAV камери за моментни снимки за наблюдение на растителността: от
калибриране на камерата за осигуряване на качество. ISPRS J. Photogramm. Дистанционни сензори 108, 245–259. https://doi.org/10.1016/j.isprsjprs.2015.08.002.
Abd-Elrahman, A., Pearlstine, L., Percival, F., 2005. Разработване на алгоритъм за разпознаване на образи за автоматично откриване на птици от изображения на безпилотни летателни апарати.
Изследване. Land Inform. Sci. 65 (1), 37–45.
Abdollahi, A., Rejeb, K., Rejeb, A., Mostafa, MM, Zailani, S., 2021. Безжични сензорни мрежи в селското стопанство: прозрения от библиометричен анализ. Устойчивост 13 (21),
12011.
Aboutalebi, M., Torres-Rua, AF, Kustas, WP, Nieto, H., Coopmans, C., McKee, M., Оценка на различни методи за откриване на сянка в оптични изображения с висока разделителна способност и оценка на въздействието на сянка върху изчислението на NDVI и евапотранспирация. напояване 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. Хиперспектрално изображение: преглед на базирани на UAV сензори, данни обработка и
приложения за селско и горско стопанство. Дистанционно наблюдение 9 (11). https://doi.org/ 10.3390/rs9111110.
Agüera Vega, F., Ramírez, FC, Saiz, MP, Rosúa, FO, 2015. Многовременни изображения с помощта на безпилотен летателен апарат за наблюдение на слънчогледова култура. Biosyst. инж.
132, 19–27. https://doi.org/10.1016/j.biosystemseng.2015.01.008.
Ajayi, OG, Salubi, AA, Angbas, AF, Odigure, MG, 2017. Генериране на точни цифрови модели на височина от UAV, придобити нисък процент припокриващи се изображения. Вътр.
J. Дистанционни сензори 38 (8–10), 3113–3134. https://doi.org/10.1080/ 01431161.2017.1285085.
Ali, I., Greifeneder, F., Stamenkovic, J., Neumann, M., Notarnicola, C., 2015. Преглед на подходите за машинно обучение за извличане на биомаса и почвена влага от данни от дистанционно наблюдение. Дистанционно наблюдение 7 (12), 16398–16421.
Alsamhi, SH, Afghah, F., Sahal, R., Hawbani, A., Al-qaness, MAA, Lee, B., Guizani, M., Green internet of things using UAVs in B5G networks: A review of applications
и стратегии. реклама Hoc. мрежа 117, 102505 https://doi.org/10.1016/j. adhoc.2021.102505.
Al-Thani, N., Albuainain, A., Alnaimi, F., Zorba, N., 2020. Дронове за наблюдение на овцете. В: 20-та IEEE Средиземноморска електротехническа конференция. https://doi.
org/10.1109/MELECON48756.2020.9140588.
Ampatzidis, Y., Partel, V., 2019. Базирано на UAV високопроизводително фенотипиране в цитрусови плодове, използващо мултиспектрално изображение и изкуствен интелект. Дистанционно наблюдение 11 (4), https://doi.org/10.3390/rs11040410.
Ampatzidis, Y., Partel, V., Costa, L., 2020. Agroview: Облачно приложение за обработка, анализиране и визуализиране на събрани от UAV данни за приложения за прецизно земеделие, използващи изкуствен интелект. Изчисл. Електрон. Agric. 174, 105457 https://doi. org/10.1016/j.compag.2020.105457.
Ang, K.-L.-M., Seng, JKP, 2021. Големи данни и машинно обучение с хиперспектрална информация в селското стопанство. IEEE Access 9, 36699–36718. https://doi.org/10.1109/
ДОСТЪП.2021.3051196.
Aquilani, C., Confessore, A., Bozzi, R., Sirtori, F., Pugliese, C., 2022 г. Преглед: технологии за прецизно животновъдство в пасищни животновъдни системи. Животно 16 (1), https://doi.org/10.1016/j.animal.2021.100429.
Armenta-Medina, D., Ramirez-Delreal, TA, Villanueva-Vasquez, ´ D., Mejia-Aguirre, C., Тенденции в съвременните информационни и комуникационни технологии за
подобряване на селскостопанската продуктивност: библиометричен анализ. Агрономия 10 (12), член 12. https://doi.org/10.3390/agronomy10121989.
Armstrong, I., Pirrone-Brusse, M., Smith, A., Jadud, M., 2011. Летящият алигатор: към въздушна роботика в occam-π. Общ. Архитект на процеси. 2011, 329–340. https://doi. org/10.3233/978-1-60750-774-1-329.
Arora, SD, Chakraborty, A., 2021. Интелектуална структура на изследване на поведението на потребителите при оплакване (CCB): библиометричен анализ. J. Business Res. 122, 60–74.
Аслан, М.Ф., Дурду, А., Сабанчи, К., Ропелевска, Е., Гюлтекин, С.С., 2022.
Изчерпателно проучване на последните проучвания с UAV за прецизно земеделие в открити полета и оранжерии. Приложение Sci. 12 (3), 1047. https://doi.org/10.3390/
приложение12031047.
Atkinson, JA, Jackson, RJ, Bentley, AR, Ober, E., & Wells, DM (2018). Фенотипизиране на полето за бъдещето. В Годишни прегледи на растенията онлайн (стр. 719–736). Джон
Wiley & Sons, Ltd. doi: 10.1002/9781119312994.apr0651.
Austin, R., 2010. Безпилотни летателни системи: дизайн, разработка и внедряване на UAVS. В: Системи за безпилотни летателни апарати: дизайн, разработка и разработка на UAVS
Разгръщане. Джон Уайли и синове. 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. Базирано на UAV дистанционно наблюдение при стрес на растенията, представете си използването на термичен сензор с висока разделителна способност за цифрови селскостопански практики: мета-преглед. Вътр. J. Environ. Sci. техн. https://doi.
org/10.1007/s13762-021-03801-5.
Бако, М., Бертън, А., Феро, Е., Дженаро, К., Гота, А., Матеоли, С., Паонеса, Ф., Руджери, М., Вироне, Г., Занела, А., 2018. Интелигентно земеделие: Възможности, предизвикателства
и технологични средства. 2018 IoT Vertical и. Тематична среща на върха за селското стопанство - Тоскана (IOT Тоскана) 1–6. https://doi.org/10.1109/IOTTUSCANY.2018.8373043.
Bah, MD, Hafiane, A., Canals, R., 2018 г. Задълбочено обучение с неконтролирано етикетиране на данни за откриване на плевели в редови култури в изображения на UAV. Дистанционно наблюдение 10 (11), 1690.
https://doi.org/10.3390/rs10111690.
Балди, С., 1998. Нормативни срещу социални конструктивистки процеси в разпределението на цитиранията: мрежово-аналитичен модел. Am. Социол. Rev. 63 (6), 829–846. https://doi.
Org / 10.2307 / 2657504.
Baluja, J., Diago, MP, Balda, P., Zorer, R., Meggio, F., Morales, F., Tardaguila, J., 2012. Оценка на променливостта на състоянието на водата в лозята чрез термални и мултиспектрални
изображения с помощта на безпилотен летателен апарат (БЛА). напояване 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., Развъждане от следващо поколение. Plant Sci. 242, 3–13. https://doi.org/10.1016/j.
растения.2015.07.010.
Barbedo, JGA, Koenigkan, LV, 2018. Перспективи за използването на безпилотни летателни системи за наблюдение на говеда. 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. Ниско тегло и базирано на UAV хиперспектрално пълноформатни камери
за мониторинг на култури: Спектрално сравнение с преносим спектрорадиометър измервания. Photogrammetrie, Fernerkundung, Geoinformation 2015 (1), 69–79.
https://doi.org/10.1127/pfg/2015/0256.
Barrientos, A., Колорадо, J., del Cerro, J., Martinez, A., Rossi, C., Sanz, D., Valente, J., Въздушно дистанционно наблюдение в селското стопанство: Практически подход към покритието на площта
и планиране на пътя за флотилии от мини въздушни роботи. Дж. Фийлд Роб. 28 (5), 667–689. https://doi.org/10.1002/rob.20403.
Basiri, A., Mariani, V., Silano, G., Aatif, M., Iannelli, L., Glielmo, L., 2022 г. Проучване относно приложението на алгоритми за планиране на пътя за многороторни UAV в прецизност
селско стопанство. J. Navig. 75 (2), 364–383.
Basnet, B., Bang, J., 2018. Най-съвременното селско стопанство с интензивно знание: преглед на приложните системи за наблюдение и анализ на данни. J. Sens. 2018, 1–13.
Bendig, J., Bolten, A., Bareth, G., 2013. UAV-базирани изображения за многовременни модели на повърхността на културите с много висока разделителна способност за наблюдение на променливостта на растежа на културите. 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. Оценка на биомасата на ечемика с помощта на модели на повърхността на културите (CSM), получени от RGB изображения, базирани на UAV. Дистанционно наблюдение 6 (11), 10395–10412.
Bendig, J., Yu, K., Aasen, H., Bolten, A., Bennertz, S., Broscheit, J., Gnyp, ML, Bareth, G., 2015. Комбиниране на базата на UAV височина на растенията от повърхността на културата модели,
видими и близки инфрачервени растителни индекси за мониторинг на биомасата в ечемика. Вътр. J. Appl. Earth Obs. Geoinf. 39, 79–87. https://doi.org/10.1016/j.jag.2015.02.012.
Berni, JA, Zarco-Tejada, PJ, Sepulcre-Canto, ´ G., Fereres, E., Villalobos, F., 2009a. Картографиране на проводимостта на короната и CWSI в маслинови градини с помощта на висока резолюция
топлинни изображения от дистанционно наблюдение. Дистанционни сензори Околна среда. 113 (11), 2380–2388. https://doi.org/10.1016/j.rse.2009.06.018.
Berni, JA, Zarco-Tejada, PJ, Suarez, ´ L., Fereres, E., 2009b. Термично и теснолентово многоспектърно дистанционно наблюдение за наблюдение на растителността от безпилотен летателен апарат. IEEE Trans. Geosci. Дистанционни сензори 47 (3), 722–738.
