Абдерахман Реджеб a , Аліреза Абдоллахі b , Карім Реджеб c , Горст Трейбльмаєр d,
- a Кафедра менеджменту та права, факультет економіки, Римський університет Tor Vergata, Via Columbia, 2, Rome 00133, Italy
- b Департамент ділового адміністрування, факультет менеджменту, Університет Харазмі, 1599964511 Тегеран, Іран
- c Факультет наук Бізерти, Карфагенський університет, Зарзуна, 7021 Бізерта, Туніс
- d Школа міжнародного менеджменту, Modul University Vienna, Am Kahlenberg 1, 1190 Vienna, Austria
ІНФОРМАЦІЯ ПРО СТАТТЮ | РЕЗЮМЕ |
Ключові слова: Дронів БПЛА Точне землеробство Інтернет речей Бібліометрія | Дрони, які також називають безпілотними літальними апаратами (БПЛА), за останні десятиліття зазнали надзвичайного розвитку. У сільському господарстві вони змінили практику ведення сільського господарства, запропонувавши фермерам істотну економію коштів, операційна ефективність і краща прибутковість. За останні десятиліття тема сільськогосподарських дронів загострилася привернув неабияку академічну увагу. Тому ми проводимо комплексний огляд на основі бібліометрії узагальнити та структурувати наявну академічну літературу та виявити сучасні тенденції досліджень та гарячі точки. ми застосувати бібліометричні методи та проаналізувати літературу про сільськогосподарські дрони, щоб узагальнити та оцінити попередні дослідження. Наш аналіз показує, що дистанційне зондування, точне землеробство, глибоке навчання, машинне навчання та Інтернет речей є критично важливими темами, пов’язаними з сільськогосподарськими дронами. Співцитування аналіз виявляє шість широких кластерів досліджень у літературі. Це дослідження є однією з перших спроб узагальнити дослідження дронів у сільському господарстві та запропонувати майбутні напрямки досліджень. |
Вступ
Сільське господарство є основним джерелом їжі у світі (Friha et al., 2021), і воно стикається з серйозними проблемами через
зростаючий попит на харчові продукти, безпека харчових продуктів і безпека, а також заклики до захисту навколишнього середовища, збереження води та
сталість (Іноуе, 2020). Прогнозується, що цей розвиток триватиме й надалі, оскільки до 9.7 року населення світу досягне 2050 мільярдів
(2019). Оскільки сільське господарство є найвидатнішим прикладом споживання води в усьому світі, очікується, що попит на продукти харчування та воду
споживання різко зросте в осяжному майбутньому. Крім того, зростає споживання добрив і пестицидів
у поєднанні з інтенсифікацією сільськогосподарської діяльності може призвести до екологічних проблем у майбутньому. Так само орні землі обмежені, і
кількість фермерів у всьому світі зменшується. Ці виклики підкреслюють потребу в інноваційних та сталих рішеннях для сільського господарства (Elijah
та ін., 2018; Friha та ін., 2021; Іноуе, 2020; Цуніс та ін., 2017).
Впровадження нових технологій було визначено як багатообіцяюче рішення для вирішення цих проблем. Розумне землеробство (Брюстер та ін.,
2017 рік; Tang et al., 2021) і точне землеробство (Feng et al., 2019; Khanna & Kaur, 2019) з’явилися в результаті таких дебатів. The
перше – це загальне поняття для впровадження інформаційно-комунікаційних технологій (ІКТ) та інших передових інновацій у сільськогосподарській діяльності для підвищення ефективності та результативності (Haque та ін., 2021). Останній зосереджується на управлінні конкретними ділянками, в яких земля розділена на
однорідні частини, і кожна частина отримує точну кількість сільськогосподарських ресурсів для оптимізації врожайності за допомогою нових технологій (Feng et al., 2019; Khanna & Kaur, 2019). До відомих технологій, які привернули увагу вчених у цій галузі, належать бездротові сенсорні мережі (WSN) (J. Zheng & Yang, 2018; Y. Zhou та ін., 2016), Інтернет речей (IoT) (Gill та ін., 2017; Хе та ін., 2021; Лю та ін., 2019),
методи штучного інтелекту (AI), включаючи машинне та глибоке навчання (Liakos та ін., 2018; Parsaeian та ін., 2020; Шадрін та ін.,
2019), обчислювальних технологій (Hsu та ін., 2020; Jinbo та ін., 2019; Zamora-Izquierdo та ін., 2019), великих даних (Gill та ін., 2017; Tantalaki
та ін., 2019) та блокчейн (PW Khan та ін., 2020; Pincheira та ін., 2021).
На додаток до вищезазначених технологій, дистанційне зондування вважається технологічним інструментом з високим потенціалом для вдосконалення
розумне та точне землеробство. Супутники, літальні апарати з екіпажем людини та дрони є популярними технологіями дистанційного зондування (Tsouros та ін., 2019).
Дрони, широко відомі як безпілотні літальні апарати (БПЛА), безпілотні літальні апарати (БЛА) і дистанційно керовані літальні апарати,
Велике значення, оскільки вони мають численні переваги в порівнянні з іншими технологіями дистанційного зондування. Наприклад, дрони можуть доставляти
зображення високої якості та роздільної здатності в похмурі дні (Manfreda et al., 2018). Крім того, їх доступність і швидкість передачі є іншими
переваги (Radoglou-Grammatikis et al., 2020). Порівняно з літаками, дрони є високорентабельними та простими в налаштуванні та обслуговуванні (Tsouros та ін., 2019). Незважаючи на те, що спочатку використовувалися в основному у військових цілях, дрони можуть використовуватися в численних цивільних цілях, наприклад, в управлінні ланцюгом поставок (A. Rejeb, Rejeb, et al., 2021a), для гуманітарних цілей (A. Rejeb, Rejeb, et al., 2021c), розумне сільське господарство, геодезія та картографування, документування культурної спадщини, боротьба зі стихійними лихами та збереження лісів і дикої природи (Panday, Pratihast та ін., 2020). У сільському господарстві існують різноманітні сфери застосування дронів, оскільки вони можуть бути інтегровані з новими технологіями, обчислювальними можливостями та вбудованими датчиками для підтримки управління культурами (наприклад, картографування, моніторинг, зрошення, діагностика рослин) (H. Huang та ін., 2021) , зменшення ризиків стихійних лих, системи раннього попередження, збереження дикої природи та лісового господарства – це лише деякі з них (Negash et al., 2019). Подібним чином дрони можна використовувати в кількох видах сільськогосподарської діяльності, включаючи моніторинг посівів і зростання, оцінку врожайності, оцінку нестачі води та виявлення бур’янів, шкідників і хвороб (Inoue, 2020; Panday, Pratihast та ін., 2020). Безпілотники можна використовувати не тільки для цілей моніторингу, оцінки та виявлення на основі їхніх сенсорних даних, але й для точного зрошення та боротьби з бур’янами, шкідниками та хворобами. Іншими словами, дрони здатні розпилювати воду та пестициди в точних кількостях на основі екологічних даних. Переваги дронів у сільському господарстві підсумовано в таблиці 1.
Основні переваги дронів у сільському господарстві.
Користь | Посилання |
Поліпшення часового та просторового роздільна здатність зондування | (Gago et al., 2015; Niu et al., 2020; Srivastava et al., 2020) |
Сприяти точному землеробству | (L. Deng та ін., 2018; Каліщук та ін., 2019; Maimaitijiang та ін., 2017) |
Класифікація та розвідка культур | (Іноуе, 2020; Каліщук та ін., 2019; Лопес-´ Гранадос та ін., 2016; Maimaitijiang та ін., 2017; Мелвілл та ін., 2019; Мохарана і Дутта, 2016) |
Використання добрива | (L. Deng et al., 2018; Guan et al., 2019) |
Моніторинг посухи | (Фосетт та ін., 2020; Пандей, Пратіхаст та ін., 2020 рік; Су та ін., 2018) |
Оцінка біомаси | (Бендіг та ін., 2014) |
Оцінка врожайності | (Іноуе, 2020; Пандей, Шреста та ін., 2020; Тао et al., 2020) |
Зменшення катастроф | (Негаш та ін., 2019) |
Охорона тваринного світу і лісівництво | (Негаш та ін., 2019; Пандей, Пратіхаст та ін., 2020) |
Оцінка водного стресу | (Іноуе, 2020; Дж. Су, Кумбс та ін., 2018; Л. Чжан та ін., 2019) |
Шкідники, бур'яни та хвороби виявлення | (Gaˇsparovi´c та ін., 2020; Inoue, 2020; J. Su, Liu, та ін., 2018; X. Zhang та ін., 2019) |
З іншого боку, дрони також стикаються з обмеженнями. Участь пілота, потужність двигуна, стабільність і надійність, якість датчиків за корисним навантаженням
обмеження ваги, витрати на впровадження та регулювання авіації є серед них (C. Zhang & Kovacs, 2012). Порівнюємо недоліки
з трьох мобільних технологій дистанційного зондування в таблиці 2. Інші технології дистанційного зондування, такі як датчики ґрунту, виходять за межі цього дослідження.
Недоліки різних мобільних технологій ДЗЗ.
Дистанційне зондування технології | Недоліки | посилання |
Дрон (БПЛА) | Залучення пілота; зображення" якість (середня); витрати на впровадження (середні); стійкість, маневреність і надійність; стандартизація; потужність двигуна; обмежена потужність джерела (довговічність батареї); обмежена тривалість польоту, зіткнення та кібератаки; обмежений маса корисного навантаження; великі набори даних та обмежена обробка даних можливості; відсутність регулювання; відсутність досвіду, високий вступ бар'єри для доступу до сільськогосподарські дрони; | (Бакко та ін., 2018; Давалібі та ін., 2020; Хардін і Хардін, 2010; Хардін і Дженсен, 2011; Лагкас та ін., 2018 рік; Лаліберте та ін., 2007; Laliberte & Rango, 2011; Манфреда та ін., 2018, 2018; Небікер та ін., 2008; Пурі та ін., 2017; Velusamy та ін., 2022; C. Zhang & Kovacs, 2012) |
супутникове | Періодичне супутникове покриття, обмежена спектральна роздільна здатність; вразливість до проблем видимості (наприклад, хмари); Недоступність і низька швидкість передачі; орієнтація та віньєтування впливає на дорогі просторові дані колекція; повільна доставка даних часу для кінцевих користувачів | (Абуталебі та ін., 2019; Cen та ін., 2019; Чен та ін., 2019 рік; Нансен і Елліотт, 2016 рік; Пандей, Пратіхаст, та ін., 2020; Сай Вініт et al., 2019) |
Літак | Високі витрати на усиновлення; складне налаштування; витрати на технічне обслуговування; відсутність надійних літаки, геометрія в зображення; нерегулярні дані придбання; відсутність гнучкості; смертельні аварії; дані датчика зміни через вібрації; питання геоприв'язки | (Армстронг та ін., 2011; Аткінсон та ін., 2018; Barbedo & Koenigkan, 2018; Ковальов і Ворошилова, 2020 рік; Суомалайнен та ін., 2013 рік; Тамм та ін., 2013) |
Як мультидисциплінарну та багатоцільову технологію в сільському господарстві, дрони досліджувалися з різних точок зору. Наприклад, вчені досліджували застосування дронів у сільському господарстві (Kulbacki та ін., 2018; Mogili & Deepak, 2018), їхній внесок у точне землеробство (Puri та ін., 2017; Tsouros та ін., 2019), їх взаємодоповнюваність з іншими передові технології (Al-Thani et al., 2020; Dutta & Mitra, 2021; Nayyar et al., 2020; Saha et al., 2018), а також можливості вдосконалення своїх навігаційних і сенсорних можливостей (Bareth et al. , 2015; Suomalainen та ін., 2014). Оскільки дослідження застосування дронів у сільському господарстві стали переважаючими (Khan et al., 2021)), існує потреба узагальнити наявну літературу та розкрити інтелектуальну структуру галузі. Крім того, як галузь високих технологій із безперервним удосконаленням, необхідно проводити структуровані огляди, щоб періодично узагальнювати існуючу літературу та виявляти важливі прогалини в дослідженнях. до
На даний момент є кілька оглядів, які обговорюють застосування дронів у сільськогосподарському секторі. Наприклад, Mogili та Deepak (2018) коротко оглядають наслідки використання дронів для моніторингу посівів і обприскування пестицидами. Inoue (2020) проводить огляд використання супутників і дронів у дистанційному зондуванні в сільському господарстві. Автор досліджує технологічні проблеми впровадження інтелектуального землеробства та внесок супутників і безпілотних літальних апаратів на основі тематичних досліджень і передового досвіду. Цурос та ін. (2019) узагальнюють різні типи безпілотників та їх основні застосування в сільському господарстві, висвітлюючи різні методи збору та обробки даних. Зовсім недавно Aslan et al. (2022) провели комплексний огляд застосування БПЛА в сільськогосподарській діяльності та підкреслили актуальність одночасної локалізації та картографування БПЛА в теплиці. Діас-Гонсалес та ін. (2022) розглянули останні дослідження виробництва врожаю на основі різних методів машинного навчання та дистанційного
сенсорні системи. Їхні висновки показали, що БПЛА корисні для оцінки показників ґрунту та перевершують супутникові системи з точки зору просторової роздільної здатності, часовості інформації та гнучкості. Басірі та ін. (2022) зробили вичерпний огляд різних підходів і методів подолання проблем планування шляху для багатороторних БПЛА в контексті точного землеробства. Крім того, Awais та ін. (2022) узагальнили застосування даних дистанційного зондування БПЛА на сільськогосподарських культурах для оцінки стану води та надали поглиблений синтез перспективних можливостей дистанційного зондування БПЛА для застосування стресу марнотратства. Нарешті, Aquilani та ін. (2022) розглянули технології попереднього землеробства, які застосовуються в системах тваринництва на пасовищах, і дійшли висновку, що дистанційне зондування за допомогою БПЛА є перевагою для оцінки біомаси та управління стадом.
Крім того, нещодавно повідомлялося про спроби використання БПЛА для моніторингу, відстеження та збору худоби.
Незважаючи на те, що ці огляди дають нове та важливе уявлення, у літературі не можна знайти вичерпного та актуального огляду на основі бібліометрії, що демонструє явну прогалину в знаннях. Крім того, було зазначено, що коли наукова продукція зростає в науковій сфері, для дослідників стає життєво важливим використовувати підходи кількісного огляду для розуміння структури знань у цій галузі (Rivera & Pizam, 2015). Подібним чином Ferreira et al. (2014) стверджував, що в міру того, як дослідницькі галузі розвиваються і стають складними, науковці повинні прагнути час від часу осмислювати отримані та накопичені знання, щоб виявити нові внески, охопити дослідницькі традиції та тенденції, визначити, які теми вивчаються, і заглибитися в структуру знань поле та потенційні напрямки досліджень. У той час як Рапареллі та Байокко (2019) провели бібліометричний аналіз, щоб вивчити сферу знань про застосування дронів у сільському та лісовому господарстві, у своєму дослідженні розглядаються лише наукові дослідження, опубліковані між 1995 і 2017 роками, які не відображають динаміку цієї швидкозмінної галузі. Крім того, автори не намагалися визначити найвпливовіші внески в цій галузі, згрупувати літературу та оцінити інтелектуальну структуру за допомогою аналізу спільного цитування. Як наслідок, необхідно узагальнити літературу, щоб виявити сучасні вогнища досліджень, тенденції та гарячі точки.
Щоб заповнити цю прогалину в знаннях, ми використовуємо кількісну методологію та суворі бібліометричні методи для вивчення поточного стану досліджень на стику дронів і сільського господарства. Ми стверджуємо, що поточне дослідження вносить певний внесок у наявну літературу, досліджуючи нову технологію, яка вкрай потрібна в сільському господарстві, оскільки вона забезпечує величезний потенціал для зміни кількох аспектів у цьому секторі. Потреба в бібліометричному аналізі сільськогосподарських дронів відчувається ще більше, враховуючи розрізнені та фрагментовані знання про дрони в контексті сільського господарства. Подібним чином необхідно систематично групувати літературу, що стосується сільськогосподарських дронів, беручи до уваги найвпливовіші дослідження, які створюють фундамент цієї галузі досліджень. Заслугою в аналізі також є з’ясування основних тем дослідження, представлених у літературі. Враховуючи трансформаційний потенціал технології, ми вважаємо, що поглиблений аналіз мережі дає нові ідеї, визначаючи впливові роботи та розкриваючи теми, що стосуються потенціалу дронів для сільського господарства.
Тому ми прагнемо досягти наступних цілей дослідження:
- Визначення впливових видань, які зробили видатний внесок у застосування дронів у сільському господарстві.
- Кластеризація літератури, ідентифікація дослідницьких фокусів та відображення основних досліджень «інтелектуальної структури» на основі семантичної подібності за допомогою аналізу спільного цитування.
- Розуміння еволюції зв’язків і мереж цитування з плином часу між різними публікаціями в цій галузі та визначення майбутніх напрямків досліджень і актуальних тем.
Решта статті структурована таким чином: розділ 2 описує методологію та етапи збору даних; розділ 3 надає результати аналізів; у розділі 4 обговорюються результати та завершуються внески досліджень, наслідки та майбутні напрямки.
Методологія
У цьому поточному дослідженні ми проводимо бібліометричний аналіз, щоб вивчити застосування дронів у сільському господарстві. Цей кількісний підхід розкриває інтелектуальну структуру сфери знань (Arora & Chakraborty, 2021) і поточний стан, актуальні теми та майбутні напрямки досліджень, які можна дослідити за допомогою цього методу (Kapoor et al., 2018; Mishra et al. , 2017; А. Реджеб, Реджеб та ін., 2021b; А. Реджеб та ін., 2021d; М. А. Реджеб та ін., 2020). Загалом, бібліометричний аналіз вивчає існуючу літературу, щоб узагальнити та виявити приховані закономірності письмового спілкування та еволюцію дисципліни на основі статистики та математичних методів, і він застосовується до великих наборів даних (Pritchard, 1969; Small, 1999; Tahai & Rigsby). , 1998). Використовуючи бібліометрію, ми прагнемо краще зрозуміти існуючі парадигми та дослідницькі центри, які сприяють створенню домену на основі подібності (Thelwall, 2008). Бібліометрія надає нове розуміння, підкріплене об’єктивною кількісною силою методології (Casillas & Acedo, 2007). Численні вчені раніше проводили бібліометричні дослідження у суміжних сферах, включаючи сільське господарство, дистанційне зондування та цифрову трансформацію (Armenta-Medina та ін., 2020; Bouzembrak та ін., 2019; A. Rejeb, Treiblmaier та ін., 2021; Wamba & Queiroz, 2021; Wang та ін., 2019).
Аналіз цитування
Аналіз цитування відкриває різні погляди на певну галузь дослідження. Перш за все, це допомагає виявити найвпливовіших авторів і публікації, які роблять внесок у певну галузь досліджень і справляють значний вплив (Gundolf & Filser, 2013). По-друге, можна виявити потік знань і комунікаційні зв’язки між авторами. Нарешті, відстежуючи зв’язки між цитованими та цитованими роботами, можна досліджувати зміни та еволюцію сфери знань з часом (Пурнадер
та ін., 2020). Висока кількість цитувань публікації відображає її актуальність і значний внесок у сферу досліджень (Baldi, 1998; Gundolf & Filser, 2013; Marinko, 1998). Аналіз цитування публікацій також допомагає ідентифікувати релевантні роботи та відстежувати їхню популярність і прогрес у часі.
Аналіз спільного цитування документів
Аналіз спільного цитування є цінним методом для дослідження зв’язків між публікаціями та зображення інтелектуальної структури галузі (Nerur та ін., 2008). Іншими словами, визначаючи найбільш цитовані публікації та їхні зв’язки, метод групує публікації в окремі дослідницькі кластери, де публікації в кластері регулярно діляться подібними ідеями (McCain, 1990; Small, 1973). Важливо зазначити, що подібність не означає, що висновки публікацій є
згуртовані і узгоджені між собою; публікації належать до одного кластеру через тематичну схожість, але можуть мати протилежні точки зору.
Збір та аналіз даних
Дотримуючись методології, запропонованої Уайтом і Гріффітом (1981), ми здійснили комплексний пошук журнальних статей, щоб охопити всю сферу досліджень застосування дронів у сільському господарстві, дотримуючись наступних п’яти кроків:
- Першим кроком був збір даних. Scopus було обрано як одну з найбільш повних і надійних баз даних зі стандартизованими результатами. Було отримано метадані публікацій, пов’язаних із усіма застосуваннями дронів у сільському господарстві. Потім ми проаналізували вибрані статті, вилучивши з аналізу статті, які не стосуються теми.
- Ми проаналізували літературу та визначили найважливіші ключові слова, використані в досліджуваній галузі.
- Використовуючи аналіз цитування, ми досліджували зв’язок між авторами та документами, щоб виявити базові шаблони цитування. Ми також визначили найвпливовіших авторів і публікації, які зробили значний внесок у сферу сільськогосподарських дронів.
- Ми провели аналіз спільного цитування, щоб згрупувати подібні публікації в кластери.
