Abderahman Rejeb a , Alireza Abdollahi b , Karim Rejeb c , Horst Treiblmaier d,
- a Institutt for ledelse og jus, Det økonomiske fakultet, Universitetet i Roma Tor Vergata, Via Columbia, 2, Roma 00133, Italia
- b Institutt for bedriftsøkonomi, Fakultet for ledelse, Kharazmi University, 1599964511 Teheran, Iran
- c Det vitenskapelige fakultet i Bizerte, University of Carthage, Zarzouna, 7021 Bizerte, Tunisia
- d School of International Management, Modul University Wien, Am Kahlenberg 1, 1190 Wien, Østerrike
ARTIKKEL INFO | ABSTRACT |
nøkkelord: Droner UAV Presisjonslandbruk Tingenes Internett Bibliometri | Droner, også kalt Unmanned Aerial Vehicles (UAV), har vært vitne til en bemerkelsesverdig utvikling de siste tiårene. I landbruket har de endret oppdrettspraksis ved å tilby bøndene betydelige kostnadsbesparelser, økte operasjonell effektivitet, og bedre lønnsomhet. I løpet av de siste tiårene har temaet landbruksdroner vakte bemerkelsesverdig akademisk oppmerksomhet. Vi gjennomfører derfor en omfattende gjennomgang basert på bibliometri å oppsummere og strukturere eksisterende akademisk litteratur og avsløre aktuelle forskningstrender og hotspots. Vi anvende bibliometriske teknikker og analysere litteraturen rundt landbruksdroner for å oppsummere og vurdere tidligere forskning. Analysen vår indikerer at fjernmåling, presisjonslandbruk, dyp læring, maskinlæring og tingenes internett er kritiske temaer knyttet til landbruksdroner. Samsiteringen analyse avdekker seks brede forskningsklynger i litteraturen. Denne studien er et av de første forsøkene på å oppsummere droneforskning i landbruket og foreslå fremtidige forskningsretninger. |
Introduksjon
Landbruket representerer verdens primære matkilde (Friha et al., 2021), og det har stått overfor store utfordringer på grunn av
økende etterspørsel etter matvarer, mattrygghet og sikkerhetshensyn, samt krav om miljøvern, vannbevaring og
bærekraft (Inoue, 2020). Denne utviklingen er spådd å fortsette siden verdens befolkning anslås å nå 9.7 milliarder innen 2050
(2019). Siden landbruket utgjør det mest fremtredende eksemplet på vannforbruk globalt, forventes det at matbehov og vann
forbruket vil øke dramatisk i overskuelig fremtid. Videre det økende forbruket av kunstgjødsel og sprøytemidler
kombinert med intensivering av jordbruksaktiviteter kan føre til fremtidige miljøutfordringer. Tilsvarende er dyrkbar jord begrenset, og den
antall bønder synker på verdensbasis. Disse utfordringene fremhever behovet for innovative og bærekraftige jordbruksløsninger (Elijah
et al., 2018; Friha et al., 2021; Inoue, 2020; Tzounis et al., 2017).
Å inkludere nye teknologier har blitt identifisert som en lovende løsning for å møte disse utfordringene. Smart oppdrett (Brewster et al.,
2017; Tang et al., 2021) og presisjonslandbruk (Feng et al., 2019; Khanna & Kaur, 2019) har dukket opp som et resultat av slike debatter. De
førstnevnte er et generelt begrep for å ta i bruk informasjonskommunikasjonsteknologi (IKT) og andre banebrytende innovasjoner i jordbruksaktiviteter for å øke effektiviteten og effektiviteten (Haque et al., 2021). Sistnevnte fokuserer på stedsspesifikk forvaltning der jorden er delt inn
homogene deler, og hver del får den nøyaktige mengden landbruksinnsats for optimalisering av avlingsavling ved hjelp av nye teknologier (Feng et al., 2019; Khanna & Kaur, 2019). Fremtredende teknologier som har tiltrukket seg forskeres oppmerksomhet på dette feltet inkluderer trådløse sensornettverk (WSN) (J. Zheng & Yang, 2018; Y. Zhou et al., 2016), tingenes internett (IoT) (Gill et al., 2017; He et al., 2021; Liu et al., 2019),
kunstig intelligens (AI) teknikker, inkludert maskinlæring og dyp læring (Liakos et al., 2018; Parsaeian et al., 2020; Shadrin et al.,
2019), datateknologier (Hsu et al., 2020; Jinbo et al., 2019; Zamora-Izquierdo et al., 2019), big data (Gill et al., 2017; Tantalaki
et al., 2019), og blokkjede (PW Khan et al., 2020; Pincheira et al., 2021).
I tillegg til de ovennevnte teknologiene, har fjernmåling blitt ansett som et teknologisk verktøy med stort potensial for å forbedre
smart og presisjonslandbruk. Satellitter, fly med menneskelig mannskap og droner er populære fjernmålingsteknologier (Tsouros et al., 2019).
Droner, populært kjent som Unmanned Aerial Vehicles (UAVs), Unmanned Aircraft Systems (UAS), og fjernstyrte fly, er av
stor betydning siden de har flere fordeler sammenlignet med andre fjernmålingsteknologier. For eksempel kan droner levere
bilder av høy kvalitet og høy oppløsning på overskyede dager (Manfreda et al., 2018). Også deres tilgjengelighet og overføringshastighet utgjør andre
fordeler (Radoglou-Grammatikis et al., 2020). Sammenlignet med fly er droner svært kostnadseffektive og enkle å sette opp og vedlikeholde (Tsouros et al., 2019). Til tross for at de i utgangspunktet hovedsakelig brukes til militære formål, kan droner være til nytte for en rekke sivile applikasjoner, for eksempel innen forsyningskjedestyring (A. Rejeb, Rejeb, et al., 2021a), for humanitære formål (A. Rejeb, Rejeb, et al., 2021c), smart landbruk, kartlegging og kartlegging, dokumentasjon av kulturarv, katastrofehåndtering og bevaring av skog og dyreliv (Panday, Pratihast, et al., 2020). I landbruket finnes det mangfoldige bruksområder for droner ettersom de kan integreres med nye teknologier, datafunksjoner og innebygde sensorer for å støtte avlingshåndtering (f.eks. kartlegging, overvåking, vanning, plantediagnose) (H. Huang et al., 2021) , katastrofereduksjon, tidlige varslingssystemer, dyreliv og skogbruk for å nevne noen (Negash et al., 2019). På samme måte kan droner utnyttes i flere landbruksaktiviteter, inkludert avlings- og vekstovervåking, avlingsestimering, vannstressvurdering og påvisning av ugress, skadedyr og sykdom (Inoue, 2020; Panday, Pratihast, et al., 2020). Ikke bare kan droner brukes til overvåking, estimering og deteksjonsformål basert på deres sensoriske data, men også til presisjonsvanning og presisjonshåndtering av ugress, skadedyr og sykdom. Droner er med andre ord i stand til å sprøyte vann og sprøytemidler i nøyaktige mengder basert på miljødata. Fordelene med droner i landbruket er oppsummert i tabell 1.
Hovedfordelene med droner i landbruket.
Nytte | Referanse(r) |
Forbedre tidsmessig og romlig sanse oppløsninger | (Gago et al., 2015; Niu et al., 2020; Srivastava et al., 2020) |
Tilrettelegge for presisjonslandbruk | (L. Deng et al., 2018; Kalischuk et al., 2019; Maimaitijiang et al., 2017) |
Klassifisering og speiding av avlinger | (Inoue, 2020; Kalischuk et al., 2019; Lopez-´ Granados et al., 2016; Maimaitijiang et al., 2017; Melville et al., 2019; Moharana & Dutta, 2016) |
Bruk av gjødsel | (L. Deng et al., 2018; Guan et al., 2019) |
Overvåking av tørke | (Fawcett et al., 2020; Panday, Pratihast, et al., 2020; Su et al., 2018) |
Beregning av biomasse | (Bendig et al., 2014) |
Yield estimering | (Inoue, 2020; Panday, Shrestha, et al., 2020; Tao et al., 2020) |
Katastrofereduksjon | (Negash et al., 2019) |
Bevaring av dyreliv og skogbruk | (Negash et al., 2019; Panday, Pratihast, et al., 2020) |
Vurdering av vannstress | (Inoue, 2020; J. Su, Coombes, et al., 2018; L. Zhang et al., 2019) |
Skadedyr, ugress og sykdommer deteksjon | (Gaˇsparovi´c et al., 2020; Inoue, 2020; J. Su, Liu, et al., 2018; X. Zhang et al., 2019) |
På den annen side møter droner også begrensninger. Pilotinvolvering, motorkraft, stabilitet og pålitelighet, sensorenes kvalitet på grunn av nyttelast
vektbegrensninger, implementeringskostnader og luftfartsregulering, er blant dem (C. Zhang & Kovacs, 2012). Vi sammenligner manglene
av de tre mobile fjernmålingsteknologiene i tabell 2. Andre fjernmålingsteknologier, for eksempel jordsensorer, er utenfor fokus i denne studien.
Mangler ved ulike mobile fjernmålingsteknologier.
Fjern sensing teknologier | mangler | Referanser |
Drone (UAV) | Pilot involvering; Bilder' kvalitet (gjennomsnittlig); implementeringskostnader (gjennomsnittlig); stabilitet, manøvrerbarhet og pålitelighet; standardisering; motorkraft; begrenset kraft kilder (batterilevetid); begrenset flyvarighet, kollisjon og nettangrep; begrenset nyttelast vekt; store datasett og begrenset databehandling evner; mangel på regulering; mangel på kompetanse, høy inngang barrierer for tilgang til landbruksdroner; | (Bacco et al., 2018; Dawaliby et al., 2020; Hardin & Hardin, 2010; Hardin & Jensen, 2011; Lagkas et al., 2018; Laliberte et al., 2007; Laliberte & Rango, 2011; Manfreda et al., 2018, 2018; Nebiker et al., 2008; Puri et al., 2017; Velusamy et al., 2022; C. Zhang og Kovacs, 2012) |
Satellite | Periodisk satellittdekning, begrenset spektral oppløsning; sårbarhet for synlighetsproblemer (f.eks. skyer); Utilgjengelighet og lav overføringshastighet; orientering og vignettering påvirker kostbare romlige data samling; langsom datalevering tid til sluttbrukere | (Aboutalebi et al., 2019; Cen et al., 2019; Chen et al., 2019; Nansen og Elliott, 2016; Panday, Pratihast, et al., 2020; Sai Vineeth et al., 2019) |
Aircraft | Høye adopsjonskostnader; komplisert oppsett; vedlikeholdskostnader; utilgjengelighet av pålitelige fly, geometri av Bilder; ikke-vanlige data oppkjøp; mangel på fleksibilitet; dødelige ulykker; sensordata variasjoner på grunn av vibrasjoner; problemer med georeferering | (Armstrong et al., 2011; Atkinson et al., 2018; Barbedo & Koenigkan, 2018; Kovalev og Voroshilova, 2020; Suomalainen et al., 2013; Thamm et al., 2013) |
Som en flerfaglig og flerbruksteknologi i landbruket har droner blitt undersøkt fra ulike perspektiver. For eksempel har forskere undersøkt droneapplikasjoner i landbruket (Kulbacki et al., 2018; Mogili & Deepak, 2018), deres bidrag til presisjonslandbruk (Puri et al., 2017; Tsouros et al., 2019), deres komplementaritet med andre banebrytende teknologier (Al-Thani et al., 2020; Dutta & Mitra, 2021; Nayyar et al., 2020; Saha et al., 2018), og mulighetene for å fremme deres navigasjons- og sanseevne (Bareth et al. , 2015; Suomalainen et al., 2014). Siden forskning på droneapplikasjoner i landbruket har blitt utbredt (Khan et al., 2021)), er det behov for å oppsummere den eksisterende litteraturen og avsløre domenets intellektuelle struktur. Videre, som et høyteknologisk felt med kontinuerlige forbedringer, må det gjennomføres strukturerte gjennomganger for å periodisk oppsummere den eksisterende litteraturen og identifisere viktige forskningshull. Til
dato, er det få anmeldelser som diskuterer droneapplikasjoner i landbrukssektoren. For eksempel gjennomgår Mogili og Deepak (2018) kort dronenes implikasjoner for avlingsovervåking og sprøyting av sprøytemidler. Inoue (2020) gjennomfører en gjennomgang av satellitt- og dronebruk i fjernmåling i landbruket. Forfatteren utforsker de teknologiske utfordringene ved å ta i bruk smart jordbruk og bidragene fra satellitter og droner basert på casestudier og beste praksis. Tsouros et al. (2019) oppsummerer ulike typer droner og deres hovedanvendelser i landbruket, og fremhever ulike datainnsamlings- og prosesseringsmetoder. Mer nylig har Aslan et al. (2022) gjennomførte en omfattende gjennomgang av UAV-applikasjoner i landbruksaktiviteter og understreket relevansen av samtidig lokalisering og kartlegging for en UAV i drivhuset. Diaz-Gonzalez et al. (2022) gjennomgikk nyere studier av avlingsproduksjon basert på forskjellige maskinlæringsteknikker og fjernkontroll
sansesystemer. Funnene deres indikerte at UAV-er er nyttige for å estimere jordindikatorer og utkonkurrere satellittsystemer når det gjelder romlig oppløsning, informasjonstid og fleksibilitet. Basiri et al. (2022) foretok en uttømmende gjennomgang av de ulike tilnærmingene og metodene for å overvinne stiplanleggingsutfordringer for multirotor-UAV-er i sammenheng med presisjonslandbruk. Dessuten har Awais et al. (2022) oppsummerte bruken av UAV-fjernmålingsdata i avlinger for å estimere vannstatusen og ga en dybdesyntese av den potensielle kapasiteten til UAV-fjernmåling for sløsingsbelastning. Til slutt, Aquilani et al. (2022) gjennomgikk forhåndsoppdrettsteknologier brukt i beitebaserte husdyrsystemer og konkluderte med at fjernmåling aktivert av UAV-er er fordelaktig for biomassevurdering og besetningsforvaltning.
Også bestrebelser på å bruke UAV-er i overvåking, sporing og mønstring av husdyr har nylig blitt rapportert.
Selv om disse oversiktene gir ny og viktig innsikt, finnes det ingen omfattende og oppdatert oversikt basert på bibliometri i litteraturen, som presenterer et klart kunnskapshull. Dessuten har det blitt uttalt at når vitenskapelig produksjon vokser i et vitenskapelig domene, blir det viktig for forskere å bruke kvantitative vurderingstilnærminger for å forstå kunnskapsstrukturen til domenet (Rivera & Pizam, 2015). Tilsvarende har Ferreira et al. (2014) hevdet at etter hvert som forskningsfelt modnes og blir intrikate, bør forskere av og til ta sikte på å forstå kunnskapen som genereres og samles for å avsløre nye bidrag, fange opp forskningstradisjoner og trender, identifisere hvilke emner som studeres og fordype seg i kunnskapsstrukturen til feltet og de potensielle forskningsretningene. Mens Raparelli og Bajocco (2019) utførte en bibliometrisk analyse for å undersøke kunnskapsdomenet til droneapplikasjoner i landbruk og skogbruk, tar studien deres kun i betraktning vitenskapelig forskning publisert mellom 1995 og 2017, som ikke gjenspeiler dynamikken i dette raskt bevegelige området. Videre forsøkte ikke forfatterne å identifisere de mest innflytelsesrike bidragene på feltet, gruppere litteraturen og evaluere den intellektuelle strukturen ved å bruke samsiteringsanalyse. Som et resultat er det nødvendig å oppsummere litteraturen for å avsløre aktuelle forskningsfokus, trender og hotspots.
For å fylle dette kunnskapsgapet bruker vi kvantitativ metodikk og strenge bibliometriske metoder for å undersøke den nåværende forskningstilstanden i skjæringspunktet mellom droner og landbruk. Vi argumenterer for at den nåværende studien gir flere bidrag til den eksisterende litteraturen ved å undersøke en fremvoksende teknologi som er svært nødvendig i landbruket siden den gir et enormt potensiale til å endre flere aspekter i denne sektoren. Behovet for en bibliometrisk analyse av landbruksdroner anes enda mer gitt den spredte og fragmenterte kunnskapen om droner innenfor landbrukssammenheng. Tilsvarende kreves det at litteraturen knyttet til landbruksdroner er systematisk gruppert, tatt i betraktning de mest innflytelsesrike studiene som bygger grunnlaget for dette forskningsfeltet. Fortjenesten i analysen omfatter også klargjøring av hovedforskningstemaer representert i litteraturen. Med tanke på transformasjonspotensialet til teknologien, antar vi at en dyptgående nettverksanalyse gir ny innsikt ved å bestemme innflytelsesrike verk og avsløre temaer angående droners potensial for landbruk.
Vi streber derfor etter å nå følgende forskningsmål:
- Identifisering av innflytelsesrike publikasjoner med fremragende bidrag til droneapplikasjoner innen landbruk.
- Klynger av litteraturen, identifisering av forskningsfokus og kartlegging av hovedstudiene av 'intellektuell struktur' basert på semantisk likhet ved bruk av samsiteringsanalyse.
- Forståelse av utviklingen av koblinger og siteringsnettverk over tid blant ulike publikasjoner innen feltet og identifisering av fremtidige forskningsretninger og hete emner.
Resten av artikkelen er strukturert som følger: del 2 skisserer metodikken og datainnsamlingstrinnene; seksjon 3 gir resultatene av analysene; og seksjon 4 diskuterer funnene og konkluderer med forskningsbidrag, implikasjoner og fremtidige retninger.
metodikk
I denne nåværende forskningsstudien gjennomfører vi en bibliometrisk analyse for å utforske droneapplikasjoner i landbruket. Denne kvantitative tilnærmingen avslører den intellektuelle strukturen til kunnskapsdomenet (Arora & Chakraborty, 2021) og nåværende status, hete temaer og fremtidige forskningsretninger som kan undersøkes ved å bruke denne metoden (Kapoor et al., 2018; Mishra et al. , 2017; A. Rejeb, Rejeb, et al., 2021b; A. Rejeb et al., 2021d; MA Rejeb et al., 2020). Generelt undersøker en bibliometrisk analyse den eksisterende litteraturen for å oppsummere og avdekke skjulte mønstre for skriftlig kommunikasjon og utviklingen av disiplinen basert på statistikk og matematiske metoder, og den gjelder for store datasett (Pritchard, 1969; Small, 1999; Tahai & Rigsby , 1998). Ved å bruke bibliometri ønsker vi å bedre forstå de eksisterende paradigmene og forskningsfokusene som bidrar til domenet basert på likhet (Thelwall, 2008). Bibliometri gir ny innsikt støttet av den objektive kvantitative styrken til metodikken (Casillas & Acedo, 2007). Tallrike forskere har tidligere utført bibliometriske studier innen relaterte domener, inkludert landbruk, fjernmåling og digital transformasjon (Armenta-Medina et al., 2020; Bouzembrak et al., 2019; A. Rejeb, Treiblmaier, et al., 2021; Wamba. & Queiroz, 2021; Wang et al., 2019).
