Abderahman Redžeb a , Alireza Abdollahi b , Karim Redžeb c , Horst Treiblmaier d,
- a Odjel za menadžment i pravo, Ekonomski fakultet, Sveučilište u Rimu Tor Vergata, Via Columbia, 2, Rim 00133, Italija
- b Odjel za poslovnu administraciju, Fakultet menadžmenta, Sveučilište Kharazmi, 1599964511 Teheran, Iran
- c Fakultet znanosti u Bizerti, Sveučilište u Kartagi, Zarzouna, 7021 Bizerta, Tunis
- d Škola međunarodnog menadžmenta, Sveučilište Modul Beč, Am Kahlenberg 1, 1190 Beč, Austrija
INFORMACIJE O ČLANKU | SAŽETAK |
ključne riječi: Brujati UAV Precizna poljoprivreda Internet stvari Bibliometrija | Dronovi, koji se nazivaju i bespilotne letjelice (UAV), doživjeli su izvanredan razvoj u posljednjim desetljećima. U poljoprivredi su promijenili poljoprivrednu praksu nudeći poljoprivrednicima znatne uštede troškova, povećane operativnu učinkovitost i bolju profitabilnost. Tijekom proteklih desetljeća, tema poljoprivrednih bespilotnih letjelica se proširila privukla izuzetnu akademsku pozornost. Stoga provodimo sveobuhvatan pregled na temelju bibliometrije sažeti i strukturirati postojeću akademsku literaturu i otkriti trenutne istraživačke trendove i žarišta. Mi primijeniti bibliometrijske tehnike i analizirati literaturu o poljoprivrednim bespilotnim letjelicama kako bi saželi i procijeniti prethodna istraživanja. Naša analiza pokazuje da su daljinsko očitavanje, precizna poljoprivreda, dubinsko učenje, strojno učenje i internet stvari ključne teme povezane s poljoprivrednim bespilotnim letjelicama. Kocitiranje analiza otkriva šest širokih istraživačkih skupina u literaturi. Ova je studija jedan od prvih pokušaja sažetka istraživanja dronova u poljoprivredi i sugeriranja budućih smjerova istraživanja. |
Uvod
Poljoprivreda predstavlja primarni izvor hrane u svijetu (Friha et al., 2021), a suočava se s ozbiljnim izazovima zbog
sve veća potražnja za prehrambenim proizvodima, sigurnost hrane i sigurnost, kao i pozivi na zaštitu okoliša, očuvanje vode i
održivost (Inoue, 2020). Predviđa se da će se ovaj razvoj nastaviti budući da se procjenjuje da će svjetska populacija dosegnuti 9.7 milijardi do 2050. godine
(2019). Budući da poljoprivreda predstavlja najistaknutiji primjer potrošnje vode na globalnoj razini, očekuje se da će potražnja za hranom i vodom
potrošnja će se dramatično povećati u doglednoj budućnosti. Nadalje, sve veća potrošnja gnojiva i pesticida
zajedno s intenziviranjem poljoprivrednih aktivnosti moglo bi dovesti do budućih ekoloških izazova. Slično tome, obradivo zemljište je ograničeno, a
broj farmera u svijetu se smanjuje. Ovi izazovi naglašavaju potrebu za inovativnim i održivim rješenjima za poljoprivredu (Elijah
i sur., 2018.; Friha i sur., 2021.; Inoue, 2020.; Tzounis i sur., 2017).
Uključivanje novih tehnologija identificirano je kao obećavajuće rješenje za rješavanje ovih izazova. Pametna poljoprivreda (Brewster et al.,
2017.; Tang et al., 2021) i precizna poljoprivreda (Feng et al., 2019; Khanna & Kaur, 2019) pojavile su se kao rezultat takvih rasprava. The
prvi je opći pojam za usvajanje informacijsko komunikacijskih tehnologija (ICT) i drugih vrhunskih inovacija u poljoprivrednim aktivnostima za povećanje učinkovitosti i djelotvornosti (Haque et al., 2021.). Potonji se fokusira na upravljanje specifično za lokaciju u kojem je zemljište podijeljeno na
homogeni dijelovi, a svaki dio dobiva točnu količinu poljoprivrednog inputa za optimizaciju prinosa usjeva pomoću novih tehnologija (Feng et al., 2019; Khanna & Kaur, 2019). Istaknute tehnologije koje su privukle pozornost znanstvenika u ovom području uključuju bežične senzorske mreže (WSNs) (J. Zheng & Yang, 2018; Y. Zhou et al., 2016), Internet of Things (IoT) (Gill et al., 2017.; He et al., 2021.; Liu et al., 2019.),
tehnike umjetne inteligencije (AI), uključujući strojno učenje i duboko učenje (Liakos i sur., 2018.; Parsaeian i sur., 2020.; Shadrin i sur.,
2019), računalne tehnologije (Hsu i sur., 2020; Jinbo i sur., 2019; Zamora-Izquierdo i sur., 2019), veliki podaci (Gill i sur., 2017; Tantalaki
et al., 2019) i blockchain (PW Khan et al., 2020; Pincheira et al., 2021).