- Нарешті, ми проаналізували зв’язки між країнами, установами та журналами, щоб зобразити мережу співпраці.
Визначення відповідних термінів пошуку
Ми застосували такі рядки пошуку для агрегації даних: (дрон* АБО «безпілотний літальний апарат» АБО БПЛА* АБО «безпілотна авіаційна система” АБО uas АБО «дистанційно пілотований літальний апарат”) І (сільськогосподарський АБО сільське господарство АБО фермерство АБО фермер). Пошук проводився у вересні 2021 року. Безпілотники мають кілька найменувань, зокрема БПЛА, БПЛА та дистанційно пілотовані літальні апарати (Sah et al., 2021). Конкретні терміни пошуку, пов’язані з сільським господарством, були визначені на основі дослідження Abdollahi et al. (2021). Заради ясності та прозорості точний запит, який ми використовували, наведено в Додатку 1. Після процесу очищення даних ми створили текстовий файл, який згодом було завантажено в BibExcel, загальний інструмент для аналізу цитування та спільного цитування. Цей інструмент також пропонує просту взаємодію з іншим програмним забезпеченням і пропонує значний ступінь свободи в обробці та аналізі даних. VOSviewer версії 1.6.16 використовувався для візуалізації результатів і створення бібліометричних мереж (Eck & Waltman, 2009). VOSviewer пропонує низку інтуїтивно зрозумілих візуалізацій, зокрема для аналізу бібліометричних карт (Geng та ін., 2020). Крім того, це допомагає надавати прості візуальні результати, які допомагають краще зрозуміти результати (Abdollahi та ін., 2021). Застосовуючи рядки пошуку, як зазначено вище, ми зібрали та зберегли всі відповідні публікації. Перші результати пошуку дали 5,085 документів. Щоб забезпечити якість відібраної вибірки, у дослідженні розглядалися лише рецензовані журнальні статті, що призвело до виключення інших типів документів, таких як книги, розділи, матеріали конференцій та редакційні примітки. Під час перевірки були відфільтровані нерелевантні (тобто ті, що виходять за межі цієї роботи), зайві (тобто дублікати, що походять від подвійного індексування) і неангломовні публікації. У результаті цього процесу до остаточного аналізу було включено 4,700 документів.
Висновки та обговорення
Для початку ми проаналізували розвиток публікацій у поточній літературі про сільськогосподарські дрони. Розподіл наукових досліджень у часі показано на рис. 1. Ми бачимо швидке зростання публікацій з 2011 року (30 публікацій); тому ми вирішили розділити період аналізу на два різні етапи. Ми називаємо період між 1990 і 2010 роками етапом нарощування, на якому щорічно публікувалося приблизно сім статей. Період після 2010 року називають етапом зростання, оскільки дослідження застосування дронів у сільському господарстві засвідчили експоненціальний сплеск у цей період. Після 2010 року збільшення кількості публікацій підтверджує зростаючий інтерес серед дослідників, який також відображає те, що дрони застосовуються для дистанційного зондування та використовуються в точному землеробстві (Deng et al., 2018; Maes & Steppe, 2019; Messina & Modica, 2020). ). Зокрема, кількість публікацій зросла зі 108 у 2013 році до 498 у 2018 році та досягла піку в 1,275 у 2020 році. Загалом із січня до середини вересня 935 року було опубліковано 2021 статей. Згодом ми вирішили зосередити свій аналіз на етапі зростання. оскільки цей період відображає найновіші та важливі тонкощі сільськогосподарських дронів.
аналіз ключових слів
Ключові слова, які автори обирають для публікації, мають вирішальний вплив на те, як стаття представлена та як вона комунікується в наукових спільнотах. Вони ідентифікують ключові об’єкти дослідження та визначають його потенціал для процвітання чи провалу (Day & Gastel, 1998; Kim та ін., 2016; Uddin та ін., 2015). Аналіз ключових слів, інструмент для виявлення ширших тенденцій і напрямків досліджень, стосується компіляції ключових слів усіх пов’язаних публікацій у домені (Dixit & Jakhar, 2021). У поточному дослідженні ми розділили зведені ключові слова на два набори (тобто до 2010 року та 2011–2021 років), щоб вивчити найпопулярніші теми. Роблячи це, ми можемо відстежити ключові слова в обох наборах і переконатися, що ми зібрали всі необхідні дані. Для кожного набору десять найпопулярніших ключових слів представлені в таблиці 3. Ми усунули невідповідності, об’єднавши семантично ідентичні ключові слова, такі як «дрон» і «дрони» або, аналогічно, «Інтернет речей» і «Інтернет речей».
Таблиця 3 показує, що «безпілотний літальний апарат» є більш часто використовуваним ключовим словом порівняно з «дроном» і «безпілотною літальною системою» в обидва періоди часу. Крім того, «дистанційне зондування», «точне сільське господарство» та «сільське господарство» займають високі позиції в обох періодах. У першому періоді «точне землеробство» займало п’яте місце, а в другому – друге, що ілюструє, як дрони стають все більш важливими для досягнення точного землеробства, оскільки вони можуть здійснювати моніторинг,
методи виявлення та оцінки швидші, дешевші та легші у виконанні порівняно з іншими системами дистанційного зондування та наземними системами. Крім того, вони можуть розпорошувати точну кількість введеної речовини (наприклад, води або пестицидів), коли це необхідно (Guo et al., 2020; Inoue, 2020; Panday, Pratihast, et al., 2020).
Список найбільш часто використовуваних ключових слів.
Ранг | 1990-2010 | № події | 2011-2021 | № події |
1 | безпілотний літальний апарат автомобіль | 28 | безпілотний літальний апарат | 1628 |
2 | дистанційне зондування | 7 | точність сільське господарство | 489 |
3 | сільське господарство | 4 | дистанційне зондування | 399 |
4 | бортовий | 4 | трутень | 374 |
5 | точність сільське господарство | 4 | безпілотний повітряна система | 271 |
6 | безпілотний літальний апарат | 4 | сільське господарство | 177 |
7 | гіперспектральний датчик | 3 | глибоке навчання | 151 |
8 | штучний нейрон мереж | 2 | машина вивчення | 149 |
9 | автономний політ | 2 | рослинність індекс | 142 |
10 | кави | 2 | Інтернет Речі | 124 |
Ще одна цікава особливість — наявність взаємодоповнюючих технологій. На першому етапі «Гіперспектральний сенсор» і «штучні нейронні мережі» (ШНМ) увійшли до першої десятки ключових слів. Гіперспектральне зображення революціонізувало традиційне зображення, зібравши величезну кількість зображень на різних довжинах хвиль. Роблячи це, датчики можуть одночасно збирати кращу просторову та спектральну інформацію порівняно з мультиспектральним зображенням, спектроскопією та зображеннями RGB (Adao ˜ et al.,
2017). Поява «ANN» на першому етапі та «глибокого навчання» (DL) і «машинного навчання» (ML) на другому означає, що більшість опублікованих робіт зосереджено на вивченні потенціалу методів штучного інтелекту для дронів. засноване сільське господарство. Хоча дрони здатні літати автономно, вони все одно вимагають участі пілота, що передбачає низький рівень інтелекту пристрою. Однак цю проблему можна вирішити завдяки вдосконаленню технологій штучного інтелекту, які можуть забезпечити кращу обізнаність про ситуацію та підтримку автономного прийняття рішень. Оснащені штучним інтелектом дрони можуть уникати зіткнень під час навігації, покращувати керування ґрунтом і посівами (Inoue, 2020), а також зменшувати працю та стрес для людей (BK Sharma та ін., 2019).
Завдяки своїй гнучкості та здатності обробляти величезні обсяги нелінійних даних методи штучного інтелекту є придатними методами для аналізу даних, що передаються дронами та іншими системами дистанційного зондування та наземними системами для прогнозування та прийняття рішень (Ali et al., 2015; Іноуе, 2020). Крім того, наявність «Інтернету речей» у другому періоді вказує на його зростаючу роль у сільському господарстві. IoT революціонізує сільське господарство, поєднуючи інші технології, зокрема дрони, ML, DL, WSN та великі дані. Однією з ключових переваг впровадження IoT є його здатність ефективно та результативно об’єднувати різні завдання (збір даних, аналіз і обробка даних, прийняття рішень і впровадження) майже в режимі реального часу (Elijah et al., 2018; Feng et al. , 2019; Muangprathub та ін., 2019). Крім того, дрони вважаються ефективними інструментами для збору даних, необхідних для розрахунку інтенсивності та властивостей рослинності (Candiago та ін., 2015). Рис. 2a і 2b ілюструють мережі спільного входження ключових слів для обох періодів часу.
Впливові автори
У цьому розділі ми визначаємо впливових авторів і досліджуємо, як мережі цитування авторів можуть візуалізувати та впорядкувати поточну літературу. На рис. 3 показано хронологічне накладення всіх дослідників із найбільшою кількістю цитувань. Кольорова шкала відображає річну зміну цитувань авторів. Ми перевіряємо структуру цитувань дослідників, які опублікували дослідження про сільськогосподарські дрони, використовуючи порогове значення щонайменше 50 цитувань і десять публікацій. З
12,891 115 авторів, лише 4 відповідали цій умові. У таблиці 1,963 наведено десять найвпливовіших авторів, відсортованих за максимальною кількістю цитувань. Лопес-Гранадос Ф. очолює список із 1,909 цитуваннями, за нею йде Зарко-Техада П. Дж. із XNUMX цитатами.
Список найбільш цитованих авторів.
Ранжування | автор | Цитати |
1 | Лопес-Гранадос Ф. | 1,963 |
2 | Зарко-Техада П.Ж | 1,909 |
3 | Pena ˜ JM | 1,644 |
4 | Torres-S´ Анчес Дж. | 1,576 |
5 | Феререс Е | 1,339 |
6 | Ремондіно Ф | 1,235 |
7 | Болтен А | 1,160 |
8 | Барет Г | 1,155 |
9 | Берні Я | 1,132 |
10 | де Кастро А.І | 1,036 |
Що стосується окремих публікацій, то стаття Чжана та Ковача (2012) була найбільш цитованим дослідженням, опублікованим у Precision Agriculture. Тут автори розглянули застосування UAS у точному землеробстві. Результати їхнього дослідження свідчать про те, що існує потреба у вдосконаленні дизайну платформи, виробництва, стандартизації геоприв’язки зображень і робочого процесу пошуку інформації, щоб забезпечити фермерів надійними кінцевими продуктами. Крім того, вони рекомендують активніше залучати фермера, особливо до планування поля, отримання зображень, а також інтерпретації та аналізу даних. Важливо те, що це дослідження було одним з перших, яке показало важливість БПЛА для картографування полів, картографування енергії, вимірювання вмісту хімічних речовин, моніторингу вегетаційного стресу та оцінки впливу добрив на ріст рослин. Проблеми, пов’язані з цією технологією, також включають непомірні витрати, можливості датчиків, стабільність і надійність платформи, відсутність стандартизації та узгоджену процедуру аналізу величезних обсягів даних.
Аналіз цитування
Аналіз цитування являє собою дослідження впливу статей, хоча й схильні до потоків (наприклад, упередженість цитування, самоцитування), вважається одним із стандартних інструментів для оцінки впливу (Osareh, 1996; A. Rejeb et al., 2022; Сарлі та ін., 2010). Цитування також відображають важливість і життєвість внеску статей у літературу з конкретної теми (R. Sharma та ін., 2022). Ми провели аналіз цитувань, щоб визначити найвпливовіші дослідження сільськогосподарських дронів, і узагальнили їх зміст. У таблиці 5 подано список п’ятнадцяти найвпливовіших робіт за періоди 1990–2010 та 2011–2021 років. Статті Берні та ін. (2009)b і Austin (2010) були найбільш цитованими протягом 1990 і 2010 років, з 831 і 498 цитатами відповідно. Берні та ін. (2009)b проілюстрував потенціал розробки кількісних продуктів дистанційного зондування за допомогою гелікоптерного БПЛА, оснащеного доступними тепловими та вузькосмуговими датчиками мультиспектрального зображення. У порівнянні з традиційними пілотованими бортовими датчиками, недорога система БПЛА для сільського господарства здатна досягати порівнянних оцінок біофізичних параметрів сільськогосподарських культур, якщо не кращих. Доступна ціна та експлуатаційна гнучкість, а також висока спектральна, просторова та часова роздільна здатність, доступна за короткий час, роблять БПЛА придатними для низки застосувань, які потребують критичного часу керування, включаючи планування зрошення та точне землеробство. Стаття Берні та ін. (2009)b високо цитується, оскільки він ефективно інтегрував безпілотну гвинтокрилу платформу та цифрові та теплові датчики з необхідними механізмами калібрування для сільськогосподарських застосувань. Другою найбільш цитованою публікацією є книга, написана Остіном (2010), який обговорював БПЛА з точки зору проектування, розробки та розгортання. У сільському господарстві БПЛА підтримують моніторинг посівів, виявляючи хвороби на ранній стадії через зміну кольору посівів, спрощуючи посів і обприскування культур, а також моніторинг і перегон стад.
Дослідження Sullivan et al. (2007), Lumme та ін. (2008) та Gokto ¨ ǧan та ін. (2010) завершують список п'ятнадцяти найбільш цитованих статей. Ці статті ілюструють розробку систем на основі БПЛА для підтримки сільського господарства. Вони пропонують вирішення різноманітних проблем, таких як моніторинг і сканування посівів, контроль за бур’янами та боротьба з ними, а також підтримка прийняття рішень. Вони також пропонують та обговорюють здатність БПЛА підвищувати ефективність відбору проб і допомагати фермерам у розробці точних і ефективних
стратегії посадки. Автором двох статей є Берні (Berni et al., 2009b; Berni et al., 2009a), в яких підкреслюється його значний вплив на дослідження, пов’язані з використанням дронів у сільському господарстві. Стаття Zarco-Tejada та ін. (2014) був одним із піонерських досліджень, які продемонстрували необхідність використання недорогих зображень БПЛА для кількісного визначення висоти дерев.
Список найбільш цитованих видань.
Ранг | Від 1990 до 2010 | Від 2011 до 2021 | ||
Документ | Цитата | Документ | Цитата | |
1 | (Берні та ін., 2009b) | 831 | (C. Zhang & Kovacs, 2012) | 967 |
2 | (Остін, 2010) | 498 | (Nex & Remondino, 2014) | 893 |
3 | (Хант та ін., 2010) | 331 | (Floreano & Wood, 2015) | 552 |
4 | (SR Herwitz та ін., 2004) | 285 | (Хоссейн Мотлаг та ін., 2016) | 391 |
5 | (CCD Lelong та ін., 2008) | 272 | (Shakhatreh та ін., 2019) | 383 |
6 | (Берні та ін., 2009b) | 250 | (Ма та ін., 2017) | 373 |
7 | (Grenzdorffer ¨ та ін., 2008) | 198 | (Бендіг та ін., 2014) | 360 |
8 | (Грабар та ін., 2005) | 175 | (Зарко-Техада та ін., 2014) | 347 |
9 | (Y. Huang та ін., 2009) | 129 | (Ad˜ ao та ін., 2017) | 335 |
10 | (Шмале III та ін., 2008) | 119 | (Honkavaara та ін., 2013a) | 331 |
11 | (Абд-Ельрахман та ін., 2005) | 79 | (Candiago та ін., 2015) | 327 |
12 | (Течі та ін., 2010) | 69 | (Xiang & Tian, 2011) | 307 |
13 | (Салліван та ін., 2007) | 51 | (Матезе та ін., 2015) | 303 |
14 | (Lumme та ін., 2008) | 42 | (Гаго та ін., 2015) | 275 |
15 | (Gokto ¨ ǧan та ін., 2010) | 40 | (Aasen та ін., 2015a) | 269 |
У другому періоді (2011–2021) дослідження Чжана та Ковача (2012) та Некса та Ремондіно (2014) призвели до публікацій, які найчастіше цитуються. Чжан і Ковач (2012) стверджують, що точне сільське господарство могло б отримати вигоду від впровадження геопросторових методів і датчиків, таких як географічні інформаційні системи, GPS і дистанційне зондування, щоб фіксувати зміни в полі та впоратися з ними, використовуючи альтернативні стратегії. Запровадження безпілотних літальних апаратів, що змінило правила точного землеробства, ознаменувало нову еру дистанційного зондування, спрощуючи спостереження з повітря, збираючи дані про ріст культур, стан ґрунту та площі обприскування. Огляд Чжана та Ковача (2012) є основоположним, оскільки він пропонує розуміння БПЛА, розкриваючи існуюче використання та проблеми цих пристроїв у моніторингу навколишнього середовища та точному землеробстві, такі як обмеження платформи та камери, проблеми обробки даних, залучення фермерів та авіаційні правила . Другий
Найбільш цитоване дослідження Nex і Remondino (2014) розглядає сучасний стан БПЛА для захоплення, обробки та аналізу зображень Землі.
Їхня робота також представила огляд кількох платформ БПЛА, додатків і варіантів використання, демонструючи новітні досягнення в обробці зображень БПЛА. У сільському господарстві фермери можуть використовувати БПЛА для прийняття ефективних рішень для досягнення економії коштів і часу, отримання швидкої та точної інформації про збитки та передбачення можливих проблем. На відміну від звичайних літальних платформ, БПЛА можуть скоротити експлуатаційні витрати та зменшити небезпеку доступу в суворих місцях, зберігаючи високий потенціал точності. У їхній статті підсумовуються різноманітні переваги БПЛА, зокрема щодо точності та роздільної здатності.
Серед решти тринадцяти найбільш цитованих публікацій між 2011 і 2021 роками ми помітили більшу концентрацію на дослідженнях, пов’язаних із застосуванням безпілотників у місіях візуалізації (Bendig та ін., 2014; Ма та ін., 2017; Zarco-Tejada та ін., 2014). , точне землеробство (Candiago та ін., 2015; Honkavaara та ін., 2013a), точне виноградарство (Matese та ін., 2015), оцінка нестачі води (Gago та ін., 2015) та моніторинг рослинності (Aasen та ін. , 2015a). У перші роки дослідники зосереджувалися
більше про розробку недорогих, легких і точних систем на основі БПЛА для сільського господарства; останні дослідження більше зосереджені на оглядах застосування БПЛА для сільського господарства та зйомки полів. Підсумовуючи, цей аналіз показує, що впливові публікації здебільшого надали огляди попередніх досліджень для оцінки поточного науково-технічного статусу БПЛА та розроблених систем БПЛА для підтримки точного землеробства. Цікаво, що ми не знайшли емпіричних досліджень
методології або описові тематичні дослідження, що створює значний пробіл у знаннях і вимагає додаткових досліджень на цю тему.
Аналіз спільного цитування
Згідно з Гмуром (2006), аналіз спільного цитування ідентифікує подібні публікації та групує їх. Уважне вивчення кластера може виявити спільне поле досліджень серед публікацій. Ми досліджуємо спільне цитування літератури, що стосується сільськогосподарських безпілотних літальних апаратів, щоб проілюструвати суміжні предметні області та виявити інтелектуальні закономірності публікацій. У зв’язку з цим Смолл (1973) рекомендував використовувати аналіз співпочуття для вивчення найбільш впливових і основоположних досліджень.
в межах дисципліни. Щоб обмежити набір найбільш основоположними статтями (Goyal & Kumar, 2021), ми встановили поріг спільного цитування 25, тобто дві статті повинні цитуватися разом у списках літератури 25 або більше різних публікацій. Кластеризацію також проводили з мінімальним розміром кластера 1 і без будь-якого методу злиття менших кластерів з більшими. У результаті було сформовано шість кластерів на основі схожості досліджень та їхньої інтелектуальної структури. Таблиця 6 показує розподіл публікацій у кожному кластері.