Sitasjonsanalyse
Sitasjonsanalyse avslører ulike innsikter i et gitt forskningsfelt. Først og fremst bidrar det til å avsløre de mest innflytelsesrike forfatterne og publikasjonene som bidrar til et gitt forskningsfelt og gjør en betydelig innvirkning (Gundolf & Filser, 2013). For det andre kan kunnskapsflyten og kommunikasjonskoblingene mellom forfattere avdekkes. Til slutt, ved å spore koblingene mellom siterte og siterende verk, kan man utforske endringene og utviklingen av et kunnskapsdomene over tid (Pournader
et al., 2020). Høye sitatall av en publikasjon gjenspeiler dens relevans og betydelige bidrag til forskningsdomenet (Baldi, 1998; Gundolf & Filser, 2013; Marinko, 1998). Siteringsanalyse av publikasjoner bidrar også til å identifisere relevante verk og spore deres popularitet og fremgang over tid.
Dokumenter samsiteringsanalyse
Samsiteringsanalyse er en verdifull metode for å utforske sammenhenger mellom publikasjoner og skildre den intellektuelle strukturen til et felt (Nerur et al., 2008). Med andre ord, ved å identifisere de mest siterte publikasjonene og deres sammenhenger, grupperer metoden publikasjoner i distinkte forskningsklynger der publikasjoner i en klynge jevnlig deler lignende ideer (McCain, 1990; Small, 1973). Det er avgjørende å nevne at likhet ikke betyr at funnene i publikasjonene er
sammenhengende og enige med hverandre; publikasjoner tilhører samme klynge på grunn av emnelikhet, men de kan ha motstridende synspunkter.
Datainnsamling og analyse
Etter metodikken foreslått av White og Griffith (1981), utførte vi et omfattende søk etter tidsskriftartikler for å dekke hele forskningsdomenet for droneapplikasjoner i landbruket, og fulgte følgende fem trinn:
- Det første trinnet var datainnsamling. Scopus ble valgt som en av de mest omfattende og pålitelige databasene med standardiserte resultater. Metadataene til publikasjoner knyttet til alle droneapplikasjoner i landbruket ble hentet. Deretter analyserte vi de utvalgte artiklene, og fjernet artikler som ikke var tema fra analysen.
- Vi analyserte litteraturen og identifiserte de viktigste søkeordene som ble brukt i forskningsområdet.
- Ved å bruke siteringsanalyse utforsket vi sammenhengen mellom forfattere og dokumenter for å avsløre underliggende sitasjonsmønstre. Vi identifiserte også de mest innflytelsesrike forfatterne og publikasjonene med betydelige bidrag til feltet landbruksdroner.
- Vi gjennomførte en samsiteringsanalyse for å gruppere lignende publikasjoner i klynger.
- Til slutt analyserte vi sammenhengene og koblingene mellom land, institusjoner og tidsskrifter for å skildre samarbeidsnettverket.
Identifikasjon av passende søkeord
Vi brukte følgende søkestrenger for dataaggregering: (drone* ELLER «unmanned aerial vehicle» OR uav* OR «unmanned aircraf system”ELLER uas ELLER «fjernstyrte fly”) OG (landbruk ELLER landbruk ELLER jordbruk ELLER bonde). Søket ble utført i september 2021. Droner har flere betegnelser, inkludert UAV, UAS, og fjernstyrte fly (Sah et al., 2021). De spesifikke søkeordene knyttet til landbruk ble identifisert basert på studien til Abdollahi et al. (2021). For klarhetens og åpenhetens skyld er den nøyaktige spørringen vi brukte gitt i vedlegg 1. Etter en datarenseprosess laget vi en tekstfil som deretter ble lastet inn i BibExcel, et vanlig verktøy for siterings- og samsiteringsanalyse. Dette verktøyet tilbyr også enkel interaksjon med annen programvare og gir en betydelig grad av frihet i datahåndtering og analyse. VOSviewer versjon 1.6.16 ble brukt til å visualisere funnene og generere de bibliometriske nettverkene (Eck & Waltman, 2009). VOSviewer tilbyr en rekke intuitive visualiseringer, spesielt for å analysere bibliometriske kart (Geng et al., 2020). Videre hjelper det med å gi enkle visuelle resultater som hjelper til med å forstå resultatene bedre (Abdollahi et al., 2021). Ved å bruke søkestrengene som nevnt ovenfor, samlet og lagret vi alle relevante publikasjoner. De første søkeresultatene ga totalt 5,085 4,700 dokumenter. For å sikre kvaliteten på det utvalgte utvalget, ble kun fagfellevurderte tidsskriftartikler vurdert i forskningen, noe som resulterte i utelukkelse av andre dokumenttyper, som bøker, kapitler, konferansehandlinger og redaksjonelle notater. Under en screeningsprosess ble irrelevante (dvs. utenfor rammen av dette arbeidet), overflødige (dvs. duplikater som stammer fra dobbel indeksering) og ikke-engelsktalende publikasjoner filtrert ut. Denne prosessen resulterte i inkludering av XNUMX dokumenter i den endelige analysen.
Funn og diskusjon
Til å begynne med analyserte vi utviklingen i publikasjonsproduksjonen i den nåværende litteraturen om landbruksdroner. Den tidsmessige fordelingen av vitenskapelig forskning er vist i fig. 1. Vi ser en rask økning i publikasjoner fra år 2011 (30 publikasjoner) og fremover; derfor bestemte vi oss for å dele analyseperioden i to ulike stadier. Vi omtaler perioden mellom 1990 og 2010 som oppbyggingsstadiet, som hadde omtrent syv artikler utgitt årlig. Perioden etter 2010 har blitt kalt vekststadiet siden forskning på droneapplikasjoner i landbruket var vitne til en eksponentiell økning i denne perioden. Etter 2010 bekrefter det økende antallet publikasjoner den økende interessen blant forskere, noe som også reflekterer at droner har blitt brukt til fjernmåling og brukt i presisjonslandbruk (Deng et al., 2018; Maes & Steppe, 2019; Messina & Modica, 2020 ). Konkret økte antallet publikasjoner fra 108 i 2013 til 498 i 2018 og nådde en topp på 1,275 2020 i 935. Totalt ble det publisert 2021 artikler mellom januar og midten av september XNUMX. Deretter valgte vi å fokusere analysen vår mer på vekststadiet siden denne perioden gjenspeiler de nyeste og viktigste finessene til landbruksdroner.
Nøkkelordanalyse
Nøkkelordene forfatterne velger for en publikasjon har en avgjørende innvirkning på hvordan artikkelen er representert og hvordan den formidles innenfor vitenskapelige miljøer. De identifiserer nøkkelemnene for forskningen og bestemmer dens potensial til å blomstre eller mislykkes (Day & Gastel, 1998.; Kim et al., 2016; Uddin et al., 2015). Nøkkelordanalyse, et verktøy for å avdekke bredere forskningstrender og retninger, refererer til sammenstillingen av nøkkelordene for alle relaterte publikasjoner i et domene (Dixit & Jakhar, 2021). I den nåværende studien delte vi de aggregerte søkeordene i to sett (dvs. frem til 2010 og 2011–2021) for å utforske de mest populære emnene. Ved å gjøre dette kan vi spore de avgjørende nøkkelordene i begge settene og forsikre oss om at vi fanget opp alle nødvendige data. For hvert sett er de ti beste søkeordene presentert i tabell 3. Vi eliminerte inkonsekvenser ved å slå sammen semantisk identiske søkeord, for eksempel "drone" og "droner" eller på samme måte "Internet of Things" og "IoT".
Tabell 3 viser at «ubemannet luftfartøy» er et hyppigere brukt nøkkelord sammenlignet med «drone» og «ubemannet luftfartøy» i begge tidsperioder. Dessuten er "fjernmåling", "presisjonslandbruk" og "landbruk" høyt rangert i begge perioder. I den første perioden rangerte «presisjonslandbruk» på femteplass, og det på andreplass i den andre perioden, noe som illustrerer hvordan droner blir stadig viktigere for å oppnå presisjonslandbruk ettersom de kan gjøre overvåking,
deteksjons- og estimeringspraksis raskere, billigere og enklere å utføre sammenlignet med andre fjernmåling og bakkebaserte systemer. De kan også spraye den nøyaktige mengden tilførsel (f.eks. vann eller plantevernmidler) når det er nødvendig (Guo et al., 2020; Inoue, 2020; Panday, Pratihast, et al., 2020).
Liste over mest brukte søkeord.
Rang | 1990-2010 | Antall forekomster | 2011-2021 | Antall forekomster |
1 | ubemannet antenne kjøretøy | 28 | ubemannet luftfartøy | 1628 |
2 | ekstern sensing | 7 | presisjon landbruk | 489 |
3 | landbruk | 4 | ekstern sensing | 399 |
4 | luftbårne | 4 | drone | 374 |
5 | presisjon landbruk | 4 | ubemannet luftsystem | 271 |
6 | ubemannet antenne | 4 | landbruk | 177 |
7 | hyperspektral sensor | 3 | dyp læring | 151 |
8 | kunstig nevrale nettverk | 2 | maskin læring | 149 |
9 | autonom flukt | 2 | vegetasjon Index | 142 |
10 | kaffe | 2 | Internett av Ting | 124 |
En annen interessant funksjon er tilstedeværelsen av komplementære teknologier. I den første fasen er "Hyperspektral sensor" og "kunstige nevrale nettverk" (ANN) blant de ti beste søkeordene. Hyperspektral avbildning revolusjonerte tradisjonell bildebehandling ved å samle et stort antall bilder med forskjellige bølgelengder. Ved å gjøre dette kan sensorene samtidig samle bedre romlig og spektral informasjon sammenlignet med multispektral avbildning, spektroskopi og RGB-bilder (Adao ˜ et al.,
2017). Forekomsten av "ANN" i den første fasen og "deep learning" (DL) og "machine learning" (ML) i den andre innebærer at de fleste av de publiserte arbeidene fokuserte på undersøkelsen av potensialet til AI-teknikker for drone- basert landbruk. Selv om droner er i stand til å fly autonomt, krever de fortsatt involvering av en pilot, noe som innebærer et lavt nivå av enhetsintelligens. Imidlertid kan dette problemet løses på grunn av fremme av AI-teknikker, som kan gi bedre situasjonsforståelse og autonom beslutningsstøtte. Utstyrt med AI kan droner unngå kollisjoner under navigering, forbedre jord- og avlingshåndtering (Inoue, 2020) og redusere arbeidskraft og stress for mennesker (BK Sharma et al., 2019).
På grunn av deres fleksibilitet og evne til å håndtere store mengder ikke-lineære data, er AI-teknikker egnede metoder for å analysere dataene som overføres av droner og andre fjernmåling og bakkebaserte systemer for prediksjon og beslutningstaking (Ali et al., 2015; Inoue, 2020). Videre indikerer tilstedeværelsen av "IoT" i den andre perioden dens nye rolle i landbruket. IoT revolusjonerer landbruket ved å koble sammen andre teknologier, inkludert droner, ML, DL, WSN og big data. En av de viktigste fordelene med å implementere IoT er dens evne til å effektivt og effektivt slå sammen ulike oppgaver (datainnsamling, dataanalyse og prosessering, beslutningstaking og implementering) i nesten sanntid (Elijah et al., 2018; Feng et al. , 2019; Muangprathub et al., 2019). Videre regnes droner som effektive verktøy for å fange opp data som er nødvendige for å beregne vegetasjonens livskraft og vegetasjonsegenskaper (Candiago et al., 2015). Fig. 2a og 2b illustrerer nøkkelordet co-currence-nettverk for begge tidsperioder.
Innflytelsesrike forfattere
I denne delen bestemmer vi de innflytelsesrike forfatterne og undersøker hvordan forfattersiteringsnettverk kan visualisere og organisere den aktuelle litteraturen. Fig. 3 viser det kronologiske overlegget til alle forskere med det høyeste antallet siteringer. Fargeskalaen gjenspeiler årsvariasjonen av forfatternes sitater. Vi undersøker siteringsstrukturen til forskere som publiserte studier om landbruksdroner ved å bruke en terskel på minimum 50 siteringer og ti publikasjoner. Ut av
12,891 115 forfattere, bare 4 oppfylte denne betingelsen. Tabell 1,963 viser de ti mest innflytelsesrike forfatterne, sortert etter maksimalt antall siteringer. Lopez- Granados F. leder listen med 1,909 siteringer, etterfulgt av Zarco-Tejada PJ med XNUMX siteringer.
Liste over mest siterte forfattere.
Ranking | Forfatter | Sitater |
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 |
Når det gjelder enkeltpublikasjoner, har Zhang og Kovacs (2012) sin artikkel vært den mest siterte studien publisert i Precision Agriculture. Her gjennomgikk forfatterne bruken av UAS i presisjonslandbruk. Funnene fra forskningen deres tyder på at det er behov for å fremme plattformdesign, produksjon, standardisering av bildegeoreferering og arbeidsflyt for informasjonsinnhenting for å gi bønder pålitelige sluttprodukter. I tillegg anbefaler de å engasjere bonden sterkere, spesielt i feltplanlegging, bildefangst, samt datatolkning og analyse. Viktigere er at denne studien var blant de første som viste betydningen av UAV i feltkartlegging, kraftkartlegging, måling av kjemisk innhold, overvåking av vegetasjonsstress og evaluering av effekter av gjødsel på plantevekst. Utfordringene knyttet til teknologien inkluderer også uoverkommelige kostnader, sensorkapasitet, plattformstabilitet og pålitelighet, mangel på standardisering og konsekvent prosedyre for å analysere enorme mengder data.
Sitasjonsanalyse
Sitasjonsanalyse representerer studiet av påvirkning av artikler, selv om det er utsatt for flyt (f.eks. siteringsbias, selvsitering) regnes som et av standardinstrumentene for konsekvensevaluering (Osareh, 1996; A. Rejeb et al., 2022; Sarli et al., 2010). Sitater gjenspeiler også viktigheten og vitaliteten til artiklers bidrag til litteraturen om et spesifikt emne (R. Sharma et al., 2022). Vi gjennomførte en sitasjonsanalyse for å bestemme de mest innflytelsesrike studiene på landbruksdroner og oppsummerte innholdet. Tabell 5 viser listen over de femten mest innflytelsesrike avisene for periodene 1990–2010 og 2011–2021. Artiklene til Berni et al. (2009)b og Austin (2010) har vært de mest siterte i løpet av 1990 og 2010, med henholdsvis 831 og 498 siteringer. Berni et al. (2009)b illustrerte potensialet for å utvikle kvantitative fjernmålingsprodukter via en helikopterbasert UAV utstyrt med rimelige termiske og smalbånds multispektrale bildesensorer. Sammenlignet med tradisjonelle bemannede luftbårne sensorer, er et rimelig UAV-system for landbruk i stand til å oppnå sammenlignbare estimater av de biofysiske parametrene til avlinger, om ikke bedre. Den rimelige kostnaden og operasjonsfleksibiliteten, sammen med de høye spektrale, romlige og tidsmessige oppløsningene som er tilgjengelige på en rask behandlingstid, gjør UAV-er egnet for en rekke bruksområder som krever tidskritisk styring, inkludert vanningsplanlegging og presisjonslandbruk. Oppgaven fra Berni et al. (2009)b er høyt sitert fordi den effektivt integrerte en ubemannet roterende vingeplattform og digitale og termiske sensorer med de nødvendige kalibreringsmekanismene for landbruksapplikasjoner. Den nest mest siterte publikasjonen er en bok skrevet av Austin (2010), som diskuterte UAV-er fra design-, utviklings- og distribusjonsperspektiver. I landbruket støtter UAV-er avlingsovervåking ved å oppdage sykdommer tidlig gjennom avlingsfargeendringer, lette såing og sprøyting av avlinger, og overvåke og drive besetninger.
Studiene til Sullivan et al. (2007), Lumme et al. (2008), og Gokto ¨ ǧan et al. (2010) fullfører listen over de femten mest siterte artiklene. Disse artiklene illustrerer utviklingen av UAV-baserte systemer for å støtte landbruket. De tilbyr løsninger på ulike problemer, som avlingsovervåking og skanning, overvåking og håndtering av ugras, og beslutningsstøtte. De foreslår og diskuterer også UAVs evne til å øke prøvetakingseffektiviteten og hjelpe bønder med å utarbeide nøyaktige og effektive
plantestrategier. To artikler ble skrevet av Berni (Berni et al., 2009b; Berni et al., 2009a), som understreker hans betydelige innvirkning på landbruksdronerelatert forskning. Oppgaven fra Zarco-Tejada et al. (2014) har vært blant banebrytende studiene for å illustrere behovet for å bruke rimelige UAV-bilder i trehøydekvantifisering.
Liste over mest siterte publikasjoner.
Rang | Fra 1990 til 2010 | Fra 2011 til 2021 | ||
Document | Sitering | Document | Sitering | |
1 | (Berni et al., 2009b) | 831 | (C. Zhang & Kovacs, 2012) | 967 |
2 | (Austin, 2010) | 498 | (Nex & Remondino, 2014) | 893 |
3 | (Hunt et al., 2010) | 331 | (Floreano & 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 | (Ad˜ 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 & 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 |
I den andre perioden (2011–2021) resulterte forskningen til Zhang og Kovacs (2012) og Nex og Remondino (2014) i de hyppigst siterte publikasjonene. Zhang og Kovacs (2012) hevder at presisjonslandbruk kan ha nytte av å implementere geospatiale teknikker og sensorer, som geografiske informasjonssystemer, GPS og fjernmåling, for å fange opp variasjoner i feltet og håndtere dem ved å bruke alternative strategier. Som en game-changer innen presisjonslandbruk, har innføringen av droner innvarslet en ny tidsalder innen fjernmåling, forenklet luftobservasjon, fangst av avlingsvekstdata, jordforhold og sprøyteområder. Gjennomgangen av Zhang og Kovacs (2012) er banebrytende siden den gir innsikt i UAV-er ved å avsløre eksisterende bruk og utfordringer for disse enhetene i miljøovervåking og presisjonslandbruk, som plattform- og kamerabegrensninger, databehandlingsutfordringer, bondens engasjement og luftfartsforskrifter. . Den andre
mest siterte studie fra Nex og Remondino (2014) gjennomgikk toppmoderne for UAV-er for å fange, behandle og analysere jordbilder.