Bouzembrak, Y., Klüche, M., Gavai, A., Marvin, HJP, 2019. Интернет на нещата в безопасността на храните: Преглед на литературата и библиометричен анализ. Trends Food Sci. техн. 94,54–64. https://doi.org/10.1016/j.tifs.2019.11.002.
Брустър, К., Русаки, И., Калацис, Н., Дулин, К., Елис, К., 2017 г. Интернет на нещата в селското стопанство: Проектиране на широкомащабен пилотен проект в цяла Европа. IEEE Commun. Маг. 55 (9), 26–33.
Buters, TM, Belton, D., Cross, AT, 2019. Многосензорно UAV проследяване на отделни разсад и общности от разсад с милиметрова точност. Дронове 3 (4), 81.
https://doi.org/10.3390/drones3040081.
Candiago, S., Remondino, F., De Giglio, M., Dubbini, M., Gattelli, M., 2015. Оценяване на мултиспектрални изображения и индекси на растителността за приложения за прецизно земеделие от изображения на UAV. Дистанционно наблюдение 7 (4), 4026–4047. https://doi.org/10.3390/rs70404026.
Cao, Y., Li, GL, Luo, YK, Pan, Q., Zhang, SY, 2020. Мониторинг на индикаторите за растеж на захарно цвекло с помощта на вегетационен индекс с широк динамичен диапазон (WDRVI), получен от UAV
мултиспектрални изображения. Изчисл. Електрон. Agric. 171, 105331 https://doi.org/10.1016/j.compag.2020.105331.
Casillas, J., Acedo, F., 2007. Еволюция на интелектуалната структура на семейната бизнес литература: библиометрично изследване на FBR. Семеен бизнес Rev. 20 (2), 141–162.
Cen, H., Wan, L., Zhu, J., Li, Y., Li, X., Zhu, Y., Weng, H., Wu, W., Yin, W., Xu, C., Bao, Y., Feng, L., Shou, J., He, Y., 2019 г. Динамично наблюдение на биомаса от ориз под
различни обработки с азот с помощта на лек UAV с двойни камери за моментни снимки с рамка на изображението. Растителни методи 15 (1), 32. https://doi.org/10.1186/s13007-019-
0418-8.
Chamuah, A., Singh, R., 2019. Осигуряване на устойчивост в индийското селско стопанство чрез граждански UAV: перспектива за отговорна иновация. SN Appl. Sci. 2 (1), 106. https://
doi.org/10.1007/s42452-019-1901-6.
Chamuah, A., Singh, R., 2022 г. Отговорно управление на иновациите за граждански безпилотни летателни апарати (UAV) за индийски приложения за застраховане на култури. J. Отговорен
техн. 9, 100025 https://doi.org/10.1016/j.jrt.2022.100025.
Чен, А., Орлов-Левин, В., Мерон, М., 2019. Прилагане на въздушни изображения с висока разделителна способност с видими канали на короната на културите за прецизно управление на напояването. Agric. вода
Управляващ 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. Лек UAV с вградена фотограметрия и едночестотно GPS позициониране за метрологични приложения. ISPRS J. Photogramm. Дистанционни сензори 127, 115–126. https://doi.org/10.1016/j.isprsjprs.2016.12.007.
Dawaliby, S., Aberkane, A., Bradai, A., 2020. Базирана на блокчейн IoT платформа за управление на автономни операции с дронове. В: Сборник на 2-ри ACM
Семинар на MobiCom за безжични комуникации, подпомагани от дронове за 5G и след това, стр. 31–36. https://doi.org/10.1145/3414045.3415939.
Day, RA, Gastel, B., 1998. Как да напишем и публикуваме научна статия. Cambridge University Press. de Castro, AI, Pena, ˜ JM, Torres-Sanchez, ´ J., Jim´enez-Brenes, FM, ValenciaGredilla, F., Recasens, J., Lopez-Granados, ´ F., 2020. Картографиране на заразяване с cynodon dactylon покривни култури с автоматична процедура за вземане на решения-OBIA и UAV изображения за прецизно лозарство. Дистанционно наблюдение 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 г. Автоматичен произволен горски OBIA алгоритъм за ранно картографиране на плевелите между и в редовете с култури с помощта на UAV изображения. Дистанционно наблюдение 10 (2). https://doi.org/10.3390/rs10020285.
Demir, N., Sonmez, ¨ NK, Akar, T., Ünal, S., 2018. Автоматизирано измерване на височината на растенията на генотипове на пшеница с помощта на DSM, извлечен от UAV изображения. Сборник 2 (7), 350. https://doi.org/10.3390/ecrs-2-05163.
Deng, J., Zhong, Z., Huang, H., Lan, Y., Han, Y., Zhang, Y., 2020 г. Лека мрежа за семантично сегментиране за картографиране на плевели в реално време с помощта на безпилотни летателни апарати. Приложение Sci. 10 (20), 7132. https://doi.org/10.3390/app10207132.
Deng, L., Mao, Z., Li, X., Hu, Z., Duan, F., Yan, Y., 2018. Базирано на UAV мултиспектрално дистанционно наблюдение за прецизно земеделие: сравнение между различни камери. ISPRS J. Photogramm. Дистанционни сензори 146, 124–136.
Diaz-Gonzalez, FA, Vuelvas, J., Correa, CA, Vallejo, VE, Patino, D., 2022. Техники за машинно обучение и дистанционно наблюдение, приложени за оценка на почвените индикатори – преглед. Ecol. Инд. 135, 108517 https://doi.org/10.1016/j.ecolind.2021.108517.
Díaz-Varela, RA, De la Rosa, R., Leon, ´ L., Zarco-Tejada, PJ, 2015. Въздушни UAV изображения с висока разделителна способност за оценка на параметрите на короната на маслиново дърво с помощта на 3D снимка
реконструкция: приложение в развъдни опити. Дистанционно наблюдение 7 (4), 4213–4232. https://doi.org/10.3390/rs70404213.
Dixit, A., Jakhar, SK, 2021. Управление на капацитета на летището: преглед и библиометричен анализ. J. Air Transp. Управляващ 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.
Използване на изображения на RapidEye за идентифициране на променливостта в полето на растежа и добива на културите в Онтарио, Канада. Precision Agric. 20 (6), 1231–1250. https://doi.org/10.1007/
s11119-019-09646-w.
Dutta, PK, Mitra, S., 2021. Приложение на селскостопански дронове и iot за разбиране на веригата за доставка на храни по време на периода след COVID-19. В: Choudhury, A., Biswas, A., Prateek, M.,
Chakrabarti, A. (Eds.), Селскостопанска информатика: автоматизация с помощта на IoT и машинно обучение. Wiley, стр. 67–87. van Eck, N., Waltman, L., 2009. Софтуерно проучване: VOSviewer, компютърна програма за библиометрично картографиране. Scientometrics 84 (2), 523–538. https://doi.org/10.1007/s11192-009-0146-3.
Elijah, O., Rahman, TA, Orikumhi, I., Leow, CY, Hindia, MN, 2018 г. Преглед на интернет на нещата (IoT) и анализ на данни в селското стопанство: ползи и предизвикателства.
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. Валидиране на агрономически UAV и поле
измервания за сортове домати. Изчисл. Електрон. Agric. 158, 278–283. https:// doi.org/10.1016/j.compag.2019.02.011.
Espinoza, CZ, Khot, LR, Sankaran, S., Jacoby, PW, 2017. Мултиспектрална и термична оценка на водния стрес с висока разделителна способност, базирана на дистанционно наблюдение
подземно напоявани лози. Дистанционно наблюдение 9 (9), 961. https://doi.org/ 10.3390/rs9090961.
Ewing, J., Oommen, T., Jayakumar, P., Alger, R., 2020. Използване на хиперспектрално дистанционно наблюдение за градация на почвата. Дистанционно наблюдение 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. Многомащабна оценка на базирани на дронове мултиспектрални повърхностни отражения и индекси на растителност в работни условия. Дистанционно наблюдение 12 (3), 514.
Feng, X., Yan, F., Liu, X., 2019. Проучване на безжични комуникационни технологии в Интернет на нещата за прецизно земеделие. Безжични перс. Общ. 108 (3),
1785 1802.
Ferreira, MP, Pinto, CF, Serra, FR, 2014. Теорията на транзакционните разходи в международните бизнес изследвания: библиометрично изследване за три десетилетия. Scientometrics 98 (3), 1899–1922. https://doi.org/10.1007/s11192-013-1172-8.
Фишър, П., Абузар, М., Раб, М., Бест, Ф., Чандра, С., 2009 г. Напредък в прецизното земеделие в югоизточна Австралия. I. регресионна методология за симулиране
пространствени вариации в добивите на зърнени култури, като се използват историческите добиви на фермерите от падока и нормализирания индекс на разликата в растителността. Crop Pasture Sci. 60 (9), 844–858.
Floreano, D., Wood, RJ, 2015. Наука, технологии и бъдещето на малките автономни дронове. Nature 521 (7553), 460–466. https://doi.org/10.1038/nature14542.
Friha, O., Ferrag, MA, Shu, L., Maglaras, LA, Wang, X., 2021 г. Интернет на нещата за бъдещето на интелигентното земеделие: изчерпателно проучване на нововъзникващите технологии. 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. Сегментиране на смокини от въздушни изображения с помощта на дълбока конволюционна мрежа енкодер-декодер. Дистанционно наблюдение 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. БПЛА предизвикват оценка на водния стрес за
устойчиво земеделие. Agric. Управление на водите 153, 9–19. https://doi.org/10.1016/j. агват.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. Термично изображение в завода
ниво за оценка на състоянието на реколтата-вода при бадемови дървета (cv. Guara) при дефицитни стратегии за напояване. Agric. Управление на водите 208, 176–186. https://doi.org/10.1016/j.
агват.2018.06.002.