Кластер 1: цей кластер містить вісімнадцять документів, опублікованих після Публікації в цьому кластері обговорюють роль безпілотних літальних апаратів у підтримці моніторингу навколишнього середовища, контролю посівів і боротьбі з бур’янами. Наприклад, Manfreda et al. (2018) надають огляд поточних досліджень і впровадження БПЛА в моніторинг природних сільськогосподарських екосистем і стверджують, що технологія пропонує величезний потенціал для різкого покращення моніторингу навколишнього середовища та зменшення
існуючий розрив між польовим спостереженням і звичайним повітряним і космічним дистанційним зондуванням. Це можна зробити, запропонувавши нові можливості для покращеного тимчасового пошуку та просторового аналізу великих територій доступним способом. БПЛА можуть постійно відчувати навколишнє середовище та надсилати отримані дані до інтелектуальних, централізованих/децентралізованих організацій, які контролюють датчики для виявлення можливих проблем, таких як відсутність захворювання або виявлення води (Padua ´ et al., 2017). Adao ˜ та ін. (2017) стверджують, що БПЛА ідеально підходять для оцінки стану рослин шляхом збору величезного обсягу необроблених даних, пов’язаних із станом води, оцінкою біомаси та енергією. Датчики, встановлені на БПЛА, також можуть бути швидко розгорнуті в належних умовах навколишнього середовища, щоб забезпечити своєчасний збір даних дистанційного зондування (Von Bueren та ін., 2015). За допомогою БПЛА фермери можуть здійснювати сільськогосподарську діяльність у приміщенні, отримуючи вимірювання практично з будь-якого місця в тривимірному просторі внутрішнього сільськогосподарського середовища (наприклад, теплиці), таким чином забезпечуючи локальний контроль клімату та моніторинг рослин (Roldan ´ et al. ., 2015). У контексті точності
сільське господарство, рішення щодо управління врожаєм вимагають точних, надійних даних про врожай із відповідною часовою та просторовою роздільною здатністю (Gebbers & Adamchuk, 2010; Gevaert et al., 2015; Maes & Steppe, 2019). З цієї причини Agüera Vega та ін. (2015) використовували мультиспектральну сенсорну систему, встановлену на БПЛА, для отримання зображень врожаю соняшнику протягом вегетаційного періоду. Так само Huang et al. (2009) зазначають, що дистанційне зондування на основі БПЛА може полегшити вимірювання сільськогосподарських культур і ґрунту на основі зібраних спектральних даних. Вергер та ін. (2014) розробили та випробували методику для оцінки індексу зеленої зони (GAI) на основі вимірювань відбиття БПЛА в системах точного землеробства, зосереджуючись на посівах пшениці та ріпаку. Таким чином, дрони надають нові можливості для отримання інформації про стан посівів із частими переглядами та високою просторовою роздільною здатністю (Dong et al., 2019; Garzonio et al., 2017; H. Zheng et al., 2016).
Кластеризація впливових публікацій про сільськогосподарські дрони.
кластер | Широка тема | посилання |
1 | Екологічний моніторинг, рослинництво боротьба з бур'янами | (Ad˜ ao та ін., 2017; Агуера Вега та ін., 2015; де Кастро та ін., 2018; Gomez-Cand ´ on ´ et al., 2014; YB Huang та ін., 2013; Khanal та ін., 2017 рік; Лопес-Гранадос, ´ 2011; Манфреда та ін., 2018; P´ адуа та ін., 2017 рік; Pena ˜ та ін., 2013; П'ерез-Ортіс та ін., 2015; Расмуссен та ін., 2013, 2016 рік; Torres-S´ anchez та ін., 2014; Торрес-Санчес, ´ Лопес-Гранадос ´ & Pena, ~ 2015; Вергер та ін., 2014; Von Бюрен та ін., 2015; C. Zhang & Ковач, 2012) |
2 | Віддалене фенотипування, врожайність оцінка, модель поверхні посіву, підрахунок рослин | (Бендіг та ін., 2013, 2014; Гейпель та ін., 2014; Gnadinger ¨ & Шмідгальтер, 2017; Хагігатталаб та ін., 2016; Холман та ін., 2016; Джин та ін., 2017; В. Лі та ін., 2016; Maimaitijiang та ін., 2017; Санкаран та ін., 2015; Schirrmann та ін., 2016; Ши та ін., 2016; Юе та ін., 2017; X. Чжоу та ін., 2017) |
3 | Тепловізори для води, багатоспектральне зображення | (Baluja та ін., 2012; Берні та ін., 2009b; Берні та ін., 2009a; Кандіаго та ін., 2015; Гаго та ін., 2015; Gonzalez-Dugo та ін., 2013, 2014; Grenzdorffer ¨ та ін., 2008; Халік та ін., 2019; Matese та ін., 2015; Ribeiro-Gomes та ін., 2017; Сантестебан та ін., 2017; Уто та ін., 2013) |
4 | Гіперсекторальне зображення, спектральне візуалізації | (Aasen et al., 2015a; Bareth et al., 2015 рік; Хакала та ін., 2013; Honkavaara та ін., 2013a; Люсьєр та ін., 2014; Саарі та ін., 2011; Suomalainen та ін., 2014) |
5 | Програми 3D-Mapping | (Jim´enez-Brenes та ін., 2017; Nex & Ремондіно, 2014; Саламі та ін., 2014 рік; Torres-S´ Анчес, Лопес- ´ Гранадос, Серрано та ін., 2015; Захаві та ін., 2015; Зарко-Техада et al., 2014) |
6 | Спостереження за сільським господарством | (SR Herwitz та ін., 2004; Хант та ін., 2010; CCD Lelong та ін., 2008 рік; Primicerio та ін., 2012; Сян & Tian, 2011) |
Крім того, дрони корисні для виконання складних завдань у сільському господарстві, зокрема для картографування бур’янів. Зображення, отримані пристроями, довели їх корисність для раннього виявлення бур’янів на полях (de Castro et al., 2018; Jim´enez-Brenes et al., 2017; Lam et al., 2021; Lopez-Granados ´ et al., 2016; Розенберг та ін., 2021). З цього приводу де Кастро та ін. (2018) стверджують, що поєднання зображень БПЛА та об’єктно-орієнтованого аналізу зображень (OBIA) дозволило практикам подолати проблему автоматизації раннього виявлення на пасовищах раннього сезону, що є великим кроком вперед у дослідженні бур’янів. Подібним чином Pena ˜ et al. (2013) зазначають, що використання зображень із надвисокою просторовою роздільною здатністю з БПЛА в поєднанні з процедурою OBIA дозволяє створювати карти бур’янів у ранніх посівах кукурудзи, які можна використовувати при плануванні впровадження заходів боротьби з бур’янами в сезон, завдання, яке виходить за рамки можливостей супутникових і традиційних повітряних знімків. Порівняно з алгоритмами класифікації зображень або виявлення об’єктів методи семантичної сегментації є більш ефективними в задачах картографування бур’янів (J. Deng та ін., 2020), таким чином дозволяючи фермерам виявляти польові умови, зменшувати втрати та покращувати врожайність протягом вегетаційного періоду (Ramesh та ін., 2020). Семантична сегментація на основі глибокого навчання також може забезпечити точне вимірювання рослинного покриву за аерофотознімками високої роздільної здатності (Ramesh et al., 2020; A. Zheng et al., 2022). Незважаючи на їхній потенціал для дистанційного керування
класифікація пікселів сприймання, методи семантичної сегментації вимагають значних обчислень і надмірно високої пам’яті GPU (J. Deng та ін., 2020).
На основі машинного навчання та БПЛА, P´erez-Ortiz et al. (2015) запропонував підхід до картографування бур’янів, щоб забезпечити стратегії боротьби з бур’янами на конкретній ділянці, коли фермери застосовують боротьбу з бур’янами на ранній стадії появи сходів. Нарешті, Rasmussen et al. (2013) підкреслив, що дрони забезпечують недороге зондування з великою гнучкістю просторової роздільної здатності. Загалом, публікації в цьому кластері зосереджені на вивченні потенціалу БПЛА для підтримки дистанційного зондування, моніторингу посівів і картографування бур’янів. Потрібні додаткові поглиблені дослідження для подальшого вивчення того, як застосування дронів у моніторингу навколишнього середовища, керуванні культурами та картографуванні бур’янів може досягти більш сталого сільського господарства (Chamuah & Singh, 2019; Islam et al., 2021; Popescu et al., 2020; J Su, Liu та ін., 2018) і розглянути проблеми управління цією технологією в програмах страхування врожаю (Basnet & Bang, 2018; Chamuah & Singh, 2019, 2022; Meinen & Robinson, 2021). Дослідники повинні зосередитися на перевірці зібраних БПЛА вимірювань за допомогою ефективних методів обробки, щоб підвищити кінцеву якість оброблених даних (Manfreda et al., 2018). Крім того, необхідна розробка відповідних алгоритмів, які розпізнають пікселі, що відображають бур’яни на цифрових зображеннях, і усувають нерелевантний фон під час картографування бур’янів БПЛА (Gaˇsparovi´c та ін., 2020; Hamylton та ін., 2020; H. Huang та ін. , 2018, 2020; Lopez-´ Granados та ін., 2016). Додаткові дослідження щодо застосування методів семантичної сегментації для розпізнавання рослин, класифікації листя та картографування хвороб вітаються (Fuentes-Pacheco та ін., 2019; Керкеч та ін., 2020).
Кластер 2. Публікації в цьому кластері зосереджені на кількох аспектах сільськогосподарських дронів. Що стосується віддаленого фенотипування, Sankaran et al. (2015) розглянули потенціал використання аерофотозйомки з високою роздільною здатністю на низькій висоті за допомогою БПЛА для швидкого фенотипування сільськогосподарських культур у полі, і вони стверджують, що порівняно з наземними сенсорними платформами невеликі БПЛА з відповідними датчиками пропонують кілька переваг. , як-от легший доступ до поля, дані високої роздільної здатності, ефективний збір даних,
швидка оцінка умов росту поля та низькі експлуатаційні витрати. Однак автори також відзначають, що ефективне застосування БПЛА для фенотипування поля залежить від двох фундаментальних елементів, а саме характеристик БПЛА (наприклад, безпеки, стабільності, позиціонування, автономності) та характеристик датчика (наприклад, роздільна здатність, вага, спектральні довжини хвилі, поле зору). Haghighattalab та ін. (2016) запропонували напівавтоматичний конвеєр обробки зображень для отримання даних на рівні ділянки із зображень БПЛА та прискорення процесу розмноження. Холман та ін. (2016) розвинули високу
пропускну систему фенотипування поля та підкреслив, що БПЛА здатний збирати якісні, об’ємні фенотипічні дані на основі поля, і що пристрій ефективний для великих територій і в різних місцях поля.
Оскільки оцінка врожайності є неймовірно важливою частиною інформації, особливо коли вона доступна вчасно, БПЛА можуть забезпечити всі польові вимірювання та ефективно отримувати високоякісні дані (Daakir та ін., 2017; Демір та ін., 2018). ; Enciso та ін., 2019; Kulbacki та ін., 2018; Pudelko та ін., 2012). У зв'язку з цим Jin et al. (2017) скористалися зображеннями високої роздільної здатності, отриманими БПЛА на дуже низьких висотах, щоб розробити та оцінити метод оцінки щільності рослин пшениці на стадії сходів. За словами авторів, БПЛА долають обмеження систем марсоходів, оснащених камерами, і представляють собою неінвазивний метод оцінки щільності рослин у посівах, що дозволяє фермерам досягти високої пропускної здатності, необхідної для фенотипування поля незалежно від транспортної здатності ґрунту. Лі та ін. (2016) зібрали сотні стереозображень із надзвичайно високою роздільною здатністю за допомогою системи на основі БПЛА для оцінки параметрів кукурудзи, включаючи висоту пологу та надземну біомасу. Нарешті, Юе та ін. (2017) виявили, що висота врожаю, визначена за допомогою БПЛА, може покращити оцінку надземної біомаси (AGB).
Підхід до моніторингу росту сільськогосподарських культур — це ідея розробки моделей поверхні посівів (Bendig та ін., 2014, 2015; Holman та ін., 2016; Panday, Shrestha та ін., 2020; Sumesh та ін., 2021). Кілька досліджень підкреслили доцільність використання зображень, зроблених з БПЛА, для фіксації висоти рослин і моніторингу їх росту. Наприклад, Bendig et al. (2013) описав розробку багаточасових моделей поверхні посівів з дуже високою роздільною здатністю менше 0.05 м за допомогою БПЛА. Вони мали на меті виявити врожай
мінливість росту та її залежність від обробки культури, сорту та стресу. Бендіг та ін. (2014) використовували БПЛА для оцінки свіжої та сухої біомаси на основі висоти рослин, отриманої з моделей поверхні посівів, і виявили, що, на відміну від бортових платформ і наземного лазерного сканування, зображення високої роздільної здатності з БПЛА можуть значно підвищити точність моделювання висоти рослин для різного росту. етапи. У тому ж дусі Geipel et al. (2014) використовували БПЛА у своїх дослідженнях для отримання зображень
набори даних для прогнозування врожайності зерна кукурудзи на трьох різних фазах росту від початку до середини сезону та дійшли висновку, що поєднання спектрального та просторового моделювання на основі аерофотознімків і моделей поверхні посівів є відповідним методом для прогнозування врожайності кукурудзи в середині сезону. Нарешті, Gnadinger ¨ та Schmidhalter (2017) дослідили корисність БПЛА для точного фенотипування та підкреслили, що використання цієї технології може покращити управління фермою та уможливити польові експерименти для селекційних та агрономічних цілей. Загалом, ми спостерігаємо, що публікації у кластері 2 зосереджені на основних перевагах БПЛА у віддаленому режимі.
фенотипування, оцінка врожайності, моделювання поверхні посівів та підрахунок рослин. Майбутні дослідження можуть бути глибшими, розробляючи нові методи дистанційного фенотипування, які можуть автоматизувати й оптимізувати обробку даних дистанційного зондування (Barabaschi та ін., 2016; Liebisch та ін., 2015; Mochida та ін., 2015; S. Zhou та ін. ., 2021). Крім того, у
майбутнього (Ju & Son, 2018a, 2018b; Xie & Yang, 2020; Yue et al., 2018). Зрештою, існує потреба в розробці ефективних методів обробки зображень, які можуть генерувати надійну інформацію, максимізувати ефективність сільськогосподарського виробництва та мінімізувати ручну роботу фермерів з підрахунку (RU Khan та ін., 2021; Koh та ін., 2021; Лін). & Guo, 2020; C. Zhang та ін., 2020).
Кластер 3. Публікації в цьому кластері обговорюють різні типи систем візуалізації для дистанційного зондування сільськогосподарських ресурсів, які використовуються на платформах БПЛА. У зв’язку з цим тепловізор дозволяє контролювати поверхневу температуру, щоб запобігти пошкодженню врожаю та завчасно виявити стрес від посухи (Awais та ін., 2022; García-Tejero та ін., 2018; Sankaran та ін., 2015; Santesteban та ін., 2017; Yeom, 2021). Балуджа та ін. (2012) стверджували, що використання мультиспектральних і теплових камер на борту
БПЛА дозволив дослідникам отримати зображення високої роздільної здатності та оцінити стан води у виноградній лозі. Це може бути корисним для розробки нових моделей планування води з використанням даних дистанційного зондування (Baluja та ін., 2012). Через
обмежена вантажопідйомність БПЛА, Ribeiro-Gomes et al. (2017) розглянули інтеграцію неохолоджуваних теплових камер у БПЛА для визначення водного стресу в рослинах, що робить цей тип БПЛА більш ефективним і життєздатним, ніж традиційне супутникове дистанційне зондування та БПЛА, обладнані тепловізійними камерами з охолодженням. За словами авторів, неохолоджувані теплові камери легші за охолоджувані камери, що вимагає відповідного калібрування. Gonzalez-Dugo та ін. (2014) показали, що теплові зображення ефективно створюють просторові карти індексів водного стресу для культур для оцінки стану води та кількісного визначення водного стресу в цитрусових садах і всередині них. Gonzalez-Dugo та ін. (2013) і Santesteban et al. (2017) досліджували використання теплових зображень БПЛА з високою роздільною здатністю для оцінки мінливості стану води в комерційному фруктовому саду та винограднику.
Мультиспектральне зображення може надати масивні дані порівняно з традиційними зображеннями RGB (червоний, зелений і синій) (Ad˜ ao та ін., 2017; Navia та ін., 2016). Ці спектральні дані разом із просторовими даними можуть допомогти в цілях класифікації, картографування, прогнозування, передбачення та виявлення (Berni et al., 2009b). За даними Candiago та ін. (2015), багатоспектральне зображення на основі БПЛА могло б значно сприяти оцінці врожаю та точному землеробству як надійний та ефективний ресурс. Крім того,
Khaliq та ін. (2019) порівняли багатоспектральне зображення супутника та БПЛА. Зображення, створені на основі БПЛА, дозволили точніше описувати мінливість виноградників, а також карти сили для представлення рослинних пологів. У двох словах, у статтях у цьому кластері обговорюється включення теплових і багатоспектральних датчиків зображення в сільськогосподарські БПЛА. Відповідно, необхідні додаткові дослідження, щоб зрозуміти, як теплові та мультиспектральні зображення можна інтегрувати з ШІ
методи (наприклад, глибоке навчання) для виявлення стресу рослин (Ampatzidis та ін., 2020; Ampatzidis та Partel, 2019; Jung та ін., 2021; Santesteban та ін., 2017; Syeda та ін., 2021). Така інформація допоможе забезпечити більш ефективне та точне виявлення, а також моніторинг росту рослин, стресу та фенології (Buters та ін., 2019; Cao та ін., 2020; Neupane та BaysalGurel, 2021; L. Zhou та ін., 2020).
Кластер 4. Цей кластер складається із семи документів, які обертаються навколо вирішальної ролі спектрального та гіперспектрального зображень у підтримці сільськогосподарської практики. Гіперспектральне зображення зарекомендувало себе як метод дистанційного зондування, який дає змогу кількісно оцінити земну систему (Schaepman та ін., 2009). Якщо бути більш точним, він дозволяє ідентифікувати поверхневі матеріали, кількісно визначити (відносні) концентрації та призначення пропорцій компонентів поверхні
у змішаних пікселях (Kirsch та ін., 2018; Zhao та ін., 2022). Іншими словами, вища спектральна роздільна здатність, яку забезпечують гіперспектральні системи, дозволяє точніше оцінювати різні параметри, такі як вегетаріанські властивості або вміст води в листі (Suomalainen et al., 2014). Дослідники цього кластеру досліджували різні аспекти таких систем. Серед інших, Aasen et al. (2015b) запропонував унікальний підхід для отримання тривимірної гіперспектральної інформації з легкої
камери знімків, що використовуються на БПЛА для моніторингу рослинності. Lucieer та ін. (2014) обговорили проектування, розробку та повітряні операції нового гіперспектрального UAS, а також калібрування, аналіз та інтерпретацію даних зображень, зібраних за допомогою нього. Нарешті, Honkavaara et al. (2013b) розробили комплексний підхід до обробки спектральних зображень на основі інтерферометра FabryPerot і продемонстрували його використання в процедурі оцінки біомаси для точного землеробства. Потенційні майбутні шляхи для цього нинішнього кластера включають наголошення на необхідності технічного вдосконалення сенсорних технологій (Aasen та ін., 2015b), а також необхідності включення та вдосконалення додаткових технологій, зокрема великих даних та аналітики (Ang & Seng, 2021; Radoglou). -Grammatikis та ін., 2020; Shakoor та ін., 2019). Останнє в основному пов’язано з постійно зростаючим обсягом даних, які генеруються різними датчиками, застосованими в інтелектуальному сільському господарстві (C. Li & Niu, 2020; A. Rejeb et al., 2022; Y. Su & Wang, 2021).
Кластер 5. Публікації в цьому кластері досліджували програми 3D-mapping на основі дронів. Використання безпілотних літальних апаратів для 3D-картографування може полегшити складну польову роботу та значно підвищити ефективність (Torres-Sanchez ´ et al., 2015). П'ять статей у кластері в основному зосереджені на програмах моніторингу рослин. Наприклад, щоб отримати тривимірні дані про площу крони, висоту дерева та об’єм крони, Torres-Sanchez ´ et al. (2015) використовували технологію БПЛА для створення цифрових моделей поверхні, а потім підходи до об’єктного аналізу зображень (OBIA). Крім того, Zarco-Tejada et al. (2014) кількісно визначили висоту дерева за допомогою інтеграції технології БПЛА та методів тривимірної фотореконструкції. Хіменез-Бренес Лопес-Гранадос, Де Кастро та ін. (2017) продемонстрували новий процес багаточасового тривимірного моніторингу десятків оливкових дерев шляхом інтеграції технології БПЛА з передовою методологією OBIA. Цікаві шляхи майбутніх робіт у цьому кластері включають або вдосконалення поточного
методології (Zarco-Tejada та ін., 2014) для цілей цифрового моделювання поверхні (Ajayi та ін., 2017; Jaud та ін., 2016), такі як OBIA (де Кастро та ін., 2018, 2020; Вентура та ін. , 2018), а також фотореконструкція або розробка нових методів (Díaz-Varela et al., 2015; Torres-S´ anchez et al., 2015).
Кластер 6. Цей кластер обговорює роль дронів у сільськогосподарському нагляді. БПЛА могли б доповнити та подолати недоліки супутникових та авіаційних зображень. Наприклад, вони можуть забезпечувати зображення високої роздільної здатності майже в режимі реального часу з меншими проблемами з паливом або пілотуванням, що призведе до постійного спостереження в режимі реального часу та покращення процесу прийняття рішень (S. Herwitz та ін., 2004). Іншим ключовим внеском БПЛА є їхня здатність надавати дані про конкретну ділянку для точного землеробства або ведення сільського господарства, оскільки їх висока роздільна здатність, детальні дані про різні параметри дозволяють фермерам розділити землю на однорідні частини та обробляти їх відповідним чином (Hunt et al. , 2010; CC Lelong та ін., 2008; Primicerio та ін., 2012). Такий сільськогосподарський нагляд за допомогою БПЛА може підтримувати моніторинг продовольчої безпеки та прийняття рішень (SR Herwitz та ін., 2004). Для просування досліджень у сфері спостереження за сільським господарством потрібні не лише вдосконалення датчиків, БПЛА та інших пов’язаних технологій і методів їх зв’язку та передачі даних (Ewing та ін., 2020; Shuai та ін., 2019), але й інтеграція дронів з різними технології для оптимізації різних завдань, пов’язаних із розумним сільським господарством, таких як моніторинг, сільськогосподарський нагляд і прийняття рішень, є високопотенційною сферою досліджень (Alsamhi та ін., 2021; Popescu та ін., 2020; Vuran та ін., 2018). У цьому відношенні IoT, WSN і великі дані пропонують цікаві додаткові можливості (van der Merwe et al., 2020). Витрати на впровадження, економія коштів, енергоефективність і безпека даних є одними з недостатньо досліджених областей такої інтеграції (Masroor et al., 2021).
