Abderahman Rejeb a , Alireza Abdollahi b , Karim Rejeb c , Horst Treiblmaier d,
- a Menedzsment és Jogi Tanszék, Közgazdaságtudományi Kar, Római Egyetem Tor Vergata, Via Columbia, 2, Róma 00133, Olaszország
- b Gazdálkodástani Tanszék, Kharazmi Egyetem Menedzsment Kar, 1599964511 Teherán, Irán
- c Bizertei Tudományos Kar, Karthágói Egyetem, Zarzouna, 7021 Bizerte, Tunézia
- d School of International Management, Modul University Vienna, Am Kahlenberg 1, 1190 Bécs, Ausztria
CIKK INFORMÁCIÓ | KIVONAT |
Kulcsszavak: Drónok UAV Precíziós mezőgazdaság A tárgyak internete Bibliometria | A pilóta nélküli légijárműveknek (UAV) is nevezett drónok figyelemre méltó fejlődésen mentek keresztül az elmúlt évtizedekben. A mezőgazdaságban megváltoztatták a gazdálkodási gyakorlatot azáltal, hogy jelentős költségmegtakarítást kínáltak a gazdálkodóknak, megnövekedett működési hatékonyságot és jobb jövedelmezőséget. Az elmúlt évtizedekben a mezőgazdasági drónok témája figyelemre méltó akadémiai figyelmet keltett. Ezért a bibliometriákon alapuló átfogó áttekintést végzünk a meglévő tudományos irodalom összefoglalása és strukturálása, valamint az aktuális kutatási irányzatok és hotspotok feltárása. Mi bibliometrikus technikákat alkalmazni és a mezőgazdasági drónok körüli szakirodalmat elemezni összefoglalni és értékelje a korábbi kutatásokat. Elemzésünk azt mutatja, hogy a távérzékelés, a precíziós mezőgazdaság, a mély tanulás, a gépi tanulás és a tárgyak internete kritikus témák a mezőgazdasági drónokkal kapcsolatban. Az együtt idézés Az elemzés hat széles körű kutatási klasztert tár fel a szakirodalomban. Ez a tanulmány az egyik első kísérlet arra, hogy összefoglalja a drónkutatásokat a mezőgazdaságban, és javaslatot tegyen a jövőbeni kutatási irányokra. |
Bevezetés
A mezőgazdaság a világ elsődleges élelmiszerforrása (Friha et al., 2021), és komoly kihívásokkal néz szembe a
az élelmiszerek iránti növekvő kereslet, az élelmiszer-biztonsági és biztonsági aggályok, valamint a környezetvédelem, a vízmegőrzés és a
fenntarthatóság (Inoue, 2020). Ez a fejlődés az előrejelzések szerint folytatódni fog, mivel a becslések szerint a világ népessége 9.7-re eléri a 2050 milliárd főt
(2019). Mivel a mezőgazdaság a vízfogyasztás legkiemelkedőbb példája világszerte, várhatóan az élelmiszer- és vízigény
a fogyasztás a belátható jövőben drámaian növekedni fog. Továbbá a növekvő műtrágya- és növényvédőszer-fogyasztás
a mezőgazdasági tevékenységek intenzifikálásával párosulva jövőbeli környezeti kihívásokhoz vezethet. Hasonlóképpen korlátozott a termőföld, és a
a gazdálkodók száma világszerte csökken. Ezek a kihívások nyomatékosítják az innovatív és fenntartható gazdálkodási megoldások iránti igényt (Elijah
et al., 2018; Friha et al., 2021; Inoue, 2020; Tzounis et al., 2017).
Az új technológiák beépítése ígéretes megoldásnak bizonyult e kihívások kezelésére. Intelligens gazdálkodás (Brewster et al.,
2017; Tang et al., 2021) és a precíziós mezőgazdaság (Feng és mtsai, 2019; Khanna és Kaur, 2019) az ilyen viták eredményeként jelentek meg. A
Az előbbi általános fogalom az információs kommunikációs technológiák (IKT) és más élvonalbeli innovációk átvételére a mezőgazdasági tevékenységekben a hatékonyság és a hatékonyság növelése érdekében (Haque et al., 2021). Ez utóbbi a helyspecifikus kezelésre összpontosít, amelyben a föld fel van osztva
homogén részek, és mindegyik rész pontos mennyiségű mezőgazdasági inputot kap a terméshozam-optimalizáláshoz új technológiák segítségével (Feng et al., 2019; Khanna & Kaur, 2019). Ezen a területen a tudósok figyelmét felkeltő kiemelkedő technológiák közé tartozik a Wireless Sensor Networks (WSN) (J. Zheng és Yang, 2018; Y. Zhou és mtsai, 2016), a tárgyak internete (IoT) (Gill és mtsai, 2017; He et al., 2021; Liu és mtsai, 2019),
mesterséges intelligencia (AI) technikák, beleértve a gépi tanulást és a mély tanulást (Liakos és mtsai, 2018; Parsaeian et al., 2020; Shadrin et al.,
2019), számítástechnikai technológiák (Hsu et al., 2020; Jinbo et al., 2019; Zamora-Izquierdo et al., 2019), big data (Gill és mtsai, 2017; Tantalaki
et al., 2019), valamint a blokkláncot (PW Khan és mtsai, 2020; Pincheira és mtsai, 2021).
A fent említett technológiákon kívül a távérzékelést nagy fejlesztési potenciállal rendelkező technológiai eszköznek tekintették
okos és precíziós mezőgazdaság. A műholdak, az emberi személyzettel rendelkező repülőgépek és a drónok népszerű távérzékelési technológiák (Tsouros et al., 2019).
A drónok, közismertebb nevén pilóta nélküli légijárművek (UAV), pilóta nélküli légi járműrendszerek (UAS) és távirányítású repülőgépek
nagyon fontosak, mivel számos előnnyel rendelkeznek a többi távérzékelési technológiához képest. Például drónok szállíthatnak
kiváló minőségű és nagy felbontású képek felhős napokon (Manfreda et al., 2018). Emellett elérhetőségük és átviteli sebességük is más
előnyei (Radoglou-Grammatikis et al., 2020). A repülőgépekkel összehasonlítva a drónok rendkívül költséghatékonyak, és könnyen beállíthatók és karbantarthatók (Tsouros et al., 2019). Annak ellenére, hogy kezdetben főként katonai célokra használták, a drónok számos polgári alkalmazást hasznosíthatnak, például az ellátási lánc kezelésében (A. Rejeb, Rejeb et al., 2021a), humanitárius célokra (A. Rejeb, Rejeb et al., 2021c), intelligens mezőgazdaság, felmérés és térképezés, kulturális örökség dokumentációja, katasztrófavédelem, valamint erdő- és vadvédelem (Panday, Pratihast et al., 2020). A mezőgazdaságban a drónok sokrétű alkalmazási területei léteznek, mivel integrálhatók új technológiákkal, számítási képességekkel és fedélzeti érzékelőkkel a termésgazdálkodás támogatására (pl. térképezés, monitorozás, öntözés, növénydiagnosztika) (H. Huang et al., 2021) , katasztrófacsökkentés, korai figyelmeztető rendszerek, vadvilág és erdőgazdálkodás, hogy csak néhányat említsünk (Negash et al., 2019). Hasonlóképpen, a drónok számos mezőgazdasági tevékenységben hasznosíthatók, beleértve a termés- és növekedésfigyelést, a termésbecslést, a vízstressz értékelését, valamint a gyomok, kártevők és betegségek kimutatását (Inoue, 2020; Panday, Pratihast és mtsai, 2020). A drónok nem csak megfigyelési, becslési és észlelési célokra használhatók érzékszervi adataik alapján, hanem precíziós öntözésre és precíziós gyom-, kártevő- és betegségkezelésre is. Vagyis a drónok a környezeti adatok alapján precíz mennyiségben képesek vizet és növényvédő szereket permetezni. A drónok mezőgazdasági előnyeit az 1. táblázat foglalja össze.
A drónok fő előnyei a mezőgazdaságban.
Haszon | Hivatkozás(ok) |
Javítsa az időbeli és térbeliséget felbontások érzékelése | (Gago et al., 2015; Niu et al., 2020; Srivastava et al., 2020) |
A precíziós mezőgazdaság megkönnyítése | (L. Deng és mtsai, 2018; Kalischuk et al., 2019; Maimaitijiang et al., 2017) |
Osztályozása és felderítése növények | (Inoue, 2020; Kalischuk et al., 2019; Lopez-´ Granados et al., 2016; Maimaitijiang et al., 2017; Melville és társai, 2019; Moharana és Dutta, 2016) |
Műtrágya használata | (L. Deng et al., 2018; Guan és mtsai, 2019) |
A szárazság nyomon követése | (Fawcett és mtsai, 2020; Panday, Pratihast et al., 2020; Su et al., 2018) |
Biomassza becslés | (Bendig et al., 2014) |
Hozambecslés | (Inoue, 2020; Panday, Shrestha et al., 2020; Tao et al., 2020) |
Katasztrófacsökkentés | (Negash et al., 2019) |
Az élővilág megőrzése és erdészet | (Negash et al., 2019; Panday, Pratihast és mtsai, 2020) |
A vízterhelés felmérése | (Inoue, 2020; J. Su, Coombes et al., 2018; L. Zhang és társai, 2019) |
Kártevők, gyomok és betegségek érzékelés | (Gaˇsparovi´c et al., 2020; Inoue, 2020; J. Su, Liu, et al., 2018; X. Zhang és társai, 2019) |
Másrészt a drónok korlátokkal is szembesülnek. Pilóta részvétel, motorteljesítmény, stabilitás és megbízhatóság, az érzékelők minősége a hasznos terhelés miatt
ezek közé tartoznak a súlykorlátozások, a végrehajtási költségek és a légi közlekedés szabályozása (C. Zhang és Kovács, 2012). Összehasonlítjuk a hiányosságokat
A 2. táblázatban szereplő három mobil távérzékelési technológia közül. Más távérzékelési technológiák, mint például a talajérzékelők, nem tartoznak e tanulmány fókuszába.
Különféle mobil távérzékelési technológiák hiányosságai.
Távérzékelés technológia | hiányosságok | Referenciák |
Drón (UAV) | Pilóta részvétel; képek' minőség (átlagos); megvalósítási költségek (átlag); stabilitás, manőverezhetőség és megbízhatóság; szabványosítás; motor teljesítménye; korlátozott teljesítmény források (akkumulátor élettartama); korlátozott repülési időtartam, ütközés és kibertámadások; korlátozott hasznos teher súlya; nagy adathalmazok és korlátozott adatfeldolgozás képességek; szabályozás hiánya; szakértelem hiánya, magas belépő hozzáférés akadályai mezőgazdasági drónok; | (Bacco et al., 2018; Dawaliby et al., 2020; Hardin és Hardin, 2010; Hardin és Jensen, 2011; Lagkas és társai, 2018; Laliberte et al., 2007; Laliberte és Rango, 2011; Manfreda et al., 2018, 2018; Nebiker et al., 2008; Puri et al., 2017; Velusamy et al., 2022; C. Zhang és Kovács, 2012) |
műhold | Időszakos műholdas lefedettség, korlátozott spektrális felbontás; láthatósági problémákkal szembeni sebezhetőség (pl. felhők); Elérhetetlenség és alacsony átviteli sebesség; tájékozódás és matricázás költséges téradatokat okoz Gyűjtemény; lassú adattovábbítás időt a végfelhasználóknak | (Aboutalebi et al., 2019; Cen et al., 2019; Chen és társai, 2019; Nansen és Elliott, 2016; Panday, Pratihast, et al., 2020; Sai Vineeth et al., 2019) |
Repülőgép | Magas örökbefogadási költségek; bonyolult beállítás; karbantartási költségek; megbízható elérhetetlensége repülőgépek, geometriája a képek; nem rendszeres adatok beszerzés; a rugalmasság hiánya; halálos balesetek; érzékelő adatai rezgések miatti eltérések; georeferálási problémák | (Armstrong et al., 2011; Atkinson és mtsai, 2018; Barbedo és Koenigkan, 2018; Kovalev és Voroshilova, 2020; Suomalainen et al., 2013; Thamm et al., 2013) |
A mezőgazdaság multidiszciplináris és többcélú technológiájaként a drónokat különböző nézőpontokból vizsgálták. A tudósok például megvizsgálták a drónalkalmazásokat a mezőgazdaságban (Kulbacki és mtsai, 2018; Mogili és Deepak, 2018), a precíziós mezőgazdasághoz való hozzájárulásukat (Puri et al., 2017; Tsouros és mtsai, 2019), valamint a másokkal való komplementaritásukat. élvonalbeli technológiák (Al-Thani et al., 2020; Dutta & Mitra, 2021; Nayyar et al., 2020; Saha et al., 2018), valamint a navigációs és érzékelési képességeik fejlesztésének lehetőségei (Bareth et al. , 2015; Suomalainen et al., 2014). Mivel a drónalkalmazásokkal kapcsolatos kutatások elterjedtek a mezőgazdaságban (Khan et al., 2021), szükség van a meglévő szakirodalom összefoglalására és a terület szellemi struktúrájának feltárására. Ezen túlmenően, mivel a csúcstechnológiás terület folyamatosan fejlődik, strukturált áttekintéseket kell végezni a meglévő szakirodalom rendszeres összefoglalása és a fontos kutatási hiányosságok azonosítása érdekében. Nak nek
napjainkban kevés olyan vélemény található, amely a mezőgazdasági szektorban alkalmazott drónokat tárgyalja. Például Mogili és Deepak (2018) röviden áttekinti a drónok hatásait a termésfelügyeletre és a peszticid permetezésre. Inoue (2020) áttekinti a műholdak és drónok használatát a mezőgazdasági távérzékelésben. A szerző esettanulmányok és legjobb gyakorlatok alapján tárja fel az intelligens gazdálkodás alkalmazásának technológiai kihívásait, valamint a műholdak és drónok hozzájárulását. Tsouros et al. (2019) összefoglalja a drónok különböző típusait és főbb mezőgazdasági alkalmazásait, kiemelve a különböző adatgyűjtési és feldolgozási módszereket. Újabban Aslan et al. (2022) átfogó áttekintést végzett az UAV-alkalmazásokról a mezőgazdasági tevékenységekben, és hangsúlyozta az UAV egyidejű lokalizálásának és feltérképezésének fontosságát az üvegházban. Diaz-Gonzalez és mtsai. (2022) áttekintette a legújabb tanulmányokat a terméshozam-termelésről, különböző gépi tanulási technikákon és távolról
érzékelő rendszerek. Eredményeik azt mutatták, hogy az UAV-k hasznosak a talajindikátorok becslésében, és felülmúlják a műholdas rendszereket a térbeli felbontás, az információs időbeliség és a rugalmasság tekintetében. Basiri et al. (2022) kimerítő áttekintést végzett a precíziós mezőgazdaság kontextusában a többrotoros UAV-k úttervezési kihívásainak leküzdésére szolgáló különféle megközelítésekről és módszerekről. Ezenkívül Awais et al. (2022) összefoglalta az UAV távérzékelési adatok haszonnövényeken való alkalmazását a víz állapotának becslésére, és mélyreható szintézist adtak az UAV távérzékelés várható kapacitásáról a pazarló stressz alkalmazására. Végül Aquilani et al. (2022) áttekintette a legelőn alapuló állattenyésztési rendszerekben alkalmazott előzetes gazdálkodási technológiákat, és arra a következtetésre jutott, hogy az UAV-k által lehetővé tett távérzékelés előnyös a biomassza értékeléséhez és az állomány kezeléséhez.
A közelmúltban beszámoltak az UAV-k használatáról az állatállomány megfigyelésére, nyomon követésére és összegyűjtésére irányuló törekvésekről is.
Bár ezek az áttekintések új és fontos felismeréseket adnak, a szakirodalomban nem található átfogó és naprakész, bibliometrián alapuló áttekintés, amely egyértelmű tudáshézagot jelentene. Ezenkívül megállapították, hogy amikor a tudományos termelés növekszik egy tudományterületen, a kutatók számára létfontosságúvá válik, hogy kvantitatív áttekintési megközelítéseket alkalmazzanak a terület tudásstruktúrájának megértéséhez (Rivera és Pizam, 2015). Hasonlóképpen Ferreira és mtsai. (2014) azzal érvelt, hogy ahogy a kutatási területek érnek és bonyolulttá válnak, a tudósoknak törekedniük kell arra, hogy időnként értelmet adjanak a megtermelt és felhalmozott tudásnak, hogy új hozzájárulásokat tárjanak fel, megragadják a kutatási hagyományokat és trendeket, azonosítsák, mely témákat tanulmányozzák, és elmélyüljenek a tudásszerkezetben. a területet és a lehetséges kutatási irányokat. Míg Raparelli és Bajocco (2019) bibliometriai elemzést végzett a mezőgazdasági és erdészeti drónalkalmazások tudásterületének vizsgálatára, tanulmányuk csak az 1995 és 2017 között publikált tudományos kutatásokat veszi figyelembe, amelyek nem tükrözik e gyorsan fejlődő terület dinamikáját. Továbbá a szerzők nem kísérelték meg azonosítani a terület legbefolyásosabb hozzájárulásait, az irodalom csoportosítását és az intellektuális struktúra értékelését ko-citációs elemzés segítségével. Ebből kifolyólag szükséges a szakirodalom összegzése, hogy feltárjuk az aktuális kutatási gócokat, trendeket és gócpontokat.
Ennek a tudáshézagnak a pótlására kvantitatív módszertant és szigorú bibliometriai módszereket alkalmazunk a drónok és a mezőgazdaság találkozási pontján folyó kutatás jelenlegi állásának vizsgálatára. Amellett érvelünk, hogy a jelenlegi tanulmány számos hozzájárulást nyújt a meglévő irodalomhoz azáltal, hogy megvizsgál egy olyan feltörekvő technológiát, amelyre nagy szükség van a mezőgazdaságban, mivel óriási lehetőségeket rejt magában az ágazat számos aspektusának megváltoztatására. A mezőgazdasági drónok bibliometrikus elemzésének szükségessége még inkább érzékelhető, mivel a mezőgazdasági kontextuson belül a drónokról szóló ismeretek szétszórt és töredékesek. Ehhez hasonlóan a mezőgazdasági drónokkal kapcsolatos szakirodalmat is szisztematikusan kell csoportosítani, figyelembe véve a kutatási területet megalapozó legbefolyásosabb tanulmányokat. Az elemzés érdeme a szakirodalomban képviselt főbb kutatási témák tisztázása is. Figyelembe véve a technológia átalakítási potenciálját, úgy véljük, hogy egy mélyreható hálózatelemzés újszerű betekintést ad azáltal, hogy meghatározza a befolyásos munkákat és feltárja a drónok mezőgazdasági potenciáljával kapcsolatos témákat.
Ezért a következő kutatási célok elérésére törekszünk:
- Befolyásos publikációk azonosítása, amelyek kiemelkedően hozzájárultak a mezőgazdasági drónalkalmazásokhoz.
- Az irodalom klaszterezése, a kutatási gócok azonosítása, a főbb „intellektuális szerkezet” vizsgálatok szemantikai hasonlóság alapján történő feltérképezése ko-citációs elemzéssel.
- A témában megjelent különféle publikációk közötti kapcsolatok és hivatkozási hálózatok időbeli alakulásának megértése, valamint a jövőbeni kutatási irányok és forró témák meghatározása.
A cikk további része a következőképpen épül fel: a 2. rész felvázolja a módszertant és az adatgyűjtés lépéseit; a 3. szakasz tartalmazza az elemzések eredményeit; a 4. rész pedig az eredményeket tárgyalja, és kutatási hozzájárulásokkal, következményekkel és jövőbeli irányokkal zárul.
Módszertan
Ebben a jelenlegi kutatási tanulmányban bibliometriai elemzést végzünk a drónok mezőgazdasági alkalmazásainak feltárására. Ez a kvantitatív megközelítés feltárja a tudásterület intellektuális struktúráját (Arora és Chakraborty, 2021), valamint a jelenlegi státuszt, a forró témákat és a jövőbeni kutatási irányokat, amelyek a módszer alkalmazásával vizsgálhatók (Kapoor et al., 2018; Mishra et al. , 2017; A. Rejeb, Rejeb et al., 2021b; A. Rejeb és mtsai, 2021d; MA Rejeb és mtsai, 2020). Általában a bibliometrikus elemzés a meglévő szakirodalmat vizsgálja, hogy összefoglalja és feltárja az írásbeli kommunikáció rejtett mintáit és a tudományág fejlődését statisztikai és matematikai módszerek alapján, és nagy adathalmazokra vonatkozik (Pritchard, 1969; Small, 1999; Tahai és Rigsby , 1998). A bibliometria használatával arra törekszünk, hogy jobban megértsük azokat a meglévő paradigmákat és kutatási fókuszokat, amelyek a hasonlóságon alapuló tartományhoz járulnak hozzá (Thelwall, 2008). A bibliometria új betekintést nyújt a módszertan objektív kvantitatív erősségére (Casillas & Acedo, 2007). Számos tudós végzett korábban bibliometriai tanulmányokat a kapcsolódó területeken, beleértve a mezőgazdaságot, a távérzékelést és a digitális transzformációt (Armenta-Medina et al., 2020; Bouzembrak et al., 2019; A. Rejeb, Treiblmaier és mtsai, 2021; Wamba & Queiroz, 2021; Wang et al., 2019).
