Abderahman Rejeb a , Alireza Abdollahi b , Karim Rejeb c , Horst Treiblmaier d,
- a Stjórnunar- og lagadeild, Hagfræðideild Rómarháskóla Tor Vergata, Via Columbia, 2, Róm 00133, Ítalíu
- b Viðskiptafræðideild, Stjórnunardeild Kharazmi háskólans, 1599964511 Teheran, Íran
- c Vísindadeild Bizerte, University of Carthage, Zarzouna, 7021 Bizerte, Túnis
- d School of International Management, Modul University Vienna, Am Kahlenberg 1, 1190 Vín, Austurríki
UPPLÝSINGAR um GREIN | ÁGRIP |
Leitarorð: Njósnavélum UAV Nákvæmni landbúnaður Internet á Things Bókafræði | Drónar, einnig kallaðir Unmanned Aerial Vehicles (UAV), hafa orðið vitni að ótrúlegri þróun á undanförnum áratugum. Í landbúnaði hafa þeir breytt búskaparháttum með því að bjóða bændum verulegan kostnaðarsparnað, aukinn hagkvæmni í rekstri, og betri arðsemi. Undanfarna áratugi hefur málefni landbúnaðardróna verið vakti ótrúlega fræðilega athygli. Við gerum því yfirgripsmikla úttekt byggða á bókfræði að draga saman og skipuleggja fyrirliggjandi fræðilegar bókmenntir og sýna núverandi rannsóknarstrauma og heita reitir. Við beita bókfræðitækni og greina bókmenntir í kringum landbúnaðardróna til að draga saman og meta fyrri rannsóknir. Greining okkar bendir til þess að fjarkönnun, nákvæmni landbúnaður, djúpnám, vélanám og Internet hlutanna eru mikilvæg efni sem tengjast landbúnaðardrónum. Samvitnunin greining leiðir í ljós sex víðtæka rannsóknarklasa í bókmenntum. Þessi rannsókn er ein af fyrstu tilraunum til að draga saman drónarannsóknir í landbúnaði og benda á framtíðarrannsóknir. |
Hvernig gengur lífið dag frá degi? Er það í jafnvægi og allt eins og það á að vera? Er jafnvægi hvort sem litið er á veraldlega stöðu eða andlega? Lífið er eins og það er. Það er ekki alltaf sólskyn. Það koma reglulega lægðir með rok og rigningu. Við vitum að í heildar samhenginu er lægð hluti af vistkerfi að leita að jafnvægi. Stundum erum við stödd í miðju lægðarinnar. Þar er logn og gott veður, sama hvað gengur á þar sem stormurinn er mestur. Sama lögmál gildir varðandi þitt eigið líf. Ef þú ert í þinn miðju, þínum sannleik þá heldur þú alltaf jafnvægi átakalaust. Sama hvað gustar mikið frá þér þegar þú lætur til þín taka. Huldufólk hefur gefið okkur hugleiðslu sem hjálpar okkur að finna þessa miðju, finna kjarna okkar og sannleikann sem í honum býr. Þegar þú veist hver þú ert og hvers vegna þú ert hér, mun líf þitt vera í flæðandi jafnvægi. Hugleiðslan virkjar þekkinguna sem er í vitund jarðar og færir hana með lífsorkunni inn í líkama okkar. Þar skoðar hún hugsana og hegðunar munstrið og athugar hvort það myndar átakalausu flæðandi jafnvægi. Hinn möguleikinn er falskt jafnvægi sem hafa þarf fyrir að viðhalda með tilheyrandi striti, áhyggjum og ótta. Síðan leiðbeinir þessi þekking okkur að því jafnvægi sem er okkur eðlilegt. Við blómstrum átakalaust, líkt og planta sem vex átakalaut frá fræi í fullþroska plöntu sem ber ávöxt.
Landbúnaður er aðal fæðugjafi heimsins (Friha o.fl., 2021) og hann hefur staðið frammi fyrir miklum áskorunum vegna
aukin eftirspurn eftir matvælum, matvælaöryggi og öryggisáhyggjum ásamt ákalli um umhverfisvernd, vatnsvernd og
sjálfbærni (Inoue, 2020). Spáð er að þessi þróun haldi áfram þar sem áætlað er að jarðarbúar verði orðnir 9.7 milljarðar árið 2050
(2019). Þar sem landbúnaður er mest áberandi dæmið um vatnsneyslu á heimsvísu er búist við að eftirspurn eftir mat og vatni
neysla mun stóraukast í fyrirsjáanlegri framtíð. Ennfremur aukin neysla áburðar og varnarefna
ásamt eflingu landbúnaðar gæti það leitt til framtíðar umhverfisáskorana. Að sama skapi er ræktanlegt land takmarkað og
bændum fer fækkandi um allan heim. Þessar áskoranir leggja áherslu á þörfina fyrir nýstárlegar og sjálfbærar búskaparlausnir (Elíah
o.fl., 2018; Friha o.fl., 2021; Inoue, 2020; Tzounis o.fl., 2017).
Innleiðing nýrrar tækni hefur verið skilgreind sem vænleg lausn til að takast á við þessar áskoranir. Snjall búskapur (Brewster o.fl.,
2017; Tang o.fl., 2021) og nákvæmnislandbúnaður (Feng o.fl., 2019; Khanna & Kaur, 2019) hafa orðið til vegna slíkrar umræðu. The
Fyrrverandi er almenn hugmynd um að taka upp upplýsingasamskiptatækni (UT) og aðrar framsæknar nýjungar í búskaparstarfsemi til að auka skilvirkni og skilvirkni (Haque o.fl., 2021). Hið síðarnefnda beinist að staðbundinni stjórnun þar sem landi er skipt í
einsleita hluta, og hver hluti fær nákvæmlega magn landbúnaðarframlags til hagræðingar á uppskeru með nýrri tækni (Feng o.fl., 2019; Khanna & Kaur, 2019). Áberandi tækni sem hefur vakið athygli fræðimanna á þessu sviði eru þráðlaus skynjaranet (WSN) (J. Zheng & Yang, 2018; Y. Zhou o.fl., 2016), Internet of Things (IoT) (Gill o.fl., 2017; He o.fl., 2021; Liu o.fl., 2019),
gervigreindartækni (AI), þar á meðal vélanám og djúpnám (Liakos o.fl., 2018; Parsaeian o.fl., 2020; Shadrin o.fl.,
2019), tölvutækni (Hsu o.fl., 2020; Jinbo o.fl., 2019; Zamora-Izquierdo o.fl., 2019), stór gögn (Gill o.fl., 2017; Tantalaki
et al., 2019), og blockchain (PW Khan o.fl., 2020; Pincheira o.fl., 2021).
Til viðbótar við ofangreinda tækni hefur fjarkönnun verið talin tæknilegt tæki með mikla möguleika til að bæta
klár og nákvæmur landbúnaður. Gervihnettir, flugvélar í áhöfn og drónar eru vinsæl fjarkönnunartækni (Tsouros o.fl., 2019).
Drónar, almennt þekktir sem Unmanned Aerial Vehicles (UAVs), Unmanned Aircraft Systems (UAS), og fjarstýrð loftför, eru af
miklu máli þar sem þeir hafa marga kosti í samanburði við aðra fjarkönnunartækni. Til dæmis geta drónar skilað
hágæða og háupplausnar myndir á skýjuðum dögum (Manfreda o.fl., 2018). Einnig er framboð þeirra og flutningshraði annað
kosti (Radoglou-Grammatikis o.fl., 2020). Í samanburði við flugvélar eru drónar mjög hagkvæmir og auðvelt að setja upp og viðhalda (Tsouros o.fl., 2019). Þrátt fyrir að vera upphaflega aðallega notaðir í hernaðarlegum tilgangi geta drónar gagnast fjölmörgum borgaralegum notum, til dæmis í stjórnun aðfangakeðju (A. Rejeb, Rejeb, o.fl., 2021a), í mannúðarskyni (A. Rejeb, Rejeb, o.fl., 2021c), snjall landbúnaður, landmælingar og kortlagning, skjöl um menningararfleifð, hamfarastjórnun og verndun skóga og villtra dýra (Panday, Pratihast, o.fl., 2020). Í landbúnaði eru til margvísleg notkunarsvæði dróna þar sem hægt er að samþætta þá nýrri tækni, tölvugetu og skynjara um borð til að styðja við ræktunarstjórnun (td kortlagningu, vöktun, áveitu, plöntugreiningu) (H. Huang o.fl., 2021) , minnkun hamfara, viðvörunarkerfi, náttúruvernd og skógrækt svo eitthvað sé nefnt (Negash o.fl., 2019). Á sama hátt væri hægt að nýta dróna í ýmsum landbúnaðarstarfsemi, þar á meðal vöktun uppskeru og vaxtar, mat á uppskeru, mat á vatnsálagi og illgresi, meindýra- og sjúkdómsgreiningu (Inoue, 2020; Panday, Pratihast, o.fl., 2020). Ekki aðeins er hægt að nota dróna til vöktunar, mats og uppgötvunar á grundvelli skynupplýsinga þeirra, heldur einnig til nákvæmrar áveitu og nákvæmrar illgresis-, meindýra- og sjúkdómastjórnunar. Með öðrum orðum, drónar geta úðað vatni og varnarefnum í nákvæmu magni byggt á umhverfisgögnum. Ávinningur dróna í landbúnaði er tekinn saman í töflu 1.
Helstu kostir dróna í landbúnaði.
Hagur | Tilvísun(ir) |
Auka tímabundið og staðbundið skynja ályktanir | (Gago o.fl., 2015; Niu o.fl., 2020; Srivastava et al., 2020) |
Auðvelda nákvæmni landbúnað | (L. Deng o.fl., 2018; Kalischuk o.fl., 2019; Maimaitijiang o.fl., 2017) |
Flokkun og skátastarf á ræktun | (Inoue, 2020; Kalischuk o.fl., 2019; Lopez-´ Granados o.fl., 2016; Maimaitijiang o.fl., 2017; Melville o.fl., 2019; Moharana og Dutta, 2016) |
Notkun áburðar | (L. Deng o.fl., 2018; Guan o.fl., 2019) |
Vöktun þurrka | (Fawcett o.fl., 2020; Panday, Pratihast o.fl., 2020; Su o.fl., 2018) |
Lífmassamat | (Bendig o.fl., 2014) |
Ávöxtunarmat | (Inoue, 2020; Panday, Shrestha, o.fl., 2020; Tao et al., 2020) |
Fækkun hamfara | (Negash o.fl., 2019) |
Verndun dýralífs og skógrækt | (Negash o.fl., 2019; Panday, Pratihast o.fl., 2020) |
Mat á streitu vatns | (Inoue, 2020; J. Su, Coombes, o.fl., 2018; L. Zhang o.fl., 2019) |
Meindýr, illgresi og sjúkdómar uppgötvun | (Gaˇsparovi´c o.fl., 2020; Inoue, 2020; J. Su, Liu, o.fl., 2018; X. Zhang o.fl., 2019) |
Aftur á móti standa drónar líka frammi fyrir takmörkunum. Þátttaka flugmanns, vélarafl, stöðugleiki og áreiðanleiki, gæði skynjara vegna hleðslu
þyngdartakmarkanir, framkvæmdakostnaður og flugreglugerð, eru meðal þeirra (C. Zhang & Kovacs, 2012). Við berum saman gallana
af þremur farsíma fjarkönnunartækni í töflu 2. Önnur fjarkönnunartækni, eins og jarðvegsskynjarar, eru utan í brennidepli þessarar rannsóknar.
Gallar á ýmsum farsíma fjarkönnunartækni.
Fjarskynjun tækni | Galla | Meðmæli |
Drone (UAV) | Þátttaka flugmanna; myndir' gæði (meðaltal); framkvæmdarkostnaður (meðaltal); stöðugleika, stjórnhæfni og áreiðanleiki; stöðlun; vélarafl; takmarkað vald uppsprettur (langlífi rafhlöðunnar); takmarkaður flugtími, árekstur og netárásir; takmörkuð farmþyngd; stór gagnasöfn og takmarkaða gagnavinnslu getu; skortur á reglugerð; skortur á sérfræðiþekkingu, mikil innkoma hindranir á aðgangi að landbúnaðardrónar; | (Bacco o.fl., 2018; Dawaliby et al., 2020; Hardin & Hardin, 2010; Hardin & Jensen, 2011; Lagkas o.fl., 2018; Laliberte o.fl., 2007; Laliberte & Rango, 2011; Manfreda o.fl., 2018, 2018; Nebiker o.fl., 2008; Puri o.fl., 2017; Velusamy o.fl., 2022; C. Zhang og Kovacs, 2012) |
Satellite | Reglubundin umfang gervihnatta, takmörkuð litrófsupplausn; varnarleysi gagnvart sýnileikavandamálum (td ský); Ótilboð og lágur flutningshraði; stefnumörkun og vignetting hefur áhrif á dýr landupplýsingar söfnun; hægur gagnaflutningur tími til endanotenda | (Aboutalebi o.fl., 2019; Cen o.fl., 2019; Chen o.fl., 2019; Nansen og Elliott, 2016; Panday, Pratihast, et al., 2020; Sai Vineeth et al., 2019) |
Flugvélar | Hár ættleiðingarkostnaður; flókin uppsetning; viðhaldskostnaður; ófáanlegur áreiðanlegur flugvélar, rúmfræði myndir; óvenjuleg gögn kaup; skortur á sveigjanleika; banvæn slys; skynjaragögn afbrigði vegna titrings; landfræðilegar tilvísanir | (Armstrong o.fl., 2011; Atkinson o.fl., 2018; Barbedo & Koenigkan, 2018; Kovalev og Voroshilova, 2020; Suomalainen o.fl., 2013; Thamm o.fl., 2013) |
Sem þverfagleg og fjölnota tækni í landbúnaði hafa drónar verið rannsakaðir frá ýmsum sjónarhornum. Til dæmis hafa fræðimenn skoðað drónanotkun í landbúnaði (Kulbacki o.fl., 2018; Mogili & Deepak, 2018), framlag þeirra til nákvæmnislandbúnaðar (Puri o.fl., 2017; Tsouros o.fl., 2019), fyllingu þeirra við annað háþróaða tækni (Al-Thani o.fl., 2020; Dutta & Mitra, 2021; Nayyar o.fl., 2020; Saha o.fl., 2018) og möguleikana á að efla siglinga- og skynjunargetu þeirra (Bareth o.fl. , 2015; Suomalainen o.fl., 2014). Þar sem rannsóknir á drónanotkun í landbúnaði hafa orðið ríkjandi (Khan o.fl., 2021)) er þörf á að draga saman þær bókmenntir sem til eru og afhjúpa vitsmunalega uppbyggingu lénsins. Ennfremur, sem hátæknisvið með stöðugum umbótum, þarf að fara fram skipulagðar úttektir til að draga reglulega saman þær bókmenntir sem til eru og greina mikilvægar rannsóknareyður. Til
dag, það eru fáar umsagnir sem fjalla um drónaumsóknir í landbúnaði. Til dæmis, Mogili og Deepak (2018) fara stuttlega yfir áhrif dróna fyrir vöktun uppskeru og úða varnarefna. Inoue (2020) gerir úttekt á gervihnatta- og drónanotkun í fjarkönnun í landbúnaði. Höfundur kannar tæknilegar áskoranir sem fylgja því að taka upp snjallbúskap og framlag gervihnatta og dróna út frá dæmisögum og bestu starfsvenjum. Tsouros o.fl. (2019) draga saman mismunandi gerðir dróna og helstu notkun þeirra í landbúnaði og draga fram ýmsar gagnaöflun og úrvinnsluaðferðir. Nýlega, Aslan o.fl. (2022) framkvæmdi ítarlega úttekt á UAV umsóknum í landbúnaðarstarfsemi og undirstrikaði mikilvægi samtímis staðsetningar og kortlagningar fyrir UAV í gróðurhúsinu. Diaz-Gonzalez o.fl. (2022) fór yfir nýlegar rannsóknir á uppskeruframleiðslu byggðar á mismunandi vélanámstækni og fjarlægum
skynjunarkerfi. Niðurstöður þeirra bentu til þess að flugvélar eru gagnlegar til að meta jarðvegsvísa og standa sig betur en gervihnattakerfi hvað varðar staðbundna upplausn, tímabundna upplýsinga og sveigjanleika. Basiri o.fl. (2022) gerði tæmandi endurskoðun á hinum ýmsu aðferðum og aðferðum til að sigrast á áskorunum um brautarskipulagningu fyrir fjölhjóla UAV í samhengi við nákvæmnislandbúnað. Ennfremur, Awais o.fl. (2022) tók saman notkun UAV-fjarkönnunargagna í ræktun til að meta stöðu vatnsins og veitti ítarlega samantekt á væntanlegri getu UAV-fjarkönnunar fyrir beitingu sóunarálags. Að lokum, Aquilani o.fl. (2022) fór yfir forvarnarræktunartækni sem beitt er í búfjárkerfum sem byggjast á beitilandi og komst að þeirri niðurstöðu að fjarkönnun sem virkjuð er með flugvélum er hagkvæm fyrir lífmassamat og hjarðarstjórnun.
Einnig hefur nýlega verið tilkynnt um tilraunir til að nota UAV við eftirlit, mælingar og mótun búfjár.
Þrátt fyrir að þessar úttektir skili nýrri og mikilvægri innsýn er ekki að finna ítarlega og uppfærða úttekt byggða á bókmenntum í bókmenntum, sem sýnir skýran þekkingarskort. Ennfremur hefur verið fullyrt að þegar fræðiframleiðsla vex á vísindasviði verður mikilvægt fyrir rannsakendur að beita megindlegum endurskoðunaraðferðum til að skilja þekkingaruppbyggingu sviðsins (Rivera & Pizam, 2015). Á sama hátt, Ferreira o.fl. (2014) héldu því fram að eftir því sem rannsóknarsvið þroskast og verða flókið ættu fræðimenn að stefna að því að gera sér grein fyrir þekkingunni sem myndast og safnast til að sýna ný framlög, fanga rannsóknarhefðir og strauma, greina hvaða efni eru rannsökuð og kafa ofan í þekkingaruppbyggingu sviðið og hugsanlegar rannsóknarstefnur. Þó að Raparelli og Bajocco (2019) hafi framkvæmt bókfræðigreiningu til að kanna þekkingarsvið drónanotkunar í landbúnaði og skógrækt, tekur rannsókn þeirra aðeins til greina fræðilegar rannsóknir sem birtar voru á árunum 1995 til 2017, sem endurspegla ekki gangverki þessa hraðvirkja svæðis. Ennfremur reyndu höfundar ekki að bera kennsl á áhrifamestu framlögin á þessu sviði, flokka bókmenntir og meta vitsmunalega uppbyggingu með því að nota samtilvitnunargreiningu. Þar af leiðandi er nauðsynlegt að draga saman bókmenntir til að leiða í ljós núverandi rannsóknaráherslur, stefnur og heita reiti.
Til að fylla þennan þekkingarskort notum við megindlega aðferðafræði og strangar heimildafræðilegar aðferðir til að skoða núverandi stöðu rannsókna á mótum dróna og landbúnaðar. Við höldum því fram að núverandi rannsókn gefi nokkur framlög til núverandi bókmennta með því að skoða nýja tækni sem er mjög þörf í landbúnaði þar sem hún gefur gríðarlega möguleika til að breyta nokkrum þáttum í þessum geira. Þörfin fyrir bókfræðigreiningu á landbúnaðardrónum skynjar enn frekar í ljósi dreifðrar og sundurþykkrar þekkingar á drónum innan landbúnaðarsamhengis. Að sama skapi þarf að flokka kerfisbundið bókmenntir sem lúta að landbúnaðardrónum, miðað við áhrifamestu rannsóknirnar sem byggja grunninn að þessu rannsóknarsviði. Verðleikinn í greiningunni felur einnig í sér skýringu á helstu rannsóknarþemum sem koma fram í bókmenntum. Með hliðsjón af umbreytingarmöguleikum tækninnar, höldum við því fram að ítarleg netgreining skili nýrri innsýn með því að ákvarða áhrifamikil verk og afhjúpa þemu varðandi möguleika dróna í landbúnaði.
Við kappkostum því að ná eftirfarandi rannsóknarmarkmiðum:
- Greining áhrifamikilla rita með framúrskarandi framlag til drónaumsókna á sviði landbúnaðar.
- Klustun bókmennta, auðkenning rannsóknaáherslna og kortlagning á helstu rannsóknum á „vitsmunalegri uppbyggingu“ á grundvelli merkingarlegrar líkt með því að nota samtilvitnunargreiningu.
- Skilningur á þróun tengsla og tilvitnunarneta með tímanum meðal ýmissa rita á þessu sviði og auðkenning á framtíðarrannsóknarstefnu og heitum efnum.
Afgangurinn af ritgerðinni er þannig uppbyggður: Í kafla 2 er gerð grein fyrir aðferðafræði og gagnaöflunarskrefum; í 3. kafla eru niðurstöður greininganna; og 4. hluti fjallar um niðurstöðurnar og lýkur með framlagi til rannsókna, afleiðingum og framtíðarstefnu.
Aðferðafræði
Í þessari núverandi rannsóknarrannsókn gerum við bókfræðigreiningu til að kanna drónanotkun í landbúnaði. Þessi megindlega nálgun sýnir vitsmunalega uppbyggingu þekkingarsviðsins (Arora & Chakraborty, 2021) og núverandi stöðu, heitt efni og framtíðarrannsóknarstefnur sem hægt er að rannsaka með því að beita þessari aðferð (Kapoor o.fl., 2018; Mishra o.fl. , 2017; A. Rejeb, Rejeb, o.fl., 2021b; A. Rejeb o.fl., 2021d; MA Rejeb o.fl., 2020). Almennt skoðar bókfræðigreining þær bókmenntir sem til eru til að draga saman og afhjúpa falin mynstur skriflegra samskipta og þróun fræðigreinarinnar sem byggir á tölfræði og stærðfræðilegum aðferðum, og hún á við um stór gagnasöfn (Pritchard, 1969; Small, 1999; Tahai & Rigsby , 1998). Með því að nota bókfræði, leitumst við að því að skilja betur fyrirliggjandi hugmyndafræði og rannsóknarherstöðvar sem stuðla að sviðinu á grundvelli líkt (Thelwall, 2008). Bókafræði gefur nýja innsýn studd af hlutlægum magnstyrk aðferðafræðinnar (Casillas & Acedo, 2007). Fjölmargir fræðimenn hafa áður framkvæmt bókfræðirannsóknir á skyldum sviðum, þar á meðal landbúnaði, fjarkönnun og stafrænni umbreytingu (Armenta-Medina o.fl., 2020; Bouzembrak o.fl., 2019; A. Rejeb, Treiblmaier, o.fl., 2021; Wamba. & Queiroz, 2021; Wang o.fl., 2019).