Arbeidet deres presenterte også en oversikt over flere UAV-plattformer, applikasjoner og brukstilfeller, og viste frem de nyeste fremskrittene innen UAV-bildebehandling. I landbruket kan bønder bruke UAV-er for å ta effektive beslutninger for å oppnå kostnads- og tidsbesparelser, motta en rask og presis oversikt over skader og forutse mulige problemer. I motsetning til konvensjonelle luftplattformer, kan UAV-er kutte driftsutgifter og redusere faren for tilgang på tøffe steder, samtidig som høy presisjonspotensiale bevares. Papiret deres oppsummerer ulike fordeler med UAV-er, spesielt når det gjelder nøyaktighet og oppløsning.
Blant de resterende tretten mest siterte publikasjonene mellom 2011 og 2021, la vi merke til en større konsentrasjon om forskning knyttet til droneapplikasjoner i bildeoppdrag (Bendig et al., 2014; Ma et al., 2017; Zarco-Tejada et al., 2014) , presisjonslandbruk (Candiago et al., 2015; Honkavaara et al., 2013a), presisjonsvindyrking (Matese et al., 2015), vannstressvurdering (Gago et al., 2015) og vegetasjonsovervåking (Aasen et al. , 2015a). I de første årene fokuserte forskerne
mer om utvikling av rimelige, lette og presise UAV-baserte systemer for landbruk; nyere forskning har fokusert mer på vurderinger av UAV-applikasjoner for landbruk og feltundersøkelser. Oppsummert avslører denne analysen at de innflytelsesrike publikasjonene stort sett har gitt anmeldelser av tidligere studier for å evaluere UAVs nåværende vitenskapelige og teknologiske status og utviklet UAV-systemer for å støtte presisjonslandbruk. Interessant nok fant vi ikke studier som brukte empiri
metodikk eller beskrivende casestudier, som utgjør et betydelig kunnskapsgap og krever mer forskning på dette emnet.
Samsiteringsanalyse
I følge Gmür (2006) identifiserer samsiteringsanalyse lignende publikasjoner og grupperer dem. Nøye undersøkelser av en klynge kan avdekke et felles forskningsfelt blant publikasjonene. Vi undersøker samsitering av litteraturen knyttet til landbruksdroner for å illustrere relaterte fagområder og oppdage de intellektuelle mønstrene til publikasjoner. I denne forbindelse anbefalte Small (1973) bruken av cocitation-analyse for å studere den mest innflytelsesrike og mest sentrale forskningen.
innenfor en disiplin. For å begrense settet til de mest banebrytende artiklene (Goyal & Kumar, 2021), satte vi en samsiteringsterskel på 25, noe som betyr at to artikler må ha blitt sitert sammen i referanselistene til 25 eller flere forskjellige publikasjoner. Klyngen ble også utført med en minimum klyngestørrelse 1 og uten noen metode for å slå sammen mindre klynger med større. Som et resultat ble seks klynger generert basert på likheten mellom studier og deres intellektuelle struktur. Tabell 6 viser fordelingen av publikasjoner i hver klynge.
Klynge 1: Denne klyngen inneholder atten dokumenter publisert etter Publikasjonene i denne klyngen diskuterer rollen til droner for å støtte miljøovervåking, avlingsforvaltning og ugrashåndtering. For eksempel, Manfreda et al. (2018) gir en oversikt over gjeldende forskning og implementeringer av UAV i naturlig landbruksøkosystemovervåking og argumenterer for at teknologien tilbyr et enormt potensial for å drastisk forbedre miljøovervåking og redusere
det eksisterende gapet mellom feltobservasjon og konvensjonell luft- og rombåren fjernmåling. Dette kan gjøres ved å tilby ny kapasitet for forbedret tidsmessig gjenfinning og romlig innsikt i store områder på en rimelig måte. UAV-er kan hele tiden sanse miljøet og sende de resulterende dataene til intelligente, sentraliserte/desentraliserte enheter som kontrollerer sensorer for å identifisere eventuelle problemer, for eksempel mangel på sykdom eller vanndeteksjon (Padua ´ et al., 2017). Adao ˜ et al. (2017) hevder at UAV-er er ideelle for å vurdere planters forhold ved å fange opp et stort volum av rådata relatert til vannstatus, biomasseestimering og energivurdering. UAV-monterte sensorer kan også distribueres raskt under riktige miljøforhold for å tillate rettidig fangst av fjernmålingsdata (Von Bueren et al., 2015). Ved hjelp av UAV-er er bønder i stand til å utføre innendørs jordbruksaktiviteter ved å innhente målinger fra praktisk talt et hvilket som helst sted i det tredimensjonale rommet til innendørs jordbruksmiljøer (f.eks. drivhus), og dermed sikre lokal klimakontroll og planteovervåking (Roldan et al. ., 2015). I presisjonssammenheng
landbruk, avlingshåndteringsbeslutninger nødvendiggjør nøyaktige, pålitelige avlingsdata med en passende tidsmessig og romlig oppløsning (Gebbers & Adamchuk, 2010; Gevaert et al., 2015; Maes & Steppe, 2019). Av denne grunn har Agüera Vega et al. (2015) brukte et UAV-montert multispektralt sensorsystem for å ta bilder av en solsikkeavling i vekstsesongen. Tilsvarende har Huang et al. (2009) bemerker at fjernmåling basert på UAV-er kan lette måling av avlinger og jord fra de innsamlede spektraldataene. Verger et al. (2014) utviklet og testet en teknikk for å estimere en grønnarealindeks (GAI) fra UAV-reflektansmålinger i presisjonslandbruksapplikasjoner, med fokus på hvete- og rapsavlinger. Derfor gir droner nye muligheter for å hente informasjon om avlingstilstand med hyppige gjenbesøk og høy romlig oppløsning (Dong et al., 2019; Garzonio et al., 2017; H. Zheng et al., 2016).
Gruppering av innflytelsesrike publikasjoner om landbruksdroner.
Cluster | Bredt tema | Referanser |
1 | Miljøovervåking, avling forvaltning, ugrasbehandling | (Ad˜ ao et al., 2017; Agüera Vega et al., 2015; de Castro et al., 2018; Gomez-Cand ´ on ´ et al., 2014; YB Huang et al., 2013; Khanal et al., 2017; Lopez-Granados, ´ 2011; Manfreda et al., 2018; P´ adua et al., 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 et al., 2014; Von Bueren et al., 2015; C. Zhang & Kovacs, 2012) |
2 | Ekstern fenotyping, utbytte estimering, modell av avlingsoverflate, telling av planter | (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 et al., 2016; Maimaitijiang et al., 2017; Sankaran et al., 2015; Schirrmann et al., 2016; Shi et al., 2016; Yue et al., 2017; X. Zhou et al., 2017) |
3 | Termisk avbildning for vann, multispektral avbildning | (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 | Hypersektral avbildning, spektral bildebehandling | (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-kartleggingsapplikasjoner | (Jim´enez-Brenes et al., 2017; Nex & Remondino, 2014; Salamí et al., 2014; Torres-S´ anchez, Lopez-´ Granados, Serrano, et al., 2015; Zahawi et al., 2015; Zarco-Tejada et al., 2014) |
6 | Landbruksovervåking | (SR Herwitz et al., 2004; Hunt et al., 2010; CCD Lelong et al., 2008; Primicerio et al., 2012; Xiang & Tian, 2011) |
Videre er droner nyttige for utfordrende oppgaver i landbruket, inkludert ugraskartlegging. Bilder tatt av enhetene har bevist at de er nyttige for tidlig påvisning av ugras i åkre (de Castro et al., 2018; Jim´enez-Brenes et al., 2017; Lam et al., 2021; Lopez-Granados ´ et al., 2016; Rozenberg et al., 2021). I denne forbindelse har de Castro et al. (2018) hevder at sammenslåingen av UAV-bilder og objektbasert bildeanalyse (OBIA) har gjort det mulig for utøvere å overvinne problemet med å automatisere tidlig oppdagelse i tidlige sesongavlinger, som er et stort skritt fremover i ugrasforskning. På samme måte har Pena ˜ et al. (2013) påpeker at bruken av bilder med ultrahøy romlig oppløsning fra UAV i forbindelse med en OBIA-prosedyre gjør det mulig å generere ugraskart i tidlige maisavlinger som kan brukes i planlegging av implementering av ugrasbekjempelsestiltak i sesongen, en oppgave utover evnen til satellittbilder og tradisjonelle luftbårne bilder. Sammenlignet med bildeklassifisering eller objektdeteksjonsalgoritmer, er semantiske segmenteringsteknikker mer effektive ved ugraskartleggingsoppgaver (J. Deng et al., 2020), og gjør dermed bønder i stand til å oppdage feltforhold, redusere tap og forbedre avlingene gjennom hele vekstsesongen (Ramesh et al., 2020). Dyplæringsbasert semantisk segmentering kan også gi en nøyaktig måling av vegetasjonsdekke fra høyoppløselige flybilder (Ramesh et al., 2020; A. Zheng et al., 2022). Til tross for deres potensial for ekstern
sensing av pikselklassifisering krever semantiske segmenteringsteknikker betydelig beregning og et uoverkommelig høyt GPU-minne (J. Deng et al., 2020).
Basert på maskinlæring og UAV, P´erez-Ortiz et al. (2015) foreslo en ugraskartleggingstilnærming for å tilby stedsspesifikke ugrasbekjempelsesstrategier når bønder tar i bruk ugrasbekjempelse tidlig etter fremvekst. Til slutt, Rasmussen et al. (2013) fremhevet at droner gir rimelig sansing med stor romlig oppløsningsfleksibilitet. Samlet sett fokuserer publikasjonene i denne klyngen på å utforske potensialene til UAV-er for å støtte fjernmåling, avlingsovervåking og ugraskartlegging. Ytterligere dyptgående forskning er nødvendig for å videre undersøke hvordan droneapplikasjoner innen miljøovervåking, avlingsforvaltning og ugraskartlegging kan oppnå mer bærekraftig landbruk (Chamuah & Singh, 2019; Islam et al., 2021; Popescu et al., 2020; J Su, Liu, et al., 2018) og tar opp styringsspørsmål av denne teknologien i avlingsforsikringsapplikasjoner (Basnet & Bang, 2018; Chamuah & Singh, 2019, 2022; Meinen & Robinson, 2021). Forskere bør konsentrere seg om å validere UAV-innsamlede målinger med effektive prosesseringsteknikker for å forbedre den ultimate kvaliteten på behandlede data (Manfreda et al., 2018). Videre er det nødvendig med utvikling av passende algoritmer som gjenkjenner piksler som viser ugress i de digitale bildene og eliminerer irrelevant bakgrunn under UAV-lukekartlegging (Gaˇsparovi´c et al., 2020; Hamylton et al., 2020; H. Huang et al. , 2018, 2020; Lopez-´ Granados et al., 2016). Ytterligere forskning på bruk av semantiske segmenteringsteknikker i plantegjenkjenning, bladklassifisering og sykdomskartlegging er velkommen (Fuentes-Pacheco et al., 2019; Kerkech et al., 2020).
Klynge 2. Publikasjonene i denne klyngen fokuserte på flere aspekter ved landbruksdroner. Relatert til ekstern fenotyping, Sankaran et al. (2015) gjennomgikk potensialet ved å bruke luftavbildning med høy oppløsning i lav høyde med UAV-er for rask fenotyping av avlinger i åkeren, og de argumenterer for at sammenlignet med bakkebaserte sanseplattformer gir små UAV-er med tilstrekkelige sensorer flere fordeler , for eksempel enklere tilgang til feltet, høyoppløselige data, effektiv datainnsamling,
raske vurderinger av feltets vekstforhold, og lave driftskostnader. Imidlertid bemerker forfatterne også at effektiv anvendelse av UAV for feltfenotyping er avhengig av to grunnleggende elementer, nemlig UAV-funksjoner (f.eks. sikkerhet, stabilitet, posisjonering, autonomi) og sensorkarakteristikk (f.eks. oppløsning, vekt, spektrale bølgelengder, felt). utsikt). Haghighattalab et al. (2016) foreslo en semi-automatisert bildebehandlingspipeline for å hente data på plottnivå fra UAV-bilder og akselerere avlsprosessen. Holman et al. (2016) utviklet en høy
system for gjennomstrømning av feltfenotyping og fremhevet at UAV er i stand til å samle kvalitetsmessige, voluminøse, feltbaserte fenotypiske data, og at enheten er effektiv for store områder og på tvers av forskjellige feltplasseringer.
Siden avkastningsestimering er en utrolig viktig informasjon, spesielt når den er tilgjengelig i tide, er det et potensial for UAV-er til å levere alle feltmålinger og effektivt innhente data av høy kvalitet (Daakir et al., 2017; Demir et al., 2018 ; Enciso et al., 2019; Kulbacki et al., 2018; Pudelko et al., 2012). I denne forbindelse, Jin et al. (2017) utnyttet de høyoppløselige bildene oppnådd av UAV-er i svært lave høyder for å utvikle og vurdere en metode for å estimere hveteplantetetthet på fremvekststadiet. I følge forfatterne overvinner UAV-er begrensningene til roversystemer utstyrt med kameraer og representerer en ikke-invasiv metode for å estimere plantetetthet i avlinger, slik at bøndene kan oppnå den høye gjennomstrømningen som er nødvendig for feltfenotyping uavhengig av trafikkbarheten til jorda. Li et al. (2016) samlet hundrevis av stereobilder med ekstremt høy oppløsning ved å bruke et UAV-basert system for å estimere maisparametere, inkludert baldakinhøyde og overjordisk biomasse. Til slutt, Yue et al. (2017) fant at avlingshøyde bestemt fra UAV-er kunne forbedre estimering av overjordisk biomasse (AGB).
En tilnærming for å overvåke avlingsvekst er ideen om å utvikle avlingsoverflatemodeller (Bendig et al., 2014, 2015; Holman et al., 2016; Panday, Shrestha, et al., 2020; Sumesh et al., 2021). Flere studier fremhevet muligheten for bilder tatt fra UAV for å fange plantens høyde og overvåke veksten deres. For eksempel, Bendig et al. (2013) beskrev utviklingen av multi-temporale avlingsoverflatemodeller med en svært høy oppløsning på mindre enn 0.05 m ved bruk av UAV. De hadde som mål å oppdage avling
vekstvariabilitet og dens avhengighet av avlingsbehandling, kultivarer og stress. Bendig et al. (2014) brukte UAV-er til å estimere fersk og tørr biomasse basert på plantehøyde hentet fra avlingsoverflatemodeller og fant at, i motsetning til luftbårne plattformer og terrestrisk laserskanning, kan høyoppløselige bilder fra UAV-er betydelig øke nøyaktigheten til plantehøydemodellering for ulik vekst etapper. På samme måte har Geipel et al. (2014) brukte UAV-er i sin forskning for å skaffe bilder
datasett for prediksjon av maiskornutbytte ved tre ulike vekstfaser fra tidlig til midtsesong og konkluderte med at kombinasjonen av spektral og romlig modellering basert på flybilder og avlingsoverflatemodeller er en egnet metode for å forutsi maisavling midt i sesongen. Til slutt undersøkte Gnadinger ¨ og Schmidhalter (2017) nytten av UAV i presisjonsfenotyping og fremhevet at bruken av denne teknologien kan forbedre gårdsdriften og muliggjøre felteksperimentering for avl og agronomiske formål. Totalt sett observerer vi at publikasjonene i klynge 2 fokuserer på hovedfordelene med UAV-er i fjerntliggende
fenotyping, avlingsestimering, modellering av avlingsoverflate og plantetelling. Fremtidige studier kan grave dypere ved å utvikle nye metoder for ekstern fenotyping som kan automatisere og optimalisere behandlingen av fjernregistrerte data (Barabaschi et al., 2016; Liebisch et al., 2015; Mochida et al., 2015; S. Zhou et al. ., 2021). I tillegg må ytelsen til IoT-sensorer montert på UAV-er og avveiningen mellom kostnadene, arbeidskraften og presisjonen av avkastningsestimering undersøkes i
fremtid (Ju & Son, 2018a, 2018b; Xie & Yang, 2020; Yue et al., 2018). Til syvende og sist er det behov for å utvikle effektive bildebehandlingsmetoder som kan generere pålitelig informasjon, maksimere effektiviteten i landbruksproduksjonen og minimere det manuelle tellearbeidet til bøndene (RU Khan et al., 2021; Koh et al., 2021; Lin & Guo, 2020; C. Zhang et al., 2020).
Klynge 3. Publikasjonene i denne klyngen diskuterer ulike typer bildesystemer for fjernmåling av landbruksressurser som brukes på UAV-plattformer. I denne forbindelse tillater termisk avbildning overvåking av overflatetemperaturer for å forhindre skade på avlingen og oppdage tørkestress tidlig (Awais et al., 2022; García-Tejero et al., 2018; Sankaran et al., 2015; Santesteban et al., 2017; Yeom, 2021). Baluja et al. (2012) hevdet at bruken av multispektrale og termiske kameraer ombord
UAV gjorde det mulig for forskere å få bilder med høy oppløsning og vurdere vinstatus. Dette kan være nyttig for å utvikle nye vannplanleggingsmodeller ved å bruke fjernmålingsdata (Baluja et al., 2012). På grunn av
begrenset lastekapasitet til UAV, Ribeiro-Gomes et al. (2017) vurderte integreringen av ukjølte termiske kameraer i UAVS for å bestemme vannstress i plantene, noe som gjør denne typen UAV-er mer effektive og levedyktige enn tradisjonell satellittbasert fjernmåling og UAV-er utstyrt med avkjølte termiske kameraer. I følge forfatterne er ukjølte termiske kameraer lettere enn avkjølte kameraer, og krever passende kalibrering. Gonzalez-Dugo et al. (2014) viste at termiske bilder effektivt genererer romlige kart over avlingsvannstressindekser for å vurdere vannstatus og kvantifisere vannstress blant og innenfor sitrushager. Gonzalez-Dugo et al. (2013) og Santesteban et al. (2017) undersøkte bruken av UAV-termiske bilder med høy oppløsning for å estimere vannstatusvariasjonen til en kommersiell frukthage og en vingård.