Idézetelemzés
Az idézetelemzés különféle betekintést enged egy adott kutatási területre. Először is segít feltárni azokat a legbefolyásosabb szerzőket, publikációkat, amelyek egy-egy kutatási területhez járulnak hozzá, és jelentős hatást fejtenek ki (Gundolf & Filser, 2013). Másodszor, feltárható a tudásáramlás és a szerzők közötti kommunikációs kapcsolatok. Végül az idézett és hivatkozott művek közötti kapcsolatok nyomon követésével feltárható egy tudásterület időbeli változásai és fejlődése (Pournader
et al., 2020). Egy publikáció magas hivatkozási száma tükrözi annak relevanciáját és jelentős hozzájárulását a kutatási területhez (Baldi, 1998; Gundolf és Filser, 2013; Marinko, 1998). A publikációk hivatkozáselemzése segít a releváns művek azonosításában, valamint népszerűségük és időbeli fejlődésük nyomon követésében.
Dokumentum-kocitációs elemzés
A co-citation elemzés értékes módszer a publikációk közötti kapcsolatok feltárására és egy terület intellektuális struktúrájának ábrázolására (Nerur et al., 2008). Más szóval, a módszer a legtöbbet idézett publikációkat és azok összefüggéseit azonosítva külön kutatási klaszterekbe csoportosítja a publikációkat, ahol a klaszter publikációi rendszeresen hasonló gondolatokat vallanak (McCain, 1990; Small, 1973). Kulcsfontosságú megemlíteni, hogy a hasonlóság nem jelenti azt, hogy a publikációk eredményei az
összetartóak és egyetértenek egymással; A kiadványok téma-hasonlóság miatt ugyanabba a klaszterbe tartoznak, de lehetnek ellentmondó álláspontok.
Adatgyűjtés és elemzés
White és Griffith (1981) által javasolt módszertant követve átfogó kutatást végeztünk folyóiratcikkek között, hogy lefedjük a mezőgazdasági drónalkalmazások teljes kutatási területét, a következő öt lépést követve:
- Az első lépés az adatgyűjtés volt. A Scopus-t az egyik legátfogóbb és legmegbízhatóbb adatbázisnak választották szabványosított eredményekkel. Az összes mezőgazdasági drónalkalmazáshoz kapcsolódó publikációk metaadatait lekértük. Ezután elemeztük a kiválasztott cikkeket, eltávolítva az elemzésből a nem témájú cikkeket.
- Elemeztük a szakirodalmat és azonosítottuk a kutatási területen használt legfontosabb kulcsszavakat.
- Idézetelemzés segítségével feltártuk a szerzők és a dokumentumok közötti kapcsolatot, hogy feltárjuk a mögöttes idézési mintákat. Meghatároztuk a legbefolyásosabb szerzőket és publikációkat is, akik jelentős mértékben hozzájárultak a mezőgazdasági drónok területéhez.
- Egy idézet elemzést végeztünk, hogy a hasonló publikációkat klaszterekbe csoportosítsuk.
- Végül elemeztük az országok, intézmények és folyóiratok közötti kapcsolatokat és kapcsolatokat, hogy ábrázoljuk az együttműködési hálózatot.
A megfelelő keresési kifejezések azonosítása
Az adatösszesítéshez a következő keresési karakterláncokat alkalmaztuk: (drone* VAGY „pilóta nélküli légi jármű” VAGY uav* VAGY „pilóta nélküli légijármű rendszer” VAGY uas VAGY „távirányítású repülőgép”) ÉS (mezőgazdasági VAGY mezőgazdasági VAGY mezőgazdasági VAGY gazdálkodó). A keresést 2021 szeptemberében hajtották végre. A drónok többféle megjelöléssel rendelkeznek, beleértve az UAV-t, az UAS-t és a távirányítású repülőgépeket (Sah et al., 2021). A mezőgazdasággal kapcsolatos konkrét keresőkifejezéseket Abdollahi és munkatársai tanulmánya alapján határozták meg. (2021). Az áttekinthetőség és az átláthatóság érdekében az általunk használt pontos lekérdezést az 1. függelék tartalmazza. Az adattisztítási folyamatot követően szöveges fájlt hoztunk létre, amelyet ezt követően betöltöttünk a BibExcelbe, amely az idézés- és idézetelemzés közös eszköze. Ez az eszköz egyszerű interakciót tesz lehetővé más szoftverekkel, és jelentős szabadságot biztosít az adatkezelésben és -elemzésben. A VOSviewer 1.6.16-os verzióját használták a leletek megjelenítésére és a bibliometrikus hálózatok létrehozására (Eck & Waltman, 2009). A VOSviewer egy sor intuitív vizualizációt kínál, különösen a bibliometrikus térképek elemzéséhez (Geng et al., 2020). Ezenkívül segít az egyszerű vizuális eredmények elérésében, amelyek elősegítik az eredmények jobb megértését (Abdollahi et al., 2021). A fent leírt keresési karakterláncok alkalmazásával összegyűjtöttük és tároltuk az összes releváns publikációt. Az első keresési eredmények összesen 5,085 dokumentumot eredményeztek. A kiválasztott minta minőségének biztosítása érdekében csak a lektorált folyóiratcikkeket vettük figyelembe a kutatásban, így az egyéb dokumentumtípusok, így a könyvek, fejezetek, konferencia-kiadványok és szerkesztői megjegyzések kizárásra kerültek. Egy szűrés során kiszűrtük az irreleváns (azaz a jelen munka keretein túlmutató), a redundáns (vagyis a kettős indexelésből származó duplikátumokat) és a nem angol nyelvű publikációkat. Ez a folyamat 4,700 dokumentum felvételét eredményezte a végső elemzésben.
Megállapítások és vita
Kezdésként elemeztük a mezőgazdasági drónokkal foglalkozó jelenlegi szakirodalom publikációinak alakulását. A tudományos kutatások időbeli megoszlását az 1. ábra mutatja. A publikációk számának gyors növekedését látjuk 2011-től (30 publikáció); ezért úgy döntöttünk, hogy az elemzési időszakot két különböző szakaszra osztjuk. Az 1990 és 2010 közötti időszakot a felépítési szakasznak nevezzük, amelynek évente nagyjából hét publikációja jelent meg. A 2010 utáni időszakot növekedési szakasznak nevezik, mivel a mezőgazdasági drónalkalmazásokkal kapcsolatos kutatások ebben az időszakban exponenciális felfutásnak voltak tanúi. 2010 után a publikációk növekvő száma megerősíti a kutatók növekvő érdeklődését, ami azt is tükrözi, hogy a drónokat a távérzékelésben alkalmazták és a precíziós mezőgazdaságban is alkalmazták (Deng et al., 2018; Maes & Steppe, 2019; Messina & Modica, 2020 ). A publikációk száma a 108-as 2013-ról 498-ra 2018-ra nőtt, és 1,275-ban 2020-nél érte el a csúcsot. 935 januárja és szeptember közepe között összesen 2021 cikk jelent meg. Ezt követően úgy döntöttünk, hogy elemzésünket inkább a növekedési szakaszra összpontosítjuk. mivel ez az időszak a mezőgazdasági drónok legújabb és legfontosabb finomságait tükrözi.
Kulcsszavak elemzése
A szerzők által egy publikációhoz választott kulcsszavak döntő hatással vannak arra, hogyan jelenítik meg a cikket, és hogyan kommunikálják azt a tudományos közösségeken belül. Meghatározzák a kutatás kulcsfontosságú alanyait, és meghatározzák annak lehetőségét, hogy virágozzon vagy elbukjon (Day & Gastel, 1998; Kim és mtsai, 2016; Uddin et al., 2015). A kulcsszavak elemzése, a tágabb kutatási trendek és irányok feltárására szolgáló eszköz egy adott tartományban található összes kapcsolódó publikáció kulcsszavainak összeállítására vonatkozik (Dixit & Jakhar, 2021). A jelenlegi tanulmányban az összesített kulcsszavakat két csoportra osztottuk (azaz 2010-ig és 2011–2021-ig), hogy feltárjuk a legnépszerűbb témákat. Ezzel mindkét készletben nyomon követhetjük a kulcsszavakat, és biztosíthatjuk, hogy az összes szükséges adatot rögzítettük. Az egyes halmazokhoz a tíz legfontosabb kulcsszót a 3. táblázat mutatja be. A következetlenségeket a szemantikailag azonos kulcsszavak, például a „drone” és a „drones” vagy hasonlóképpen az „Internet of Things” és „IoT” összevonásával küszöböltük ki.
A 3. táblázat azt mutatja, hogy a „pilóta nélküli légijármű” mindkét időszakban gyakrabban használt kulcsszó, mint a „drón” és a „pilóta nélküli légi rendszer”. Ezenkívül a „távérzékelés”, a „precíziós mezőgazdaság” és a „mezőgazdaság” mindkét időszakban előkelő helyen szerepel. Az első periódusban a „precíziós mezőgazdaság” az ötödik, a másodikban pedig a második helyen végzett, ami azt szemlélteti, hogy a drónok egyre fontosabbá válnak a precíziós mezőgazdaság megvalósításában, mivel képesek megfigyelni.
az észlelési és becslési gyakorlatok gyorsabbak, olcsóbbak és könnyebben végrehajthatók más távérzékelési és földi rendszerekkel összehasonlítva. Ezenkívül szükség esetén a bemenet pontos mennyiségét (pl. víz vagy peszticidek) is ki tudják permetezni (Guo et al., 2020; Inoue, 2020; Panday, Pratihast és mtsai, 2020).
A leggyakrabban használt kulcsszavak listája.
Rang | 1990-2010 | Száma előfordulás | 2011-2021 | Száma előfordulás |
1 | pilóta nélküli légi jármű | 28 | személyzet nélküli légi jármű | 1628 |
2 | távérzékelés | 7 | pontosság mezőgazdaság | 489 |
3 | mezőgazdaság | 4 | távérzékelés | 399 |
4 | levegőben | 4 | zümmög | 374 |
5 | pontosság mezőgazdaság | 4 | személyzet nélküli légi rendszer | 271 |
6 | pilóta nélküli légi | 4 | mezőgazdaság | 177 |
7 | hiperspektrális érzékelő | 3 | mély tanulás | 151 |
8 | mesterséges idegi hálózatok | 2 | gép tanulás | 149 |
9 | autonóm repülés | 2 | növényzet index | 142 |
10 | kávé | 2 | Internet of Things | 124 |
Egy másik érdekes tulajdonság a kiegészítő technológiák jelenléte. Az első szakaszban a „Hyperspectral Sensor” és a „mesterséges neurális hálózatok” (ANN) szerepel a tíz legfontosabb kulcsszó között. A hiperspektrális képalkotás forradalmasította a hagyományos képalkotást azáltal, hogy hatalmas számú képet gyűjtött különböző hullámhosszokon. Ennek során az érzékelők egyidejűleg jobb térbeli és spektrális információkat tudnak gyűjteni, mint a multispektrális képalkotás, spektroszkópia és RGB képalkotás (Adao ˜ et al.,
2017). Az „ANN” előfordulása az első szakaszban, a „deep learning” (DL) és a „gépi tanulás” (ML) a második szakaszban azt jelenti, hogy a legtöbb publikált munka az AI-technikákban rejlő lehetőségek vizsgálatára összpontosított a drónok számára. alapú mezőgazdaság. Bár a drónok képesek önállóan is repülni, mégis szükség van egy pilóta közreműködésére, ami az eszköz intelligenciájának alacsony szintjét jelenti. Ez a probléma azonban megoldható az AI technikák fejlődésének köszönhetően, amelyek jobb helyzetfelismerést és autonóm döntéstámogatást biztosíthatnak. A mesterséges intelligenciával felszerelt drónok elkerülhetik az ütközéseket a navigáció során, javíthatják a talaj- és termésgazdálkodást (Inoue, 2020), valamint csökkenthetik az emberek munkáját és stresszét (BK Sharma et al., 2019).
Rugalmasságuk és hatalmas mennyiségű nemlineáris adat kezelésére való képességük miatt az AI technikák alkalmas módszerek a drónok és más távérzékelő és földi rendszerek által továbbított adatok elemzésére előrejelzés és döntéshozatal céljából (Ali et al., 2015; Inoue, 2020). Továbbá az „IoT” jelenléte a második periódusban jelzi a mezőgazdaságban betöltött növekvő szerepét. Az IoT forradalmasítja a mezőgazdaságot más technológiák összekapcsolásával, beleértve a drónokat, az ML-t, a DL-t, a WSN-eket és a big data-okat. Az IoT bevezetésének egyik legfontosabb előnye, hogy közel valós időben képes hatékonyan és eredményesen egyesíteni a különböző feladatokat (adatgyűjtés, adatelemzés és -feldolgozás, döntéshozatal és megvalósítás) (Elijah et al., 2018; Feng et al. , 2019; Muangprathub et al., 2019). Ezenkívül a drónokat hatékony eszköznek tekintik a növényzet erélyének és vegetációs tulajdonságainak kiszámításához szükséges adatok rögzítésére (Candiago et al., 2015). A 2a és 2b ábra szemlélteti a kulcsszó-együtt-előfordulási hálózatokat mindkét időszakra vonatkozóan.
Befolyásos szerzők
Ebben a részben meghatározzuk a befolyásos szerzőket, és megvizsgáljuk, hogy a szerzői hivatkozási hálózatok hogyan tudják megjeleníteni és rendszerezni az aktuális szakirodalmat. A 3. ábra a legtöbb hivatkozással rendelkező összes kutató kronológiai átfedését mutatja. A színskála a szerzők idézeteinek évenkénti változását tükrözi. A mezőgazdasági drónokkal kapcsolatos tanulmányokat publikáló kutatók hivatkozási szerkezetét legalább 50 hivatkozás és tíz publikáció küszöbértékével vizsgáljuk. Kívül
12,891 115 szerző, csak 4 felelt meg ennek a feltételnek. A 1,963. táblázat a tíz legbefolyásosabb szerzőt sorolja fel, a hivatkozások maximális száma szerint rendezve. Lopez- Granados F. vezeti a listát 1,909 idézettel, őt követi a Zarco-Tejada PJ XNUMX idézettel.
A legtöbbet idézett szerzők listája.
Ranking | Szerző | Idézetek |
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 |
Ami az egyes publikációkat illeti, Zhang és Kovács (2012) cikke volt a legtöbbet idézett tanulmány a Precision Agriculture-ben. Itt a szerzők áttekintették az UAS alkalmazását a precíziós mezőgazdaságban. Kutatásuk eredményei azt sugallják, hogy szükség van a platformtervezés, a gyártás, a kép georeferálásának szabványosítására és az információ-visszakeresési munkafolyamat előmozdítására, hogy a gazdálkodók megbízható végtermékekhez jussanak. Ezen túlmenően javasolják a gazdálkodó erőteljesebb bevonását, különösen a szántóföldi tervezésben, a képrögzítésben, valamint az adatok értelmezésében és elemzésében. Fontos, hogy ez a tanulmány az elsők között mutatta be az UAV jelentőségét a szántóföldi térképezésben, az életerő-feltérképezésben, a vegyszertartalom mérésében, a vegetációs stressz monitorozásában és a műtrágyák növénynövekedésre gyakorolt hatásának értékelésében. A technológiával kapcsolatos kihívások közé tartozik még a túl magas költségek, az érzékelő képessége, a platform stabilitása és megbízhatósága, a szabványosítás hiánya, valamint a hatalmas mennyiségű adat elemzésének következetes eljárása.
Idézetelemzés
Az idézetelemzés a cikkek hatásának vizsgálatát jelenti, bár hajlamos az áramlásra (pl. idézési torzítás, önhivatkozás), a hatásértékelés egyik standard eszköze (Osareh, 1996; A. Rejeb et al., 2022; Sarli et al., 2010). Az idézetek azt is tükrözik, hogy mennyire fontos és vitalitható az írások hozzájárulása egy adott témakör szakirodalmához (R. Sharma et al., 2022). Idézetelemzést végeztünk, hogy meghatározzuk a mezőgazdasági drónokkal kapcsolatos legbefolyásosabb tanulmányokat, és összefoglaltuk a tartalmat. Az 5. táblázat az 1990–2010 és 2011–2021 közötti időszak tizenöt legbefolyásosabb lapjának listáját tartalmazza. Berni et al. (2009)b és Austin (2010) voltak a legtöbbet idézve 1990-ben és 2010-ben, 831, illetve 498 idézettel. Berni et al. (2009)b szemléltette a kvantitatív távérzékelő termékek fejlesztésének lehetőségét egy megfizethető termikus és keskeny sávú multispektrális képalkotó érzékelőkkel felszerelt helikopter-alapú UAV segítségével. A hagyományos, emberes légi szenzorokhoz képest egy alacsony költségű mezőgazdasági UAV-rendszer képes a növények biofizikai paramétereinek összehasonlítható becslésére, ha nem jobbra is. A megfizethető költségek és a működési rugalmasság, valamint a gyors átfutási időn belül elérhető magas spektrális, térbeli és időbeli felbontások révén az UAV-k alkalmasak számos olyan alkalmazásra, amelyek időkritikus kezelést igényelnek, beleértve az öntözés ütemezését és a precíziós gazdálkodást. Berni et al. (2009)b sokat idézett, mert hatékonyan integrált egy pilóta nélküli forgószárnyú platformot, valamint digitális és hőérzékelőket a mezőgazdasági alkalmazásokhoz szükséges kalibrációs mechanizmusokkal. A második legtöbbet idézett kiadvány egy Austin (2010) által írt könyv, amely az UAV-kat a tervezés, a fejlesztés és a telepítés szempontjából tárgyalta. A mezőgazdaságban az UAV-k támogatják a termésfelügyeletet a betegségek korai felismerésével a termés színének megváltozása révén, megkönnyítik a növények vetését és permetezését, valamint az állományok megfigyelését és vezetését.
Sullivan et al. (2007), Lumme et al. (2008), valamint Gokto ¨ ǧan et al. (2010) fejezi be az első tizenöt legtöbbet idézett cikk listáját. Ezek a cikkek bemutatják az UAV-alapú rendszerek fejlesztését a mezőgazdaság támogatására. Különféle problémákra kínálnak megoldást, mint például a termésfigyelés és szkennelés, a gyomirtás és -kezelés, valamint a döntéstámogatás. Azt is javasolják és megvitatják az UAV azon képességét, hogy növelje a mintavételi hatékonyságot, és segítse a gazdálkodókat a pontos és hatékony tervezésben.
ültetési stratégiák. Berni két tanulmányt írt (Berni et al., 2009b; Berni et al., 2009a), kiemelve jelentős hatását a mezőgazdasági drónokkal kapcsolatos kutatásokra. Zarco-Tejada et al. (2014) egyike volt azoknak az úttörő tanulmányoknak, amelyek bemutatják az olcsó UAV-képek alkalmazásának szükségességét a famagasság számszerűsítésére.
A legtöbbet idézett publikációk listája.
Rang | Tól 1990 a 2010 | Tól 2011 a 2021 | ||
dokumentum | Idézet | dokumentum | Idézet | |
1 | (Berni et al., 2009b) | 831 | (C. Zhang és Kovács, 2012) | 967 |
2 | (Austin, 2010) | 498 | (Nex és Remondino, 2014) | 893 |
3 | (Hunt et al., 2010) | 331 | (Floreano és Wood, 2015) | 552 |
4 | (SR Herwitz et al., 2004) | 285 | (Hossein Motlagh et al., 2016) | 391 |
5 | (CCD Lelong et al., 2008) | 272 | (Shakhatreh et al., 2019) | 383 |
6 | (Berni et al., 2009b) | 250 | (Ma et al., 2017) | 373 |
7 | (Grenzdorffer ¨ et al., 2008) | 198 | (Bendig et al., 2014) | 360 |
8 | (Hrabar et al., 2005) | 175 | (Zarco-Tejada et al., 2014) | 347 |
9 | (Y. Huang et al., 2009) | 129 | (Hirdetés ao et al., 2017) | 335 |
10 | (Schmale III et al., 2008) | 119 | (Honkavaara et al., 2013) | 331 |
11 | (Abd-Elrahman et al., 2005) | 79 | (Candiago et al., 2015) | 327 |
12 | (Techy et al., 2010) | 69 | (Xiang és Tian, 2011) | 307 |
13 | (Sullivan et al., 2007) | 51 | (Matese et al., 2015) | 303 |
14 | (Lumme et al., 2008) | 42 | (Gago et al., 2015) | 275 |
15 | (Gokto ¨ ǧan et al., 2010) | 40 | (Aasen et al., 2015a) | 269 |
A második periódusban (2011–2021) Zhang és Kovacs (2012), valamint Nex és Remondino (2014) kutatása eredményezte a leggyakrabban hivatkozott publikációkat. Zhang és Kovacs (2012) azzal érvelnek, hogy a precíziós mezőgazdaság számára előnyös lehet a térinformatikai technikák és szenzorok, például a földrajzi információs rendszerek, a GPS és a távérzékelés bevezetése a terepen tapasztalható eltérések rögzítésére és alternatív stratégiák alkalmazásával történő kezelésére. A precíziós mezőgazdaságban változást hozó drónok alkalmazása új korszakot jelentett a távérzékelésben, egyszerűsítve a légi megfigyelést, rögzítve a termésnövekedési adatokat, a talajviszonyokat és a permetezési területeket. Zhang és Kovacs (2012) áttekintése alapvető fontosságú, mivel betekintést nyújt az UAV-okba azáltal, hogy feltárja ezeknek az eszközöknek a környezeti megfigyelésben és a precíziós mezőgazdaságban meglévő felhasználásait és kihívásait, például a platform és a kamerák korlátait, az adatfeldolgozási kihívásokat, a gazdálkodók szerepvállalását és a légi közlekedési szabályozást. . A második
Nex és Remondino (2014) legtöbbet idézett tanulmánya a földi képek rögzítésére, feldolgozására és elemzésére szolgáló UAV-k legmodernebb szintjét tekintette át.