Uz gore navedene tehnologije, daljinska detekcija se smatra tehnološkim alatom s velikim potencijalom poboljšanja
pametna i precizna poljoprivreda. Sateliti, letjelice s ljudskom posadom i bespilotne letjelice popularne su tehnologije daljinskog otkrivanja (Tsouros et al., 2019.).
Dronovi, popularno poznati kao bespilotne letjelice (UAV), sustavi bespilotnih letjelica (UAS) i letjelice s daljinskim upravljanjem,
veliku važnost jer imaju višestruke prednosti u usporedbi s drugim tehnologijama daljinskog očitavanja. Na primjer, dronovi mogu dostaviti
slike visoke kvalitete i visoke rezolucije za oblačnih dana (Manfreda i sur., 2018.). Također, njihova dostupnost i brzina prijenosa čine nešto drugo
koristi (Radoglou-Grammatikis et al., 2020.). U usporedbi sa zrakoplovima, dronovi su visoko isplativi i jednostavni za postavljanje i održavanje (Tsouros et al., 2019.). Unatoč tome što su se u početku uglavnom koristili u vojne svrhe, bespilotne letjelice mogu imati koristi od brojnih civilnih primjena, primjerice u upravljanju opskrbnim lancem (A. Rejeb, Rejeb, et al., 2021a), u humanitarne svrhe (A. Rejeb, Rejeb, et al., 2021c), pametna poljoprivreda, mjerenje i kartiranje, dokumentacija kulturne baštine, upravljanje katastrofama i očuvanje šuma i divljih životinja (Panday, Pratihast, et al., 2020.). U poljoprivredi postoje različita područja primjene bespilotnih letjelica jer se mogu integrirati s novim tehnologijama, računalnim mogućnostima i ugrađenim senzorima za podršku upravljanju usjevima (npr. mapiranje, praćenje, navodnjavanje, dijagnoza biljaka) (H. Huang et al., 2021.) , smanjenje katastrofa, sustavi ranog upozoravanja, očuvanje divljih životinja i šuma da spomenemo samo neke (Negash et al., 2019.). Slično tome, dronovi bi se mogli koristiti u nekoliko poljoprivrednih aktivnosti, uključujući praćenje usjeva i rasta, procjenu prinosa, procjenu nedostatka vode i otkrivanje korova, štetočina i bolesti (Inoue, 2020; Panday, Pratihast, et al., 2020). Ne samo da se dronovi mogu koristiti za praćenje, procjenu i otkrivanje na temelju njihovih senzorskih podataka, već i za precizno navodnjavanje i precizno upravljanje korovom, štetočinama i bolestima. Drugim riječima, dronovi mogu prskati vodu i pesticide u preciznim količinama na temelju podataka o okolišu. Prednosti bespilotnih letjelica u poljoprivredi sažete su u tablici 1.
Glavne prednosti dronova u poljoprivredi.