Multispektral avbildning kan gi massive data sammenlignet med tradisjonelle RGB (røde, grønne og blå) bilder (Ad˜ ao et al., 2017; Navia et al., 2016). Disse spektrale dataene, sammen med romlige data, kan hjelpe til med klassifisering, kartlegging, prognoser, prediksjon og deteksjonsformål (Berni et al., 2009b). I følge Candiago et al. (2015), kan UAV-basert multispektral avbildning bidra massivt til avlingsvurdering og presist landbruk som en pålitelig og effektiv ressurs. Også,
Khaliq et al. (2019) gjorde en sammenligning mellom satellitt- og UAV-basert multispektral avbildning. De UAV-baserte bildene resulterte i å være mer presise når det gjelder å beskrive variabiliteten i vingårder, så vel som kraftkart for å representere avlingstak. I et nøtteskall diskuterer artikler i denne klyngen inkorporering av termiske og multispektrale bildesensorer i landbruks-UAV. Følgelig er det nødvendig med mer forskning for å forstå hvordan termisk og multispektral avbildning kan integreres med AI
teknikker (f.eks. dyp læring) for å oppdage plantestress (Ampatzidis et al., 2020; Ampatzidis & Partel, 2019; Jung et al., 2021; Santesteban et al., 2017; Syeda et al., 2021). Slik innsikt vil bidra til å sikre mer effektiv og nøyaktig deteksjon samt overvåking av plantevekst, stress og fenologi (Buters et al., 2019; Cao et al., 2020; Neupane & BaysalGurel, 2021; L. Zhou et al., 2020).
Klynge 4. Denne klyngen består av syv artikler som dreier seg om den avgjørende rollen til spektral avbildning og hyperspektral avbildning for å støtte landbrukspraksis. Hyperspektral avbildning har etablert seg som en fjernmålingsmetode som muliggjør kvantitativ vurdering av jordsystemet (Schaepman et al., 2009). For å være mer presis, muliggjør den identifisering av overflatematerialer, kvantifisering av (relative) konsentrasjoner, og tildelingen av overflatekomponentproporsjoner
innenfor blandede piksler (Kirsch et al., 2018; Zhao et al., 2022). Med andre ord, den høyere spektrale oppløsningen som tilbys av hyperspektrale systemer muliggjør mer nøyaktige estimeringer av ulike parametere, for eksempel vegetariske egenskaper eller bladvanninnhold (Suomalainen et al., 2014). Forskerne i denne klyngen undersøkte ulike aspekter ved slike systemer. Blant andre Aasen et al. (2015b) tilbød en unik tilnærming for å utlede tredimensjonal hyperspektral informasjon fra lettvekt
snapshot-kameraer brukt på UAV-er for vegetasjonsovervåking. Lucieer et al. (2014) diskuterte design, utvikling og luftoperasjoner av en ny hyperspektral UAS, samt kalibrering, analyse og tolkning av bildedataene samlet med den. Til slutt, Honkavaara et al. (2013b) utviklet en omfattende behandlingstilnærming for FabryPerot interferometerbaserte spektralbilder og viste bruken i en biomasseestimatprosedyre for presisjonslandbruk. Potensielle fremtidige veier for denne nåværende klyngen inkluderer å understreke behovet for tekniske forbedringer i sensorteknologier (Aasen et al., 2015b) samt behovet for å inkorporere og forbedre komplementære teknologier, spesielt big data og analyse (Ang & Seng, 2021; Radoglou -Grammatikis et al., 2020; Shakoor et al., 2019). Sistnevnte stammer hovedsakelig fra stadig voksende data generert av ulike sensorer implementert i smart landbruk (C. Li & Niu, 2020; A. Rejeb et al., 2022; Y. Su & Wang, 2021).
Klynge 5. Publikasjonene i denne klyngen undersøkte dronebaserte 3Dmapping-applikasjoner. Bruk av droner for 3D-kartlegging kan lindre det komplekse feltarbeidet og øke effektiviteten betraktelig (Torres-Sanchez ´ et al., 2015). De fem artiklene i klyngen fokuserte hovedsakelig på bruksområder for planteovervåking. For eksempel, for å få tredimensjonale data om baldakinareal, trehøyde og kronevolum, har Torres-Sanchez ´ et al. (2015) brukte UAV-teknologi for å generere digitale overflatemodeller og deretter tilnærminger til objektbasert bildeanalyse (OBIA). Videre, Zarco-Tejada et al. (2014) kvantifiserte trehøyden ved å integrere UAV-teknologi og tredimensjonale fotorekonstruksjonsmetoder. Jim'enez-Brenes Lopez-Granados, 'De Castro, et al. (2017) demonstrerte en ny prosess for multi-temporal 3D-overvåking av dusinvis av oliventrær ved å integrere UAV-teknologi med avansert OBIA-metodikk. Interessante veier for fremtidige arbeider i denne klyngen inkluderer enten forbedring av nåværende
metodologier (Zarco-Tejada et al., 2014) for digital overflatemodellering (Ajayi et al., 2017; Jaud et al., 2016), slik som OBIA (de Castro et al., 2018, 2020; Ventura et al. , 2018), og fotorekonstruksjon eller utvikling av nye metoder (Díaz-Varela et al., 2015; Torres-S´anchez et al., 2015).
Klynge 6. Denne klyngen diskuterer rollen til droner i landbruksovervåking. UAV-er kan utfylle og overvinne manglene ved satellitt- og flyavbildning. For eksempel kan de gi høyoppløsning nær sanntidsbilder med mindre drivstoff- eller pilotutfordringer, noe som resulterer i konstant og sanntidsovervåking og forbedringer i beslutningstaking (S. Herwitz et al., 2004). Et annet viktig bidrag fra UAV-er er deres evne til å gi stedsspesifikke data for presisjonslandbruk eller stedsspesifikk oppdrett, da deres høye oppløsning, detaljerte data om ulike parametere gjør det mulig for bønder å dele landet i homogene deler og behandle dem deretter (Hunt et al. , 2010; CC Lelong et al., 2008; Primicerio et al., 2012). Slik UAV-basert landbruksovervåking kan støtte matsikkerhetsovervåking og beslutningstaking (SR Herwitz et al., 2004). For å fremme forskning innen landbruksovervåking er det ikke bare nødvendig med forbedringer i sensorer, UAV-er og andre relaterte teknologier og deres kommunikasjons- og dataoverføringsmetoder (Ewing et al., 2020; Shuai et al., 2019), men også integrering av droner med ulike teknologier for å optimalisere ulike oppgaver i forhold til smart landbruk, som overvåking, landbruksovervåking og beslutningstaking, er et forskningsområde med høy potensial (Alsamhi et al., 2021; Popescu et al., 2020; Vuran et al., 2018). I denne forbindelse tilbyr IoT, WSN-er og big data interessante komplementære muligheter (van der Merwe et al., 2020). Implementeringskostnader, kostnadsbesparelser, energieffektivitet og datasikkerhet er blant de lite undersøkte områdene for slik integrasjon (Masroor et al., 2021).
Land og akademiske institusjoner
Det siste trinnet inkluderte undersøkelsen av opprinnelseslandet og forfatternes akademiske tilknytninger. Gjennom denne analysen tar vi sikte på å bedre forstå den geografiske fordelingen av forskere som bidrar til bruken av droner i landbruket. Det er bemerkelsesverdig å legge merke til mangfoldet av land og akademiske institusjoner. Fra et landperspektiv rangerer USA, Kina, India og Italia på toppen av listen når det gjelder antall publikasjoner (tabell 7). Den nåværende
forskning på landbruksdroner er i stor grad sentrert i nordamerikanske og asiatiske land, hovedsakelig på grunn av deres høye engasjement i presisjonslandbruksapplikasjoner. For eksempel, i USA, ble markedet for landbruksdroner estimert til 841.9 millioner USD i år 2020, og utgjør omtrent 30 % av den globale markedsandelen (ReportLinker, 2021). Ranking som verdens største økonomi, er Kina spådd å nå en omtrentlig markedsstørrelse på 2.6 milliarder USD i år 2027. Dette landet appellerer til landbruksdroner for å overvinne produktivitetsproblemer og oppnå bedre avkastning, lettelse av arbeidskraft og mindre produksjonsinnsats. Imidlertid er innføringen av teknologien i Kina også drevet av faktorer som befolkningsstørrelsen og behovet for å innovere og forbedre eksisterende avlingspraksis.
Topp mest produktive land og universiteter/organisasjoner som bidrar til
landbruksdronerelatert forskning.
Rang | land |
1 | USA |
2 | Kina |
3 | India |
4 | Italia |
5 | Spania |
6 | Tyskland |
7 | Brasil |
8 | Australia |
9 | Japan |
10 | Storbritannia |
Rang | Universiteter/organisasjoner |
1 | Chinese Academy of Sciences |
2 | Landbruksdepartementet i Folkerepublikken Kina |
3 | Høyere råd for vitenskapelig forskning |
4 | Texas A & M University |
5 | Kina landbruksuniversitet |
6 | USDA Agricultural Research Service |
7 | CSIC – Instituto de Agricultura Sostenible IAS |
8 | Purdue University |
9 | Consiglio Nazionale delle Ricerche |
10 | Sør-Kina landbruksuniversitet |
Fra et universitets- og organisasjonsperspektiv topper det kinesiske vitenskapsakademiet listen når det gjelder antall publikasjoner, etterfulgt av Folkerepublikken Kinas landbruksdepartement og Consejo Superior de Investigaciones Científicas. Chinese Academy of Sciences er representert av forfatterne Liao Xiaohan og Li Jun; Han Wenting representerer Landbruksdepartementet i Folkerepublikken Kina; og Consejo Superior de Investigaciones Científicas er representert av Lopez-Granados, ´ F. og Pena, ˜ Jos´e María S. Fra USA finner universiteter som Texas A&M University og Purdue University sine
nevne. Universitetene med det høyeste antallet publikasjoner og deres forbindelser er vist i fig. 4. I tillegg inkluderer denne listen institusjoner som Consiglio Nazionale delle Ricerche og Consejo Superior de Investigaciones Científicas som er aktive innen vitenskapelig forskning, men som ikke er akademiske institusjoner .
Vårt utvalg inkluderte et bredt utvalg av tidsskrifter, som omfattet praktisk talt alle tilgjengelige data. Som vist i tabell 8, rangerer fjernmåling med 258 artikler øverst, etterfulgt av Journal of Intelligent and Robotic Systems: Theory and Applications med 126 og Computers and Electronics in Agriculture med 98 artikler. Mens Remote Sensing hovedsakelig er fokusert på applikasjon og utvikling av droner, dekker Computers and Electronics in Agriculture hovedsakelig fremskritt innen maskinvare, programvare, elektronikk og kontrollsystemer i landbruket. Utsalgssteder på tvers av områder, som IEEE Robotics and Automation Letters med 87 publikasjoner og IEEE Access med 34 publikasjoner, er også fremste utsalgssteder på området. De femten beste utsalgsstedene har bidratt til litteraturen med 959 dokumenter, som er omtrent 20.40 % av alle publikasjoner. En tidsskriftsamsiteringsanalyse gjør oss i stand til å undersøke viktigheten og likheten mellom publikasjoner. Samsiteringsanalysen gir tre klynger, som vist i fig. 5. Den røde klyngen består av tidsskrifter som Remote Sensing, Computer and Electronics in Agriculture, Sensors,
og International Journal of Remote Sensing. Alle disse utsalgsstedene er svært anerkjente tidsskrifter innen områdene fjernmåling og presisjonslandbruk. Den grønne klyngen inneholder tidsskrifter som omhandler robotikk, som Journal of Intelligent and Robotic Systems: Theory and Applications, IEEE Robotics and Automation Letters, IEEE Access og Drones. Disse utsalgsstedene publiserer for det meste artikler om automatisering og er nyttige for landbruksingeniører. Den endelige klyngen er dannet av tidsskrifter relatert til agronomy og landbruksteknikk, som Agronomy og International Journal of Agricultural and Biological Engineering.
Topp 15 tidsskrifter innen landbruksdronerelatert forskning.
Rang | Journal | Telle |
1 | Fjernmåling | 258 |
2 | Journal of Intelligent and Robotic Systems: Theory and applikasjoner | 126 |
3 | Datamaskiner og elektronikk i landbruket | 98 |
4 | IEEE Robotics and Automation Letters | 87 |
5 | Sensorer | 73 |
6 | International Journal of Remote Sensing | 42 |
7 | Presisjonslandbruk | 41 |
8 | Droner | 40 |
9 | agronomi | 34 |
10 | IEEE-tilgang | 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 | Biosystemteknikk | 23 |
konklusjonen
Oppsummering
I denne studien har vi oppsummert og analysert eksisterende forskning på landbruksdroner. Ved å bruke ulike bibliometriske teknikker, forsøkte vi å få en bedre forståelse av den intellektuelle strukturen til landbruksdronerelatert forskning. I sum gir vår gjennomgang flere bidrag ved å identifisere og diskutere nøkkelord i litteraturen, avsløre kunnskapsklynger samtidig som de danner semantisk like samfunn innen droner, skisserer tidligere forskning og foreslår fremtidige forskningsretninger. Nedenfor skisserer vi hovedfunnene fra gjennomgangen om utviklingen av landbruksdroner:
• Den samlede litteraturen har vokst raskt og tiltrukket seg enorm oppmerksomhet det siste tiåret, noe som indikeres av økningen i antall artikler etter 2012. Selv om dette kunnskapsfeltet ennå ikke har nådd sin fulle modenhet (Barrientos et al., 2011; Maes & Steppe, 2019), er flere spørsmål fortsatt ubesvart. For eksempel er nytten av droner i innendørs jordbruk fortsatt åpen for debatt (Aslan et al., 2022; Krul et al., 2021; Rold´an et al., 2015). Kompleksiteten til feltscener og de forskjellige bildeomstendighetene (f.eks. skygger og belysning) kan resultere i en høyere spektral varians i klassen (Yao et al., 2019). Selv i de senere forskningsfasene har forskere blitt utfordret til å bestemme optimale flyplaner i henhold til spesielle scenarier og nødvendig bildekvalitet (Soares et al., 2021; Tu et al.,
2020).
• Vi legger merke til at feltet har utviklet seg fra å utvikle effektive UAV-systemer til å inkludere AI-teknikker, som maskinlæring og dyp læring i utformingen av landbruksdroner (Bah et al., 2018; Kitano et al., 2019; Maimaitijiang et al. , 2020; Mazzia et al., 2020; Tetila et al., 2020).
• Forskning på landbruksdroner diskuterte hovedsakelig fjernmåling ved å utforske potensialene til teknologien innen miljøovervåking, avlingsforvaltning og ugrashåndtering (klynge 1) samt ekstern fenotyping og avlingsestimering (klynge 2). Et sett med innflytelsesrike studier på landbruksdroner inkluderer Austin (2010), Berni et al. (2009)a, Herwitz et al. (2004), Nex og Remondino (2014), og Zhang og Kovacs (2012). Disse studiene utviklet det konseptuelle grunnlaget for dronerelatert forskning i sammenheng med landbruk.
• Relatert til metodikken observerte vi at mesteparten av forskningen som er gjort så langt hadde vært sammensatt av enten systemdesign, konseptuelle eller gjennomgangsbaserte studier (Inoue, 2020; Nex & Remondino, 2014; P´erez-Ortiz et al. , 2015; Yao et al., 2019). Vi merker også mangel på empiriske, kvalitative og case-studie-baserte metoder i arbeidet med å undersøke landbruksdroner.
• Nylig har emner knyttet til presisjonslandbruk, AI-teknikker, presisjonsvindyrking og vannstressvurdering tiltrukket seg betydelig oppmerksomhet (Espinoza et al., 2017; Gomez-Cand ´ on ´ et al., 2016; Matese et al., 2015; Matese & Di Gennaro, 2018, 2021; Z. Zhou et al., 2021). Nøye undersøkelser av forskningsklynger i to separate tidsepoker, 1990–2010 og 2011–2021, avslører fremgangen til domenets intellektuelle struktur. Perioden fra 1990 til 2010 utgjorde oppbyggingen av sentrale forestillinger og begrepene droner, noe som er åpenbart fra diskusjonen om UAV-design, utvikling og implementering. I den andre epoken utvider forskningsfokuset seg til tidligere studier, og forsøker å syntetisere UAV-brukstilfeller i landbruket. Vi fant også en rekke studier som diskuterer droneapplikasjoner i avbildningsoppgaver og presisjonslandbruk.
Rang | Journal | Telle |
1 | Fjernmåling | 258 |
2 | Journal of Intelligent and Robotic Systems: Theory and | 126 |
applikasjoner | ||
3 | Datamaskiner og elektronikk i landbruket | 98 |
4 | IEEE Robotics and Automation Letters | 87 |
5 | Sensorer | 73 |
6 | International Journal of Remote Sensing | 42 |
7 | Presisjonslandbruk | 41 |
8 | Droner | 40 |
9 | agronomi | 34 |
10 | IEEE-tilgang | 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 | Biosystemteknikk | 22 |
Implikasjoner
Vår bibliometriske gjennomgang ble designet og utført med forskere, bønder, landbrukseksperter, avlingskonsulenter og UAV-systemdesignere i tankene. Så vidt forfatterne vet er dette en av de første originale anmeldelsene som har foretatt en dyptgående bibliometrisk analyse av
droneapplikasjoner i landbruket. Vi har utført en omfattende gjennomgang av dette kunnskapsorganet, ved å bruke siterings- og samsiteringsanalyser av publikasjoner. Våre forsøk på å beskrive den intellektuelle strukturen til droneforskning gir også ny innsikt for akademikere. En nøye gjennomgang av søkeordene brukt over tid avslører hotspots og fokusområder i den dronerelaterte litteraturen. Videre presenterer vi en liste over mest siterte studier for å identifisere de mest virkningsfulle forskningsarbeidene som er fullført på feltet. Identifikasjon av artikler og nøkkelord kan følgelig gi et solid utgangspunkt for å avdekke flere veier for fremtidige studier.
Viktigere, vi avslørte klynger som klassifiserer sammenlignbare arbeider og utdypet resultatene. Studiene klassifisert i klynger hjelper til med å forstå den intellektuelle strukturen til UAV-forskning. Spesielt oppdaget vi en mangel på studier som undersøker droners adopsjonsfaktorer
og barrierer i oppdrettsaktiviteter (se tabell 9). Fremtidige forskere kan adressere dette potensielle gapet ved å utføre empiriske undersøkelser som evaluerer droners adopsjonsfaktorer i forskjellige jordbruksaktiviteter og klimatiske forhold. Videre bør casestudiebasert forskning angående effektiviteten til droner støttes med reelle data fra feltet. Å involvere bønder og ledere i akademisk forskning vil også være fordelaktig for både teoretisk og praktisk fremgang av droneforskning. Vi var også i stand til å identifisere de mest fremtredende forskerne og deres bidrag, noe som er verdifullt fordi bevissthet om nyere banebrytende verk kan gi noen veiledning for fremtidige akademiske bestrebelser.