Munkájukban bemutatták az UAV-platformok, alkalmazások és használati esetek áttekintését is, bemutatva az UAV képfeldolgozás legújabb fejlesztéseit. A mezőgazdaságban a gazdálkodók használhatják az UAV-kat, hogy hatékony döntéseket hozzanak költség- és időmegtakarítás érdekében, gyors és pontos nyilvántartást kapjanak a károkról, és előre jelezzék a lehetséges problémákat. A hagyományos légi platformokkal ellentétben az UAV-k csökkenthetik az üzemeltetési költségeket és csökkenthetik a nehéz helyeken való hozzáférés veszélyét, miközben megőrzik a nagy pontosságú potenciált. Írásuk az UAV-k különféle előnyeit foglalja össze, különösen a pontosság és a felbontás tekintetében.
A fennmaradó tizenhárom legtöbbet idézett publikáció között 2011 és 2021 között nagyobb koncentrációt figyeltünk meg a képalkotó küldetésekben végzett drónalkalmazásokkal kapcsolatos kutatásokra (Bendig et al., 2014; Ma et al., 2017; Zarco-Tejada et al., 2014). , precíziós mezőgazdaság (Candiago et al., 2015; Honkavaara et al., 2013a), precíziós szőlőtermesztés (Matese et al., 2015), vízterhelés felmérés (Gago et al., 2015) és vegetáció monitorozás (Aasen et al. , 2015a). A kezdeti években a kutatók arra összpontosítottak
többet az alacsony költségű, könnyű és precíz UAV-alapú rendszerek fejlesztéséről a mezőgazdaság számára; Az újabb kutatások inkább az UAV mezőgazdasági és terepi felmérési alkalmazások áttekintésére összpontosítottak. Összefoglalva, ez az elemzés feltárja, hogy a befolyásos publikációk többnyire korábbi tanulmányokról adtak áttekintést az UAV-k jelenlegi tudományos és technológiai állapotának értékelésére, és UAV-rendszereket fejlesztettek ki a precíziós mezőgazdaság támogatására. Érdekes módon nem találtunk empirikus vizsgálatokat
módszertanok vagy leíró esettanulmányok, ami jelentős tudáshiányt jelent, és további kutatást igényel ebben a témában.
Co-citation elemzés
Gmür (2006) szerint a co-citation elemzés azonosítja a hasonló publikációkat, és csoportosítja azokat. Egy-egy klaszter alapos vizsgálata feltárhat egy közös kutatási területet a publikációk között. Megvizsgáljuk a mezőgazdasági drónok szakirodalmának együtt idézését, hogy szemléltessük a kapcsolódó témaköröket és feltárjuk a publikációk szellemi mintázatait. Ebben a tekintetben Small (1973) a kocitációs elemzés alkalmazását javasolta a legbefolyásosabb és legmeghatározóbb kutatások tanulmányozására.
egy tudományágon belül. Annak érdekében, hogy a készletet a legjelentősebb cikkekre korlátozzuk (Goyal és Kumar, 2021), 25-ös idézési küszöböt határoztunk meg, ami azt jelenti, hogy két cikkre együtt kell hivatkozni 25 vagy több különböző publikáció hivatkozási listáján. A klaszterezést szintén 1-es minimális klasztermérettel végeztük, és a kisebb klaszterek nagyobb klaszterekkel való összevonására szolgáló módszer nélkül. Ennek eredményeként hat klaszter jött létre a vizsgálatok hasonlósága és intellektuális szerkezete alapján. A 6. táblázat mutatja a publikációk megoszlását az egyes klaszterekben.
1. klaszter: Ez a klaszter tizennyolc dokumentumot tartalmaz, amelyek azután jelentek meg. A klaszter publikációi a drónok szerepét tárgyalják a környezeti monitoring, a termésgazdálkodás és a gyomirtás támogatásában. Például Manfreda et al. (2018) áttekintést ad az UAV jelenlegi kutatásáról és megvalósításáról a természetes mezőgazdasági ökoszisztéma-monitoringban, és azzal érvelnek, hogy a technológia óriási lehetőségeket rejt magában a környezeti megfigyelés drasztikus fokozására és a
a terepi megfigyelés és a hagyományos levegőben és űrben történő távérzékelés között fennálló szakadék. Ezt úgy lehet megtenni, hogy új kapacitást kínálunk a jobb időbeli lekérdezéshez és a nagy területek térbeli betekintéséhez, megfizethető módon. Az UAV-k folyamatosan érzékelik a környezetet, és a kapott adatokat elküldik intelligens, központosított/decentralizált entitásoknak, amelyek érzékelőket vezérelnek, hogy azonosítsák az esetleges problémákat, például a betegség vagy a vízérzékelés hiányát (Padua ´ et al., 2017). Adao ˜ et al. (2017) azt állítják, hogy az UAV-k ideálisak a növények állapotának felmérésére, mivel hatalmas mennyiségű nyers adatot rögzítenek a víz állapotával, a biomassza becslésével és az életerő értékelésével kapcsolatban. Az UAV-ra szerelt érzékelők megfelelő környezeti feltételek mellett azonnal üzembe helyezhetők a távérzékelési adatok időben történő rögzítése érdekében (Von Bueren et al., 2015). Az UAV-ok segítségével a gazdálkodók beltéri gazdálkodási tevékenységet végezhetnek úgy, hogy a beltéri gazdálkodási környezetek (pl. üvegházak) háromdimenziós terében gyakorlatilag bárhonnan végezhetnek méréseket, biztosítva ezzel a helyi klímaszabályozást és növényfelügyeletet (Roldan ´ et al. ., 2015). A precizitás összefüggésében
A mezőgazdaság, a növénygazdálkodási döntések pontos, megbízható termésadatokat tesznek szükségessé, megfelelő időbeli és térbeli felbontással (Gebbers és Adamchuk, 2010; Gevaert et al., 2015; Maes & Steppe, 2019). Emiatt Agüera Vega et al. (2015) egy UAV-ra szerelt multispektrális szenzorrendszert használtak a napraforgótermés képeinek elkészítéséhez a vegetációs időszakban. Hasonlóképpen Huang és mtsai. (2009) megjegyzik, hogy az UAV-kon alapuló távérzékelés megkönnyítheti a termények és a talaj mérését az összegyűjtött spektrális adatokból. Verger et al. (2014) kifejlesztett és tesztelt egy technikát a zöldterületi index (GAI) becslésére UAV reflektancia mérésekből precíziós mezőgazdasági alkalmazásokban, a búza és repcenövényekre összpontosítva. Ezért a drónok új lehetőségeket kínálnak a termésállapot-információk lekérésére gyakori újralátogatással és nagy térbeli felbontással (Dong et al., 2019; Garzonio et al., 2017; H. Zheng et al., 2016).
A mezőgazdasági drónokról szóló, befolyásos publikációk csoportosítása.
Fürt | Széles téma | Referenciák |
1 | Környezeti monitoring, termés kezelés, gyomirtás | (Hirdetés ao et al., 2017; Agüera Vega et al., 2015; de Castro és társai, 2018; Gomez-Cand ´on ´ et al., 2014; YB Huang és mtsai, 2013; Khanal és társai, 2017; Lopez-Granados, 2011; Manfreda et al., 2018; P' adua és társai, 2017; Pena ˜ et al., 2013; P´erez-Ortiz et al., 2015; Rasmussen et al., 2013, 2016; Torres-S' anchez et al., 2014; Torres-Sanchez, ´ Lopez-Granados, ´ & Pena, ~ 2015; Verger és mtsai, 2014; Von Bueren et al., 2015; C. Zhang és Kovács, 2012) |
2 | Távoli fenotipizálás, hozam becslés, termőfelület modell, növények számlálása | (Bendig et al., 2013, 2014; Geipel et al., 2014; Gnadinger ¨ & Schmidhalter, 2017; Haghighattalab et al., 2016; Holman et al., 2016; Jin et al., 2017; W. Li és mtsai, 2016; Maimaitijiang et al., 2017; Sankaran et al., 2015; Schirrmann és mtsai, 2016; Shi és mtsai, 2016; Yue et al., 2017; X. Zhou et al., 2017) |
3 | Víz hőképalkotása, multispektrális képalkotás | (Baluja et al., 2012; Berni et al., 2009b; Berni et al., 2009a; Candiago et al., 2015; Gago et al., 2015; Gonzalez-Dugo et al., 2013, 2014; Grenzdorffer ¨ et al., 2008; Khaliq et al., 2019; Matese et al., 2015; Ribeiro-Gomes et al., 2017; Santesteban et al., 2017; Uto et al., 2013) |
4 | Hiperszektrális képalkotás, spektrális leképezés | (Aasen et al., 2015a; Bareth et al., 2015; Hakala et al., 2013; Honkavaara et al., 2013a; Lucieer et al., 2014; Saari et al., 2011; Suomalainen et al., 2014) |
5 | 3D-térképező alkalmazások | (Jim'enez-Brenes et al., 2017; Nex & Remondino, 2014; Salamí és társai, 2014; Torres-S' anchez, Lopez-´ Granados, Serrano és munkatársai, 2015; Zahawi et al., 2015; Zarco-Tejada et al., 2014) |
6 | Mezőgazdasági felügyelet | (SR Herwitz et al., 2004; Hunt et al., 2010; CCD Lelong et al., 2008; Primicerio et al., 2012; Xiang és Tian, 2011) |
Ezenkívül a drónok hasznosak a mezőgazdaság kihívásait jelentő feladatokhoz, beleértve a gyomtérképezést is. Az eszközökkel rögzített képek bebizonyították, hogy hasznosak a szántóföldi gyomirtás korai felismerésében (de Castro és mtsai, 2018; Jim'enez-Brenes et al., 2017; Lam et al., 2021; Lopez-Granados ´ et al., 2016; Rozenberg et al., 2021). Ezzel kapcsolatban de Castro et al. (2018) azt állítják, hogy az UAV-képek és az objektum-alapú képelemzés (OBIA) egyesítése lehetővé tette a szakemberek számára, hogy leküzdjék a korai füves növények korai felismerésének automatizálásának problémáját, ami nagy előrelépés a gyomkutatásban. Hasonlóképpen, Pena ˜ et al. (2013) rámutatnak, hogy az UAV-ról készült ultra-nagy térbeli felbontású képek OBIA eljárással együtt történő alkalmazása lehetővé teszi a korai kukorica kultúrákban gyomtérképek készítését, amelyek felhasználhatók a szezonon belüli gyomirtó intézkedések végrehajtásának tervezésében. olyan feladat, amely meghaladja a műholdas és a hagyományos légi felvételek képességeit. A képosztályozási vagy objektumészlelő algoritmusokhoz képest a szemantikus szegmentálási technikák hatékonyabbak a gyomtérképezési feladatokban (J. Deng et al., 2020), így lehetővé teszik a gazdálkodók számára a szántóföldi körülmények észlelését, a veszteségek mérséklését és a terméshozamok javítását a vegetációs időszakban (Ramesh). et al., 2020). A mély tanuláson alapuló szemantikus szegmentáció a növénytakaró pontos mérését is nyújthatja nagy felbontású légifelvételek alapján (Ramesh et al., 2020; A. Zheng et al., 2022). Annak ellenére, hogy bennük van a távirányító
Az érzékelési pixelosztályozás, a szemantikus szegmentálási technikák jelentős számítási munkát és túl magas GPU-memóriát igényelnek (J. Deng et al., 2020).
A gépi tanulás és az UAV alapján P´erez-Ortiz et al. (2015) gyomtérképezési megközelítést javasoltak a helyspecifikus gyomirtási stratégiák biztosítására, amikor a gazdálkodók a korai kelés utáni gyomirtást alkalmazzák. Végül Rasmussen et al. (2013) kiemelte, hogy a drónok olcsó érzékelést és nagy térbeli felbontási rugalmasságot biztosítanak. Összességében a klaszter publikációi az UAV-ban rejlő lehetőségek feltárására összpontosítanak a távérzékelés, a termésfigyelés és a gyomtérképezés támogatására. További mélyreható kutatásra van szükség annak további vizsgálatára, hogy a környezetfigyelésben, a termésgazdálkodásban és a gyomok feltérképezésében alkalmazott drónalkalmazások hogyan érhetnek el fenntarthatóbb mezőgazdaságot (Chamuah és Singh, 2019; Islam et al., 2021; Popescu et al., 2020; J Su, Liu és munkatársai, 2018), és foglalkoznak e technológia irányítási kérdéseivel a terménybiztosítási alkalmazásokban (Basnet és Bang, 2018; Chamuah és Singh, 2019, 2022; Meinen és Robinson, 2021). A kutatóknak az UAV által gyűjtött mérések validálására kell koncentrálniuk hatékony feldolgozási technikákkal, hogy javítsák a feldolgozott adatok végső minőségét (Manfreda et al., 2018). Ezenkívül olyan megfelelő algoritmusok kidolgozására van szükség, amelyek felismerik a pixeleket, amelyek a digitális képeken jelenítik meg a gyomokat, és kiküszöbölik az irreleváns hátteret az UAV gyomtérképezése során (Gaˇsparovi´c et al., 2020; Hamylton et al., 2020; H. Huang et al. , 2018, 2020; Lopez- ´ Granados et al., 2016). Üdvözöljük a szemantikus szegmentációs technikák növényfelismerésben, levélosztályozásban és betegségek feltérképezésében történő alkalmazására vonatkozó további kutatásokat (Fuentes-Pacheco et al., 2019; Kerkech et al., 2020).
2. klaszter. Az ebben a klaszterben megjelent publikációk a mezőgazdasági drónok számos aspektusára összpontosítottak. A távoli fenotipizálással kapcsolatban Sankaran et al. (2015) áttekintették a kis magasságú, nagy felbontású légi képalkotás UAV-okkal történő alkalmazásának lehetőségét a szántóföldi növények gyors fenotipizálására, és azzal érvelnek, hogy a földi érzékelőplatformokhoz képest a kisméretű UAV-k megfelelő érzékelőkkel számos előnnyel járnak. , mint például a terepre való könnyebb hozzáférés, nagy felbontású adatok, hatékony adatgyűjtés,
a szántóföldi növekedési feltételek gyors felmérése és az alacsony üzemeltetési költségek. A szerzők azonban azt is megjegyzik, hogy az UAV hatékony alkalmazása a terepi fenotipizáláshoz két alapvető elemen, nevezetesen az UAV jellemzőiön (pl. biztonság, stabilitás, pozicionálás, autonómia) és az érzékelő jellemzőitől (pl. felbontás, tömeg, spektrális hullámhosszok, mező) támaszkodik. kilátás). Haghighattalab et al. (2016) egy félautomata képfeldolgozó folyamatot javasoltak az UAV-képekből plot-szintű adatok kinyerésére és a tenyésztési folyamat felgyorsítására. Holman et al. (2016) csúcsot ért el
áteresztőképességű terepi fenotipizáló rendszert, és kiemelte, hogy az UAV minőségi, terjedelmes, terepi alapú fenotípusos adatokat képes gyűjteni, és az eszköz nagy területeken és különböző terepi helyeken hatékony.
Mivel a hozambecslés hihetetlenül létfontosságú információ, különösen, ha időben rendelkezésre állnak, az UAV-k képesek minden terepi mérést elvégezni és hatékonyan megszerezni a kiváló minőségű adatokat (Daakir et al., 2017; Demir et al., 2018). Enciso és mtsai, 2019; Kulbacki és mtsai, 2018; Pudelko és mtsai, 2012). Ezzel kapcsolatban Jin et al. (2017) kihasználták az UAV-k által nagyon alacsony magasságban nyert nagy felbontású képeket, hogy kidolgozzanak és értékeljenek egy módszert a búza növénysűrűségének becslésére a kelési szakaszban. A szerzők szerint az UAV-k leküzdik a kamerákkal felszerelt rover-rendszerek korlátait, és non-invazív módszert jelentenek a növények növénysűrűségének becslésére, lehetővé téve a gazdálkodók számára a szántóföldi fenotipizáláshoz szükséges nagy áteresztőképesség elérését, függetlenül a talaj forgalmazhatóságától. Li és mtsai. (2016) több száz sztereó képet gyűjtöttek össze rendkívül nagy felbontásban UAV-alapú rendszerrel, hogy megbecsüljék a kukorica paramétereit, beleértve a lombkorona magasságát és a föld feletti biomasszát. Végül Yue et al. (2017) azt találta, hogy az UAV-k alapján meghatározott termésmagasság javíthatja a föld feletti biomassza (AGB) becslését.
A termésnövekedés nyomon követésének egyik megközelítése a termésfelületi modellek kidolgozása (Bendig és mtsai, 2014, 2015; Holman és mtsai, 2016; Panday, Shrestha és mtsai, 2020; Sumesh és mtsai, 2021). Számos tanulmány rámutatott arra, hogy az UAV-ról készített képek megvalósíthatók a növények magasságának rögzítésére és növekedésük nyomon követésére. Például Bendig és mtsai. (2013) nagyon nagy, 0.05 m-nél kisebb felbontású, multi-temporális terményfelületi modellek fejlesztését írták le UAV segítségével. Céljuk volt a termés észlelése
a növekedés változékonysága és a terméskezeléstől, a fajtától és a stressztől való függése. Bendig et al. (2014) UAV-okat használtak a friss és száraz biomassza becslésére a termésfelületi modellekből kinyert növénymagasság alapján, és megállapították, hogy a levegőben lévő platformokkal és a földi lézerszkenneléssel ellentétben az UAV-k nagy felbontású képei jelentősen növelhetik a növénymagasság-modellezés pontosságát a különböző növekedésekhez. szakasz. Ugyanebben a szellemben Geipel et al. (2014) UAV-kat használtak kutatásaik során képek megszerzésére
adatkészleteket készített a kukoricaszemtermés előrejelzéséhez három különböző növekedési fázisban a koraitól a szezon közepéig, és arra a következtetésre jutott, hogy a légifelvételeken és a termésfelületi modelleken alapuló spektrális és térbeli modellezés kombinációja megfelelő módszer a szezonközi kukoricatermés előrejelzésére. Végül Gnadinger ¨ és Schmidhalter (2017) megvizsgálta az UAV hasznosságát a precíziós fenotipizálásban, és kiemelte, hogy ennek a technológiának a használata javíthatja a gazdaságok irányítását, és lehetővé teheti a szántóföldi kísérletezést tenyésztési és agronómiai célokra. Összességében azt látjuk, hogy a 2. klaszter publikációi a távoli UAV-k fő előnyeire összpontosítanak
fenotipizálás, termésbecslés, termésfelület modellezés és növényszámlálás. A jövőbeli tanulmányok mélyebbre áshatnak azáltal, hogy új módszereket dolgoznak ki a távoli fenotipizáláshoz, amelyek automatizálhatják és optimalizálhatják a távérzékelt adatok feldolgozását (Barabaschi et al., 2016; Liebisch et al., 2015; Mochida et al., 2015; S. Zhou et al. ., 2021). Ezen túlmenően az UAV-kra szerelt IoT-érzékelők teljesítményét, valamint a költségek, a munkaerő és a hozambecslés pontossága közötti kompromisszumot kutatni kell.
jövője (Ju és Son, 2018a, 2018b; Xie és Yang, 2020; Yue et al., 2018). Végső soron olyan hatékony képfeldolgozási módszerek kifejlesztésére van szükség, amelyek megbízható információkat generálnak, maximalizálják a mezőgazdasági termelés hatékonyságát, és minimalizálják a gazdálkodók kézi számláló munkáját (RU Khan et al., 2021; Koh et al., 2021; Lin). & Guo, 2020; C. Zhang et al., 2020).
3. klaszter. A klaszter publikációi az UAV platformokon használt mezőgazdasági erőforrások távérzékelésére szolgáló képalkotó rendszerek különböző típusait tárgyalják. Ebben a tekintetben a hőképalkotás lehetővé teszi a felszíni hőmérséklet monitorozását a terméskárosodás megelőzése és az aszályos stressz korai észlelése érdekében (Awais és mtsai, 2022; García-Tejero et al., 2018; Sankaran és mtsai, 2015; Santesteban et al., 2017; Yeom, 2021). Baluja et al. (2012) azt állította, hogy a multispektrális és hőkamerák használata a fedélzeten
Az UAV lehetővé tette a kutatóknak, hogy nagy felbontású képeket készítsenek, és felmérjék a szőlővíz állapotát. Ez hasznos lehet új vízütemezési modellek kidolgozásához távérzékelési adatok felhasználásával (Baluja et al., 2012). Mivel a
az UAV-k korlátozott terhelhetősége, Ribeiro-Gomes et al. (2017) a hűtetlen hőkamerák UAV-ba történő integrálását fontolgatták a növények vízterhelésének meghatározására, ami az ilyen típusú UAV-kat hatékonyabbá és életképesebbé teszi, mint a hagyományos műholdas távérzékelés és a hűtött hőkamerával felszerelt UAV-k. A szerzők szerint a hűtetlen hőkamerák könnyebbek, mint a hűtöttek, ezért megfelelő kalibrálást igényelnek. Gonzalez-Dugo et al. (2014) kimutatták, hogy a hőképek hatékonyan generálnak térbeli térképeket a növények vízstressz indexeiről a víz állapotának felmérésére és a citrusültetvényeken belüli vízstressz mennyiségi meghatározására. Gonzalez-Dugo et al. (2013) és Santesteban et al. (2017) nagy felbontású UAV hőfelvételek használatát vizsgálta egy kereskedelmi gyümölcsös és egy szőlőültetvény vízállapot-változékonyságának becslésére.