Korist | Reference) |
Poboljšajte vremenski i prostorni senzorske rezolucije | (Gago i sur., 2015.; Niu i sur., 2020.; Srivastava i sur., 2020) |
Olakšati preciznu poljoprivredu | (L. Deng i sur., 2018.; Kalischuk i sur., 2019.; Maimaitijiang i sur., 2017.) |
Klasifikacija i izviđanje usjevi | (Inoue, 2020; Kalischuk et al., 2019; Lopez-´ Granados i sur., 2016.; Maimaitijiang i sur., 2017.; Melville i sur., 2019.; Moharana & Dutta, 2016.) |
Upotreba gnojiva | (L. Deng i sur., 2018.; Guan i sur., 2019.) |
Praćenje suše | (Fawcett i sur., 2020.; Panday, Pratihast i sur., 2020.; Su i sur., 2018.) |
Procjena biomase | (Bendig i sur., 2014.) |
Procjena prinosa | (Inoue, 2020; Panday, Shrestha, et al., 2020; Tao i sur., 2020) |
Smanjenje katastrofa | (Negash i sur., 2019.) |
Očuvanje divljih životinja i šumarstvo | (Negash i sur., 2019.; Panday, Pratihast i sur., 2020) |
Procjena vodnog stresa | (Inoue, 2020; J. Su, Coombes, et al., 2018; L. Zhang i sur., 2019.) |
Štetočine, korovi i bolesti otkrivanje | (Gašparović i sur., 2020; Inoue, 2020; J. Su, Liu, i sur., 2018.; X. Zhang i sur., 2019.) |
S druge strane, dronovi se također suočavaju s ograničenjima. Uključenost pilota, snaga motora, stabilnost i pouzdanost, kvaliteta senzora zbog nosivosti
ograničenja težine, troškovi implementacije i propisi o zrakoplovstvu su među njima (C. Zhang & Kovacs, 2012.). Uspoređujemo nedostatke
od tri mobilne tehnologije daljinskog očitavanja u tablici 2. Ostale tehnologije daljinskog očitavanja, kao što su senzori tla, izvan su fokusa ove studije.
Nedostaci različitih mobilnih tehnologija daljinskog očitavanja.
Daljinsko istraživanje tehnologije | mane | Reference |
Dron (UAV) | Uključivanje pilota; slike' kvaliteta (prosječna); troškovi implementacije (prosječni); stabilnost, manevarska sposobnost i pouzdanost; standardizacija; snaga motora; ograničena moć izvori (dugovječnost baterije); ograničeno trajanje leta, sudar i kibernetički napadi; ograničeno težina korisnog tereta; veliki skupovi podataka i ograničena obrada podataka sposobnosti; nedostatak propisa; nedostatak stručnosti, visok ulaz barijere za pristup poljoprivredni dronovi; | (Bacco et al., 2018; Dawaliby i sur., 2020.; Hardin & Hardin, 2010.; Hardin & Jensen, 2011.; Lagkas i dr., 2018.; Laliberte i sur., 2007.; Laliberte & Rango, 2011.; Manfreda i sur., 2018., 2018.; Nebiker i sur., 2008.; Puri i sur., 2017.; Velusamy i dr., 2022; C. Zhang & Kovacs, 2012) |
Satelit | Periodična satelitska pokrivenost, ograničena spektralna razlučivost; ranjivost na probleme vidljivosti (npr. oblaci); Nedostupnost i niska brzina prijenosa; orijentacija i vinjetiranje utječe na skupe prostorne podatke kolekcija; spora isporuka podataka vremena krajnjim korisnicima | (Aboutalebi i sur., 2019; Cen i sur., 2019.; Chen i dr., 2019.; Nansen & Elliott, 2016.; Panday, Pratihast, i sur., 2020.; Sai Vineeth i sur., 2019) |
Zrakoplov | Visoki troškovi usvajanja; komplicirano postavljanje; troškovi održavanja; nedostupnost pouzdanih zrakoplovi, geometrija slike; neredoviti podaci stjecanje; nedostatak fleksibilnosti; smrtonosne nesreće; podatke senzora varijacije zbog vibracija; pitanja georeferenciranja | (Armstrong i sur., 2011.; Atkinson i sur., 2018.; Barbedo & Koenigkan, 2018.; Kovaljov i Vorošilova, 2020.; Suomalainen i dr., 2013.; Thamm i sur., 2013.) |