Tilvitnunargreining
Tilvitnunargreining leiðir í ljós ýmsa innsýn í tiltekið rannsóknarsvið. Í fyrsta lagi hjálpar það til við að afhjúpa áhrifamestu höfunda og rit sem leggja sitt af mörkum til tiltekins rannsóknarsviðs og hafa veruleg áhrif (Gundolf & Filser, 2013). Í öðru lagi er hægt að afhjúpa þekkingarflæðið og samskiptatengsl höfunda. Að lokum, með því að rekja tengslin milli verka sem vitnað er í og vitnað til, er hægt að kanna breytingar og þróun þekkingarsviðs með tímanum (Pournader
o.fl., 2020). Há tilvitnunartölur rits endurspegla mikilvægi þess og verulegt framlag til rannsóknarsviðsins (Baldi, 1998; Gundolf & Filser, 2013; Marinko, 1998). Tilvitnunargreining á ritum hjálpar einnig við að bera kennsl á viðeigandi verk og fylgjast með vinsældum þeirra og framvindu með tímanum.
Greining með tilvitnun skjala
Samtilvitnagreining er dýrmæt aðferð til að kanna tengsl á milli rita og sýna vitsmunalega uppbyggingu sviðs (Nerur o.fl., 2008). Með öðrum orðum, með því að bera kennsl á þau rit sem mest er vitnað í og tengsl þeirra, flokkar aðferðin rit í sérstaka rannsóknarklasa þar sem rit í klasa deila reglulega svipuðum hugmyndum (McCain, 1990; Small, 1973). Það er mikilvægt að nefna að líkt þýðir ekki að niðurstöður ritanna séu það
samheldin og sammála hver öðrum; rit tilheyra sama klasa vegna efnislíkingar, en þau geta haft misvísandi sjónarmið.
Gagnasöfnun og greining
Í samræmi við aðferðafræðina sem White og Griffith (1981) lögðu til, gerðum við yfirgripsmikla leit að tímaritsgreinum til að ná yfir allt rannsóknarsvið drónanotkunar í landbúnaði, með eftirfarandi fimm skrefum:
- Fyrsta skrefið var gagnasöfnun. Scopus var valinn einn umfangsmesti og áreiðanlegasti gagnagrunnurinn með stöðluðum niðurstöðum. Lýsigögn rita sem tengjast öllum drónaforritum í landbúnaði voru sótt. Síðan greindum við valdar greinar og fjarlægðum greinar utan efnis úr greiningunni.
- Við greindum bókmenntir og greindum mikilvægustu lykilorðin sem notuð eru á rannsóknarsvæðinu.
- Með því að nota tilvitnunargreiningu könnuðum við tengsl höfunda og skjala til að sýna undirliggjandi tilvitnunarmynstur. Við bentum einnig á áhrifamestu höfunda og rit með verulegum framlagi á sviði landbúnaðardróna.
- Við gerðum tilvitnunargreiningu til að flokka svipuð rit í klasa.
- Að lokum greindum við tengsl og tengsl milli landa, stofnana og tímarita til að lýsa samstarfsnetinu.
Auðkenning viðeigandi leitarorða
Við notuðum eftirfarandi leitarstrengi fyrir gagnasöfnun: (dróna* EÐA „ómönnuð flugvél“ EÐA uav* EÐA „ómannað flugvélakerfi“” EÐA uas EÐA „fjarstýrð flugvél”) OG (agricultural OR agriculture OR farming OR farmer). Leitin var gerð í september 2021. Drónar hafa nokkrar merkingar, þar á meðal UAV, UAS og fjarstýrð flugvél (Sah o.fl., 2021). Sértæk leitarorð sem tengjast landbúnaði voru auðkennd út frá rannsókn Abdollahi o.fl. (2021). Til glöggvunar og gagnsæis er nákvæm fyrirspurn sem við notuðum í viðauka 1. Eftir gagnahreinsunarferli bjuggum við til textaskrá sem síðan var hlaðin inn í BibExcel, algengt tæki fyrir tilvitnunar- og samtilvitnunargreiningar. Þetta tól býður einnig upp á einföld samskipti við annan hugbúnað og býður upp á umtalsvert frelsi í meðhöndlun og greiningu gagna. VOSviewer útgáfa 1.6.16 var notuð til að sjá niðurstöðurnar og búa til bókfræðinet (Eck & Waltman, 2009). VOSviewer býður upp á úrval af leiðandi sjónmyndum, sérstaklega til að greina bókfræðikort (Geng o.fl., 2020). Ennfremur aðstoðar það við að gefa skýrar sjónrænar niðurstöður sem hjálpa til við að skilja niðurstöðurnar betur (Abdollahi o.fl., 2021). Með því að nota leitarstrengina eins og fram kemur hér að ofan söfnuðum við og geymdum öll viðeigandi rit. Fyrstu leitarniðurstöðurnar gáfu alls 5,085 skjöl. Til að tryggja gæði valins úrtaks voru einungis ritrýndar tímaritsgreinar teknar til greina í rannsókninni, sem leiddi til þess að aðrar skjalagerðir voru útilokaðar, svo sem bækur, kaflar, ráðstefnurit og ritstjórnargreinar. Meðan á skimunarferlinu stóð voru óviðkomandi (þ.e. utan gildissviðs þessarar vinnu), óþarfa (þ.e. afrit sem stafa af tvöföldu flokkun) og ekki enskumælandi rit síuð út. Þetta ferli leiddi til þess að 4,700 skjöl voru tekin með í lokagreiningu.
Niðurstöður og umræður
Til að byrja, greindum við þróun útgáfuútgáfu í núverandi bókmenntum um landbúnaðardróna. Tímadreifing fræðirannsókna er sýnd á mynd 1. Við sjáum öra aukningu á útgáfum frá árinu 2011 (30 rit) og áfram; því ákváðum við að skipta greiningartímabilinu í tvö mismunandi stig. Við vísum til tímabilsins á milli 1990 og 2010 sem uppbyggingarstig, en um það bil sjö ritgerðir komu út árlega. Tímabilið eftir 2010 hefur verið kallað vaxtarstigið þar sem rannsóknir á drónanotkun í landbúnaði urðu vitni að veldishraða á þessu tímabili. Eftir 2010 staðfestir aukinn fjöldi rita aukinn áhuga meðal vísindamanna, sem endurspeglar einnig að drónar hafa verið notaðir við fjarkönnun og notaðir í nákvæmni landbúnaði (Deng o.fl., 2018; Maes & Steppe, 2019; Messina & Modica, 2020 ). Nánar tiltekið jókst fjöldi rita úr 108 árið 2013 í 498 árið 2018 og fór hæst í 1,275 árið 2020. Alls voru birtar 935 greinar á milli janúar og miðjan september 2021. Í kjölfarið ákváðum við að beina greiningu okkar meira að vaxtarstigi þar sem þetta tímabil endurspeglar nýjustu og mikilvægustu næmi landbúnaðardróna.
Leitarorðagreining
Leitarorðin sem höfundar velja fyrir útgáfu hafa afgerandi áhrif á hvernig ritgerðin er birt og hvernig henni er miðlað innan vísindasamfélaga. Þeir bera kennsl á lykilviðfangsefni rannsóknarinnar og ákvarða möguleika hennar til að blómstra eða mistakast (Day & Gastel, 1998.; Kim o.fl., 2016; Uddin o.fl., 2015). Leitarorðagreining, tæki til að sýna víðtækari rannsóknarstefnur og stefnur, vísar til samantektar á leitarorðum allra tengdra rita á léni (Dixit & Jakhar, 2021). Í núverandi rannsókn skiptum við samanlögðum leitarorðum í tvö sett (þ.e. til 2010 og 2011–2021) til að kanna vinsælustu efnin. Með því að gera þetta getum við rakið mikilvæg lykilorð í báðum settunum og tryggt að við tökum öll nauðsynleg gögn. Fyrir hvert sett eru tíu efstu leitarorðin sett fram í töflu 3. Við eyddum ósamræmi með því að sameina merkingarfræðilega eins leitarorð, svo sem „dróna“ og „dróna“ eða á sama hátt „Internet of Things“ og „IoT.“.
Tafla 3 sýnir að „ómönnuð flugvél“ er oftar notað leitarorð samanborið við „dróna“ og „ómönnuð flugvél“ á báðum tímabilum. Einnig er „fjarkönnun“, „nákvæmni landbúnaður“ og „landbúnaður“ hátt settur á báðum tímabilum. Á fyrsta tímabilinu var „nákvæmni landbúnaður“ í fimmta sæti og í öðru sæti á öðru tímabili, sem sýnir hvernig drónar verða sífellt mikilvægari til að ná fram nákvæmni landbúnaði þar sem þeir geta gert eftirlit,
uppgötvunar- og matsaðferðir hraðari, ódýrari og auðveldari í framkvæmd í samanburði við önnur fjarkönnun og jarðbundin kerfi. Einnig geta þeir úðað nákvæmu magni inntaks (td vatni eða varnarefnum) þegar þörf krefur (Guo o.fl., 2020; Inoue, 2020; Panday, Pratihast, o.fl., 2020).
Listi yfir algengustu leitarorð.
Staða | 1990-2010 | Fjöldi uppákomur | 2011-2021 | Fjöldi uppákomur |
1 | mannlaus loftnet ökutæki | 28 | unmanned loftfarartæki | 1628 |
2 | fjarskynjun | 7 | nákvæmni landbúnaður | 489 |
3 | landbúnaður | 4 | fjarskynjun | 399 |
4 | í lofti | 4 | Drone | 374 |
5 | nákvæmni landbúnaður | 4 | unmanned loftkerfi | 271 |
6 | mannlaus loftnet | 4 | landbúnaður | 177 |
7 | hyperspectral skynjari | 3 | djúpt nám | 151 |
8 | gervi tauga net | 2 | vél að læra | 149 |
9 | sjálfstætt flug | 2 | gróður Index | 142 |
10 | kaffi | 2 | Internet af Things | 124 |
Annar áhugaverður eiginleiki er tilvist viðbótartækni. Á fyrsta stigi eru „Hyperspectral Sensor“ og „gervi taugakerfi“ (ANN) meðal tíu efstu leitarorða. Hyperspectral myndgreining gjörbylti hefðbundinni myndgreiningu með því að safna miklum fjölda mynda á ýmsum bylgjulengdum. Með því að gera það geta skynjararnir samtímis safnað betri staðbundnum og litrófsupplýsingum samanborið við fjölrófsmyndatöku, litrófsgreiningu og RGB myndefni (Adao ˜ o.fl.,
2017). Tilvist „ANN“ á fyrsta stigi og „djúpnáms“ (DL) og „vélnáms“ (ML) í því síðara gefur til kynna að flest útgefin verk beinist að athugun á möguleikum gervigreindartækni fyrir dróna. byggður landbúnaður. Þrátt fyrir að drónar geti flogið sjálfstætt þurfa þeir samt að vera með flugmann, sem gefur til kynna lága tækjagreind. Hins vegar er hægt að leysa þetta vandamál vegna framfara gervigreindartækni, sem getur veitt betri ástandsvitund og sjálfstæðan stuðning við ákvarðanatöku. Útbúin gervigreind geta drónar forðast árekstra við siglingar, bætt jarðvegs- og ræktunarstjórnun (Inoue, 2020) og dregið úr vinnu og streitu fyrir manneskjur (BK Sharma o.fl., 2019).
Vegna sveigjanleika þeirra og getu til að meðhöndla mikið magn af ólínulegum gögnum eru gervigreindaraðferðir hentugar aðferðir til að greina gögnin sem send eru frá drónum og öðrum fjarkönnunar- og jarðbundnum kerfum til að spá fyrir og taka ákvarðanir (Ali o.fl., 2015; Inoue, 2020). Ennfremur gefur tilvist „IoT“ á öðru tímabili til kynna vaxandi hlutverk þess í landbúnaði. IoT er að gjörbylta landbúnaði með því að samtengja aðra tækni, þar á meðal dróna, ML, DL, WSN og stór gögn. Einn af helstu ávinningi þess að innleiða IoT er hæfni þess til að sameina ýmis verkefni á skilvirkan og skilvirkan hátt (gagnaöflun, gagnagreining og úrvinnsla, ákvarðanatöku og innleiðing) í nánast rauntíma (Elijah o.fl., 2018; Feng o.fl. , 2019; Muangprathub o.fl., 2019). Ennfremur eru drónar taldir skilvirk tæki til að fanga nauðsynleg gögn til að reikna út þrótt og gróðureiginleika gróðurs (Candiago o.fl., 2015). Mynd 2a og 2b sýna leitarorðið samviðkomanet fyrir bæði tímabil.
Áhrifamiklir höfundar
Í þessum kafla ákveðum við áhrifamikla höfunda og skoðum hvernig tilvitnunarnet höfunda geta myndað og skipulagt núverandi bókmenntir. Mynd 3 sýnir tímaröð yfir alla rannsakendur með flestar tilvitnanir. Litakvarðinn endurspeglar árleg afbrigði af tilvitnunum höfunda. Við skoðum tilvitnunaruppbyggingu vísindamanna sem birtu rannsóknir á landbúnaðardrónum með því að nota þröskuld að lágmarki 50 tilvitnanir og tíu rit. Úr
12,891 höfundur, aðeins 115 uppfylltu þetta skilyrði. Tafla 4 sýnir tíu áhrifamestu höfundana, raðað eftir hámarksfjölda tilvitnana. Lopez- Granados F. leiðir listann með 1,963 tilvitnanir, næst á eftir kemur Zarco-Tejada PJ með 1,909 tilvitnanir.
Listi yfir mest vitnaða höfunda.
Ranking | Höfundur | Tilvitnanir |
1 | Lopez-Granados ´F. | 1,963 |
2 | Zarco-Tejada PJ | 1,909 |
3 | Pena ~ JM | 1,644 |
4 | Torres-S´ anchez J. | 1,576 |
5 | Fereres E | 1,339 |
6 | Remondino F | 1,235 |
7 | Bolten A | 1,160 |
8 | Bareth G | 1,155 |
9 | Berni JA | 1,132 |
10 | de Castro AI | 1,036 |
Þegar kemur að einstökum ritum hefur grein Zhang og Kovacs (2012) verið sú rannsókn sem mest var vitnað í sem birt var í Precision Agriculture. Hérna skoðuðu höfundar notkun UAS í nákvæmni landbúnaði. Niðurstöður rannsókna þeirra benda til þess að þörf sé á að efla vettvangshönnun, framleiðslu, stöðlun á landfræðilegri tilvísun myndar og vinnuflæði upplýsingaöflunar til að veita bændum áreiðanlegar lokaafurðir. Að auki mæla þeir með því að bóndinn verði meira virkur, sérstaklega við skipulagningu á vettvangi, myndatöku, sem og túlkun og greiningu gagna. Mikilvægt er að þessi rannsókn var meðal þeirra fyrstu sem sýndu mikilvægi UAV við kortlagningu á vettvangi, kortlagningu á krafti, efnainnihaldsmælingum, vöktun gróðurálags og mati á áhrifum áburðar á vöxt plantna. Áskoranirnar sem tengjast tækninni fela einnig í sér ofboðslegan kostnað, getu skynjara, stöðugleika og áreiðanleika pallsins, skortur á stöðlun og samræmda aðferð til að greina gríðarlegt magn gagna.
Tilvitnunargreining
Tilvitnunargreining táknar rannsókn á áhrifum greina, þó þær séu tilhneigingar til flæðis (td tilvitnunarhlutdrægni, sjálfstilvitnun) er talið eitt af stöðluðu tækjunum fyrir mat á áhrifum (Osareh, 1996; A. Rejeb o.fl., 2022; Sarli o.fl., 2010). Tilvitnanir endurspegla einnig mikilvægi og lífskraft framlags blaðanna til bókmennta um ákveðið efni (R. Sharma o.fl., 2022). Við gerðum tilvitnunargreiningu til að ákvarða áhrifamestu rannsóknirnar á landbúnaðardrónum og tókum saman innihaldið. Í töflu 5 er listi yfir fimmtán áhrifamestu blöðin fyrir tímabilin 1990–2010 og 2011–2021. Greinarnar eftir Berni o.fl. (2009)b og Austin (2010) hafa verið mest vitnað á árunum 1990 og 2010, með 831 og 498 tilvitnanir, í sömu röð. Berni o.fl. (2009)b sýndi möguleikann á því að þróa megindlegar fjarkönnunarvörur í gegnum þyrlu-undirstaða UAV sem útbúinn varma- og þröngbanda fjölrófsmyndaskynjara á viðráðanlegu verði. Í samanburði við hefðbundna mannaða skynjara í lofti, er ódýrt UAV kerfi fyrir landbúnað hægt að ná sambærilegum mati á lífeðlisfræðilegum breytum ræktunar, ef ekki betri. Hagkvæmur kostnaður og sveigjanleiki í rekstri, ásamt mikilli litrófs-, stað- og tímaupplausn sem er fáanleg á skjótum afgreiðslutíma, gera flugvélar hentugar fyrir margs konar forrit sem krefjast tímamikillar stjórnun, þar á meðal áveituáætlun og nákvæmni búskap. Erindið frá Berni o.fl. (2009)b er mjög vitnað í vegna þess að það samþætti á áhrifaríkan hátt ómannaðan snúningsvæng vettvang og stafræna og varmaskynjara með nauðsynlegum kvörðunarbúnaði fyrir landbúnaðarnotkun. Næsta útgáfan sem mest er vitnað í er bók höfunda Austin (2010), sem fjallaði um UAV frá hönnun, þróun og dreifingu sjónarhornum. Í landbúnaði styðja UAV vöktun uppskeru með því að greina sjúkdóma snemma í gegnum litabreytingar uppskerunnar, auðvelda sáningu og úða uppskeru og fylgjast með og reka hjarðir.
Rannsóknir Sullivan o.fl. (2007), Lumme o.fl. (2008), og Gokto ¨ ǧan o.fl. (2010) klára listann yfir fimmtán efstu greinarnar sem mest er vitnað í. Þessar greinar sýna þróun UAV-undirstaða kerfa til að styðja við landbúnað. Þeir bjóða upp á lausnir á ýmsum vandamálum, svo sem vöktun og skönnun uppskeru, eftirlit og stjórnun illgresis og stuðning við ákvarðanir. Þeir leggja einnig til og ræða getu UAV til að auka sýnatöku skilvirkni og aðstoða bændur við að móta nákvæma og árangursríka
gróðursetningaraðferðir. Tvær ritgerðir voru höfundar af Berni (Berni o.fl., 2009b; Berni o.fl., 2009a), sem undirstrika mikilvæg áhrif hans á drónatengdar rannsóknir í landbúnaði. Greinin frá Zarco-Tejada o.fl. (2014) hefur verið meðal brautryðjendarannsókna til að sýna fram á nauðsyn þess að nota ódýrt UAV-myndefni við hæðarmælingu trjáa.
Listi yfir mest vitnað í rit.
Staða | Frá 1990 til 2010 | Frá 2011 til 2021 | ||
Document | Citation | Document | Citation | |
1 | (Berni o.fl., 2009b) | 831 | (C. Zhang og Kovacs, 2012) | 967 |
2 | (Austin, 2010) | 498 | (Nex & Remondino, 2014) | 893 |
3 | (Hunt o.fl., 2010) | 331 | (Floreano & Wood, 2015) | 552 |
4 | (SR Herwitz o.fl., 2004) | 285 | (Hossein Motlagh o.fl., 2016) | 391 |
5 | (CCD Lelong o.fl., 2008) | 272 | (Shakhatreh o.fl., 2019) | 383 |
6 | (Berni o.fl., 2009b) | 250 | (Ma o.fl., 2017) | 373 |
7 | (Grenzdorffer ¨ o.fl., 2008) | 198 | (Bendig o.fl., 2014) | 360 |
8 | (Hrabar o.fl., 2005) | 175 | (Zarco-Tejada o.fl., 2014) | 347 |
9 | (Y. Huang o.fl., 2009) | 129 | (Ad˜ ao et al., 2017) | 335 |
10 | (Schmale III o.fl., 2008) | 119 | (Honkavaara o.fl., 2013a) | 331 |
11 | (Abd-Elrahman o.fl., 2005) | 79 | (Candiago o.fl., 2015) | 327 |
12 | (Techy o.fl., 2010) | 69 | (Xiang og Tian, 2011) | 307 |
13 | (Sullivan o.fl., 2007) | 51 | (Matese o.fl., 2015) | 303 |
14 | (Lumme o.fl., 2008) | 42 | (Gago o.fl., 2015) | 275 |
15 | (Gokto ¨ ǧan o.fl., 2010) | 40 | (Aasen o.fl., 2015a) | 269 |
Á öðru tímabili (2011–2021) leiddu rannsóknir Zhang og Kovacs (2012) og Nex og Remondino (2014) til þeirra rita sem oftast var vitnað í. Zhang og Kovacs (2012) halda því fram að nákvæmnislandbúnaður gæti hagnast á því að innleiða landsvæðistækni og skynjara, svo sem landupplýsingakerfi, GPS og fjarkönnun, til að fanga afbrigði á þessu sviði og meðhöndla þau með því að beita öðrum aðferðum. Sem breytileiki í nákvæmni landbúnaði hefur innleiðing dróna boðað nýja öld í fjarkönnun, sem einfaldar loftathugun, fangar uppskeruvaxtarupplýsingar, jarðvegsaðstæður og úðasvæði. Endurskoðun Zhang og Kovacs (2012) er mikilvæg þar sem hún býður upp á innsýn í UAV með því að sýna núverandi notkun og áskoranir þessara tækja í umhverfisvöktun og nákvæmni landbúnaði, svo sem takmarkanir á palli og myndavélum, gagnavinnsluáskoranir, þátttöku bænda og flugreglur. . Sekúndan
mest vitnað í rannsókn frá Nex og Remondino (2014) fór yfir nýjustu tækni flugvéla til að taka, vinna og greina jarðmyndir.
Verk þeirra kynntu einnig yfirlit yfir nokkra UAV vettvanga, forrit og notkunartilvik, sem sýndu nýjustu framfarirnar í UAV myndvinnslu. Í landbúnaði gætu bændur notað UAV til að taka árangursríkar ákvarðanir til að ná fram kostnaði og tímasparnaði, fá skjóta og nákvæma skráningu á tjóni og sjá fyrir hugsanleg vandamál. Öfugt við hefðbundna loftpalla geta UAV-vélar dregið úr rekstrarkostnaði og dregið úr hættunni á aðgengi á erfiðum stöðum en samt varðveitt mikla nákvæmni. Ritgerð þeirra dregur saman ýmsa kosti UAV, sérstaklega hvað varðar nákvæmni og upplausn.