Garzonio, R., Di Mauro, B., Colombo, R., Cogliati, S., 2017. Повърхностно отражение и измервания на индуцирана от слънцето флуоресцентна спектроскопия с помощта на малък хиперспектрален UAS. Дистанционно наблюдение 9 (5), 472. https://doi.org/10.3390/rs9050472. Gaˇsparovi´c, M., Zrinjski, M., Barkovi´c, Đ., Radoˇcaj, D., 2020. Автоматичен метод за
картографиране на плевели в овесени полета въз основа на изображения от UAV. Изчисл. Електрон. Agric.
Gebbers, R., Adamchuk, VI, 2010. Прецизно земеделие и продоволствена сигурност. Science 327 (5967), 828–831. https://doi.org/10.1126/science.1183899.
Geipel, J., Link, J., Claupein, W., 2014. Комбинирано спектрално и пространствено моделиране на добива от царевица въз основа на въздушни изображения и модели на повърхността на културите, получени с безпилотна летателна система. Дистанционно наблюдение 6 (11), 10335–10355. https://doi.org/10.3390/rs61110335.
Geng, D., Feng, Y., Zhu, Q., 2020. Устойчив дизайн за потребители: преглед на литературата и библиометричен анализ. Environ. Sci. замърсяване. Рез. 27 (24), 29824–29836. https://doi. org/10.1007/s11356-020-09283-1.
Gevaert, CM, Suomalainen, J., Tang, J., Kooistra, L., 2015. Генериране на повърхности на спектрално-временна реакция чрез комбиниране на мултиспектрален сателитен и хиперспектрален
Изображения от UAV за приложения в прецизното земеделие. IEEE J. Sel. Горна част. Приложение Earth Obs. Дистанционни сензори 8 (6), 3140–3146. ttps://doi.org/10.1109/JSTARS.2015.2406339.
Gill, SS, Chana, I., Buyya, R., 2017. IoT базирано селско стопанство като облак и услуга за големи данни: началото на цифрова Индия. J. Org. и компютър на крайния потребител. (JOEUC) 29 (4),
1 23.
Gmür, M., 2006. Анализ на съвместното цитиране и търсенето на невидими колежи: методологична оценка. Scientometrics 57 (1), 27–57. https://doi.org/10.1023/
a:1023619503005.
Gnadinger, ¨ F., Schmidhalter, U., 2017. Цифрово преброяване на царевични растения от безпилотни летателни апарати (UAV). Дистанционно наблюдение 9 (6). https://doi.org/10.3390/rs9060544.
Gokto ¨ ǧan, AH, Sukkarieh, S., Bryson, M., Randle, J., Lupton, T., Hung, C., 2010 г. Безпилотно летателно средство с роторно крило за наблюдение на водни плевели и
управление. J. Intell. Роботизирана система: Теор. Приложение 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. Оценка на точността на мозайки от изображения от безпилотни летателни апарати (UAV) за целите на прецизното земеделие при пшеница. прец. Agric. 15 (1), 44–56. https://doi.org/10.1007/s11119-013-9335-4.
Gomez-Cand ´ on, ´ D., Virlet, N., Labb´e, S., Jolivot, A., Regnard, J.-L., 2016. Фенотипизиране на полето на водния стрес в мащаб на дървета чрез изображения, усетени от UAV : нови прозрения за
термично събиране и калибриране. прец. Agric. 17 (6), 786–800. https://doi.org/10.1007/s11119-016-9449-6.
Gonzalez-Dugo, V., Zarco-Tejada, PJ, Fereres, E., 2014. Приложимост и ограничения на използването на индекса на водния стрес на културите като индикатор за водни дефицити в цитрусови овощни градини. Agric. За. Метеорол. 198–199, 94–104. https://doi.org/10.1016/j. агрформет.2014.08.003.
Gonzalez-Dugo, V., Zarco-Tejada, P., Nicolas, ´ E., Nortes, PA, Alarcon, ´ JJ, Intrigliolo, DS, Fereres, E., 2013. Използване на топлинни изображения с висока разделителна способност на UAV за
оценка на променливостта във водния статус на пет вида овощни дървета в търговска овощна градина. прец. Agric. 14 (6), 660–678. https://doi.org/10.1007/s11119-013-9322-9.
Goyal, K., Kumar, S., 2021. Финансова грамотност: систематичен преглед и библиометричен анализ. Вътр. J. Потребителски изследвания 45 (1), 80–105. https://doi.org/10.1111/
ijcs.12605.
Grenzdorffer, ¨ GJ, Engel, A., Teichert, B., 2008. Фотограметричният потенциал на евтините БЛА в горското и селското стопанство. Международен архив за фотограметрия, дистанционно наблюдение и пространствени информационни науки – Архив на ISPRS 37, 1207–1213. https://www.scopus.com/inward/record.uri?eid=2-s2.0-85039543258&partnerI D=40&md5=b4b2d639257e8ddb5a373d15959c4e1e.
Гуан, С., Фуками, К., Мацунака, Х., Оками, М., Танака, Р., Накано, Х., Сакай, Т., Накано, К., Одан, Х., Такахаши, К., 2019. Оценка на корелацията на висока разделителна способност
NDVI с ниво на прилагане на торове и добив на оризови и пшенични култури с помощта на малки UAV. Дистанционно наблюдение 11 (2), 112.
Gundolf, K., Filser, M., 2013. Изследване на управлението и религията: анализ на цитирането. J. Автобус. Етика 112 (1), 177–185.
Guo, Q., Zhu, Y., Tang, Y., Hou, C., He, Y., Zhuang, J., Zheng, Y., Luo, S., 2020. CFD симулация и експериментална проверка на пространственото и времеви разпределения на
въздушният поток надолу на четирироторен селскостопански UAV в зависване. Изчисл. Електрон. Agric. 172, 105343 https://doi.org/10.1016/j.compag.2020.105343.
Haghighattalab, A., Gonz´ alez P´erez, L., Mondal, S., Singh, D., Schinstock, D., Rutkoski, J., Ortiz-Monasterio, I., Singh, RP, Goodin, D. , Полша, J., 2016.
Приложение на безпилотни летателни системи за високопроизводително фенотипизиране на големи разсадници за пшеница. Растителни методи 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. Спектрално изображение от UAV при различни условия на осветеност . В GG Bill R. (Ed.), Международен архив на фотограметрията, дистанционното наблюдение и пространствените информационни науки—ISPRS Archives (том 40, брой 1W2, стр. 189–194). Международно общество за фотограметрия и дистанционно наблюдение. 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. Техники за оценка за картографиране на островна растителност от безпилотни летателни апарати
изображения на превозни средства (UAV): класификация на пиксели, визуална интерпретация и подходи за машинно обучение. Вътр. J. Appl. Earth Obs. Geoinf. 89, 102085 https://doi.org/
10.1016/j.jag.2020.102085.
Haque, A., Islam, N., Samrat, NH, Dey, S., Ray, B., 2021. Интелигентно земеделие чрез отговорно лидерство в Бангладеш: възможности, възможности и отвъд.
Устойчивост 13 (8), 4511.
Hardin, PJ, Hardin, TJ, 2010. Малкомащабни дистанционно пилотирани превозни средства в изследване на околната среда. Географски компас 4 (9), 1297–1311. ttps://doi.org/10.1111/j.1749-
8198.2010.00381.x.
Hardin, PJ, Jensen, RR, 2011. Малкомащабни безпилотни летателни апарати в дистанционното наблюдение на околната среда: предизвикателства и възможности. GISci. Дистанционни сензори 48 (1), 99–111. https://doi.org/10.2747/1548-1603.48.1.99.
He, Y., Nie, P., Zhang, Q., Liu, F., 2021. Селскостопански интернет на нещата: технологии и приложения, (1-во издание, 2021 издание). Спрингър.
Herwitz, SR, Johnson, LF, Dunagan, SE, Higgins, RG, Sullivan, DV, Zheng, J., Lobitz, BM, Leung, JG, Gallmeyer, BA, Aoyagi, M., Slye, RE, Brass, JA, 2004 г.
Изображения от безпилотен летателен апарат: селскостопанско наблюдение и подкрепа за вземане на решения. Изчисл. Електрон. Agric. 44 (1), 49–61. https://doi.org/10.1016/j.
compag.2004.02.006.
Holman, FH, Riche, AB, Michalski, A., Castle, M., Wooster, MJ, Hawkesford, MJ, Високопроизводително полево фенотипиране на височината на пшеничното растение и скоростта на растеж при опити на полеви парцели с използване на дистанционно наблюдение, базирано на UAV. Дистанционно наблюдение 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 г. Обработка и оценка на спектрометрични, стереоскопични изображения, събрани с помощта на лека UAV спектрална камера за прецизно земеделие. Дистанционно наблюдение 5 (10), 5006–5039. https://doi.org/10.3390/rs5105006.
Hossein Motlagh, N., Taleb, T., Arouk, O., 2016. Услуги на интернет на нещата, базирани на безпилотни летателни апарати на ниска надморска височина: цялостно проучване и бъдещи перспективи. 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. Комбинирана оптична и стерео базирана навигация на градски каньони за UAV. В: 2005 IEEE/RSJ
Международна конференция за интелигентни роботи и системи, стр. 3309–3316. https://doi.org/10.1109/IROS.2005.1544998.
Hsu, T.-C., Yang, H., Chung, Y.-C., Hsu, C.-H., 2020. Творческа IoT селскостопанска платформа за изчисления в облачна мъгла. Поддържайте. Изчисл. Инф. Syst. 28, 100285.
Huang, H., Deng, J., Lan, Y., Yang, A., Deng, X., Zhang, L., Gonzalez-Andujar, JL, 2018 г. Напълно конволюционна мрежа за картографиране на плевелите на безпилотни летателни апарати ( UAV) изображения. PLoS ONE 13 (4), e0196302.
Huang, H., Lan, Y., Yang, A., Zhang, Y., Wen, S., Deng, J., 2020 г. Задълбочено обучение срещу обектно-базиран анализ на изображения (OBIA) при картографиране на плевелите на изображения на UAV. Вътр. Дж.