Країни та наукові установи
Останній крок включав дослідження країни походження та академічної приналежності авторів. Завдяки цьому аналізу ми прагнемо краще зрозуміти географічний розподіл науковців, які роблять внесок у застосування дронів у сільському господарстві. Варто відзначити різноманітність країн і наукових установ. У країновому розрізі за кількістю публікацій лідирують США, Китай, Індія та Італія (табл. 7). Поточний
Дослідження сільськогосподарських безпілотних літальних апаратів здебільшого зосереджено в країнах Північної Америки та Азії, головним чином через їхню активність у сферах точного землеробства. Наприклад, у США ринок сільськогосподарських дронів у 841.9 році оцінювався в 2020 млн доларів США, що становить приблизно 30% частки світового ринку (ReportLinker, 2021). Китай, який вважається найбільшою економікою світу, за прогнозами досягне приблизного розміру ринку в 2.6 мільярда доларів США в 2027 році. Ця країна звертається до сільськогосподарських дронів, щоб подолати проблеми з продуктивністю та досягти кращої врожайності, полегшення праці та менших витрат виробництва. Однак впровадження технології в Китаї також зумовлене такими факторами, як чисельність населення та потреба впроваджувати інновації та вдосконалювати існуючі практики вирощування сільськогосподарських культур.
Топ найпродуктивніших країн та університетів/організацій, які сприяють
дослідження, пов'язані з сільськогосподарськими дронами.
Ранг | країни |
1 | USA |
2 | Китай |
3 | India |
4 | Італія |
5 | Іспанія |
6 | Німеччина |
7 | Brazil |
8 | Австралія |
9 | Japan |
10 | Об'єднане Королівство |
Ранг | Університети/ Організації |
1 | Китайська академія наук |
2 | Міністерство сільського господарства КНР |
3 | Вища рада наукових розслідувань |
4 | Техаський університет A&M |
5 | Китайський аграрний університет |
6 | Служба сільськогосподарських досліджень USDA |
7 | CSIC – Instituto de Agricultura Sostenible IAS |
8 | університет Пердью |
9 | Національна наукова рада |
10 | Південно-Китайський сільськогосподарський університет |
З університетської та організаційної точки зору Китайська академія наук очолює список за кількістю публікацій, за нею йдуть Міністерство сільського господарства Китайської Народної Республіки та Consejo Superior de Investigaciones Sientíficas. Китайську академію наук представляють автори Ляо Сяохан і Лі Цзюнь; Хан Вентін представляє Міністерство сільського господарства Китайської Народної Республіки; і Consejo Superior de Investigaciones Sientíficas представляють Лопес-Гранадос, ´ F. і Pena, ˜ Jos´e María S. У США такі університети, як Техаський університет A&M і Університет Пердью, знаходять свої
згадка. Університети з найбільшою кількістю публікацій та їхні зв’язки показані на рис. 4. Крім того, цей список включає такі установи, як Consiglio Nazionale delle Ricerche та Consejo Superior de Investigaciones Sientíficas, які активно займаються науковими дослідженнями, але не є академічними установами. .
Наш вибір включав широкий спектр журналів, які охоплювали практично всі доступні дані. Як показано в таблиці 8, Remote Sensing з 258 статтями займає перше місце, за ним йдуть Journal of Intelligent and Robotic Systems: Theory and Applications (126) і Computers and Electronics in Agriculture (98 статей). У той час як дистанційне зондування здебільшого зосереджено на застосуванні та розробці дронів, комп’ютери та електроніка в сільському господарстві в основному охоплює досягнення в комп’ютерному обладнанні, програмному забезпеченні, електроніці та системах керування в сільському господарстві. Міжрегіональні торгові точки, такі як IEEE Robotics and Automation Letters з 87 публікаціями та IEEE Access з 34 публікаціями, також є головними торговими точками в галузі. П’ятнадцять найкращих видань зробили внесок у літературу з 959 документами, що становить приблизно 20.40% усіх публікацій. Аналіз спільного цитування журналів дає нам змогу перевірити важливість і подібність між публікаціями. Аналіз спільного цитування дає три кластери, як показано на рис. 5. Червоний кластер складається з таких журналів, як Remote Sensing, Computer and Electronics in Agriculture, Sensors,
та Міжнародний журнал дистанційного зондування. Усі ці видання є авторитетними журналами в галузі дистанційного зондування та точного землеробства. Зелений кластер містить журнали, які стосуються робототехніки, такі як Journal of Intelligent and Robotic Systems: Theory and Applications, IEEE Robotics and Automation Letters, IEEE Access і Drones. Ці видання здебільшого публікують статті з автоматизації та корисні для сільськогосподарських інженерів. Останній кластер утворюють журнали, пов’язані з агрономією та сільськогосподарською інженерією, як-от Agronomy та International Journal of Agricultural and Biological Engineering.
15 найкращих журналів у галузі досліджень сільськогосподарських дронів.
Ранг | Журнал | Рахувати |
1 | Дистанційне зондування | 258 |
2 | Журнал інтелектуальних і робототехнічних систем: теорія та додатків | 126 |
3 | Комп’ютери та електроніка в сільському господарстві | 98 |
4 | Листи IEEE Robotics and Automation | 87 |
5 | датчиків | 73 |
6 | Міжнародний журнал дистанційного зондування | 42 |
7 | Точне землеробство | 41 |
8 | Дронів | 40 |
9 | Агрономія | 34 |
10 | Доступ IEEE | 34 |
11 | Міжнародний журнал передових робототехнічних систем | 31 |
12 | Міжнародний журнал сільськогосподарської та біологічної інженерії | 25 |
13 | PLoS ONE | 25 |
14 | Журнал польової робототехніки | 23 |
15 | Інженерія біосистем | 23 |
Висновок
Підсумки
У цьому дослідженні ми узагальнили та проаналізували існуючі дослідження сільськогосподарських дронів. Застосовуючи різні бібліометричні методи, ми прагнули краще зрозуміти інтелектуальну структуру досліджень, пов’язаних із сільськогосподарськими дронами. Підсумовуючи, наш огляд пропонує кілька внесків шляхом визначення та обговорення ключових слів у літературі, розкриття кластерів знань під час формування семантично подібних спільнот у сфері дронів, окреслення попередніх досліджень і пропонування майбутніх напрямків досліджень. Нижче ми наведемо основні висновки огляду розробки сільськогосподарських дронів:
• Загальна література швидко зросла та привернула величезну увагу протягом останнього десятиліття, про що свідчить зростання кількості статей після 2012 року. Незважаючи на те, що ця сфера знань ще не досягла своєї повної зрілості (Barrientos et al., 2011; Maes). & Степ, 2019), на кілька питань досі немає відповіді. Наприклад, корисність безпілотних літальних апаратів у закритому сільському господарстві все ще залишається предметом дискусій (Aslan та ін., 2022; Krul та ін., 2021; Rold´an та ін., 2015). Складність польових сцен і різні обставини зображення (наприклад, тіні та освітлення) можуть призвести до вищої спектральної дисперсії в класі (Yao et al., 2019). Навіть на пізніших етапах дослідження перед дослідниками постало завдання визначити оптимальні плани польоту відповідно до конкретних сценаріїв і необхідної якості зображення (Soares et al., 2021; Tu et al.,
2020).
• Ми помічаємо, що галузь просунулася від розробки ефективних систем БПЛА до включення методів штучного інтелекту, таких як машинне навчання та глибоке навчання в дизайні сільськогосподарських дронів (Bah та ін., 2018; Кітано та ін., 2019; Maimaitijiang та ін. , 2020; Mazzia та ін., 2020; Tetila та ін., 2020).
• Дослідження сільськогосподарських безпілотників переважно обговорювали дистанційне зондування шляхом вивчення потенціалу технології в моніторингу навколишнього середовища, боротьбі з посівами та бур’янами (кластер 1), а також дистанційне фенотипування та оцінку врожайності (кластер 2). Набір впливових досліджень сільськогосподарських дронів включає Austin (2010), Berni et al. (2009)a, Herwitz та ін. (2004), Некс і Ремондіно (2014) і Чжан і Ковач (2012). Ці дослідження розробили концептуальну основу досліджень, пов’язаних із дронами, у контексті сільського господарства.
• Стосовно методології, ми помітили, що більшість досліджень, проведених до цього часу, складалися з проектування системи, концептуальних досліджень або досліджень на основі огляду (Inoue, 2020; Nex & Remondino, 2014; P´erez-Ortiz et al. , 2015; Яо та ін., 2019). Ми також помічаємо брак емпіричних, якісних і заснованих на прикладах методів дослідження сільськогосподарських дронів.
• Останнім часом значну увагу привернули теми, пов’язані з точним землеробством, методами штучного інтелекту, точним виноградарством і оцінкою водного стресу (Espinoza et al., 2017; Gomez-Cand ´ on ´ et al., 2016; Matese et al., 2015; Matese & Di Gennaro, 2018, 2021; Z. Zhou та ін., 2021). Ретельний аналіз дослідницьких кластерів у двох окремих епохах, 1990–2010 та 2011–2021 роках, показує прогрес інтелектуальної структури домену. Період з 1990 по 2010 рік являє собою формування центральних понять і концепцій дронів, що очевидно з обговорення дизайну, розробки та впровадження БПЛА. У другій епосі фокус досліджень розширюється на попередні дослідження, докладаючи зусиль для синтезу випадків використання БПЛА в сільському господарстві. Ми також знайшли численні дослідження, які обговорюють застосування дронів у задачах обробки зображень і точного землеробства.
Ранг | Журнал | Рахувати |
1 | Дистанційне зондування | 258 |
2 | Журнал інтелектуальних і робототехнічних систем: теорія та | 126 |
додатків | ||
3 | Комп’ютери та електроніка в сільському господарстві | 98 |
4 | Листи IEEE Robotics and Automation | 87 |
5 | датчиків | 73 |
6 | Міжнародний журнал дистанційного зондування | 42 |
7 | Точне землеробство | 41 |
8 | Дронів | 40 |
9 | Агрономія | 34 |
10 | Доступ IEEE | 34 |
11 | Міжнародний журнал передових робототехнічних систем | 31 |
12 | Міжнародний журнал сільськогосподарської та біологічної інженерії | 25 |
13 | PLoS ONE | 25 |
14 | Журнал польової робототехніки | 23 |
15 | Інженерія біосистем | 22 |
Наслідки
Наш бібліометричний огляд був розроблений і проведений з урахуванням науковців, фермерів, сільськогосподарських експертів, консультантів із рослинництва та розробників систем БПЛА. Наскільки відомо авторам, це одна з перших оригінальних рецензій, у якій було проведено поглиблений бібліометричний аналіз
застосування дронів у сільському господарстві. Ми провели всебічний огляд цього масиву знань, використовуючи аналіз цитування та спільного цитування публікацій. Наші спроби описати інтелектуальну структуру досліджень дронів також пропонують нові ідеї для науковців. Ретельний аналіз ключових слів, які використовувалися з часом, дозволяє виявити гарячі точки та основні напрямки досліджень у літературі, пов’язаній з дронами. Крім того, ми представляємо список найбільш цитованих досліджень, щоб визначити найбільш впливові дослідницькі роботи, виконані в цій галузі. Ідентифікація статей і ключових слів, отже, може стати надійною відправною точкою для виявлення кількох шляхів для майбутніх досліджень.
Важливо те, що ми виявили кластери, які класифікують порівнювані роботи, і детально розповіли про результати. Дослідження, класифіковані в кластери, допомагають зрозуміти інтелектуальну структуру досліджень БПЛА. Примітно, що ми виявили нестачу досліджень, які досліджують фактори впровадження дронів
та бар'єри у сільськогосподарській діяльності (див. Таблицю 9). Майбутні дослідники могли б усунути цю потенційну прогалину, провівши емпіричні дослідження, які б оцінювали фактори застосування дронів у різних сільськогосподарських роботах і кліматичних умовах. Крім того, дослідження ефективності безпілотних літальних апаратів на основі тематичних досліджень мають бути підкріплені реальними даними з місця. Крім того, залучення фермерів і менеджерів до академічних досліджень було б корисним як для теоретичного, так і для практичного розвитку досліджень безпілотників. Ми також змогли визначити найвидатніших дослідників та їхній внесок, що є цінним, оскільки знання останніх основоположних робіт може запропонувати певне керівництво для майбутніх наукових починань.
Таблиця 9
Перешкоди для впровадження БПЛА.
Бар'єр | Опис |
Безпека даних | Кібербезпека є серйозною проблемою для впровадження Рішення IoT (Masroor et al., 2021). |
Сумісність і інтеграція | Різні технології, такі як UAV, WSN, IoT тощо. повинні бути інтегровані та передавати дані, які підвищення рівня складності (Alsamhi et al., 2021; Попеску та ін., 2020; Вуран та ін., 2018). |
Витрати на впровадження | Особливо це стосується дрібних фермерів і інтеграція різноманітних передових технологій ( Масрур та ін., 2021). |
Трудові знання і експертиза | Для управління БПЛА потрібні кваліфіковані пілоти безпілотників. Крім того, впроваджуючи різні передові технології вимагають кваліфікованих працівників (YB Huang та ін., 2013; Цурос та ін., 2019). |
Потужність двигуна і політ тривалість | Безпілотниками не можна керувати протягом тривалого часу великі території (Hardin & Hardin, 2010; Laliberte et al., 2007). |
Стабільність, надійність і маневреність | Дрони нестабільні під час поганих погодних умов (Hardin & Hardin, 2010; Laliberte та ін., 2007). |
Обмеження корисного навантаження та якість датчиків | Безпілотники можуть перевозити лише обмежені вантажі можливість завантаження датчиків нижчої якості (Nebiker та ін., 2008). |
Регулювання | Оскільки дрони також можуть бути небезпечними, бувають серйозні правила в деяких сферах (Hardin & Jensen, 2011; Laliberte & Rango, 2011). |
Знання фермерів і інтерес | Як і інші передові технології, дрони успішне впровадження потребує досвіду, а також супроводжується невизначеністю (Fisher et al., 2009; Ламберт та ін., 2004; Стаффорд, 2000). |
Оскільки існує постійна потреба в ефективному використанні доступних ресурсів для максимізації врожайності, фермери можуть скористатися перевагами дронів, щоб забезпечити швидке, точне та економічно ефективне сканування своїх полів. Технологія може допомогти фермерам визначити стан їхніх культур і оцінити стан води, стадію дозрівання, зараження комахами та потреби в харчуванні. Можливості дистанційного зондування безпілотних літальних апаратів можуть надати фермерам важливі дані для передбачення проблем на ранній стадії та оперативного втручання. Однак переваги технології можна реалізувати лише за умови належного вирішення проблем. У світлі
поточні проблеми, пов’язані з безпекою даних, проблемами сенсорних технологій (наприклад, надійність або точність вимірювань), складністю інтеграції та значними витратами на впровадження, у майбутніх дослідженнях також необхідно вивчити технічну, економічну та експлуатаційну можливість інтеграції сільськогосподарських дронів та інших граничні технології.
Недоліки
Наше дослідження має кілька обмежень. По-перше, висновки визначаються публікаціями, відібраними для остаточного аналізу. Важко охопити всі відповідні дослідження, пов’язані з сільськогосподарськими дронами, особливо ті, які не проіндексовані в базі даних Scopus. Крім того, процес збору даних обмежується встановленням ключових слів для пошуку, які можуть бути неповними та призводити до непереконливих висновків. Таким чином, майбутні дослідження повинні приділяти більше уваги основному питанню збору даних
більш надійні висновки. Ще одне обмеження стосується нових публікацій із низькою кількістю цитувань. Бібліометричний аналіз зміщений у бік попередніх публікацій, оскільки вони, як правило, отримують більше цитувань з роками. Останні дослідження потребують певного часу, щоб привернути увагу та накопичити цитування. Отже, нещодавні дослідження, які приносять зміну парадигми, не увійдуть до десятки найвпливовіших робіт. Це обмеження є поширеним у дослідженні дослідницьких областей, що швидко розвиваються, таких як сільськогосподарські дрони. Оскільки ми звернулися до Scopus для вивчення літератури для цієї роботи, майбутні дослідники можуть розглянути інше
баз даних, таких як Web of Science та IEEE Xplore, щоб розширити горизонт і покращити дослідницьку структуру.
Потенційні бібліометричні дослідження можуть розглядати інші життєво важливі джерела знань, як-от доповіді на конференціях, розділи та книги, щоб отримати нові ідеї. Незважаючи на картографування та дослідження глобальних публікацій про сільськогосподарські безпілотники, наші висновки не виявили причин наукових результатів університетів. Це відкриває шлях до нової галузі досліджень у якісному поясненні того, чому одні університети є більш продуктивними, ніж інші, коли мова заходить про дослідження сільського господарства.
дрони. Крім того, майбутні дослідження можуть дати розуміння потенціалу безпілотних літальних апаратів для підвищення стійкості сільського господарства кількома способами, такими як моніторинг навколишнього середовища, боротьба з посівами та картографування бур’янів, як зазначено кількома дослідниками (Chamuah & Singh, 2019; Islam et al., 2021; Попеску та ін., 2020; J. Su, Liu та ін., 2018b). Оскільки текстовий аналіз був неможливий через велику кількість відібраних документів, існує потреба в систематичних оглядах літератури, які досліджують
використовувані методи дослідження та залучення фермерів до попередніх досліджень. Коротше кажучи, наш аналіз досліджень безпілотників викриває невидимі зв’язки цього масиву знань. Таким чином, цей огляд допомагає розкрити взаємозв’язки між публікаціями та досліджує інтелектуальну структуру галузі досліджень. Він також описує зв’язки між різними аспектами літератури, такими як ключові слова авторів, приналежність до них і країни.
Заява про конкуруючі інтереси
Автори заявляють, що у них немає відомих конкуруючих фінансових інтересів чи особистих стосунків, які могли б вплинути на роботу, про яку повідомляється в цій роботі.
Додаток 1
TITLE-ABS-KEY (((дрон* АБО «безпілотний літальний апарат» АБО БПЛА* АБО «безпілотна літальна система” АБО uas АБО «дистанційно пілотований літальний апарат”) І (сільськогосподарський АБО сільське господарство АБО фермерство АБО фермер))) І (ВИКЛЮЧЕННЯ (PUBYEAR, 2022)) І (ОБМЕЖЕННЯ (МОВА, «англійська»)).
посилання
Aasen, H., Burkart, A., Bolten, A., Bareth, G., 2015. Створення тривимірної гіперспектральної інформації за допомогою легких фотокамер БПЛА для моніторингу рослинності: з
калібрування камери для забезпечення якості. ISPRS J. Photogramm. Remote Sens. 108, 245–259. https://doi.org/10.1016/j.isprsjprs.2015.08.002.
Абд-Ельрахман, А., Перлстайн, Л., Персіваль, Ф., 2005. Розробка алгоритму розпізнавання образів для автоматичного виявлення птахів на знімках безпілотних літальних апаратів.
Опитування. Земельний інформ. Sci. 65 (1), 37–45.
Абдоллахі, А., Реджеб, К., Реджеб, А., Мостафа, М.М., Зайлані, С., 2021. Бездротові сенсорні мережі в сільському господарстві: висновки з бібліометричного аналізу. Стійкість 13 (21),
12011.
Абуталебі, М., Торрес-Руа, А.Ф., Кустас, В.П., Нієто, Х., Купманс, К., МакКі, М., Оцінка різних методів виявлення тіні в оптичних зображеннях високої роздільної здатності та оцінка впливу тіні на обчислення NDVI та евапотранспірація. зрошення 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. Гіперспектральне зображення: огляд датчиків на основі БПЛА, даних обробка і
застосування для сільського та лісового господарства. Дистанційне зондування 9 (11). https://doi.org/ 10.3390/rs9111110.
Агуера Вега, Ф., Рамірес, ФК, Саїз, депутат, Росуа, Ф., 2015. Багаточасове зображення за допомогою безпілотного літального апарату для моніторингу врожаю соняшнику. Біосист. інж.
132, 19–27. https://doi.org/10.1016/j.biosystemseng.2015.01.008.
Аджаї, О.Г., Салубі, А.А., Ангбас, А.Ф., Одігуре, М.Г., 2017. Створення точних цифрових моделей висоти за допомогою БПЛА, отриманих із низьким відсотком зображень, що перекриваються. Міжн.