Kao multidisciplinarna i višenamjenska tehnologija u poljoprivredi, dronovi su istraživani iz različitih perspektiva. Na primjer, znanstvenici su ispitivali primjenu dronova u poljoprivredi (Kulbacki et al., 2018; Mogili & Deepak, 2018), njihov doprinos preciznoj poljoprivredi (Puri et al., 2017; Tsouros et al., 2019), njihovu komplementarnost s drugim vrhunske tehnologije (Al-Thani et al., 2020.; Dutta & Mitra, 2021.; Nayyar et al., 2020.; Saha et al., 2018.) i mogućnostima unapređenja njihovih navigacijskih i senzorskih sposobnosti (Bareth et al. , 2015.; Suomalainen i sur., 2014.). Budući da su istraživanja o primjeni bespilotnih letjelica u poljoprivredi postala prevladavajuća (Khan et al., 2021.)), postoji potreba za sažetkom postojeće literature i otkrivanjem intelektualne strukture domene. Nadalje, kao područje visoke tehnologije sa stalnim poboljšanjima, potrebno je provoditi strukturirane preglede kako bi se povremeno sažela postojeća literatura i identificirale važne praznine u istraživanju. Do
Do danas postoji nekoliko recenzija koje govore o primjeni dronova u poljoprivrednom sektoru. Na primjer, Mogili i Deepak (2018) ukratko su pregledali implikacije dronova za praćenje usjeva i prskanje pesticidima. Inoue (2020.) provodi pregled korištenja satelita i bespilotnih letjelica u daljinskom otkrivanju u poljoprivredi. Autor istražuje tehnološke izazove usvajanja pametne poljoprivrede i doprinose satelita i dronova na temelju studija slučaja i najboljih praksi. Tsouros i sur. (2019) sažimaju različite vrste dronova i njihove glavne primjene u poljoprivredi, ističući različite metode prikupljanja i obrade podataka. Nedavno su Aslan et al. (2022.) proveo je sveobuhvatan pregled primjene UAV-a u poljoprivrednim aktivnostima i naglasio važnost istodobne lokalizacije i mapiranja za UAV u stakleniku. Diaz-Gonzalez i sur. (2022.) pregledali su nedavne studije proizvodnje prinosa usjeva na temelju različitih tehnika strojnog učenja i daljinskog
senzorski sustavi. Njihovi su nalazi pokazali da su bespilotne letjelice korisne za procjenu pokazatelja tla i da nadmašuju satelitske sustave u smislu prostorne rezolucije, temporalnosti informacija i fleksibilnosti. Basiri i sur. (2022.) napravio je iscrpan pregled različitih pristupa i metoda za prevladavanje izazova planiranja putanje za bespilotne letjelice s više rotora u kontekstu precizne poljoprivrede. Štoviše, Awais i sur. (2022.) saželi su primjenu podataka daljinskog očitavanja UAV-a u usjevima za procjenu statusa vode i pružili dubinsku sintezu potencijalnog kapaciteta daljinskog očitavanja UAV-a za primjenu stresa rasipanja. Konačno, Aquilani et al. (2022.) pregledali su tehnologije uzgoja unaprijed primijenjene u sustavima uzgoja stoke na pašnjacima i zaključili da je daljinsko očitavanje omogućeno bespilotnim letjelicama korisno za procjenu biomase i upravljanje stadom.
Također, nedavno su zabilježeni pokušaji korištenja bespilotnih letjelica u nadzoru, praćenju i sakupljanju stoke.
Iako ti pregledi donose nove i važne uvide, u literaturi se ne može pronaći sveobuhvatan i ažuran pregled temeljen na bibliometriji, što predstavlja jasnu prazninu u znanju. Štoviše, rečeno je da kada znanstvena produkcija raste u znanstvenoj domeni, za istraživače postaje vitalno koristiti pristupe kvantitativnog pregleda kako bi razumjeli strukturu znanja domene (Rivera & Pizam, 2015.). Slično, Ferreira et al. (2014.) tvrdi da kako istraživačka polja sazrijevaju i postaju zamršena, znanstvenici bi trebali nastojati povremeno shvatiti generirano i prikupljeno znanje kako bi otkrili nove doprinose, uhvatili istraživačke tradicije i trendove, identificirali teme koje se proučavaju i zadubili se u strukturu znanja polje i potencijalni pravci istraživanja. Dok su Raparelli i Bajocco (2019.) proveli bibliometrijsku analizu kako bi ispitali domenu znanja o primjeni dronova u poljoprivredi i šumarstvu, njihova studija uzima u obzir samo znanstvena istraživanja objavljena između 1995. i 2017., koja ne odražavaju dinamiku ovog brzopromjenjivog područja. Nadalje, autori nisu pokušali identificirati najutjecajnije doprinose u tom području, grupirati literaturu i evaluirati intelektualnu strukturu pomoću analize kocitata. Kao rezultat toga, potrebno je sažeti literaturu kako bi se otkrila trenutna žarišta istraživanja, trendovi i žarišta.