Дистанционни сензори 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. Дълбоко калибриране на цветовете за UAV изображения при наблюдение на културите
използване на прехвърляне на семантичен стил с локално към глобално внимание. Вътр. J. Appl. Earth Obs. Geoinf. 104, 102590 https://doi.org/10.1016/j.jag.2021.102590.
Huang, YB, Thomson, SJ, Hoffmann, WC, Lan, YB, Fritz, BK, 2013 г. Развитие и перспектива на технологии за безпилотни летателни апарати за селскостопанско производство
управление. Вътр. J. Agric. Biol. инж. 6 (3), 1–10. https://doi.org/10.3965/j. ijabe.20130603.001.
Huang, Y., Hoffmann, WC, Lan, Y., Wu, W., Fritz, BK, 2009. Разработване на система за пръскане за платформа за безпилотни летателни апарати. Приложение инж. Agric. 25 (6), 803–809.
Hunt Jr., ER, Dean Hively, W., Fujikawa, SJ, Linden, DS, Daughtry, CST, McCarty, GW, 2010. Придобиване на NIR-зелено-сини цифрови снимки от
безпилотен самолет за наблюдение на реколтата. Дистанционно наблюдение 2 (1), 290–305. https://doi. org/10.3390/rs2010290. Inoue, Y., 2020. Сателитно и дроново дистанционно наблюдение на култури и почви за интелигентно земеделие – преглед. Soil Sci. Plant Nutr. 66 (6), 798–810. https://doi.org/10.1080/00380768.2020.1738899.
Ислам, Н., Рашид, М. М., Пасандид, Ф., Рей, Б., Мур, С., Кадел, Р., 2021 г. Преглед на приложенията и комуникационните технологии за Интернет на нещата (IoT) и
Устойчиво интелигентно земеделие, базирано на безпилотни летателни апарати (UAV). Устойчивост 13 (4), 1821. https://doi.org/10.3390/su13041821.
Jaud, M., Passot, S., Le Bivic, R., Delacourt, C., Grandjean, P., Le Dantec, N., 2016. Оценяване на точността на цифрови повърхностни модели с висока разделителна способност, изчислени от
PhotoScan® и MicMac® при неоптимални условия на изследване. Дистанционно наблюдение 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. Количествено определяне на въздействието на резитбата върху архитектурата на маслиновото дърво и годишните растеж на купола чрез използване на базирано на UAV 3D моделиране. Растителни методи 13 (1). https://doi.org/10.1186/s13007-017-0205-3.
Jin, X., Liu, S., Baret, F., Hemerl´e, M., Comar, A., 2017. Оценки на гъстотата на растенията на пшеничните култури при поникване от изображения с UAV на много ниска надморска височина. Дистанционен сензор
Environ. 198, 105–114. https://doi.org/10.1016/j.rse.2017.06.007.
Jinbo, C., Xiangliang, C., Han-Chi, F., Lam, A., 2019. Система за мониторинг на селскостопански продукти, поддържана от облачни изчисления. Cluster Comput. 22 (4), 8929–8938.
Ju, C., & Son, HI 2018a. Оценка на ефективността на множество UAV системи за дистанционно наблюдение в селското стопанство. Доклади от семинара за роботизирана визия и действие в селското стопанство на Международната конференция на IEEE по роботика и автоматизация (ICRA), Бризбейн, Австралия, 21–26.
Ju, C., Son, HI, 2018b. Множество UAV системи за селскостопански приложения: контрол, внедряване и оценка. Електроника 7 (9), 162. https://doi.org/10.3390/
електроника7090162.
Jung, J., Maeda, M., Chang, A., Bhandari, M., Ashapure, A., Landivar-Bowles, J., 2021. Потенциалът на дистанционното наблюдение и изкуствения интелект като инструменти за подобряване на
устойчивост на селскостопанските производствени системи. Curr. мнение Биотехнология. 70, 15–22. https://doi.org/10.1016/j.copbio.2020.09.003.
Калишчук, М., Парет, М. Л., Фрийман, Дж. Х., Радж, Д., Да Силва, С., Юбанкс, С., Уигинс, Ди Джей, Лолар, М., Мароа, Дж. Дж., Мелингер, Х. К., Дас, Дж. , 2019. Подобрена техника за изследване на културите, включваща многоспектрални изображения на културите, подпомагани от безпилотен летателен апарат, в конвенционалната практика за изследване на мана по лепкавите стебла в динята. Plant Dis. 103 (7), 1642–1650.
Kapoor, KK, Tamilmani, K., Rana, NP, Patil, P., Dwivedi, YK, Nerur, S., 2018. Напредък в изследванията на социалните медии: минало, настояще и бъдеще. Информирам. Syst. Отпред. 20
(3), 531-558.
Kerkech, M., Hafiane, A., Canals, R., 2020. VddNet: мрежа за откриване на болести по лозата, базирана на мултиспектрални изображения и карта на дълбочината. Дистанционно наблюдение 12 (20), 3305. https://doi. org/10.3390/rs12203305.
Khaliq, A., Comba, L., Biglia, A., Ricauda Aimonino, D., Chiaberge, M., Gay, P., 2019. Сравнение на сателитни и базирани на UAV мултиспектрални изображения за лозя
оценка на променливостта. Дистанционно наблюдение 11 (4). https://doi.org/10.3390/rs11040436.
Khan, PW, Byun, Y.-C., Park, N., 2020. IoT-blockchain активира оптимизирана система за произход за хранително-вкусовата промишленост 4.0, използвайки разширено дълбоко обучение. Сензори 20 (10), 2990.
Khan, RU, Khan, K., Albattah, W., Qamar, AM, Ullah, F., 2021. Базирано на изображения откриване на болести по растенията: от класическо машинно обучение до пътуване в дълбоко обучение. Безжична комун. Мобилен компютър. 2021, 1–13.
Khan, S., Tufail, M., Khan, MT, Khan, ZA, Iqbal, J., Alam, M., Le, KNQ, 2021. Нова полуконтролирана рамка за базирана на UAV класификация на култури/плевели. PLoS ONE 16 (5), e0251008.
Khanal, S., Fulton, J., Shearer, S., 2017. Преглед на настоящите и потенциални приложения на термично дистанционно наблюдение в прецизното земеделие. Изчисл. Електрон.
Agric. 139, 22–32. https://doi.org/10.1016/j.compag.2017.05.001.
Khanna, A., Kaur, S., 2019. Еволюция на Интернет на нещата (IoT) и значителното му въздействие в областта на прецизното земеделие. Изчисл. Електрон. Agric. 157, 218–231.
Kim, W., Khan, GF, Wood, J., Mahmood, MT, 2016. Ангажираност на служителите за устойчиви организации: анализ на ключови думи с помощта на анализ на социалните мрежи и спукване
подход за откриване. Устойчивост 8 (7), 631.
Kirsch, M., Lorenz, S., Zimmermann, R., Tusa, L., Mockel, ¨ R., Hodl, ¨ P., Booysen, R., Khodadadzadeh, M., Gloaguen, R., 2018. Интеграция на наземни и безпилотни
хиперспектрални и фотограметрични сензорни методи за проучвателно картографиране и минен мониторинг. Дистанционно наблюдение 10 (9), 1366. https://doi.org/10.3390/
rs10091366.
Kitano, BT, Mendes, CCT, Geus, AR, Oliveira, HC, Souza, JR, 2019. Преброяване на растенията царевица с помощта на дълбоко обучение и изображения на UAV. IEEE Geosci. Дистанционен сензор Lett. 1–5 https://doi.org/10.1109/LGRS.2019.2930549.
Koh, JCO, Spangenberg, G., Kant, S., 2021. Автоматизирано машинно обучение за високопроизводително базирано на изображение фенотипизиране на растения. Дистанционно наблюдение 13 (5), 858. https://
doi.org/10.3390/rs13050858.
Ковалев, И.В., Ворошилова, А.А., 2020. Съвременни технологични тенденции в развитието на екосистемата на товарни БПЛА. J. Phys. конф. сер. 1515 (5), 052068 https://doi. org/10.1088/1742-6596/1515/5/052068.
Krul, S., Pantos, C., Frangulea, M., Valente, J., 2021. Визуален SLAM за животновъдство на закрито и земеделие с помощта на малък дрон с монокулярна камера: проучване за осъществимост.
Дронове 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. Проучване на дронове за автоматизация на селското стопанство от засаждане до
прибиране на реколтата. В: INES 2018 – IEEE 22-ра международна конференция за интелигентни инженерни системи, стр. 000353–358. https://doi.org/10.1109/INES.2018.8523943.
Lagkas, T., Argyriou, V., Bibi, S., Sarigiannidis, P., 2018. Изгледи и предизвикателства на рамката на UAV IoT: към защита на дроновете като „неща“. Сензори 18 (11), 4015. https://doi.org/10.3390/s18114015.
Laliberte, AS, Rango, A., 2011. Обработка на изображения и процедури за класифициране за анализ на суб-дециметрови изображения, получени с безпилотен самолет над суша
пасища. GISci. Дистанционни сензори 48 (1), 4–23. https://doi.org/10.2747/1548-1603.48.1.4.
Laliberte, AS, Rango, A., Herrick, JE, 2007 г. Безпилотни летателни апарати за картографиране и наблюдение на пасища: сравнение на две системи. Доклади на годишната конференция на ASPRS.
Lam, OHY, Dogotari, M., Prüm, M., Vithlani, HN, Roers, C., Melville, B., Zimmer, F., Becker, R., 2021. Работен процес с отворен код за картографиране на плевели в местни пасища
използване на безпилотен летателен апарат: Използване на Rumex obtusifolius като казус. Евро. 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. Възприемане, рентабилност и по-добро използване на данните от прецизното земеделие.
Работен документ. Университет Пърдю. https://doi.org/10.22004/ag.econ.28615.
Lelong, CCD, Burger, P., Jubelin, G., Roux, B., Labb´e, S., Baret, F., 2008. Оценка на изображения от безпилотни летателни апарати за количествен мониторинг на реколтата от пшеница в малки парцели. Сензори 8 (5), 3557–3585. https://doi.org/10.3390/s8053557.