J. Remote Sens. 38 (8–10), 3113–3134. https://doi.org/10.1080/ 01431161.2017.1285085.
Алі, І., Грейфенедер, Ф., Стаменкович, Дж., Нойман, М., Нотарнікола, К., 2015. Огляд підходів машинного навчання для отримання біомаси та вологи в ґрунті з даних дистанційного зондування. Дистанційне зондування 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
і стратегії. оголошення. Hoc. Netw. 117, 102505 https://doi.org/10.1016/j. adhoc.2021.102505.
Аль-Тані, Н., Альбуайнайн, А., Алнаймі, Ф., Зорба, Н., 2020. Дрони для моніторингу худоби овець. В: 20-та Середземноморська електротехнічна конференція IEEE. https://doi.
org/10.1109/MELECON48756.2020.9140588.
Ampatzidis, Y., Partel, V., 2019. Високопродуктивне фенотипування цитрусових на основі БПЛА з використанням мультиспектрального зображення та штучного інтелекту. Дистанційне зондування 11 (4), https://doi.org/10.3390/rs11040410.
Ампатзідіс, Ю., Партел, В., Коста, Л., 2020. Agroview: хмарна програма для обробки, аналізу та візуалізації даних, зібраних БПЛА, для додатків точного землеробства з використанням штучного інтелекту. обчис. Електрон. Agric. 174, 105457 https://doi. org/10.1016/j.compag.2020.105457.
Ang, K.-L.-M., Seng, JKP, 2021. Великі дані та машинне навчання з гіперспектральною інформацією в сільському господарстві. IEEE Access 9, 36699–36718. https://doi.org/10.1109/
ACCESS.2021.3051196.
Aquilani, C., Confessore, A., Bozzi, R., Sirtori, F., Pugliese, C., 2022. Огляд: технології точного тваринництва в системах пасовищного тваринництва. Тварина 16 (1), https://doi.org/10.1016/j.animal.2021.100429.
Армента-Медіна, Д., Рамірез-Делреал, Т. А., Вільянуева-Васкес, ´ Д., Мехія-Агірре, К., Тенденції щодо передових інформаційних і комунікаційних технологій для
підвищення продуктивності сільського господарства: бібліометричний аналіз. Агрономія 10 (12), стаття 12. https://doi.org/10.3390/agronomy10121989.
Армстронг, І., Піррон-Брус, М., Сміт, А., Джадуд, М., 2011. Літаючий алігатор: до повітряної робототехніки в occam-π. Комун. Архітектор процесу. 2011, 329–340. https://doi. org/10.3233/978-1-60750-774-1-329.
Арора, С. Д., Чакраборті, А., 2021. Дослідження інтелектуальної структури поведінки споживачів, що скаржаться (CCB): бібліометричний аналіз. J. Business Res. 122, 60–74.
Аслан, М.Ф., Дурду, А., Сабанчі, К., Ропелевська, Е., Гюльтекін, С.С., 2022.
Всебічний огляд останніх досліджень з БПЛА для точного землеробства на відкритих полях і в теплицях. апл. Sci. 12 (3), 1047. https://doi.org/10.3390/
додаток12031047.
Аткінсон, Дж.А., Джексон, Р.Дж., Бентлі, А.Р., Обер, Е., і Уеллс, Д.М. (2018). Фенотипування поля для майбутнього. В Annual Plant Reviews онлайн (стор. 719–736). Джон
Wiley & Sons, Ltd. doi: 10.1002/9781119312994.apr0651.
Остін, Р., 2010. Безпілотні авіаційні системи: проектування, розробка та розгортання БПЛА. У: Безпілотні авіаційні системи: проектування, розробка та розробка БПЛА
Розгортання. Джон Уайлі та сини. https://doi.org/10.1002/9780470664797.
Авайс, М., Лі, В., Чіма, М.Дж.М., Заман, К.Ю., Шахін, А., Аслам, Б., Чжу, В., Аджмал, М., Фахім, М., Хусейн, С., Надім, AA, Afzal, MM, Liu, C., 2022. Дистанційне зондування стресу рослин на основі БПЛА, уявіть використання теплового датчика високої роздільної здатності для цифрових методів сільського господарства: мета-огляд. Міжн. J. Environ. Sci. технол. https://doi.
org/10.1007/s13762-021-03801-5.
Бакко, М., Бертон, А., Ферро, Е., Дженнаро, К., Готта, А., Маттеолі, С., Паонесса, Ф., Руджері, М., Віроне, Г., Занелла, А., 2018. Розумне фермерство: можливості, виклики
і технологічні засоби. 2018 IoT Vertical і. Тематичний саміт з питань сільського господарства - Тоскана (IOT Тоскана) 1–6. https://doi.org/10.1109/IOTTUSCANY.2018.8373043.
Бах, доктор медичних наук, Хафіане, А., Каналс, Р., 2018. Глибоке навчання з неконтрольованим маркуванням даних для виявлення бур’янів у рядкових культурах на зображеннях БПЛА. Дистанційне зондування 10 (11), 1690.
https://doi.org/10.3390/rs10111690.
Baldi, S., 1998. Нормативні проти соціальних конструктивістських процесів у розподілі цитат: мережева аналітична модель. Am. соціол. Rev. 63 (6), 829–846. https://doi.
org/10.2307/2657504.
Балуха, Дж., Діаго, М. П., Балда, П., Зорер, Р., Меджіо, Ф., Моралес, Ф., Тардагіла, Дж., 2012. Оцінка мінливості водного стану виноградників за термальним і мультиспектральним методом.
знімки за допомогою безпілотного літального апарату (БПЛА). зрошення наук. 30 (6), 511–522. https://doi.org/10.1007/s00271-012-0382-9.
Барабаскі, Д., Тонделлі, А., Дезидеріо, Ф., Воланте, А., Вачіно, П., Вальє, Г., Каттівеллі, Л., Селекція наступного покоління. Plant Sci. 242, 3–13. https://doi.org/10.1016/j.
рослини.2015.07.010.
Barbedo, JGA, Koenigkan, LV, 2018. Перспективи використання безпілотних літальних систем для моніторингу великої рогатої худоби. Outlook Agric. 47 (3), 214–222. https://doi.org/10.1177/0030727018781876.
Барет, Г., Аасен, Х., Бендіг, Дж., Гнип, М. Л., Болтен, А., Юнг, А., Міхельс, Р., Суккамакі, ¨ Дж., 2015. Легковагові гіперспектральні апарати на основі БПЛА повнокадрові камери
для моніторингу сільськогосподарських культур: спектральне порівняння з вимірюваннями портативного спектрорадіометра. Photogrammetrie, Fernerkundung, Geoinformation 2015 (1), 69–79.
https://doi.org/10.1127/pfg/2015/0256.
Баррієнтос, А., Колорадо, Дж., дель Серро, Дж., Мартінес, А., Россі, С., Санс, Д., Валенте, Дж., Повітряне дистанційне зондування в сільському господарстві: практичний підхід до охоплення території
і планування шляху для парку міні-роботів. Дж. Філд 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. Огляд застосування алгоритмів планування траєкторії для багатороторних БПЛА в точності
сільське господарство. Я. Навіг. 75 (2), 364–383.
Баснет, Б., Бенг, Дж., 2018. Сучасне наукомістке сільське господарство: огляд прикладних систем зондування та аналізу даних. J. Sens. 2018, 1–13.
Бендіг, Дж., Болтен, А., Барет, Г., 2013. Зображення на основі БПЛА для багаточасових моделей поверхні сільськогосподарських культур з дуже високою роздільною здатністю для моніторингу мінливості росту сільськогосподарських культур. Photogrammetrie, Fernerkundung, Geoinformation 2013 (6), 551–562. https://doi. org/10.1127/1432-8364/2013/0200.
Бендіг, Дж., Болтен, А., Беннертц, С., Брошайт, Дж., Айхфус, С., Барет, Г., 2014. Оцінка біомаси ячменю за допомогою моделей поверхні посівів (CSM), отриманих із зображення RGB на основі БПЛА. Дистанційне зондування 6 (11), 10395–10412.
Бендіг, Дж., Ю, К., Асен, Х., Болтен, А., Беннертц, С., Брошайт, Дж., Гніп, М. Л., Барет, Г., 2015. Комбінування висоти рослини на основі БПЛА від поверхні культури моделі,
індекси рослинності у видимому та ближньому інфрачервоному діапазонах для моніторингу біомаси ячменю. Міжн. J. Appl. Обзор Землі Геоінф. 39, 79–87. https://doi.org/10.1016/j.jag.2015.02.012.
Берні, JA, Зарко-Техада, PJ, Sepulcre-Canto, ´ G., Fereres, E., Villalobos, F., 2009a. Картування провідності крони та CWSI в оливкових садах із використанням високої роздільної здатності
теплові знімки дистанційного зондування. Дистанційний датчик навколишнього середовища. 113 (11), 2380–2388. https://doi.org/10.1016/j.rse.2009.06.018.
Берні, JA, Зарко-Техада, PJ, Суарес, ´ L., Феререс, Е., 2009b. Теплові та вузькосмугові багатоспектральні дистанційні зонди для моніторингу рослинності з безпілотного літального апарату. IEEE Trans. Geosci. Remote Sens. 47 (3), 722–738.
Bouzembrak, Y., Klüche, M., Gavai, A., Marvin, HJP, 2019. Інтернет речей у безпеці харчових продуктів: огляд літератури та бібліометричний аналіз. Trends Food Sci. технол. 94,54–64. https://doi.org/10.1016/j.tifs.2019.11.002.
Брюстер К., Русакі І., Калаціс Н., Дулін К., Елліс К., 2017. IoT у сільському господарстві: розробка широкомасштабного пілотного проекту в Європі. IEEE Commun. Маг. 55 (9), 26–33.
Buters, TM, Belton, D., Cross, AT, 2019. Мультисенсорний БПЛА відстежує окремі сіянці та сіянці з точністю до міліметра. Дрони 3 (4), 81.
https://doi.org/10.3390/drones3040081.
Candiago, S., Remondino, F., De Giglio, M., Dubbini, M., Gattelli, M., 2015. Оцінка мультиспектральних зображень та індексів рослинності для застосування в точному землеробстві із зображень БПЛА. Дистанційне зондування 7 (4), 4026–4047. https://doi.org/10.3390/rs70404026.
Cao, Y., Li, GL, Luo, YK, Pan, Q., Zhang, SY, 2020. Моніторинг показників росту цукрових буряків за допомогою індексу вегетації в широкому динамічному діапазоні (WDRVI), отриманого з БПЛА
мультиспектральні зображення. обчис. Електрон. Agric. 171, 105331 https://doi.org/10.1016/j.compag.2020.105331.
Касільяс, Дж., Аседо, Ф., 2007. Еволюція інтелектуальної структури літератури про сімейний бізнес: бібліометричне дослідження FBR. Family Business Rev. 20 (2), 141–162.
Cen, H., Wan, L., Zhu, J., Li, Y., Li, X., Zhu, Y., Weng, H., Wu, W., Yin, W., Xu, C., Бао Ю., Фен Л., Шоу Дж., Хе Ю., 2019. Динамічний моніторинг біомаси рису
різна обробка азотом з використанням легкого БПЛА з подвійною камерою знімка кадру зображення. Plant Methods 15 (1), 32. https://doi.org/10.1186/s13007-019-
0418-8.
Chamuah, A., Singh, R., 2019. Забезпечення стійкості індійського сільського господарства за допомогою цивільних БПЛА: відповідальна інноваційна перспектива. SN Appl. Sci. 2 (1), 106. https://
doi.org/10.1007/s42452-019-1901-6.
Чамуа, А., Сінгх, Р., 2022 р. Відповідальне управління інноваціями цивільних безпілотних літальних апаратів (БПЛА) для програм страхування врожаю в Індії. Ж. Відповідальний
технол. 9, 100025 https://doi.org/10.1016/j.jrt.2022.100025.
Чен, А., Орлов-Левін, В., Мерон, М., 2019. Застосування аерофотозйомки з високою роздільною здатністю видимого каналу пологу культур для точного управління зрошенням. Agric. вода
кер. 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. Легкий БПЛА з бортовою фотограмметрією та одночастотним позиціонуванням GPS для метрології. ISPRS J. Photogramm. Remote Sens. 127, 115–126. https://doi.org/10.1016/j.isprsjprs.2016.12.007.
Dawaliby, S., Aberkane, A., Bradai, A., 2020. Платформа IoT на основі блокчейну для автономного управління операціями дронів. В кн.: Матеріали 2-го АСМ
Семінар MobiCom з бездротового зв’язку за допомогою дронів для 5G і далі, стор. 31–36. https://doi.org/10.1145/3414045.3415939.
Дей Р.А., Гастель Б., 1998. Як написати та опублікувати наукову статтю. Cambridge University Press. де Кастро, А.І., Пена, ˜ Дж.М., Торрес-Санчес, ´ Дж., Хіменез-Бренес, Ф.М., Валенсія Греділла, Ф., Рекасенс, Дж., Лопес-Гранадос, ´ Ф., 2020. Картування інвазії цинодонів дактилонів покривні культури з автоматичною процедурою дерева рішень OBIA та зображеннями БПЛА для точного виноградарства. Дистанційне зондування 12 (1), 56. https://doi.org/10.3390/rs12010056.
де Кастро, А.І., Торрес-Санчес, Дж., Пена, ˜ Дж.М., Хіменез-Бренес, Ф.М., Сілік, О., Лопес-Гранадос, Ф., 2018. Автоматичний випадковий лісовий алгоритм OBIA для раннє картування бур'янів між і всередині рядів культур за допомогою зображень БПЛА. Дистанційне зондування 10 (2). https://doi.org/10.3390/rs10020285.
Демір, Н., Сонмез, ¨ НК, Акар, Т., Унал, С., 2018. Автоматизоване вимірювання висоти рослин генотипів пшениці за допомогою DSM, отриманого із зображень БПЛА. Праці 2 (7), 350. https://doi.org/10.3390/ecrs-2-05163.
Deng, J., Zhong, Z., Huang, H., Lan, Y., Han, Y., Zhang, Y., 2020. Легка мережа семантичної сегментації для картографування бур’янів у реальному часі за допомогою безпілотних літальних апаратів. апл. наук. 10 (20), 7132. https://doi.org/10.3390/app10207132.
Deng, L., Mao, Z., Li, X., Hu, Z., Duan, F., Yan, Y., 2018. Багатоспектральне дистанційне зондування на основі БПЛА для точного землеробства: порівняння різних камер. ISPRS J. Photogramm. Remote Sens. 146, 124–136.
Діас-Гонсалес, Ф. А., Вуельвас, Дж., Корреа, Каліфорнія, Вальехо, В. Е., Патіно, Д., 2022. Методи машинного навчання та дистанційного зондування, застосовані для оцінки показників ґрунту – огляд. Ecol. Індія 135, 108517 https://doi.org/10.1016/j.ecolind.2021.108517.
Діас-Варела, Р.А., Де ла Роса, Р., Леон, Л., Зарко-Техада, П.Дж., 2015. Зображення високої роздільної здатності з БПЛА для оцінки параметрів крони оливкового дерева за допомогою 3D-фото
реконструкція: застосування в селекційних випробуваннях. Дистанційне зондування 7 (4), 4213–4232. https://doi.org/10.3390/rs70404213.
Діксіт, А., Джахар, С.К., 2021. Управління пропускною здатністю аеропорту: огляд і бібліометричний аналіз. J. Air Transp. кер. 91, 102010.
Донг, Т., Шан, Дж., Лю, Дж., Цянь, Б., Цзін, К., Ма, Б., Хаффман, Т., Ген, X., Соу, А., Ши, Ю., Канісіус, Ф., Цзяо, X., Ковач, Дж. М., Волтерс, Д., Кейбл, Дж., Вілсон, Дж., 2019.
Використання зображень RapidEye для визначення мінливості росту та врожайності в межах поля в Онтаріо, Канада. Precision Agric. 20 (6), 1231–1250. https://doi.org/10.1007/
s11119-019-09646-w.
Датта, П.К., Мітра, С., 2021. Застосування сільськогосподарських дронів і йотів для розуміння ланцюга поставок їжі під час пост-COVID-19. У: Чоудхурі А., Бісвас А., Пратік М.
Чакрабарті, А. (Ред.), Сільськогосподарська інформатика: автоматизація за допомогою Інтернету речей і машинного навчання. Wiley, стор. 67–87. van Eck, N., Waltman, L., 2009. Огляд програмного забезпечення: VOSviewer, комп’ютерна програма для бібліометричного картографування. Наукометрія 84 (2), 523–538. https://doi.org/10.1007/s11192-009-0146-3.
Елайджа, О., Рахман, Т.А., Орікумхі, І., Леоу, CY, Гіндія, Міннесота, 2018. Огляд Інтернету речей (IoT) і аналітики даних у сільському господарстві: переваги та проблеми.
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. Перевірка агрономічних БПЛА і поле
виміри для сортів томатів. обчис. Електрон. Agric. 158, 278–283. https:// doi.org/10.1016/j.compag.2019.02.011.
Espinoza, CZ, Khot, LR, Sankaran, S., Jacoby, PW, 2017. Багатоспектральне та теплове дистанційне зондування високої роздільної здатності оцінка водного стресу в
виноградні лози підповерхневого зрошення. Дистанційне зондування 9 (9), 961. https://doi.org/ 10.3390/rs9090961.
Юінг, Дж., Ооммен, Т., Джаякумар, П., Алгер, Р., 2020. Використання гіперспектрального дистанційного зондування для градації ґрунту. Дистанційне зондування 12 (20), 3312. ttps://doi.org/10.3390/
rs12203312.
Фосетт Д., Панігада К., Тальябуе Г., Боскетті М., Селесті М., Євдокимов А., Бірюкова К., Коломбо Р., Міглієтта Ф., Рашер У., Андерсон, К., 2020. Багатомасштабна оцінка багатоспектрального поверхневого відбиття та індексів рослинності на основі дрона в робочих умовах. Дистанційне зондування 12 (3), 514.
Фенг, X., Ян, Ф., Лю, X., 2019. Дослідження технологій бездротового зв’язку в Інтернеті речей для точного землеробства. Бездротові перс. Комун. 108 (3),
1785-1802.
Ferreira, MP, Pinto, CF, Serra, FR, 2014. Теорія трансакційних витрат у дослідженнях міжнародного бізнесу: бібліометричне дослідження протягом трьох десятиліть. Наукометрія 98 (3), 1899–1922. https://doi.org/10.1007/s11192-013-1172-8.
Фішер, П., Абузар, М., Раб, М., Бест, Ф., Чандра, С., 2009. Досягнення в точному землеробстві в південно-східній Австралії. I. методологія регресії для моделювання
просторові варіації врожайності зернових з використанням історичної врожайності загонів фермерів і нормалізованого індексу різниці рослинності. Рослина Пасовища Sci. 60 (9), 844–858.
Флореано, Д., Вуд, Р. Дж., 2015. Наука, технології та майбутнє малих автономних дронів. Nature 521 (7553), 460–466. https://doi.org/10.1038/nature14542.
Friha, O., Ferrag, MA, Shu, L., Maglaras, LA, Wang, X., 2021. Інтернет речей для майбутнього розумного сільського господарства: всебічний огляд нових технологій. IEEE CAA J. Autom. Sinica 8 (4), 718–752.
Фуентес-Пачеко, Дж., Торрес-Оліварес, Дж., Роман-Ранхель, Е., Сервантес, С., ХуаресЛопес, П., Ермосільо-Валадес, Дж., Рендон-Манча, ´ Дж.М., 2019. Сегментація рослин інжиру з аерофотознімків за допомогою мережі глибокого згорткового кодера-декодера. Дистанційне зондування 11 (10), 1157. https://doi.org/10.3390/rs11101157.
Гаго, Дж., Даут, К., Купман, Р.Е., Галего, П.П., Рібас-Карбо, М., Флексас, Дж., Ескалона, Дж., Медрано, Х., 2015. БПЛА виклик оцінки водного стресу для
стійке сільське господарство. Agric. водний менеджмент 153, 9–19. https://doi.org/10.1016/j. агват.2015.01.020.
Гарсіа-Техеро, І. Ф., Рубіо, А. Е., Вінуела, ˜ І., Ерн´ андес, А., Гутіеррес-Гордільйо, С., Родрігес-Плегесуело, Ч. Р., Дуран-Зуазо, В. Г., 2018. Тепловізор на заводі
рівень для оцінки стану води та культури в мигдальних деревах (сорт Guara) за стратегій дефіцитного зрошення. Agric. водний менеджмент 208, 176–186. https://doi.org/10.1016/j.
агват.2018.06.002.
Гарцоніо, Р., Ді Мауро, Б., Коломбо, Р., Кольяті, С., 2017. Вимірювання спектроскопії відбиття поверхні та індукованої сонцем флуоресценції за допомогою невеликого гіперспектрального UAS. Дистанційне зондування 9 (5), 472. https://doi.org/10.3390/rs9050472. Гашпарович, М., Зриньскі, М., Барковіц, Дж., Радочай, Д., 2020. Автоматичний метод для
картування бур’янів на вівсяних полях на основі знімків БПЛА. обчис. Електрон. Agric.
Гебберс Р., Адамчук В.І., 2010. Точне землеробство та продовольча безпека. Наука 327 (5967), 828–831. https://doi.org/10.1126/science.1183899.