Kako bismo popunili ovu prazninu u znanju, koristimo kvantitativnu metodologiju i rigorozne bibliometrijske metode kako bismo ispitali trenutno stanje istraživanja na raskrižju dronova i poljoprivrede. Tvrdimo da trenutna studija daje nekoliko doprinosa postojećoj literaturi ispitivanjem tehnologije u nastajanju koja je vrlo potrebna u poljoprivredi budući da pruža ogroman potencijal za promjenu nekoliko aspekata u ovom sektoru. Potreba za bibliometrijskom analizom poljoprivrednih bespilotnih letjelica još se više osjeća s obzirom na raštrkano i fragmentirano znanje o dronovima u kontekstu poljoprivrede. Slično tome, potrebno je sustavno grupirati literaturu koja se odnosi na poljoprivredne bespilotne letjelice, uzimajući u obzir najutjecajnije studije koje grade temelje ovog područja istraživanja. Zasluga u analizi također uključuje pojašnjenje glavnih istraživačkih tema zastupljenih u literaturi. Uzimajući u obzir transformacijski potencijal tehnologije, pretpostavljamo da dubinska analiza mreže daje nove uvide utvrđivanjem utjecajnih radova i otkrivanjem tema koje se tiču potencijala dronova za poljoprivredu.
Stoga nastojimo postići sljedeće ciljeve istraživanja:
- Identifikacija utjecajnih publikacija s iznimnim doprinosima primjeni bespilotnih letjelica u području poljoprivrede.
- Grupiranje literature, identifikacija fokusa istraživanja i mapiranje studija glavne 'intelektualne strukture' na temelju semantičke sličnosti korištenjem kocitatne analize.
- Razumijevanje evolucije veza i mreža citiranja tijekom vremena među različitim publikacijama u tom području i identifikacija budućih smjerova istraživanja i vrućih tema.
Ostatak rada strukturiran je na sljedeći način: odjeljak 2 opisuje metodologiju i korake prikupljanja podataka; odjeljak 3 daje rezultate analiza; a odjeljak 4 raspravlja o nalazima i zaključuje istraživačkim doprinosima, implikacijama i budućim smjerovima.
Metodologija
U ovoj trenutnoj istraživačkoj studiji provodimo bibliometrijsku analizu kako bismo istražili primjenu dronova u poljoprivredi. Ovaj kvantitativni pristup otkriva intelektualnu strukturu domene znanja (Arora & Chakraborty, 2021.) i trenutni status, vruće teme i buduće smjerove istraživanja koji se mogu istražiti primjenom ove metode (Kapoor et al., 2018; Mishra et al. , 2017; A. Rejeb, et al., 2021b; A. Rejeb et al., 2021d; Općenito, bibliometrijska analiza ispituje postojeću literaturu kako bi sažela i otkrila skrivene obrasce pisane komunikacije i evoluciju discipline na temelju statistike i matematičkih metoda, a primjenjuje se na velike skupove podataka (Pritchard, 2020; Small, 1969; Tahai & Rigsby , 1999). Korištenjem bibliometrije težimo boljem razumijevanju postojećih paradigmi i istraživačkih fokusa koji pridonose domeni na temelju sličnosti (Thelwall, 1998.). Bibliometrija pruža nove uvide potkrijepljene objektivnom kvantitativnom snagom metodologije (Casillas & Acedo, 2008). Brojni su znanstvenici prethodno proveli bibliometrijska istraživanja u srodnim područjima, uključujući poljoprivredu, daljinsko očitavanje i digitalnu transformaciju (Armenta-Medina et al., 2007; Bouzembrak et al., 2020; A. Rejeb, Treiblmaier, et al., 2019; Wamba i Queiroz, 2021.; Wang i sur., 2021.).