Meðal hinna þrettán rita sem mest var vitnað í á árunum 2011 til 2021 tókum við eftir meiri einbeitingu á rannsóknum sem tengjast drónanotkun í myndleiðangri (Bendig o.fl., 2014; Ma o.fl., 2017; Zarco-Tejada o.fl., 2014) , nákvæmni landbúnaður (Candiago o.fl., 2015; Honkavaara o.fl., 2013a), nákvæmni vínrækt (Matese o.fl., 2015), mat á vatnsálagi (Gago o.fl., 2015) og gróðurvöktun (Aasen o.fl. , 2015a). Fyrstu árin lögðu vísindamenn áherslu á
meira um að þróa ódýr, létt og nákvæm UAV-undirstaða kerfi fyrir landbúnað; nýlegri rannsóknir hafa beinst meira að umsögnum um UAV umsóknir fyrir landbúnað og vettvangskönnun. Í stuttu máli, þessi greining leiðir í ljós að áhrifamikil rit hafa að mestu veitt umsagnir um fyrri rannsóknir til að meta núverandi vísinda- og tæknistöðu UAV og þróað UAV kerfi til að styðja við nákvæmni landbúnað. Athyglisvert er að við fundum ekki rannsóknir sem notuðu reynslusögur
aðferðafræði eða lýsandi tilviksrannsóknir, sem myndar verulegt þekkingarbil og kallar á frekari rannsóknir á þessu efni.
Samtilvitnunargreining
Samkvæmt Gmür (2006) greinir samtilvitnunargreining svipuð rit og flokkar þau. Nákvæm athugun á klasa getur leitt í ljós sameiginlegt rannsóknarsvið meðal ritanna. Við rannsökum samtilvitnun í bókmenntir sem varða landbúnaðardróna til að sýna skyld efnissvið og greina vitsmunaleg mynstur rita. Í þessu sambandi mælti Small (1973) með því að nota samsetningargreiningu til að rannsaka áhrifamestu og frumkvöðlar rannsóknir
innan fræðigreinar. Til að takmarka settið við þær greinar sem eru mest frumstæðar (Goyal & Kumar, 2021), settum við samtilvitnunarþröskuld upp á 25, sem þýðir að tvær greinar verða að hafa verið vitnað saman í tilvísunarlistum 25 eða fleiri mismunandi rita. Þyrpingin var einnig gerð með lágmarksklasastærð 1 og án nokkurrar aðferðar til að sameina smærri klasa við stærri. Fyrir vikið urðu til sex klasar byggðir á líkt rannsóknum og vitsmunalegri uppbyggingu þeirra. Tafla 6 sýnir dreifingu rita í hverjum klasa.
Klasi 1: Þessi klasi inniheldur átján skjöl sem gefin voru út eftir. Í ritunum í þessum klasa er fjallað um hlutverk dróna við að styðja við umhverfisvöktun, uppskerustjórnun og illgresi. Til dæmis, Manfreda o.fl. (2018) veita yfirlit yfir núverandi rannsóknir og útfærslur UAV í náttúrulegum vistkerfum í landbúnaði og halda því fram að tæknin bjóði upp á gríðarlega möguleika til að auka verulega umhverfisvöktun og draga úr
bilið sem er á milli vettvangsathugunar og hefðbundinnar fjarkönnunar í lofti og geimi. Þetta er hægt að gera með því að bjóða upp á nýja getu til bættrar tímaleitar og staðbundinnar innsýn í stór svæði á viðráðanlegu verði. Loftflaugar geta stöðugt skynjað umhverfið og sent gögnin sem myndast til greindra, miðstýrðra/dreifðra aðila sem stjórna skynjurum til að bera kennsl á vandamál, svo sem skort á sjúkdómum eða vatnsgreiningu (Padua ´ o.fl., 2017). Adao ˜ o.fl. (2017) halda því fram að flugvélar séu tilvalin til að meta aðstæður plantna með því að fanga mikið magn af hráum gögnum sem tengjast ástandi vatns, mati á lífmassa og mati á krafti. Einnig væri hægt að setja skynjara sem eru festir á UAV tafarlaust við viðeigandi umhverfisaðstæður til að leyfa tímanlega töku fjarkönnunargagna (Von Bueren o.fl., 2015). Með UAV geta bændur stundað ræktunarstarfsemi innandyra með því að afla mælinga frá nánast hvaða stað sem er í þrívíðu rými ræktunarumhverfis innanhúss (td gróðurhús), og tryggja þar með staðbundna loftslagsstjórnun og plöntuvöktun (Roldan ´ o.fl. ., 2015). Í samhengi við nákvæmni
landbúnaði, ákvarðanir um uppskerustjórnun krefjast nákvæmra, áreiðanlegra uppskerugagna með viðeigandi tíma- og staðbundinni upplausn (Gebbers & Adamchuk, 2010; Gevaert o.fl., 2015; Maes & Steppe, 2019). Af þessum sökum, Agüera Vega o.fl. (2015) notaði UAV-festa fjölrófsskynjarakerfi til að ná myndum af sólblómauppskeru á vaxtarskeiðinu. Á sama hátt, Huang o.fl. (2009) taka fram að fjarkönnun byggð á UAV gæti auðveldað mælingu á uppskeru og jarðvegi út frá söfnuðum litrófsgögnum. Verger o.fl. (2014) þróaði og prófaði tækni til að áætla græna svæðisvísitölu (GAI) út frá UAV endurkastsmælingum í nákvæmni landbúnaði, með áherslu á hveiti og repju. Þess vegna veita drónar nýja möguleika til að sækja upplýsingar um uppskeruástand með tíðum endurskoðunum og mikilli staðbundinni upplausn (Dong o.fl., 2019; Garzonio o.fl., 2017; H. Zheng o.fl., 2016).
Klustun áhrifamikilla rita um landbúnaðardróna.
Cluster | Breitt þema | Meðmæli |
1 | Umhverfiseftirlit, uppskera stjórnun, illgresi | (Ad˜ ao et al., 2017; Agüera Vega o.fl., 2015; de Castro o.fl., 2018; Gomez-Cand ´on´ o.fl., 2014; YB Huang o.fl., 2013; Khanal o.fl., 2017; Lopez-Granados, ´ 2011; Manfreda o.fl., 2018; P´ adua o.fl., 2017; Pena ˜ o.fl., 2013; P´erez-Ortiz o.fl., 2015; Rasmussen o.fl., 2013, 2016; Torres-S´ anchez o.fl., 2014; Torres-Sanchez, ´ Lopez-Granados, ´ & Pena, ~ 2015; Verger o.fl., 2014; Von Bueren o.fl., 2015; C. Zhang & Kovacs, 2012) |
2 | Fjargerð svipgerð, afrakstur mat, yfirborðslíkan uppskeru, talningu plantna | (Bendig o.fl., 2013, 2014; Geipel o.fl., 2014; Gnadinger ¨ & Schmidhalter, 2017; Haghátalab o.fl., 2016; Holman o.fl., 2016; Jin o.fl., 2017; W. Li o.fl., 2016; Maimaitijiang o.fl., 2017; Sankaran o.fl., 2015; Schirrmann o.fl., 2016; Shi o.fl., 2016; Yue o.fl., 2017; X. Zhou o.fl., 2017) |
3 | Hitamyndataka fyrir vatn, fjölrófsmyndgreining | (Baluja o.fl., 2012; Berni o.fl., 2009b; Berni o.fl., 2009a; Candiago o.fl., 2015; Gago o.fl., 2015; Gonzalez-Dugo o.fl., 2013, 2014; Grenzdorffer ¨ o.fl., 2008; Khaliq o.fl., 2019; Matese o.fl., 2015; Ribeiro-Gomes o.fl., 2017; Santesteban o.fl., 2017; Uto o.fl., 2013) |
4 | Hypersectral myndgreining, litróf hugsanlegur | (Aasen o.fl., 2015a; Bareth o.fl., 2015; Hakala o.fl., 2013; Honkavaara o.fl., 2013a; Lucieer o.fl., 2014; Saari o.fl., 2011; Suomalainen o.fl., 2014) |
5 | Þrívíddarkortaforrit | (Jim´enez-Brenes o.fl., 2017; Nex & Remondino, 2014; Salamí o.fl., 2014; Torres-S´ anchez, Lopez-´ Granados, Serrano, o.fl., 2015; Zahawi o.fl., 2015; Zarco-Tejada et al., 2014) |
6 | Eftirlit með landbúnaði | (SR Herwitz o.fl., 2004; Hunt o.fl., 2010; CCD Lelong o.fl., 2008; Primicerio o.fl., 2012; Xiang & Tian, 2011) |
Ennfremur eru drónar gagnlegir fyrir krefjandi verkefni í landbúnaði, þar á meðal kortlagningu illgresis. Myndir sem teknar hafa verið með tækjunum hafa sannað notagildi þeirra til að greina illgresi snemma á ökrum (de Castro o.fl., 2018; Jim´enez-Brenes o.fl., 2017; Lam o.fl., 2021; Lopez-Granados ´ o.fl., 2016; Rozenberg o.fl., 2021). Í þessu sambandi, de Castro o.fl. (2018) halda því fram að samruni UAV-mynda og hlutbundinnar myndgreiningar (OBIA) hafi gert sérfræðingum kleift að sigrast á vandamálinu við að gera sjálfvirka snemmgreiningu í graslendisuppskeru snemma árstíðar, sem er stórt skref fram á við í rannsóknum á illgresi. Sömuleiðis, Pena ˜ o.fl. (2013) benda á að notkun á mjög hárri staðbundinni upplausn mynda frá UAV í tengslum við OBIA aðferð gerir það mögulegt að búa til illgresiskort í snemma maísræktun sem gæti nýst við að skipuleggja framkvæmd illgresisvarnarráðstafana á árstíð, verkefni umfram getu gervihnattamynda og hefðbundinna loftborinna mynda. Í samanburði við myndflokkun eða hlutgreiningarreiknirit eru merkingarskilatækni skilvirkari við illgresiskortlagningarverkefni (J. Deng o.fl., 2020), sem gerir bændum þannig kleift að greina aðstæður á akri, draga úr tapi og bæta uppskeru allt vaxtarskeiðið (Ramesh) o.fl., 2020). Merkingargreining sem byggir á djúpnámi getur einnig veitt nákvæma mælingu á gróðurþekju úr loftmyndum í háupplausn (Ramesh o.fl., 2020; A. Zheng o.fl., 2022). Þrátt fyrir möguleika þeirra fyrir fjarstýringu
með því að skynja pixlaflokkun krefjast merkingarfræðilegar skiptingartækni verulega útreikninga og óhóflega hátt GPU minni (J. Deng o.fl., 2020).
Byggt á vélanámi og UAV, P´erez-Ortiz o.fl. (2015) lagði til illgresiskortlagningaraðferð til að bjóða upp á staðbundnar illgresiseyðingaraðferðir þegar bændur taka upp illgresiseyðingu snemma eftir uppkomu. Að lokum, Rasmussen o.fl. (2013) benti á að drónar veita ódýra skynjun með miklum sveigjanleika í staðbundinni upplausn. Í heildina einblína ritin í þessum klasa á að kanna möguleika UAV til að styðja við fjarkönnun, ræktunarvöktun og kortlagningu illgresis. Frekari ítarlegra rannsókna er þörf til að kanna frekar hvernig drónanotkun í umhverfisvöktun, ræktunarstjórnun og kortlagningu illgresis getur náð sjálfbærari landbúnaði (Chamuah & Singh, 2019; Islam o.fl., 2021; Popescu o.fl., 2020; J Su, Liu, o.fl., 2018) og fjalla um stjórnunarvandamál þessarar tækni í uppskerutryggingum (Basnet & Bang, 2018; Chamuah & Singh, 2019, 2022; Meinen & Robinson, 2021). Rannsakendur ættu að einbeita sér að því að sannprófa mælingar sem safnað hefur verið fyrir UAV með skilvirkri vinnsluaðferðum til að auka endanleg gæði unninna gagna (Manfreda o.fl., 2018). Ennfremur er þörf á þróun viðeigandi reiknirita sem þekkja pixla sem sýna illgresi í stafrænu myndunum og útrýma óviðkomandi bakgrunni við kortlagningu UAV illgresi (Gaˇsparovi´c o.fl., 2020; Hamylton o.fl., 2020; H. Huang o.fl. , 2018, 2020; Lopez-´ Granados o.fl., 2016). Viðbótarrannsóknir á innleiðingu merkingarfræðilegrar skiptingartækni í plöntuþekkingu, blaðaflokkun og kortlagningu sjúkdóma eru vel þegnar (Fuentes-Pacheco o.fl., 2019; Kerkech o.fl., 2020).
Klasi 2. Ritin í þessum klasa beindust að nokkrum þáttum landbúnaðardróna. Tengt fjarlægri svipgerð, Sankaran o.fl. (2015) fór yfir möguleika þess að nota loftmyndatöku í lágri hæð með háupplausn með UAV til skjótrar svipgerða ræktunar á akri og þeir halda því fram að miðað við jörð-undirstaða skynjunarpalla bjóði lítil UAV með fullnægjandi skynjara nokkra kosti. , svo sem auðveldari aðgang að vellinum, gögn í háupplausn, skilvirk gagnasöfnun,
hröð úttekt á vaxtarskilyrðum reitsins og lágur rekstrarkostnaður. Hins vegar taka höfundarnir einnig fram að skilvirk beiting UAV fyrir svipgerð á vettvangi byggir á tveimur grundvallarþáttum, nefnilega UAV eiginleikum (td öryggi, stöðugleika, staðsetningu, sjálfræði) og skynjaraeiginleika (td upplausn, þyngd, litrófsbylgjulengdir, svið útsýni). Haghighattalab o.fl. (2016) lagði til hálfsjálfvirka myndvinnsluleiðslu til að sækja gögn á sögusviði úr UAV myndefni og flýta fyrir ræktunarferlinu. Holman o.fl. (2016) þróaði hátt
svipgerðakerfi fyrir afköst á sviði og undirstrikaði að UAV er fær um að safna vönduðum, umfangsmiklum svipgerðagögnum sem byggjast á vettvangi og að tækið sé virkt fyrir stór svæði og á mismunandi sviðum.
Þar sem mat á afrakstur er ótrúlega mikilvægar upplýsingar, sérstaklega þegar þær eru tiltækar á réttum tíma, er möguleiki fyrir flugvélar að veita allar mælingar á vettvangi og afla sér hágæða gagna á skilvirkan hátt (Daakir o.fl., 2017; Demir o.fl., 2018 ; Enciso o.fl., 2019; Kulbacki o.fl., 2018; Pudelko o.fl., 2012). Í þessu sambandi, Jin o.fl. (2017) nýttu sér háupplausnarmyndirnar sem UAV-vélar fengu í mjög lítilli hæð til að þróa og meta aðferð til að áætla hveitiplöntuþéttleika á uppkomustigi. Samkvæmt höfundum sigrast UAV á takmörkunum flakkakerfa sem eru búin myndavélum og tákna ekki ífarandi aðferð til að meta þéttleika plantna í ræktun, sem gerir bændum kleift að ná því mikla afköstum sem nauðsynleg er fyrir svipgerð á akri óháð umferðarhæfni jarðvegsins. Li o.fl. (2016) safnaði hundruðum steríómynda með mjög mikilli upplausn með UAV-undirstaða kerfi til að meta maísbreytur, þar á meðal hæð tjaldhimins og lífmassa ofanjarðar. Að lokum, Yue o.fl. (2017) komust að því að uppskeruhæð, ákvörðuð út frá UAV, gæti aukið mat á lífmassa ofanjarðar (AGB).
Aðferð til að fylgjast með vexti ræktunar er hugmyndin um að þróa yfirborðslíkön fyrir ræktun (Bendig o.fl., 2014, 2015; Holman o.fl., 2016; Panday, Shrestha, o.fl., 2020; Sumesh o.fl., 2021). Nokkrar rannsóknir sýndu fram á hagkvæmni mynda sem teknar voru úr UAV til að fanga hæð plantna og fylgjast með vexti þeirra. Til dæmis, Bendig o.fl. (2013) lýsti þróun margtímauppskeruyfirborðslíkana með mjög hárri upplausn minni en 0.05 m með UAV. Þeir miðuðu að því að greina uppskeru
vaxtarbreytileiki og háður ræktunarmeðferð, yrki og streitu. Bendig o.fl. (2014) notuðu UAV til að áætla ferskan og þurran lífmassa út frá hæð plantna sem dregin var út úr ræktunaryfirborðslíkönum og komst að því að ólíkt loftbornum pöllum og leysiskönnun á landi, geta háupplausnarmyndirnar frá UAVs aukið verulega nákvæmni plöntuhæðarlíkana fyrir mismunandi vöxt. stigum. Að sama skapi hafa Geipel o.fl. (2014) notuðu UAV í rannsóknum sínum til að afla myndefnis
Gagnasett fyrir spá um ávöxtun maískorns á þremur mismunandi vaxtarstigum frá upphafi til miðrar vertíðar og komust að þeirri niðurstöðu að samsetning litrófs- og landlíkana sem byggir á loftmyndum og ræktunaryfirborðslíkönum sé hentug aðferð til að spá fyrir um uppskeru maís á miðri vertíð. Að lokum skoðuðu Gnadinger ¨ og Schmidhalter (2017) notagildi UAV í nákvæmri svipgerð og lögðu áherslu á að notkun þessarar tækni gæti aukið bústjórnun og gert tilraunir á vettvangi í ræktunar- og búfræðitilgangi kleift. Á heildina litið fylgjumst við með því að ritin í klasa 2 einblína á helstu kosti UAV í fjarlægum
svipgerð, mat á uppskeru, gerð yfirborðslíkana og talningu plantna. Framtíðarrannsóknir geta grafið dýpra með því að þróa nýjar aðferðir til fjarlægrar svipgerðagerðar sem geta gert sjálfvirkan og fínstillt úrvinnslu fjarkannaða gagna (Barabaschi o.fl., 2016; Liebisch o.fl., 2015; Mochida o.fl., 2015; S. Zhou o.fl. ., 2021). Að auki þarf að rannsaka frammistöðu IoT-skynjara sem settir eru upp á UAV og skiptinguna á milli kostnaðar þeirra, vinnu og nákvæmni á mati á ávöxtun í
framtíð (Ju & Son, 2018a, 2018b; Xie & Yang, 2020; Yue o.fl., 2018). Á endanum er þörf á að þróa skilvirkar myndvinnsluaðferðir sem geta framleitt áreiðanlegar upplýsingar, hámarkað hagkvæmni í landbúnaðarframleiðslu og lágmarkað handtalningarvinnu bænda (RU Khan o.fl., 2021; Koh o.fl., 2021; Lin & Guo, 2020; C. Zhang o.fl., 2020).
Klasi 3. Ritin í þessum klasa fjalla um mismunandi gerðir myndgreiningarkerfa til fjarkönnunar á landbúnaðarauðlindum sem notuð eru á UAV pallum. Í þessu sambandi gerir hitamyndamyndun kleift að fylgjast með yfirborðshitastigi til að koma í veg fyrir skemmdir á uppskeru og greina þurrkaálag snemma (Awais o.fl., 2022; García-Tejero o.fl., 2018; Sankaran o.fl., 2015; Santesteban o.fl., 2017; Yeom, 2021). Baluja o.fl. (2012) fullyrti að notkun fjölrófs- og hitamyndavéla um borð í vélinni
UAV gerði vísindamönnum kleift að fá myndir í hárri upplausn og meta stöðu vínviðavatns. Þetta gæti verið gagnlegt til að þróa ný vatnsáætlunarlíkön með því að nota fjarkönnunargögn (Baluja o.fl., 2012). Vegna þess
takmörkuð burðargeta UAV, Ribeiro-Gomes o.fl. (2017) íhugaði samþættingu ókældra hitamyndavéla í UAVS til að ákvarða vatnsálag í plöntunum, sem gerir þessa tegund UAVs skilvirkari og hagkvæmari en hefðbundin gervihnattabyggð fjarkönnun og UAV búin kældum hitamyndavélum. Að sögn höfunda eru ókældar hitamyndavélar léttari en kældar myndavélar og þarfnast viðeigandi kvörðunar. Gonzalez-Dugo o.fl. (2014) sýndu fram á að hitamyndir myndar á áhrifaríkan hátt staðbundin kort af vatnsálagsvísitölum uppskeru til að meta vatnsstöðu og mæla vatnsálag meðal og innan sítrusgarða. Gonzalez-Dugo o.fl. (2013) og Santesteban o.fl. (2017) rannsakaði notkun háupplausnar UAV-varmamynda til að meta breytileika vatnsstöðu í garðyrkju og víngarði.
Multispectral myndgreining gæti veitt gríðarmikil gögn í samanburði við hefðbundnar RGB (rauðar, grænar og bláar) myndir (Ad˜ ao o.fl., 2017; Navia o.fl., 2016). Þessi litrófsgögn, ásamt landupplýsingum, gætu hjálpað til við flokkun, kortlagningu, spá, spá og uppgötvun (Berni o.fl., 2009b). Samkvæmt Candiago o.fl. (2015), UAV-undirstaða fjölrófsmyndgreining gæti stuðlað gríðarlega að ræktunarmati og nákvæmum landbúnaði sem áreiðanlega og skilvirka auðlind. Einnig,
Khaliq o.fl. (2019) gerði samanburð á gervihnatta- og UAV-undirstaða fjölrófsmyndatöku. Myndirnar sem byggja á UAV leiddu til þess að þær voru nákvæmari í lýsingu á breytileika víngarða sem og kraftakortum til að tákna uppskeruþak. Í hnotskurn fjalla greinar í þessum klasa um innlimun hita- og fjölrófsmyndaskynjara í UAV í landbúnaði. Í samræmi við það er þörf á frekari rannsóknum til að skilja hvernig hægt er að samþætta hita- og fjölrófsmyndgreiningu við gervigreind
tækni (td djúpt nám) til að greina streitu plantna (Ampatzidis o.fl., 2020; Ampatzidis & Partel, 2019; Jung o.fl., 2021; Santesteban o.fl., 2017; Syeda o.fl., 2021). Slík innsýn mun hjálpa til við að tryggja skilvirkari og nákvæmari greiningu sem og eftirlit með vexti plantna, streitu og fyrirbærafræði (Buters o.fl., 2019; Cao o.fl., 2020; Neupane & BaysalGurel, 2021; L. Zhou o.fl., 2020).
Klasi 4. Þessi klasi samanstendur af sjö greinum sem snúast um mikilvægu hlutverki litrófsmyndatöku og ofurrófsmyndagerðar til að styðja við landbúnaðarhætti. Hyperspectral myndgreining hefur fest sig í sessi sem fjarkönnunaraðferð sem gerir magnmat á jarðkerfinu kleift (Schaepman o.fl., 2009). Til að vera nákvæmari gerir hún kleift að bera kennsl á yfirborðsefni, magngreiningu (afstætt) styrkleika og úthlutun yfirborðshlutahlutfalla
innan blandaðra pixla (Kirsch o.fl., 2018; Zhao o.fl., 2022). Með öðrum orðum, hærri litrófsupplausn sem oflitrófskerfin veita gerir nákvæmari mat á ýmsum breytum, svo sem grænmetiseiginleikum eða blaðvatnsinnihaldi (Suomalainen o.fl., 2014). Rannsakendur í þessum klasa rannsökuðu ýmsa þætti slíkra kerfa. Meðal annarra hafa Aasen o.fl. (2015b) bauð upp á einstaka nálgun til að fá þrívíddar oflitrófsupplýsingar úr léttu þyngd
skyndimyndavélar sem notaðar eru á UAV við gróðurvöktun. Lucieer o.fl. (2014) ræddu hönnun, þróun og loftaðgerðir nýs hálitrófs UAS sem og kvörðun, greiningu og túlkun á myndgögnum sem safnað er með því. Að lokum, Honkavaara o.fl. (2013b) þróaði yfirgripsmikla vinnsluaðferð fyrir litrófsmyndir byggðar á FabryPerot interferometer og sýndi notkun þess í lífmassamatsferli fyrir nákvæmni landbúnað. Hugsanlegar framtíðarleiðir fyrir þennan núverandi klasa eru meðal annars að leggja áherslu á þörfina fyrir tæknilegar umbætur í skynjaratækni (Aasen o.fl., 2015b) sem og þörfina fyrir að innleiða og efla viðbótartækni, sérstaklega stór gögn og greiningar (Ang & Seng, 2021; Radoglou -Grammatikis o.fl., 2020; Shakoor o.fl., 2019). Hið síðarnefnda stafar aðallega af sívaxandi gögnum sem myndast með ýmsum skynjurum sem innleiddir eru í snjöllum landbúnaði (C. Li & Niu, 2020; A. Rejeb o.fl., 2022; Y. Su & Wang, 2021).