Li, C., Niu, B., 2020 г. Проектиране на интелигентно земеделие, базирано на големи данни и интернет на нещата. Вътр. J. Distrib. Sens. Netw. 16 (5) ttps://doi.org/10.1177/1550147720917065.
Li, W., Niu, Z., Chen, H., Li, D., Wu, M., Zhao, W., 2016. Дистанционна оценка на височината на короната и надземната биомаса на царевица с помощта на стерео изображения с висока разделителна способност от евтина безпилотна летателна система. 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. Машинно обучение в селското стопанство: преглед. Сензори 18 (8), 2674.
Liebisch, F., Kirchgessner, N., Schneider, D., Walter, A., Hund, A., 2015. Дистанционно, въздушно фенотипизиране на черти на царевица с мобилен многосензорен подход. Растителни методи 11 (1), 9. https://doi.org/10.1186/s13007-015-0048-8.
Lin, Z., Guo, W., 2020. Откриване и преброяване на метлици от сорго с помощта на изображения от безпилотни летателни системи и дълбоко обучение. Отпред. Plant Sci. 11.
Liu, S., Guo, L., Webb, H., Ya, X., Chang, X., 2019. Система за мониторинг на Интернет на нещата на съвременното еко-земеделие, базирана на облачни изчисления. IEEE Access 7, 37050–37058.
Lopez-Granados, ´ F., 2011. Откриване на плевели за специфично управление на плевелите: картографиране и подходи в реално време. Weed Res. 51 (1), 1–11. https://doi.org/10.1111/j.1365-3180.2010.00829.x.
Lopez-Granados, ´ F., Torres-Sanchez, ´ J., De Castro, A.-I., Serrano-P´erez, A., MesasCarrascosa, F.-J., Pena, ˜ J.-M. , 2016. Обектно-базиран ранен мониторинг на тревен плевел в тревна култура с помощта на UAV изображения с висока разделителна способност. Агрон. Поддържайте. Dev. 36 (4), 1–12
Lopez-Granados, ´ F., Torres-S´ anchez, J., Serrano-P´erez, A., de Castro, AI, MesasCarrascosa, F.-J., Pena, ˜ J.-M., 2016. Картографиране на плевелите в ранен сезон при слънчоглед с помощта на UAV технология: променливост на картите за третиране с хербициди спрямо праговете на плевелите. прец. Agric. 17 (2), 183–199.
Lucieer, A., Malenovský, Z., Veness, T., Wallace, L., 2014. HyperUAS – спектроскопия на изображения от многороторна безпилотна летателна система. Дж. Фийлд Роб. 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. Наземно лазерно сканиране на земеделски култури. В JJ
Чен Дж. Маас Х–Г. (Ред.), Международен архив на фотограметрията, дистанционното наблюдение и пространствената информация — архиви на ISPRS (том 37, стр. 563–566).
Международно общество за фотограметрия и дистанционно наблюдение. 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 г. Преглед на класификацията на изображението на земното покритие, базирана на надзорен обект. ISPRS J. Photogramm. Дистанционни сензори 130,
277–293. https://doi.org/10.1016/j.isprsjprs.2017.06.001.
Maes, WH, Steppe, K., 2019. Перспективи за дистанционно наблюдение с безпилотни летателни апарати в прецизното земеделие. Тенденции 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., Бъркен, Дж., Фричи, Ф., 2017 г.
Базирано на безпилотни летателни системи (UAS) фенотипизиране на соя с помощта на мултисензорно сливане на данни и машина за екстремно обучение. ISPRS J. Photogramm. Дистанционни сензори 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.
Наблюдение на културите с помощта на сливане на сателитни/UAV данни и машинно обучение. Дистанционно наблюдение 12 (9), 1357. https://doi.org/10.3390/rs12091357.
Манфреда, С., Маккейб, М., Милър, П., Лукас, Р., Пахуело Мадригал, В., Малинис, Г., Бен Дор, Е., Хелман, Д., Естес, Л., Сираоло, Г. ., Müllerova, ´ J., Tauro, F., de Lima, M., de
Лима, Дж., Малтезе, А., Франсис, Ф., Кейлър, К., Кохв, М., Пъркс, М., Руис-Перес, Г., Су, З., Вико, Г., Тот , Б., 2018. За използването на безпилотни летателни системи за
мониторинг на околната среда. Дистанционно наблюдение 10 (4), 641.
Marinko, RA, 1998. Цитати на списания за женски изследвания в дисертации, 1989 и The Serials Librarian 35 (1–2), 29–44. https://doi.org/10.1300/J123v35n01_
03.
Masroor, R., Naeem, M., Ejaz, W., 2021. Управление на ресурсите в безжични мрежи, подпомагани от UAV: перспектива за оптимизация. Ad Hoc Netw. 121, 102596 https://doi.org/10.1016/j.adhoc.2021.102596.
Matese, A., Di Gennaro, SF, 2018. Практически приложения на мултисензорна UAV платформа, базирана на мултиспектрални, топлинни и RGB изображения с висока разделителна способност с прецизност
лозарство. Селско стопанство 8 (7), 116. https://doi.org/10.3390/agriculture8070116.
Matese, A., Di Gennaro, SF, 2021. Отвъд традиционния индекс NDVI като ключов фактор за масовото използване на UAV в прецизното лозарство. Sci. Представление 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 , Взаимно сравнение на UAV, самолет
и сателитни платформи за дистанционно наблюдение за прецизно лозарство. Дистанционно наблюдение 7 (3), 2971–2990. https://doi.org/10.3390/rs70302971.
Mazzia, V., Comba, L., Khaliq, A., Chiaberge, M., Gay, P., 2020. UAV и базирано на машинно обучение усъвършенстване на сателитно управляван растителен индекс за прецизност
селско стопанство. Сензори 20 (9), 2530. https://doi.org/10.3390/s20092530.
McCain, KW, 1990. Картографиране на автори в интелектуалното пространство: технически преглед. J. Am. Soc. Информация. Sci. 41 (6), 433–443.
Meinen, BU, Robinson, DT, 2021 г. Моделиране на селскостопанска ерозия: оценка на оценките на ерозията в полеви мащаби на USLE и WEPP с помощта на данни от времеви серии от UAV. Environ. Модел. Софтуер 137, 104962. https://doi.org/10.1016/j.envsoft.2021.104962.
Melville, B., Lucieer, A., Aryal, J., 2019. Класификация на съобщества от местни пасища в низините с помощта на изображения на хиперспектрална безпилотна летателна система (UAS) в
Тасманийски средни земи. Дронове 3 (1), 5.
Месина, Г., Модика, Г., 2020 г. Приложения на топлинни изображения на UAV в прецизното земеделие: най-съвременни и бъдещи перспективи за изследване. Дистанционно наблюдение 12 (9), https://doi.org/10.3390/rs12091491.
Mishra, D., Luo, Z., Jiang, S., Papadopoulos, T., Dubey, R., 2017. Библиографско изследване на големи данни: концепции, тенденции и предизвикателства. Управление на бизнес процеси. J. 23 (3),
555 573.
Mochida, K., Saisho, D., Hirayama, T., 2015. Подобряване на културите с помощта на набори от данни за жизнения цикъл, получени при полеви условия. Отпред. Plant Sci. 6 https://doi.org/10.3389/
fpls.2015.00740.
Mogili, UM.R., Deepak, BBVL, 2018. Преглед на приложението на дрон системи в прецизното земеделие. Procedia Comput. Sci. 133, 502–509.
Moharana, S., Dutta, S., 2016. Пространствена променливост на съдържанието на хлорофил и азот в ориза от хиперспектрални изображения. ISPRS J. Photogramm. Дистанционни сензори 122, 17–29.
Muangprathub, J., Boonnam, N., Kajornkasirat, S., Lekbangpong, N., Wanichsombat, A.,
Nillaor, P., 2019. IoT и анализ на данните за селското стопанство за интелигентна ферма. Изчисл. Електрон. Agric. 156, 467–474.
Nansen, C., Elliott, N., 2016. Дистанционно наблюдение и профилиране на отражението в ентомологията. Annu. Rev. Entomol. 61 (1), 139–158. https://doi.org/10.1146/annurev-ento010715-023834.
Navia, J., Mondragon, I., Patino, D., Colorado, J., 2016. Мултиспектрално картографиране в селското стопанство: мозайка на терена с помощта на автономен квадрокоптер UAV. Вътр. конф.
Безпилотен самолет Syst. (ICUAS) 2016, 1351–1358. https://doi.org/10.1109/ ICUAS.2016.7502606.
Nayyar, A., Nguyen, B.-L., Nguyen, NG, 2020. Интернет на дронове (Iodt): бъдеща визия за интелигентни дронове. адв. Intell. Syst. Изчисл. 1045, 563–580. https://doi.org/10.1007/978-981-15-0029-9_45.
Nebiker, S., Annen, A., Scherrer, M., Oesch, D., 2008. Лек мултиспектрален сензор за микро UAV—възможности за дистанционно наблюдение във въздуха с много висока резолюция. Вътр. Арх. Фотограма. Дистанционен сензор. Инф. Sci 37 (B1), 1193–1200.
Negash, L., Kim, H.-Y., Choi, H.-L., 2019. Нововъзникващи приложения на UAV в селското стопанство. В: 2019 7-ма международна конференция за технологии за интелигентни роботи и
Приложения (RiTA), стр. 254–257. https://doi.org/10.1109/RITAPP.2019.8932853.
Nerur, SP, Rasheed, AA, Natarajan, V., 2008. Интелектуалната структура на областта на стратегическото управление: авторски анализ на съвместното цитиране. Strateg. Управляващ J. 29 (3),
319 336.
Neupane, K., Baysal-Gurel, F., 2021. Автоматична идентификация и мониторинг на болести по растенията с помощта на безпилотни летателни апарати: преглед. Дистанционно наблюдение 13 (19), 3841. https://doi.org/10.3390/rs13193841.