Geipel, J., Link, J., Claupein, W., 2014. Комбіноване спектральне та просторове моделювання врожайності кукурудзи на основі аерофотознімків і моделей поверхні посівів, отриманих за допомогою безпілотної авіаційної системи. Дистанційне зондування 6 (11), 10335–10355. https://doi.org/10.3390/rs61110335.
Ген, Д., Фен, Ю., Чжу, К., 2020. Сталий дизайн для користувачів: огляд літератури та бібліометричний аналіз. Навколишнє середовище. наук. забруднення. рез. 27 (24), 29824–29836. https://doi. org/10.1007/s11356-020-09283-1.
Gevaert, CM, Suomalainen, J., Tang, J., Kooistra, L., 2015. Генерація спектрально-часових поверхонь відгуку шляхом поєднання мультиспектрального сателітного та гіперспектрального
Зображення БПЛА для застосування в точному сільському господарстві. IEEE J. Sel. Топ. апл. Обзор Землі Remote Sens. 8 (6), 3140–3146. ttps://doi.org/10.1109/JSTARS.2015.2406339.
Гілл С.С., Чана І., Буйя Р., 2017. Сільське господарство на основі Інтернету речей як хмара та служба великих даних: початок цифрової Індії. J. Org. і End User Comput. (JOEUC) 29 (4),
1-23.
Гмур, М., 2006. Аналіз спільного цитування та пошук невидимих коледжів: методологічна оцінка. Наукометрія 57 (1), 27–57. https://doi.org/10.1023/
a: 1023619503005.
Gnadinger, ¨ F., Schmidhalter, U., 2017. Цифровий підрахунок рослин кукурудзи за допомогою безпілотних літальних апаратів (БПЛА). Дистанційне зондування 9 (6). https://doi.org/10.3390/rs9060544.
Gokto ¨ ǧan, AH, Sukkarieh, S., Bryson, M., Randle, J., Lupton, T., Hung, C., 2010. Гвинтокрилий безпілотний літальний апарат для спостереження за водними бур’янами та
управління. J. Intell. Робототехнічна сист.: теор. апл. 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. Оцінка точності мозаїк із зображень безпілотних літальних апаратів (БПЛА) для цілей точного землеробства на пшениці. Прециз. 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. Польове фенотипування водного стресу в масштабі дерев за допомогою зображень, отриманих за допомогою БПЛА : нові ідеї для
термічний збір і калібрування. Прециз. Agric. 17 (6), 786–800. https://doi.org/10.1007/s11119-016-9449-6.
Gonzalez-Dugo, V., Zarco-Tejada, PJ, Fereres, E., 2014. Застосування та обмеження використання індексу водного стресу культур як індикатора дефіциту води в цитрусових садах. Agric. для. 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. Використання теплових зображень БПЛА з високою роздільною здатністю для
оцінити мінливість водного статусу п’яти видів фруктових дерев у комерційному фруктовому саду. Прециз. Agric. 14 (6), 660–678. https://doi.org/10.1007/s11119-013-9322-9.
Гойял, К., Кумар, С., 2021. Фінансова грамотність: систематичний огляд і бібліометричний аналіз. Міжн. J. Consumer Studies 45 (1), 80–105. https://doi.org/10.1111/
ijcs.12605.
Grenzdorffer, ¨ GJ, Engel, A., Teichert, B., 2008. Фотограмметричний потенціал недорогих БПЛА в лісовому та сільському господарствах. Міжнародні архіви фотограмметрії, дистанційного зондування та просторової інформації – Архів ISPRS 37, 1207–1213. https://www.scopus.com/inward/record.uri?eid=2-s2.0-85039543258&partnerI D=40&md5=b4b2d639257e8ddb5a373d15959c4e1e.
Гуан С., Фукамі К., Мацунака Х., Окамі М., Танака Р., Накано Х., Сакаї Т., Накано К., Одан Х., Такахаші К., 2019. Оцінка кореляції високої роздільної здатності
NDVI з рівнем внесення добрив і врожайністю посівів рису та пшениці за допомогою малих БПЛА. Дистанційне зондування 11 (2), 112.
Ґундольф, К., Філсер, М., 2013. Дослідження менеджменту та релігія: аналіз цитування. Ж. Автобус. Етика 112 (1), 177–185.
Го, К., Чжу, Ю., Тан, Ю., Хоу, К., Хе, Ю., Чжуан, Дж., Чжен, Ю., Луо, С., 2020. CFD моделювання та експериментальна перевірка просторової і часові розподіли
низхідний повітряний потік чотирироторного сільськогосподарського БПЛА в зависанні. обчис. 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. , Польща, J., 2016.
Застосування безпілотних літальних систем для високопродуктивного фенотипування великих розплідників пшениці. Методи рослин 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. Спектральне зображення з БПЛА за різних умов освітлення . У GG Білл Р. (ред.), Міжнародні архіви фотограмметрії, дистанційного зондування та просторової інформації — архіви ISPRS (том 40, випуск 1W2, стор. 189–194). Міжнародне товариство фотограмметрії та дистанційного зондування. https://www.scopus.com/inward/record.uri?eid=2-s2.0-848875632.
Гамільтон, С.М., Морріс, Р.Х., Карвальо, Р.К., Родер, Н., Барлоу, П., Міллс, К., Ванг, Л. Оцінка методів картографування острівної рослинності з безпілотних літальних апаратів
зображення транспортних засобів (БПЛА): класифікація пікселів, візуальна інтерпретація та підходи до машинного навчання. Міжн. J. Appl. Обзор Землі Геоінф. 89, 102085 https://doi.org/
10.1016/j.jag.2020.102085.
Хаке, А., Іслам, Н., Самрат, Н.Г., Дей, С., Рей, Б., 2021. Розумне землеробство через відповідальне лідерство в Бангладеш: можливості, можливості та інше.
Сталий розвиток 13 (8), 4511.
Хардін, П.Дж., Хардін, Т.Дж., 2010. Маломасштабні дистанційно керовані апарати в дослідженнях навколишнього середовища. Географічний компас 4 (9), 1297–1311. ttps://doi.org/10.1111/j.1749-
8198.2010.00381.x.
Хардін, П. Дж., Дженсен, Р. Р., 2011. Малі безпілотні літальні апарати для дистанційного зондування навколишнього середовища: проблеми та можливості. GISci. Remote Sens. 48 (1), 99–111. https://doi.org/10.2747/1548-1603.48.1.99.
Хе Ю., Ні П., Чжан К., Лю Ф., 2021. Сільськогосподарський Інтернет речей: технології та застосування (1-е видання 2021 р.). Спрингер.
Гервіц, С.Р., Джонсон, Л.Ф., Дунаган, С.Е., Хіггінс, Р.Г., Салліван, Д.В., Чжен, Дж., Лобіц, Б.М., Леунг, Дж.Г., Галлмейер, Б.А., Аоягі, М., Слай, Р.Е., Брасс, Д.А., 2004 рік.
Зображення з безпілотного літального апарату: сільськогосподарське спостереження та підтримка прийняття рішень. обчис. Електрон. Agric. 44 (1), 49–61. https://doi.org/10.1016/j.
комп.2004.02.006.
Холман, Ф. Г., Річе, А. Б., Міхальскі, А., Касл, М., Вустер, М. Дж., Хоуксфорд, М. Дж. Високопродуктивне польове фенотипування висоти рослин пшениці та швидкості росту в польових випробуваннях на ділянці з використанням дистанційного зондування на основі БПЛА. Дистанційне зондування 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. Обробка та оцінка спектрометричних стереоскопічних зображень, зібраних за допомогою легкої спектральної камери БПЛА для точного землеробства. Дистанційне зондування 5 (10), 5006–5039. https://doi.org/10.3390/rs5105006.
Hossein Motlagh, N., Taleb, T., Arouk, O., 2016. Сервіси Інтернету речей на основі безпілотних літальних апаратів на низькій висоті: комплексне дослідження та майбутні перспективи. IEEE Internet Things J. 3 (6), 899–922. https://doi.org/10.1109/JIOT.2016.2612119.
Грабар, С., Сухатме, Г. С., Корк, П., Ашер, К., Робертс, Дж., 2005. Комбінована оптична та стерео навігація міських каньйонів для БПЛА. У: 2005 IEEE/RSJ
Міжнародна конференція з інтелектуальних роботів і систем, стор. 3309–3316. https://doi.org/10.1109/IROS.2005.1544998.
Hsu, T.-C., Yang, H., Chung, Y.-C., Hsu, C.-H., 2020. Креативна сільськогосподарська платформа IoT для хмарних обчислень у тумані. Сустейн. обчис. Інф. сист. 28, 100285.
Хуанг, Х., Ден, Дж., Лан, Й., Ян, А., Денг, X., Чжан, Л., Гонсалес-Андухар, Дж. Л., 2018. Повністю згорточна мережа для картографування бур’янів безпілотного літального апарату ( БПЛА). PLoS ONE 13 (4), e0196302.
Хуанг, Х., Лан, Ю., Ян, А., Чжан, Ю., Вен, С., Денг, Дж., 2020. Глибоке навчання проти об’єктного аналізу зображень (OBIA) у картографуванні бур’янів зображень БПЛА. Міжн. Дж.
Remote Sens. 41 (9), 3446–3479. https://doi.org/10.1080/01431161.2019.1706112.
Хуан, Х., Ян, А., Тан, Ю., Чжуан, Дж., Хоу, Ч., Тан, З., Дананджаян, С., Хе, Ю., Го, К., Ло, С., 2021. Глибоке калібрування кольорів для зображень БПЛА в моніторингу посівів
використовуючи передачу семантичного стилю з увагою від локального до глобального. Міжн. J. Appl. Обзор Землі Геоінф. 104, 102590 https://doi.org/10.1016/j.jag.2021.102590.
Huang, YB, Thomson, SJ, Hoffmann, WC, Lan, YB, Fritz, BK, 2013. Розробка та перспектива технологій безпілотних літальних апаратів для сільськогосподарського виробництва
управління. Міжн. Дж. Агрік. Biol. інж. 6 (3), 1–10. https://doi.org/10.3965/j. ijabe.20130603.001.
Huang, Y., Hoffmann, WC, Lan, Y., Wu, W., Fritz, BK, 2009. Розробка системи розпилення для платформи безпілотного літального апарату. апл. інж. Agric. 25 (6), 803–809.
Хант-молодший, швидка допомога, Дін Хівлі, В., Фуджікава, С.Дж., Лінден, Д.С., Дотрі, К.С.Т., Маккарті, Г.В., 2010. Отримання цифрових фотографій NIR-зелено-блакитного від
безпілотний літальний апарат для моніторингу посівів. Дистанційне зондування 2 (1), 290–305. https://doi. org/10.3390/rs2010290. Inoue, Y., 2020. Супутникове та безпілотне дистанційне зондування сільськогосподарських культур і ґрунтів для розумного землеробства – огляд. ґрунтознавство. Plant Nutr. 66 (6), 798–810. https://doi.org/10.1080/00380768.2020.1738899.
Іслам, Н., Рашид, М.М., Пасандіде, Ф., Рей, Б., Мур, С., Кадел, Р., 2021. Огляд програм і комунікаційних технологій для Інтернету речей (IoT) і
Стале розумне землеробство на основі безпілотних літальних апаратів (БПЛА). Стійкість 13 (4), 1821. https://doi.org/10.3390/su13041821.
Jaud, M., Passot, S., Le Bivic, R., Delacourt, C., Grandjean, P., Le Dantec, N., 2016. Оцінка точності цифрових моделей поверхні високої роздільної здатності, обчислених за допомогою
PhotoScan® і MicMac® в неоптимальних умовах зйомки. Дистанційне зондування 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. Кількісна оцінка впливу обрізки на архітектуру оливкових дерев і щорічні зростання навісу за допомогою 3D-моделювання на основі БПЛА. Методи рослин 13 (1). https://doi.org/10.1186/s13007-017-0205-3.
Цзінь, X., Лю, С., Барет, Ф., Хемерле, М., Комар, А., 2017. Оцінка щільності рослин посівів пшениці на виході зі знімків БПЛА на дуже низькій висоті. Дистанційний датчик
Навколишнє середовище. 198, 105–114. https://doi.org/10.1016/j.rse.2017.06.007.
Jinbo, C., Xiangliang, C., Han-Chi, F., Lam, A., 2019. Система моніторингу сільськогосподарської продукції, що підтримується хмарними обчисленнями. Cluster Comput. 22 (4), 8929–8938.
Ju, C., & Son, HI 2018a. Оцінка продуктивності кількох систем БПЛА для дистанційного зондування в сільському господарстві. Матеріали семінару з робототехнічного бачення та дій у сільському господарстві на Міжнародній конференції IEEE з робототехніки та автоматизації (ICRA), Брісбен, Австралія, 21–26.
Ju, C., Son, HI, 2018b. Кілька систем БПЛА для застосування в сільському господарстві: контроль, впровадження та оцінка. Електроніка 7 (9), 162. https://doi.org/10.3390/
електроніка7090162.
Юнг, Дж., Маеда, М., Чанг, А., Бхандарі, М., Ашапуре, А., Ландівар-Боулз, Дж., 2021. Потенціал дистанційного зондування та штучного інтелекту як інструментів для покращення
стійкість систем сільськогосподарського виробництва. Curr. Опін. Біотехнологія. 70, 15–22. https://doi.org/10.1016/j.copbio.2020.09.003.
Каліщук, М., Парет, М. Л., Фріман, Дж. Х., Радж, Д., Да Сілва, С., Юбенкс, С., Віггінс, Ді-Джей, Лоллар, М., Маруа, Дж. Дж., Меллінджер, Х. К., Дас, Дж. , 2019. Удосконалена техніка розвідки врожаю, що включає багатоспектральне зображення врожаю за допомогою безпілотного літального апарату в звичайну практику розвідки кавуна. Завод Дис. 103 (7), 1642–1650.
Капур, К.К., Тамілмані, К., Рана, Н.П., Патіл, П., Двіведі, Ю.К., Нерур, С., 2018. Досягнення в дослідженнях соціальних медіа: минуле, теперішнє та майбутнє. Інформ. сист. Фронт. 20
(3), 531-558.
Kerkech, M., Hafiane, A., Canals, R., 2020. VddNet: мережа виявлення хвороб виноградної лози на основі мультиспектральних зображень і карти глибини. Дистанційне зондування 12 (20), 3305. https://doi. org/10.3390/rs12203305.
Khaliq, A., Comba, L., Biglia, A., Ricauda Aimonino, D., Chiaberge, M., Gay, P., 2019. Порівняння супутникових і БПЛА мультиспектральних зображень для виноградників
оцінка мінливості. Дистанційне зондування 11 (4). https://doi.org/10.3390/rs11040436.
Khan, PW, Byun, Y.-C., Park, N., 2020. IoT-блокчейн увімкнув оптимізовану систему походження для харчової промисловості 4.0 з використанням розширеного глибокого навчання. Датчики 20 (10), 2990.
Khan, RU, Khan, K., Albattah, W., Qamar, AM, Ullah, F., 2021. Виявлення захворювань рослин на основі зображень: від класичного машинного навчання до глибокого навчання. Бездротовий комунік. Мобільний комп'ютер. 2021, 1–13.
Хан, С., Туфейл, М., Хан, М.Т., Хан, З.А., Ікбал, Дж., Алам, М., Ле, KNQ, 2021. Нова напівконтрольована структура для класифікації культур/бур’янів на основі БПЛА. PLoS ONE 16 (5), e0251008.
Ханал, С., Фултон, Дж., Ширер, С., 2017. Огляд поточних і потенційних застосувань теплового дистанційного зондування в точному землеробстві. обчис. Електрон.
Agric. 139, 22–32. https://doi.org/10.1016/j.compag.2017.05.001.
Ханна, А., Каур, С., 2019. Еволюція Інтернету речей (IoT) та його значний вплив на сферу точного землеробства. обчис. Електрон. Agric. 157, 218–231.
Кім, В., Хан, Г. Ф., Вуд, Дж., Махмуд, М.Т., 2016. Залучення співробітників для стійких організацій: аналіз ключових слів за допомогою аналізу соціальних мереж і вибуху
підхід до виявлення. Сталий розвиток 8 (7), 631.
Кірш, М., Лоренц, С., Циммерманн, Р., Туса, Л., Моккель, ¨ Р., Ходл, ¨ П., Буйсен, Р., Ходададзаде, М., Глоагуен, Р., 2018. Інтеграція наземних і безпілотних
гіперспектральні та фотограмметричні методи зондування для геологорозвідувального картування та моніторингу гірничих робіт. Дистанційне зондування 10 (9), 1366. https://doi.org/10.3390/
rs10091366.
Kitano, BT, Mendes, CCT, Geus, AR, Oliveira, HC, Souza, JR, 2019. Підрахунок рослин кукурудзи за допомогою глибокого навчання та зображень БПЛА. IEEE Geosci. Remote Sens. Lett. 1–5 https://doi.org/10.1109/LGRS.2019.2930549.
Koh, JCO, Spangenberg, G., Kant, S., 2021. Автоматизоване машинне навчання для високопродуктивного фенотипування рослин на основі зображень. Дистанційне зондування 13 (5), 858. https://
doi.org/10.3390/rs13050858.
Ковальов І.В., Ворошилова А.А. 2020. Сучасні технологічні тренди розвитку екосистеми вантажних БПЛА. J. Phys. конф. Сер. 1515 (5), 052068 https://doi. org/10.1088/1742-6596/1515/5/052068.
Крул, С., Пантос, К., Франгулеа, М., Валенте, Дж., 2021. Візуальний SLAM для домашнього тваринництва та фермерства за допомогою невеликого дрона з монокулярною камерою: техніко-економічне обґрунтування.
Дрони 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. Дослідження дронів для автоматизації сільського господарства від посадки до
урожай. У: INES 2018 – 22-га міжнародна конференція IEEE з інтелектуальних інженерних систем, стор. 000353–358. https://doi.org/10.1109/INES.2018.8523943.
Лагкас, Т., Аргіріу, В., Бібі, С., Сарігіаннідіс, П., 2018. Погляди та виклики структури IoT БПЛА: до захисту дронів як «речей». Датчики 18 (11), 4015. https://doi.org/10.3390/s18114015.
Лаліберте, А. С., Ранго, А., 2011. Процедури обробки та класифікації зображень для аналізу субдециметрових зображень, отриманих за допомогою безпілотного літального апарату над посушливим
пасовища. GISci. Remote Sens. 48 (1), 4–23. https://doi.org/10.2747/1548-1603.48.1.4.
Laliberte, AS, Rango, A., Herrick, JE, 2007. Безпілотні літальні апарати для картографування та моніторингу пасовищ: порівняння двох систем. Матеріали щорічної конференції ASPRS.
Lam, OHY, Dogotari, M., Prüm, M., Vithlani, HN, Roers, C., Melville, B., Zimmer, F., Becker, R., 2021. Робочий процес із відкритим кодом для картографування бур’янів на місцевих луках
використання безпілотного літального апарату: використання Rumex obtusifolius як приклад. Євро. J. Remote Sens. 54 (sup1), 71–88. https://doi.org/10.1080/22797254.2020.1793687.
Ламберт, Д.М., Ловенберг-ДеБор, Дж., Гріффін, Т.В., Пеоне, Дж., Пейн, Т., Даберков, С.Г., 2004. Прийняття, прибутковість і краще використання даних точного землеробства.
Робочий документ. Університет Пердью. https://doi.org/10.22004/ag.econ.28615.
Lelong, CCD, Burger, P., Jubelin, G., Roux, B., Labb´e, S., Baret, F., 2008. Оцінка зображень безпілотних літальних апаратів для кількісного моніторингу врожаю пшениці на малих ділянках. Датчики 8 (5), 3557–3585. https://doi.org/10.3390/s8053557.
Лі К., Ніу Б., 2020. Розробка розумного сільського господарства на основі великих даних та Інтернету речей. Міжн. J. Distrib. Sens. Netw. 16 (5) ttps://doi.org/10.1177/1550147720917065.
Лі, В., Ніу, З., Чен, Х., Лі, Д., Ву, М., Чжао, В., 2016. Дистанційна оцінка висоти пологу та надземної біомаси кукурудзи за допомогою стереозображень високої роздільної здатності з недорогий безпілотний літальний апарат. Ecol. Інд. 67, 637–648. https://doi.org/10.1016/j.ecolind.2016.03.036.
Ліакос, К. Г., Бусато, П., Мошоу, Д., Пірсон, С., Бохтіс, Д., 2018. Машинне навчання в сільському господарстві: огляд. Датчики 18 (8), 2674.
Liebisch, F., Kirchgessner, N., Schneider, D., Walter, A., Hund, A., 2015. Дистанційне повітряне фенотипування ознак кукурудзи за допомогою мобільного мультисенсорного підходу. Методи рослин 11 (1), 9. https://doi.org/10.1186/s13007-015-0048-8.
Лін, З., Гуо, В., 2020. Виявлення та підрахунок волоті сорго за допомогою зображень безпілотної літальної системи та глибокого навчання. Фронт. Plant Sci. 11.