Klasi 5. Ritin í þessum klasa skoðuð dróna-undirstaða 3Dmapping forrit. Notkun dróna fyrir þrívíddarkortlagningu gæti dregið úr flókinni vettvangsvinnu og aukið skilvirkni verulega (Torres-Sanchez ´ o.fl., 3). Greinarnar fimm í klasanum beindust aðallega að plöntuvöktunarumsóknum. Til dæmis, til að fá þrívíddargögn um tjaldsvæði, hæð trjáa og rúmmál krónunnar, Torres-Sanchez ´ o.fl. (2015) notaði UAV tækni til að búa til stafræn yfirborðslíkön og síðan hlutbundna myndgreiningu (OBIA) nálganir. Ennfremur, Zarco-Tejada o.fl. (2015) mældi hæð trjáa með því að samþætta UAV tækni og þrívíddar ljósmyndauppbyggingaraðferðir. Jim'enez-Brenes Lopez-Granados, 'De Castro, o.fl. (2014) sýndi nýtt ferli fyrir fjöltíma, þrívíddarvöktun á tugum ólífutrjáa með því að samþætta UAV tækni við háþróaða OBIA aðferðafræði. Áhugaverðar leiðir fyrir framtíðarvinnu í þessum klasa eru annað hvort að bæta núverandi
aðferðafræði (Zarco-Tejada o.fl., 2014) fyrir stafræna yfirborðslíkan tilgang (Ajayi o.fl., 2017; Jaud o.fl., 2016), eins og OBIA (de Castro o.fl., 2018, 2020; Ventura o.fl. , 2018), og endurgerð ljósmynda eða þróun nýrra aðferða (Díaz-Varela o.fl., 2015; Torres-S´anchez o.fl., 2015).
Klasi 6. Þessi klasi fjallar um hlutverk dróna í landbúnaðareftirliti. UAV gætu bætt við og sigrast á göllum gervihnatta- og flugvélamyndagerðar. Til dæmis gætu þeir veitt háupplausn nálægt rauntíma myndgreiningu með minna eldsneyti eða tilraunaverkefni, sem hefur í för með sér stöðugt og rauntíma eftirlit og endurbætur á ákvarðanatöku (S. Herwitz o.fl., 2004). Annað lykilframlag UAV er hæfni þeirra til að veita staðbundin gögn fyrir nákvæmni landbúnað eða staðbundinn búskap þar sem háupplausn, nákvæm gögn þeirra um ýmsar breytur gera bændum kleift að skipta landinu í einsleita hluta og meðhöndla þá í samræmi við það (Hunt o.fl. , 2010; CC Lelong o.fl., 2008; Primicerio o.fl., 2012). Slíkt UAV-undirstaða landbúnaðareftirlit getur stutt eftirlit með matvælaöryggi og ákvarðanatöku (SR Herwitz o.fl., 2004). Til að efla rannsóknir á landbúnaðareftirliti er ekki aðeins þörf á endurbótum á skynjurum, UAV og annarri tengdri tækni og samskipta- og gagnaflutningsaðferðum þeirra (Ewing o.fl., 2020; Shuai o.fl., 2019), heldur einnig að samþætta dróna með ýmsum tækni til að hagræða mismunandi verkefnum í tengslum við snjöllan landbúnað, svo sem vöktun, landbúnaðareftirlit og ákvarðanatöku, er mjög mögulegt rannsóknarsvæði (Alsamhi o.fl., 2021; Popescu o.fl., 2020; Vuran o.fl., 2018). Í þessu sambandi bjóða IoT, WSN og stór gögn upp á áhugaverða viðbótargetu (van der Merwe o.fl., 2020). Innleiðingarkostnaður, kostnaðarsparnaður, orkunýtni og gagnaöryggi eru meðal þeirra sviða sem ekki er rannsakað fyrir slíka samþættingu (Masroor o.fl., 2021).
Lönd og fræðastofnanir
Síðasta skrefið fól í sér rannsókn á upprunalandinu og fræðilegum tengslum höfunda. Með þessari greiningu stefnum við að því að skilja betur landfræðilega dreifingu fræðimanna sem leggja sitt af mörkum til notkunar dróna í landbúnaði. Það er athyglisvert að taka eftir fjölbreytileika landa og fræðastofnana. Frá sjónarhóli lands eru Bandaríkin, Kína, Indland og Ítalía efst á listanum hvað varðar fjölda rita (tafla 7). Núverandi
rannsóknir á landbúnaðardrónum eru að mestu leyti miðaðar í Norður-Ameríku og Asíu, aðallega vegna mikillar þátttöku þeirra í nákvæmni landbúnaðarumsóknum. Til dæmis, í Bandaríkjunum, var markaður fyrir landbúnaðardróna áætlaður 841.9 milljónir USD árið 2020, sem er um það bil 30% af alþjóðlegri markaðshlutdeild (ReportLinker, 2021). Spáð er að Kína, sem er stærsta hagkerfi heims, nái áætlaðri markaðsstærð upp á 2.6 milljarða Bandaríkjadala árið 2027. Þetta land biður um landbúnaðardróna til að sigrast á framleiðnivandamálum og ná betri uppskeru, draga úr vinnuafli og minni framleiðsluaðföngum. Hins vegar er innleiðing tækninnar í Kína einnig knúin áfram af þáttum eins og íbúastærð og þörfinni á að endurnýja og bæta núverandi uppskerustjórnunarhætti.
Efstu afkastamestu löndin og háskólar/stofnanir sem leggja sitt af mörkum til
landbúnaðarrannsóknir sem tengjast dróna.
Staða | lönd |
1 | USA |
2 | Kína |
3 | Indland |
4 | Ítalía |
5 | spánn |
6 | Þýskaland |
7 | Brasilía |
8 | Ástralía |
9 | Japan |
10 | Bretland |
Staða | Háskólar/stofnanir |
1 | Kínverska Academy of Sciences |
2 | Landbúnaðarráðuneyti Alþýðulýðveldisins Kína |
3 | Yfirstjórn vísindarannsókna |
4 | Texas A&M háskólinn |
5 | Landbúnaðarháskóli Kína |
6 | USDA landbúnaðarrannsóknarþjónusta |
7 | CSIC – Instituto de Agricultura Sostenible IAS |
8 | Purdue University |
9 | Landsrannsóknarráð |
10 | Landbúnaðarháskóli Suður-Kína |
Frá háskóla- og skipulagssjónarmiði er kínverska vísindaakademían efst á lista hvað varðar fjölda rita, þar á eftir koma landbúnaðarráðuneyti Alþýðulýðveldisins Kína og Consejo Superior de Investigaciones Científicas. Kínverska vísindaakademían er fulltrúi höfundanna Liao Xiaohan og Li Jun; Han Wenting er fulltrúi landbúnaðarráðuneytis Alþýðulýðveldisins Kína; og Consejo Superior de Investigaciones Científicas eru fulltrúar Lopez-Granados, ´ F. og Pena, ˜ Jos´e María S. Frá Bandaríkjunum finna háskólar eins og Texas A&M University og Purdue University
nefna. Þeir háskólar sem hafa mestan fjölda rita og tengsl þeirra eru sýnd á mynd 4. Auk þess inniheldur þessi listi stofnanir eins og Consiglio Nazionale delle Ricerche og Consejo Superior de Investigaciones Científicas sem eru virkar í vísindarannsóknum, en eru ekki akademískar stofnanir .
Úrval okkar innihélt mikið úrval af tímaritum, sem nær yfir nánast öll tiltæk gögn. Eins og sést í töflu 8 er fjarkönnun með 258 greinar efst, þar á eftir kemur Journal of Intelligent and Robotic Systems: Theory and Applications með 126 og Computers and Electronics in Agriculture með 98 greinar. Þó að fjarkönnun sé að mestu leyti lögð áhersla á beitingu og þróun dróna, þá nær Tölvur og rafeindatækni í landbúnaði aðallega yfir framfarir í tölvuvélbúnaði, hugbúnaði, rafeindatækni og stjórnkerfum í landbúnaði. Þversvæði verslanir, eins og IEEE Robotics and Automation Letters með 87 útgáfum og IEEE Access með 34 útgáfum, eru einnig fremstu sölustaðir á þessu sviði. Fimmtán efstu sölustöðvarnar hafa lagt sitt af mörkum til bókmenntanna með 959 skjölum, sem er um það bil 20.40% allra rita. Samhliða tilvitnunargreining í tímarit gerir okkur kleift að skoða mikilvægi og líkindi á milli rita. Samtilvitnunargreiningin gefur þrjá klasa, eins og sést á mynd 5. Rauði klasinn samanstendur af tímaritum eins og fjarkönnun, tölvu og rafeindatækni í landbúnaði, skynjara,
og International Journal of Remote Sensing. Allar þessar útsölustaðir eru mjög virt tímarit á sviði fjarkönnunar og nákvæmnislandbúnaðar. Græni klasinn inniheldur tímarit sem fjalla um vélfærafræði, eins og Journal of Intelligent and Robotic Systems: Theory and Applications, IEEE Robotics and Automation Letters, IEEE Access og Drones. Þessar búðir gefa að mestu leyti út blöð um sjálfvirkni og eru gagnlegar fyrir landbúnaðarverkfræðinga. Lokaþyrpingin er mynduð af tímaritum sem tengjast búfræði og landbúnaðarverkfræði, eins og Agronomy og International Journal of Agricultural and Biological Engineering.
Top 15 tímarit í landbúnaði drónatengdum rannsóknum.
Staða | Journal | Telja |
1 | Fjarskynjun | 258 |
2 | Journal of Intelligent and Robotic Systems: Theory and Umsóknir | 126 |
3 | Tölvur og rafeindatækni í landbúnaði | 98 |
4 | IEEE vélfærafræði og sjálfvirknibréf | 87 |
5 | Skynjarar | 73 |
6 | International Journal of Remote Sensing | 42 |
7 | Nákvæmni landbúnaður | 41 |
8 | Njósnavélum | 40 |
9 | Agronomy | 34 |
10 | IEEE aðgangur | 34 |
11 | International Journal of Advanced Robotic Systems | 31 |
12 | International Journal of Agricultural and Biological Engineering | 25 |
13 | PLoS ONE | 25 |
14 | Journal of Field Robotics | 23 |
15 | Biosystems Engineering | 23 |
Niðurstaða
Yfirlit
Í þessari rannsókn tókum við saman og greindum núverandi rannsóknir á landbúnaðardrónum. Með því að beita ýmsum ritfræðilegum aðferðum leituðumst við að því að öðlast betri skilning á vitsmunalegri uppbyggingu drónatengdra landbúnaðarrannsókna. Í stuttu máli, endurskoðun okkar býður upp á nokkur framlög með því að bera kennsl á og ræða leitarorð í bókmenntum, afhjúpa þekkingarklasa á meðan að mynda merkingarlega svipuð samfélög á sviði dróna, útlista fyrri rannsóknir og benda á framtíðarrannsóknarstefnur. Hér að neðan gerum við grein fyrir helstu niðurstöðum endurskoðunarinnar um þróun landbúnaðardróna:
• Heildarbókmenntir hafa vaxið hratt og vakið gífurlega athygli á síðasta áratug, eins og til marks um fjölgun greina eftir 2012. Jafnvel þó að þetta þekkingarsvið eigi enn eftir að ná fullum þroska (Barrientos o.fl., 2011; Maes & Steppe, 2019), nokkrum spurningum er enn ósvarað. Til dæmis er enn opið fyrir umræðu um gagnsemi dróna í búskap innanhúss (Aslan o.fl., 2022; Krul o.fl., 2021; Rold´an o.fl., 2015). Flækjustig sviðsatriða og mismunandi myndatökuaðstæður (td skuggar og lýsing) gætu leitt til meiri litrófsfráviks í flokki (Yao o.fl., 2019). Jafnvel á síðari rannsóknarstigum hefur verið skorað á rannsakendur að ákvarða bestu flugáætlanir í samræmi við sérstakar aðstæður og nauðsynleg myndgæði (Soares o.fl., 2021; Tu o.fl.,
2020).
• Við tökum eftir því að sviðið hefur þróast frá því að þróa skilvirk UAV kerfi yfir í að innleiða gervigreind tækni, eins og vélanám og djúpt nám í hönnun landbúnaðardróna (Bah o.fl., 2018; Kitano o.fl., 2019; Maimaitijiang o.fl. , 2020; Mazzia o.fl., 2020; Tetila o.fl., 2020).
• Rannsóknir á landbúnaðardrónum ræddu aðallega fjarkönnun með því að kanna möguleika tækninnar í umhverfisvöktun, uppskerustjórnun og illgresisstjórnun (þyrping 1) sem og fjarsvipgerð og mat á uppskeru (þyrping 2). Í hópi áhrifamikilla rannsókna á drónum í landbúnaði má nefna Austin (2010), Berni o.fl. (2009)a, Herwitz o.fl. (2004), Nex og Remondino (2014) og Zhang og Kovacs (2012). Þessar rannsóknir þróuðu hugmyndagrundvöll drónatengdra rannsókna í samhengi við landbúnað.
• Í tengslum við aðferðafræðina komumst við að því að flestar rannsóknir sem gerðar hafa verið hingað til höfðu verið samsettar af annað hvort kerfishönnun, hugmyndafræðilegum eða endurskoðunarrannsóknum (Inoue, 2020; Nex & Remondino, 2014; P´erez-Ortiz o.fl. , 2015; Yao o.fl., 2019). Við tökum líka eftir skorti á reynslusögulegum, eigindlegum og dæmisögulegum aðferðum í vinnu við að rannsaka landbúnaðardróna.
• Nýlega hafa efni sem tengjast nákvæmni landbúnaði, gervigreind tækni, nákvæmni vínrækt og vatnsálagsmat vakið verulega athygli (Espinoza o.fl., 2017; Gomez-Cand ´ on ´ o.fl., 2016; Matese o.fl., 2015; Matese og Di Gennaro, 2018, 2021; Z. Zhou o.fl., 2021). Nákvæm athugun á rannsóknarþyrpingum á tveimur aðskildum tímum, 1990–2010 og 2011–2021, leiðir í ljós framfarir í vitsmunalegri uppbyggingu lénsins. Tímabilið frá 1990 til 2010 var uppbygging miðlægra hugmynda og hugtaka dróna, sem er augljóst af umfjöllun um UAV hönnun, þróun og framkvæmd. Á öðru tímabili stækkar rannsóknaáherslan á fyrri rannsóknir og leitast við að búa til notkunartilvik UAV í landbúnaði. Við fundum einnig fjölmargar rannsóknir sem fjalla um notkun dróna í myndatökuverkefnum og nákvæmnislandbúnaði.
Staða | Journal | Telja |
1 | Fjarskynjun | 258 |
2 | Journal of Intelligent and Robotic Systems: Theory and | 126 |
Umsóknir | ||
3 | Tölvur og rafeindatækni í landbúnaði | 98 |
4 | IEEE vélfærafræði og sjálfvirknibréf | 87 |
5 | Skynjarar | 73 |
6 | International Journal of Remote Sensing | 42 |
7 | Nákvæmni landbúnaður | 41 |
8 | Njósnavélum | 40 |
9 | Agronomy | 34 |
10 | IEEE aðgangur | 34 |
11 | International Journal of Advanced Robotic Systems | 31 |
12 | International Journal of Agricultural and Biological Engineering | 25 |
13 | PLoS ONE | 25 |
14 | Journal of Field Robotics | 23 |
15 | Biosystems Engineering | 22 |
Notagildi
Bókafræðileg úttekt okkar var hönnuð og framkvæmd með fræðimenn, bændur, landbúnaðarsérfræðinga, uppskeruráðgjafa og UAV kerfishönnuði í huga. Eftir bestu vitund höfunda er þetta ein af fyrstu upprunalegu umsögnunum sem hefur farið í ítarlega bókfræðigreiningu á
drónaforrit í landbúnaði. Við höfum framkvæmt yfirgripsmikla úttekt á þessari þekkingarstofnun með því að nota tilvitnunar- og tilvitnunargreiningar á ritum. Tilraunir okkar til að lýsa vitsmunalegri uppbyggingu drónarannsókna bjóða einnig upp á nýja innsýn fyrir fræðimenn. Nákvæm yfirferð á leitarorðum sem notuð eru með tímanum leiðir í ljós heita reitir og brennidepli rannsóknarsvið í drónatengdum bókmenntum. Ennfremur kynnum við lista yfir mest vitnað í rannsóknir til að bera kennsl á áhrifamestu rannsóknarverkin sem lokið er á þessu sviði. Að bera kennsl á greinar og leitarorð gæti þar af leiðandi verið traustur upphafspunktur til að afhjúpa nokkrar leiðir fyrir framtíðarrannsóknir.
Mikilvægt er að við afhjúpuðum klasa sem flokka sambærileg verk og útfærðum niðurstöðurnar. Rannsóknirnar sem eru flokkaðar í klasa hjálpa til við að skilja vitsmunalega uppbyggingu UAV rannsókna. Sérstaklega uppgötvuðum við skort á rannsóknum sem rannsaka ættleiðingarþætti dróna
og hindranir í búrekstri (sjá töflu 9). Framtíðarrannsakendur gætu tekið á þessu hugsanlega bili með því að framkvæma reynslurannsóknir sem meta ættleiðingarþætti dróna í mismunandi búskaparstarfsemi og loftslagsskilyrðum. Ennfremur ætti að styðjast við rannsóknir sem byggja á dæmisögu varðandi virkni dróna með raunverulegum gögnum frá vettvangi. Einnig væri það hagkvæmt að taka bændur og stjórnendur þátt í fræðilegum rannsóknum fyrir bæði fræðilega og verklega framfarir drónarannsókna. Okkur tókst líka að bera kennsl á áberandi rannsakendur og framlag þeirra, sem er dýrmætt vegna þess að meðvitund um nýleg frumverk getur veitt einhverja leiðsögn fyrir framtíðar fræðileg viðleitni.
Tafla 9
Hindranir fyrir ættleiðingu UAV.
Barrier | Lýsing |
Gagnaöryggi | Netöryggi er mikil áskorun fyrir innleiðingu IoT lausnir (Masroor o.fl., 2021). |
Samvirkni og sameining | Ýmis tækni eins og UAV, WSN, IoT osfrv. ætti að vera samþætt og senda gögn sem auka flækjustigið (Alsamhi o.fl., 2021; Popescu o.fl., 2020; Vuran o.fl., 2018). |
Framkvæmdakostnaður | Þetta á sérstaklega við um smábændur og fyrir samþætta ýmsa háþróaða tækni ( Masroor o.fl., 2021). |
Vinnuþekking og sérþekkingu | Það þarf hæfa drónaflugmenn til að stjórna UAV. Einnig að innleiða ýmsar nýjungar tækni krefst faglærðra starfsmanna (YB Huang o.fl., 2013; Tsouros o.fl., 2019). |
Vélarafl og flug lengd | Ekki er hægt að stjórna drónum í langan tíma og hylja stór svæði (Hardin & Hardin, 2010; Laliberte o.fl., 2007). |
Stöðugleiki, áreiðanleiki og stjórnhæfileiki | Drónar eru ekki stöðugir við slæm veðurskilyrði (Hardin & Hardin, 2010; Laliberte o.fl., 2007). |
Burðartakmarkanir og gæði skynjara | Drónar geta aðeins borið takmarkað álag sem leiðir til getu til að hlaða skynjara af minni gæðum (Nebiker o.fl., 2008). |
Reglugerð | Þar sem drónar geta líka verið hættulegir eru þeir alvarlegir reglugerðir á sumum sviðum (Hardin & Jensen, 2011; Laliberte og Rango, 2011). |
Þekking bænda og vextir | Eins og önnur háþróuð tækni, drónar farsæl framkvæmd þarf sérfræðiþekkingu og einnig samfara óvissuþáttum (Fisher o.fl., 2009; Lambert o.fl., 2004; Stafford, 2000). |
Þar sem það er stöðug þörf á að nýta tiltæk úrræði á skilvirkan hátt til að hámarka uppskeru, geta bændur nýtt sér dróna til að tryggja hraða, nákvæma og hagkvæma skönnun á ökrum sínum. Tæknin getur aðstoðað bændur við að ákvarða ástand ræktunar sinna og meta vatnsstöðu, þroskastig, skordýrasmit og næringarþarfir. Fjarkönnunargeta dróna getur veitt bændum mikilvæg gögn til að sjá fyrir vandamál á frumstigi og grípa tafarlaust til viðeigandi inngripa. Hins vegar er aðeins hægt að gera sér grein fyrir ávinningi tækninnar ef rétt er brugðist við áskorunum. Í ljósi þess
núverandi vandamál varðandi gagnaöryggi, skynjaratæknimál (td áreiðanleika eða nákvæmni mælinga), flókið samþættingu og verulegum innleiðingarkostnaði, framtíðarrannsóknir verða einnig að kanna tæknilega, efnahagslega og rekstrarlega hagkvæmni þess að samþætta landbúnaðardróna og annan skurð- brún tækni.
Takmarkanir
Rannsókn okkar hefur nokkrar takmarkanir. Í fyrsta lagi eru niðurstöðurnar ákvarðaðar af þeim ritum sem valin eru til lokagreiningar. Það er krefjandi að fanga allar viðeigandi rannsóknir sem tengjast landbúnaðardrónum, sérstaklega þær sem ekki eru skráðar í Scopus gagnagrunninum. Ennfremur takmarkast gagnasöfnunarferlið við uppsetningu leitarorða, sem kunna að vera ekki innifalið og leiða til ófullnægjandi niðurstöðu. Þannig þarf framtíðarrannsóknir að gefa meiri gaum að undirliggjandi vandamáli um gagnasöfnun
áreiðanlegri niðurstöður. Önnur takmörkun varðar ný rit með fáum tilvitnunum. Bókafræðileg greining er hlutdræg að fyrri útgáfum þar sem þær hafa tilhneigingu til að fá fleiri tilvitnanir með árunum. Nýlegar rannsóknir þurfa ákveðinn tíma til að vekja athygli og safna tilvitnunum. Þar af leiðandi myndu nýlegar rannsóknir sem leiða til hugmyndabreytingar ekki raðast í topp tíu áhrifamestu verkin. Þessi takmörkun er ríkjandi við athugun á ört vaxandi rannsóknarsviðum eins og landbúnaðardrónum. Þar sem við höfum leitað til Scopus til að rannsaka bókmenntir fyrir þessa vinnu gætu framtíðarrannsakendur íhugað annað
gagnagrunna, eins og Vísindavefinn og IEEE Xplore, til að víkka sjóndeildarhringinn og efla rannsóknarskipulagið.