Nex, F., Remondino, F., 2014. UAV за приложения за 3D картографиране: преглед. Приложение Геоматика 6 (1), 1–15. https://doi.org/10.1007/s12518-013-0120-x.
Niu, H., Hollenbeck, D., Zhao, T., Wang, D., Chen, Y., 2020. Оценка на евапотранспирацията с малки UAV в прецизното земеделие. Сензори 20 (22), 6427. https://
doi.org/10.3390/s20226427.
Osareh, F., 1996. Библиометрия, анализ на цитирането и анализ на съвместното цитиране. Преглед на литературата 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, сензори и обработка на данни в агролесовъдството: преглед към практически приложения. Вътр. J. Дистанционни сензори 38 (8–10), 2349–2391. https://doi.org/10.1080/01431161.2017.1297548.
Panday, САЩ, Pratihast, AK, Aryal, J., Kayastha, RB, 2020 г. Преглед на базирани на дронове решения за данни за зърнени култури. Дронове 4 (3), 1–29. https://doi.org/10.3390/
дронове4030041.
Parsaeian, M., Shahabi, M., Hassanpour, H., 2020. Оценка на съдържанието на масло и протеин в сусамовите семена с помощта на обработка на изображения и изкуствена невронна мрежа. J. Am. Масло
Chemists' Soc. 97 (7), 691–702.
Pena, ˜ JM, Torres-S´anchez, J., de Castro, AI, Kelly, M., Lopez-Granados, ´ F., Suarez, O., Картографиране на плевелите в царевични полета в ранен сезон с помощта на обектно-базиран анализ на
изображения на безпилотен летателен апарат (UAV). PLoS ONE 8 (10), e77151.
P´erez-Ortiz, M., Pena, ˜ JM, Guti´errez, PA, Torres-S´ anchez, J., Herv´ as-Martínez, C.,
Lopez-Granados, ´ F., 2015. Полуконтролирана система за картографиране на плевелите в слънчогледови култури с помощта на безпилотни летателни апарати и метод за откриване на редове с култури. Приложение 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. Икономически ефективни IoT устройства като надеждни източници на данни за базирана на блокчейн система за управление на водата в прецизното земеделие. Изчисл. Електрон. Agric. 180, 105889.
Попеску, Д., Стоикан, Ф., Стаматеску, Г., Ичим, Л., Драгана, К., 2020. Усъвършенствана UAV–WSN система за интелигентно наблюдение в прецизното земеделие. Сензори 20 (3), https://doi.org/10.3390/s20030817.
Pournader, M., Shi, Y., Seuring, S., Koh, SL, 2020. Блокчейн приложения във веригите за доставки, транспорта и логистиката: систематичен преглед на литературата. Вътр. J. Prod. Рез. 58 (7), 2063–2081.
Primicerio, J., Di Gennaro, SF, Fiorillo, E., Genesio, L., Lugato, E., Matese, A., Vaccari, FP, 2012. Гъвкав безпилотен летателен апарат за прецизно земеделие.
прец. Agric. 13 (4), 517–523. https://doi.org/10.1007/s11119-012-9257-6.
Pritchard, A., 1969. Статистическа библиография или библиометрия. J. Документ. 25 (4), 348–349.
Pudelko, R., Stuczynski, T., Borzecka-Walker, M., 2012. Пригодността на безпилотен летателен апарат (UAV) за оценка на опитни полета и култури. Селско стопанство 99 (4), 431–436.
Puri, V., Nayyar, A., Raja, L., 2017. Селскостопански дронове: модерен пробив в прецизното земеделие. J. Статис. Управляващ Syst. 20 (4), 507–518.
Radoglou-Grammatikis, P., Sarigiannidis, P., Lagkas, T., Moscholios, I., 2020. Компилация от приложения на UAV за прецизно земеделие. Изчисл. мрежа 172,
107148 https://doi.org/10.1016/j.comnet.2020.107148.
Рамеш, К.В., Ракеш, В., Пракаса Рао, EVS, 2020. Приложение на анализа на големи данни и изкуствения интелект в агрономическите изследвания. Индиец Дж. Агрон. 65 (4), 383–395.
Raparelli, E., Bajocco, S., 2019. Библиометричен анализ на използването на безпилотни летателни апарати в проучвания в селското и горското стопанство. Вътр. J. Дистанционни сензори 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.
Потенциални приложения на малки безпилотни летателни системи (UAS) при изследване на плевели. Weed Res. 53 (4), 242–248.
Rasmussen, J., Ntakos, G., Nielsen, J., Svensgaard, J., Poulsen, RN, Christensen, S., Индексите на растителността получени ли са от потребителски камери, монтирани на
БПЛА достатъчно надеждни за оценка на експериментални участъци? Евро. J. Agron. 74, 75–92. https://doi.org/10.1016/j.eja.2015.11.026.
Rejeb, A., Rejeb, K., Abdollahi, A., Zailani, S., Iranmanesh, M., Ghobakhloo, M., 2022. Дигитализация във веригите за доставка на храни: библиометричен преглед и главен път на ключов маршрут
анализ. Устойчивост 14 (1), 83. https://doi.org/10.3390/su14010083.
Rejeb, A., Rejeb, K., Simske, SJ, Treiblmaier, H., 2021a. Дронове за управление на веригата за доставки и логистика: преглед и изследователска програма. Вътр. J. Logist. Рез. Приложение
1–24. https://doi.org/10.1080/13675567.2021.1981273.
Реджеб, А., Реджеб, К., Симске, С., Трейблмайер, Х., 2021b. Блокчейн технологии в логистиката и управлението на веригата за доставки: библиометричен преглед. Логистика 5 (4), 72.
https://doi.org/10.3390/logistics5040072.
Реджеб, А., Реджеб, К., Симске, С., Трейблмайер, Х., 2021c. Хуманитарни дронове: преглед и изследователска програма. Интернет на нещата 16, 100434. https://doi.org/10.1016/j.
iot.2021.100434.
Реджеб, А., Трейблмайер, Х., Реджеб, К., Зайлани, С., 2021г. Блокчейн изследвания в здравеопазването: библиометричен преглед и текущи тенденции в изследванията. J. of Data, Inf. и
Управляващ 3 (2), 109–124.
Rejeb, A., Simske, S., Rejeb, K., Treiblmaier, H., Zailani, S., 2020. Изследване на интернет на нещата в управлението на веригата за доставки и логистиката: библиометричен анализ. интернет
на нещата 12, 100318.
ReportLinker, 2021 г. Глобалният пазар на селскостопански дронове ще достигне 15.2 милиарда щатски долара до годината Стая за новини на GlobeNewswire. https://www.globenewswire.com/news-release/2021/08/10/2277986/0/en/Global-Agriculture-Drones-Market-to-Reach-US-15-2-Billion-by-the- Година-2027.html.
Ribeiro-Gomes, K., Hernandez-L´ opez, ´ D., Ortega, JF, Ballesteros, R., Poblete, T., Moreno, MA, 2017. Калибриране на неохладена термична камера и оптимизиране на
фотограметричен процес за приложения на UAV в селското стопанство. Сензори (Швейцария) 17 (10). https://doi.org/10.3390/s17102173.
Ривера, Масачузетс, Пизам, А., 2015 г. Напредък в изследванията на хотелиерството: „От Родни Дангерфийлд до Арета Франклин“. Вътр. J. Contempor. Болница. Управляващ 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. Базирана на мини-UAV сензорна система за измерване на променливи на околната среда в оранжерии. Сензори 15 (2), 3334–3350. https://doi.org/10.3390/s150203334.
Rozenberg, G., Kent, R., Blank, L., 2021. БЛА за потребителски клас, използван за откриване и анализиране на модели на пространствено разпределение на плевелите в края на сезона в търговски полета с лук. прец. Agric. 22 (4), 1317–1332. https://doi.org/10.1007/s11119-021-09786-y.
Saari, H., Pellikka, I., Pesonen, L., Tuominen, S., Heikkila, ¨ J., Holmlund, C., Makynen, ¨ J., Ojala, K., Antila, T., 2011. Безпилотен система от спектрални камери, управлявана от летателен апарат (UAV) за приложения в гората и селското стопанство. Продължете. SPIE – Междун. Soc. Избирам. инж. 8174 https://doi.org/10.1117/12.897585.
Сах, Б., Гупта, Р., Бани-Хани, Д., 2021 г. Анализ на бариерите за внедряване на логистика с дронове. Вътр. J. Logist. Рез. Приложение 24 (6), 531–550. https://doi.org/10.1080/
13675567.2020.1782862.
Saha, AK, Saha, J., Ray, R., Sircar, S., Dutta, S., Chattopadhyay, SP, & Saha, HN, IOT-базиран дрон за подобряване на качеството на реколтата в земеделската област. В SH
N. Chakrabarti S. (Ed.), 2018 IEEE 8-ми годишен семинар и конференция по компютърни и комуникационни технологии, CCWC 2018 (томове 2018-януари, стр. 612–615). институт
of Electrical and Electronics Engineers Inc. doi: 10.1109/CCWC.2018.8301662.
Sai Vineeth, KV, Vara Prasad, YR, Dubey, SR, Venkataraman, H., 2019. LEDCOM: нова и ефективна комуникация, базирана на LED за прецизно земеделие. IEEE Conf. Информация. Общ. техн. 2019, 1–5. https://doi.org/10.1109/CICT48419.2019.9066177.
Salamí, E., Barrado, C., Pastor, E., 2014. Експерименти с полети на UAV, приложени към дистанционното наблюдение на растителни райони. Дистанционно наблюдение 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.
Системи за въздушни изображения с ниска надморска височина и висока разделителна способност за фенотипизиране на редови и полски култури: преглед. Евро. J. Agron. 70, 112–123. https://doi.org/10.1016/j.
eja.2015.07.004.
Santesteban, LG, Di Gennaro, SF, Herrero-Langreo, A., Miranda, C., Royo, JB, Matese, A., 2017. Топлинно изображение с висока разделителна способност, базирано на UAV, за оценка на
моментна и сезонна променливост на водния статус на растението в лозето. Agric. Управление на водите 183, 49–59. https://doi.org/10.1016/j.agwat.2016.08.026.