A multispektrális képalkotás hatalmas adatot szolgáltathat a hagyományos RGB (vörös, zöld és kék) képekkel összehasonlítva (Ad˜ ao et al., 2017; Navia et al., 2016). Ezek a spektrális adatok a térbeli adatokkal együtt segíthetnek az osztályozásban, térképezésben, előrejelzésben, előrejelzésben és észlelésben (Berni et al., 2009b). Candiago et al. (2015) szerint az UAV-alapú multispektrális képalkotás nagymértékben hozzájárulhat a termésbecsléshez és a precíz mezőgazdasághoz, mint megbízható és hatékony erőforráshoz. Is,
Khaliq et al. (2019) összehasonlították a műholdas és az UAV-alapú multispektrális képalkotást. Az UAV-alapú képek pontosabban írták le a szőlőültetvények változékonyságát, valamint az életerő-térképeket a terméskoronák ábrázolására. Dióhéjban, ebben a klaszterben a termikus és multispektrális képalkotó érzékelők mezőgazdasági UAV-kba való beépítését tárgyalják. Ennek megfelelően több kutatásra van szükség annak megértéséhez, hogyan integrálható a termikus és multispektrális képalkotás az MI-vel
technikák (pl. mély tanulás) a növényi stressz kimutatására (Ampatzidis és mtsai, 2020; Ampatzidis és Partel, 2019; Jung és mtsai, 2021; Santesteban és mtsai, 2017; Syeda et al., 2021). Az ilyen betekintések segítenek a növények növekedésének, stresszének és fenológiájának hatékonyabb és pontosabb kimutatásában, valamint nyomon követésében (Buters és mtsai, 2019; Cao és mtsai, 2020; Neupane és BaysalGurel, 2021; L. Zhou et al., 2020).
4. klaszter. Ez a klaszter hét cikkből áll, amelyek a spektrális képalkotás és a hiperspektrális képalkotás kulcsfontosságú szerepét járják körül a mezőgazdasági gyakorlatok támogatásában. A hiperspektrális képalkotás olyan távérzékelési módszerré nőtte ki magát, amely lehetővé teszi a földrendszer kvantitatív értékelését (Schaepman et al., 2009). Pontosabban, felületi anyagok azonosítását, (relatív) koncentrációk számszerűsítését, ill. a felületi összetevők arányának hozzárendelése
vegyes pixeleken belül (Kirsch et al., 2018; Zhao et al., 2022). Más szóval, a hiperspektrális rendszerek által biztosított magasabb spektrális felbontás lehetővé teszi a különböző paraméterek pontosabb becslését, mint például a vegetáriánus tulajdonságok vagy a levél víztartalma (Suomalainen et al., 2014). A klaszter kutatói az ilyen rendszerek különféle aspektusait vizsgálták. Többek között Aasen et al. (2015b) egyedülálló megközelítést kínált a háromdimenziós hiperspektrális információ könnyű tömegből való származtatására
Pillanatfelvétel kamerák, amelyeket UAV-kon használnak a növényzet megfigyelésére. Lucieer et al. (2014) egy újszerű hiperspektrális UAS tervezését, fejlesztését és légi műveleteit, valamint a vele gyűjtött képadatok kalibrálását, elemzését és értelmezését tárgyalta. Végül Honkavaara et al. (2013b) átfogó feldolgozási megközelítést dolgozott ki a FabryPerot interferométer alapú spektrális képekhez, és bemutatta annak használatát a precíziós mezőgazdasági biomassza becslési eljárásban. A jelenlegi klaszter lehetséges jövőbeli útjai közé tartozik az érzékelőtechnológiák technikai fejlesztésének szükségességének hangsúlyozása (Aasen et al., 2015b), valamint a kiegészítő technológiák, különösen a big data és az analitika beépítésének és fejlesztésének szükségessége (Ang & Seng, 2021; Radoglou -Grammatikis et al., 2020; Shakoor és mtsai, 2019). Ez utóbbi főként az intelligens mezőgazdaságban megvalósított különféle szenzorok által generált folyamatosan növekvő adatokból fakad (C. Li & Niu, 2020; A. Rejeb et al., 2022; Y. Su & Wang, 2021).
5. klaszter. A klaszter publikációi drónalapú 3Dmapping alkalmazásokat vizsgáltak. A drónok 3D-s térképezéshez való használata enyhítheti a bonyolult terepmunkát és jelentősen növelheti a hatékonyságot (Torres-Sanchez ´ et al., 2015). A klaszter öt cikke főként a növényfelügyeleti alkalmazásokra összpontosított. Például, hogy háromdimenziós adatokat szerezzenek a lombkorona területéről, a fa magasságáról és a korona térfogatáról, Torres-Sanchez ´ et al. (2015) UAV technológiát használtak digitális felületmodellek, majd objektum alapú képelemzési (OBIA) megközelítések előállításához. Továbbá Zarco-Tejada et al. (2014) számszerűsítette a fa magasságát az UAV technológia és a háromdimenziós fotórekonstrukciós módszerek integrálásával. Jim'enez-Brenes Lopez-Granados, ´De Castro és társai. (2017) egy új eljárást mutatott be több tucat olajfa több idejű, 3D monitorozására az UAV technológia és a fejlett OBIA módszertan integrálásával. A fürt jövőbeni munkáinak érdekes módjai közé tartozik a jelenlegi javítása
módszertanok (Zarco-Tejada et al., 2014) digitális felületmodellezési célokra (Ajayi et al., 2017; Jaud et al., 2016), mint például az OBIA (de Castro et al., 2018, 2020; Ventura et al. , 2018), valamint fotórekonstrukciós vagy újszerű módszerek kidolgozása (Díaz-Varela et al., 2015; Torres-S´anchez et al., 2015).
6. klaszter. Ez a klaszter a drónok mezőgazdasági felügyeletben betöltött szerepét tárgyalja. Az UAV-k kiegészíthetik és kiküszöbölhetik a műholdas és repülőgép-képalkotás hiányosságait. Például nagy felbontású, közel valós idejű képalkotást biztosíthatnak kevesebb üzemanyaggal vagy kísérleti kihívással, ami állandó és valós idejű megfigyelést és a döntéshozatal javulását eredményezi (S. Herwitz et al., 2004). Az UAV-k másik kulcsfontosságú hozzájárulása az, hogy helyspecifikus adatokat tudnak szolgáltatni a precíziós mezőgazdasághoz vagy a helyspecifikus gazdálkodáshoz, mivel a nagy felbontású, részletes adatok a különböző paraméterekről lehetővé teszik a gazdálkodók számára, hogy homogén részekre osztsák fel a földet, és ennek megfelelően kezeljék azokat (Hunt et al. , 2010; CC Lelong és mtsai, 2008; Primicerio et al., 2012). Az ilyen UAV-alapú mezőgazdasági felügyelet támogathatja az élelmezésbiztonsági ellenőrzést és a döntéshozatalt (SR Herwitz et al., 2004). A mezőgazdasági felügyelettel kapcsolatos kutatások előmozdításához nem csak az érzékelők, UAV-k és más kapcsolódó technológiák, valamint ezek kommunikációs és adatátviteli módszereinek fejlesztésére van szükség (Ewing et al., 2020; Shuai et al., 2019), hanem a drónok integrálására is különféle eszközökkel. az intelligens mezőgazdasággal kapcsolatos különböző feladatok optimalizálására szolgáló technológiák, mint például a monitoring, a mezőgazdasági felügyelet és a döntéshozatal, nagy potenciállal rendelkező kutatási terület (Alsamhi et al., 2021; Popescu et al., 2020; Vuran et al., 2018). Ebben a tekintetben az IoT, a WSN-ek és a big data érdekes kiegészítő képességeket kínálnak (van der Merwe et al., 2020). A megvalósítási költségek, a költségmegtakarítás, az energiahatékonyság és az adatbiztonság az ilyen integráció alulkutatott területei közé tartoznak (Masroor et al., 2021).
Országok és akadémiai intézmények
Az utolsó lépés a származási ország és a szerzők tudományos hovatartozásának vizsgálata volt. Ezzel az elemzéssel arra törekszünk, hogy jobban megértsük azoknak a tudósoknak a földrajzi megoszlását, akik hozzájárulnak a drónok mezőgazdasági alkalmazásához. Figyelemre méltó az országok és a tudományos intézmények sokfélesége. Országszempontból az USA, Kína, India és Olaszország áll a lista élén a publikációk számát tekintve (7. táblázat). A jelenlegi
A mezőgazdasági drónokkal kapcsolatos kutatások nagyrészt észak-amerikai és ázsiai országokra összpontosulnak, főként a precíziós mezőgazdasági alkalmazásokban való nagy elkötelezettségük miatt. Például az USA-ban a mezőgazdasági drónok piacát 841.9-ban 2020 millió USD-ra becsülték, ami a globális piaci részesedés körülbelül 30%-át teszi ki (ReportLinker, 2021). A világ legnagyobb gazdaságaként besorolt Kína az előrejelzések szerint 2.6-ben eléri a hozzávetőlegesen 2027 milliárd USD-s piacot. Ez az ország vonzó a mezőgazdasági drónok számára, hogy leküzdjék a termelékenységi problémákat, jobb hozamot érjenek el, csökkentsék a munkaerőt, és kevesebb termelési ráfordítást érjenek el. A technológia Kínában történő elfogadását azonban olyan tényezők is vezérlik, mint a populáció mérete, valamint a meglévő növénygazdálkodási gyakorlatok innovációjának és javításának szükségessége.
A legtermelékenyebb országok és egyetemek/szervezetek, amelyek hozzájárulnak a
mezőgazdasági drónokkal kapcsolatos kutatás.
Rang | Érintett országok |
1 | USA |
2 | Kína |
3 | India |
4 | Olaszország |
5 | Spanyolország |
6 | Németország |
7 | Brazília |
8 | Ausztrália |
9 | Japán |
10 | Egyesült Királyság |
Rang | Egyetemek/szervezetek |
1 | Kínai Tudományos Akadémia |
2 | A Kínai Népköztársaság Mezőgazdasági Minisztériuma |
3 | Consejo Superior de Investigaciones Científicas |
4 | Texas A&M Egyetem |
5 | Kína Mezőgazdasági Egyetem |
6 | USDA Mezőgazdasági Kutatási Szolgálat |
7 | CSIC – Instituto de Agricultura Sostenible IAS |
8 | Purdue Egyetem |
9 | Consiglio Nazionale delle Ricerche |
10 | Dél-kínai Mezőgazdasági Egyetem |
Egyetemi és szervezeti szempontból a Kínai Tudományos Akadémia vezeti a listát a publikációk számát tekintve, ezt követi a Kínai Népköztársaság Mezőgazdasági Minisztériuma és a Consejo Superior de Investigaciones Científicas. A Kínai Tudományos Akadémiát Liao Xiaohan és Li Jun szerzők képviselik; Han Wenting a Kínai Népköztársaság Mezőgazdasági Minisztériumát képviseli; és a Consejo Superior de Investigaciones Científicas képviseletében Lopez-Granados, ´ F. és Pena, ˜ Jos´e María S. Az USA-ból olyan egyetemek, mint a Texas A&M University és a Purdue University találják
említés. A legtöbb publikációval rendelkező egyetemek és kapcsolataik a 4. ábrán láthatók. Ezen a listán olyan intézmények is szerepelnek, mint a Consiglio Nazionale delle Ricerche és a Consejo Superior de Investigaciones Científicas, amelyek tudományos kutatásban aktívak, de nem akadémiai intézmények. .
Válogatásunkban sokféle folyóirat szerepelt, gyakorlatilag az összes rendelkezésre álló adatot felölelve. Ahogy a 8. táblázat is mutatja, a Remote Sensing 258 cikkel áll az élen, ezt követi a Journal of Intelligent and Robotic Systems: Theory and Applications 126 cikkel és a Számítógépek és elektronika a mezőgazdaságban 98 cikkel. Míg a távérzékelés főként a drónok alkalmazására és fejlesztésére összpontosít, a Számítógépek és elektronika a mezőgazdaságban főként a mezőgazdasági számítógépes hardverek, szoftverek, elektronika és vezérlőrendszerek terén elért eredményeket fedi le. A határokon átnyúló üzletek, mint például az IEEE Robotics and Automation Letters 87 publikációval és az IEEE Access 34 publikációval, szintén a terület első számú piacai. A legjobb tizenöt kiadó 959 dokumentummal járult hozzá a szakirodalomhoz, ami az összes publikáció körülbelül 20.40%-a. Egy folyóirat-közi idézés elemzése lehetővé teszi számunkra, hogy megvizsgáljuk a publikációk fontosságát és hasonlóságát. Az együtt idézés elemzése három klasztert eredményez, amint az 5. ábrán látható. A vörös klaszter olyan folyóiratokból áll, mint a Távérzékelés, Számítástechnika és elektronika a mezőgazdaságban, Szenzorok,
és az International Journal of Remote Sensing. Mindezek az üzletek nagy tekintélyű folyóiratok a távérzékelés és a precíziós mezőgazdaság területén. A zöld klaszter robotikával foglalkozó folyóiratokat tartalmaz, mint például a Journal of Intelligent and Robotic Systems: Theory and Applications, az IEEE Robotics and Automation Letters, az IEEE Access és a Drones. Ezek az üzletek többnyire automatizálással kapcsolatos cikkeket adnak ki, és hasznosak a mezőgazdasági mérnökök számára. A végső klasztert az agronómiával és agrármérnökséggel kapcsolatos folyóiratok alkotják, mint például az Agronomy és az International Journal of Agricultural and Biological Engineering.
A mezőgazdasági drónokkal kapcsolatos kutatások 15 legjobb folyóirata.
Rang | Folyóirat | Gróf |
1 | Távérzékelés | 258 |
2 | Journal of Intelligent and Robotic Systems: Theory and Alkalmazási területek | 126 |
3 | Számítógépek és elektronika a mezőgazdaságban | 98 |
4 | IEEE Robotics and Automation Letters | 87 |
5 | Érzékelők | 73 |
6 | International Journal of Remote Sensing | 42 |
7 | Precíziós mezőgazdaság | 41 |
8 | Drónok | 40 |
9 | Mezőgazdasági üzemtan | 34 |
10 | IEEE hozzáférés | 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 |
Következtetés
Összegzésként
Ebben a tanulmányban összefoglaltuk és elemeztük a mezőgazdasági drónokkal kapcsolatos meglévő kutatásokat. Különféle bibliometriai technikák alkalmazásával törekedtünk a mezőgazdasági drónokkal kapcsolatos kutatások szellemi felépítésének jobb megértésére. Összefoglalva, áttekintésünk számos hozzájárulást kínál a szakirodalomban található kulcsszavak azonosításával és megvitatásával, tudásklaszterek feltárásával, szemantikailag hasonló közösségek kialakításával a drónok területén, felvázolja a korábbi kutatásokat, és javaslatokat tesz a jövőbeli kutatási irányokra. Az alábbiakban felvázoljuk a mezőgazdasági drónok fejlesztésével kapcsolatos áttekintés főbb megállapításait:
• Az általános irodalom gyorsan bővült, és óriási figyelmet kapott az elmúlt évtizedben, amint azt a cikkek számának 2012 utáni növekedése is jelzi. Annak ellenére, hogy ez a tudásterület még nem éri el teljes érettségét (Barrientos et al., 2011; Maes & Steppe, 2019), számos kérdés még mindig megválaszolatlan. Például a drónok beltéri gazdálkodásban való hasznossága továbbra is vita tárgyát képezi (Aslan és mtsai, 2022; Krul és mtsai, 2021; Rold' an et al., 2015). A terepi jelenetek összetettsége és a különböző képalkotási körülmények (pl. árnyékok és megvilágítás) magasabb spektrális osztályon belüli varianciát eredményezhetnek (Yao et al., 2019). Még a későbbi kutatási fázisokban is kihívást jelentett a kutatóknak az optimális repülési tervek meghatározása az adott forgatókönyvek és a szükséges képminőség szerint (Soares et al., 2021; Tu et al.,
2020).
• Megfigyeltük, hogy a terület előrehaladt a hatékony UAV-rendszerek fejlesztésétől az olyan mesterséges intelligencia technikák beépítéséig, mint a gépi tanulás és a mély tanulás a mezőgazdasági drónok tervezésébe (Bah et al., 2018; Kitano et al., 2019; Maimaitijiang et al. , 2020; Mazzia et al., 2020; Tetila és mtsai, 2020).
• A mezőgazdasági drónokkal kapcsolatos kutatások túlnyomórészt a távérzékelést tárgyalták, feltárva a technológia lehetőségeit a környezeti megfigyelésben, a termésgazdálkodásban és a gyomirtásban (1. klaszter), valamint a távoli fenotipizálásban és termésbecslésben (2. klaszter). A mezőgazdasági drónokkal kapcsolatos befolyásos tanulmányok sorozata közé tartozik Austin (2010), Berni és munkatársai. (2009)a, Herwitz et al. (2004), Nex és Remondino (2014), valamint Zhang és Kovács (2012). Ezek a tanulmányok fejlesztették ki a drónokkal kapcsolatos kutatások fogalmi alapjait a mezőgazdasággal összefüggésben.
• A módszertannal kapcsolatban megfigyeltük, hogy az eddig végzett kutatások többsége rendszertervezési, koncepcionális vagy áttekintésen alapuló tanulmányokból állt (Inoue, 2020; Nex & Remondino, 2014; P´erez-Ortiz et al. , 2015; Yao et al., 2019). Azt is észrevesszük, hogy hiányoznak az empirikus, kvalitatív és esettanulmányon alapuló módszerek a mezőgazdasági drónok vizsgálatában.
• A közelmúltban a precíziós mezőgazdasággal, mesterséges intelligencia technikákkal, precíziós szőlőtermesztéssel és a vízterhelés felmérésével kapcsolatos témák felkeltették a figyelmet (Espinoza et al., 2017; Gomez-Cand ´ on ´ et al., 2016; Matese et al., 2015; Matese és Di Gennaro, 2018, 2021; Z. Zhou et al., 2021). A kutatási klaszterek alapos vizsgálata két külön korszakban, 1990–2010 és 2011–2021 között feltárja a terület szellemi struktúrájának fejlődését. Az 1990-től 2010-ig tartó időszak a központi fogalmak és a drónok koncepcióinak felépítését jelentette, ami nyilvánvaló az UAV tervezésének, fejlesztésének és megvalósításának tárgyalásából. A második korszakban a kutatás fókusza a korábbi tanulmányokra bővül, erőfeszítéseket tesz az UAV mezőgazdasági felhasználási eseteinek szintetizálására. Számos tanulmányt is találtunk, amelyek a drónalkalmazásokat tárgyalják a képalkotási feladatokban és a precíziós mezőgazdaságban.
Rang | Folyóirat | Gróf |
1 | Távérzékelés | 258 |
2 | Journal of Intelligent and Robotic Systems: Theory and | 126 |
Alkalmazási területek | ||
3 | Számítógépek és elektronika a mezőgazdaságban | 98 |
4 | IEEE Robotics and Automation Letters | 87 |
5 | Érzékelők | 73 |
6 | International Journal of Remote Sensing | 42 |
7 | Precíziós mezőgazdaság | 41 |
8 | Drónok | 40 |
9 | Mezőgazdasági üzemtan | 34 |
10 | IEEE hozzáférés | 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 |
Következmények
Bibliometriai áttekintésünket a tudósok, gazdálkodók, mezőgazdasági szakértők, növénytermesztési tanácsadók és UAV-rendszertervezők szem előtt tartásával terveztük és végeztük. A szerzők legjobb tudása szerint ez az egyik első olyan eredeti áttekintés, amely mélyreható bibliometrikus elemzést végzett
drónalkalmazások a mezőgazdaságban. Átfogó áttekintést hajtottunk végre ennek a tudásanyagnak a publikációinak hivatkozási és együttidézési elemzése alapján. A drónkutatás szellemi struktúrájának leírására tett kísérleteink szintén új meglátásokat kínálnak az akadémikusok számára. Az idők során használt kulcsszavak alapos áttekintése feltárja a drónokkal kapcsolatos szakirodalom hotspotjait és fókuszpontjait. Továbbá bemutatjuk a legtöbbet idézett tanulmányok listáját, hogy azonosítsuk a témában végzett leghatásosabb kutatási munkákat. A cikkek és kulcsszavak azonosítása következésképpen szilárd kiindulópontot jelenthet a jövőbeli tanulmányok számos útjának feltárásához.
Fontos, hogy feltártunk olyan klasztereket, amelyek összehasonlítható munkákat osztályoznak, és részletesen kidolgoztuk az eredményeket. A klaszterekbe sorolt tanulmányok segítenek megérteni az UAV-kutatás intellektuális struktúráját. Figyelemre méltó, hogy kevés olyan tanulmányt fedeztünk fel, amelyek a drónok elfogadási tényezőit vizsgálják
és akadályok a mezőgazdasági tevékenységekben (lásd 9. táblázat). A jövő kutatói orvosolhatják ezt a lehetséges hiányosságot empirikus vizsgálatokkal, amelyek értékelik a drónok elfogadási tényezőit a különböző gazdálkodási tevékenységekben és éghajlati viszonyok között. Ezenkívül a drónok hatékonyságával kapcsolatos esettanulmányokon alapuló kutatásokat valós, a területről származó adatokkal kell alátámasztani. Emellett a gazdálkodók és vezetők bevonása az akadémiai kutatásba előnyös lenne a drónkutatás elméleti és gyakorlati előrehaladása szempontjából is. Sikerült beazonosítanunk a legkiemelkedőbb kutatókat és hozzájárulásaikat is, ami azért értékes, mert a közelmúlt alapvető munkáinak ismerete némi útmutatást nyújthat a jövőbeli tudományos törekvésekhez.