Hugsanlegar heimildafræðilegar rannsóknir geta íhugað aðrar mikilvægar þekkingarheimildir eins og ráðstefnurit, kafla og bækur til að skapa nýja innsýn. Þrátt fyrir að kortleggja og rannsaka alþjóðlegar útgáfur um landbúnaðardróna, leiddu niðurstöður okkar ekki í ljós ástæðurnar á bak við fræðilegan árangur háskóla. Þetta ryður brautina að nýju rannsóknarsviði þar sem eigindlega útskýrir hvers vegna sumir háskólar eru afkastameiri en aðrir þegar kemur að rannsóknum á landbúnaði.
dróna. Að auki gætu framtíðarrannsóknir veitt innsýn í möguleika dróna til að auka sjálfbærni búskapar á nokkra vegu eins og umhverfisvöktun, ræktunarstjórnun og kortlagningu illgresis eins og nokkrir vísindamenn hafa gefið til kynna (Chamuah & Singh, 2019; Islam o.fl., 2021; Popescu o.fl., 2020; J. Su, Liu o.fl., 2018b). Þar sem textagreining var ekki möguleg vegna mikils fjölda valinna greina er þörf á kerfisbundnum ritrýni sem skoða
rannsóknaraðferðir sem notaðar eru og þátttöku bænda í fyrri rannsóknum. Í stuttu máli, greining okkar á drónarannsóknum afhjúpar ósýnileg tengsl þessa þekkingaraðila. Þessi yfirferð hjálpar því til við að afhjúpa tengsl rita og kannar vitsmunalega uppbyggingu rannsóknarsviðsins. Það sýnir einnig tengslin milli hinna ýmsu þátta bókmenntanna, svo sem leitarorð höfunda, tengsl og lönd.
Yfirlýsing um samkeppni
Höfundar lýsa því yfir að þeir hafi enga þekkta fjárhagslega hagsmuni eða persónuleg sambönd sem gætu hafa virst hafa áhrif á verkið sem greint er frá í þessari grein.
Viðauki 1
TITLE-ABS-LYKILL (((dróni* EÐA „ómönnuð flugvél“ EÐA uav* EÐA „ómannað loftfarskerfi” EÐA uas EÐA „fjarstýrð flugvél”) OG (agricultural OR agriculture OR farming OR farmer))) OG (ÚTANKA (PUBYEAR, 2022)) OG (TAKMARKAÐ AÐ (TUNGUMÁL, „enska“)).
Meðmæli
Aasen, H., Burkart, A., Bolten, A., Bareth, G., 2015. Búa til 3D hyperspectral upplýsingar með léttum UAV skyndimyndavélum fyrir gróðurvöktun: frá kl.
kvörðun myndavélar til gæðatryggingar. ISPRS J. Photogramm. Fjarskynjarar 108, 245–259. https://doi.org/10.1016/j.isprsjprs.2015.08.002.
Abd-Elrahman, A., Pearlstine, L., Percival, F., 2005. Þróun mynsturþekkingaralgríms fyrir sjálfvirka fuglagreiningu úr myndum af ómannaðri flugvél.
Könnun. Land Upplýsa. Sci. 65 (1), 37–45.
Abdollahi, A., Rejeb, K., Rejeb, A., Mostafa, MM, Zailani, S., 2021. Þráðlaus skynjaranet í landbúnaði: innsýn úr bókfræðigreiningu. Sjálfbærni 13 (21),
12011.
Aboutalebi, M., Torres-Rua, AF, Kustas, WP, Nieto, H., Coopmans, C., McKee, M., Mat á mismunandi aðferðum við skuggagreiningu í háupplausnar sjónmyndum og mat á áhrifum skugga á útreikninga. af NDVI og uppgufun. Áveita. 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. Hyperspectral imaging: a review on UAV-based sensors, data vinnslu og
umsóknir um landbúnað og skógrækt. Fjarkönnun 9 (11). https://doi.org/ 10.3390/rs9111110.
Agüera Vega, F., Ramírez, FC, Saiz, MP, Rosúa, FO, 2015. Fjöltímamyndataka með því að nota ómannað flugfar til að fylgjast með sólblómauppskeru. Biosyst. Eng.
132, 19–27. https://doi.org/10.1016/j.biosystemseng.2015.01.008.
Ajayi, OG, Salubi, AA, Angbas, AF, Odigure, MG, 2017. Myndun nákvæmra stafrænna hæðarlíkana frá UAV náði lágu hlutfalli af myndum sem skarast. Alþj.
J. Remote Sens. 38 (8–10), 3113–3134. https://doi.org/10.1080/ 01431161.2017.1285085.
Ali, I., Greifeneder, F., Stamenkovic, J., Neumann, M., Notarnicola, C., 2015. Endurskoðun á vélanámsaðferðum fyrir endurheimt lífmassa og jarðvegs raka úr fjarkönnunargögnum. Fjarkönnun 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: Review of applications
og aðferðir. Auglýsing. Hoc. Netv. 117, 102505 https://doi.org/10.1016/j. adhoc.2021.102505.
Al-Thani, N., Albuainain, A., Alnaimi, F., Zorba, N., 2020. Drónar fyrir eftirlit með sauðfé. Í: 20th IEEE Mediterranean Electrotechnical Conference. https://doi.
org/10.1109/MELECON48756.2020.9140588.
Ampatzidis, Y., Partel, V., 2019. UAV-undirstaða svipgerð með mikilli afköstum í sítrus sem notar fjölrófsmyndgreiningu og gervigreind. Fjarkönnun 11 (4), https://doi.org/10.3390/rs11040410.
Ampatzidis, Y., Partel, V., Costa, L., 2020. Agroview: Skýjabundið forrit til að vinna úr, greina og sjá fyrir UAV-söfnuðum gögnum fyrir nákvæmar landbúnaðarforrit sem nýta gervigreind. Reikni. Rafeind. Agric. 174, 105457 https://doi. org/10.1016/j.compag.2020.105457.
Ang, K.-L.-M., Seng, JKP, 2021. Big data and machine learning with hyperspectral information in agriculture. IEEE Access 9, 36699–36718. https://doi.org/10.1109/
ACCESS.2021.3051196.
Aquilani, C., Confessore, A., Bozzi, R., Sirtori, F., Pugliese, C., 2022. Endurskoðun: nákvæmni búfjárræktartækni í búfjárkerfum sem byggja á haga. Dýr 16 (1), https://doi.org/10.1016/j.animal.2021.100429.
Armenta-Medina, D., Ramirez-Delreal, TA, Villanueva-Vasquez, ´ D., Mejia-Aguirre, C., Stefna í háþróaðri upplýsinga- og samskiptatækni fyrir
að bæta framleiðni í landbúnaði: bókfræðigreining. Agronomy 10 (12), grein 12. https://doi.org/10.3390/agronomy10121989.
Armstrong, I., Pirrone-Brusse, M., Smith, A., Jadud, M., 2011. The flying gator: into aerial robotics in occam-π. Samfélag. Ferli arkitekt. 2011, 329–340. https://doi. org/10.3233/978-1-60750-774-1-329.
Arora, SD, Chakraborty, A., 2021. Vitsmunaleg uppbygging kvörtunarhegðunar neytenda (CCB) rannsóknir: Bókafræðileg greining. J. Business Res. 122, 60–74.
Aslan, MF, Durdu, A., Sabanci, K., Ropelewska, E., Gültekin, SS, 2022.
Alhliða könnun á nýlegum rannsóknum með UAV fyrir nákvæmni landbúnað á opnum ökrum og gróðurhúsum. Appl. Sci. 12 (3), 1047. https://doi.org/10.3390/
app12031047.
Atkinson, JA, Jackson, RJ, Bentley, AR, Ober, E., & Wells, DM (2018). Svipgerð fyrir framtíðina. Í Annual Plant Reviews á netinu (bls. 719–736). Jón
Wiley & Sons, Ltd. doi: 10.1002/9781119312994.apr0651.
Austin, R., 2010. Unmanned Aircraft Systems: UAVS Design, Development and Deployment. Í: Unmanned Aircraft Systems: UAVS Design, Development and
Dreifing. John Wiley og synir. https://doi.org/10.1002/9780470664797.
Awais, M., Li, W., Cheema, MJM, Zaman, QU, Shaheen, A., Aslam, B., Zhu, W., Ajmal, M., Faheem, M., Hussain, S., Nadeem, AA, Afzal, MM, Liu, C., 2022. UAV-bundin fjarkönnun í streitu plantna ímyndaðu þér að nota háupplausn hitaskynjara fyrir stafræna landbúnaðarhætti: meta-endurskoðun. Alþj. J. Umhverfi. Sci. Tækni. https://doi.
org/10.1007/s13762-021-03801-5.
Bacco, M., Berton, A., Ferro, E., Gennaro, C., Gotta, A., Matteoli, S., Paonessa, F., Ruggeri, M., Virone, G., Zanella, A., 2018. Snjall búskapur: Tækifæri, áskoranir
og tæknigervingar. 2018 IoT Lóðrétt og. Topical Summit on Agriculture -Toskana (IOT Toskana) 1.–6. https://doi.org/10.1109/IOTTUSCANY.2018.8373043.
Bah, MD, Hafiane, A., Canals, R., 2018. Djúpt nám með eftirlitslausum gagnamerkingum til að greina illgresi í línuræktun í UAV myndum. Fjarkönnun 10 (11), 1690.
https://doi.org/10.3390/rs10111690.
Baldi, S., 1998. Normative versus social constructivist processes in the allocation of citations: a network-analytic model. Am. Sociol. 63 (6), 829–846. https://doi.
org/10.2307/2657504.
Baluja, J., Diago, MP, Balda, P., Zorer, R., Meggio, F., Morales, F., Tardaguila, J., 2012. Mat á breytileika víngarðsvatns eftir hitauppstreymi og fjölrófum
myndefni með því að nota ómannað flugfartæki (UAV). Áveita. Sci. 30 (6), 511–522. https://doi.org/10.1007/s00271-012-0382-9.
Barabaschi, D., Tondelli, A., Desiderio, F., Volante, A., Vaccino, P., Val`e, G., Cattivelli, L.,Næsta kynslóð ræktunar. Plant Sci. 242, 3–13. https://doi.org/10.1016/j.
plantsci.2015.07.010.
Barbedo, JGA, Koenigkan, LV, 2018. Sjónarmið um notkun ómannaðra loftkerfa til að fylgjast með nautgripum. Outlook Agric. 47 (3), 214–222. https://doi.org/10.1177/0030727018781876.
Bareth, G., Aasen, H., Bendig, J., Gnyp, ML, Bolten, A., Jung, A., Michels, R., Soukkamaki, ¨ J., 2015. Lágþyngd og UAV-undirstaða hyperspectral myndavélar í fullri stærð
til að fylgjast með ræktun: Litrófssamanburður við mælingar á færanlegum litrófsmælum. Photogrammetrie, Fernerkundung, Geoinformation 2015 (1), 69–79.
https://doi.org/10.1127/pfg/2015/0256.
Barrientos, A., Colorado, J., del Cerro, J., Martinez, A., Rossi, C., Sanz, D., Valente, J., Fjarkönnun úr lofti í landbúnaði: Hagnýt nálgun við svæðisþekju
og slóðaáætlun fyrir flota lítilla flugvélmenna. J. Field Rob. 28 (5), 667–689. https://doi.org/10.1002/rob.20403.
Basiri, A., Mariani, V., Silano, G., Aatif, M., Iannelli, L., Glielmo, L., 2022. Könnun um beitingu slóðaáætlunar reiknirit fyrir UAV með mörgum snúningum í nákvæmni
landbúnaði. J. Navig. 75 (2), 364–383.
Basnet, B., Bang, J., 2018. The state-of-the-art of the knowledge-frequent agriculture: a review on used sensing systems and data analytics. J. Sens. 2018, 1–13.
Bendig, J., Bolten, A., Bareth, G., 2013. UAV-undirstaða myndgreining fyrir fjöltíma, mjög hárri upplausn ræktunaryfirborðslíkön til að fylgjast með breytileika uppskeruvaxtar. Photogrammetrie, Fernerkundung, Geoinformation 2013 (6), 551–562. https://doi. org/10.1127/1432-8364/2013/0200.
Bendig, J., Bolten, A., Bennertz, S., Broscheit, J., Eichfuss, S., Bareth, G., 2014. Mat á lífmassa byggs með því að nota ræktunaryfirborðslíkön (CSMs) unnin úr UAV-undirstaða RGB myndgreiningu. Fjarkönnun 6 (11), 10395–10412.
Bendig, J., Yu, K., Aasen, H., Bolten, A., Bennertz, S., Broscheit, J., Gnyp, ML, Bareth, G., 2015. Sameinar UAV-byggð plöntuhæð frá yfirborði ræktunar módel,
sýnilegar og nálægt innrauðar gróðurvísitölur fyrir lífmassavöktun í byggi. Alþj. J. Appl. Earth Obs. Geoinf. 39, 79–87. https://doi.org/10.1016/j.jag.2015.02.012.
Berni, JA, Zarco-Tejada, PJ, Sepulcre-Canto, ´G., Fereres, E., Villalobos, F., 2009a. Kortlagning tjaldhimnuleiðni og CWSI í ólífugörðum með mikilli upplausn
varma fjarkönnun myndefni. Fjarskynjarar umhverfi. 113 (11), 2380–2388. https://doi.org/10.1016/j.rse.2009.06.018.
Berni, JA, Zarco-Tejada, PJ, Suarez, ´L., Fereres, E., 2009b. Varma- og þröngbandsfjarkönnun fyrir gróðurvöktun úr ómönnuðu loftfari. IEEE Trans. Geosci. Fjarkennsla 47 (3), 722–738.
Bouzembrak, Y., Klüche, M., Gavai, A., Marvin, HJP, 2019. Internet of Things in food safety: Literature review and a bibliometric analysis. Trends Food Sci. Tækni. 94,54–64. https://doi.org/10.1016/j.tifs.2019.11.002.
Brewster, C., Roussaki, I., Kalatzis, N., Doolin, K., Ellis, K., 2017. IoT in agriculture: Designing a European large-scale pilot. IEEE samfélag. Mag. 55 (9), 26–33.
Buters, TM, Belton, D., Cross, AT, 2019. Fjölnema UAV mælingar á einstökum ungplöntum og ungplöntusamfélögum með millimetra nákvæmni. Drónar 3 (4), 81.
https://doi.org/10.3390/drones3040081.
Candiago, S., Remondino, F., De Giglio, M., Dubbini, M., Gattelli, M., 2015. Mat á fjölrófsmyndum og gróðurvísitölum fyrir nákvæmnisræktunarforrit frá UAV myndum. Fjarkönnun 7 (4), 4026–4047. https://doi.org/10.3390/rs70404026.
Cao, Y., Li, GL, Luo, YK, Pan, Q., Zhang, SY, 2020. Vöktun á vaxtarvísum sykurrófu með því að nota breitt breytilegt gróðursvið (WDRVI) sem er unnið úr UAV
fjölrófsmyndir. Reikni. Rafeind. Agric. 171, 105331 https://doi.org/10.1016/j.compag.2020.105331.
Casillas, J., Acedo, F., 2007. Þróun vitsmunalegrar uppbyggingar bókmennta um fjölskyldufyrirtæki: bókmenntafræðileg rannsókn á FBR. Fjölskyldufyrirtæki sr. 20 (2), 141–162.
Cen, H., Wan, L., Zhu, J., Li, Y., Li, X., Zhu, Y., Weng, H., Wu, W., Yin, W., Xu, C., Bao, Y., Feng, L., Shou, J., He, Y., 2019. Dynamic vöktun á lífmassa hrísgrjóna undir
mismunandi köfnunarefnismeðferðir með því að nota léttan UAV með tvöföldum myndramma skyndimyndavélum. Plöntuaðferðir 15 (1), 32. https://doi.org/10.1186/s13007-019-
0418-8.
Chamuah, A., Singh, R., 2019. Að tryggja sjálfbærni í indverskum landbúnaði með borgaralegum UAV: ábyrgt nýsköpunarsjónarhorn. SN Appl. Sci. 2 (1), 106. https://
doi.org/10.1007/s42452-019-1901-6.
Chamuah, A., Singh, R., 2022. Ábyrg stjórnun nýsköpunar borgaralegra ómannaðra loftfara (UAV) fyrir umsóknir um ræktunartryggingar á Indlandi. J. Ábyrgðarmaður
Tækni. 9, 100025 https://doi.org/10.1016/j.jrt.2022.100025.
Chen, A., Orlov-Levin, V., Meron, M., 2019. Notkun háupplausnar sýnilegra rása loftmynda af uppskeru tjaldhiminn til nákvæmrar áveitustjórnunar. Agric. Vatn
Stjórn. 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. Léttur UAV með innbyggðri ljósmælingu og eintíðni GPS staðsetningu fyrir mælifræðiforrit. ISPRS J. Photogramm. Fjarskynjarar 127, 115–126. https://doi.org/10.1016/j.isprsjprs.2016.12.007.
Dawaliby, S., Aberkane, A., Bradai, A., 2020. Blockchain-undirstaða IoT vettvangur fyrir sjálfstæða drónarekstursstjórnun. Í: Proceedings of the 2nd ACM
MobiCom vinnustofa um drónaaðstoð þráðlaus fjarskipti fyrir 5G og víðar, bls. 31–36. https://doi.org/10.1145/3414045.3415939.
Day, RA, Gastel, B., 1998. Hvernig á að skrifa og gefa út vísindarit. Cambridge University Press. de Castro, AI, Pena, ˜ JM, Torres-Sanchez, ´ J., Jim´enez-Brenes, FM, ValenciaGredilla, F., Recasens, J., Lopez-Granados, ´ F., 2020. Kortlagning cynodon dactylon-smits hylja ræktun með sjálfvirkri ákvörðunartré-OBIA aðferð og UAV myndefni fyrir nákvæma vínrækt. Fjarkönnun 12 (1), 56. https://doi.org/10.3390/rs12010056.
de Castro, AI, Torres-S´anchez, J., Pena, ˜ JM, Jim´enez-Brenes, FM, Csillik, O., Lopez- ´Granados, F., 2018. Sjálfvirkt handahófskennt skógar-OBIA reiknirit fyrir snemma kortlagning á illgresi milli og innan ræktunarlína með UAV myndefni. Fjarkönnun 10 (2). https://doi.org/10.3390/rs10020285.
Demir, N., Sonmez, ¨ NK, Akar, T., Ünal, S., 2018. Sjálfvirk mæling á plöntuhæð hveitiarfgerða með því að nota DSM úr UAV myndefni. Proceedings 2 (7), 350. https://doi.org/10.3390/ecrs-2-05163.
Deng, J., Zhong, Z., Huang, H., Lan, Y., Han, Y., Zhang, Y., 2020. Létt merkingarkerfi fyrir illgresi í rauntíma með því að nota ómannað flugfarartæki. Appl. Sci. 10 (20), 7132. https://doi.org/10.3390/app10207132.
Deng, L., Mao, Z., Li, X., Hu, Z., Duan, F., Yan, Y., 2018. UAV-undirstaða fjölrófsfjarkönnun fyrir nákvæmni landbúnað: samanburður á mismunandi myndavélum. ISPRS J. Photogramm. Fjarskynjarar 146, 124–136.
Diaz-Gonzalez, FA, Vuelvas, J., Correa, CA, Vallejo, VE, Patino, D., 2022. Vélnám og fjarkönnunartækni beitt til að meta jarðvegsvísa – endurskoðun. Ecol. Ind. 135, 108517 https://doi.org/10.1016/j.ecolind.2021.108517.
Díaz-Varela, RA, De la Rosa, R., Leon, ´ L., Zarco-Tejada, PJ, 2015. Háupplausn loftborið UAV myndefni til að meta færibreytur ólífutréskórónu með því að nota 3D mynd
endurbygging: notkun í kynbótaprófum. Fjarkönnun 7 (4), 4213–4232. https://doi.org/10.3390/rs70404213.
Dixit, A., Jakhar, SK, 2021. Flugvallargetustjórnun: endurskoðun og bókfræðigreining. J. Air Transp. Stjórn. 91, 102010.
Dong, T., Shang, J., Liu, J., Qian, B., Jing, Q., Ma, B., Huffman, T., Geng, X., Sow, A., Shi, Y., Canisius, F., Jiao, X., Kovacs, JM, Walters, D., Cable, J., Wilson, J., 2019.
Notkun RapidEye myndefnis til að bera kennsl á breytileika vaxtar og uppskeru innan akursins í Ontario, Kanada. Precision Agric. 20 (6), 1231–1250. https://doi.org/10.1007/
s11119-019-09646-w.
Dutta, PK, Mitra, S., 2021. Notkun landbúnaðardróna og þvælu til að skilja fæðuframboðskeðjuna eftir COVID-19. Í: Choudhury, A., Biswas, A., Prateek, M.,
Chakrabarti, A. (ritstj.), Agricultural Informatics: Automation Using the IoT and Machine Learning. Wiley, bls. 67–87. van Eck, N., Waltman, L., 2009. Hugbúnaðarkönnun: VOSviewer, tölvuforrit fyrir bókfræðikortlagningu. Scientometrics 84 (2), 523–538. https://doi.org/10.1007/s11192-009-0146-3.
Elijah, O., Rahman, TA, Orikumhi, I., Leow, CY, Hindia, MN, 2018. Yfirlit yfir Internet of Things (IoT) og gagnagreiningar í landbúnaði: kostir og áskoranir.
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. Löggilding landbúnaðarfræði UAV og akur
mælingar fyrir tómatafbrigði. Reikni. Rafeind. Agric. 158, 278–283. https:// doi.org/10.1016/j.compag.2019.02.011.
Espinoza, CZ, Khot, LR, Sankaran, S., Jacoby, PW, 2017. Háupplausn fjölrófs- og varma fjarkönnun byggt vatnsálagsmat í
vínber með vökvun undir yfirborði. Fjarkönnun 9 (9), 961. https://doi.org/ 10.3390/rs9090961.
Ewing, J., Oommen, T., Jayakumar, P., Alger, R., 2020. Notkun ofurrófsfjarkönnunar fyrir jarðvegsbreytingu. Fjarkönnun 12 (20), 3312. ttps://doi.org/10.3390/
rs12203312.