Tabell 9
Adopsjonsbarrierer for UAV.
Bom | Beskrivelse |
Datasikkerhet | Cybersikkerhet er en stor utfordring å implementere IoT-løsninger (Masroor et al., 2021). |
Interoperabilitet og integrering | Ulike teknologier som UAV, WSN, IoT, etc. skal integreres og overføre data som øke kompleksitetsnivået (Alsamhi et al., 2021; Popescu et al., 2020; Vuran et al., 2018). |
Gjennomføringskostnader | Dette er spesielt tilfelle for småbønder og for integrere ulike banebrytende teknologier ( Masroor et al., 2021). |
Arbeidskunnskap og ekspertise | Det trengs dyktige dronepiloter for å betjene UAV-er. Også implementere ulike banebrytende teknologier krever dyktige arbeidere (YB Huang et al., 2013; Tsouros et al., 2019). |
Motorkraft og flytur varighet | Droner kan ikke brukes i lange timer og dekke store områder (Hardin & Hardin, 2010; Laliberte et al., 2007). |
Stabilitet, pålitelighet og manøvrerbarhet | Droner er ikke stabile under dårlige værforhold (Hardin & Hardin, 2010; Laliberte et al., 2007). |
Nyttelastbegrensninger og sensorenes kvalitet | Droner kan bare bære begrensede belastninger fører til evne til å laste inn sensorer av lavere kvalitet (Nebiker et al., 2008). |
Regulering | Siden droner også kan være farlige, er det alvorlige forskrifter på noen områder (Hardin & Jensen, 2011; Laliberte & Rango, 2011). |
Bønders kunnskap og interesse | Som andre banebrytende teknologier er dronene vellykket implementering trenger ekspertise og også ledsaget av usikkerheter (Fisher et al., 2009; Lambert et al., 2004; Stafford, 2000). |
Siden det er et konstant behov for å effektivt bruke tilgjengelige ressurser for å maksimere avlingene, kan bønder dra nytte av droner for å sikre rask, nøyaktig og kostnadseffektiv skanning av feltene deres. Teknologien kan hjelpe bønder med å bestemme tilstanden til avlingene deres og vurdere vannstatus, modningsstadiet, insektangrep og ernæringsbehov. Fjernmålingsevnen til droner kan gi bønder viktige data for å forutse problemer på et tidlig stadium og raskt foreta passende inngrep. Fordelene med teknologien kan imidlertid bare realiseres hvis utfordringene blir løst på riktig måte. I lys av
nåværende problemer angående datasikkerhet, sensorteknologispørsmål (f.eks. påliteligheten eller nøyaktigheten av målinger), kompleksiteten ved integrasjon og betydelige implementeringskostnader, må fremtidige studier også undersøke den tekniske, økonomiske og operasjonelle gjennomførbarheten av å integrere landbruksdroner og andre skjære- kantteknologier.
Begrensninger
Vår studie har flere begrensninger. For det første bestemmes funnene av publikasjonene som er valgt ut for den endelige analysen. Det er utfordrende å fange opp alle relevante studier relatert til landbruksdroner, spesielt de som ikke er indeksert i Scopus-databasen. Videre er datainnsamlingsprosessen begrenset til innstillingen av søkeord, som kanskje ikke er inkluderende og fører til inkonklusive funn. Derfor må fremtidige studier ta mer oppmerksomhet til det underliggende problemet med datainnsamling å gjøre
mer pålitelige konklusjoner. En annen begrensning gjelder nye publikasjoner med et lavt antall siteringer. Den bibliometriske analysen er partisk mot tidligere publikasjoner ettersom de har en tendens til å motta flere siteringer med årene. Nyere studier trenger en viss tid for å tiltrekke seg oppmerksomhet og akkumulere siteringer. Nyere studier som bringer et paradigmeskifte vil følgelig ikke rangeres blant de ti mest innflytelsesrike verkene. Denne begrensningen er utbredt i undersøkelsen av raskt fremvoksende forskningsdomener som landbruksdroner. Ettersom vi har konsultert Scopus for å studere litteraturen for dette arbeidet, kan fremtidige forskere vurdere annerledes
databaser, som Web of Science og IEEE Xplore, for å utvide horisonten og forbedre forskningsstrukturen.
Potensielle bibliometriske studier kan vurdere andre viktige kunnskapskilder som konferanseartikler, kapitler og bøker for å generere ny innsikt. Til tross for kartlegging og undersøkelse av globale publikasjoner om landbruksdroner, avslørte ikke funnene våre årsakene bak universitetenes vitenskapelige resultater. Dette baner vei for et nytt forskningsområde i å kvalitativt forklare hvorfor noen universiteter er mer produktive enn andre når det gjelder forskning om landbruk.
droner. I tillegg kan fremtidige studier gi innsikt i droners potensiale for å øke bærekraftig oppdrett på flere måter som miljøovervåking, avlingshåndtering og ugraskartlegging som indikert av flere forskere (Chamuah & Singh, 2019; Islam et al., 2021; Popescu et al., 2020; J. Su, Liu, et al., 2018b). Siden tekstanalysen ikke var mulig på grunn av det høye antallet utvalgte artikler, er det behov for systematiske litteraturgjennomganger som undersøker
forskningsmetoder brukt og involvering av bønder i tidligere studier. Kort sagt, vår analyse av droneforskning avslører de usynlige koblingene til denne kunnskapskroppen. Denne gjennomgangen bidrar derfor til å avdekke sammenhengene mellom publikasjoner og utforsker forskningsfeltets intellektuelle struktur. Den skildrer også koblingene mellom de ulike aspektene ved litteraturen, for eksempel forfatternes nøkkelord, tilknytninger og land.
Erklæring om konkurrerende interesse
Forfatterne erklærer at de ikke har noen kjente konkurrerende økonomiske interesser eller personlige forhold som kunne ha syntes å påvirke arbeidet som er rapportert i denne artikkelen.
Vedlegg 1
TITLE-ABS-KEY (((drone* ELLER «ubemannet luftfartøy» ELLER uav* ELLER «ubemannet flysystem”ELLER uas ELLER «fjernstyrte fly”) OG (landbruk ELLER landbruk ELLER jordbruk ELLER bonde))) OG (EKLUDER (PUBYEAR, 2022)) OG (BEGRENSNING TIL (SPRÅK, "engelsk")).
Referanser
Aasen, H., Burkart, A., Bolten, A., Bareth, G., 2015. Generering av 3D hyperspektral informasjon med lette UAV snapshot-kameraer for vegetasjonsovervåking: fra
kamerakalibrering til kvalitetssikring. 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. Utvikling av mønstergjenkjenningsalgoritme for automatisk fugledeteksjon fra bilder fra ubemannede luftfartøyer.
Undersøkelse. Land Informer. Sci. 65 (1), 37–45.
Abdollahi, A., Rejeb, K., Rejeb, A., Mostafa, MM, Zailani, S., 2021. Trådløse sensornettverk i landbruket: innsikt fra bibliometrisk analyse. Bærekraft 13 (21),
12011.
Aboutalebi, M., Torres-Rua, AF, Kustas, WP, Nieto, H., Coopmans, C., McKee, M., Vurdering av ulike metoder for skyggedeteksjon i høyoppløselige optiske bilder og evaluering av skyggepåvirkning på beregning av NDVI og evapotranspirasjon. 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. Hyperspektral avbildning: en gjennomgang av UAV-baserte sensorer, data behandling og
søknader til jord- og skogbruk. Fjernmåling 9 (11). https://doi.org/ 10.3390/rs9111110.
Agüera Vega, F., Ramírez, FC, Saiz, MP, Rosúa, FO, 2015. Multi-temporal avbildning ved bruk av et ubemannet luftfartøy for å overvåke en solsikkeavling. Biosystem. Eng.
132, 19–27. https://doi.org/10.1016/j.biosystemseng.2015.01.008.
Ajayi, OG, Salubi, AA, Angbas, AF, Odigure, MG, 2017. Generering av nøyaktige digitale høydemodeller fra UAV oppnådde lav prosentandel av overlappende bilder. 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. Gjennomgang av maskinlæringstilnærminger for henting av biomasse og jordfuktighet fra fjernmålingsdata. Fjernmåling 7 (12), 16398–16421.
Alsamhi, SH, Afghah, F., Sahal, R., Hawbani, A., Al-qaness, MAA, Lee, B., Guizani, M., Green internet of things som bruker UAV-er i B5G-nettverk: En gjennomgang av applikasjoner
og strategier. Annonse. Hoc. Nett. 117, 102505 https://doi.org/10.1016/j. adhoc.2021.102505.
Al-Thani, N., Albuainain, A., Alnaimi, F., Zorba, N., 2020. Droner for sauehusdyrovervåking. I: 20. IEEE Mediterranean Electrotechnical Conference. https://doi.
org/10.1109/MELECON48756.2020.9140588.
Ampatzidis, Y., Partel, V., 2019. UAV-basert høykapasitetsfenotyping i sitrus ved bruk av multispektral avbildning og kunstig intelligens. Fjernmåling 11 (4), https://doi.org/10.3390/rs11040410.
Ampatzidis, Y., Partel, V., Costa, L., 2020. Agroview: Skybasert applikasjon for å behandle, analysere og visualisere UAV-innsamlede data for presisjonslandbruksapplikasjoner ved bruk av kunstig intelligens. Comput. Elektron. Agric. 174, 105457 https://doi. org/10.1016/j.compag.2020.105457.
Ang, K.-L.-M., Seng, JKP, 2021. Big data and machine learning with hyperspectral information in agriculture. IEEE Access 9, 36699–36718. https://doi.org/10.1109/
TILGANG.2021.3051196.
Aquilani, C., Confessore, A., Bozzi, R., Sirtori, F., Pugliese, C., 2022. Gjennomgang: presisjonsteknologi for husdyroppdrett i beitebaserte husdyrsystemer. Dyr 16 (1), https://doi.org/10.1016/j.animal.2021.100429.
Armenta-Medina, D., Ramirez-Delreal, TA, Villanueva-Vasquez, ´D., Mejia-Aguirre, C., Trender for avansert informasjons- og kommunikasjonsteknologi for
forbedring av landbrukets produktivitet: en bibliometrisk analyse. Agronomi 10 (12), artikkel 12. https://doi.org/10.3390/agronomy10121989.
Armstrong, I., Pirrone-Brusse, M., Smith, A., Jadud, M., 2011. Den flyvende gator: mot luftrobotikk i occam-π. Commun. Prosessarkitekt. 2011, 329–340. https://doi. org/10.3233/978-1-60750-774-1-329.
Arora, SD, Chakraborty, A., 2021. Intellektuell struktur av forbrukerklageatferd (CCB) forskning: En bibliometrisk analyse. J. Business Res. 122, 60–74.
Aslan, MF, Durdu, A., Sabanci, K., Ropelewska, E., Gültekin, SS, 2022.
En omfattende undersøkelse av de siste studiene med UAV for presisjonslandbruk i utmark og drivhus. Appl. Sci. 12 (3), 1047. https://doi.org/10.3390/
app12031047.
Atkinson, JA, Jackson, RJ, Bentley, AR, Ober, E., & Wells, DM (2018). Feltfenotyping for fremtiden. I Annual Plant Reviews online (s. 719–736). John
Wiley & Sons, Ltd. doi: 10.1002/9781119312994.apr0651.
Austin, R., 2010. Ubemannede flysystemer: UAVS-design, utvikling og utplassering. I: Unmanned Aircraft Systems: UAVS Design, Development and
Utplassering. John Wiley og sønner. 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-basert fjernmåling i plantestress forestill deg å bruke høyoppløselig termisk sensor for digital landbrukspraksis: en meta-gjennomgang. Int. J. Environ. Sci. Teknol. 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. Smart oppdrett: Muligheter, utfordringer
og teknologien muliggjører. 2018 IoT Vertikal og. Topical Summit on Agriculture -Toscana (IOT Toscana) 1–6. https://doi.org/10.1109/IOTTUSCANY.2018.8373043.
Bah, MD, Hafiane, A., Canals, R., 2018. Dyplæring med uovervåket datamerking for ugrasdeteksjon i linjeavlinger i UAV-bilder. Fjernmåling 10 (11), 1690.
https://doi.org/10.3390/rs10111690.
Baldi, S., 1998. Normative versus sosialkonstruktivistiske prosesser i allokering av siteringer: en nettverksanalytisk modell. Er. Sosiol. Åp 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. Vurdering av variasjon i vingårdsvannstatus ved termisk og multispektral
bilder ved hjelp av et ubemannet luftfartøy (UAV). Irrig. Sci. 30 (6), 511–522. https://doi.org/10.1007/s00271-012-0382-9.
Barabaschi, D., Tondelli, A., Desiderio, F., Volante, A., Vaccino, P., Val`e, G., Cattivelli, L., Neste generasjons avl. Plant Sci. 242, 3–13. https://doi.org/10.1016/j.
plantsci.2015.07.010.
Barbedo, JGA, Koenigkan, LV, 2018. Perspektiver på bruk av ubemannede luftsystemer for å overvåke storfe. 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. Lavvekt og UAV-basert hyperspektral fullformatkameraer
for overvåking av avlinger: Spektral sammenligning med bærbare spektroradiometermålinger. Photogrammetrie, Fernerkundung, Geoinformasjon 2015 (1), 69–79.
https://doi.org/10.1127/pfg/2015/0256.
Barrientos, A., Colorado, J., del Cerro, J., Martinez, A., Rossi, C., Sanz, D., Valente, J., Aerial remote sensing in agriculture: En praktisk tilnærming til områdedekning
og veiplanlegging for flåter av mini-luftroboter. 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. En undersøkelse om bruken av baneplanleggingsalgoritmer for UAV-er med flere rotorer i presisjon
jordbruk. J. Navig. 75 (2), 364–383.
Basnet, B., Bang, J., 2018. The state-of-the-art of knowledge-intensiv agriculture: a review on used sensing systems and data analytics. J. Sens. 2018, 1–13.
Bendig, J., Bolten, A., Bareth, G., 2013. UAV-basert avbildning for multi-temporale, svært høyoppløselige avlingsoverflatemodeller for å overvåke avlingsvekstvariabilitet. Photogrammetrie, Fernerkundung, Geoinformasjon 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. Estimering av biomasse av bygg ved bruk av avlingsoverflatemodeller (CSMs) avledet fra UAV-basert RGB-avbildning. Fjernmåling 6 (11), 10395–10412.
Bendig, J., Yu, K., Aasen, H., Bolten, A., Bennertz, S., Broscheit, J., Gnyp, ML, Bareth, G., 2015. Kombinerer UAV-basert plantehøyde fra avlingsoverflaten modeller,
synlige og nær infrarøde vegetasjonsindekser for biomasseovervåking i bygg. 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. Kartlegging av konduktans og CWSI i olivenhager med høy oppløsning
termisk fjernmålingsbilder. 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. Termisk og smalbåndet multispektral fjernmåling for vegetasjonsovervåking fra et ubemannet luftfartøy. 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. Trender matvitenskap. Teknol. 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. Multisensor UAV-sporing av individuelle frøplanter og frøplantesamfunn med millimeters nøyaktighet. Droner 3 (4), 81.
https://doi.org/10.3390/drones3040081.
Candiago, S., Remondino, F., De Giglio, M., Dubbini, M., Gattelli, M., 2015. Evaluering av multispektrale bilder og vegetasjonsindekser for bruk av presisjonsjordbruk fra UAV-bilder. Fjernmåling 7 (4), 4026–4047. https://doi.org/10.3390/rs70404026.
Cao, Y., Li, GL, Luo, YK, Pan, Q., Zhang, SY, 2020. Overvåking av vekstindikatorer for sukkerroer ved bruk av wide-dynamic-range vegetation index (WDRVI) avledet fra UAV
multispektrale bilder. Comput. Elektron. Agric. 171, 105331 https://doi.org/10.1016/j.compag.2020.105331.
Casillas, J., Acedo, F., 2007. Evolusjon av den intellektuelle strukturen til familiebedriftslitteratur: en bibliometrisk studie av FBR. Familiebedrift 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. Dynamisk overvåking av biomasse av ris under
forskjellige nitrogenbehandlinger ved bruk av en lett UAV med stillbildekameraer med to bilderamme. Plant Methods 15 (1), 32. https://doi.org/10.1186/s13007-019-
0418-8.
Chamuah, A., Singh, R., 2019. Sikring av bærekraft i indisk landbruk gjennom sivil UAV: et ansvarlig innovasjonsperspektiv. SN Appl. Sci. 2 (1), 106. https://
doi.org/10.1007/s42452-019-1901-6.
Chamuah, A., Singh, R., 2022. Ansvarlig styring av sivile ubemannede luftfartøyer (UAV)-innovasjoner for indiske avlingsforsikringsapplikasjoner. J. Ansvarlig
Teknol. 9, 100025 https://doi.org/10.1016/j.jrt.2022.100025.
Chen, A., Orlov-Levin, V., Meron, M., 2019. Anvendelse av høyoppløselig luftavbildning med synlig kanal av avlingstak til presisjonsvanningshåndtering. Agric. Vann
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. Lett UAV med innebygd fotogrammetri og enkeltfrekvens GPS-posisjonering for metrologiapplikasjoner. 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. Blokkkjedebasert IoT-plattform for autonom droneoperasjonsstyring. I: Proceedings of the 2nd ACM
MobiCom-verksted om droneassistert trådløs kommunikasjon for 5G og utover, s. 31–36. https://doi.org/10.1145/3414045.3415939.
Day, RA, Gastel, B., 1998. Hvordan skrive og publisere en vitenskapelig artikkel. Cambridge University Press. de Castro, AI, Pena, ˜ JM, Torres-Sanchez, ´J., Jim´enez-Brenes, FM, ValenciaGredilla, F., Recasens, J., Lopez-Granados, ´F., 2020. Kartlegging av cynodon dactylon-infesting dekke avlinger med en automatisk beslutningstre-OBIA-prosedyre og UAV-bilder for presisjonsvindyrking. Fjernmåling 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. En automatisk tilfeldig skog-OBIA-algoritme for tidlig ugraskartlegging mellom og innenfor avlingsrader ved hjelp av UAV-bilder. Fjernmåling 10 (2). https://doi.org/10.3390/rs10020285.