Sarli, CC, Dubinsky, EK, Holmes, KL, 2010. Отвъд анализа на цитирането: модел за оценка на въздействието на изследването. J. Med. Библиотека ст.н.с. : 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. Спектроскопия за изображения, свързана с науката за земната система – оценка. Дистанционни сензори Околна среда. 113, S123–S137.
Schirrmann, M., Giebel, A., Gleiniger, F., Pflanz, M., Lentschke, J., Dammer, K.-H., 2016. Мониторинг на агрономически параметри на посеви от зимна пшеница с евтин UAV
изображения. Дистанционно наблюдение 8 (9). https://doi.org/10.3390/rs8090706.
Schmale III, DG, Dingus, BR, Reinholtz, C., 2008. Разработване и прилагане на автономно безпилотно летателно средство за прецизно аеробиологично вземане на проби по-горе
земеделски ниви. Дж. Фийлд Роб. 25 (3), 133–147. https://doi.org/10.1002/rob.20232.
Шадрин, Д., Менщиков, А., Сомов, А., Борнеман, Г., Хауслаге, Й., Федоров, М.,
Разрешаване на прецизно земеделие чрез вградени сензори с изкуствен интелект. 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 г. Безпилотни летателни апарати (UAV): проучване за граждански приложения и ключови изследователски предизвикателства. IEEE Access 7,
48572–48634. https://doi.org/10.1109/ACCESS.2019.2909530.
Shakoor, N., Northrup, D., Murray, S., Mockler, TC, 2019. Селско стопанство, управлявано от големи данни: анализ на големи данни в растениевъдството, геномиката и използването на дистанционно наблюдение
технологии за подобряване на производителността на културите. Феномен на растенията J. 2 (1), 1–8.
Sharma, BK, Chandra, G., Mishra, VP, 2019. Сравнителен анализ и въздействие на UAV и AI в криминалистичните разследвания. В: Сборник – 2019 Amity International
Конференция за изкуствен интелект. https://doi.org/10.1109/AICAI.2019.8701407.
Sharma, R., Shishodia, A., Gunasekaran, A., Min, H., Munim, ZH, 2022. Ролята на изкуствения интелект в управлението на веригата за доставки: картографиране на територията. Вътр. Дж.
произв. Рез. 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 , МВ,
Хенриксън, Дж., Боудън, Е., Валасек, Дж., Олсенхолър, Дж., Бишоп, МП, Шеридан, Р., Путман, Е.Б., Попеску, С., Бъркс, Т., Коуп, Д., Ибрахим, A., McCutchen, BF,
Baltensperger, DD, Avant, RV, Vidrine, M., Yang, C., Zhang, J., 2016. Безпилотни летателни апарати за фенотипиране с висока производителност и агрономически изследвания. ПЛОС ЕДИН
11 (7), e0159781.
Shuai, G., Martinez-Feria, RA, Zhang, J., Li, S., Price, R., Basso, B., 2019. Улавяне на хетерогенността на царевичните насаждения в зоните на стабилност на добива с помощта на безпилотни летателни апарати
Превозни средства (БЛА). Сензори 19 (20), 4446. https://doi.org/10.3390/s19204446.
Small, H., 1973. Съвместно цитиране в научната литература: нова мярка за връзката между два документа. J. Am. Soc. Информация. Sci. 24 (4), 265–269.
Small, H., Rorvig, ME, Lunin, LF, 1999. Визуализиране на науката чрез картографиране на цитати. J. Am. Soc. Информация. Sci. 50 (9), 799–813.
Soares, VHA, Ponti, MA, Gonçalves, RA, Campello, RJGB, 2021 г. Преброяване на говеда в дивата природа с геолокирани въздушни изображения в големи пасища. Изчисл. Електрон. Agric. 189, 106354 https://doi.org/10.1016/j.compag.2021.106354.
Srivastava, K., Pandey, PC, Sharma, JK, 2020. Подход за оптимизиране на маршрута в приложения на прецизно земеделие с използване на UAV. Дронове 4 (3), 58. https://doi.org/ 10.3390/drones4030058.
Stafford, JV, 2000. Внедряване на прецизно земеделие през 21 век. J. Agric. инж. Рез. 76 (3), 267–275.
Su, J., Coombes, M., Liu, C., Guo, L., Chen, W.-H., 2018. Оценка на засушаването на пшеницата чрез изображения от дистанционно наблюдение с помощта на безпилотен летателен апарат. През 2018 г. 37-та китайска контролна конференция (CCC).
Su, J., Liu, C., Coombes, M., Hu, X., Wang, C., Xu, X., Li, Q., Guo, L., Chen, W.-H., 2018. Наблюдение на жълтата ръжда на пшеницата чрез обучение от многоспектрални въздушни изображения от UAV.
Изчисл. Електрон. Agric. 155, 157–166. https://doi.org/10.1016/j. compag.2018.10.017.
Su, Y., Wang, X., 2021. Иновации в селскостопанското икономическо управление в процеса на изграждане на интелигентно земеделие чрез големи данни. Устойчив компютър. Инф. Syst. 31, 100579 https://doi.org/10.1016/j.suscom.2021.100579.
Sullivan, DG, Fulton, JP, Shaw, JN, Bland, GL, 2007. Оценка на чувствителността на безпилотна термична инфрачервена въздушна система за откриване на воден стрес в памучен покрив. прев. ASABE 50 (6), 1955–1962.
Sumesh, KC, Ninsawat, S., Som-ard, J., 2021. Интегриране на RGB-базиран индекс на растителност, модел на повърхността на културите и обектно-базиран подход за анализ на изображения за оценка на добива на захарна тръстика с помощта на безпилотен летателен апарат. Изчисл. Електрон. Agric. 180, 105903 https://doi.org/10.1016/j.compag.2020.105903.
Suomalainen, J., Anders, N., Iqbal, S., Franke, J., Wenting, P., Bartholomeus, H., Becker, R., Kooistra, L., 2013. Лека хиперспектрална система за картографиране за
безпилотни летателни апарати – първите резултати. В: 2013 5th Workshop on Hyperspectral Image and Signal Processing: Evolution in Remote Sensing (WHISPERS), стр. 1–4. https://doi.org/10.1109/WHISPERS.2013.8080721.
Suomalainen, J., Anders, N., Iqbal, S., Roerink, G., Franke, J., Wenting, P., Hünniger, D., Bartholomeus, H., Becker, R., Kooistra, L., 2014. Лек хиперспектрален
система за картографиране и верига за фотограметрична обработка за безпилотни летателни апарати. Дистанционно наблюдение 6 (11), 11013–11030. https://doi.org/10.3390/
rs61111013.
Syeda, IH, Alam, MM, Illahi, U., Su'ud, MM, 2021. Стратегии за предварителен контрол, използващи обработка на изображения, UAV и AI в селското стопанство: преглед. Световен J. Eng. 18 (4),
579–589. https://doi.org/10.1108/WJE-09-2020-0459.
Tahai, A., Rigsby, JT, 1998. Обработка на информация с помощта на цитати за изследване на влиянието на списанието в счетоводството. Инф. Процес. Управлявайте. 34 (2–3), 341–359.
Tang, Y., Dananjayan, S., Hou, C., Guo, Q., Luo, S., He, Y., 2021 г. Проучване на 5G мрежата и нейното въздействие върху селското стопанство: предизвикателства и възможности. Изчисл.
Електрон. Agric. 180, 105895 https://doi.org/10.1016/j.compag.2020.105895.
Танталаки, Н., Суравлас, С., Румелиотис, М., 2019 г. Вземане на решения, базирани на данни в прецизното земеделие: нарастването на големите данни в селскостопанските системи. J. Agric. Информация за храната.
20 (4), 344–380.
Tao, H., Feng, H., Xu, L., Miao, M., Yang, G., Yang, X., Fan, L., 2020. Оценка на добива и височината на растенията на зимна пшеница с помощта на UAV- базирани на хиперспектрални изображения.
Сензори 20 (4), 1231.
Techy, L., Schmale III, DG, Woolsey, CA, 2010. Координирано аеробиологично вземане на проби от растителен патоген в долната атмосфера с помощта на два автономни безпилотни летателни апарата. Дж. Фийлд Роб. 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. Откриване и класифициране на вредители по соята с помощта на дълбоко обучение
с изображения на UAV. Изчисл. Електрон. Agric. 179, 105836.
Thamm, H.-P., Menz, G., Becker, M., Kuria, DN, Misana, S., Kohn, D., 2013 г. Използването на UAS за оценка на селскостопанските системи във влажните зони на AN в Танзания в— И WetSeason за устойчиво земеделие и предоставяне на наземна истина за данни Terra-Sar X. В: ISPRS – Международен архив за фотограметрия, дистанционно наблюдение и пространствена информация, стр. 401–406. https://doi.org/10.5194/isprsarchivesXL-1-W2-401-2013.
Thelwall, M., 2008. Библиометрия към уебометрия. J. Информация. Sci. 34 (4), 605–621.
Torres-Sanchez, ´ J., Lopez-Granados, ´ F., Pena, ˜ JM, 2015. Автоматичен обектно-базиран метод за оптимално определяне на прагове в изображения на UAV: приложение за откриване на растителност в тревисти култури. Изчисл. Електрон. Agric. 114, 43–52. https://doi.org/10.1016/j.compag.2015.03.019.
Torres-Sanchez, ´ J., Lopez-Granados, ´ F., Serrano, N., Arquero, O., Pena, ˜ JM, Hassan, QK, 2015. Високопроизводителен 3-D мониторинг на селскостопански дървесни насаждения с Технология за безпилотни летателни апарати (UAV). PLoS ONE 10 (6), e0130479.
Torres-Sanchez, ´ J., Pena, ˜ JM, de Castro, AI, Lopez-Granados, ´ F., 2014. Мултивременно картографиране на растителната фракция в пшенични полета в ранния сезон с помощта на изображения от UAV. Изчисл. Електрон. Agric. 103, 104–113. https://doi.org/10.1016/j. compag.2014.02.009.