Fawcett, D., Panigada, C., Tagliabue, G., Boschetti, M., Celesti, M., Evdokimov, A., Biriukova, K., Colombo, R., Miglietta, F., Rascher, U., Anderson, K., 2020. Multiscale mat á dróna-undirstaða fjölróf yfirborðsendurkasts og gróðurvísitölu við rekstraraðstæður. Fjarkönnun 12 (3), 514.
Feng, X., Yan, F., Liu, X., 2019. Rannsókn á þráðlausri samskiptatækni á Internet of Things fyrir nákvæmni landbúnað. Þráðlaus Pers. Samfélag. 108 (3),
1785-1802.
Ferreira, MP, Pinto, CF, Serra, FR, 2014. Viðskiptakostnaðarkenningin í alþjóðlegum viðskiptarannsóknum: bókfræðirannsókn á þremur áratugum. Scientometrics 98 (3), 1899–1922. https://doi.org/10.1007/s11192-013-1172-8.
Fisher, P., Abuzar, M., Rab, M., Best, F., Chandra, S., 2009. Framfarir í nákvæmni landbúnaði í suðausturhluta Ástralíu. I. aðhvarfsaðferðafræði til að líkja eftir
staðbundin breytileiki í uppskeru korns með því að nota sögulega uppskeru bænda og staðlaðan mismun gróðurvísitölu. Uppskera haga Sci. 60 (9), 844–858.
Floreano, D., Wood, RJ, 2015. Vísindi, tækni og framtíð lítilla sjálfstýrðra dróna. Náttúra 521 (7553), 460–466. https://doi.org/10.1038/nature14542.
Friha, O., Ferrag, MA, Shu, L., Maglaras, LA, Wang, X., 2021. Internet of things for the future of smart agriculture: a alhliða könnun á nýrri tækni. IEEE CAA J. Autom. Sinica 8 (4), 718–752.
Fuentes-Pacheco, J., Torres-Olivares, J., Roman-Rangel, E., Cervantes, S., JuarezLopez, P., Hermosillo-Valadez, J., Rendon-Mancha, ´ JM, 2019. Skipting fíkjuplantna úr loftmyndum með því að nota djúpt snúningskóðara-afkóðara net. Fjarkönnun 11 (10), 1157. https://doi.org/10.3390/rs11101157.
Gago, J., Douthe, C., Coopman, RE, Gallego, PP, Ribas-Carbo, M., Flexas, J., Escalona, J., Medrano, H., 2015. UAVs áskorun til að meta vatnsstreitu fyrir
sjálfbæran landbúnað. Agric. Vatnsstjórnun. 153, 9–19. https://doi.org/10.1016/j. agwat.2015.01.020.
García-Tejero, IF, Rubio, AE, Vinuela, ~I., Hern´andez, A., Guti´errez-Gordillo, S., Rodríguez-Pleguezuelo, CR, Dur´an-Zuazo, VH, 2018. Hitamyndataka við álverið
stig til að meta ástand uppskeruvatns í möndlutrjám (cv. Guara) við áveituáætlanir sem halla á. Agric. Vatnsstjórnun. 208, 176–186. https://doi.org/10.1016/j.
agwat.2018.06.002.
Garzonio, R., Di Mauro, B., Colombo, R., Cogliati, S., 2017. Yfirborðsendurkasts- og sólarframkallaðar fluorescence spectroscopy mælingar með því að nota lítið hyperspectral UAS. Fjarkönnun 9 (5), 472. https://doi.org/10.3390/rs9050472. Gaˇsparovi´c, M., Zrinjski, M., Barkovi´c, Đ., Radoˇcaj, D., 2020. Sjálfvirk aðferð fyrir
illgresi kortlagning á hafraökrum byggt á UAV myndefni. Reikni. Rafeind. Agric.
Gebbers, R., Adamchuk, VI, 2010. Nákvæmni landbúnaður og fæðuöryggi. Vísindi 327 (5967), 828–831. https://doi.org/10.1126/science.1183899.
Geipel, J., Link, J., Claupein, W., 2014. Samsett litrófs- og rýmislíkön á maísuppskeru byggt á loftmyndum og ræktunaryfirborðslíkönum sem fengust með ómönnuðu flugvélakerfi. Fjarkönnun 6 (11), 10335–10355. https://doi.org/10.3390/rs61110335.
Geng, D., Feng, Y., Zhu, Q., 2020. Sjálfbær hönnun fyrir notendur: úttekt á bókmenntum og bókfræðigreining. Umhverfi. Sci. Mengun. Res. 27 (24), 29824–29836. https://doi. org/10.1007/s11356-020-09283-1.
Gevaert, CM, Suomalainen, J., Tang, J., Kooistra, L., 2015. Myndun litrófssvörunarflata með því að sameina fjölróf gervihnött og ofurróf
UAV myndefni fyrir nákvæmni landbúnaðarnotkun. IEEE J. Sel. Efst. Appl. Earth Obs. Fjarstýringar 8 (6), 3140–3146. ttps://doi.org/10.1109/JSTARS.2015.2406339.
Gill, SS, Chana, I., Buyya, R., 2017. IoT byggður landbúnaður sem ský og stór gagnaþjónusta: upphaf stafræns Indlands. J. Org. og End User Comput. (JOEUC) 29 (4),
1-23.
Gmür, M., 2006. Samtilvitnunargreining og leitin að ósýnilegum háskólum: aðferðafræðilegt mat. Scientometrics 57 (1), 27–57. https://doi.org/10.1023/
a:1023619503005.
Gnadinger, ¨ F., Schmidhalter, U., 2017. Stafrænar talningar á maísplöntum með ómannaða flugvélum (UAV). Fjarkönnun 9 (6). Https://doi.org/10.3390/rs9060544.
Gokto ¨ ǧan, AH, Sukkarieh, S., Bryson, M., Randle, J., Lupton, T., Hung, C., 2010. Ómannað loftfarartæki með snúningsvæng til eftirlits með illgresi í vatni og
stjórnun. J. Intell. Vélfærakerfi: Theor. Appl. 57 (1–4), 467–484. https://doi. org/10.1007/s10846-009-9371-5.
Gomez-Cand ´ on, ´ D., De Castro, AI, Lopez-Granados, ´ F., 2014. Mat á nákvæmni mósaíkmynda úr ómannaðri flugvél (UAV) myndefni fyrir nákvæmni landbúnaðartilgangi í hveiti. Nákvæm. Agric. 15 (1), 44–56. https://doi.org/10.1007/s11119-013-9335-4.
Gomez-Cand ´ on, ´ D., Virlet, N., Labbe, S., Jolivot, A., Regnard, J.-L., 2016. Svipgerð vatnsstreitu á trjákvarða með UAV-skynjuðu myndefni : ný innsýn fyrir
hitaupptöku og kvörðun. Nákvæm. Agric. 17 (6), 786–800. https://doi.org/10.1007/s11119-016-9449-6.
Gonzalez-Dugo, V., Zarco-Tejada, PJ, Fereres, E., 2014. Notkun og takmarkanir á notkun ræktunarvatnsálagsvísitölunnar sem vísbendingar um vatnsskort í sítrusgörðum. Agric. Fyrir. Meteorol. 198–199, 94–104. https://doi.org/10.1016/j. agrformet.2014.08.003.
Gonzalez-Dugo, V., Zarco-Tejada, P., Nicolas, ´ E., Nortes, PA, Alarcon, ´ JJ, Intrigliolo, DS, Fereres, E., 2013. Notkun UAV-hitamynda í háupplausn til að
meta breytileika í vatnsstöðu fimm ávaxtatrétegunda innan nytjagarðs. Nákvæm. Agric. 14 (6), 660–678. https://doi.org/10.1007/s11119-013-9322-9.
Goyal, K., Kumar, S., 2021. Fjármálalæsi: Kerfisbundin endurskoðun og bókfræðigreining. Alþj. J. Neytendafræði 45 (1), 80–105. https://doi.org/10.1111/
ijcs.12605.
Grenzdorffer, ¨ GJ, Engel, A., Teichert, B., 2008. The photogrammetric potential of low-cost uavs in Forestry and Agriculture. International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences – ISPRS Archives 37, 1207–1213. https://www.scopus.com/inward/record.uri?eid=2-s2.0-85039543258&partnerI D=40&md5=b4b2d639257e8ddb5a373d15959c4e1e.
Guan, S., Fukami, K., Matsunaka, H., Okami, M., Tanaka, R., Nakano, H., Sakai, T., Nakano, K., Ohdan, H., Takahashi, K., 2019. Mat á fylgni háupplausnar
NDVI með magni áburðargjafar og uppskeru hrísgrjóna og hveitiræktunar með litlum UAV. Fjarkönnun 11 (2), 112.
Gundolf, K., Filser, M., 2013. Stjórnunarrannsóknir og trúarbrögð: tilvitnunargreining. J. Strætó. Siðfræði 112 (1), 177–185.
Guo, Q., Zhu, Y., Tang, Y., Hou, C., He, Y., Zhuang, J., Zheng, Y., Luo, S., 2020. CFD uppgerð og tilrauna sannprófun á staðbundnum og tímabundnar dreifingar á
niðurþvottaloftstreymi fjórhjóladrifs landbúnaðarflugvélar í sveimi. Reikni. Rafeind. 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. , Pólland, J., 2016.
Notkun ómannaðra loftkerfa fyrir svipgerð með mikilli afköstum stórra hveitiræktunargróðurhúsa. Plöntuaðferðir 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. Litrófsmyndgreining frá UAV við mismunandi birtuskilyrði . Í GG Bill R. (ritstj.), International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences—ISPRS Archives (Vol. 40, Issue 1W2, bls. 189–194). Alþjóðlegt félag um ljósmyndafræði og fjarkönnun. https://www.scopus.com/inward/record.uri?eid=2-s2.0-848875632.
Hamylton, SM, Morris, RH, Carvalho, RC, Roder, N., Barlow, P., Mills, K., Wang, L. Mat á tækni til að kortleggja eyjagróður úr ómönnuðu loftneti
ökutæki (UAV) myndir: Pixel flokkun, sjóntúlkun og vélanám. Alþj. J. Appl. Earth Obs. Geoinf. 89, 102085 https://doi.org/
10.1016/j.jag.2020.102085.
Haque, A., Islam, N., Samrat, NH, Dey, S., Ray, B., 2021. Snjall búskapur með ábyrgri forystu í Bangladess: möguleikar, tækifæri og víðar.
Sjálfbærni 13 (8), 4511.
Hardin, PJ, Hardin, TJ, 2010. Lítil fjarstýrð farartæki í umhverfisrannsóknum. Landafræði áttaviti 4 (9), 1297–1311. ttps://doi.org/10.1111/j.1749-
8198.2010.00381.x.
Hardin, PJ, Jensen, RR, 2011. Ómannað loftfarartæki í litlum mæli í umhverfisfjarkönnun: áskoranir og tækifæri. GISci. Fjarstýringar 48 (1), 99–111. https://doi.org/10.2747/1548-1603.48.1.99.
He, Y., Nie, P., Zhang, Q., Liu, F., 2021. Agricultural Internet of Things: tækni og forrit, (1. útgáfa 2021 útgáfa). Springer.
Herwitz, SR, Johnson, LF, Dunagan, SE, Higgins, RG, Sullivan, DV, Zheng, J., Lobitz, BM, Leung, JG, Gallmeyer, BA, Aoyagi, M., Slye, RE, Brass, JA, 2004.
Myndataka úr ómönnuðu loftfari: landbúnaðareftirlit og ákvörðunarstuðningur. Reikni. Rafeind. Agric. 44 (1), 49–61. https://doi.org/10.1016/j.
compag.2004.02.006.
Holman, FH, Riche, AB, Michalski, A., Castle, M., Wooster, MJ, Hawkesford, MJ, Svipgerð með mikilli afköstum á sviði hveitiplöntuhæðar og vaxtarhraða í tilraunum á vettvangi með UAV byggðri fjarkönnun. Fjarkönnun 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. Vinnsla og mat af litrófsfræðilegum, steríósópískum myndum sem safnað er með léttum UAV litrófsmyndavél fyrir nákvæmni landbúnað. Fjarkönnun 5 (10), 5006–5039. https://doi.org/10.3390/rs5105006.
Hossein Motlagh, N., Taleb, T., Arouk, O., 2016. Lághæð ómannað flugfarartæki byggð internet á hlutum þjónustu: alhliða könnun og framtíðarsjónarmið. IEEE Internet Things J. 3 (6), 899–922. https://doi.org/10.1109/JIOT.2016.2612119.
Hrabar, S., Sukhatme, GS, Corke, P., Usher, K., Roberts, J., 2005. Samsett sjónflæði og hljómtæki-undirstaða siglingar um þéttbýlisgljúfur fyrir UAV. Í: 2005 IEEE/RSJ
Alþjóðleg ráðstefna um greindar vélmenni og kerfi, bls. 3309–3316. https://doi.org/10.1109/IROS.2005.1544998.
Hsu, T.-C., Yang, H., Chung, Y.-C., Hsu, C.-H., 2020. Skapandi IoT landbúnaðarvettvangur fyrir skýjaþokutölvu. Halda uppi. Reikni. Inf. Syst. 28, 100285.
Huang, H., Deng, J., Lan, Y., Yang, A., Deng, X., Zhang, L., Gonzalez-Andujar, JL, 2018. Fullkomlega snúningsnet til að kortleggja illgresi ómannaðra loftfara ( UAV) myndefni. PLoS ONE 13 (4), e0196302.
Huang, H., Lan, Y., Yang, A., Zhang, Y., Wen, S., Deng, J., 2020. Djúpnám á móti hlutbundinni myndgreiningu (OBIA) í illgresikortlagningu á UAV myndefni. Alþj. J.
Fjarskynjarar 41 (9), 3446–3479. https://doi.org/10.1080/01431161.2019.1706112.
Huang, H., Yang, A., Tang, Y., Zhuang, J., Hou, C., Tan, Z., Dananjayan, S., He, Y., Guo, Q., Luo, S., 2021. Djúp litakvörðun fyrir UAV myndefni í uppskerueftirliti
með merkingartílflutningi með staðbundinni til alþjóðlegri athygli. Alþj. J. Appl. Earth Obs. Geoinf. 104, 102590 https://doi.org/10.1016/j.jag.2021.102590.
Huang, YB, Thomson, SJ, Hoffmann, WC, Lan, YB, Fritz, BK, 2013. Þróun og horfur á tækni ómannaðra loftfara fyrir landbúnaðarframleiðslu
stjórnun. Alþj. J. Agric. Biol. Eng. 6 (3), 1–10. https://doi.org/10.3965/j. ijabe.20130603.001.
Huang, Y., Hoffmann, WC, Lan, Y., Wu, W., Fritz, BK, 2009. Þróun úðakerfis fyrir mannlausan loftfararpallur. Appl. Eng. Agric. 25 (6), 803–809.
Hunt Jr., ER, Dean Hively, W., Fujikawa, SJ, Linden, DS, Daughtry, CST, McCarty, GW, 2010. Kaup á NIR-grænbláum stafrænum ljósmyndum frá
mannlaus flugvél til uppskerueftirlits. Fjarkönnun 2 (1), 290–305. https://doi. org/10.3390/rs2010290. Inoue, Y., 2020. Gervihnatta- og drónatengd fjarkönnun á ræktun og jarðvegi fyrir snjallt búskap – endurskoðun. Jarðvegsfræði. Plant Nutr. 66 (6), 798–810. https://doi.org/10.1080/00380768.2020.1738899.
Islam, N., Rashid, MM, Pasandideh, F., Ray, B., Moore, S., Kadel, R., 2021. Yfirlit yfir forrit og samskiptatækni fyrir Internet of Things (IoT) og
Sjálfbær snjallbúskapur sem byggir á ómannaðri flugvél (UAV). Sjálfbærni 13 (4), 1821. https://doi.org/10.3390/su13041821.
Jaud, M., Passot, S., Le Bivic, R., Delacourt, C., Grandjean, P., Le Dantec, N., 2016. Mat á nákvæmni stafrænna yfirborðslíkana í mikilli upplausn reiknuð af
PhotoScan® og MicMac® við óákjósanlegar könnunaraðstæður. Fjarkönnun 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. Magngreina áhrif klippingar á byggingarlist ólífutrés og árlega vöxt tjaldhimins með því að nota UAV-undirstaða 3D líkan. Plöntuaðferðir 13 (1). https://doi.org/10.1186/s13007-017-0205-3.
Jin, X., Liu, S., Baret, F., Hemerl´e, M., Comar, A., 2017. Áætlanir um plöntuþéttleika hveitiræktunar við uppkomu úr UAV myndefni í mjög lágri hæð. Fjarskynjarar.
Umhverfi. 198, 105–114. https://doi.org/10.1016/j.rse.2017.06.007.
Jinbo, C., Xiangliang, C., Han-Chi, F., Lam, A., 2019. Vöktunarkerfi landbúnaðarafurða stutt af tölvuskýi. Cluster Computer. 22 (4), 8929–8938.
Ju, C., & Son, HI 2018a. Árangursmat á mörgum UAV kerfum fyrir fjarkönnun í landbúnaði. Málþing um vélfærasýn og aðgerðir í landbúnaði á IEEE International Conference on Robotics and Automation (ICRA), Brisbane, Ástralíu, 21.–26.
Ju, C., Son, HI, 2018b. Mörg UAV kerfi fyrir landbúnaðarnotkun: eftirlit, framkvæmd og mat. Electronics 7 (9), 162. https://doi.org/10.3390/
rafeindatækni7090162.
Jung, J., Maeda, M., Chang, A., Bhandari, M., Ashapure, A., Landivar-Bowles, J., 2021. Möguleiki fjarkönnunar og gervigreindar sem tæki til að bæta
seiglu framleiðslukerfa landbúnaðar. Curr. Opin. Líftækni. 70, 15–22. https://doi.org/10.1016/j.copbio.2020.09.003.
Kalischuk, M., Paret, ML, Freeman, JH, Raj, D., Da Silva, S., Eubanks, S., Wiggins, DJ, Lollar, M., Marois, JJ, Mellinger, HC, Das, J. , 2019. Endurbætt uppskeruskoðunartækni sem felur í sér ómannaða flugvéla-aðstoðaða fjölrófsuppskerumyndatöku í hefðbundnum skátaaðferðum fyrir gúmmístöngulótt í vatnsmelónu. Plant Dis. 103 (7), 1642–1650.
Kapoor, KK, Tamilmani, K., Rana, NP, Patil, P., Dwivedi, YK, Nerur, S., 2018. Framfarir í rannsóknum á samfélagsmiðlum: fortíð, nútíð og framtíð. Tilkynna. Syst. Framan. 20
(3), 531-558.
Kerkech, M., Hafiane, A., Canals, R., 2020. VddNet: vínviðarsjúkdómsgreiningarnet byggt á fjölrófsmyndum og dýptarkorti. Fjarkönnun 12 (20), 3305. https://doi. org/10.3390/rs12203305.
Khaliq, A., Comba, L., Biglia, A., Ricauda Aimonino, D., Chiaberge, M., Gay, P., 2019. Samanburður á gervihnatta- og UAV-byggðum fjölrófsmyndum fyrir víngarð
breytileikamat. Fjarkönnun 11 (4). https://doi.org/10.3390/rs11040436.
Khan, PW, Byun, Y.-C., Park, N., 2020. IoT-blockchain virkaði fínstillt upprunakerfi fyrir matvælaiðnað 4.0 með því að nota háþróaða djúpnám. Skynjarar 20 (10), 2990.
Khan, RU, Khan, K., Albattah, W., Qamar, AM, Ullah, F., 2021. Myndbundin uppgötvun plöntusjúkdóma: frá klassískum vélanámi til djúpnámsferðar. Þráðlaust samfélag. Farsímatölva. 2021, 1.–13.
Khan, S., Tufail, M., Khan, MT, Khan, ZA, Iqbal, J., Alam, M., Le, KNQ, 2021. Skáldsaga hálfstýrð ramma fyrir UAV byggða uppskeru/illgresi flokkun. PLoS ONE 16 (5), e0251008.
Khanal, S., Fulton, J., Shearer, S., 2017. Yfirlit yfir núverandi og hugsanlega notkun varma fjarkönnunar í nákvæmni landbúnaði. Reikni. Rafeind.
Agric. 139, 22–32. https://doi.org/10.1016/j.compag.2017.05.001.
Khanna, A., Kaur, S., 2019. Þróun Internet of Things (IoT) og veruleg áhrif þess á sviði nákvæmni landbúnaðar. Reikni. Rafeind. Agric. 157, 218–231.
Kim, W., Khan, GF, Wood, J., Mahmood, MT, 2016. Starfsmannaþátttaka fyrir sjálfbær samtök: leitarorðagreining með því að nota félagslega netgreiningu og springa
uppgötvunaraðferð. Sjálfbærni 8 (7), 631.
Kirsch, M., Lorenz, S., Zimmermann, R., Tusa, L., Mockel, ¨ R., Hodl, ¨ P., Booysen, R., Khodadadzadeh, M., Gloaguen, R., 2018. Sameining af landbúnaði og dróna
ofurlitrófs- og ljósmælingaraðferðir fyrir könnunarkortlagningu og námueftirlit. Fjarkönnun 10 (9), 1366. https://doi.org/10.3390/
rs10091366.
Kitano, BT, Mendes, CCT, Geus, AR, Oliveira, HC, Souza, JR, 2019. Talning á maísplöntum með því að nota djúpt nám og UAV myndir. IEEE Geosci. Fjarstýringar Lett. 1–5 https://doi.org/10.1109/LGRS.2019.2930549.
Koh, JCO, Spangenberg, G., Kant, S., 2021. Sjálfvirk vélanám fyrir svipgerð plantna sem byggir á myndrænum afköstum. Fjarkönnun 13 (5), 858. https://
doi.org/10.3390/rs13050858.
Kovalev, IV, Voroshilova, AA, 2020. Nútíma tækniþróun í þróun vistkerfis UAVs. J. Phys. Conf. Ser. 1515 (5), 052068 https://doi. org/10.1088/1742-6596/1515/5/052068.
Krul, S., Pantos, C., Frangulea, M., Valente, J., 2021. Sjónræn SLAM fyrir búfé innanhúss og búskap með því að nota lítinn dróna með einlaga myndavél: hagkvæmnirannsókn.
Drones 5 (2), 41. https://doi.org/10.3390/drones5020041.
Kulbacki, M., Segen, J., Knie´c, W., Klempous, R., Kluwak, K., Nikodem, J., Kulbacka, J., Serester, A., 2018. Könnun á drónum fyrir sjálfvirkni í landbúnaði frá gróðursetningu til
uppskeru. Í: INES 2018 – IEEE 22nd International Conference on Intelligent Engineering Systems, bls. 000353–358. https://doi.org/10.1109/INES.2018.8523943.
Lagkas, T., Argyriou, V., Bibi, S., Sarigiannidis, P., 2018. UAV IoT ramma skoðanir og áskoranir: í átt að vernda dróna sem "Hlutur". Skynjarar 18 (11), 4015. https://doi.org/10.3390/s18114015.