Demir, N., Sonmez, ¨ NK, Akar, T., Ünal, S., 2018. Automatisert måling av plantehøyde av hvete-genotyper ved hjelp av en DSM avledet fra UAV-bilder. 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. Lett semantisk segmenteringsnettverk for ugresskartlegging i sanntid ved bruk av ubemannede luftfartøyer. 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-basert multispektral fjernmåling for presisjonslandbruk: en sammenligning mellom ulike kameraer. ISPRS J. Photogramm. Remote Sens. 146, 124–136.
Diaz-Gonzalez, FA, Vuelvas, J., Correa, CA, Vallejo, VE, Patino, D., 2022. Maskinlæring og fjernmålingsteknikker brukt for å estimere jordindikatorer – gjennomgang. 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. Høyoppløselige luftbårne UAV-bilder for å vurdere oliventrekroneparametere ved hjelp av 3D-foto
rekonstruksjon: anvendelse i avlsforsøk. Fjernmåling 7 (4), 4213–4232. https://doi.org/10.3390/rs70404213.
Dixit, A., Jakhar, SK, 2021. Flyplasskapasitetsstyring: en gjennomgang og bibliometrisk analyse. J. Air Transp. Manag. 91, 102010.
Dong, T., Shang, J., Liu, J., Qian, B., Jing, Q., Ma, B., Huffman, T., Geng, X., Sow, A., Shi, Y., Canisius, F., Jiao, X., Kovacs, JM, Walters, D., Cable, J., Wilson, J., 2019.
Bruk av RapidEye-bilder for å identifisere variasjoner innen felt av avlingsvekst og utbytte i Ontario, Canada. Precision Agric. 20 (6), 1231–1250. https://doi.org/10.1007/
s11119-019-09646-w.
Dutta, PK, Mitra, S., 2021. Bruk av landbruksdroner og iot for å forstå matforsyningskjeden under post COVID-19. I: Choudhury, A., Biswas, A., Prateek, M.,
Chakrabarti, A. (Red.), Agricultural Informatics: Automation Using the IoT and Machine Learning. Wiley, s. 67–87. van Eck, N., Waltman, L., 2009. Programvareundersøkelse: VOSviewer, et dataprogram for bibliometrisk kartlegging. 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. En oversikt over tingenes internett (IoT) og dataanalyse i landbruket: fordeler og utfordringer.
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. Validering av agronomisk UAV og felt
mål for tomatsorter. 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. Høyoppløselig multispektral og termisk fjernmåling basert vannstressvurdering i
vinranker som vannes under overflaten. Fjernmåling 9 (9), 961. https://doi.org/ 10.3390/rs9090961.
Ewing, J., Oommen, T., Jayakumar, P., Alger, R., 2020. Utnytte hyperspektral fjernmåling for jordgradering. Fjernmåling 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. Flerskalaevaluering av dronebasert multispektral overflatereflektans og vegetasjonsindekser under driftsforhold. Fjernmåling 12 (3), 514.
Feng, X., Yan, F., Liu, X., 2019. Studie av trådløs kommunikasjonsteknologi på Internet of Things for presisjonslandbruk. Trådløs Pers. Commun. 108 (3),
1785-1802.
Ferreira, MP, Pinto, CF, Serra, FR, 2014. Transaksjonskostnadsteorien i internasjonal forretningsforskning: en bibliometrisk studie over tre tiår. 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. Fremskritt innen presisjonslandbruk i det sørøstlige Australia. I. en regresjonsmetodikk for å simulere
romlig variasjon i kornavlinger ved bruk av bøndenes historiske hageavlinger og normalisert forskjellsvegetasjonsindeks. Avlingsbeite Sci. 60 (9), 844–858.
Floreano, D., Wood, RJ, 2015. Vitenskap, teknologi og fremtiden til små autonome droner. 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: a comprehensive survey of emerging technology. 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. Fikenplantesegmentering fra flybilder ved hjelp av et dypt konvolusjonelt koder-dekoder-nettverk. Fjernmåling 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 utfordring for å vurdere vannstress for
Bærekraftig landbruk. Agric. Vannstyring. 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. Termisk avbildning ved anlegget
nivå for å vurdere avlingsvannstatusen i mandeltrær (cv. Guara) under vanningsstrategier med underskudd. Agric. Vannstyring. 208, 176–186. https://doi.org/10.1016/j.
agwat.2018.06.002.
Garzonio, R., Di Mauro, B., Colombo, R., Cogliati, S., 2017. Målinger av overflatereflektans og solindusert fluorescensspektroskopi ved bruk av en liten hyperspektral UAS. Fjernmåling 9 (5), 472. https://doi.org/10.3390/rs9050472. Gaˇsparovi´c, M., Zrinjski, M., Barkovi´c, Đ., Radoˇcaj, D., 2020. En automatisk metode for
ugraskartlegging i havrefelt basert på UAV-bilder. Comput. Elektron. Agric.
Gebbers, R., Adamchuk, VI, 2010. Presisjonslandbruk og matsikkerhet. Science 327 (5967), 828–831. https://doi.org/10.1126/science.1183899.
Geipel, J., Link, J., Claupein, W., 2014. Kombinert spektral og romlig modellering av maisutbytte basert på flybilder og avlingsoverflatemodeller anskaffet med et ubemannet flysystem. Fjernmåling 6 (11), 10335–10355. https://doi.org/10.3390/rs61110335.
Geng, D., Feng, Y., Zhu, Q., 2020. Bærekraftig design for brukere: en litteraturgjennomgang og bibliometrisk analyse. Environ. Sci. Forurense. Res. 27 (24), 29824–29836. https://doi. org/10.1007/s11356-020-09283-1.
Gevaert, CM, Suomalainen, J., Tang, J., Kooistra, L., 2015. Generering av spektraltemporale responsflater ved å kombinere multispektral satellitt og hyperspektral
UAV-bilder for presisjonslandbruksapplikasjoner. IEEE J. Sel. Topp. Appl. Earth Obs. Remote Sens. 8 (6), 3140–3146. ttps://doi.org/10.1109/JSTARS.2015.2406339.
Gill, SS, Chana, I., Buyya, R., 2017. IoT-basert landbruk som en sky- og stordatatjeneste: begynnelsen på det digitale India. J. Org. og sluttbrukerdatabehandling. (JOEUC) 29 (4),
1-23.
Gmür, M., 2006. Samsiteringsanalyse og søket etter usynlige høyskoler: en metodisk evaluering. Scientometrics 57 (1), 27–57. https://doi.org/10.1023/
a:1023619503005.
Gnadinger, ¨ F., Schmidhalter, U., 2017. Digitale tellinger av maisplanter av ubemannede luftfartøyer (UAV). Fjernmåling 9 (6). Https://doi.org/10.3390/rs9060544.
Gokto ¨ ǧan, AH, Sukkarieh, S., Bryson, M., Randle, J., Lupton, T., Hung, C., 2010. Et rotasjonsvinget ubemannet luftfartøy for akvatisk ugressovervåking og
ledelse. J. Intell. Robotsystem: Teor. Appl. 57 (1–4), 467–484. https://doi. org/10.1007/s10846-009-9371-5.
Gomez-Cand ´ on, ´ D., De Castro, AI, Lopez-Granados, ´ F., 2014. Vurdering av nøyaktigheten til mosaikk fra bilder fra ubemannede luftfartøyer (UAV) for presisjonslandbruksformål i hvete. Nøyaktig. Agric. 15 (1), 44–56. https://doi.org/10.1007/s11119-013-9335-4.
Gomez-Cand ´ on, ´ D., Virlet, N., Labbe, S., Jolivot, A., Regnard, J.-L., 2016. Feltfenotyping av vannstress i treskala ved hjelp av UAV-følte bilder : ny innsikt for
termisk innsamling og kalibrering. Nøyaktig. Agric. 17 (6), 786–800. https://doi.org/10.1007/s11119-016-9449-6.
Gonzalez-Dugo, V., Zarco-Tejada, PJ, Fereres, E., 2014. Anvendelse og begrensninger ved bruk av avlingsvannstressindeksen som en indikator på vannmangel i sitrushager. Agric. Til. 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. Bruke høyoppløselige UAV-termiske bilder for å
vurdere variasjonen i vannstatusen til fem frukttreslag i en kommersiell frukthage. Nøyaktig. Agric. 14 (6), 660–678. https://doi.org/10.1007/s11119-013-9322-9.
Goyal, K., Kumar, S., 2021. Finansiell kompetanse: En systematisk gjennomgang og bibliometrisk analyse. Int. J. Consumer Studies 45 (1), 80–105. https://doi.org/10.1111/
ijcs.12605.
Grenzdorffer, ¨ GJ, Engel, A., Teichert, B., 2008. Det fotogrammetriske potensialet til lavpris-uavs i skogbruk og landbruk. 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. Vurderer korrelasjon av høyoppløsning
NDVI med gjødselpåføringsnivå og utbytte av ris- og hvetevekster ved bruk av små UAV-er. Fjernmåling 11 (2), 112.
Gundolf, K., Filser, M., 2013. Ledelsesforskning og religion: en sitasjonsanalyse. J. Buss. Etikk 112 (1), 177–185.
Guo, Q., Zhu, Y., Tang, Y., Hou, C., He, Y., Zhuang, J., Zheng, Y., Luo, S., 2020. CFD-simulering og eksperimentell verifisering av det romlige og tidsmessige fordelinger av
nedvaskingsluftstrømmen til en quad-rotor landbruks-UAV i hover. 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. , Polen, J., 2016.
Anvendelse av ubemannede luftsystemer for fenotyping med høy gjennomstrømning av store hveteforedlingsbarnehager. Plantemetoder 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. Spektralavbildning fra UAV-er under varierende belysningsforhold . I GG Bill R. (Red.), International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences—ISPRS Archives (Vol. 40, Issue 1W2, s. 189–194). International Society for Photogrammetry and Remote Sensing. 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. Evaluering av teknikker for kartlegging av øyvegetasjon fra ubemannet antenne
kjøretøy (UAV) bilder: Pikselklassifisering, visuell tolkning og maskinlæringsmetoder. 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. Smart jordbruk gjennom ansvarlig lederskap i bangladesh: muligheter, muligheter og utover.
Sustainability 13 (8), 4511.
Hardin, PJ, Hardin, TJ, 2010. Småskala fjernstyrte kjøretøy i miljøforskning. Geografikompass 4 (9), 1297–1311. ttps://doi.org/10.1111/j.1749-
8198.2010.00381.x.
Hardin, PJ, Jensen, RR, 2011. Småskala ubemannede luftfartøyer i miljøfjernmåling: utfordringer og muligheter. 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: teknologier og applikasjoner, (1. utgave 2021-utgaven). 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.
Avbildning fra et ubemannet luftfartøy: landbruksovervåking og beslutningsstøtte. 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, Feltfenotyping med høy gjennomstrømning av hveteplantehøyde og veksthastighet i feltprøver ved bruk av UAV-basert fjernmåling. Fjernmåling 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. Bearbeiding og vurdering av spektrometriske, stereoskopiske bilder samlet ved hjelp av et lett UAV-spektralkamera for presisjonslandbruk. Fjernmåling 5 (10), 5006–5039. https://doi.org/10.3390/rs5105006.
Hossein Motlagh, N., Taleb, T., Arouk, O., 2016. Ubemannede fly i lav høyde basert på tingenes internetttjenester: omfattende undersøkelse og fremtidsperspektiver. 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. Kombinert optisk flyt og stereobasert navigering av urbane kløfter for en UAV. I: 2005 IEEE/RSJ
Internasjonal konferanse om intelligente roboter og systemer, s. 3309–3316. https://doi.org/10.1109/IROS.2005.1544998.
Hsu, T.-C., Yang, H., Chung, Y.-C., Hsu, C.-H., 2020. En kreativ IoT-landbruksplattform for cloud fog computing. Opprettholde. Comput. Inf. Syst. 28, 100285.
Huang, H., Deng, J., Lan, Y., Yang, A., Deng, X., Zhang, L., Gonzalez-Andujar, JL, 2018. Et fullstendig konvolusjonelt nettverk for ugresskartlegging av ubemannet luftfartøy ( UAV) bilder. PLoS ONE 13 (4), e0196302.
Huang, H., Lan, Y., Yang, A., Zhang, Y., Wen, S., Deng, J., 2020. Dyplæring versus objektbasert bildeanalyse (OBIA) i ugresskartlegging av UAV-bilder. 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. Dypfargekalibrering for UAV-bilder i avlingsovervåking
bruke semantisk stiloverføring med lokal til global oppmerksomhet. 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. Utvikling og prospekt av ubemannede luftfartøyteknologier for landbruksproduksjon
ledelse. 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. Utvikling av et spraysystem for en ubemannet luftfartøyplattform. Appl. Eng. Agric. 25 (6), 803–809.
Hunt Jr., ER, Dean Hively, W., Fujikawa, SJ, Linden, DS, Daughtry, CST, McCarty, GW, 2010. Anskaffelse av NIR-grønn-blå digitale fotografier fra
ubemannede fly for avlingsovervåking. Fjernmåling 2 (1), 290–305. https://doi. org/10.3390/rs2010290. Inoue, Y., 2020. Satellitt- og dronebasert fjernmåling av avlinger og jordsmonn for smart jordbruk – en gjennomgang. Jord Sci. Plante 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. En gjennomgang av applikasjoner og kommunikasjonsteknologier for tingenes internett (IoT) og
Unmanned Aerial Vehicle (UAV) basert bærekraftig smart oppdrett. Sustainability 13 (4), 1821. https://doi.org/10.3390/su13041821.
Jaud, M., Passot, S., Le Bivic, R., Delacourt, C., Grandjean, P., Le Dantec, N., 2016. Vurdere nøyaktigheten til høyoppløselige digitale overflatemodeller beregnet av
PhotoScan® og MicMac® under sub-optimale undersøkelsesforhold. Fjernmåling 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. Kvantifisere beskjæringseffekter på oliventrearkitektur og årlig baldakinvekst ved å bruke UAV-basert 3D-modellering. Plantemetoder 13 (1). https://doi.org/10.1186/s13007-017-0205-3.
Jin, X., Liu, S., Baret, F., Hemerl´e, M., Comar, A., 2017. Estimater av plantetetthet av hveteavlinger ved fremvekst fra UAV-bilder i svært lav høyde. Fjernsensorer.
Environ. 198, 105–114. https://doi.org/10.1016/j.rse.2017.06.007.
Jinbo, C., Xiangliang, C., Han-Chi, F., Lam, A., 2019. Overvåkingssystem for landbruksprodukter støttet av cloud computing. Cluster Comput. 22 (4), 8929–8938.
Ju, C., & Son, HI 2018a. Ytelsesevaluering av flere UAV-systemer for fjernmåling i landbruket. Proceedings of the Workshop on Robotic Vision and Action in Agriculture på IEEE International Conference on Robotics and Automation (ICRA), Brisbane, Australia, 21.–26.
Ju, C., Son, HI, 2018b. Flere UAV-systemer for landbruksapplikasjoner: kontroll, implementering og evaluering. Electronics 7 (9), 162. https://doi.org/10.3390/
elektronikk7090162.
Jung, J., Maeda, M., Chang, A., Bhandari, M., Ashapure, A., Landivar-Bowles, J., 2021. Potensialet til fjernmåling og kunstig intelligens som verktøy for å forbedre
motstandsdyktigheten til produksjonssystemer i landbruket. Curr. Opin. Bioteknologi. 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. En forbedret teknikk for avlingsspeider som inkorporerer ubemannet luftfartøy-assistert multispektral avlingsavbildning i konvensjonell speiderpraksis for tannkjøttskader i vannmelon. Plant Dis. 103 (7), 1642–1650.
Kapoor, KK, Tamilmani, K., Rana, NP, Patil, P., Dwivedi, YK, Nerur, S., 2018. Fremskritt innen forskning på sosiale medier: fortid, nåtid og fremtid. Informere. Syst. Front. 20
(3), 531-558.
Kerkech, M., Hafiane, A., Canals, R., 2020. VddNet: deteksjonsnettverk for vinsykdommer basert på multispektrale bilder og dybdekart. Fjernmåling 12 (20), 3305. https://doi. org/10.3390/rs12203305.
Khaliq, A., Comba, L., Biglia, A., Ricauda Aimonino, D., Chiaberge, M., Gay, P., 2019. Sammenligning av satellitt- og UAV-baserte multispektrale bilder for vingård
variasjonsvurdering. Fjernmåling 11 (4). https://doi.org/10.3390/rs11040436.
Khan, PW, Byun, Y.-C., Park, N., 2020. IoT-blokkjede aktivert optimalisert herkomstsystem for matindustri 4.0 ved bruk av avansert dyp læring. Sensorer 20 (10), 2990.
Khan, RU, Khan, K., Albattah, W., Qamar, AM, Ullah, F., 2021. Bildebasert påvisning av plantesykdommer: fra klassisk maskinlæring til dyp læringsreise. Trådløs kommunikasjon. Mobil datamaskin. 2021, 1–13.
Khan, S., Tufail, M., Khan, MT, Khan, ZA, Iqbal, J., Alam, M., Le, KNQ, 2021. Et nytt semi-overvåket rammeverk for UAV-basert klassifisering av avlinger/ugress. PLoS ONE 16 (5), e0251008.
Khanal, S., Fulton, J., Shearer, S., 2017. En oversikt over nåværende og potensielle anvendelser av termisk fjernmåling i presisjonslandbruk. Comput. Elektron.
Agric. 139, 22–32. https://doi.org/10.1016/j.compag.2017.05.001.
Khanna, A., Kaur, S., 2019. Evolution of Internet of Things (IoT) og dens betydelige innvirkning innen presisjonslandbruk. Comput. Elektron. Agric. 157, 218–231.
Kim, W., Khan, GF, Wood, J., Mahmood, MT, 2016. Medarbeiderengasjement for bærekraftige organisasjoner: søkeordanalyse ved bruk av sosial nettverksanalyse og burst
deteksjonstilnærming. Sustainability 8 (7), 631.
Kirsch, M., Lorenz, S., Zimmermann, R., Tusa, L., Mockel, ¨ R., Hodl, ¨ P., Booysen, R., Khodadadzadeh, M., Gloaguen, R., 2018. Integrasjon av terrestriske og dronebårne
hyperspektrale og fotogrammetriske sensingsmetoder for letekartlegging og gruveovervåking. Fjernmåling 10 (9), 1366. https://doi.org/10.3390/
rs10091366.