Táblázat 9
UAV elfogadásának akadályai.
Korlát | Leírás |
Adatbiztonság | A kiberbiztonság nagy kihívást jelent a megvalósításban IoT-megoldások (Masroor et al., 2021). |
Átjárhatóság és integráció | Különféle technológiák, például UAV, WSN, IoT stb. integrálni kell és adatokat kell továbbítani, amelyek növelje a komplexitás szintjét (Alsamhi et al., 2021; Popescu et al., 2020; Vuran et al., 2018). |
Megvalósítási költségek | Ez különösen igaz a kistermelőkre és a különböző csúcstechnológiák integrálása ( Masroor et al., 2021). |
Munkaügyi ismeretek és szakvélemény | Az UAV-k üzemeltetéséhez szakképzett drónpilótákra van szükség. Emellett különféle élvonalbeli megoldások megvalósítása a technológiák képzett munkaerőt igényelnek (YB Huang et al., 2013; Tsouros et al., 2019). |
Motor teljesítmény és repülés időtartama | A drónok nem üzemeltethetők hosszú órákon át és lefedve nagy területek (Hardin & Hardin, 2010; Laliberte et al., 2007). |
Stabilitás, megbízhatóság és manőverezhetőség | A drónok nem stabilak rossz időjárási körülmények között (Hardin és Hardin, 2010; Laliberte et al., 2007). |
Terhelhetőségi korlátozások és érzékelők minősége | A drónok csak korlátozott terhelésű vezetékeket szállíthatnak alacsonyabb minőségű érzékelők betöltésének képessége (Nebiker és mtsai., 2008). |
Szabályozás | Mivel a drónok veszélyesek is lehetnek, vannak súlyosak szabályozás bizonyos területeken (Hardin & Jensen, 2011; Laliberte és Rango, 2011). |
A gazdák tudása és kamat | Más csúcstechnológiákhoz hasonlóan a drónok is a sikeres megvalósításhoz szakértelem és is kell bizonytalanság kíséri (Fisher et al., 2009; Lambert és mtsai, 2004; Stafford, 2000). |
Mivel folyamatosan szükség van a rendelkezésre álló erőforrások hatékony felhasználására a hozam maximalizálása érdekében, a gazdálkodók kihasználhatják a drónokat, hogy gyors, pontos és költséghatékony szkennelést végezhessenek a földeken. A technológia segítheti a gazdálkodókat abban, hogy meghatározzák terményeik állapotát, és felmérjék a víz állapotát, az érési szakaszt, a rovarfertőzéseket és a táplálkozási igényeket. A drónok távérzékelési képességei döntő fontosságú adatokkal szolgálhatnak a gazdálkodók számára a problémák korai szakaszában történő előrejelzéséhez és a megfelelő beavatkozások azonnali elvégzéséhez. A technológia előnyei azonban csak akkor realizálhatók, ha megfelelően kezelik a kihívásokat. Ennek fényében a
Az adatbiztonság jelenlegi problémái, a szenzortechnológiai kérdések (pl. a mérések megbízhatósága vagy pontossága), az integráció bonyolultsága és a jelentős megvalósítási költségek miatt a jövőbeni tanulmányoknak meg kell vizsgálniuk a mezőgazdasági drónok és egyéb vágások integrálásának műszaki, gazdasági és működési megvalósíthatóságát is. élvonalbeli technológiák.
korlátozások
Tanulmányunknak számos korlátja van. Először is, az eredményeket a végső elemzéshez kiválasztott publikációk határozzák meg. Nagy kihívást jelent a mezőgazdasági drónokkal kapcsolatos összes releváns tanulmány rögzítése, különösen a Scopus adatbázisban nem szereplők esetében. Ezenkívül az adatgyűjtési folyamat a keresési kulcsszavak beállítására korlátozódik, amelyek nem feltétlenül tartalmaznak mindent, és nem meggyőző eredményekhez vezetnek. Így a jövőbeni tanulmányoknak nagyobb figyelmet kell fordítaniuk az adatgyűjtés mögöttes kérdésére
megbízhatóbb következtetéseket. Egy másik korlátozás az alacsony hivatkozási számmal rendelkező új publikációkra vonatkozik. A bibliometrikus elemzés elfogult a korábbi publikációk felé, mivel az évek során általában több hivatkozást kapnak. A legújabb tanulmányoknak bizonyos időre van szükségük ahhoz, hogy felhívják magukra a figyelmet és felhalmozzák az idézeteket. Következésképpen a legújabb kutatások, amelyek paradigmaváltást hoznak, nem férnének be a tíz legnagyobb hatású munka közé. Ez a korlátozás elterjedt a gyorsan feltörekvő kutatási területek, például a mezőgazdasági drónok vizsgálatánál. Mivel a Scopusszal konzultáltunk e munka irodalmának tanulmányozása érdekében, a jövőbeli kutatók másként gondolkodhatnak
adatbázisok, például a Web of Science és az IEEE Xplore a horizont bővítése és a kutatási struktúra javítása érdekében.
A lehetséges bibliometriai tanulmányok más létfontosságú tudásforrásokat is figyelembe vehetnek, például konferenciaelőadásokat, fejezeteket és könyveket, hogy újszerű betekintést nyerjenek. Annak ellenére, hogy feltérképeztük és vizsgáltuk a mezőgazdasági drónokkal kapcsolatos globális publikációkat, eredményeink nem tárták fel az egyetemek tudományos eredményei mögött meghúzódó okokat. Ez megnyitja az utat egy új kutatási terület felé, amely minőségileg megmagyarázza, hogy egyes egyetemek miért termelékenyebbek másoknál, amikor a mezőgazdasággal kapcsolatos kutatásról van szó.
drónok. Ezen túlmenően a jövőbeli tanulmányok betekintést nyújthatnak a drónok azon lehetőségébe, hogy növeljék a gazdálkodás fenntarthatóságát számos módon, például környezeti megfigyelés, termésgazdálkodás és gyomtérképezés segítségével, amint azt több kutató is jelezte (Chamuah és Singh, 2019; Islam et al., 2021; Popescu és mtsai, 2020; J. Su, Liu és mtsai, 2018b). Mivel a szöveges elemzés a kiválasztott dolgozatok nagy száma miatt nem volt lehetséges, szükség van szisztematikus szakirodalmi áttekintésekre, amelyek a
alkalmazott kutatási módszerek és a gazdálkodók bevonása az előzetes vizsgálatokba. Röviden, a drónkutatással kapcsolatos elemzésünk feltárja ennek a tudásanyagnak a láthatatlan kapcsolatait. Ez az áttekintés tehát segít feltárni a publikációk közötti kapcsolatokat, és feltárja a kutatási terület intellektuális szerkezetét. Az irodalom különböző aspektusai, például a szerzők kulcsszavai, hovatartozásai és országok közötti kapcsolatokat is bemutatja.
Nyilatkozat a versenyző érdekről
A szerzők kijelentik, hogy nincsenek ismert versengő pénzügyi érdekeik vagy személyes kapcsolataik, amelyek befolyásolhatták volna a cikkben közölt munkát.
Függelék 1
TITLE-ABS-KEY (((drone* VAGY „pilóta nélküli légi jármű” VAGY uav* VAGY „pilóta nélküli légijármű rendszer” VAGY uas VAGY „távirányítású repülőgép”) ÉS (mezőgazdasági VAGY mezőgazdasági VAGY mezőgazdasági VAGY gazdálkodó))) ÉS (KIZÁRÁS (PUBYEAR, 2022)) AND (LIMIT-TO (NYELV, „angol”)).
Referenciák
Aasen, H., Burkart, A., Bolten, A., Bareth, G., 2015. 3D-s hiperspektrális információ generálása könnyű UAV-pillanatfelvétel-kamerákkal növényzetfigyeléshez: tól
kamera kalibrálása a minőségbiztosításhoz. ISPRS J. Photogramm. Remote Sens. 108, 245–259. https://doi.org/10.1016/j.isprsjprs.2015.08.002.
Abd-Elrahman, A., Pearlstine, L., Percival, F., 2005. Mintafelismerő algoritmus fejlesztése pilóta nélküli légijármű-képekből történő automatikus madárdetektáláshoz.
Felmérés. Land Inform. Sci. 65. (1), 37–45.
Abdollahi, A., Rejeb, K., Rejeb, A., Mostafa, MM, Zailani, S., 2021. Wireless sensor networks in agriculture: insights from bibliometric analysis. Fenntarthatóság 13 (21),
12011.
Aboutalebi, M., Torres-Rua, AF, Kustas, WP, Nieto, H., Coopmans, C., McKee, M., Assessment of different method for shadow detection in high-resolution optical imagesary and assessment of shadow effects on analysis az NDVI és az evapotransspiráció. Irrig. Sci. 37 (3), 407–429. https://doi.org/10.1007/s00271-018-0613-9.
Adao, ˜ T., Hruˇska, J., Padua, ´ L., Bessa, J., Peres, E., Morais, R., Sousa, JJ, 2017. Hyperspectral imaging: a review on UAV-based sensors, data feldolgozás és
mezőgazdasági és erdőgazdálkodási alkalmazások. Távérzékelés 9 (11). https://doi.org/ 10.3390/rs9111110.
Agüera Vega, F., Ramírez, FC, Saiz, MP, Rosúa, FO, 2015. Multi-temporal imaging using an unmanned aerial vehicle for monitoring a sunflower crop. Biosyst. Eng.
132, 19–27. https://doi.org/10.1016/j.biosystemseng.2015.01.008.
Ajayi, OG, Salubi, AA, Angbas, AF, Odigure, MG, 2017. Pontos digitális magassági modellek generálása UAV-ból alacsony százalékban átfedő képeket kapott. Int.
J. Remote Sens. 38 (8–10), 3113–3134. https://doi.org/10.1080/ 01431161.2017.1285085.
Ali, I., Greifeneder, F., Stamenkovic, J., Neumann, M., Notarnicola, C., 2015. Áttekintés a gépi tanulási megközelítésekről a biomassza és talajnedvesség visszakeresésére távérzékelési adatokból. Távérzékelés 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: Alkalmazások áttekintése
és stratégiákat. Hirdetés. Hoc. Netw. 117, 102505 https://doi.org/10.1016/j. adhoc.2021.102505.
Al-Thani, N., Albuainain, A., Alnaimi, F., Zorba, N., 2020. Drones for Sheep Livestock Monitoring. In: 20. IEEE Mediterrán Elektrotechnikai Konferencia. https://doi.
org/10.1109/MELECON48756.2020.9140588.
Ampatzidis, Y., Partel, V., 2019. UAV-alapú nagy áteresztőképességű fenotipizálás citrusfélékben multispektrális képalkotás és mesterséges intelligencia felhasználásával. Remote Sensing 11 (4), https://doi.org/10.3390/rs11040410.
Ampatzidis, Y., Partel, V., Costa, L., 2020. Agroview: Felhőalapú alkalmazás UAV-val gyűjtött adatok feldolgozására, elemzésére és megjelenítésére mesterséges intelligenciát használó precíziós mezőgazdasági alkalmazásokhoz. Comput. Elektron. Agric. 174, 105457 https://doi. org/10.1016/j.compag.2020.105457.
Ang, K.-L.-M., Seng, JKP, 2021. Big data és gépi tanulás hiperspektrális információkkal a mezőgazdaságban. IEEE Access 9, 36699–36718. https://doi.org/10.1109/
HOZZÁFÉRÉS.2021.3051196.
Aquilani, C., Confessore, A., Bozzi, R., Sirtori, F., Pugliese, C., 2022. Áttekintés: precíziós állattenyésztési technológiák legelőn alapuló állattartási rendszerekben. Animal 16 (1), https://doi.org/10.1016/j.animal.2021.100429.
Armenta-Medina, D., Ramirez-Delreal, TA, Villanueva-Vasquez, ´ D., Mejia-Aguirre, C., Fejlett információs és kommunikációs technológiák trendjei
mezőgazdasági termelékenység javítása: bibliometrikus elemzés. Agronomy 10 (12), 12. cikk. https://doi.org/10.3390/agronomy10121989.
Armstrong, I., Pirrone-Brusse, M., Smith, A., Jadud, M., 2011. The flying gator: to aerial robotics in occam-π. Commun. Folyamat építész. 2011, 329–340. https://doi. org/10.3233/978-1-60750-774-1-329.
Arora, SD, Chakraborty, A., 2021. A fogyasztói panaszkodási magatartás intellektuális szerkezete (CCB) kutatás: bibliometriai elemzés. J. Business Res. 122, 60–74.
Aslan, MF, Durdu, A., Sabanci, K., Ropelewska, E., Gültekin, SS, 2022.
Átfogó felmérés az UAV-val a precíziós mezőgazdaságról nyílt földeken és üvegházakban végzett legutóbbi tanulmányokról. Appl. Sci. 12 (3), 1047. https://doi.org/10.3390/
app12031047.
Atkinson, JA, Jackson, RJ, Bentley, AR, Ober, E. és Wells, DM (2018). Terepfenotipizálás a jövőért. In Annual Plant Reviews online (719–736. o.). János
Wiley & Sons, Ltd. doi: 10.1002/9781119312994.apr0651.
Austin, R., 2010. Pilóta nélküli repülőgép-rendszerek: UAVS tervezés, fejlesztés és telepítés. In: Pilóta nélküli repülőgép-rendszerek: UAVS tervezés, fejlesztés és
Telepítés. John Wiley és fiai. 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-alapú távérzékelés növényi stresszben. Képzelje el a nagy felbontású hőérzékelő használatát digitális mezőgazdasági gyakorlatokhoz: meta-áttekintés. Int. J. Environ. Sci. Technol. 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. Okos gazdálkodás: Lehetőségek, kihívások
és technológiai lehetőségeket. 2018 IoT Vertical és. Aktuális mezőgazdasági csúcstalálkozó – Toszkána (IOT Toszkána) 1–6. https://doi.org/10.1109/IOTTUSCANY.2018.8373043.
Bah, MD, Hafiane, A., Canals, R., 2018. Mély tanulás felügyelet nélküli adatcímkézéssel a gyomnövények kimutatásához UAV képeken. Távérzékelés 10 (11), 1690.
https://doi.org/10.3390/rs10111690.
Baldi, S., 1998. Normatív versus társadalomkonstruktivista folyamatok az idézetek allokációjában: hálózatelemző modell. Am. Sociol. Rev. 63 (6), 829–846. https://doi.
org/10.2307/2657504.
Baluja, J., Diago, MP, Balda, P., Zorer, R., Meggio, F., Morales, F., Tardaguila, J., 2012. Assessment of vineyard water status variability by thermo and multispectral
pilóta nélküli légi jármű (UAV) segítségével készült képek. Irrig. Sci. 30. (6), 511–522. https://doi.org/10.1007/s00271-012-0382-9.
Barabaschi, D., Tondelli, A., Desiderio, F., Volante, A., Vaccino, P., Val`e, G., Cattivelli, L., Next Generation tenyésztés. Plant Sci. 242, 3–13. https://doi.org/10.1016/j.
plantci.2015.07.010.
Barbedo, JGA, Koenigkan, LV, 2018. Perspektívák a pilóta nélküli légi rendszerek használatáról szarvasmarhák megfigyelésére. Outlook Agric. 47 (3), 214–222. https://doi.org/10.1177/0030727018781876.
Bareth, G., Aasen, H., Bendig, J., Gnyp, ML, Bolten, A., Jung, A., Michels, R., Soukkamaki, ¨ J., 2015. Low-weight and UAV-based hyperspectral full-frame kamerák
termények megfigyelésére: Spektrális összehasonlítás hordozható spektroradiométeres mérésekkel. 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., Légi távérzékelés a mezőgazdaságban: A terület lefedettségének gyakorlati megközelítése
és útvonaltervezés mini légi robotflották számára. 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. Felmérés az úttervezési algoritmusok alkalmazásáról több rotoros UAV-khoz in precizitásban
mezőgazdaság. J. Navig. 75. (2), 364–383.
Basnet, B., Bang, J., 2018. A tudásintenzív mezőgazdaság legkorszerűbb módja: áttekintés az alkalmazott érzékelőrendszerekről és adatelemzésről. J. Sens. 2018, 1–13.
Bendig, J., Bolten, A., Bareth, G., 2013. UAV-based imaging for multi-temporal, very high resolution crop surface model to monitoring crop growth variability. 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. Az árpa biomasszának becslése UAV-alapú RGB-képalkotásból származó termésfelszíni modellekkel (CSM-ek). Távérzékelés 6 (11), 10395–10412.
Bendig, J., Yu, K., Aasen, H., Bolten, A., Bennertz, S., Broscheit, J., Gnyp, ML, Bareth, G., 2015. UAV-based plant height from crop surface modellek,
látható és közeli infravörös vegetációs indexek az árpa biomassza monitorozására. Int. 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. A lombkorona vezetőképességének és CWSI-jének feltérképezése olajfaültetvényekben nagy felbontással
hőtávérzékelési képanyag. Remote Sens. Environ. 113 (11), 2380–2388. https://doi.org/10.1016/j.rse.2009.06.018.
Berni, JA, Zarco-Tejada, PJ, Suarez, ´L., Fereres, E., 2009b. Termikus és keskeny sávú multispektrális távérzékelés a növényzet megfigyeléséhez pilóta nélküli légi járműről. IEEE Trans. Geosci. Remote Sens. 47 (3), 722–738.
Bouzembrak, Y., Klüche, M., Gavai, A., Marvin, HJP, 2019. Internet of Things in food safety: Literature review and a bibliometric analysis. Trends Food Sci. Technol. 94,54–64. https://doi.org/10.1016/j.tifs.2019.11.002.
Brewster, C., Roussaki, I., Kalatzis, N., Doolin, K., Ellis, K., 2017. IoT in agriculture: Designing a Europe-wide large-scale pilot. IEEE Commun. Mag. 55 (9), 26–33.
Buters, TM, Belton, D., Cross, AT, 2019. Egyedi palánták és palántaközösségek többszenzoros UAV nyomon követése milliméteres pontossággal. Drónok 3 (4), 81.
https://doi.org/10.3390/drones3040081.
Candiago, S., Remondino, F., De Giglio, M., Dubbini, M., Gattelli, M., 2015. Multispektrális képek és vegetációs indexek értékelése precíziós gazdálkodási alkalmazásokhoz UAV-felvételekből. Távérzékelés 7 (4), 4026–4047. https://doi.org/10.3390/rs70404026.
Cao, Y., Li, GL, Luo, YK, Pan, Q., Zhang, SY, 2020. A cukorrépa növekedési mutatóinak megfigyelése UAV-ból származó széles dinamikus tartományú vegetációs index (WDRVI) segítségével
multispektrális képek. Comput. Elektron. Agric. 171, 105331 https://doi.org/10.1016/j.compag.2020.105331.
Casillas, J., Acedo, F., 2007. A családi vállalkozások irodalom intellektuális szerkezetének alakulása: az FBR bibliometriai vizsgálata. Family Business Rev. 20 (2), 141–162.
Cen, H., Wan, L., Zhu, J., Li, Y., Li, X., Zhu, Y., Weng, H., Wu, W., Yin, W., Xu, C., Bao, Y., Feng, L., Shou, J., He, Y., 2019. Dynamic monitoring of biomass of rice under
különböző nitrogénkezelések könnyű UAV-val, kettős képkeretes pillanatfelvétel-kamerákkal. Plant Methods 15 (1), 32. https://doi.org/10.1186/s13007-019-
0418-8.
Chamuah, A., Singh, R., 2019. A fenntarthatóság biztosítása az indiai mezőgazdaságban polgári UAV segítségével: felelős innovációs perspektíva. SN Appl. Sci. 2. cikk (1), 106. https://
doi.org/10.1007/s42452-019-1901-6.
Chamuah, A., Singh, R., 2022. A civil pilóta nélküli légijárművek (UAV) innovációinak felelős irányítása indiai terménybiztosítási alkalmazásokhoz. J. Felelős
Technol. 9, 100025 https://doi.org/10.1016/j.jrt.2022.100025.
Chen, A., Orlov-Levin, V., Meron, M., 2019. A termény lombkorona nagy felbontású, látható csatornás légi képalkotásának alkalmazása a precíziós öntözéskezeléshez. Agric. Víz
Manag. 216, 196–205. https://doi.org/10.1016/j.agwat.2019.02.017.
Daakir, M., Pierrot-Deseilligny, M., Bosser, P., Pichard, F., Thom, C., Rabot, Y., Martin, O., 2017. Könnyű UAV fedélzeti fotogrammetriával és egyfrekvenciás GPS helymeghatározással metrológiai alkalmazásokhoz. ISPRS J. Photogramm. Remote Sens. 127, 115–126. https://doi.org/10.1016/j.isprsjprs.2016.12.007.
Dawaliby, S., Aberkane, A., Bradai, A., 2020. Blockchain-alapú IoT platform autonóm drone műveletek kezeléséhez. In: Proceedings of the 2nd ACM
MobiCom Workshop a drónokkal támogatott vezeték nélküli kommunikációról 5G és azon túl, 31–36. https://doi.org/10.1145/3414045.3415939.