Laliberte, AS, Rango, A., 2011. Myndvinnslu- og flokkunaraðferðir fyrir greiningu á myndum undir desimetra sem teknar eru með ómönnuðu loftfari yfir þurru
landsvæði. GISci. Fjarstýringar 48 (1), 4–23. https://doi.org/10.2747/1548-1603.48.1.4.
Laliberte, AS, Rango, A., Herrick, JE, 2007. Ómannað loftfarartæki til kortlagningar og vöktunar á landsvæðum: samanburður á tveimur kerfum. ASPRS ársráðstefnurit.
Lam, OHY, Dogotari, M., Prüm, M., Vithlani, HN, Roers, C., Melville, B., Zimmer, F., Becker, R., 2021. Opinn uppspretta vinnuflæði fyrir kortlagningu illgresis í upprunalegu graslendi
Notkun ómannaðs flugfarartækis: Notkun Rumex obtusifolius sem dæmisögu. Eur. J. Remote Sens. 54 (sup1), 71–88. https://doi.org/10.1080/22797254.2020.1793687.
Lambert, DM, Lowenberg-DeBoer, J., Griffin, TW, Peone, J., Payne, T., Daberkow, SG, 2004. Ættleiðing, arðsemi og betri nýting á nákvæmni búskapargögnum.
Vinnupappír. Purdue háskólinn. https://doi.org/10.22004/ag.econ.28615.
Lelong, CCD, Burger, P., Jubelin, G., Roux, B., Labbe, S., Baret, F., 2008. Mat á myndefni ómannaðra loftfara til magnbundinnar vöktunar á hveitiuppskeru í litlum reitum. Skynjarar 8 (5), 3557–3585. https://doi.org/10.3390/s8053557.
Li, C., Niu, B., 2020. Hönnun snjölls landbúnaðar byggð á stórum gögnum og Internet of things. Alþj. J. Distrib. Sens. Netw. 16 (5) ttps://doi.org/10.1177/1550147720917065.
Li, W., Niu, Z., Chen, H., Li, D., Wu, M., Zhao, W., 2016. Fjarmat á tjaldhæð og ofanjarðar lífmassa maís með því að nota háupplausnar steríómyndir frá a ódýrt ómannað loftfarakerfi. Ecol. Indland 67, 637–648. https://doi.org/10.1016/j.ecolind.2016.03.036.
Liakos, KG, Busato, P., Moshou, D., Pearson, S., Bochtis, D., 2018. Machine learning in agriculture: a review. Skynjarar 18 (8), 2674.
Liebisch, F., Kirchgessner, N., Schneider, D., Walter, A., Hund, A., 2015. Fjarlæg, loftnet svipgerð maíseiginleika með hreyfanlegri fjölnema nálgun. Plöntuaðferðir 11 (1), 9. https://doi.org/10.1186/s13007-015-0048-8.
Lin, Z., Guo, W., 2020. Sorghum panicle uppgötvun og talning með því að nota ómannaðar loftkerfismyndir og djúpt nám. Framan. Plant Sci. 11.
Liu, S., Guo, L., Webb, H., Ya, X., Chang, X., 2019. Internet of Things eftirlitskerfi nútíma vistrænnar landbúnaðar byggt á skýjatölvu. IEEE Access 7, 37050–37058.
Lopez-Granados, ´F., 2011. Greining á illgresi fyrir staðbundna illgresisstjórnun: kortlagning og rauntímaaðferðir. Weed Res. 51 (1), 1–11. https://doi.org/10.1111/j.1365-3180.2010.00829.x.
Lopez-Granados, ´F., Torres-Sanchez, ´J., De Castro, A.-I., Serrano-P´erez, A., MesasCarrascosa, F.-J., Pena, ˜ J.-M. , 2016. Snemma eftirlit með hlutum á grasi illgresi í grasuppskeru með því að nota háupplausn UAV myndefni. Agron. Halda uppi. Dev. 36 (4), 1–12
Lopez-Granados, ´F., Torres-S´anchez, J., Serrano-P´erez, A., de Castro, AI, MesasCarrascosa, F.-J., Pena, ˜ J.-M., 2016. Snemma árstíðar kortlagning á illgresi í sólblómaolíu með UAV tækni: breytileiki korta meðhöndlunar illgresi gegn illgresi. Nákvæm. Agric. 17 (2), 183–199.
Lucieer, A., Malenovský, Z., Veness, T., Wallace, L., 2014. HyperUAS – myndgreiningarrófsgreining úr fjölrotor ómönnuðu flugvélakerfi. J. Field Rob. 31 (4),
571–590. https://doi.org/10.1002/rob.21508.
Lumme, J., Karjalainen, M., Kaartinen, H., Kukko, A., Hyyppa, ¨ J., Hyypp¨ a, H., Jaakkola, A., & Kleemola, J., 2008. Jarðbundin leysiskönnun á landbúnaðarræktun. Í JJ
Chen J. Maas H–G. (Ritstj.), International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences—ISPRS Archives (Vol. 37, bls. 563–566).
Alþjóðlegt félag um ljósmyndafræði og fjarkönnun. https://www.scopus .com/inward/record.uri?eid=2-s2.0-84919356328&partnerID=40&md5=574
b802131a99d16318ce619a01ca1bf.
Ma, L., Li, M., Ma, X., Cheng, L., Du, P., Liu, Y., 2017. Yfirlit yfir flokkun landþekjumynda með eftirliti með hlutum. ISPRS J. Photogramm. Fjarstýringar 130,
277–293. https://doi.org/10.1016/j.isprsjprs.2017.06.001.
Maes, WH, Steppe, K., 2019. Sjónarhorn til fjarkönnunar með ómönnuðum flugvélum í nákvæmni landbúnaði. Stefna Plant Sci. 24 (2), 152–164. https://doi.org/10.1016/j.tplants.2018.11.007.
Maimaitijiang, M., Ghulam, A., Sidike, P., Hartling, S., Maimaitiyiming, M., Peterson, K., Shavers, E., Fishman, J., Peterson, J., Kadam, S., Burken, J., Fritschi, F., 2017.
Ómannað loftkerfi (UAS) byggt svipgerð á sojabaunum með því að nota fjölskynjara gagnasamruna og öfgakennsluvél. ISPRS J. Photogramm. Fjarskynjarar 134, 43–58. https://doi.org/10.1016/j.isprsjprs.2017.10.011. Maimaitijiang, M., Sagan, V., Sidike, P., Daloye, AM, Erkbol, H., Fritschi, FB, 2020.
Vöktun uppskeru með því að nota gervihnött/UAV gagnasamruna og vélanám. Fjarkönnun 12 (9), 1357. https://doi.org/10.3390/rs12091357.
Manfreda, S., McCabe, M., Miller, P., Lucas, R., Pajuelo Madrigal, V., Mallinis, G., Ben Dor, E., Helman, D., Estes, L., Ciraolo, G. ., Müllerova, ´ J., Tauro, F., de Lima, M., de
Lima, J., Maltese, A., Frances, F., Caylor, K., Kohv, M., Perks, M., Ruiz-P´erez, G., Su, Z., Vico, G., Toth. , B., 2018. Um notkun ómannaðra loftkerfa fyrir
umhverfisvöktun. Fjarkönnun 10 (4), 641.
Marinko, RA, 1998. Tilvitnanir í tímarit um kvennafræði í ritgerðum, 1989 og The Serials Librarian 35 (1–2), 29–44. https://doi.org/10.1300/J123v35n01_
03.
Masroor, R., Naeem, M., Ejaz, W., 2021. Resource management in UAV-assisted wireless networks: an optimization perspective. Ad Hoc Netw. 121, 102596 https://doi.org/10.1016/j.adhoc.2021.102596.
Matese, A., Di Gennaro, SF, 2018. Hagnýt notkun fjölskynjara UAV vettvangs sem byggir á fjölrófs-, varma- og RGB háupplausnarmyndum í nákvæmni
vínrækt. Landbúnaður 8 (7), 116. https://doi.org/10.3390/agriculture8070116.
Matese, A., Di Gennaro, SF, 2021. Fyrir utan hefðbundna NDVI vísitöluna sem lykilatriði til að almenna notkun UAV í nákvæmni vínrækt. Sci. Rep. 11 (1), 2721. https://doi.org/10.1038/s41598-021-81652-3.
Matese, A., Toscano, P., Di Gennaro, SF, Genesio, L., Vaccari, FP, Primicerio, J., Belli, C., Zaldei, A., Bianconi, R., Gioli, B., 2015 Samanburður á UAV, flugvélum
og gervihnatta fjarkönnunarpallar fyrir nákvæma vínrækt. Fjarkönnun 7 (3), 2971–2990. https://doi.org/10.3390/rs70302971.
Mazzia, V., Comba, L., Khaliq, A., Chiaberge, M., Gay, P., 2020. UAV og vélanám byggt á endurbótum á gervihnattadrifnum gróðurvísi fyrir nákvæmni
landbúnaði. Skynjarar 20 (9), 2530. https://doi.org/10.3390/s20092530.
McCain, KW, 1990. Kortlagning höfunda í vitsmunalegu rými: tæknilegt yfirlit. Sulta. Soc. Upplýsingar. Sci. 41 (6), 433–443.
Meinen, BU, Robinson, DT, 2021. Landbúnaðarrofslíkan: meta USLE og WEPP veðrunaráætlanir á vettvangi með UAV tímaröð gögnum. Umhverfi. Fyrirmynd. Hugbúnaður 137, 104962. https://doi.org/10.1016/j.envsoft.2021.104962.
Melville, B., Lucieer, A., Aryal, J., 2019. Flokkun á innfæddum graslendissamfélögum á láglendi sem notar ómannað loftfarskerfi (UAS) myndefni í ofurrófi í
Miðlönd Tasmaníu. Drónar 3 (1), 5.
Messina, G., Modica, G., 2020. Notkun UAV varmamynda í nákvæmni landbúnaði: nýjustu tækni og framtíðarrannsóknahorfur. Fjarkönnun 12 (9), https://doi.org/10.3390/rs12091491.
Mishra, D., Luo, Z., Jiang, S., Papadopoulos, T., Dubey, R., 2017. Bókfræðileg rannsókn á stórum gögnum: hugtök, stefnur og áskoranir. Viðskiptaferlisstjóri. J. 23 (3),
555-573.
Mochida, K., Saisho, D., Hirayama, T., 2015. Umbætur á uppskeru með því að nota lífsferilsgagnasett sem aflað er við aðstæður á akri. Framan. Plant Sci. 6 https://doi.org/10.3389/
fpls.2015.00740.
Mogili, UM.R., Deepak, BBVL, 2018. Yfirferð um beitingu drónakerfa í nákvæmni landbúnaði. Procedia Comput. Sci. 133, 502–509.
Moharana, S., Dutta, S., 2016. Staðbundinn breytileiki blaðgrænu- og köfnunarefnisinnihalds í hrísgrjónum frá ofurlitrófsmyndum. ISPRS J. Photogramm. Fjarskynjarar 122, 17–29.
Muangprathub, J., Boonnam, N., Kajornkasirat, S., Lekbangpong, N., Wanichsombat, A.,
Nillaor, P., 2019. IoT og landbúnaðargagnagreining fyrir snjallbýli. Reikni. Rafeind. Agric. 156, 467–474.
Nansen, C., Elliott, N., 2016. Fjarkönnun og endurskinssnið í skordýrafræði. Annu. Séra Entomol. 61 (1), 139–158. https://doi.org/10.1146/annurev-ento010715-023834.
Navia, J., Mondragon, I., Patino, D., Colorado, J., 2016. Multispectral kortlagning í landbúnaði: landslagsmósaík með sjálfstætt quadcopter UAV. Alþj. Conf.
Unmanned Aircraft System. (ICUAS) 2016, 1351–1358. https://doi.org/10.1109/ ICUAS.2016.7502606.
Nayyar, A., Nguyen, B.-L., Nguyen, NG, 2020. Internet of drone things (Iodt): framtíðarsýn um snjalldróna. Adv. Intell. Syst. Reikni. 1045, 563–580. https://doi.org/10.1007/978-981-15-0029-9_45.
Nebiker, S., Annen, A., Scherrer, M., Oesch, D., 2008. Léttur fjölrófskynjari fyrir ör UAV—tækifæri fyrir fjarkönnun í lofti með mjög hárri upplausn. Alþj. Arch. Ljósmynd. Fjarskynjarar Spat. Inf. Sci 37 (B1), 1193–1200.
Negash, L., Kim, H.-Y., Choi, H.-L., 2019. Nýtt UAV forrit í landbúnaði. Í: 2019 7th International Conference on Robot Intelligence Technology and
Umsóknir (RiTA), bls. 254–257. https://doi.org/10.1109/RITAPP.2019.8932853.
Nerur, SP, Rasheed, AA, Natarajan, V., 2008. Vitsmunaleg uppbygging stefnumótandi stjórnunarsviðs: greining höfundar með tilvitnun. Strateg. Stjórn. J. 29 (3),
319-336.
Neupane, K., Baysal-Gurel, F., 2021. Sjálfvirk auðkenning og eftirlit með plöntusjúkdómum með því að nota ómannað flugfarartæki: endurskoðun. Fjarkönnun 13 (19), 3841. https://doi.org/10.3390/rs13193841.
Nex, F., Remondino, F., 2014. UAV fyrir 3D kortlagningarforrit: endurskoðun. Appl. Jarðfræði 6 (1), 1–15. https://doi.org/10.1007/s12518-013-0120-x.
Niu, H., Hollenbeck, D., Zhao, T., Wang, D., Chen, Y., 2020. Uppgufunarmat með litlum UAV í nákvæmni landbúnaði. Skynjarar 20 (22), 6427. https://
doi.org/10.3390/s20226427.
Osareh, F., 1996. Bibliometrics, Citation Analysis and Co-Citation Analysis. Ritdómur 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, skynjarar og gagnavinnsla í agroforestry: endurskoðun í átt að hagnýtum umsóknum. Alþj. J. Remote Sens. 38 (8–10), 2349–2391. https://doi.org/10.1080/01431161.2017.1297548.
Panday, Bandaríkjunum, Pratihast, AK, Aryal, J., Kayastha, RB, 2020. Yfirferð um dróna-undirstaða gagnalausnir fyrir kornrækt. Drónar 4 (3), 1–29. https://doi.org/10.3390/
drónar4030041.
Parsaeian, M., Shahabi, M., Hassanpour, H., 2020. Mat á olíu- og próteininnihaldi sesamfræja með myndvinnslu og gervi taugakerfi. Sulta. Olía
Chemists' Soc. 97 (7), 691–702.
Pena, ˜ JM, Torres-S´anchez, J., de Castro, AI, Kelly, M., Lopez-Granados, ´F., Suarez, O., Illgresikortlagning í maísökrum snemma árstíðar með hlutbundinni greiningu af
ómannað flugfartæki (UAV) Myndir. PLoS ONE 8 (10), e77151.
P´erez-Ortiz, M., Pena, ~JM, Guti´errez, PA, Torres-S´anchez, J., Herv´as-Martínez, C.,
Lopez-Granados, ´ F., 2015. Hálfstýrt kerfi til að kortleggja illgresi í sólblómaræktun með því að nota ómönnuð flugvél og aðferð til að greina ræktunarraðir. Appl. Soft Comput. J. 37, 533–544. https://doi.org/10.1016/j.asoc.2015.08.027.
Pincheira, M., Vecchio, M., Giaffreda, R., Kanhere, SS, 2021. Hagkvæm IoT tæki sem áreiðanlegar gagnagjafar fyrir blockchain byggt vatnsstjórnunarkerfi í nákvæmni landbúnaði. Reikni. Rafeind. Agric. 180, 105889.
Popescu, D., Stoican, F., Stamatescu, G., Ichim, L., Dragana, C., 2020. Háþróað UAV–WSN kerfi fyrir greindar vöktun í nákvæmni landbúnaði. Skynjarar 20 (3), https://doi.org/10.3390/s20030817.
Pournader, M., Shi, Y., Seuring, S., Koh, SL, 2020. Blockchain forrit í aðfangakeðjum, flutningum og flutningum: kerfisbundin endurskoðun á bókmenntum. Alþj. J. Framl. Res. 58 (7), 2063–2081.
Primicerio, J., Di Gennaro, SF, Fiorillo, E., Genesio, L., Lugato, E., Matese, A., Vaccari, FP, 2012. Sveigjanlegt ómannað loftfar fyrir nákvæmni landbúnað.
Nákvæm. Agric. 13 (4), 517–523. https://doi.org/10.1007/s11119-012-9257-6.
Pritchard, A., 1969. Tölfræðileg heimildaskrá eða heimildafræði. J. Skjal. 25 (4), 348–349.
Pudelko, R., Stuczynski, T., Borzecka-Walker, M., 2012. Hentugleiki ómannaðs flugfarartækis (UAV) fyrir mat á tilraunareitum og ræktun. Landbúnaður 99 (4), 431–436.
Puri, V., Nayyar, A., Raja, L., 2017. Landbúnaðardrónar: nútímaleg bylting í nákvæmni landbúnaði. J. Statis. Stjórn. Syst. 20 (4), 507–518.
Radoglou-Grammatikis, P., Sarigiannidis, P., Lagkas, T., Moscholios, I., 2020. Safn af UAV umsóknum fyrir nákvæmni landbúnað. Reikni. Netv. 172,
107148 https://doi.org/10.1016/j.comnet.2020.107148.
Ramesh, KV, Rakesh, V., Prakasa Rao, EVS, 2020. Notkun stórgagnagreiningar og gervigreindar í landbúnaðarrannsóknum. Indverjinn J. Agron. 65 (4), 383–395.
Raparelli, E., Bajocco, S., 2019. Bókafræðileg greining á notkun ómannaðra loftfara í landbúnaðar- og skógræktarrannsóknum. Alþj. J. Fjarstýringar 40 (24),
9070–9083. https://doi.org/10.1080/01431161.2019.1569793.
Rasmussen, J., Nielsen, J., Garcia-Ruiz, F., Christensen, S., Streibig, JC, Lotz, B., 2013.
Hugsanleg notkun lítilla ómannaðra loftfarakerfa (UAS) í illgresirannsóknum. Weed Res. 53 (4), 242–248.
Rasmussen, J., Ntakos, G., Nielsen, J., Svensgaard, J., Poulsen, RN, Christensen, S., Eru gróðurvísitölur fengnar úr neytendavænum myndavélum sem festar eru á
UAV nægilega áreiðanleg til að meta tilraunareitir? Eur. J. Agron. 74, 75–92. https://doi.org/10.1016/j.eja.2015.11.026.
Rejeb, A., Rejeb, K., Abdollahi, A., Zailani, S., Iranmanesh, M., Ghobakhloo, M., 2022. Digitalization in food supply chains: a bibliometric review and key-route main path
greiningu. Sjálfbærni 14 (1), 83. https://doi.org/10.3390/su14010083.
Rejeb, A., Rejeb, K., Simske, SJ, Treiblmaier, H., 2021a. Drónar fyrir aðfangakeðjustjórnun og flutninga: endurskoðunar- og rannsóknardagskrá. Alþj. J. Logist. Res. Appl.
1–24. https://doi.org/10.1080/13675567.2021.1981273.
Rejeb, A., Rejeb, K., Simske, S., Treiblmaier, H., 2021b. Blockchain tækni í flutningum og aðfangakeðjustjórnun: ritfræðileg endurskoðun. Logistics 5 (4), 72.
https://doi.org/10.3390/logistics5040072.
Rejeb, A., Rejeb, K., Simske, S., Treiblmaier, H., 2021c. Mannúðardrónar: endurskoðunar- og rannsóknaráætlun. Internet of Things 16, 100434. https://doi.org/10.1016/j.
iot.2021.100434.
Rejeb, A., Treiblmaier, H., Rejeb, K., Zailani, S., 2021d. Blockchain rannsóknir í heilsugæslu: ritfræðileg yfirlit og núverandi rannsóknarþróun. J. of Data, Inf. og
Stjórn. 3 (2), 109–124.
Rejeb, A., Simske, S., Rejeb, K., Treiblmaier, H., Zailani, S., 2020. Internet of Things research in supply chain management and logistics: a bibliometric analysis. Internet
12. hluti, 100318.
ReportLinker, 2021. Alheimsmarkaður fyrir dróna í landbúnaði nær 15.2 milljörðum Bandaríkjadala eftir ársGlobeNewswire fréttastofu. https://www.globenewswire.com/news-release/2021/08/10/2277986/0/en/Global-Agriculture-Drones-Market-to-Reach-US-15-2-Billion-by-the- Ár-2027.html.
Ribeiro-Gomes, K., Hernandez-L ´ opez, ´ D., Ortega, JF, Ballesteros, R., Poblete, T., Moreno, MA, 2017. Kvörðun ókæld hitamyndavél og fínstilling á
ljósmælingarferli fyrir UAV forrit í landbúnaði. Skynjarar (Sviss) 17 (10). https://doi.org/10.3390/s17102173.
Rivera, MA, Pizam, A., 2015. Framfarir í rannsóknum á gestrisni: „Frá Rodney Dangerfield til Aretha Franklin“. Alþj. J. Contempor. Sjúkrahús. Stjórn. 27 (3),
362–378. https://doi.org/10.1108/IJCHM-03-2014-0146.
Roldan, ´ JJ, Joossen, G., Sanz, D., Del Cerro, J., Barrientos, A., 2015. Mini-UAV byggt skynkerfi til að mæla umhverfisbreytur í gróðurhúsum. Skynjarar 15 (2), 3334–3350. https://doi.org/10.3390/s150203334.
Rozenberg, G., Kent, R., Blank, L., 2021. UAV af neytendaflokki sem notað er til að greina og greina staðbundið dreifingarmynstur illgresis á lok árstíðar á laukaökrum í atvinnuskyni. Nákvæm. Agric. 22 (4), 1317–1332. https://doi.org/10.1007/s11119-021-09786-y.
Saari, H., Pellikka, I., Pesonen, L., Tuominen, S., Heikkila, ¨ J., Holmlund, C., Makynen, ¨ J., Ojala, K., Antila, T., 2011. Unmanned loftfarartæki (UAV) stýrt litrófsmyndavélakerfi fyrir skógar- og landbúnaðarnotkun. Haltu áfram. SPIE – Alþj. Soc. Opt. Eng. 8174 https://doi.org/10.1117/12.897585.
Sah, B., Gupta, R., Bani-Hani, D., 2021. Greining á hindrunum til að innleiða drónaflutninga. Alþj. J. Logist. Res. Appl. 24 (6), 531–550. https://doi.org/10.1080/
13675567.2020.1782862.
Saha, AK, Saha, J., Ray, R., Sircar, S., Dutta, S., Chattopadhyay, SP, & Saha, HN, IOT-undirstaða dróni til að bæta gæði uppskeru í landbúnaði. Í SH
N. Chakrabarti S. (Ritstj.), 2018 IEEE 8th Annual Computing and Communication Workshop and Conference, CCWC 2018 (Vols. 2018-January, bls. 612–615). Stofnun
of Electrical and Electronics Engineers Inc. doi: 10.1109/CCWC.2018.8301662.