Analiza citata
Analiza citata otkriva različite uvide u određeno područje istraživanja. Prije svega, pomaže otkriti najutjecajnije autore i publikacije koje doprinose određenom području istraživanja i imaju značajan utjecaj (Gundolf & Filser, 2013.). Drugo, mogu se otkriti tijek znanja i komunikacijske veze između autora. Konačno, praćenjem veza između citiranih i citiranih radova, mogu se istražiti promjene i evolucija domene znanja tijekom vremena (Pournader
i sur., 2020). Visoki brojevi citiranosti publikacije odražavaju njezinu relevantnost i značajan doprinos području istraživanja (Baldi, 1998; Gundolf & Filser, 2013; Marinko, 1998). Analiza citiranosti publikacija također pomaže identificirati relevantna djela i pratiti njihovu popularnost i napredak tijekom vremena.
Analiza kocitiranja dokumenata
Analiza kocitiranja je vrijedna metoda za istraživanje odnosa između publikacija i oslikavanje intelektualne strukture područja (Nerur et al., 2008). Drugim riječima, identificiranjem najčešće citiranih publikacija i njihovih veza, metoda grupira publikacije u različite istraživačke klastere pri čemu publikacije u klasteru redovito dijele slične ideje (McCain, 1990; Small, 1973). Ključno je napomenuti da sličnost ne znači da su nalazi publikacija
kohezivni i međusobno se slažu; publikacije pripadaju istom klasteru zbog sličnosti tema, ali mogu imati kontradiktorna stajališta.
Prikupljanje i analiza podataka
Slijedeći metodologiju koju su predložili White i Griffith (1981.), izvršili smo sveobuhvatnu pretragu članaka u časopisima kako bismo pokrili cjelokupno područje istraživanja primjene dronova u poljoprivredi, slijedeći sljedećih pet koraka:
- Prvi korak bilo je prikupljanje podataka. Scopus je odabran kao jedna od najopsežnijih i najpouzdanijih baza podataka sa standardiziranim rezultatima. Dohvaćeni su metapodaci publikacija vezanih uz sve primjene dronova u poljoprivredi. Zatim smo analizirali odabrane članke, uklanjajući iz analize članke koji se ne odnose na temu.
- Analizirali smo literaturu i identificirali najvažnije ključne riječi korištene u području istraživanja.
- Koristeći analizu citata, istražili smo vezu između autora i dokumenata kako bismo otkrili temeljne obrasce citata. Također smo identificirali najutjecajnije autore i publikacije sa značajnim doprinosom u području poljoprivrednih dronova.
- Proveli smo analizu kocitiranja kako bismo grupirali slične publikacije u klastere.
- Konačno, analizirali smo veze i veze između zemalja, institucija i časopisa kako bismo prikazali mrežu suradnje.
Identifikacija odgovarajućih pojmova za pretraživanje
Primijenili smo sljedeće nizove pretraživanja za agregaciju podataka: (dron* ILI "bespilotna letjelica" ILI bespilotna letjelica* ILI "sustav bespilotne letjelice"” ILI uas ILI „daljinski upravljana letjelica”) I (poljoprivreda ILI poljoprivreda ILI poljoprivreda ILI poljoprivrednik). Potraga je provedena u rujnu 2021. Dronovi imaju nekoliko oznaka, uključujući UAV, UAS i letjelice s daljinskim upravljanjem (Sah et al., 2021.). Specifični pojmovi za pretraživanje koji se odnose na poljoprivredu identificirani su na temelju studije Abdollahija i sur. (2021). Radi jasnoće i transparentnosti, točan upit koji smo koristili naveden je u Dodatku 1. Nakon procesa čišćenja podataka, izradili smo tekstualnu datoteku koja je naknadno učitana u BibExcel, uobičajeni alat za analizu citiranja i sucitiranja. Ovaj alat također nudi jednostavnu interakciju s drugim softverom i nudi značajan stupanj slobode u rukovanju i analizi podataka. VOSviewer verzija 1.6.16 korištena je za vizualizaciju nalaza i generiranje bibliometrijskih mreža (Eck & Waltman, 2009). VOSviewer nudi niz intuitivnih vizualizacija, posebno za analizu bibliometrijskih karata (Geng et al., 2020.). Nadalje, pomaže u pružanju jasnih vizualnih rezultata koji pomažu u boljem razumijevanju rezultata (Abdollahi et al., 2021.). Primjenom nizova pretraživanja kako je gore navedeno, prikupili smo i pohranili sve relevantne publikacije. Prvi rezultati pretrage dali su ukupno 5,085 dokumenata. Kako bi se osigurala kvaliteta odabranog uzorka, u istraživanju su razmatrani samo recenzirani članci iz časopisa, što je rezultiralo isključenjem drugih vrsta dokumenata, poput knjiga, poglavlja, zbornika s konferencija i uredničkih bilješki. Tijekom procesa provjere, irelevantne (tj. izvan opsega ovog rada), suvišne (tj. duplikati koji potječu od dvostrukog indeksiranja) i publikacije koje nisu na engleskom jeziku su filtrirane. Ovaj proces rezultirao je uključivanjem 4,700 dokumenata u konačnu analizu.