Kitano, BT, Mendes, CCT, Geus, AR, Oliveira, HC, Souza, JR, 2019. Maisplantetelling ved hjelp av dyp læring og UAV-bilder. IEEE Geosci. Fjernsensorer Lett. 1–5 https://doi.org/10.1109/LGRS.2019.2930549.
Koh, JCO, Spangenberg, G., Kant, S., 2021. Automatisert maskinlæring for highthroughput bildebasert plantefenotyping. Fjernmåling 13 (5), 858. https://
doi.org/10.3390/rs13050858.
Kovalev, IV, Voroshilova, AA, 2020. Moderne teknologiske trender i utviklingen av økosystemet til last-UAV. 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. Visuell SLAM for innendørs husdyr og oppdrett ved bruk av en liten drone med et monokulært kamera: en mulighetsstudie.
Droner 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. Undersøkelse av droner for landbruksautomatisering fra planting til
innhøsting. I: INES 2018 – IEEE 22nd International Conference on Intelligent Engineering Systems, s. 000353–358. https://doi.org/10.1109/INES.2018.8523943.
Lagkas, T., Argyriou, V., Bibi, S., Sarigiannidis, P., 2018. UAV IoT-rammeverkssyn og utfordringer: mot å beskytte droner som "ting". Sensorer 18 (11), 4015. https://doi.org/10.3390/s18114015.
Laliberte, AS, Rango, A., 2011. Bildebehandling og klassifiseringsprosedyrer for analyse av sub-desimeter bilder tatt med et ubemannet fly over tørt
utmarksområder. GISci. Remote Sens. 48 (1), 4–23. https://doi.org/10.2747/1548-1603.48.1.4.
Laliberte, AS, Rango, A., Herrick, JE, 2007. Ubemannede luftfartøyer for kartlegging og overvåking av avstandsområder: en sammenligning av to systemer. ASPRS årlige konferansehandlinger.
Lam, OHY, Dogotari, M., Prüm, M., Vithlani, HN, Roers, C., Melville, B., Zimmer, F., Becker, R., 2021. En åpen kildekode-arbeidsflyt for ugraskartlegging i innfødte gressletter
ved bruk av ubemannet luftfartøy: Bruk av Rumex obtusifolius som en casestudie. 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. Adopsjon, lønnsomhet og bedre bruk av presisjonsjordbruksdata.
Arbeidspapir. Purdue University. https://doi.org/10.22004/ag.econ.28615.
Lelong, CCD, Burger, P., Jubelin, G., Roux, B., Labbe, S., Baret, F., 2008. Vurdering av bilder av ubemannede luftfartøyer for kvantitativ overvåking av hveteavling i små tomter. Sensorer 8 (5), 3557–3585. https://doi.org/10.3390/s8053557.
Li, C., Niu, B., 2020. Design av smart landbruk basert på big data og tingenes internett. 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. Fjernestimering av kalesjehøyde og overjordisk biomasse av mais ved hjelp av høyoppløselige stereobilder fra en lavkostsystem for ubemannet luftfartøy. 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. Sensorer 18 (8), 2674.
Liebisch, F., Kirchgessner, N., Schneider, D., Walter, A., Hund, A., 2015. Ekstern, luftfenotyping av maisegenskaper med en mobil multisensortilnærming. Plant Methods 11 (1), 9. https://doi.org/10.1186/s13007-015-0048-8.
Lin, Z., Guo, W., 2020. Sorghum-panikkdeteksjon og telling ved bruk av ubemannede luftsystembilder og dyp læring. Front. Plant Sci. 11.
Liu, S., Guo, L., Webb, H., Ya, X., Chang, X., 2019. Internet of Things overvåkingssystem for moderne øko-landbruk basert på cloud computing. IEEE Access 7, 37050–37058.
Lopez-Granados, ´ F., 2011. Ugressdeteksjon for stedsspesifikk ugrasbehandling: kartlegging og sanntidstilnærminger. 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. Objektbasert tidlig overvåking av et gressluke i en gressavling ved bruk av høyoppløselige UAV-bilder. Agron. Opprettholde. 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. Tidlig sesongkartlegging av ugras i solsikke ved bruk av UAV-teknologi: variasjon av ugressmiddelbehandlingskart mot ugressterskler. Nøyaktig. Agric. 17 (2), 183–199.
Lucieer, A., Malenovský, Z., Veness, T., Wallace, L., 2014. HyperUAS – bildespektroskopi fra et ubemannet flysystem med flere rotorer. J. Field Rob. 31 (4),
571–590. https://doi.org/10.1002/rob.21508.
Lumme, J., Karjalainen, M., Kaartinen, H., Kukko, A., Hyyppa, ¨ J., Hyypp¨ a, H., Jaakkola, A., & Kleemola, J., 2008. Terrestrisk laserskanning av landbruksvekster. I JJ
Chen J. Maas H–G. (Red.), International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences—ISPRS Archives (Vol. 37, s. 563–566).
International Society for Photogrammetry and Remote Sensing. 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. En gjennomgang av klassifisering av overvåket objektbasert landdekkebilde. ISPRS J. Photogramm. Fjernsensor 130,
277–293. https://doi.org/10.1016/j.isprsjprs.2017.06.001.
Maes, WH, Steppe, K., 2019. Perspektiver for fjernmåling med ubemannede luftfartøyer i presisjonslandbruk. Trender 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.
Ubemannet luftsystem (UAS)-basert fenotyping av soyabønner ved bruk av multi-sensor datafusjon og ekstrem læringsmaskin. 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.
Avlingsovervåking ved hjelp av satellitt/UAV-datafusjon og maskinlæring. Fjernmåling 12 (9), 1357. https://doi.org/10.3390/rs12091357.
Manfreda, S., McCabe, M., Miller, P., Lucas, R., Pajuelo Madrigal, V., Mallinis, G., Ben Dor, E., Helman, D., Estes, L., Ciraolo, G. ., Müllerova, 'J., Tauro, F., de Lima, M., de
Lima, J., Maltese, A., Frances, F., Caylor, K., Kohv, M., Perks, M., Ruiz-P´erez, G., Su, Z., Vico, G., Toth. , B., 2018. Om bruk av ubemannede luftsystemer for
Miljøovervåking. Fjernmåling 10 (4), 641.
Marinko, RA, 1998. Sitater til kvinnestudietidsskrifter i avhandlinger, 1989 og The Serial Librarian 35 (1–2), 29–44. https://doi.org/10.1300/J123v35n01_
03.
Masroor, R., Naeem, M., Ejaz, W., 2021. Ressursstyring i UAV-assisterte trådløse nettverk: et optimaliseringsperspektiv. Ad Hoc Netw. 121, 102596 https://doi.org/10.1016/j.adhoc.2021.102596.
Matese, A., Di Gennaro, SF, 2018. Praktiske anvendelser av en multisensor UAV-plattform basert på multispektrale, termiske og RGB høyoppløselige bilder i presisjon
vindyrking. Agriculture 8 (7), 116. https://doi.org/10.3390/agriculture8070116.
Matese, A., Di Gennaro, SF, 2021. Utover den tradisjonelle NDVI-indeksen som en nøkkelfaktor for å mainstreame bruken av UAV i presisjonsvindyrking. 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 Sammenlikning av UAV, fly
og satellitt-fjernmålingsplattformer for presisjonsvindyrking. Fjernmåling 7 (3), 2971–2990. https://doi.org/10.3390/rs70302971.
Mazzia, V., Comba, L., Khaliq, A., Chiaberge, M., Gay, P., 2020. UAV- og maskinlæringsbasert foredling av en satellittdrevet vegetasjonsindeks for presisjon
jordbruk. Sensorer 20 (9), 2530. https://doi.org/10.3390/s20092530.
McCain, KW, 1990. Kartlegging av forfattere i intellektuelt rom: en teknisk oversikt. J. Am. Soc. Info. Sci. 41 (6), 433–443.
Meinen, BU, Robinson, DT, 2021. Landbrukserosjonsmodellering: evaluering av USLE og WEPP feltskala erosjonsestimater ved bruk av UAV-tidsseriedata. Environ. Modell. Programvare 137, 104962. https://doi.org/10.1016/j.envsoft.2021.104962.
Melville, B., Lucieer, A., Aryal, J., 2019. Klassifisering av innfødte gresslettersamfunn i lavland ved bruk av hyperspektralt ubemannede flysystem (UAS) bilder i
Tasmanske midtland. Droner 3 (1), 5.
Messina, G., Modica, G., 2020. Anvendelser av UAV-termiske bilder i presisjonslandbruk: toppmoderne og fremtidig forskningsutsikter. Fjernmåling 12 (9), https://doi.org/10.3390/rs12091491.
Mishra, D., Luo, Z., Jiang, S., Papadopoulos, T., Dubey, R., 2017. En bibliografisk studie om store data: konsepter, trender og utfordringer. Business Process Management. J. 23 (3),
555-573.
Mochida, K., Saisho, D., Hirayama, T., 2015. Avlingsforbedring ved bruk av livssyklusdatasett innhentet under feltforhold. Front. Plant Sci. 6 https://doi.org/10.3389/
fpls.2015.00740.
Mogili, UM.R., Deepak, BBVL, 2018. Gjennomgang av anvendelse av dronesystemer i presisjonslandbruk. Procedia Comput. Sci. 133, 502–509.
Moharana, S., Dutta, S., 2016. Romlig variasjon av klorofyll- og nitrogeninnhold i ris fra hyperspektrale bilder. ISPRS J. Photogramm. Remote Sens. 122, 17–29.
Muangprathub, J., Boonnam, N., Kajornkasirat, S., Lekbangpong, N., Wanichsombat, A.,
Nillaor, P., 2019. IoT og landbruksdataanalyse for smart farm. Comput. Elektron. Agric. 156, 467–474.
Nansen, C., Elliott, N., 2016. Fjernmåling og refleksjonsprofilering i entomologi. Annu. Rev. Entomol. 61 (1), 139–158. https://doi.org/10.1146/annurev-ento010715-023834.
Navia, J., Mondragon, I., Patino, D., Colorado, J., 2016. Multispektral kartlegging i landbruket: terrengmosaikk ved bruk av en autonom quadcopter UAV. Int. Konf.
Ubemannet fly Syst. (ICUAS) 2016, 1351–1358. https://doi.org/10.1109/ ICUAS.2016.7502606.
Nayyar, A., Nguyen, B.-L., Nguyen, NG, 2020. The internet of drone things (Iodt): future envision of smart drones. 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. En lettvekts multispektral sensor for mikro-UAV – muligheter for luftbåren fjernmåling med svært høy oppløsning. Int. Arch. Fotogram. Fjernsensorer Spat. Inf. Sci 37 (B1), 1193-1200.
Negash, L., Kim, H.-Y., Choi, H.-L., 2019. Nye UAV-applikasjoner i landbruket. I: 2019 7th International Conference on Robot Intelligence Technology and
Søknader (RiTA), s. 254–257. https://doi.org/10.1109/RITAPP.2019.8932853.
Nerur, SP, Rasheed, AA, Natarajan, V., 2008. Den intellektuelle strukturen til det strategiske ledelsesfeltet: en forfattersamsiteringsanalyse. Strateg. Manag. J. 29 (3),
319-336.
Neupane, K., Baysal-Gurel, F., 2021. Automatisk identifikasjon og overvåking av plantesykdommer ved bruk av ubemannede luftfartøyer: en gjennomgang. Fjernmåling 13 (19), 3841. https://doi.org/10.3390/rs13193841.
Nex, F., Remondino, F., 2014. UAV for 3D-kartleggingsapplikasjoner: en gjennomgang. Appl. Geomatikk 6 (1), 1–15. https://doi.org/10.1007/s12518-013-0120-x.
Niu, H., Hollenbeck, D., Zhao, T., Wang, D., Chen, Y., 2020. Evapotranspirasjonsestimering med små UAV-er i presisjonslandbruk. Sensorer 20 (22), 6427. https://
doi.org/10.3390/s20226427.
Osareh, F., 1996. Bibliometri, sitasjonsanalyse og samsiteringsanalyse. En gjennomgang av litteratur 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, sensorer og databehandling i agroforestry: en gjennomgang mot praktiske anvendelser. 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. En gjennomgang av dronebaserte dataløsninger for kornvekster. Droner 4 (3), 1–29. https://doi.org/10.3390/
droner4030041.
Parsaeian, M., Shahabi, M., Hassanpour, H., 2020. Estimering av olje- og proteininnhold i sesamfrø ved hjelp av bildebehandling og kunstig nevrale nettverk. J. Am. Olje
Chemists' Soc. 97 (7), 691–702.
Pena, ˜ JM, Torres-S´anchez, J., de Castro, AI, Kelly, M., Lopez-Granados, ´F., Suarez, O., Ugraskartlegging i maisåkre tidlig i sesongen ved bruk av objektbasert analyse av
bilder av ubemannet luftfartøy (UAV). PLoS ONE 8 (10), e77151.
P´erez-Ortiz, M., Pena, ˜ JM, Guti´errez, PA, Torres-S´anchez, J., Herv´as-Martínez, C.,
Lopez-Granados, ´ F., 2015. Et semi-overvåket system for ugraskartlegging i solsikkevekster ved bruk av ubemannede luftfartøyer og en metode for deteksjon av avlinger. 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. Kostnadseffektive IoT-enheter som pålitelige datakilder for et blokkjedebasert vannstyringssystem i presisjonslandbruk. Comput. Elektron. Agric. 180, 105889.
Popescu, D., Stoican, F., Stamatescu, G., Ichim, L., Dragana, C., 2020. Avansert UAV–WSN-system for intelligent overvåking i presisjonslandbruk. Sensorer 20 (3), https://doi.org/10.3390/s20030817.
Pournader, M., Shi, Y., Seuring, S., Koh, SL, 2020. Blockchain-applikasjoner i forsyningskjeder, transport og logistikk: en systematisk gjennomgang av litteraturen. Int. J. Prod. Res. 58 (7), 2063–2081.
Primicerio, J., Di Gennaro, SF, Fiorillo, E., Genesio, L., Lugato, E., Matese, A., Vaccari, FP, 2012. Et fleksibelt ubemannet luftfartøy for presisjonslandbruk.
Nøyaktig. Agric. 13 (4), 517–523. https://doi.org/10.1007/s11119-012-9257-6.
Pritchard, A., 1969. Statistisk bibliografi eller bibliometri. J. Dokument. 25 (4), 348–349.
Pudelko, R., Stuczynski, T., Borzecka-Walker, M., 2012. Egnetheten til et ubemannet luftfartøy (UAV) for evaluering av forsøksfelt og avlinger. Landbruk 99 (4), 431–436.
Puri, V., Nayyar, A., Raja, L., 2017. Landbruksdroner: et moderne gjennombrudd innen presisjonslandbruk. J. Statis. Manag. Syst. 20 (4), 507–518.
Radoglou-Grammatikis, P., Sarigiannidis, P., Lagkas, T., Moscholios, I., 2020. En samling av UAV-applikasjoner for presisjonslandbruk. Comput. Nett. 172,
107148 https://doi.org/10.1016/j.comnet.2020.107148.
Ramesh, KV, Rakesh, V., Prakasa Rao, EVS, 2020. Anvendelse av stordataanalyse og kunstig intelligens i agronomisk forskning. Indiske J. Agron. 65 (4), 383–395.
Raparelli, E., Bajocco, S., 2019. En bibliometrisk analyse av bruken av ubemannede luftfartøyer i land- og skogbruksstudier. 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.
Potensiell bruk av små ubemannede flysystemer (UAS) i ugrasforskning. Weed Res. 53 (4), 242–248.
Rasmussen, J., Ntakos, G., Nielsen, J., Svensgaard, J., Poulsen, RN, Christensen, S., Er vegetasjonsindekser avledet fra forbrukerkameraer montert på
UAV-er tilstrekkelig pålitelige for å vurdere eksperimentelle plott? 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
analyse. Sustainability 14 (1), 83. https://doi.org/10.3390/su14010083.
Rejeb, A., Rejeb, K., Simske, SJ, Treiblmaier, H., 2021a. Droner for forsyningskjedestyring og logistikk: en gjennomgang og forskningsagenda. Int. J. Logist. Res. Appl.
1–24. https://doi.org/10.1080/13675567.2021.1981273.
Rejeb, A., Rejeb, K., Simske, S., Treiblmaier, H., 2021b. Blokkjedeteknologier i logistikk og forsyningskjedestyring: en bibliometrisk gjennomgang. Logistikk 5 (4), 72.
https://doi.org/10.3390/logistics5040072.
Rejeb, A., Rejeb, K., Simske, S., Treiblmaier, H., 2021c. Humanitære droner: en gjennomgang og forskningsagenda. Internet of Things 16, 100434. https://doi.org/10.1016/j.
iot.2021.100434.
Rejeb, A., Treiblmaier, H., Rejeb, K., Zailani, S., 2021d. Blokkjedeforskning i helsevesen: en bibliometrisk gjennomgang og aktuelle forskningstrender. J. of Data, Inf. og
Manag. 3 (2), 109–124.
Rejeb, A., Simske, S., Rejeb, K., Treiblmaier, H., Zailani, S., 2020. Internet of Things research in supply chain management and logistics: a bibliometric analysis. Internett
of Things 12, 100318.
ReportLinker, 2021. Globalt marked for landbruksdroner når USD 15.2 milliarder av åretGlobeNewswire News Room. https://www.globenewswire.com/news-release/2021/08/10/2277986/0/en/Global-Agriculture-Drones-Market-to-Reach-US-15-2-Billion-by-the- År-2027.html.
Ribeiro-Gomes, K., Hernandez-L ´ opez, ´ D., Ortega, JF, Ballesteros, R., Poblete, T., Moreno, MA, 2017. Ukjølt termisk kamerakalibrering og optimalisering av
fotogrammetriprosess for UAV-applikasjoner i landbruket. Sensorer (Sveits) 17 (10). https://doi.org/10.3390/s17102173.
Rivera, MA, Pizam, A., 2015. Fremskritt innen gjestfrihetsforskning: «Fra Rodney Dangerfield til Aretha Franklin». Int. J. Contempor. Sykehus. Manag. 27 (3),
362–378. https://doi.org/10.1108/IJCHM-03-2014-0146.
Roldan, ´ JJ, Joossen, G., Sanz, D., Del Cerro, J., Barrientos, A., 2015. Mini-UAV basert sensorisk system for måling av miljøvariabler i drivhus. Sensorer 15 (2), 3334–3350. https://doi.org/10.3390/s150203334.