Tsouros, DC, Bibi, S., Sarigiannidis, PG, 2019. Преглед на базирани на UAV приложения за прецизно земеделие. Информация (Швейцария) 10 (11). https://doi.org/10.3390/info10110349.
Tu, Y.-H., Phinn, S., Johansen, K., Robson, A., Wu, D., 2020. Оптимизиране на планирането на полета на дрон за измерване на структурата на градинарските дървесни култури. ISPRS J. Photogramm.
Дистанционни сензори 160, 83–96. https://doi.org/10.1016/j.isprsjprs.2019.12.006
Tzounis, A., Katsoulas, N., Bartzanas, T., Kittas, C., 2017. Интернет на нещата в селското стопанство, скорошни постижения и бъдещи предизвикателства. Biosyst. инж. 164, 31–48.
https://doi.org/10.1016/j.biosystemseng.2017.09.007.
Uddin, A., Singh, VK, Pinto, D., Olmos, I., 2015. Наукометрично картографиране на изследванията в областта на компютърните науки в Мексико. Scientometrics 105 (1), 97–114.
ООН, 2019 г. Перспективи за световното население 2019 г. https://population.un.org/wpp/ (Достъп на 15/04/2022 г.).
Uto, K., Seki, H., Saito, G., Kosugi, Y., 2013. Характеризиране на оризови полета чрез монтирана на UAV миниатюрна хиперспектрална сензорна система. IEEE J. Sel. Горна част. Приложение Earth Obs.
Дистанционни сензори 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 г. Дронове в
селско стопанство. адв. Агрон. 162, 1–30.
Velusamy, P., Rajendran, S., Mahendran, RK, Naseer, S., Shafiq, M., Choi, J.-G., 2022.
Безпилотни летателни апарати (UAV) в прецизното земеделие: приложения и предизвикателства. Енергии 15 (1), 217. https://doi.org/10.3390/en15010217.
Ventura, D., Bonifazi, A., Gravina, MF, Belluscio, A., Ardizzone, G., 2018 г. Картографиране и класификация на екологично чувствителни морски местообитания с помощта на безпилотни летателни апарати
Изображения на превозни средства (UAV) и обектно-базиран анализ на изображения (OBIA). Дистанционно наблюдение 10 (9), 1331. https://doi.org/10.3390/rs10091331.
Verger, A., Vigneau, N., Ch´eron, C., Gilliot, J.-M., Comar, A., Baret, F., 2014. Индекс на зелените площи от безпилотна летателна система над посеви с пшеница и рапица . Дистанционни сензори Околна среда. 152, 654–664. https://doi.org/10.1016/j.rse.2014.06.006.
Von Bueren, SK, Burkart, A., Hueni, A., Rascher, U., Tuohy, MP, Yule, IJ, 2015. Разполагане на четири оптични UAV-базирани сензора над пасища: предизвикателства и
ограничения. Biogeosciences 12 (1), 163–175. https://doi.org/10.5194/bg-12-163-2015.
Vuran, MC, Salam, A., Wong, R., Irmak, S., 2018. Интернет на подземните неща в прецизното земеделие: архитектурни и технологични аспекти. Ad Hoc Netw. 81,
160–173. https://doi.org/10.1016/j.adhoc.2018.07.017.
Wamba, SF, Queiroz, MM, 2021. Отговорният изкуствен интелект като тайна съставка за цифрово здраве: библиометричен анализ, прозрения и насоки за изследване.
Информация. Syst. Отпред. 1–16.
Wang, L., Zhang, G., Wang, Z., Liu, J., Shang, J., Liang, L., 2019. Библиометричен анализ на изследователската тенденция за дистанционно наблюдение в мониторинга на растежа на културите: казус в Китай. Дистанционно наблюдение 11 (7). https://doi.org/10.3390/rs11070809.
White, HD, Griffith, BC, 1981. Авторско съображение: литературна мярка за интелектуална структура. J. Am. Soc. Информация. Sci. 32 (3), 163–171.
Xiang, H., Tian, L., 2011. Разработване на евтина селскостопанска система за дистанционно наблюдение, базирана на автономно безпилотно летателно средство (UAV). Biosyst. инж. 108 (2), 174–190. https://doi.org/10.1016/j.biosystemseng.2010.11.010.
Xie, C., Yang, C., 2020 г. Преглед на фенотипните черти на растенията с висока производителност, използвайки сензори, базирани на UAV. Изчисл. Електрон. Agric. 178, 105731 https://doi.org/10.1016/j.
compag.2020.105731.
Yao, H., Qin, R., Chen, X., 2019 г. Безпилотен летателен апарат за приложения за дистанционно наблюдение – преглед. Дистанционно наблюдение 11 (12). https://doi.org/10.3390/
rs11121443.
Yeom, S., 2021. Проследяване на движещи се хора и отстраняване на фалшиви следи с инфрачервено термично изображение от мултиротор. Дронове 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. Сравнение на оценката на параметрите на културата с помощта на изображения от монтиран на БЛА
хиперспектрален сензор за моментални снимки и цифрова камера с висока разделителна способност. Дистанционно наблюдение 10 (7), 1138. https://doi.org/10.3390/rs10071138.
Yue, J., Yang, G., Li, C., Li, Z., Wang, Y., Feng, H., Xu, B., 2017. Оценка на надземната биомаса на зимната пшеница с помощта на безпилотен летателен апарат- базирана моментна снимка
хиперспектрален сензор и модели с подобрена височина на културите. Дистанционно наблюдение 9 (7). https://doi.org/10.3390/rs9070708.
Zahawi, RA, Dandois, JP, Holl, KD, Nadwodny, D., Reid, JL, Ellis, EC, 2015. Използване на леки безпилотни летателни апарати за наблюдение на възстановяването на тропическите гори. Biol.
Консерв. 186, 287–295. https://doi.org/10.1016/j.biocon.2015.03.031. Самора-Изкиердо, Масачузетс, Санта, Дж., Мартинес, JA, Мартинес, В., Скармета, AF, 2019.
IoT платформа за интелигентно земеделие, базирана на периферни и облачни изчисления. Biosyst. инж. 177,
4 17.
Zarco-Tejada, PJ, Diaz-Varela, R., Angileri, V., Loudjani, P., 2014. Количествено определяне на височината на дърветата с помощта на изображения с много висока разделителна способност, получени от безпилотен летателен апарат
автомобили (UAV) и автоматични методи за 3D фотореконструкция. Евро. J. Agron. 55, 89–99. https://doi.org/10.1016/j.eja.2014.01.004.
Zhang, C., Craine, WA, McGee, RJ, Vandemark, GJ, Davis, JB, Brown, J., Hulbert, SH, Sankaran, S., 2020. Базирано на изображението фенотипизиране на интензитета на цъфтежа при култури през хладния сезон. Сензори 20 (5), 1450. https://doi.org/10.3390/s20051450.
Zhang, C., Kovacs, JM, 2012. Приложението на малки безпилотни летателни системи за прецизно земеделие: преглед. прец. Agric. 13 (6), 693–712. https://doi.org/
10.1007/s11119-012-9274-5.
Zhang, L., Zhang, H., Niu, Y., Han, W., 2019. Картографиране на водния стрес при царевица на базата на мултиспектрално дистанционно наблюдение на UAV. Дистанционно наблюдение 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. Базиран на задълбочено обучение подход за автоматизирана жълта ръжда
откриване на заболяване от хиперспектрални UAV изображения с висока разделителна способност. Дистанционно наблюдение 11 (13), 1554.
Zhao, X., Zhang, J., Huang, Y., Tian, Y., Yuan, L., 2022. Откриване и разграничаване на стрес от болести и насекоми на чаени растения с помощта на хиперспектрално изображение, комбинирано с вълнов анализ. Изчисл. Електрон. Agric. 193, 106717 https://doi.org/10.1016/j. compag.2022.106717.
Zheng, A., Wang, M., Li, C., Tang, J., Luo, B., 2022. Ентропийно насочена конкурентна адаптация на домейна за семантична сегментация на въздушно изображение. IEEE Trans. Ж
Zheng, H., Cheng, T., Yao, X., Deng, X., Tian, Y., Cao, W., Zhu, Y., 2016. Откриване на фенологията на ориза чрез анализ на времеви серии на наземен спектрален индексни данни. Полски култури Res. 198, 131–139. https://doi.org/10.1016/j.fcr.2016.08.027.
Zheng, J., Yang, W., 2018. Проектиране на система за засяване на течове в прецизното земеделие, базирана на безжични сензори. Вътр. J. Online Eng. 14 (05), 184.
Zhou, L., Gu, X., Cheng, S., Yang, G., Shu, M., Sun, Q., 2020. Анализ на промените във височината на растенията при полегнала царевица с помощта на UAV-LiDAR данни. Земеделие 10 (5), 146. https://
doi.org/10.3390/agriculture10050146.
Zhou, S., Chai, X., Yang, Z., Wang, H., Yang, C., Sun, T., 2021. Maize-IAS: Софтуер за анализ на изображения на царевица, използващ дълбоко обучение за високопроизводително фенотипизиране на растения . Растителни методи 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 г. Прогнозиране на добива на зърно в ориз, използващ многовременна растителност
индекси от базирани на UAV мултиспектрални и цифрови изображения. ISPRS J. Photogramm. Дистанционни сензори 130, 246–255. https://doi.org/10.1016/j.isprsjprs.2017.05.003.
Zhou, Y., Xie, Y., Shao, L., 2016. Симулация на основната технология на система за наблюдение на оранжерии, базирана на безжична сензорна мрежа. Вътр. J. Online Eng. 12 (05),
43.
Zhou, Z., Majeed, Y., Diverres Naranjo, G., Gambacorta, EMT, 2021 г. Оценка на водния стрес на културите с инфрачервени топлинни изображения в прецизното земеделие: преглед
и бъдещи перспективи за приложения за дълбоко обучение. Изчисл. Електрон. Agric. 182, 106019 https://doi.org/10.1016/j.compag.2021.106019.