Nalazi i rasprava
Za početak, analizirali smo razvoj objavljivanja u trenutnoj literaturi o poljoprivrednim bespilotnim letjelicama. Vremenska distribucija znanstvenih istraživanja prikazana je na slici 1. Vidimo brz porast publikacija od 2011. (30 publikacija) nadalje; stoga smo odlučili podijeliti razdoblje analize u dvije različite faze. Razdoblje između 1990. i 2010. nazivamo fazom izgradnje, u kojoj je godišnje objavljeno otprilike sedam radova. Razdoblje nakon 2010. nazvano je fazom rasta budući da su istraživanja o primjeni dronova u poljoprivredi svjedočila eksponencijalnom porastu tijekom tog razdoblja. Nakon 2010., sve veći broj publikacija potvrđuje sve veći interes među istraživačima, što također odražava da su dronovi primijenjeni za daljinska istraživanja i korišteni u preciznoj poljoprivredi (Deng et al., 2018; Maes & Steppe, 2019; Messina & Modica, 2020 ). Konkretno, broj publikacija porastao je sa 108 u 2013. na 498 u 2018. i dostigao vrhunac na 1,275 u 2020. Ukupno 935 članaka objavljeno je između siječnja i sredine rujna 2021. Nakon toga, odlučili smo svoju analizu više usredotočiti na fazu rasta budući da ovo razdoblje odražava najnovije i važne suptilnosti poljoprivrednih trutova.
Analiza ključnih riječi
Ključne riječi koje autori odabiru za publikaciju imaju presudan utjecaj na način na koji je rad predstavljen i kako se komunicira unutar znanstvenih zajednica. Oni identificiraju ključne subjekte istraživanja i određuju njegov potencijal za uspjeh ili neuspjeh (Day & Gastel, 1998.; Kim i sur., 2016.; Uddin i sur., 2015.). Analiza ključnih riječi, alat za otkrivanje širih istraživačkih trendova i smjerova, odnosi se na kompilaciju ključnih riječi svih povezanih publikacija u domeni (Dixit & Jakhar, 2021.). U trenutnoj studiji podijelili smo agregirane ključne riječi u dva skupa (tj. do 2010. i 2011.–2021.) kako bismo istražili najpopularnije teme. Čineći to, možemo pratiti ključne ključne riječi u oba skupa i osigurati da smo uhvatili sve potrebne podatke. Za svaki skup, prvih deset ključnih riječi predstavljeno je u tablici 3. Otklonili smo nedosljednosti spajanjem semantički identičnih ključnih riječi, kao što su "dron" i "dronovi" ili, slično, "Internet of Things" i "IoT.".
Tablica 3 pokazuje da je "besposadna letjelica" češće korištena ključna riječ u usporedbi s "dronom" i "besposadnim zrakoplovnim sustavom" u oba razdoblja. Također, "daljinska detekcija", "precizna poljoprivreda" i "poljoprivreda" visoko su rangirani u oba razdoblja. U prvom razdoblju „precizna poljoprivreda“ je bila na petom mjestu, au drugom na drugom mjestu, što ilustrira kako dronovi postaju sve važniji u postizanju precizne poljoprivrede jer mogu vršiti nadzor,
otkrivanje i procjena brži, jeftiniji i lakši za izvođenje u usporedbi s drugim sustavima daljinskog očitavanja i zemaljskim sustavima. Također, mogu raspršiti točnu količinu inputa (npr. vode ili pesticida) kada je to potrebno (Guo et al., 2020; Inoue, 2020; Panday, Pratihast, et al., 2020).
Popis najčešće korištenih ključnih riječi.