Rozenberg, G., Kent, R., Blank, L., 2021. UAV av forbrukerkvalitet brukt til å oppdage og analysere romlige distribusjonsmønstre for sensesong i kommersielle løkfelt. Nøyaktig. 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. Ubemannet luftfartøy (UAV) operert spektralkamerasystem for skog- og landbruksapplikasjoner. Fortsette. SPIE – Int. Soc. Opt. Eng. 8174 https://doi.org/10.1117/12.897585.
Sah, B., Gupta, R., Bani-Hani, D., 2021. Analyse av barrierer for å implementere dronelogistikk. 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-basert drone for forbedring av avlingskvaliteten i landbruket. I SH
N. Chakrabarti S. (Ed.), 2018 IEEE 8th Annual Computing and Communication Workshop and Conference, CCWC 2018 (Vols. 2018-January, s. 612–615). Institutt
of Electrical and Electronics Engineers Inc. doi: 10.1109/CCWC.2018.8301662.
Sai Vineeth, KV, Vara Prasad, YR, Dubey, SR, Venkataraman, H., 2019. LEDCOM: en ny og effektiv LED-basert kommunikasjon for presisjonslandbruk. IEEE Conf. Info. Commun. Teknol. 2019, 1–5. https://doi.org/10.1109/CICT48419.2019.9066177.
Salamí, E., Barrado, C., Pastor, E., 2014. UAV-flyeksperimenter brukt på fjernmåling av vegeterte områder. Fjernmåling 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.
Luftavbildningssystemer i lav høyde med høy oppløsning for fenotyping av rad- og markavlinger: en gjennomgang. 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. Høyoppløselig UAV-basert termisk avbildning for å estimere
øyeblikkelig og sesongmessig variasjon av plantevannstatus i en vingård. Agric. Vannstyring. 183, 49–59. https://doi.org/10.1016/j.agwat.2016.08.026.
Sarli, CC, Dubinsky, EK, Holmes, KL, 2010. Utover siteringsanalyse: En modell for vurdering av forskningseffekt. J. Med. Bibliotek 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. Jordsystemvitenskap relatert avbildningsspektroskopi – en vurdering. Remote Sens. Environ. 113, S123–S137.
Schirrmann, M., Giebel, A., Gleiniger, F., Pflanz, M., Lentschke, J., Dammer, K.-H., 2016. Overvåking av agronomiske parametere for vinterhveteavlinger med lavpris UAV
bilder. Fjernmåling 8 (9). https://doi.org/10.3390/rs8090706.
Schmale III, DG, Dingus, BR, Reinholtz, C., 2008. Utvikling og bruk av et autonomt ubemannet luftfartøy for presis aerobiologisk prøvetaking ovenfor
jordbruksfelt. J. Field Rob. 25 (3), 133–147. https://doi.org/10.1002/rob.20232.
Shadrin, D., Menshchikov, A., Somov, A., Bornemann, G., Hauslage, J., Fedorov, M.,
Muliggjør presisjonslandbruk gjennom innebygd sansing med kunstig intelligens. IEEE Trans. Instrument. Meas. 69 (7), 4103–4113.
Shakhatreh, H., Sawalmeh, AH, Al-Fuqaha, A., Dou, Z., Almaita, E., Khalil, I.,
Othman, NS, Khreishah, A., Guizani, M., 2019. Unmanned Aerial Vehicles (UAVs): en undersøkelse om sivile applikasjoner og sentrale forskningsutfordringer. IEEE Access 7,
48572–48634. https://doi.org/10.1109/ACCESS.2019.2909530.
Shakoor, N., Northrup, D., Murray, S., Mockler, TC, 2019. Stordatadrevet landbruk: stordataanalyse i planteavl, genomikk og bruk av fjernmåling
teknologier for å fremme avlingens produktivitet. Plantefenomen J. 2 (1), 1–8.
Sharma, BK, Chandra, G., Mishra, VP, 2019. Sammenlignende analyse og implikasjon av UAV og AI i rettsmedisinske undersøkelser. I: Proceedings – 2019 Amity International
Konferanse om kunstig intelligens. https://doi.org/10.1109/AICAI.2019.8701407.
Sharma, R., Shishodia, A., Gunasekaran, A., Min, H., Munim, ZH, 2022. Rollen til kunstig intelligens i supply chain management: kartlegging av territoriet. 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. Ubemannede luftfartøyer for høykapasitets fenotyping og agronomisk forskning. PLoS EN
11 (7), e0159781.
Shuai, G., Martinez-Feria, RA, Zhang, J., Li, S., Price, R., Basso, B., 2019. Fange maisbestandens heterogenitet på tvers av avlingsstabilitetssoner ved å bruke Unmanned Aerial
Kjøretøy (UAV). Sensorer 19 (20), 4446. https://doi.org/10.3390/s19204446.
Small, H., 1973. Samsitering i vitenskapelig litteratur: et nytt mål på forholdet mellom to dokumenter. J. Am. Soc. Info. Sci. 24 (4), 265–269.
Small, H., Rorvig, ME, Lunin, LF, 1999. Visualizing science by citation mapping. J. Am. Soc. Info. Sci. 50 (9), 799–813.
Soares, VHA, Ponti, MA, Gonçalves, RA, Campello, RJGB, 2021. Storfetelling i naturen med geolokaliserte flybilder i store beiteområder. Comput. Elektron. Agric. 189, 106354 https://doi.org/10.1016/j.compag.2021.106354.
Srivastava, K., Pandey, PC, Sharma, JK, 2020. En tilnærming for ruteoptimalisering i anvendelser av presisjonslandbruk ved bruk av UAV-er. Droner 4 (3), 58. https://doi.org/ 10.3390/drones4030058.
Stafford, JV, 2000. Implementering av presisjonslandbruk i det 21. århundre. J. Agric. Eng. Res. 76 (3), 267–275.
Su, J., Coombes, M., Liu, C., Guo, L., Chen, W.-H., 2018. Hvetetørkevurdering ved hjelp av fjernmålingsbilder ved bruk av ubemannet luftfartøy. I 2018 37th Chinese Control Conference (CCC).
Su, J., Liu, C., Coombes, M., Hu, X., Wang, C., Xu, X., Li, Q., Guo, L., Chen, W.-H., 2018. Overvåking av gul rust over hvete ved å lære av multispektrale UAV-flybilder.
Comput. Elektron. Agric. 155, 157–166. https://doi.org/10.1016/j. compag.2018.10.017.
Su, Y., Wang, X., 2021. Innovasjon av landbruksøkonomisk styring i prosessen med å konstruere smart landbruk ved hjelp av store data. Bærekraftig databehandling. Inf. Syst. 31, 100579 https://doi.org/10.1016/j.suscom.2021.100579.
Sullivan, DG, Fulton, JP, Shaw, JN, Bland, GL, 2007. Evaluering av følsomheten til et ubemannet termisk infrarødt luftsystem for å oppdage vannstress i en bomullstak. Trans. ASABE 50 (6), 1955–1962.
Sumesh, KC, Ninsawat, S., Som-ard, J., 2021. Integrasjon av RGB-basert vegetasjonsindeks, avlingsoverflatemodell og objektbasert bildeanalysetilnærming for estimering av sukkerrørutbytte ved bruk av ubemannet luftfartøy. 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. Et lettvekts hyperspektralt kartleggingssystem for
ubemannede luftfartøyer - de første resultatene. I: 2013 5th Workshop on Hyperspectral Image and Signal Processing: Evolution in Remote Sensing (WHISPERS), s. 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. En lett hyperspektral
kartleggingssystem og fotogrammetrisk prosesseringskjede for ubemannede luftfartøyer. Fjernmåling 6 (11), 11013–11030. https://doi.org/10.3390/
rs61111013.
Syeda, IH, Alam, MM, Illahi, U., Su'ud, MM, 2021. Advance control strategier using image processing, UAV and AI in agriculture: A review. World J. Eng. 18 (4),
579–589. https://doi.org/10.1108/WJE-09-2020-0459.
Tahai, A., Rigsby, JT, 1998. Informasjonsbehandling ved bruk av sitater for å undersøke journalpåvirkning i regnskap. Inf. Prosess. Få til. 34 (2–3), 341–359.
Tang, Y., Dananjayan, S., Hou, C., Guo, Q., Luo, S., He, Y., 2021. En undersøkelse om 5G-nettverket og dets innvirkning på landbruket: utfordringer og muligheter. Comput.
Elektron. Agric. 180, 105895 https://doi.org/10.1016/j.compag.2020.105895.
Tantalaki, N., Souravlas, S., Roumeliotis, M., 2019. Datadrevet beslutningstaking i presisjonslandbruk: fremveksten av store data i landbrukssystemer. J. Agric. Mat info.
20 (4), 344-380.
Tao, H., Feng, H., Xu, L., Miao, M., Yang, G., Yang, X., Fan, L., 2020. Estimering av avling og plantehøyde for høsthvete ved bruk av UAV- baserte hyperspektrale bilder.
Sensorer 20 (4), 1231.
Techy, L., Schmale III, DG, Woolsey, CA, 2010. Koordinert aerobiologisk prøvetaking av et plantepatogen i den nedre atmosfæren ved bruk av to autonome ubemannede luftfartøyer. 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. Påvisning og klassifisering av soyabønner ved hjelp av dyp læring
med UAV-bilder. 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 Tanzania in the— Og WetSeason for Sustainable Agriculture and Providing Ground Truth for Terra-Sar X-data. I: ISPRS – International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, s. 401–406. https://doi.org/10.5194/isprsarchivesXL-1-W2-401-2013.
Thelwall, M., 2008. Bibliometri til webometri. J. Info. Sci. 34 (4), 605–621.
Torres-Sanchez, ´ J., Lopez-Granados, ´ F., Pena, ˜ JM, 2015. En automatisk objektbasert metode for optimal terskelverdi i UAV-bilder: applikasjon for vegetasjonsdeteksjon i urteaktige avlinger. 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. High-throughput 3-D overvåking av landbrukstreplantasjer med Unmanned Aerial Vehicle (UAV) teknologi. PLoS ONE 10 (6), e0130479.
Torres-Sanchez, ´ J., Pena, ˜ JM, de Castro, AI, Lopez-Granados, ´ F., 2014. Multi-temporal kartlegging av vegetasjonsfraksjonen i tidlig-sesong hvetefelt ved hjelp av bilder fra UAV. Comput. Elektron. Agric. 103, 104–113. https://doi.org/10.1016/j. compag.2014.02.009.
Tsouros, DC, Bibi, S., Sarigiannidis, PG, 2019. En gjennomgang av UAV-baserte applikasjoner for presisjonslandbruk. Informasjon (Sveits) 10 (11). https://doi.org/10.3390/info10110349.
Tu, Y.-H., Phinn, S., Johansen, K., Robson, A., Wu, D., 2020. Optimalisering av droneflyplanlegging for måling av hageplantestruktur. 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, nylige fremskritt og fremtidige utfordringer. Biosystem. Eng. 164, 31–48.
https://doi.org/10.1016/j.biosystemseng.2017.09.007.
Uddin, A., Singh, VK, Pinto, D., Olmos, I., 2015. Scientometrisk kartlegging av informatikkforskning i Mexico. Scientometrics 105 (1), 97–114.
FN., 2019. Verdens befolkningsutsikter 2019. https://population.un.org/wpp/ (Åpnet 15/04/2022).
Uto, K., Seki, H., Saito, G., Kosugi, Y., 2013. Karakterisering av rismarker av et UAVmontert miniatyrhyperspektralt sensorsystem. IEEE J. Sel. Topp. 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. Droner i
jordbruk. Adv. Agron. 162, 1–30.
Velusamy, P., Rajendran, S., Mahendran, RK, Naseer, S., Shafiq, M., Choi, J.-G., 2022.
Unmanned Aerial Vehicles (UAV) i presisjonslandbruk: bruksområder og utfordringer. Energies 15 (1), 217. https://doi.org/10.3390/en15010217.
Ventura, D., Bonifazi, A., Gravina, MF, Belluscio, A., Ardizzone, G., 2018. Kartlegging og klassifisering av økologisk sensitive marine habitater ved bruk av ubemannet luft
Bilbilder (UAV) og objektbasert bildeanalyse (OBIA). Fjernmåling 10 (9), 1331. https://doi.org/10.3390/rs10091331.
Verger, A., Vigneau, N., Ch´eron, C., Gilliot, J.-M., Comar, A., Baret, F., 2014. Grøntområdeindeks fra et ubemannet luftsystem over hvete- og rapsavlinger . 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. Utplassering av fire optiske UAV-baserte sensorer over gressletter: utfordringer og
begrensninger. Biogeovitenskap 12 (1), 163–175. https://doi.org/10.5194/bg-12-163-2015.
Vuran, MC, Salam, A., Wong, R., Irmak, S., 2018. Internett av underjordiske ting i presisjonslandbruk: arkitektur og teknologiaspekter. Ad Hoc Netw. 81,
160–173. https://doi.org/10.1016/j.adhoc.2018.07.017.
Wamba, SF, Queiroz, MM, 2021. Ansvarlig kunstig intelligens som en hemmelig ingrediens for digital helse: bibliometrisk analyse, innsikt og forskningsretninger.
Info. Syst. Front. 1–16.
Wang, L., Zhang, G., Wang, Z., Liu, J., Shang, J., Liang, L., 2019. Bibliometrisk analyse av fjernmålingsforskningstrend i avlingsvekstovervåking: En casestudie i Kina. Fjernmåling 11 (7). https://doi.org/10.3390/rs11070809.
White, HD, Griffith, BC, 1981. Author cocitation: Et litteraturmål på intellektuell struktur. J. Am. Soc. Info. Sci. 32 (3), 163–171.
Xiang, H., Tian, L., 2011. Utvikling av et rimelig landbruksfjernmålingssystem basert på et autonomt ubemannet luftfartøy (UAV). Biosystem. Eng. 108 (2), 174–190. https://doi.org/10.1016/j.biosystemseng.2010.11.010.
Xie, C., Yang, C., 2020. En gjennomgang av plantens fenotypingsegenskaper med høy gjennomstrømning ved bruk av UAV-baserte sensorer. Comput. Elektron. Agric. 178, 105731 https://doi.org/10.1016/j.
compag.2020.105731.
Yao, H., Qin, R., Chen, X., 2019. Ubemannet luftfartøy for fjernmålingsapplikasjoner – en gjennomgang. Fjernmåling 11 (12). https://doi.org/10.3390/
rs11121443.
Yeom, S., 2021. Flytting av mennesker og fjerning av falske spor med infrarød termisk avbildning av en multirotor. Droner 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. En sammenligning av estimering av avlingsparametere ved hjelp av bilder fra UAV-montert
snapshot hyperspektral sensor og høyoppløselig digitalkamera. Fjernmåling 10 (7), 1138. https://doi.org/10.3390/rs10071138.
Yue, J., Yang, G., Li, C., Li, Z., Wang, Y., Feng, H., Xu, B., 2017. Estimering av vinterhvete overjordisk biomasse ved bruk av ubemannet luftfartøy- basert øyeblikksbilde
hyperspektral sensor og forbedrede avlingshøyde modeller. Fjernmåling 9 (7). https://doi.org/10.3390/rs9070708.
Zahawi, RA, Dandois, JP, Holl, KD, Nadwodny, D., Reid, JL, Ellis, EC, 2015. Bruke lette ubemannede luftfartøyer for å overvåke utvinning av tropisk skog. 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.
Smart farming IoT-plattform basert på edge og cloud computing. Biosystem. Eng. 177,
4-17.
Zarco-Tejada, PJ, Diaz-Varela, R., Angileri, V., Loudjani, P., 2014. Trehøydekvantifisering ved bruk av bilder med svært høy oppløsning hentet fra en ubemannet antenne
kjøretøy (UAV) og automatiske 3D-fotorekonstruksjonsmetoder. 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. Bildebasert fenotyping av blomstringsintensitet i kjølige avlinger. Sensorer 20 (5), 1450. https://doi.org/10.3390/s20051450.
Zhang, C., Kovacs, JM, 2012. Anvendelsen av små ubemannede luftsystemer for presisjonslandbruk: en gjennomgang. Nøyaktig. Agric. 13 (6), 693–712. https://doi.org/
10.1007/s11119-012-9274-5.
Zhang, L., Zhang, H., Niu, Y., Han, W., 2019. Kartlegging av maisvannstress basert på UAV multispektral fjernmåling. Fjernmåling 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. En dyp læringsbasert tilnærming for automatisert gulrust
sykdomsdeteksjon fra høyoppløselige hyperspektrale UAV-bilder. Fjernmåling 11 (13), 1554.
Zhao, X., Zhang, J., Huang, Y., Tian, Y., Yuan, L., 2022. Deteksjon og diskriminering av sykdom og insektstress hos teplanter ved bruk av hyperspektral avbildning kombinert med wavelet-analyse. 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. Entropiveiledet adversarial domenetilpasning for semantisk segmentering av luftbilder. IEEE Trans. G
Zheng, H., Cheng, T., Yao, X., Deng, X., Tian, Y., Cao, W., Zhu, Y., 2016. Deteksjon av risfenologi gjennom tidsserieanalyse av bakkebasert spektral indekser data. Åkervekster Res. 198, 131–139. https://doi.org/10.1016/j.fcr.2016.08.027.
Zheng, J., Yang, W., 2018. Design av et presisjonslandbruk lekkasje seeding system basert på trådløse sensorer. Int. J. Online Eng. 14 (05), 184.
Zhou, L., Gu, X., Cheng, S., Yang, G., Shu, M., Sun, Q., 2020. Analyse av plantehøydeendringer av innlagt mais ved bruk av UAV-LiDAR-data. Landbruk 10 (5), 146. https://
doi.org/10.3390/agriculture10050146.
Zhou, S., Chai, X., Yang, Z., Wang, H., Yang, C., Sun, T., 2021. Mais-IAS: En programvare for bildeanalyse av mais som bruker dyp læring for fenotyping av planter med høy gjennomstrømning . 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. Forutsi kornutbytte i ris ved bruk av multi-temporal vegetasjon
indekser fra UAV-baserte multispektrale og digitale bilder. 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. Simulering av kjerneteknologien til et drivhusovervåkingssystem basert på et trådløst sensornettverk. Int. J. Online Eng. 12 (05),
43.
Zhou, Z., Majeed, Y., Diverres Naranjo, G., Gambacorta, EMT, 2021. Vurdering for avlingsvannstress med infrarøde termiske bilder i presisjonslandbruk: en gjennomgang
og fremtidsutsikter for dyplæringsapplikasjoner. Comput. Elektron. Agric. 182, 106019 https://doi.org/10.1016/j.compag.2021.106019.