Day, RA, Gastel, B., 1998. Hogyan írjunk és publikáljunk tudományos cikket. Cambridge University Press. de Castro, AI, Pena, ˜ JM, Torres-Sanchez, ´ J., Jim´enez-Brenes, FM, ValenciaGredilla, F., Recasens, J., Lopez-Granados, ´ F., 2020. A cynodon dactylon infesting térképezése takarónövények automatikus döntési fa-OBIA eljárással és UAV képekkel a precíziós szőlőtermesztéshez. Remote Sensing 12 (1), 56. https://doi.org/10.3390/rs12010056.
de Castro, AI, Torres-S´anchez, J., Pena, ˜ JM, Jim´enez-Brenes, FM, Csillik, O., Lopez- ´Granados, F., 2018. An automatic random forest-OBIA algorithm for korai gyomfeltérképezés a vetéssorok között és azon belül UAV-képek segítségével. Távérzékelés 10 (2). https://doi.org/10.3390/rs10020285.
Demir, N., Sonmez, ¨ NK, Akar, T., Ünal, S., 2018. Automated Measurement of Plant Height of Wheat Genotypes using a DSM Derived from UAV Imagery. Proceedings 2 (7), 350. https://doi.org/10.3390/ecrs-2-05163.
Deng, J., Zhong, Z., Huang, H., Lan, Y., Han, Y., Zhang, Y., 2020. Könnyű szemantikus szegmentációs hálózat valós idejű gyomtérképezéshez pilóta nélküli légi járművek segítségével. Appl. Sci. 10 (20), 7132. https://doi.org/10.3390/app10207132.
Deng, L., Mao, Z., Li, X., Hu, Z., Duan, F., Yan, Y., 2018. UAV-based multispectral remote sensing for precision agriculture: a összehasonlítás a különböző kamerák között. ISPRS J. Photogramm. Remote Sens. 146, 124–136.
Diaz-Gonzalez, FA, Vuelvas, J., Correa, CA, Vallejo, VE, Patino, D., 2022. Gépi tanulási és távérzékelési technikák alkalmazott talajindikátorok becslésére – áttekintés. 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. Nagy felbontású légi UAV-képek az olajfa koronaparamétereinek értékeléséhez 3D-s fotó segítségével
rekonstrukció: alkalmazása tenyésztési kísérletekben. Távérzékelés 7 (4), 4213–4232. https://doi.org/10.3390/rs70404213.
Dixit, A., Jakhar, SK, 2021. Repülőtéri kapacitásmenedzsment: áttekintés és bibliometrikus elemzés. J. Air Transp. Manag. 91, 102010.
Dong, T., Shang, J., Liu, J., Qian, B., Jing, Q., Ma, B., Huffman, T., Geng, X., Sow, A., Shi, Y., Canisius, F., Jiao, X., Kovács, JM, Walters, D., Cable, J., Wilson, J., 2019.
RapidEye-képek használata a termésnövekedés és hozam táblán belüli változékonyságának azonosítására a kanadai Ontarióban. Precision Agric. 20 (6), 1231–1250. https://doi.org/10.1007/
s11119-019-09646-w.
Dutta, PK, Mitra, S., 2021. Mezőgazdasági drónok alkalmazása az élelmiszer-ellátási lánc megértéséhez a COVID-19 után. In: Choudhury, A., Biswas, A., Prateek, M.,
Chakrabarti, A. (szerk.), Agricultural Informatics: Automation Using the IoT and Machine Learning. Wiley, 67–87. van Eck, N., Waltman, L., 2009. Szoftverfelmérés: VOSviewer, számítógépes program bibliometriai leképezéshez. 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. Áttekintés az Internet of Things (IoT) és adatelemzésről a mezőgazdaságban: előnyök és kihívások.
IEEE Internet Things J. 5 (5), 3758–3773.
Enciso, J., Avila, CA, Jung, J., Elsayed-Farag, S., Chang, A., Yeom, J., Landivar, J., Maeda, M., Chavez, JC, 2019. Validation of Agronomic UAV és mező
paradicsomfajták mérései. Comput. Elektron. Agric. 158, 278–283. https://doi.org/10.1016/j.compag.2019.02.011.
Espinoza, CZ, Khot, LR, Sankaran, S., Jacoby, PW, 2017. Nagy felbontású multispektrális és termikus távérzékelésen alapuló vízstressz értékelés
felszín alatti öntözött szőlőtőkék. Remote Sensing 9 (9), 961. https://doi.org/ 10.3390/rs9090961.
Ewing, J., Oommen, T., Jayakumar, P., Alger, R., 2020. Hiperspektrális távérzékelés felhasználása talajgradációhoz. Remote Sensing 12 (20), 3312. ttps://doi.org/10.3390/
rs12203312.
Fawcett, D., Panigada, C., Tagliabue, G., Boschetti, M., Celesti, M., Evdokimov, A., Biriukova, K., Colombo, R., Miglietta, F., Rascher, U., Anderson, K., 2020. Drónalapú multispektrális felületi reflektancia és vegetációs indexek többlépcsős értékelése üzemi körülmények között. Távérzékelés 12 (3), 514.
Feng, X., Yan, F., Liu, X., 2019. Vezeték nélküli kommunikációs technológiák tanulmányozása a dolgok internetén a precíziós mezőgazdaságban. Vezeték nélküli személy Commun. 108. cikk (3),
1785-1802.
Ferreira, MP, Pinto, CF, Serra, FR, 2014. A tranzakciós költségek elmélete a nemzetközi üzleti kutatásban: bibliometrikus tanulmány három évtizeden át. Scientometrics 98 (3), 1899–1922. https://doi.org/10.1007/s11192-013-1172-8.
Fisher, P., Abuzar, M., Rab, M., Best, F., Chandra, S., 2009. Advances in precíziós mezőgazdaság Délkelet-Ausztráliában. I. szimulálandó regressziós módszertan
a gabonahozamok térbeli ingadozása a gazdálkodók történeti karámterméseinek és normalizált vegetációs indexének különbsége alapján. Crop Pasture Sci. 60 (9), 844–858.
Floreano, D., Wood, RJ, 2015. Tudomány, technológia és a kis autonóm drónok jövője. Nature 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: átfogó felmérés a feltörekvő technológiákról. IEEE CAA J. Autom. Sinica 8 (4), 718–752.
Fuentes-Pacheco, J., Torres-Olivares, J., Roman-Rangel, E., Cervantes, S., JuarezLopez, P., Hermosillo-Valadez, J., Rendon-Mancha, ´ JM, 2019. Fig plant segmentation légi felvételekről mélykonvolúciós kódoló-dekódoló hálózat segítségével. Remote Sensing 11 (10), 1157. https://doi.org/10.3390/rs11101157.
Gago, J., Douthe, C., Coopman, RE, Gallego, PP, Ribas-Carbo, M., Flexas, J., Escalona, J., Medrano, H., 2015. UAVs challenge to assessment water stress for
fenntartható mezőgazdaság. Agric. Vízgazdálkodás. 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. Termikus képalkotás üzemben
szint a mandulafák (Guara) termésvíz állapotának felmérésére hiányos öntözési stratégiák mellett. Agric. Vízgazdálkodás. 208, 176–186. https://doi.org/10.1016/j.
agwat.2018.06.002.
Garzonio, R., Di Mauro, B., Colombo, R., Cogliati, S., 2017. Felületi reflektancia és napindukált fluoreszcencia spektroszkópiai mérések kis hiperspektrális UAS használatával. Remote Sensing 9 (5), 472. https://doi.org/10.3390/rs9050472. Gaˇsparovi´c, M., Zrinjski, M., Barkovi´c, Đ., Radoˇcaj, D., 2020. An automatic method for
gyomtérképezés zabtáblákban UAV-felvételek alapján. Comput. Elektron. Agric.
Gebbers, R., Adamchuk, VI, 2010. Precíziós mezőgazdaság és élelmiszerbiztonság. Science 327 (5967), 828–831. https://doi.org/10.1126/science.1183899.
Geipel, J., Link, J., Claupein, W., 2014. A kukoricatermés kombinált spektrális és térbeli modellezése légifelvételek és pilóta nélküli repülőgép-rendszerrel szerzett termésfelszíni modellek alapján. Távérzékelés 6 (11), 10335–10355. https://doi.org/10.3390/rs61110335.
Geng, D., Feng, Y., Zhu, Q., 2020. Fenntartható tervezés felhasználók számára: irodalmi áttekintés és bibliometrikus elemzés. Environ. Sci. Szennyez. Res. 27 (24), 29824–29836. https://doi. org/10.1007/s11356-020-09283-1.
Gevaert, CM, Suomalainen, J., Tang, J., Kooistra, L., 2015. Spektrális időbeli válaszfelületek generálása multispektrális műhold és hiperspektrális kombinálásával
UAV képek precíziós mezőgazdasági alkalmazásokhoz. IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens. 8 (6), 3140–3146. ttps://doi.org/10.1109/JSTARS.2015.2406339.
Gill, SS, Chana, I., Buyya, R., 2017. Az IoT-alapú mezőgazdaság mint felhő és nagy adatszolgáltatás: a digitális India kezdete. J. Org. és a végfelhasználói számítás. (JOEUC) 29 (4),
1-23.
Gmür, M., 2006. Co-citation elemzés és a láthatatlan kollégiumok keresése: módszertani értékelés. Scientometrics 57 (1), 27–57. https://doi.org/10.1023/
a:1023619503005.
Gnadinger, ¨ F., Schmidhalter, U., 2017. Kukoricanövények digitális számlálása pilóta nélküli légijárművek (UAV) által. Távérzékelés 9 (6). https://doi.org/10.3390/rs9060544.
Gokto ¨ ǧan, AH, Sukkarieh, S., Bryson, M., Randle, J., Lupton, T., Hung, C., 2010. A Rotary-wing unmanned air vehicle for aquatic weed Surillance and
menedzsment. J. Intell. Robotrendszer: 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. Pilóta nélküli légijárművek (UAV) képeiből készült mozaikok pontosságának értékelése precíziós mezőgazdasági célokra búzában. Rövid kivonat. Agric. 15. (1), 44–56. https://doi.org/10.1007/s11119-013-9335-4.
Gomez-Cand ´ on, ´ D., Virlet, N., Labb´e, S., Jolivot, A., Regnard, J.-L., 2016. Field phenotyping of water stress at tree scale by UAV-sensed imagery : új meglátások a számára
hőfelvétel és kalibrálás. Rövid kivonat. Agric. 17 (6), 786–800. https://doi.org/10.1007/s11119-016-9449-6.
Gonzalez-Dugo, V., Zarco-Tejada, PJ, Fereres, E., 2014. A crop water stress index, as a indikátor a vízhiány indikátoraként citrus gyümölcsösökben, alkalmazhatósága és korlátai. Agric. Mert. 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. Nagy felbontású UAV hőképek használata
öt gyümölcsfafaj vízállapotának változékonyságának felmérése egy kereskedelmi gyümölcsösön belül. Rövid kivonat. Agric. 14 (6), 660–678. https://doi.org/10.1007/s11119-013-9322-9.
Goyal, K., Kumar, S., 2021. Pénzügyi műveltség: Szisztematikus áttekintés és bibliometrikus elemzés. Int. J. Consumer Studies 45 (1), 80–105. https://doi.org/10.1111/
ijcs.12605.
Grenzdorffer, ¨ GJ, Engel, A., Teichert, B., 2008. Az alacsony költségű uav-k fotogrammetriai potenciálja az erdőgazdálkodásban és a mezőgazdaságban. 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. A nagyfelbontású korreláció értékelése
NDVI a műtrágya kijuttatási szintjével és a rizs- és búzanövények hozamával kisméretű UAV-k használatával. Távérzékelés 11 (2), 112.
Gundolf, K., Filser, M., 2013. Menedzsmentkutatás és vallás: idézetelemzés. J. Bus. Etika 112 (1), 177–185.
Guo, Q., Zhu, Y., Tang, Y., Hou, C., He, Y., Zhuang, J., Zheng, Y., Luo, S., 2020. A térbeli CFD szimuláció és kísérleti ellenőrzése és időbeli eloszlása
egy négyrotoros mezőgazdasági UAV lebegő légáramlása lebegve. Comput. Elektron. 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. , Lengyelország, J., 2016.
Pilóta nélküli légi rendszerek alkalmazása nagy áteresztőképességű búzanemesítő faiskolák nagy teljesítményű fenotipizálására. Üzemmódszerek 12 (1). https://doi.org/10.1186/s13007-
016-0134-6.
Hakala, T., Honkavaara, E., Saari, H., Makynen, ¨ J., Kaivosoja, J., Pesonen, L., & Pol ¨ onen, ¨I., 2013. Spectral imaging from UAVs under variing lighting conditions . In GG Bill R. (szerk.), International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences – ISPRS Archives (40. kötet, 1W2. szám, 189–194. o.). Nemzetközi Fotogrammetriai és Távérzékelési Társaság. 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. A szigetek növényzetének feltérképezésének technikái pilóta nélküli légi úton
jármű (UAV) képek: Pixel osztályozás, vizuális értelmezés és gépi tanulási megközelítések. Int. 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. Intelligens gazdálkodás felelős vezetés révén Bangladesben: lehetőségek, lehetőségek és azon túl.
Fenntarthatóság 13 (8), 4511.
Hardin, PJ, Hardin, TJ, 2010. Kisméretű távolról irányított járművek a környezetkutatásban. Földrajzi Iránytű 4 (9), 1297–1311. ttps://doi.org/10.1111/j.1749-
8198.2010.00381.x.
Hardin, PJ, Jensen, RR, 2011. Kisméretű pilóta nélküli légi járművek a környezeti távérzékelésben: kihívások és lehetőségek. GISci. Remote Sens. 48 (1), 99–111. https://doi.org/10.2747/1548-1603.48.1.99.
He, Y., Nie, P., Zhang, Q., Liu, F., 2021. Agricultural Internet of Things: technológiák és alkalmazások, (1. kiadás, 2021-es kiadás). 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.
Képalkotás pilóta nélküli légi járműről: mezőgazdasági felügyelet és döntéstámogatás. Comput. Elektron. 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, High throughput field phenotyping of wheat plant height and growth rate in field plot trials using UAV based remote sensing. Távérzékelés 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. Feldolgozás és értékelés spektrometrikus, sztereoszkópikus képek, amelyeket könnyű UAV spektrális kamerával gyűjtöttek a precíziós mezőgazdasághoz. Távérzékelés 5 (10), 5006–5039. https://doi.org/10.3390/rs5105006.
Hossein Motlagh, N., Taleb, T., Arouk, O., 2016. Alacsony magasságban pilóta nélküli légijárművek alapú dolgok internetes szolgáltatások: átfogó felmérés és jövőbeli kilátások. 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. Városi kanyonok kombinált optikai áramlása és sztereó alapú navigációja UAV számára. In: 2005 IEEE/RSJ
Intelligens Robotok és Rendszerek Nemzetközi Konferencia, 3309–3316. https://doi.org/10.1109/IROS.2005.1544998.
Hsu, T.-C., Yang, H., Chung, Y.-C., Hsu, C.-H., 2020. A Creative IoT agriculture platform for cloud köd computing. Fenntartani. Comput. Inf. Syst. 28, 100285.
Huang, H., Deng, J., Lan, Y., Yang, A., Deng, X., Zhang, L., Gonzalez-Andujar, JL, 2018. A teljesen konvolúciós hálózat a pilóta nélküli légijárművek gyomtérképezéséhez ( UAV) képek. PLoS ONE 13 (4), e0196302.
Huang, H., Lan, Y., Yang, A., Zhang, Y., Wen, S., Deng, J., 2020. Deep learning versus Object-based Image Analysis (OBIA) az UAV-képek gyomtérképezésében. Int. J.
Remote Sens. 41 (9), 3446–3479. https://doi.org/10.1080/01431161.2019.1706112.
Huang, H., Yang, A., Tang, Y., Zhuang, J., Hou, C., Tan, Z., Dananjayan, S., He, Y., Guo, Q., Luo, S., 2021. Mély színkalibráció az UAV-képekhez a termésfigyelés során
szemantikai stílustranszfer használata lokális és globális figyelem mellett. Int. 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. Pilóta nélküli légijármű-technológiák fejlesztése és kilátásba helyezése mezőgazdasági termeléshez
menedzsment. Int. 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. Permetezőrendszer fejlesztése pilóta nélküli légijármű-platformhoz. Appl. Eng. Agric. 25 (6), 803–809.
Hunt Jr., ER, Dean Hively, W., Fujikawa, SJ, Linden, DS, Daughtry, CST, McCarty, GW, 2010. NIR-zöld-kék digitális fényképek beszerzése innen
pilóta nélküli repülőgép a termésfigyeléshez. Távérzékelés 2 (1), 290–305. https://doi. org/10.3390/rs2010290. Inoue, Y., 2020. Termények és talajok műhold- és drónalapú távérzékelése az intelligens gazdálkodáshoz – áttekintés. Soil Sci. Plant Nutr. 66 (6), 798–810. https://doi.org/10.1080/00380768.2020.1738899.
Islam, N., Rashid, MM, Pasandideh, F., Ray, B., Moore, S., Kadel, R., 2021. Alkalmazások és kommunikációs technológiák áttekintése az Internet of Things (IoT) és
Pilóta nélküli légi jármű (UAV) alapú fenntartható intelligens gazdálkodás. Fenntarthatóság 13 (4), 1821. https://doi.org/10.3390/su13041821.
Jaud, M., Passot, S., Le Bivic, R., Delacourt, C., Grandjean, P., Le Dantec, N., 2016. Assessing the accuracy of high resolution digital surface model computed by
A PhotoScan® és a MicMac® nem optimális felmérési körülmények között. Remote Sensing 8 (6), https://doi.org/10.3390/rs8060465.
Jim´enez-Brenes, FM, Lopez-Granados, ´F., Castro, AI, Torres-S´anchez, J., Serrano, N., Pena, ˜ JM, 2017. A metszés hatásainak mennyiségi meghatározása az olajfa építészetére és az éves lombkorona növekedése UAV-alapú 3D modellezéssel. Üzemmódszerek 13 (1). https://doi.org/10.1186/s13007-017-0205-3.
Jin, X., Liu, S., Baret, F., Hemerl´e, M., Comar, A., 2017. A búzanövények növénysűrűségének becslése keléskor nagyon alacsony magasságú UAV-képekből. Remote Sens.
Environ. 198, 105–114. https://doi.org/10.1016/j.rse.2017.06.007.
Jinbo, C., Xiangliang, C., Han-Chi, F., Lam, A., 2019. Felhőalapú számítástechnikával támogatott mezőgazdasági termékfigyelő rendszer. Cluster Comput. 22 (4), 8929–8938.
Ju, C. és Son, HI 2018a. Több UAV-rendszer teljesítményének értékelése mezőgazdasági távérzékeléshez. Proceedings of the Workshop on Robotic Vision and Action in Agriculture at IEEE International Conference on Robotics and Automation (ICRA), Brisbane, Ausztrália, 21–26.
Ju, C., Son, HI, 2018b. Több UAV rendszer mezőgazdasági alkalmazásokhoz: ellenőrzés, megvalósítás és értékelés. Electronics 7 (9), 162. https://doi.org/10.3390/
elektronika7090162.
Jung, J., Maeda, M., Chang, A., Bhandari, M., Ashapure, A., Landivar-Bowles, J., 2021. A távérzékelésben és a mesterséges intelligenciában rejlő lehetőségek, mint a
a mezőgazdasági termelési rendszerek rugalmassága. Curr. Opin. Biotechnol. 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. Egy továbbfejlesztett terményfelderítési technika, amely a pilóta nélküli légijárművel segített multispektrális terményképalkotást beépíti a görögdinnye nyúlós fertőzésének hagyományos felderítési gyakorlatába. Plant Dis. 103 (7), 1642–1650.
Kapoor, KK, Tamilmani, K., Rana, NP, Patil, P., Dwivedi, YK, Nerur, S., 2018. Advances in social media research: past, present and future. Tájékoztassa. Syst. Elülső. 20
(3), 531-558.
Kerkech, M., Hafiane, A., Canals, R., 2020. VddNet: szőlőbetegség-detektáló hálózat multispektrális képeken és mélységtérképen. Távérzékelés 12 (20), 3305. https://doi. org/10.3390/rs12203305.
Khaliq, A., Comba, L., Biglia, A., Ricauda Aimonino, D., Chiaberge, M., Gay, P., 2019. Műholdas és UAV-alapú multispektrális képek összehasonlítása szőlőültetvényeken
változékonyság értékelése. Távérzékelés 11 (4). https://doi.org/10.3390/rs11040436.
Khan, PW, Byun, Y.-C., Park, N., 2020. IoT-blockchain-kompatibilis, optimalizált származási rendszer az élelmiszeripar 4.0-hoz fejlett mély tanulással. Érzékelők 20 (10), 2990.
Khan, RU, Khan, K., Albattah, W., Qamar, AM, Ullah, F., 2021. Növénybetegségek képalapú kimutatása: a klasszikus gépi tanulástól a mély tanulási utazásig. Vezeték nélküli kommunikáció. Mobil számítógép. 2021, 1–13.
Khan, S., Tufail, M., Khan, MT, Khan, ZA, Iqbal, J., Alam, M., Le, KNQ, 2021. Új, félig felügyelt keretrendszer az UAV alapú termény-/gyomosztályozáshoz. PLoS ONE 16 (5), e0251008.
Khanal, S., Fulton, J., Shearer, S., 2017. A hőtávérzékelés jelenlegi és lehetséges alkalmazásainak áttekintése a precíziós mezőgazdaságban. Comput. Elektron.