Лю, С., Гуо, Л., Вебб, Х., Я, X., Чанг, X., 2019. Система моніторингу Інтернету речей сучасного екологічного сільського господарства на основі хмарних обчислень. IEEE Access 7, 37050–37058.
Lopez-Granados, ´ F., 2011. Виявлення бур’янів для боротьби з бур’янами на певних ділянках: картографування та підходи в реальному часі. Weed Res. 51 (1), 1–11. https://doi.org/10.1111/j.1365-3180.2010.00829.x.
Лопес-Гранадос, ´ Ф., Торрес-Санчес, ´ Х., Де Кастро, А.-І., Серрано-Перес, А., МесасКарраскоса, Ф.-Х., Пена, ˜ Ж.-М. , 2016. Об’єктний ранній моніторинг злакових бур’янів у посівах трави з використанням зображень БПЛА високої роздільної здатності. Агрон. Сустейн. Dev. 36 (4), 1–12
Лопес-Гранадос, Ф., Торрес-Санчес, Дж., Серрано-Перес, А., де Кастро, А.І., МесасКарраскоса, Ф.-Х., Пена, ˜ Ж.-М., 2016. Ранне сезонне картування бур’янів на соняшнику за допомогою технології БПЛА: варіативність карт обробки гербіцидами щодо порогів бур’янів. Прециз. Agric. 17 (2), 183–199.
Lucieer, A., Malenovský, Z., Veness, T., Wallace, L., 2014. HyperUAS – спектроскопія зображення з багатороторної безпілотної літальної системи. Дж. Філд 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. Наземне лазерне сканування сільськогосподарських культур. В JJ
Чен Дж. Маас Х–Г. (Ред.), Міжнародні архіви фотограмметрії, дистанційного зондування та просторової інформації — архіви ISPRS (том 37, стор. 563–566).
Міжнародне товариство фотограмметрії та дистанційного зондування. https://www.scopus .com/inward/record.uri?eid=2-s2.0-84919356328&partnerID=40&md5=574
b802131a99d16318ce619a01ca1bf.
Ма, Л., Лі, М., Ма, X., Ченг, Л., Ду, П., Лю, Ю., 2017. Огляд контрольованої об’єктної класифікації зображень наземного покриву. ISPRS J. Photogramm. Дистанційний датчик 130,
277–293. https://doi.org/10.1016/j.isprsjprs.2017.06.001.
Maes, WH, Steppe, K., 2019. Перспективи дистанційного зондування за допомогою безпілотних літальних апаратів у точному землеробстві. Trends Plant Sci. 24 (2), 152–164. https://doi.org/10.1016/j.tplants.2018.11.007.
Maimaitijiang, M., Ghulam, A., Sidike, P., Hartling, S., Maimaitiyiming, M., Peterson, K., Shavers, E., Fishman, J., Peterson, J., Kadam, S., Беркен, Дж., Фрічі, Ф., 2017.
Фенотипування сої на основі безпілотної авіаційної системи (UAS) за допомогою мультисенсорного об’єднання даних і екстремальної машини навчання. ISPRS J. Photogramm. Remote Sens. 134, 43–58. https://doi.org/10.1016/j.isprsjprs.2017.10.011. Маймайцзян, М., Саган, В., Сідіке, П., Далоє, А.М., Еркбол, Х., Фрічі, Ф.Б., 2020.
Моніторинг посівів за допомогою об’єднання даних супутника/БПЛА та машинного навчання. Дистанційне зондування 12 (9), 1357. https://doi.org/10.3390/rs12091357.
Манфреда, С., Маккейб, М., Міллер, П., Лукас, Р., Пахуело Мадригал, В., Маллініс, Г., Бен Дор, Е., Гельман, Д., Естес, Л., Сіраоло, Г. ., Мюллерова, ´ Дж., Тауро, Ф., де Ліма, М., де
Ліма, Дж., Мальтійський, А., Френсіс, Ф., Кейлор, К., Кохв, М., Перкс, М., Руїс-Перез, Г., Су, З., Віко, Г., Тот , Б., 2018. Про використання безпілотних авіаційних комплексів для
екологічний моніторинг. Дистанційне зондування 10 (4), 641.
Маринко, Р. А., 1998. Цитування журналів з жіночих досліджень у дисертаціях, 1989 та The Serials Librarian 35 (1–2), 29–44. https://doi.org/10.1300/J123v35n01_
03.
Масрур Р., Наїм М., Еджаз В., 2021. Управління ресурсами в бездротових мережах із підтримкою БПЛА: перспектива оптимізації. Ad Hoc Netw. 121, 102596 https://doi.org/10.1016/j.adhoc.2021.102596.
Matese, A., Di Gennaro, SF, 2018. Практичне застосування мультисенсорної платформи БПЛА на основі мультиспектральних, теплових і RGB зображень високої роздільної здатності в точності
виноградарство. Сільське господарство 8 (7), 116. https://doi.org/10.3390/agriculture8070116.
Матезе, А., Ді Дженнаро, Сан-Франциско, 2021. Крім традиційного індексу NDVI як ключового фактора для широкого використання БПЛА у точному виноградарстві. Sci. Rep. 11 (1), 2721. https://doi.org/10.1038/s41598-021-81652-3.
Матезе, А., Тоскано, П., Ді Дженнаро, С.Ф., Дженезіо, Л., Ваккарі, Ф.П., Прімічеріо, Дж., Беллі, Ч., Залдей, А., Б’янконі, Р., Гіолі, Б., 2015 Взаємне порівняння БПЛА, літака
і супутникові платформи дистанційного зондування для точного виноградарства. Дистанційне зондування 7 (3), 2971–2990. https://doi.org/10.3390/rs70302971.
Mazzia, V., Comba, L., Khaliq, A., Chiaberge, M., Gay, P., 2020. Уточнення супутникового індексу рослинності на основі БПЛА та машинного навчання для точності
сільське господарство. Датчики 20 (9), 2530. https://doi.org/10.3390/s20092530.
McCain, KW, 1990. Відображення авторів в інтелектуальному просторі: технічний огляд. J. Am. Соц. Інформація. наук. 41 (6), 433–443.
Meinen, BU, Robinson, DT, 2021. Моделювання сільськогосподарської ерозії: оцінка оцінок ерозії в польовому масштабі USLE та WEPP за допомогою даних часових рядів БПЛА. Навколишнє середовище. Модель. Програмне забезпечення 137, 104962. https://doi.org/10.1016/j.envsoft.2021.104962.
Мелвілл, Б., Люсьєр, А., Аріал, Дж., 2019. Класифікація низинних місцевих пасовищ із використанням гіперспектральних зображень безпілотної авіаційної системи (UAS) у
Середньогір'я Тасманії. Дрони 3 (1), 5.
Мессіна, Г., Модіка, Г., 2020. Застосування тепловізорів БПЛА в точному землеробстві: сучасний рівень і перспективи майбутніх досліджень. Дистанційне зондування 12 (9), https://doi.org/10.3390/rs12091491.
Мішра, Д., Луо, З., Цзян, С., Пападопулос, Т., Дабі, Р., 2017. Бібліографічне дослідження великих даних: концепції, тенденції та проблеми. Управління бізнес-процесами. J. 23 (3),
555-573.
Mochida, K., Saisho, D., Hirayama, T., 2015. Поліпшення врожаю за допомогою наборів даних життєвого циклу, отриманих у польових умовах. Фронт. Plant Sci. 6 https://doi.org/10.3389/
fpls.2015.00740.
Mogili, UM.R., Deepak, BBVL, 2018. Огляд застосування безпілотних систем у точному землеробстві. Procedia Comput. Sci. 133, 502–509.
Мохарана, С., Датта, С., 2016. Просторова мінливість вмісту хлорофілу та азоту в рисі на основі гіперспектральних зображень. ISPRS J. Photogramm. Remote Sens. 122, 17–29.
Муангпратуб, Дж., Буннам, Н., Кайорнкасірат, С., Лекбангпонг, Н., Ванічсомбат, А.,
Ніллаор, П., 2019. IoT та аналіз даних про сільське господарство для розумної ферми. обчис. Електрон. Agric. 156, 467–474.
Nansen, C., Elliott, N., 2016. Дистанційне зондування та профілювання відбиття в ентомології. Annu. Ентомол. 61 (1), 139–158. https://doi.org/10.1146/annurev-ento010715-023834.
Navia, J., Mondragon, I., Patino, D., Colorado, J., 2016. Мультиспектральне картографування в сільському господарстві: мозаїка місцевості за допомогою автономного квадрокоптера БПЛА. Міжн. конф.
Система безпілотних літальних апаратів (ICUAS) 2016, 1351–1358. https://doi.org/10.1109/ ICUAS.2016.7502606.
Найяр, А., Нгуєн, Б.-Л., Нгуєн, Н.Г., 2020. Інтернет безпілотників (Iodt): майбутнє уявлення про розумні дрони. Adv. Intell. сист. обчис. 1045, 563–580. https://doi.org/10.1007/978-981-15-0029-9_45.
Nebiker, S., Annen, A., Scherrer, M., Oesch, D., 2008. Легкий багатоспектральний датчик для мікро БПЛА — можливості для дистанційного зондування з повітря з дуже високою роздільною здатністю. Міжн. Арк. Фотограма. Дистанційний датчик. Інф. Sci 37 (B1), 1193–1200.
Негаш, Л., Кім, Х.-Й., Чой, Х.-Л., 2019. Нові застосування БПЛА в сільському господарстві. У: 2019 7-а Міжнародна конференція з технологій інтелекту роботів і
Додатки (RiTA), стор. 254–257. https://doi.org/10.1109/RITAPP.2019.8932853.
Нерур, С. П., Рашид, А. А., Натараджан, В., 2008. Інтелектуальна структура сфери стратегічного менеджменту: аналіз авторського співцитування. Стратег. кер. J. 29 (3),
319-336.
Neupane, K., Baysal-Gurel, F., 2021. Автоматична ідентифікація та моніторинг хвороб рослин за допомогою безпілотних літальних апаратів: огляд. Дистанційне зондування 13 (19), 3841. https://doi.org/10.3390/rs13193841.
Некс, Ф., Ремондіно, Ф., 2014. БПЛА для програм 3D-картографії: огляд. апл. Геоматика 6 (1), 1–15. https://doi.org/10.1007/s12518-013-0120-x.
Ніу, Х., Холленбек, Д., Чжао, Т., Ван, Д., Чень, Ю., 2020. Оцінка евапотранспірації за допомогою малих БПЛА в точному землеробстві. Датчики 20 (22), 6427. https://
doi.org/10.3390/s20226427.
Osareh, F., 1996. Бібліометрія, аналіз цитування та аналіз спільного цитування. Огляд літератури 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, датчики та обробка даних в агролісомеліорації: огляд практичних застосувань. Міжн. J. Remote Sens. 38 (8–10), 2349–2391. https://doi.org/10.1080/01431161.2017.1297548.
Пандей, США, Пратіхаст, Аляска, Аріал, Дж., Каястха, РБ, 2020. Огляд рішень для обробки даних на основі дронів для зернових культур. Дрони 4 (3), 1–29. https://doi.org/10.3390/
дрони4030041.
Parsaeian, M., Shahabi, M., Hassanpour, H., 2020. Оцінка вмісту олії та білка в насінні кунжуту за допомогою обробки зображень та штучної нейронної мережі. J. Am. олія
Хіміків Соц. 97 (7), 691–702.
Pena, ˜ JM, Torres-S´anchez, J., de Castro, AI, Kelly, M., Lopez-Granados, ´ F., Suarez, O., Картування бур’янів на ранніх полях кукурудзи за допомогою об’єктного аналізу з
зображення безпілотного літального апарату (БПЛА). PLoS ONE 8 (10), e77151.
Перес-Ортіс, М., Пена, ˜ Дж.М., Гутіеррес, Пенсільванія, Торрес-Санчес, Дж., Ерв ас-Мартінес, К.,
Lopez-Granados, ´ F., 2015. Напівконтрольована система картографування бур’янів у посівах соняшнику за допомогою безпілотних літальних апаратів і методу виявлення рядків культур. апл. 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. Економічно ефективні пристрої IoT як надійні джерела даних для системи управління водними ресурсами на основі блокчейну в точному землеробстві. обчис. Електрон. Agric. 180, 105889.
Попеску, Д., Стоікан, Ф., Стаматеску, Г., Ічім, Л., Драгана, К., 2020. Удосконалена система БПЛА–WSN для інтелектуального моніторингу в точному землеробстві. Датчики 20 (3), https://doi.org/10.3390/s20030817.
Pournader, M., Shi, Y., Seuring, S., Koh, SL, 2020. Застосування блокчейну в ланцюгах постачання, транспорті та логістиці: систематичний огляд літератури. Міжн. J. Prod. рез. 58 (7), 2063–2081.
Прімісеріо, Дж., Ді Дженнаро, С.Ф., Фіорілло, Е., Дженезіо, Л., Лугато, Е., Матезе, А., Ваккарі, Ф.П., 2012. Гнучкий безпілотний літальний апарат для точного землеробства.
Прециз. Agric. 13 (4), 517–523. https://doi.org/10.1007/s11119-012-9257-6.
Прітчард, А., 1969. Статистична бібліографія або бібліометрія. Ж. Документ. 25 (4), 348–349.
Pudelko, R., Stuczynski, T., Borzecka-Walker, M., 2012. Придатність безпілотного літального апарату (БПЛА) для оцінки експериментальних полів і посівів. Сільське господарство 99 (4), 431–436.
Пурі, В., Найяр, А., Раджа, Л., 2017. Сільськогосподарські дрони: сучасний прорив у точному землеробстві. Дж. Статіс. кер. сист. 20 (4), 507–518.
Радоглу-Грамматікіс, П., Сарігіаннідіс, П., Лагкас, Т., Москоліос, І., 2020. Компіляція застосувань БПЛА для точного землеробства. обчис. Netw. 172,
107148 https://doi.org/10.1016/j.comnet.2020.107148.
Рамеш, К.В., Ракеш, В., Пракаса Рао, EVS, 2020. Застосування аналітики великих даних і штучного інтелекту в агрономічних дослідженнях. Індієць Дж. Агрон. 65 (4), 383–395.
Рапареллі, Е., Байокко, С., 2019. Бібліометричний аналіз використання безпілотних літальних апаратів у сільськогосподарських та лісових дослідженнях. Міжн. J. Remote Sens. 40 (24),
9070–9083. https://doi.org/10.1080/01431161.2019.1569793.
Расмуссен Дж., Нільсен Дж., Гарсія-Руїс Ф., Крістенсен С., Штрайбіг Дж. К., Лотц Б., 2013.
Потенційне використання малих безпілотних літальних апаратів (БЛА) у дослідженні бур’янів. Weed Res. 53 (4), 242–248.
Расмуссен, Дж., Нтакос, Г., Нільсен, Дж., Свенсгаард, Дж., Поульсен, Р. Н., Крістенсен, С. Чи індекси рослинності отримані від споживчих камер, встановлених на
БПЛА достатньо надійні для оцінки дослідних ділянок? Євро. Я. Агрон. 74, 75–92. https://doi.org/10.1016/j.eja.2015.11.026.
Реджеб, А., Реджеб, К., Абдоллахі, А., Зайлані, С., Іранманеш, М., Гобахлу, М., 2022. Цифровізація в ланцюгах поставок харчових продуктів: бібліометричний огляд і основний шлях
аналіз. Сталий розвиток 14 (1), 83. https://doi.org/10.3390/su14010083.
Реджеб, А., Реджеб, К., Сімске, С. Дж., Трейблмаєр, Х., 2021a. Безпілотники для управління ланцюгами поставок і логістики: огляд і програма досліджень. Міжн. Дж. Логіст. рез. апл.
1–24. https://doi.org/10.1080/13675567.2021.1981273.
Реджеб, А., Реджеб, К., Сімске, С., Трейблмаєр, Х., 2021b. Блокчейн-технології в логістиці та управлінні ланцюгами поставок: бібліометричний огляд. Логістика 5 (4), 72.
https://doi.org/10.3390/logistics5040072.
Реджеб, А., Реджеб, К., Сімске, С., Трейблмаєр, Х., 2021c. Гуманітарні дрони: огляд і програма досліджень. Інтернет речей 16, 100434. https://doi.org/10.1016/j.
iot.2021.100434.
Реджеб, А., Трейблмаєр, Х., Реджеб, К., Зайлані, С., 2021d. Дослідження блокчейну в охороні здоров’я: бібліометричний огляд та сучасні тенденції досліджень. J. даних, інф. і
кер. 3 (2), 109–124.
Реджеб, А., Сімске, С., Реджеб, К., Трейблмаєр, Х., Зайлані, С., 2020. Дослідження Інтернету речей в управлінні ланцюгом постачання та логістиці: бібліометричний аналіз. Інтернет
речей 12, 100318.
ReportLinker, 2021. Світовий ринок дронів для сільського господарства досягне 15.2 мільярда доларів США до року. Кімната новин 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- Рік-2027.html.
Ribeiro-Gomes, K., Hernandez-L´opez, ´ D., Ortega, JF, Ballesteros, R., Poblete, T., Moreno, MA, 2017. Калібрування неохолоджуваної теплової камери та оптимізація
процес фотограмметрії для застосування БПЛА в сільському господарстві. Датчики (Швейцарія) 17 (10). https://doi.org/10.3390/s17102173.
Рівера, Массачусетс, Пізам, А., 2015. Досягнення в дослідженні гостинності: «Від Родні Дангерфілда до Арети Франклін». Міжн. J. Contempor. Лікарня. кер. 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. Сенсорна система на основі міні-БПЛА для вимірювання змінних середовища в теплицях. Датчики 15 (2), 3334–3350. https://doi.org/10.3390/s150203334.
Розенберг, Г., Кент, Р., Бланк, Л., 2021. БПЛА споживчого класу, що використовується для виявлення та аналізу моделей просторового розподілу бур’янів у пізній сезон на комерційних полях цибулі. Прециз. 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. Безпілотний система спектральної камери, керована літальним апаратом (БПЛА), для застосування в лісі та сільському господарстві. Продовжуйте. SPIE – Міжн. Соц. Opt. інж. 8174 https://doi.org/10.1117/12.897585.
Сах, Б., Гупта, Р., Бані-Хані, Д., 2021. Аналіз перешкод для впровадження логістики дронів. Міжн. Дж. Логіст. рез. апл. 24 (6), 531–550. https://doi.org/10.1080/
13675567.2020.1782862.
Саха, А. К., Саха, Дж., Рей, Р., Сіркар, С., Дутта, С., Чаттопадхяй, С. П., і Саха, Х. Н., безпілотник на базі IOT для покращення якості врожаю в сільськогосподарській галузі. В SH
Н. Чакрабарті С. (Ред.), 2018-й щорічний семінар і конференція IEEE з обчислювальної техніки та зв’язку, CCWC 8 (тома 2018 – січень, стор. 2018–612). Інститут
of Electrical and Electronics Engineers Inc. doi: 10.1109/CCWC.2018.8301662.
Сай Вініт, К.В., Вара Прасад, Ю.Р., Дабі, С.Р., Венкатараман, Х., 2019. LEDCOM: новий і ефективний світлодіодний зв’язок для точного землеробства. IEEE Conf. Інформація. Комун. технол. 2019, 1–5. https://doi.org/10.1109/CICT48419.2019.9066177.
Саламі, Е., Баррадо, К., Пастор, Е., 2014. Експерименти польоту БПЛА, застосовані для дистанційного зондування рослинних територій. Дистанційне зондування 6 (11), 11051–11081. https://doi.org/10.3390/rs61111051.
Санкаран, С., Хот, Л.Р., Еспіноза, Чехія, Яролмассед, С., Сатуваллі, В.Р., Вандемарк, Дж.Дж., Міклас, П.Н., Картер, А.Х., Памфрі, Міссурі, Ноулз, NRN, Павек, М.Дж., 2015.
Системи аерофотозйомки з високою роздільною здатністю на малій висоті для фенотипування просапних і польових культур: огляд. Євро. Я. Агрон. 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. Тепловізор із високою роздільною здатністю на основі БПЛА для оцінки
миттєва та сезонна мінливість водного стану рослин у межах виноградника. Agric. водний менеджмент 183, 49–59. https://doi.org/10.1016/j.agwat.2016.08.026.
Сарлі, Ч. К., Дубінскі, Е. К., Холмс, К. Л., 2010. Крім аналізу цитування: модель для оцінки впливу дослідження. J. Med. Бібліотека доц. : JMLA 98 (1), 17–23. https://doi.org/10.3163/1536-5050.98.1.008.
Шепман, М.Е., Устін, С.Л., Плаза, А.Дж., Пейнтер, Т.Х., Веррелст, Дж., Лян, С., 2009. Спектроскопія зображень, пов’язана з наукою про систему Землі — оцінка. Дистанційний датчик навколишнього середовища. 113, S123–S137.
Шіррманн, М., Гібел, А., Глейнігер, Ф., Пфланц, М., Лентшке, Дж., Даммер, К.-Х., 2016. Моніторинг агрономічних параметрів посівів озимої пшениці за допомогою недорогого БПЛА
образність. Дистанційне зондування 8 (9). https://doi.org/10.3390/rs8090706.