Sai Vineeth, KV, Vara Prasad, YR, Dubey, SR, Venkataraman, H., 2019. LEDCOM: ný og skilvirk LED byggð samskipti fyrir nákvæmni landbúnað. IEEE Conf. Upplýsingar. Samfélag. Tækni. 2019, 1–5. https://doi.org/10.1109/CICT48419.2019.9066177.
Salamí, E., Barrado, C., Pastor, E., 2014. UAV flugtilraunir beitt við fjarkönnun gróðursvæða. Fjarkönnun 6 (11), 11051–11081. https://doi.org/10.3390/rs61111051.
Sankaran, S., Khot, LR, Espinoza, CZ, Jarolmasjed, S., Sathuvalli, VR, Vandemark, GJ, Miklas, PN, Carter, AH, Pumphrey, MO, Knowles, NRN, Pavek, MJ, 2015.
Lítil hæð, háupplausn loftmyndakerfi fyrir svipgerð ræktunar raða og akra: endurskoðun. Eur. J. Agron. 70, 112–123. https://doi.org/10.1016/j.
eja.2015.07.004.
Santesteban, LG, Di Gennaro, SF, Herrero-Langreo, A., Miranda, C., Royo, JB, Matese, A., 2017. Háupplausn UAV-undirstaða hitamyndagerð til að meta
tafarlaus og árstíðabundinn breytileiki á stöðu plantnavatns í víngarði. Agric. Vatnsstjórnun. 183, 49–59. https://doi.org/10.1016/j.agwat.2016.08.026.
Sarli, CC, Dubinsky, EK, Holmes, KL, 2010. Handan tilvitnunargreiningar: Líkan til mats á áhrifum rannsókna. J. Med. Library Assoc. : JMLA 98 (1), 17–23. https://doi.org/10.3163/1536-5050.98.1.008.
Schaepman, ME, Ustin, SL, Plaza, AJ, Painter, TH, Verrelst, J., Liang, S., 2009. Jarðkerfisvísindi tengd myndgreiningarrófsgreiningu—mat. Fjarskynjarar umhverfi. 113, S123–S137.
Schirrmann, M., Giebel, A., Gleiniger, F., Pflanz, M., Lentschke, J., Dammer, K.-H., 2016. Eftirlit með landbúnaðarfræðilegum breytum vetrarhveitiræktunar með ódýrum UAV
myndmál. Fjarkönnun 8 (9). https://doi.org/10.3390/rs8090706.
Schmale III, DG, Dingus, BR, Reinholtz, C., 2008. Þróun og beiting sjálfstætt ómannaðs loftfarartækis fyrir nákvæma loftlíffræðilega sýnatöku hér að ofan
landbúnaðarreitir. J. Field Rob. 25 (3), 133–147. https://doi.org/10.1002/rob.20232.
Shadrin, D., Menshchikov, A., Somov, A., Bornemann, G., Hauslage, J., Fedorov, M.,
Gerir nákvæmni landbúnað kleift með innbyggðri skynjun með gervigreind. IEEE Trans. Instrum. Meas. 69 (7), 4103–4113.
Shakhatreh, H., Sawalmeh, AH, Al-Fuqaha, A., Dou, Z., Almaita, E., Khalil, I.,
Othman, NS, Khreishah, A., Guizani, M., 2019. Unmanned Aerial Vehicles (UAVs): könnun á borgaralegum umsóknum og helstu rannsóknaráskorunum. IEEE aðgangur 7,
48572–48634. https://doi.org/10.1109/ACCESS.2019.2909530.
Shakoor, N., Northrup, D., Murray, S., Mockler, TC, 2019. Stórgagnadrifinn landbúnaður: greiningar á stórum gögnum í plönturækt, erfðafræði og notkun fjarkönnunar
tækni til að auka framleiðni ræktunar. Plöntufyrirbæri J. 2 (1), 1–8.
Sharma, BK, Chandra, G., Mishra, VP, 2019. Samanburðargreining og áhrif UAV og gervigreindar í réttarrannsóknum. Í: Proceedings – 2019 Amity International
Ráðstefna um gervigreind. https://doi.org/10.1109/AICAI.2019.8701407.
Sharma, R., Shishodia, A., Gunasekaran, A., Min, H., Munim, ZH, 2022. Hlutverk gervigreindar í aðfangakeðjustjórnun: kortlagning landsvæðisins. Alþj. J.
Framl. Res. 1–24. https://doi.org/10.1080/00207543.2022.2029611.
Shi, Y., Thomasson, JA, Murray, SC, Pugh, NA, Rooney, WL, Shafian, S., Rajan, N., Rouze, G., Morgan, CLS, Neely, HL, Rana, A., Bagavathiannan , MV,
Henrickson, J., Bowden, E., Valasek, J., Olsenholler, J., Bishop, MP, Sheridan, R., Putman, EB, Popescu, S., Burks, T., Cope, D., Ibrahim, A., McCutchen, BF,
Baltensperger, DD, Avant, RV, Vidrine, M., Yang, C., Zhang, J., 2016. Ómönnuð loftfarartæki fyrir svipgerð með mikilli afköstum og landbúnaðarrannsóknum. PLoS EINN
11 (7), e0159781.
Shuai, G., Martinez-Feria, RA, Zhang, J., Li, S., Price, R., Basso, B., 2019. Að fanga misleitni maísstands yfir uppskerustöðugleikasvæði með því að nota Unmanned Aerial
Ökutæki (UAV). Skynjarar 19 (20), 4446. https://doi.org/10.3390/s19204446.
Small, H., 1973. Samtilvitnun í vísindaritum: nýr mælikvarði á samband tveggja skjala. Sulta. Soc. Upplýsingar. Sci. 24 (4), 265–269.
Small, H., Rorvig, ME, Lunin, LF, 1999. Visualizing science by citation mapping. Sulta. Soc. Upplýsingar. Sci. 50 (9), 799–813.
Soares, VHA, Ponti, MA, Gonçalves, RA, Campello, RJGB, 2021. Nautatalning í náttúrunni með landfræðilegum loftmyndum á stórum beitarsvæðum. Reikni. Rafeind. Agric. 189, 106354 https://doi.org/10.1016/j.compag.2021.106354.
Srivastava, K., Pandey, PC, Sharma, JK, 2020. Nálgun til hagræðingar leiða í notkun nákvæmnislandbúnaðar með UAV. Drones 4 (3), 58. https://doi.org/ 10.3390/drones4030058.
Stafford, JV, 2000. Innleiðing nákvæmni landbúnaðar á 21. öld. J. Agric. Eng. Res. 76 (3), 267–275.
Su, J., Coombes, M., Liu, C., Guo, L., Chen, W.-H., 2018. Mat á hveitiþurrka með fjarkönnunarmyndum með ómönnuðum flugvélum. Árið 2018 37. kínverska eftirlitsráðstefnan (CCC).
Su, J., Liu, C., Coombes, M., Hu, X., Wang, C., Xu, X., Li, Q., Guo, L., Chen, W.-H., 2018. Vöktun á gulu hveiti með því að læra af fjölrófum UAV loftmyndum.
Reikni. Rafeind. Agric. 155, 157–166. https://doi.org/10.1016/j. compag.2018.10.017.
Su, Y., Wang, X., 2021. Nýsköpun í hagstjórn í landbúnaði í því ferli að byggja upp snjöllan landbúnað með stórum gögnum. Sjálfbær tölva. Inf. Syst. 31, 100579 https://doi.org/10.1016/j.suscom.2021.100579.
Sullivan, DG, Fulton, JP, Shaw, JN, Bland, GL, 2007. Mat á næmni ómannaðs hitauppstreymis innrauðs loftnets til að greina vatnsálag í bómullarhimnu. Trans. ASABE 50 (6), 1955–1962.
Sumesh, KC, Ninsawat, S., Som-ard, J., 2021. Samþætting RGB-undirstaða gróðurvísitölu, ræktunaryfirborðslíkans og hlutbundinna myndgreiningaraðferðar fyrir mat á ávöxtun sykurreyrs með því að nota ómannað flugfarartæki. Reikni. Rafeind. Agric. 180, 105903 https://doi.org/10.1016/j.compag.2020.105903.
Suomalainen, J., Anders, N., Iqbal, S., Franke, J., Wenting, P., Bartholomeus, H., Becker, R., Kooistra, L., 2013. Létt hálitrófskortakerfi fyrir
mannlaus loftfarartæki — fyrstu niðurstöður. Í: 2013 5th Workshop on Hyperspectral Image and Signal Processing: Evolution in Remote Sensing (WHISPERS), bls. 1–4. https://doi.org/10.1109/WHISPERS.2013.8080721.
Suomalainen, J., Anders, N., Iqbal, S., Roerink, G., Franke, J., Wenting, P., Hünniger, D., Bartholomeus, H., Becker, R., Kooistra, L., 2014. Létt ofurlitróf
kortakerfi og ljósmælingavinnslukeðju fyrir mannlaus loftfarartæki. Fjarkönnun 6 (11), 11013–11030. https://doi.org/10.3390/
rs61111013.
Syeda, IH, Alam, MM, Illahi, U., Su'ud, MM, 2021. Framfarastjórnunaraðferðir með myndvinnslu, UAV og gervigreind í landbúnaði: endurskoðun. Heimur J. Eng. 18 (4),
579–589. https://doi.org/10.1108/WJE-09-2020-0459.
Tahai, A., Rigsby, JT, 1998. Upplýsingavinnsla með tilvitnunum til að rannsaka áhrif tímarits í bókhaldi. Inf. Ferli. Stjórna. 34 (2–3), 341–359.
Tang, Y., Dananjayan, S., Hou, C., Guo, Q., Luo, S., He, Y., 2021. Könnun um 5G netið og áhrif þess á landbúnað: áskoranir og tækifæri. Reikni.
Rafeind. Agric. 180, 105895 https://doi.org/10.1016/j.compag.2020.105895.
Tantalaki, N., Souravlas, S., Roumeliotis, M., 2019. Gagnadrifin ákvarðanataka í nákvæmni landbúnaði: uppgangur stórra gagna í landbúnaðarkerfum. J. Agric. Upplýsingar um mat.
20 (4), 344. – 380.
Tao, H., Feng, H., Xu, L., Miao, M., Yang, G., Yang, X., Fan, L., 2020. Mat á uppskeru og plöntuhæð vetrarhveitis með UAV- byggðar ofurrófsmyndir.
Skynjarar 20 (4), 1231.
Techy, L., Schmale III, DG, Woolsey, CA, 2010. Samræmd loftlíffræðileg sýnataka af plöntusjúkdómsvaldi í neðri lofthjúpnum með því að nota tvö sjálfstætt ómannað loftfar. J. Field Rob. 27 (3), 335–343. https://doi.org/10.1002/rob.20335.
Tetila, EC, Machado, BB, Astolfi, G., Belete, NAdS, Amorim, WP, Roel, AR, Pistori, H., 2020. Uppgötvun og flokkun sojabauna meindýra með djúpnámi
með UAV myndum. Reikni. Rafeind. Agric. 179, 105836.
Thamm, H.-P., Menz, G., Becker, M., Kuria, DN, Misana, S., Kohn, D., 2013. Notkun Uas til að meta landbúnaðarkerfi í AN votlendi í Tansaníu í— Og WetSeason for Sustainable Agriculture and Providing Ground Truth for Terra-Sar X Data. Í: ISPRS – International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, bls. 401–406. https://doi.org/10.5194/isprsarchivesXL-1-W2-401-2013.
Thelwall, M., 2008. Bibliometrics to webometrics. J. Upplýsingar. Sci. 34 (4), 605–621.
Torres-Sanchez, ´ J., Lopez-Granados, ´ F., Pena, ˜ JM, 2015. Sjálfvirk hlutbundin aðferð fyrir hámarksþröskuld í UAV myndum: umsókn um gróðurgreiningu í jurtarækt. Reikni. Rafeind. Agric. 114, 43–52. https://doi.org/10.1016/j.compag.2015.03.019.
Torres-Sanchez, ´ J., Lopez-Granados, ´ F., Serrano, N., Arquero, O., Pena, ˜ JM, Hassan, QK, 2015. Þrívíddarvöktun með miklum afköstum á landbúnaðartréplöntum með Unmanned Aerial Vehicle (UAV) tækni. PLoS ONE 3 (10), e6.
Torres-Sanchez, ´ J., Pena, ˜ JM, de Castro, AI, Lopez-Granados, ´ F., 2014. Fjöltíma kortlagning á gróðurhlutanum í hveitiökrum snemma árstíðar með því að nota myndir frá UAV. Reikni. Rafeind. Agric. 103, 104–113. https://doi.org/10.1016/j. compag.2014.02.009.
Tsouros, DC, Bibi, S., Sarigiannidis, PG, 2019. Yfirlit um UAV-undirstaða forrit fyrir nákvæmni landbúnað. Upplýsingar (Sviss) 10 (11). https://doi.org/10.3390/info10110349.
Tu, Y.-H., Phinn, S., Johansen, K., Robson, A., Wu, D., 2020. Hagræðing drónaflugs til að mæla uppbyggingu garðyrkjutrés. ISPRS J. Photogramm.
Fjarskynjarar 160, 83–96. https://doi.org/10.1016/j.isprsjprs.2019.12.006
Tzounis, A., Katsoulas, N., Bartzanas, T., Kittas, C., 2017. Internet of Things í landbúnaði, nýlegar framfarir og framtíðaráskoranir. Biosyst. Eng. 164, 31–48.
https://doi.org/10.1016/j.biosystemseng.2017.09.007.
Uddin, A., Singh, VK, Pinto, D., Olmos, I., 2015. Scientometric kortlagning á tölvunarfræðirannsóknum í Mexíkó. Scientometrics 105 (1), 97–114.
UN., 2019. Heimsbústaðahorfur 2019. https://population.un.org/wpp/ (Sótt 15/04/2022).
Uto, K., Seki, H., Saito, G., Kosugi, Y., 2013. Einkenni hrísgrjónaafla með UAV-festu litlu oflitrófsskynjarakerfi. IEEE J. Sel. Efst. Appl. Earth Obs.
Fjarstýringar 6 (2), 851–860. https://doi.org/10.1109/JSTARS.2013.2250921. van der Merwe, D., Burchfield, DR, Witt, TD, Price, KP, Sharda, A., 2020. Drónar í
landbúnaði. Adv. Agron. 162, 1–30.
Velusamy, P., Rajendran, S., Mahendran, RK, Naseer, S., Shafiq, M., Choi, J.-G., 2022.
Unmanned Aerial Vehicles (UAV) í nákvæmni landbúnaði: forrit og áskoranir. Orka 15 (1), 217. https://doi.org/10.3390/en15010217.
Ventura, D., Bonifazi, A., Gravina, MF, Belluscio, A., Ardizzone, G., 2018. Kortlagning og flokkun vistfræðilega viðkvæmra sjávarbúsvæða með því að nota Unmanned Aerial
Myndefni ökutækja (UAV) og hlutbundin myndgreining (OBIA). Fjarkönnun 10 (9), 1331. https://doi.org/10.3390/rs10091331.
Verger, A., Vigneau, N., Ch´eron, C., Gilliot, J.-M., Comar, A., Baret, F., 2014. Græn svæðisvísitala frá ómönnuðu loftkerfi yfir hveiti- og repjuræktun . Fjarskynjarar umhverfi. 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. Að dreifa fjórum sjónrænum UAV-byggðum skynjurum yfir graslendi: áskoranir og
takmarkanir. Lífjarðvísindi 12 (1), 163–175. https://doi.org/10.5194/bg-12-163-2015.
Vuran, MC, Salam, A., Wong, R., Irmak, S., 2018. Internet af neðanjarðarhlutum í nákvæmni landbúnaði: arkitektúr og tækniþætti. Ad Hoc Netw. 81,
160–173. https://doi.org/10.1016/j.adhoc.2018.07.017.
Wamba, SF, Queiroz, MM, 2021. Ábyrg gervigreind sem leyndarmál fyrir stafræna heilsu: bókfræðigreining, innsýn og rannsóknarleiðbeiningar.
Upplýsingar. Syst. Framan. 1–16.
Wang, L., Zhang, G., Wang, Z., Liu, J., Shang, J., Liang, L., 2019. Bókafræðileg greining á fjarkönnunarrannsóknarþróun í vöktun ræktunarvaxtar: Tilviksrannsókn í Kína. Fjarkönnun 11 (7). https://doi.org/10.3390/rs11070809.
White, HD, Griffith, BC, 1981. Höfundarsamsetning: Bókmenntamæling á vitsmunalegri uppbyggingu. Sulta. Soc. Upplýsingar. Sci. 32 (3), 163–171.
Xiang, H., Tian, L., 2011. Þróun ódýrs landbúnaðarfjarkönnunarkerfis sem byggir á sjálfstætt ómannað loftfar (UAV). Biosyst. Eng. 108 (2), 174–190. https://doi.org/10.1016/j.biosystemseng.2010.11.010.
Xie, C., Yang, C., 2020. Endurskoðun á svipgerðareiginleikum plantna með mikilli afköstum með UAV-undirstaða skynjara. Reikni. Rafeind. Agric. 178, 105731 https://doi.org/10.1016/j.
compag.2020.105731.
Yao, H., Qin, R., Chen, X., 2019. Ómannað flugfarartæki fyrir fjarkönnunarforrit — endurskoðun. Fjarkönnun 11 (12). https://doi.org/10.3390/
rs11121443.
Yeom, S., 2021. Flutningur fólks og fjarlæging falskra spora með innrauðri hitamyndatöku með fjölrotor. Drones 5 (3), 65. https://doi.org/10.3390/drones5030065.
Yue, J., Feng, H., Jin, X., Yuan, H., Li, Z., Zhou, C., Yang, G., Tian, Q., 2018. Samanburður á mati á uppskerubreytum með myndum úr UAV-festum
skyndimynd hyperspectral skynjari og háskerpu stafræn myndavél. Fjarkönnun 10 (7), 1138. https://doi.org/10.3390/rs10071138.
Yue, J., Yang, G., Li, C., Li, Z., Wang, Y., Feng, H., Xu, B., 2017. Mat á vetrarhveiti ofanjarðar lífmassa með því að nota ómannað flugfartæki- byggð skyndimynd
ofurlitrófsskynjari og uppskeruhæð bætt líkön. Fjarkönnun 9 (7). https://doi.org/10.3390/rs9070708.
Zahawi, RA, Dandois, JP, Holl, KD, Nadwodny, D., Reid, JL, Ellis, EC, 2015. Notkun léttra ómannaðra loftfara til að fylgjast með endurheimt hitabeltisskóga. Biol.
Conserv. 186, 287–295. https://doi.org/10.1016/j.biocon.2015.03.031. Zamora-Izquierdo, MA, Santa, J., Martínez, JA, Martínez, V., Skarmeta, AF, 2019.
Snjall búskapar IoT vettvangur byggður á brún- og skýjatölvu. Biosyst. Eng. 177,
4-17.
Zarco-Tejada, PJ, Diaz-Varela, R., Angileri, V., Loudjani, P., 2014. Tréhæðarmæling með mjög hárri upplausn myndefnis tekin úr ómönnuðu loftneti
farartæki (UAV) og sjálfvirkar 3D ljósmyndauppbyggingaraðferðir. Eur. J. Agron. 55, 89–99. https://doi.org/10.1016/j.eja.2014.01.004.
Zhang, C., Craine, WA, McGee, RJ, Vandemark, GJ, Davis, JB, Brown, J., Hulbert, SH, Sankaran, S., 2020. Myndbundin svipgerð á blómstrandi styrkleika í ræktun á köldum árstíðum. Skynjarar 20 (5), 1450. https://doi.org/10.3390/s20051450.
Zhang, C., Kovacs, JM, 2012. Notkun lítilla ómannaðra loftkerfa fyrir nákvæmni landbúnað: endurskoðun. Nákvæm. Agric. 13 (6), 693–712. https://doi.org/
10.1007/s11119-012-9274-5.
Zhang, L., Zhang, H., Niu, Y., Han, W., 2019. Kortlagning maísvatnsstreitu byggt á UAV fjölrófsfjarkönnun. Fjarkönnun 11 (6), 605.
Zhang, X., Han, L., Dong, Y., Shi, Y., Huang, W., Han, L., Gonz´ alez-Moreno, P., Ma, H., Ye, H., Sobeih. , T., 2019. A djúpt nám sem byggir á nálgun fyrir sjálfvirkt gult ryð
sjúkdómsgreining úr háupplausnar UAV myndum með háum upplausn. Fjarkönnun 11 (13), 1554.
Zhao, X., Zhang, J., Huang, Y., Tian, Y., Yuan, L., 2022. Uppgötvun og mismunun á sjúkdómum og skordýraálagi teplantna með því að nota hyperspectral myndgreiningu ásamt bylgjugreiningu. Reikni. Rafeind. Agric. 193, 106717 https://doi.org/10.1016/j. compag.2022.106717.
Zheng, A., Wang, M., Li, C., Tang, J., Luo, B., 2022. Entropy guided adversarial domain adaptation for a loft image merkantic segmentation. IEEE Trans. G
Zheng, H., Cheng, T., Yao, X., Deng, X., Tian, Y., Cao, W., Zhu, Y., 2016. Greining á fyrirbæri hrísgrjóna með tímaraðargreiningu á litróf á jörðu niðri vísitölugögn. Akurplöntur Res. 198, 131–139. https://doi.org/10.1016/j.fcr.2016.08.027.
Zheng, J., Yang, W., 2018. Hönnun á nákvæmni landbúnaðar leka sáningarkerfi byggt á þráðlausum skynjurum. Alþj. J. Online Eng. 14 (05), 184.
Zhou, L., Gu, X., Cheng, S., Yang, G., Shu, M., Sun, Q., 2020. Greining á hæðarbreytingum plantna á hýddum maís með UAV-LiDAR gögnum. Landbúnaður 10 (5), 146. https://
doi.org/10.3390/agriculture10050146.
Zhou, S., Chai, X., Yang, Z., Wang, H., Yang, C., Sun, T., 2021. Maize-IAS: Maís myndgreiningarhugbúnaður sem notar djúpt nám fyrir svipgerð plantna með mikilli afköstum . 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. Spá fyrir kornuppskeru í hrísgrjón með fjöltíma gróðri
vísitölur úr UAV-undirstaða fjölrófs og stafræns myndefnis. ISPRS J. Photogramm. Fjarskynjarar 130, 246–255. https://doi.org/10.1016/j.isprsjprs.2017.05.003.
Zhou, Y., Xie, Y., Shao, L., 2016. Hermun á kjarnatækni gróðurhúsaeftirlitskerfis sem byggir á þráðlausu skynjaraneti. Alþj. J. Online Eng. 12 (05),
43.
Zhou, Z., Majeed, Y., Diverres Naranjo, G., Gambacorta, EMT, 2021. Mat á vatnsstreitu uppskeru með innrauðum hitamyndum í nákvæmni landbúnaði: endurskoðun
og framtíðarhorfur fyrir djúpnámsforrit. Reikni. Rafeind. Agric. 182, 106019 https://doi.org/10.1016/j.compag.2021.106019.