Agric. 139, 22–32. https://doi.org/10.1016/j.compag.2017.05.001.
Khanna, A., Kaur, S., 2019. Az Internet of Things (IoT) fejlődése és jelentős hatása a precíziós mezőgazdaság területén. Comput. Elektron. Agric. 157, 218–231.
Kim, W., Khan, GF, Wood, J., Mahmood, MT, 2016. Munkavállalói elkötelezettség a fenntartható szervezetek számára: kulcsszóelemzés közösségi hálózatok elemzésével és sorozatfelvétellel
észlelési megközelítés. Fenntarthatóság 8 (7), 631.
Kirsch, M., Lorenz, S., Zimmermann, R., Tusa, L., Mockel, ¨ R., Hodl, ¨ P., Booysen, R., Khodadadzadeh, M., Gloaguen, R., 2018. Integráció földi és drónok által szállított
hiperspektrális és fotogrammetriai érzékelő módszerek kutatási térképezéshez és bányászati monitoringhoz. Remote Sensing 10 (9), 1366. https://doi.org/10.3390/
rs10091366.
Kitano, BT, Mendes, CCT, Geus, AR, Oliveira, HC, Souza, JR, 2019. Kukoricanövény-számlálás mély tanulással és UAV-képekkel. IEEE Geosci. Remote Sens. Lett. 1–5 https://doi.org/10.1109/LGRS.2019.2930549.
Koh, JCO, Spangenberg, G., Kant, S., 2021. Automatizált gépi tanulás nagy teljesítményű képalapú növényi fenotipizáláshoz. Távérzékelés 13 (5), 858. https://
doi.org/10.3390/rs13050858.
Kovalev, IV, Voroshilova, AA, 2020. Modern technológiai trendek a teherszállító UAV-ok ökoszisztémájának fejlesztésében. J. Phys. Konf. Ser. 1515 (5), 052068 https://doi. org/10.1088/1742-6596/1515/5/052068.
Krul, S., Pantos, C., Frangulea, M., Valente, J., 2021. Vizuális SLAM beltéri állattartáshoz és gazdálkodáshoz egy kis drónnal monokuláris kamerával: megvalósíthatósági tanulmány.
Drones 5 (2), 41. https://doi.org/10.3390/drones5020041.
Kulbacki, M., Segen, J., Knie´c, W., Klempous, R., Kluwak, K., Nikodem, J., Kulbacka, J., Serester, A., 2018. Survey of drone for agriculture automation ültetéstől ig
aratás. In: INES 2018 – IEEE 22nd International Conference on Intelligent Engineering Systems, 000353–358. https://doi.org/10.1109/INES.2018.8523943.
Lagkas, T., Argyriou, V., Bibi, S., Sarigiannidis, P., 2018. UAV IoT keretrendszer nézetek és kihívások: a drónok mint „dolgok” védelme felé. Sensors 18 (11), 4015. https://doi.org/10.3390/s18114015.
Laliberte, AS, Rango, A., 2011. Képfeldolgozási és osztályozási eljárások pilóta nélküli légijárművel szárazföld felett szerzett deciméter alatti képek elemzéséhez
erdővidékek. GISci. Remote Sens. 48 (1), 4–23. https://doi.org/10.2747/1548-1603.48.1.4.
Laliberte, AS, Rango, A., Herrick, JE, 2007. Pilóta nélküli légi járművek hegyvidéki térképezéshez és megfigyeléshez: két rendszer összehasonlítása. ASPRS éves konferencia anyaga.
Lam, OHY, Dogotari, M., Prüm, M., Vithlani, HN, Roers, C., Melville, B., Zimmer, F., Becker, R., 2021. Nyílt forráskódú munkafolyamat gyomtérképezéshez natív gyepben
pilóta nélküli légijármű használata: A Rumex obtusifolius alkalmazása esettanulmányként. 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. A precíziós gazdálkodási adatok átvétele, jövedelmezősége és jobb felhasználása.
Munkapapír. Purdue Egyetem. https://doi.org/10.22004/ag.econ.28615.
Lelong, CCD, Burger, P., Jubelin, G., Roux, B., Labb´e, S., Baret, F., 2008. Assessment of unmanned aerial vehicles images for quantitative monitoring of wheat crop in small parkets. Érzékelők 8 (5), 3557–3585. https://doi.org/10.3390/s8053557.
Li, C., Niu, B., 2020. Intelligens mezőgazdaság tervezése big data és a dolgok internete alapján. Int. J. Distrib. Sens. Netw. 16 (5) ttps://doi.org/10.1177/1550147720917065.
Li, W., Niu, Z., Chen, H., Li, D., Wu, M., Zhao, W., 2016. A kukorica lombkorona magasságának és föld feletti biomasszának távoli becslése nagy felbontású sztereó képek segítségével alacsony költségű pilóta nélküli légijármű-rendszer. Ecol. Ind. 67, 637–648. https://doi.org/10.1016/j.ecolind.2016.03.036.
Liakos, KG, Busato, P., Moshou, D., Pearson, S., Bochtis, D., 2018. Machine learning in agriculture: a review. Érzékelők 18 (8), 2674.
Liebisch, F., Kirchgessner, N., Schneider, D., Walter, A., Hund, A., 2015. Kukorica jellemzőinek távoli, légi fenotipizálása mobil multi-szenzoros megközelítéssel. Plant Methods 11 (1), 9. https://doi.org/10.1186/s13007-015-0048-8.
Lin, Z., Guo, W., 2020. Cirok panicle észlelése és számlálása pilóta nélküli légirendszer-képek és mély tanulás segítségével. Elülső. Plant Sci. 11.
Liu, S., Guo, L., Webb, H., Ya, X., Chang, X., 2019. Internet of Things Monitoring system of modern eco-agriculture based on cloud computing. IEEE Access 7, 37050–37058.
Lopez-Granados, ´ F., 2011. Gyomérzékelés helyspecifikus gyomirtáshoz: térképezés és valós idejű megközelítések. 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. Egy füves gyomnövény korai objektum alapú monitorozása fűben nagy felbontású UAV-képekkel. Agron. Fenntartani. 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. Szezon eleji gyomtérképezés napraforgóban UAV technológiával: a herbicid kezelési térképek változékonysága a gyomküszöbök függvényében. Rövid kivonat. Agric. 17 (2), 183–199.
Lucieer, A., Malenovský, Z., Veness, T., Wallace, L., 2014. HyperUAS – imaging spectroscopy from a multirotor unmanned aircraft system. J. Field Rob. 31. cikk (4),
571–590. https://doi.org/10.1002/rob.21508.
Lumme, J., Karjalainen, M., Kaartinen, H., Kukko, A., Hyyppa, ¨ J., Hyypp¨ a, H., Jaakkola, A., & Kleemola, J., 2008. Terrestrial laser scanning of mezőgazdasági termények. JJ-ben
Chen J. Maas H–G. (Szerk.), International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences – ISPRS Archives (37. kötet, 563–566. o.).
Nemzetközi Fotogrammetriai és Távérzékelési Társaság. https://www.scopus .com/inward/record.uri?eid=2-s2.0-84919356328&partnerID=40&md5=574
b802131a99d16318ce619a01ca1bf.
Ma, L., Li, M., Ma, X., Cheng, L., Du, P., Liu, Y., 2017. A overvised objectbased land-cover image classification felülvizsgálata. ISPRS J. Photogramm. Remote Sens. 130,
277–293. https://doi.org/10.1016/j.isprsjprs.2017.06.001.
Maes, WH, Steppe, K., 2019. Perspektívák pilóta nélküli légi járművekkel végzett távérzékeléshez a precíziós mezőgazdaságban. Trends Plant Sci. 24. (2), 152–164. https://doi.org/10.1016/j.tplants.2018.11.007.
Maimaitijiang, M., Ghulam, A., Sidike, P., Hartling, S., Maimaitiyiming, M., Peterson, K., Shavers, E., Fishman, J., Peterson, J., Kadam, S., Burken, J., Fritschi, F., 2017.
Pilóta nélküli légi rendszer (UAS) alapú szójabab fenotipizálása többszenzoros adatfúzió és extrém tanulógép segítségével. ISPRS J. Photogramm. Remote Sens. 134, 43–58. https://doi.org/10.1016/j.isprsjprs.2017.10.011. Maimaitijiang, M., Sagan, V., Sidike, P., Daloye, AM, Erkbol, H., Fritschi, FB, 2020.
Termésfigyelés műholdas/UAV-adatfúzió és gépi tanulás segítségével. Remote Sensing 12 (9), 1357. https://doi.org/10.3390/rs12091357.
Manfreda, S., McCabe, M., Miller, P., Lucas, R., Pajuelo Madrigal, V., Mallinis, G., Ben Dor, E., Helman, D., Estes, L., Ciraolo, G ., Müllerova, ´ J., Tauro, F., de Lima, M., de
Lima, J., Maltese, A., Frances, F., Caylor, K., Kohv, M., Perks, M., Ruiz-P´erez, G., Su, Z., Vico, G., Tóth , B., 2018. A pilóta nélküli légi rendszerek használatáról a
környezeti megfigyelés. Távérzékelés 10 (4), 641.
Marinko, RA, 1998. Hivatkozások nőtudományi folyóiratokhoz értekezésekben, 1989 és 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. Multiszenzoros UAV platform gyakorlati alkalmazásai, amelyek precíziós multispektrális, termikus és RGB nagyfelbontású képeken alapulnak
szőlőművelés. Agriculture 8 (7), 116. https://doi.org/10.3390/agriculture8070116.
Matese, A., Di Gennaro, SF, 2021. A hagyományos NDVI-indexen túl, amely kulcsfontosságú tényező az UAV használatának általános érvényesítéséhez a precíziós szőlőtermesztésben. Sci. Rep. 11 (1), 2721. https://doi.org/10.1038/s41598-021-81652-3.
Matese, A., Toscano, P., Di Gennaro, SF, Genesio, L., Vaccari, FP, Primicerio, J., Belli, C., Zaldei, A., Bianconi, R., Gioli, B., 2015 UAV, repülőgép összehasonlítása
és műholdas távérzékelő platformok a precíziós szőlőtermesztéshez. Távérzékelés 7 (3), 2971–2990. https://doi.org/10.3390/rs70302971.
Mazzia, V., Comba, L., Khaliq, A., Chiaberge, M., Gay, P., 2020. UAV és gépi tanuláson alapuló pontosítás a műholdas vezérelt vegetációs indexről
mezőgazdaság. Sensors 20 (9), 2530. https://doi.org/10.3390/s20092530.
McCain, KW, 1990. A szerzők feltérképezése intellektuális térben: technikai áttekintés. J. Am. Soc. Info. Sci. 41 (6), 433–443.
Meinen, BU, Robinson, DT, 2021. Mezőgazdasági erózió modellezés: USLE és WEPP terepi erózióbecslések értékelése UAV idősoros adatok felhasználásával. Environ. Modell. Szoftver 137, 104962. https://doi.org/10.1016/j.envsoft.2021.104962.
Melville, B., Lucieer, A., Aryal, J., 2019. Síkvidéki őshonos gyepközösségek osztályozása hiperspektrális pilóta nélküli légi járműrendszer (UAS) képalkotás segítségével
Tasmán középvidék. Drónok 3 (1), 5.
Messina, G., Modica, G., 2020. Az UAV hőfelvételek alkalmazása a precíziós mezőgazdaságban: a technika állása és a jövőbeli kutatási kilátások. Remote Sensing 12 (9), https://doi.org/10.3390/rs12091491.
Mishra, D., Luo, Z., Jiang, S., Papadopoulos, T., Dubey, R., 2017. Bibliográfiai tanulmány a big data-ról: koncepciók, trendek és kihívások. Business Process Manag. J. 23 (3),
555-573.
Mochida, K., Saisho, D., Hirayama, T., 2015. Terményjavítás szántóföldi körülmények között szerzett életciklus-adatkészletek felhasználásával. Elülső. Plant Sci. 6 https://doi.org/10.3389/
fpls.2015.00740.
Mogili, UM.R., Deepak, BBVL, 2018. Áttekintés a drónrendszerek precíziós mezőgazdaságban történő alkalmazásáról. Procedia Comput. Sci. 133, 502–509.
Moharana, S., Dutta, S., 2016. A rizs klorofill- és nitrogéntartalmának térbeli változékonysága hiperspektrális képekből. ISPRS J. Photogramm. Remote Sens. 122, 17–29.
Muangprathub, J., Boonnam, N., Kajornkasirat, S., Lekbangpong, N., Wanichsombat, A.,
Nillaor, P., 2019. IoT és mezőgazdasági adatelemzés az intelligens farmokhoz. Comput. Elektron. Agric. 156, 467–474.
Nansen, C., Elliott, N., 2016. Távérzékelés és reflexiós profilalkotás az entomológiában. Annu. Entomol tiszteletes. 61. (1), 139–158. https://doi.org/10.1146/annurev-ento010715-023834.
Navia, J., Mondragon, I., Patino, D., Colorado, J., 2016. Multispectral mapping in agriculture: terrain mosaic using an autonomous quadcopter UAV. Int. Konf.
Pilóta nélküli repülőgép rendszer. (ICUAS) 2016, 1351–1358. https://doi.org/10.1109/ ICUAS.2016.7502606.
Nayyar, A., Nguyen, B.-L., Nguyen, NG, 2020. A drone dolgok internetje (Iodt): az intelligens drónok jövőképe. Adv. Intell. Syst. Comput. 1045, 563–580. https://doi.org/10.1007/978-981-15-0029-9_45.
Nebiker, S., Annen, A., Scherrer, M., Oesch, D., 2008. Könnyű, multispektrális érzékelő mikro UAV-hoz – nagyon nagy felbontású légi távérzékelés lehetőségei. Int. Boltív. Photogramm. Remote Sens. Spat. Inf. Sci 37 (B1), 1193–1200.
Negash, L., Kim, H.-Y., Choi, H.-L., 2019. Emerging UAV application in agriculture. In: 2019 7th International Conference on Robot Intelligence Technology és
Pályázatok (RiTA), 254–257. https://doi.org/10.1109/RITAPP.2019.8932853.
Nerur, SP, Rasheed, AA, Natarajan, V., 2008. A stratégiai menedzsment terület intellektuális struktúrája: szerzői társ-citációs elemzés. Stratég. Manag. J. 29 (3),
319-336.
Neupane, K., Baysal-Gurel, F., 2021. Növénybetegségek automatikus azonosítása és monitorozása pilóta nélküli légi járművek segítségével: áttekintés. Remote Sensing 13 (19), 3841. https://doi.org/10.3390/rs13193841.
Nex, F., Remondino, F., 2014. UAV 3D térképészeti alkalmazásokhoz: áttekintés. Appl. Geomatika 6 (1), 1–15. https://doi.org/10.1007/s12518-013-0120-x.
Niu, H., Hollenbeck, D., Zhao, T., Wang, D., Chen, Y., 2020. Evapotransspiration estimation with small UAVs in precision agriculture. Érzékelők 20 (22), 6427. https://
doi.org/10.3390/s20226427.
Osareh, F., 1996. Bibliometria, idézetelemzés és társidézet-elemzés. Irodalmi áttekintés I 46 (3), 149–158. https://doi.org/10.1515/libr.1996.46.3.149.
P´ adua, L., Vanko, J., Hruˇska, J., Ad˜ ao, T., Sousa, JJ, Peres, E., Morais, R., 2017. UAS, sensors, and data processing in agroforestry: gyakorlati alkalmazások áttekintése. Int. J. Remote Sens. 38 (8–10), 2349–2391. https://doi.org/10.1080/01431161.2017.1297548.
Panday, USA, Pratihast, AK, Aryal, J., Kayastha, RB, 2020. Áttekintés a gabonanövények drónalapú adatmegoldásairól. Drónok 4 (3), 1–29. https://doi.org/10.3390/
drónok4030041.
Parsaeian, M., Shahabi, M., Hassanpour, H., 2020. A szezámmag olaj- és fehérjetartalmának becslése képfeldolgozás és mesterséges neurális hálózat segítségével. J. Am. Olaj
Chemists' Soc. 97 (7), 691–702.
Pena, ˜ JM, Torres-S´anchez, J., de Castro, AI, Kelly, M., Lopez-Granados, ´F., Suarez, O., Weed Mapping in korai szezonális kukoricatáblák objektumalapú elemzésével nak,-nek
pilóta nélküli légijármű (UAV) Képek. 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. Félig felügyelt rendszer napraforgónövények gyomtérképezésére pilóta nélküli légijárművek és vetéssorfelismerő módszer segítségével. 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. Költséghatékony IoT-eszközök, mint megbízható adatforrások egy blokklánc-alapú vízgazdálkodási rendszerhez a precíziós mezőgazdaságban. Comput. Elektron. Agric. 180, 105889.
Popescu, D., Stoican, F., Stamatescu, G., Ichim, L., Dragana, C., 2020. Advanced UAV–WSN system for intelligent monitoring in precision agriculture. Sensors 20 (3), https://doi.org/10.3390/s20030817.
Pournader, M., Shi, Y., Seuring, S., Koh, SL, 2020. Blockchain alkalmazások ellátási láncokban, szállításban és logisztikában: a szakirodalom szisztematikus áttekintése. Int. J. Prod. Res. 58 (7), 2063–2081.
Primicerio, J., Di Gennaro, SF, Fiorillo, E., Genesio, L., Lugato, E., Matese, A., Vaccari, FP, 2012. Rugalmas pilóta nélküli légi jármű precíziós mezőgazdasághoz.
Rövid kivonat. Agric. 13 (4), 517–523. https://doi.org/10.1007/s11119-012-9257-6.
Pritchard, A., 1969. Statisztikai bibliográfia vagy bibliometria. J. Dokumentum. 25 (4), 348–349.
Pudelko, R., Stuczynski, T., Borzecka-Walker, M., 2012. Pilóta nélküli légijármű (UAV) alkalmassága kísérleti szántóföldek és növények értékelésére. Mezőgazdaság 99 (4), 431–436.
Puri, V., Nayyar, A., Raja, L., 2017. Mezőgazdasági drónok: modern áttörés a precíziós mezőgazdaságban. J. Statis. Manag. Syst. 20 (4), 507–518.
Radoglou-Grammatikis, P., Sarigiannidis, P., Lagkas, T., Moscholios, I., 2020. Összeállítás UAV-alkalmazásokról precíziós mezőgazdasághoz. Comput. Netw. 172,
107148 https://doi.org/10.1016/j.comnet.2020.107148.
Ramesh, KV, Rakesh, V., Prakasa Rao, EVS, 2020. Big data analytics and mesterséges intelligencia alkalmazása agronómiai kutatásban. indiai J. Agron. 65 (4), 383–395.
Raparelli, E., Bajocco, S., 2019. Bibliometriai elemzés pilóta nélküli légi járművek használatáról mezőgazdasági és erdészeti tanulmányokban. Int. J. Remote Sens. 40 (24),
9070–9083. https://doi.org/10.1080/01431161.2019.1569793.
Rasmussen, J., Nielsen, J., Garcia-Ruiz, F., Christensen, S., Streibig, JC, Lotz, B., 2013.
Kisméretű pilóta nélküli repülőgép-rendszerek (UAS) lehetséges felhasználási területei a gyomkutatásban. Weed Res. 53 (4), 242–248.
Rasmussen, J., Ntakos, G., Nielsen, J., Svensgaard, J., Poulsen, RN, Christensen, S., Are vegetation indexs derived from fogyasztói minőségű kamerák szerelve
Az UAV-k elég megbízhatóak a kísérleti parcellák értékeléséhez? 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
elemzés. Fenntarthatóság 14 (1), 83. https://doi.org/10.3390/su14010083.
Rejeb, A., Rejeb, K., Simske, SJ, Treiblmaier, H., 2021a. Drónok az ellátási lánc kezeléséhez és a logisztikához: áttekintés és kutatási menetrend. Int. J. Logist. Res. Appl.
1–24. https://doi.org/10.1080/13675567.2021.1981273.
Rejeb, A., Rejeb, K., Simske, S., Treiblmaier, H., 2021b. Blockchain technológiák a logisztikában és az ellátási lánc menedzsmentben: bibliometrikus áttekintés. Logisztika 5 (4), 72.
https://doi.org/10.3390/logistics5040072.
Rejeb, A., Rejeb, K., Simske, S., Treiblmaier, H., 2021c. Humanitárius drónok: áttekintés és kutatási menetrend. Internet of Things 16, 100434. https://doi.org/10.1016/j.
iot.2021.100434.
Rejeb, A., Treiblmaier, H., Rejeb, K., Zailani, S., 2021d. Blockchain kutatás az egészségügyben: bibliometriai áttekintés és aktuális kutatási trendek. J. of Data, Inf. és
Manag. 3. (2), 109–124.
Rejeb, A., Simske, S., Rejeb, K., Treiblmaier, H., Zailani, S., 2020. Internet of Things kutatás az ellátási lánc menedzsmentjében és logisztikában: bibliometrikus elemzés. Internet
12., 100318.
ReportLinker, 2021. A globális mezőgazdasági drónpiac eléri a 15.2 milliárd USD-t a YearGlobeNewswire hírszoba által. https://www.globenewswire.com/news-release/2021/08/10/2277986/0/en/Global-Agriculture-Drones-Market-to-Reach-US-15-2-Billion-by-the- Év-2027.html.
Ribeiro-Gomes, K., Hernandez-L ´ opez, ´ D., Ortega, JF, Ballesteros, R., Poblete, T., Moreno, MA, 2017. Hűtetlen hőkamera kalibrálása és optimalizálása
fotogrammetriai eljárás UAV-alkalmazásokhoz a mezőgazdaságban. Szenzorok (Svájc) 17 (10). https://doi.org/10.3390/s17102173.