Schmale III, DG, Dingus, BR, Reinholtz, C., 2008. Розробка та застосування автономного безпілотного літального апарату для точного аеробіологічного відбору проб вище.
сільськогосподарські поля. Дж. Філд Роб. 25 (3), 133–147. https://doi.org/10.1002/rob.20232.
Шадрін Д., Меньщиков А., Сомов А., Борнеманн Г., Хауслаге Й., Федоров М.,
Уможливлення точного землеробства завдяки вбудованому датчику зі штучним інтелектом. IEEE Trans. інструмент. вимірювання 69 (7), 4103–4113.
Шахатрех, Х., Савалме, А.Г., Аль-Фукаха, А., Доу, З., Алмайта, Е., Халіл, І.,
Отман, Н. С., Крейша, А., Гізані, М., 2019. Безпілотні літальні апарати (БПЛА): огляд цивільного застосування та ключових проблем дослідження. IEEE Access 7,
48572–48634. https://doi.org/10.1109/ACCESS.2019.2909530.
Шакур, Н., Нортрап, Д., Мюррей, С., Моклер, ТК, 2019. Сільське господарство, кероване великими даними: аналітика великих даних у селекції рослин, геноміці та використанні дистанційного зондування
технології підвищення продуктивності сільськогосподарських культур. Феномен рослин J. 2 (1), 1–8.
Шарма, Б.К., Чандра, Г., Мішра, В.П., 2019. Порівняльний аналіз і застосування БПЛА та штучного інтелекту в судово-медичних дослідженнях. In: Proceedings – 2019 Amity International
Конференція зі штучного інтелекту. https://doi.org/10.1109/AICAI.2019.8701407.
Шарма, Р., Шішодія, А., Гунасекаран, А., Мін, Х., Мунім, Ж., 2022. Роль штучного інтелекту в управлінні ланцюгом поставок: картографування території. Міжн. Дж.
Виробник рез. 1–24. https://doi.org/10.1080/00207543.2022.2029611.
Ши, Ю., Томассон, Дж. А., Мюррей, SC, П’ю, Н. А., Руні, В. Л., Шафіан, С., Раджан, Н., Руз, Г., Морган, CLS, Нілі, Х. Л., Рана, А., Багаватіаннан , МВ,
Генріксон, Дж., Боуден, Е., Валасек, Дж., Олсенголлер, Дж., Бішоп, МП, Шерідан, Р., Путман, Е.Б., Попеску, С., Беркс, Т., Коп, Д., Ібрагім, A., McCutchen, BF,
Baltensperger, DD, Avant, RV, Vidrine, M., Yang, C., Zhang, J., 2016. Безпілотні літальні апарати для високопродуктивного фенотипування та агрономічних досліджень. PLoS ОДИН
11 (7), e0159781.
Шуай, Г., Мартінез-Ферія, Р.А., Чжан, Дж., Лі, С., Прайс, Р., Бассо, Б., 2019. Виявлення неоднорідності насаджень кукурудзи в зонах стабільності врожайності за допомогою безпілотного літального апарату
Транспортні засоби (БПЛА). Датчики 19 (20), 4446. https://doi.org/10.3390/s19204446.
Small, H., 1973. Спільне цитування в науковій літературі: нова міра зв'язку між двома документами. J. Am. Соц. Інформація. наук. 24 (4), 265–269.
Смолл, Х., Рорвіг, М.Є., Лунін, Л.Ф., 1999. Візуалізація науки за допомогою картографування цитат. J. Am. Соц. Інформація. наук. 50 (9), 799–813.
Soares, VHA, Ponti, MA, Gonçalves, RA, Campello, RJGB, 2021. Підрахунок великої рогатої худоби в дикій природі з геолокаційними аерофотознімками на великих пасовищах. обчис. Електрон. Agric. 189, 106354 https://doi.org/10.1016/j.compag.2021.106354.
Срівастава, К., Панді, ПК, Шарма, Дж. К., 2020. Підхід до оптимізації маршруту в системах точного землеробства з використанням БПЛА. Дрони 4 (3), 58. https://doi.org/ 10.3390/drones4030058.
Stafford, JV, 2000. Впровадження точного землеробства у 21 столітті. Дж. Агрік. інж. рез. 76 (3), 267–275.
Су, Дж., Кумбс, М., Лю, К., Гуо, Л., Чен, В.-Х., 2018. Оцінка посухи пшениці за допомогою зображень дистанційного зондування за допомогою безпілотного літального апарату. У 2018 році 37-а Китайська конференція з контролю (CCC).
Су, Дж., Лю, К., Кумбс, М., Ху, X., Ван, К., Сю, X., Лі, К., Гуо, Л., Чень, В.-Х., 2018. Моніторинг жовтої іржі пшениці на основі багатоспектральних аерофотознімків БПЛА.
обчис. Електрон. Agric. 155, 157–166. https://doi.org/10.1016/j. compag.2018.10.017.
Су, Ю., Ван, X., 2021. Інновації аграрного економічного менеджменту в процесі побудови розумного сільського господарства за допомогою великих даних. Сталий комп'ютер. Інф. сист. 31, 100579 https://doi.org/10.1016/j.suscom.2021.100579.
Салліван, Д.Г., Фултон, Дж.П., Шоу, Дж.Н., Бленд, Г.Л., 2007. Оцінка чутливості безпілотної теплової інфрачервоної повітряної системи для виявлення водного стресу в бавовняному повітрі. пер. ASABE 50 (6), 1955–1962.
Sumesh, KC, Ninsawat, S., Som-ard, J., 2021. Інтеграція індексу рослинності на основі RGB, моделі поверхні посівів і об’єктного підходу до аналізу зображень для оцінки врожайності цукрової тростини за допомогою безпілотного літального апарату. обчис. Електрон. Agric. 180, 105903 https://doi.org/10.1016/j.compag.2020.105903.
Суомалайнен, Дж., Андерс, Н., Ікбал, С., Франке, Дж., Вентінг, П., Бартоломеус, Х., Беккер, Р., Койстра, Л., 2013. Легка система гіперспектрального відображення для
безпілотні літальні апарати — перші результати. У: 2013 5-й семінар з обробки гіперспектральних зображень і сигналів: еволюція дистанційного зондування (WHISPERS), стор. 1–4. https://doi.org/10.1109/WHISPERS.2013.8080721.
Суомалайнен Й., Андерс Н., Ікбал С., Рерінк Г., Франке Й., Вентінг П., Хюннігер Д., Бартоломеус Х., Беккер Р., Коойстра Л., 2014. Легкий гіперспектр
картографічна система та ланцюг фотограмметричної обробки для безпілотних літальних апаратів. Дистанційне зондування 6 (11), 11013–11030. https://doi.org/10.3390/
rs61111013.
Syeda, IH, Alam, MM, Illahi, U., Su'ud, MM, 2021. Попередні стратегії контролю за допомогою обробки зображень, БПЛА та ШІ в сільському господарстві: огляд. Світ J. Eng. 18 (4),
579–589. https://doi.org/10.1108/WJE-09-2020-0459.
Tahai, A., Rigsby, JT, 1998. Обробка інформації з використанням цитат для дослідження впливу журналу на бухгалтерський облік. Інф. процес. Керувати. 34 (2–3), 341–359.
Тан Ю., Дананджаян С., Хоу К., Гуо К., Луо С., Хе Ю., 2021. Опитування мережі 5G та її впливу на сільське господарство: виклики та можливості. обчис.
Електрон. Agric. 180, 105895 https://doi.org/10.1016/j.compag.2020.105895.
Танталакі, Н., Суравлас, С., Румеліотіс, М., 2019. Прийняття рішень на основі даних у точному землеробстві: зростання обсягу великих даних у сільськогосподарських системах. Дж. Агрік. Інформація про їжу.
20 (4), 344–380.
Tao, H., Feng, H., Xu, L., Miao, M., Yang, G., Yang, X., Fan, L., 2020. Оцінка врожайності та висоти рослин озимої пшениці за допомогою БПЛА- на основі гіперспектральних зображень.
Датчики 20 (4), 1231.
Techy, L., Schmale III, DG, Woolsey, CA, 2010. Координований аеробіологічний відбір зразків рослинного патогена в нижніх шарах атмосфери за допомогою двох автономних безпілотних літальних апаратів. Дж. Філд Роб. 27 (3), 335–343. https://doi.org/10.1002/rob.20335.
Тетіла, Е.К., Мачадо, Б.Б., Астольфі, Г., Белете, НАдС, Аморім, В.П., Роел, А.Р., Пісторі, Х., 2020. Виявлення та класифікація шкідників сої за допомогою глибокого навчання
із зображеннями БПЛА. обчис. Електрон. Agric. 179, 105836.
Тамм, Г.-П., Менц, Г., Беккер, М., Куріа, Д.Н., Місана, С., Кон, Д., 2013. Використання UAS для оцінки сільськогосподарських систем у водно-болотних угіддях AN в Танзанії в— А також WetSeason для сталого сільського господарства та надання реальних даних для даних Terra-Sar X. У: ISPRS – Міжнародні архіви фотограмметрії, дистанційного зондування та просторової інформації, стор. 401–406. https://doi.org/10.5194/isprsarchivesXL-1-W2-401-2013.
Thelwall, M., 2008. Бібліометрія до вебометрії. J. Інфо. Sci. 34 (4), 605–621.
Торрес-Санчес, ´ Дж., Лопес-Гранадос, ´ Ф., Пена, ˜ Дж. М., 2015. Автоматичний об’єктно-орієнтований метод для оптимального порогового визначення зображень БПЛА: застосування для виявлення рослинності в трав’янистих культурах. обчис. Електрон. Agric. 114, 43–52. https://doi.org/10.1016/j.compag.2015.03.019.
Торрес-Санчес, ´ Дж., Лопес-Гранадос, ´ Ф., Серрано, Н., Аркеро, О., Пена, ˜ Дж. М., Хассан, К. К., 2015. Високопродуктивний 3-D моніторинг плантацій сільськогосподарських дерев з Технологія безпілотних літальних апаратів (БПЛА). PLoS ONE 10 (6), e0130479.
Торрес-Санчес, ´ Дж., Пена, ˜ Дж. М., де Кастро, А. І., Лопес-Гранадос, ´ Ф., 2014. Багаточасове картографування фракції рослинності на пшеничних полях раннього сезону за допомогою зображень з БПЛА. обчис. Електрон. Agric. 103, 104–113. https://doi.org/10.1016/j. compag.2014.02.009.
Цурос, О.К., Бібі, С., Сарігіаннідіс, П.Г., 2019. Огляд програм на основі БПЛА для точного землеробства. Інформація (Швейцарія) 10 (11). https://doi.org/10.3390/info10110349.
Ту, Ю.-Х., Фінн, С., Йогансен, К., Робсон, А., Ву, Д., 2020. Оптимізація планування польоту безпілотника для вимірювання структури культур садових дерев. ISPRS J. Photogramm.
Remote Sens. 160, 83–96. https://doi.org/10.1016/j.isprsjprs.2019.12.006
Цуніс, А., Кацулас, Н., Барцанас, Т., Кіттас, К., 2017. Інтернет речей у сільському господарстві, останні досягнення та майбутні виклики. Біосист. інж. 164, 31–48.
https://doi.org/10.1016/j.biosystemseng.2017.09.007.
Уддін, А., Сінгх, В.К., Пінто, Д., Олмос, І., 2015. Наукометричне відображення досліджень інформатики в Мексиці. Наукометрія 105 (1), 97–114.
ООН, 2019. Перспективи світового населення 2019. https://population.un.org/wpp/ (Дата перегляду 15/04/2022).
Uto, K., Seki, H., Saito, G., Kosugi, Y., 2013. Характеристика рисових полів за допомогою мініатюрної гіперспектральної сенсорної системи, встановленої на БЛА. IEEE J. Sel. Топ. апл. Обзор Землі
Remote Sens. 6 (2), 851–860. https://doi.org/10.1109/JSTARS.2013.2250921. ван дер Мерве, Д., Берчфілд, ДР, Вітт, Т. Д., Прайс, К. П., Шарда, А., 2020 р. Дрони в
сільське господарство. Adv. Агрон. 162, 1–30.
Велусамі, П., Раджендран, С., Махендран, Р.К., Насір, С., Шафік, М., Чой, Дж.-Г., 2022.
Безпілотні літальні апарати (БПЛА) у точному землеробстві: застосування та проблеми. Енергії 15 (1), 217. https://doi.org/10.3390/en15010217.
Вентура, Д., Боніфазі, А., Гравіна, М.Ф., Беллушіо, А., Ардіццоне, Г., 2018. Картографування та класифікація екологічно чутливих морських середовищ існування за допомогою безпілотних літальних апаратів
Зображення транспортних засобів (БПЛА) та об’єктний аналіз зображень (OBIA). Дистанційне зондування 10 (9), 1331. https://doi.org/10.3390/rs10091331.
Верже, А., Віньо, Н., Шерон, К., Жіліот, Дж.-М., Комар, А., Барет, Ф., 2014. Індекс зелених зон за допомогою безпілотної літальної системи над посівами пшениці та ріпаку . Дистанційний датчик навколишнього середовища. 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. Розгортання чотирьох оптичних датчиків на основі БПЛА над луками: проблеми та
обмеження. Biogeosciences 12 (1), 163–175. https://doi.org/10.5194/bg-12-163-2015.
Vuran, MC, Salam, A., Wong, R., Irmak, S., 2018. Інтернет підземних речей у точному землеробстві: архітектурні та технологічні аспекти. Ad Hoc Netw. 81,
160–173. https://doi.org/10.1016/j.adhoc.2018.07.017.
Вамба, С.Ф., Кейроз, М.М., 2021. Відповідальний штучний інтелект як секретний інгредієнт для цифрового здоров’я: бібліометричний аналіз, ідеї та напрямки досліджень.
Інформація. сист. Фронт. 1–16.
Wang, L., Zhang, G., Wang, Z., Liu, J., Shang, J., Liang, L., 2019. Бібліометричний аналіз тенденції досліджень дистанційного зондування в моніторингу росту сільськогосподарських культур: тематичне дослідження в Китаї. Дистанційне зондування 11 (7). https://doi.org/10.3390/rs11070809.
Уайт, HD, Гріффіт, Британська Колумбія, 1981. Сполучення автора: літературна міра інтелектуальної структури. J. Am. Соц. Інформація. наук. 32 (3), 163–171.
Xiang, H., Tian, L., 2011. Розробка недорогої сільськогосподарської системи дистанційного зондування на основі автономного безпілотного літального апарату (БПЛА). Біосист. інж. 108 (2), 174–190. https://doi.org/10.1016/j.biosystemseng.2010.11.010.
Xie, C., Yang, C., 2020. Огляд високопродуктивних ознак фенотипування рослин за допомогою датчиків на основі БПЛА. обчис. Електрон. Agric. 178, 105731 https://doi.org/10.1016/j.
комп.2020.105731.
Яо, Х., Цинь, Р., Чен, X., 2019. Безпілотний літальний апарат для програм дистанційного зондування — огляд. Дистанційне зондування 11 (12). https://doi.org/10.3390/
rs11121443.
Yeom, S., 2021. Стеження за рухомими людьми та видалення помилкових слідів за допомогою інфрачервоного теплового зображення мультиротором. Дрони 5 (3), 65. https://doi.org/10.3390/drones5030065.
Юе, Дж., Фен, Х., Цзінь, X., Юань, Х., Лі, З., Чжоу, Ч., Ян, Г., Тянь, К., 2018. Порівняння оцінки параметрів урожаю за допомогою зображень з БПЛА
знімок гіперспектрального датчика та цифрової камери високої чіткості. Дистанційне зондування 10 (7), 1138. https://doi.org/10.3390/rs10071138.
Юе, Дж., Ян, Г., Лі, К., Лі, З., Ван, Ю., Фен, Х., Сю, Б., 2017. Оцінка надземної біомаси озимої пшениці за допомогою безпілотного літального апарату- на основі знімка
гіперспектральний датчик і вдосконалені моделі висоти культури. Дистанційне зондування 9 (7). https://doi.org/10.3390/rs9070708.
Zahawi, RA, Dandois, JP, Holl, KD, Nadwodny, D., Reid, JL, Ellis, EC, 2015. Використання легких безпілотних літальних апаратів для моніторингу відновлення тропічних лісів. Biol.
Консерв. 186, 287–295. https://doi.org/10.1016/j.biocon.2015.03.031. Самора-Іск'єрдо, Массачусетс, Санта, Дж., Мартінес, Я., Мартінес, В., Скармета, А.Ф., 2019.
Інтелектуальна платформа Інтернету речей для сільського господарства на основі периферійних і хмарних обчислень. Біосист. інж. 177,
4-17.
Zarco-Tejada, PJ, Diaz-Varela, R., Angileri, V., Loudjani, P., 2014. Кількісне визначення висоти дерев за допомогою зображень із дуже високою роздільною здатністю, отриманих з безпілотного літального апарату
транспортних засобів (БПЛА) та автоматичних методів 3D фотореконструкції. Євро. Я. Агрон. 55, 89–99. https://doi.org/10.1016/j.eja.2014.01.004.
Чжан К., Крейн В.А., МакГі Р.Ж., Вандемарк Г.Дж., Девіс Дж.Б., Браун Дж., Халберт Ш., Санкаран С., 2020. Фенотипування інтенсивності цвітіння в прохолодних культурах на основі зображень. Датчики 20 (5), 1450. https://doi.org/10.3390/s20051450.
Zhang, C., Kovacs, JM, 2012. Застосування малих безпілотних літальних систем для точного землеробства: огляд. Прециз. Agric. 13 (6), 693–712. https://doi.org/
10.1007/s11119-012-9274-5.
Zhang, L., Zhang, H., Niu, Y., Han, W., 2019. Картування водного стресу для кукурудзи на основі багатоспектрального дистанційного зондування БПЛА. Дистанційне зондування 11 (6), 605.
Чжан, X., Хан, Л., Донг, Ю., Ши, Ю., Хуан, В., Хан, Л., Гонз Алез-Морено, П., Ма, Х., Є, Х., Собі , Т., 2019. Підхід на основі глибокого навчання для автоматизованої жовтої іржі
виявлення захворювань на гіперспектральних зображеннях БПЛА з високою роздільною здатністю. Дистанційне зондування 11 (13), 1554.
Zhao, X., Zhang, J., Huang, Y., Tian, Y., Yuan, L., 2022. Виявлення та розпізнавання хвороб і стресу комахами чайних рослин за допомогою гіперспектрального зображення в поєднанні з вейвлет-аналізом. обчис. Електрон. Agric. 193, 106717 https://doi.org/10.1016/j. compag.2022.106717.
Чжен, А., Ван, М., Лі, К., Тан, Дж., Луо, Б., 2022. Ентропічно керована адаптація змагальної області для семантичної сегментації аерофотознімків. IEEE Trans. Г
Чжен, Х., Ченг, Т., Яо, X., Ден, X., Тянь, Ю., Цао, В., Чжу, Ю., 2016. Виявлення фенології рису за допомогою аналізу часових рядів наземних спектральних дані індексу. Польові культури Рез. 198, 131–139. https://doi.org/10.1016/j.fcr.2016.08.027.
Чжен, Дж., Ян, В., 2018. Розробка системи точного землеробства на основі бездротових датчиків. Міжн. J. Online Eng. 14 (05), 184.
Zhou, L., Gu, X., Cheng, S., Yang, G., Shu, M., Sun, Q., 2020. Аналіз змін висоти рослин вилягавої кукурудзи за допомогою даних БПЛА-LiDAR. Сільське господарство 10 (5), 146. https://
doi.org/10.3390/agriculture10050146.
Zhou, S., Chai, X., Yang, Z., Wang, H., Yang, C., Sun, T., 2021. Maize-IAS: програмне забезпечення для аналізу зображень кукурудзи, що використовує глибоке навчання для високопродуктивного фенотипування рослин . Plant Methods 17 (1), 48. https://doi.org/10.1186/s13007-021-00747-0.
Zhou, X., Zheng, HB, Xu, XQ, He, JY, Ge, XK, Yao, X., Cheng, T., Zhu, Y., Cao, WX, Tian, YC, 2017. Прогнозування врожайності зерна в рису з використанням багаточасової рослинності
індекси з мультиспектральних та цифрових зображень на основі БПЛА. ISPRS J. Photogramm. Remote Sens. 130, 246–255. https://doi.org/10.1016/j.isprsjprs.2017.05.003.
Zhou, Y., Xie, Y., Shao, L., 2016. Моделювання основної технології системи моніторингу теплиць на основі бездротової мережі датчиків. Міжн. J. Online Eng. 12 (05),
43.
Zhou, Z., Majeed, Y., Diverres Naranjo, G., Gambacorta, EMT, 2021. Оцінка водного стресу культур за допомогою інфрачервоних тепловізорів у точному землеробстві: огляд
і майбутні перспективи застосування глибокого навчання. обчис. Електрон. Agric. 182, 106019 https://doi.org/10.1016/j.compag.2021.106019.