Rivera, MA, Pizam, A., 2015. Előrelépések a vendéglátás kutatásában: „Rodney Dangerfieldtől Aretha Franklinig”. Int. J. Contempor. Kórház. Manag. 27. cikk (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 alapú szenzoros rendszer környezeti változók mérésére üvegházakban. Érzékelők 15 (2), 3334–3350. https://doi.org/10.3390/s150203334.
Rozenberg, G., Kent, R., Blank, L., 2021. Fogyasztói minőségű UAV a késői szezonban előforduló gyomok térbeli eloszlási mintáinak kimutatására és elemzésére kereskedelmi hagymaföldeken. Rövid kivonat. 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 légi járművel (UAV) működtetett spektrális kamerarendszer erdészeti és mezőgazdasági alkalmazásokhoz. Folytassa. SPIE – Int. Soc. Dönt. Eng. 8174 https://doi.org/10.1117/12.897585.
Sah, B., Gupta, R., Bani-Hani, D., 2021. A drónlogisztika megvalósításának akadályainak elemzése. Int. J. Logist. Res. Appl. 24 (6), 531–550. https://doi.org/10.1080/
13675567.2020.1782862.
Saha, AK, Saha, J., Ray, R., Sircar, S., Dutta, S., Chattopadhyay, SP, & Saha, HN, IOT-alapú drón a termésminőség javítására mezőgazdasági területen. Az SH-ban
N. Chakrabarti S. (szerk.), 2018 IEEE 8th Annual Computing and Communication Workshop and Conference, CCWC 2018 (2018. évf.–január, 612–615. o.). Intézet
az Electrical and Electronics Engineers Inc. doi: 10.1109/CCWC.2018.8301662.
Sai Vineeth, KV, Vara Prasad, YR, Dubey, SR, Venkataraman, H., 2019. LEDCOM: újszerű és hatékony LED-alapú kommunikáció a precíziós mezőgazdasághoz. IEEE Conf. Info. Commun. Technol. 2019, 1–5. https://doi.org/10.1109/CICT48419.2019.9066177.
Salamí, E., Barrado, C., Pastor, E., 2014. UAV repülési kísérletek vegetált területek távérzékelésére. Távérzékelés 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.
Kis magasságú, nagy felbontású légi képalkotó rendszerek sor- és szántóföldi növények fenotipizálásához: áttekintés. 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. Nagy felbontású UAV-alapú hőképalkotás a
a növényvíz állapotának pillanatnyi és szezonális változékonysága egy szőlőültetvényen belül. Agric. Vízgazdálkodás. 183, 49–59. https://doi.org/10.1016/j.agwat.2016.08.026.
Sarli, CC, Dubinsky, EK, Holmes, KL, 2010. Beyond citation analysis: A modell a kutatási hatás értékeléséhez. 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. Földrendszer-tudományokkal kapcsolatos képalkotó spektroszkópia – értékelés. Remote Sens. Environ. 113, S123–S137.
Schirrmann, M., Giebel, A., Gleiniger, F., Pflanz, M., Lentschke, J., Dammer, K.-H., 2016. Őszi búzanövények agronómiai paramétereinek monitorozása alacsony költségű UAV-val
képek. Távérzékelés 8 (9). https://doi.org/10.3390/rs8090706.
Schmale III, DG, Dingus, BR, Reinholtz, C., 2008. Egy autonóm pilóta nélküli légi jármű fejlesztése és alkalmazása precíz aerobiológiai mintavételhez fent
mezőgazdasági területek. J. Field Rob. 25 (3), 133–147. https://doi.org/10.1002/rob.20232.
Shadrin, D., Menschchikov, A., Somov, A., Bornemann, G., Hauslage, J., Fedorov, M.,
A precíziós mezőgazdaság lehetővé tétele mesterséges intelligenciával ellátott beágyazott érzékeléssel. 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. Pilóta nélküli légijárművek (UAV): felmérés a polgári alkalmazásokról és a legfontosabb kutatási kihívásokról. IEEE Access 7,
48572–48634. https://doi.org/10.1109/ACCESS.2019.2909530.
Shakoor, N., Northrup, D., Murray, S., Mockler, TC, 2019. Big data driven agriculture: big data analytics in növénynemesítés, genomika és a távérzékelés használata
technológiák a terméshozam növelésére. Plant Phenome J. 2 (1), 1–8.
Sharma, BK, Chandra, G., Mishra, VP, 2019. Az UAV és a mesterséges intelligencia összehasonlító elemzése és hatása a törvényszéki vizsgálatokban. In: Proceedings – 2019 Amity International
Mesterséges intelligencia konferencia. https://doi.org/10.1109/AICAI.2019.8701407.
Sharma, R., Shishodia, A., Gunasekaran, A., Min, H., Munim, ZH, 2022. A mesterséges intelligencia szerepe az ellátási lánc menedzsmentjében: a terület feltérképezése. Int. J.
Prod. Res. 1–24. https://doi.org/10.1080/00207543.2022.2029611.
Shi, Y., Thomasson, JA, Murray, SC, Pugh, NA, Rooney, WL, Shafian, S., Rajan, N., Rouze, G., Morgan, CLS, Neely, HL, Rana, A., Bagavathiannan , MV,
Henrickson, J., Bowden, E., Valasek, J., Olsenholler, J., Bishop, MP, Sheridan, R., Putman, EB, Popescu, S., Burks, T., Cope, D., Ibrahim, A., McCutchen, BF,
Baltensperger, DD, Avant, RV, Vidrine, M., Yang, C., Zhang, J., 2016. Pilóta nélküli légi járművek nagy áteresztőképességű fenotipizáláshoz és agronómiai kutatásokhoz. PLoS ONE
11 (7), e0159781.
Shuai, G., Martinez-Feria, RA, Zhang, J., Li, S., Price, R., Basso, B., 2019. Kukoricaállomány heterogenitásának rögzítése a termésstabilitási zónákban pilóta nélküli légi úton
Járművek (UAV). Sensors 19 (20), 4446. https://doi.org/10.3390/s19204446.
Small, H., 1973. Együttidézés a tudományos irodalomban: két dokumentum kapcsolatának új mértéke. J. Am. Soc. Info. Sci. 24 (4), 265–269.
Small, H., Rorvig, ME, Lunin, LF, 1999. A tudomány vizualizálása idézettérképezéssel. J. Am. Soc. Info. Sci. 50 (9), 799–813.
Soares, VHA, Ponti, MA, Gonçalves, RA, Campello, RJGB, 2021. Szarvasmarhák számlálása a természetben geolokált légifelvételekkel nagy legelőkön. Comput. Elektron. Agric. 189, 106354 https://doi.org/10.1016/j.compag.2021.106354.
Srivastava, K., Pandey, PC, Sharma, JK, 2020. Útvonal-optimalizálási megközelítés UAV-kat használó precíziós mezőgazdasági alkalmazásokban. Drones 4 (3), 58. https://doi.org/ 10.3390/drones4030058.
Stafford, JV, 2000. A precíziós mezőgazdaság megvalósítása a 21. században. J. Agric. Eng. Res. 76 (3), 267–275.
Su, J., Coombes, M., Liu, C., Guo, L., Chen, W.-H., 2018. Wheat drought assessment by remote sensing imagesry using unmanned aerial vehicle. 2018-ban 37. Kínai Ellenőrzési Konferencia (CCC).
Su, J., Liu, C., Coombes, M., Hu, X., Wang, C., Xu, X., Li, Q., Guo, L., Chen, W.-H., 2018. A búza sárgarozsda megfigyelése a multispektrális UAV légifelvételekből tanulva.
Comput. Elektron. Agric. 155, 157–166. https://doi.org/10.1016/j. compag.2018.10.017.
Su, Y., Wang, X., 2021. Az agrárgazdasági menedzsment innovációja az intelligens mezőgazdaság felépítésének folyamatában big data segítségével. Fenntartható számítástechnika. Inf. Syst. 31, 100579 https://doi.org/10.1016/j.suscom.2021.100579.
Sullivan, DG, Fulton, JP, Shaw, JN, Bland, GL, 2007. Egy pilóta nélküli termikus infravörös antennarendszer érzékenységének értékelése a pamut lombkorona vízterhelésének kimutatására. Trans. ASABE 50 (6), 1955–1962.
Sumesh, KC, Ninsawat, S., Som-ard, J., 2021. RGB-alapú vegetációs index, termésfelületi modell és tárgyalapú képelemzési megközelítés integrálása a cukornádhozam becsléséhez pilóta nélküli légijármű segítségével. Comput. Elektron. Agric. 180, 105903 https://doi.org/10.1016/j.compag.2020.105903.
Suomalainen, J., Anders, N., Iqbal, S., Franke, J., Wenting, P., Bartholomeus, H., Becker, R., Kooistra, L., 2013. A könnyűsúlyú hiperspektrális térképrendszer
pilóta nélküli légi járművek – az első eredmények. In: 2013 5th Workshop on Hyperspectral Image and Signal Processing: Evolution in Remote Sensing (WHISPERS), 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. Könnyű hiperspektrális
feltérképező rendszer és fotogrammetriai feldolgozó lánc pilóta nélküli légi járművekhez. Távérzékelés 6 (11), 11013–11030. https://doi.org/10.3390/
rs61111013.
Syeda, IH, Alam, MM, Illahi, U., Su'ud, MM, 2021. Fejlett vezérlési stratégiák képfeldolgozással, UAV és AI a mezőgazdaságban: Áttekintés. Világ J. Eng. 18. cikk (4),
579–589. https://doi.org/10.1108/WJE-09-2020-0459.
Tahai, A., Rigsby, JT, 1998. Információfeldolgozás idézetekkel a folyóiratok számviteli befolyásának vizsgálatára. Inf. Folyamat. Kezelése. 34 (2–3), 341–359.
Tang, Y., Dananjayan, S., Hou, C., Guo, Q., Luo, S., He, Y., 2021. Felmérés az 5G hálózatról és a mezőgazdaságra gyakorolt hatásáról: kihívások és lehetőségek. Comput.
Elektron. Agric. 180, 105895 https://doi.org/10.1016/j.compag.2020.105895.
Tantalaki, N., Souravlas, S., Roumeliotis, M., 2019. Adatvezérelt döntéshozatal a precíziós mezőgazdaságban: a big data felemelkedése a mezőgazdasági rendszerekben. J. Agric. Élelmiszer Info.
20. (4), 344–380.
Tao, H., Feng, H., Xu, L., Miao, M., Yang, G., Yang, X., Fan, L., 2020. Az őszi búza hozamának és növénymagasságának becslése UAV-vel alapú hiperspektrális képek.
Érzékelők 20 (4), 1231.
Techy, L., Schmale III, DG, Woolsey, CA, 2010. Koordinált aerobiológiai mintavétel egy növényi kórokozóból az alsó atmoszférában két autonóm pilóta nélküli légi jármű segítségével. 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. Szójababkártevők kimutatása és osztályozása mély tanulással
UAV képekkel. Comput. Elektron. Agric. 179, 105836.
Thamm, H.-P., Menz, G., Becker, M., Kuria, DN, Misana, S., Kohn, D., 2013. The Use of Uas for Assessing Agricultural Systems in AN Wetland in Tanzánia in the— És WetSeason a fenntartható mezőgazdaságért és a földi igazság megadása a Terra-Sar X Data számára. In: ISPRS – International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 401–406. https://doi.org/10.5194/isprsarchivesXL-1-W2-401-2013.
Thelwall, M., 2008. Bibliometrics to webometrics. J. Info. Sci. 34 (4), 605–621.
Torres-Sanchez, ´ J., Lopez-Granados, ´ F., Pena, ˜ JM, 2015. Automatikus objektum alapú módszer az UAV képek optimális küszöbértékének meghatározásához: Alkalmazás növényzet kimutatására lágyszárú kultúrákban. Comput. Elektron. 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. Mezőgazdasági faültetvények nagy áteresztőképességű 3-D monitorozása Pilóta nélküli légijármű (UAV) technológia. PLoS ONE 10 (6), e0130479.
Torres-Sanchez, ´ J., Pena, ˜ JM, de Castro, AI, Lopez-Granados, ´ F., 2014. A vegetációs frakció multi-temporális feltérképezése korai szezonban búzamezőkön UAV képekkel. Comput. Elektron. Agric. 103, 104–113. https://doi.org/10.1016/j. compag.2014.02.009.
Tsouros, DC, Bibi, S., Sarigiannidis, PG, 2019. Áttekintés az UAV-alapú precíziós mezőgazdasági alkalmazásokról. Tájékoztatás (Svájc) 10 (11). https://doi.org/10.3390/info10110349.
Tu, Y.-H., Phinn, S., Johansen, K., Robson, A., Wu, D., 2020. Optimizing drone flight planing for measuring horticultural tree crop structure. ISPRS J. Photogramm.
Remote Sens. 160, 83–96. https://doi.org/10.1016/j.isprsjprs.2019.12.006
Tzounis, A., Katsoulas, N., Bartzanas, T., Kittas, C., 2017. Internet of Things in agriculture, legutóbbi fejlesztések és jövőbeli kihívások. Biosyst. Eng. 164, 31–48.
https://doi.org/10.1016/j.biosystemseng.2017.09.007.
Uddin, A., Singh, VK, Pinto, D., Olmos, I., 2015. Számítástechnikai kutatások szcientometriai térképezése Mexikóban. Scientometrics 105 (1), 97–114.
UN., 2019. A világ népességének kilátásai 2019. https://population.un.org/wpp/ (Hozzáférés ideje: 15. 04. 2022.).
Uto, K., Seki, H., Saito, G., Kosugi, Y., 2013. Rizsföldek jellemzése UAVmounted miniature hyperspectral sensor system által. IEEE J. Sel. Top. Appl. Earth Obs.
Remote Sens. 6 (2), 851–860. https://doi.org/10.1109/JSTARS.2013.2250921. van der Merwe, D., Burchfield, DR, Witt, TD, Price, KP, Sharda, A., 2020. Drónok itt
mezőgazdaság. Adv. Agron. 162, 1–30.
Velusamy, P., Rajendran, S., Mahendran, RK, Naseer, S., Shafiq, M., Choi, J.-G., 2022.
Pilóta nélküli légi járművek (UAV) a precíziós mezőgazdaságban: alkalmazások és kihívások. Energies 15 (1), 217. https://doi.org/10.3390/en15010217.
Ventura, D., Bonifazi, A., Gravina, MF, Belluscio, A., Ardizzone, G., 2018. Ökológiailag érzékeny tengeri élőhelyek térképezése és osztályozása Unmanned Aerial segítségével
Jármű (UAV) képalkotás és objektumalapú képelemzés (OBIA). Remote Sensing 10 (9), 1331. https://doi.org/10.3390/rs10091331.
Verger, A., Vigneau, N., Ch´eron, C., Gilliot, J.-M., Comar, A., Baret, F., 2014. Green area index from an unmanned aerial system over wheat and repce crops . Remote Sens. Environ. 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. Négy optikai UAV-alapú érzékelő telepítése füves területen: kihívások és
korlátozások. Biogeosciences 12 (1), 163–175. https://doi.org/10.5194/bg-12-163-2015.
Vuran, MC, Salam, A., Wong, R., Irmak, S., 2018. Földalatti dolgok internete a precíziós mezőgazdaságban: építészet és technológiai szempontok. Ad Hoc Netw. 81,
160–173. https://doi.org/10.1016/j.adhoc.2018.07.017.
Wamba, SF, Queiroz, MM, 2021. A felelős mesterséges intelligencia, mint a digitális egészség titkos összetevője: bibliometrikus elemzés, betekintések és kutatási irányok.
Info. Syst. Elülső. 1–16.
Wang, L., Zhang, G., Wang, Z., Liu, J., Shang, J., Liang, L., 2019. Bibliometric analysis of remote sensing research trend in crop growth monitoring: A case study in China. Távérzékelés 11 (7). https://doi.org/10.3390/rs11070809.
White, HD, Griffith, BC, 1981. Szerzői kocitáció: Az intellektuális szerkezet irodalmi mérőszáma. J. Am. Soc. Info. Sci. 32 (3), 163–171.
Xiang, H., Tian, L., 2011. Alacsony költségű mezőgazdasági távérzékelési rendszer kifejlesztése autonóm pilóta nélküli légijármű (UAV) alapján. Biosyst. Eng. 108. (2), 174–190. https://doi.org/10.1016/j.biosystemseng.2010.11.010.
Xie, C., Yang, C., 2020. Áttekintés a növények nagy áteresztőképességű fenotipizálási tulajdonságairól UAV-alapú érzékelők használatával. Comput. Elektron. Agric. 178, 105731 https://doi.org/10.1016/j.
compag.2020.105731.
Yao, H., Qin, R., Chen, X., 2019. Pilóta nélküli légi jármű távérzékelési alkalmazásokhoz – áttekintés. Távérzékelés 11 (12). https://doi.org/10.3390/
rs11121443.
Yeom, S., 2021. Mozgáskövetés és hamis nyomkövetés infravörös hőképalkotással multirotorral. 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. A termésparaméterek becslésének összehasonlítása képek segítségével UAV-ra szerelhető
pillanatfelvétel hiperspektrális érzékelő és nagy felbontású digitális fényképezőgép. Remote Sensing 10 (7), 1138. https://doi.org/10.3390/rs10071138.
Yue, J., Yang, G., Li, C., Li, Z., Wang, Y., Feng, H., Xu, B., 2017. Őszi búza föld feletti biomasszának becslése pilóta nélküli légijárművek segítségével alapú pillanatfelvétel
hiperspektrális érzékelővel és termésmagassággal javított modellek. Távérzékelés 9 (7). https://doi.org/10.3390/rs9070708.
Zahawi, RA, Dandois, JP, Holl, KD, Nadwodny, D., Reid, JL, Ellis, EC, 2015. Könnyű, pilóta nélküli légi járművek használata a trópusi erdők helyreállításának nyomon követésére. 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.
Intelligens gazdálkodási IoT platform perem- és felhőalapú számítástechnikán. Biosyst. Eng. 177,
4-17.
Zarco-Tejada, PJ, Diaz-Varela, R., Angileri, V., Loudjani, P., 2014. Famagasság kvantifikálása pilóta nélküli légi felvételről készült nagyon nagy felbontású képekkel
jármű (UAV) és automatikus 3D fotórekonstrukciós módszerek. 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. Virágzás intenzitásának képalapú fenotípusa hidegszezoni kultúrákban. Sensors 20 (5), 1450. https://doi.org/10.3390/s20051450.
Zhang, C., Kovacs, JM, 2012. Kisméretű, pilóta nélküli légi rendszerek alkalmazása precíziós mezőgazdaságban: áttekintés. Rövid kivonat. Agric. 13. (6), 693–712. https://doi.org/
10.1007/s11119-012-9274-5.
Zhang, L., Zhang, H., Niu, Y., Han, W., 2019. Kukorica vízstressz térképezése UAV multispektrális távérzékelés alapján. Távérzékelés 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. Mély tanuláson alapuló megközelítés az automatizált sárgarozsda ellen
betegségek kimutatása nagy felbontású, hiperspektrális UAV-képekből. Távérzékelés 11 (13), 1554.
Zhao, X., Zhang, J., Huang, Y., Tian, Y., Yuan, L., 2022. A teanövények betegségeinek és rovarstresszének kimutatása és megkülönböztetése hiperspektrális képalkotással, hullámelemanalízissel kombinálva. Comput. Elektron. 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 aerial image semantic segmentation. IEEE Trans. G
Zheng, H., Cheng, T., Yao, X., Deng, X., Tian, Y., Cao, W., Zhu, Y., 2016. Detection of rice phenology through timesor analysis of earth-based spectral index adatok. Field Crops Res. 198, 131–139. https://doi.org/10.1016/j.fcr.2016.08.027.
Zheng, J., Yang, W., 2018. Vezeték nélküli érzékelőkön alapuló precíziós mezőgazdasági szivárgásos vetőrendszer tervezése. Int. J. Online Eng. 14 (05), 184.
Zhou, L., Gu, X., Cheng, S., Yang, G., Shu, M., Sun, Q., 2020. A lodged kukorica növénymagasság-változásainak elemzése UAV-LiDAR adatok felhasználásával. Mezőgazdaság 10 (5), 146. https://
doi.org/10.3390/agriculture10050146.
Zhou, S., Chai, X., Yang, Z., Wang, H., Yang, C., Sun, T., 2021. Kukorica-IAS: Kukorica képelemző szoftver, amely mély tanulást használ nagy áteresztőképességű növényi fenotipizáláshoz . 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. Gabonahozam előrejelzése rizs többidős növényzet felhasználásával
UAV-alapú multispektrális és digitális képekből származó indexek. ISPRS J. Photogramm. Remote Sens. 130, 246–255. https://doi.org/10.1016/j.isprsjprs.2017.05.003.
Zhou, Y., Xie, Y., Shao, L., 2016. Vezeték nélküli szenzorhálózaton alapuló üvegház-monitoring rendszer alaptechnológiájának szimulációja. Int. J. Online Eng. 12 (05),
43.
Zhou, Z., Majeed, Y., Diverres Naranjo, G., Gambacorta, EMT, 2021. A terményvíz stresszének felmérése infravörös hőképekkel a precíziós mezőgazdaságban: áttekintés
és a mély tanulási alkalmazások jövőbeli kilátásai. Comput. Elektron. Agric. 182, 106019 https://doi.org/10.1016/j.compag.2021.106019.