Poredak | 1990-2010 | Br pojave | 2011-2021 | Br pojave |
1 | bespilotna letjelica vozilo | 28 | bez posade zračno vozilo | 1628 |
2 | daljinsko očitavanje | 7 | preciznost poljoprivreda | 489 |
3 | poljoprivreda | 4 | daljinsko očitavanje | 399 |
4 | u zraku | 4 | dronom | 374 |
5 | preciznost poljoprivreda | 4 | bez posade zračni sustav | 271 |
6 | bespilotna letjelica | 4 | poljoprivreda | 177 |
7 | hiperspektralni senzor | 3 | duboko učenje | 151 |
8 | umjetni neuralni mreže | 2 | uređaj učenje | 149 |
9 | autonomno letenje | 2 | vegetacija indeks | 142 |
10 | kava | 2 | Internet od Stvari | 124 |
Još jedna zanimljiva značajka je prisutnost komplementarnih tehnologija. U prvoj fazi, "Hiperspektralni senzor" i "umjetne neuronske mreže" (ANN) su među prvih deset ključnih riječi. Hiperspektralno snimanje revolucioniralo je tradicionalno snimanje prikupljanjem ogromnog broja slika na različitim valnim duljinama. Čineći to, senzori mogu istovremeno prikupljati bolje prostorne i spektralne informacije u usporedbi s multispektralnim slikama, spektroskopijom i RGB slikama (Adao ˜ et al.,
2017). Pojava "ANN" u prvoj fazi i "dubokog učenja" (DL) i "strojnog učenja" (ML) u drugoj implicira da je većina objavljenih radova usmjerena na ispitivanje potencijala AI tehnika za bespilotne letjelice. temeljena poljoprivreda. Iako su dronovi sposobni samostalno letjeti, ipak zahtijevaju angažman pilota, što implicira nisku razinu inteligencije uređaja. Međutim, ovaj se problem može riješiti zahvaljujući napretku tehnika umjetne inteligencije, koje mogu pružiti bolju svijest o situaciji i podršku autonomnom odlučivanju. Opremljeni umjetnom inteligencijom, dronovi mogu izbjeći sudare tijekom navigacije, poboljšati upravljanje tlom i usjevima (Inoue, 2020.), te smanjiti rad i stres za ljudska bića (BK Sharma et al., 2019.).
Zbog svoje fleksibilnosti i sposobnosti rukovanja golemim količinama nelinearnih podataka, tehnike umjetne inteligencije prikladne su metode za analizu podataka koje prenose bespilotne letjelice i drugi sustavi daljinske detekcije i zemaljski sustavi za predviđanje i donošenje odluka (Ali et al., 2015.; Inoue, 2020.). Nadalje, prisutnost "IoT" u drugom razdoblju ukazuje na njegovu rastuću ulogu u poljoprivredi. IoT revolucionira poljoprivredu međusobnim povezivanjem drugih tehnologija, uključujući dronove, ML, DL, WSN i big data. Jedna od ključnih prednosti implementacije IoT-a je njegova sposobnost učinkovitog i djelotvornog spajanja različitih zadataka (prikupljanje podataka, analiza i obrada podataka, donošenje odluka i implementacija) u gotovo stvarnom vremenu (Elijah et al., 2018; Feng et al. , 2019; Muangprathub i sur., 2019). Nadalje, dronovi se smatraju učinkovitim alatima za prikupljanje podataka potrebnih za izračun bujnosti vegetacije i svojstava vegetacije (Candiago et al., 2015.). Slike 2a i 2b ilustriraju mreže supojavljivanja ključnih riječi za oba vremenska razdoblja.
Utjecajni autori
U ovom odjeljku utvrđujemo utjecajne autore i ispitujemo kako mreže citiranja autora mogu vizualizirati i organizirati postojeću literaturu. Slika 3 prikazuje kronološki prikaz svih istraživača s najvećim brojem citata. Ljestvica boja odražava godišnje varijacije citata autora. Ispitujemo strukturu citata istraživača koji su objavili studije o poljoprivrednim dronovima koristeći prag od najmanje 50 citata i deset publikacija. Od
12,891 autora, samo 115 je ispunilo ovaj uvjet. U tablici 4 nalazi se popis deset najutjecajnijih autora poredanih prema maksimalnom broju citata. Lopez-Granados F. vodi na listi s 1,963 citata, a slijedi ga Zarco-Tejada PJ s 1,909 citata.
Popis najcitiranijih autora.
Rangiranje | Autor | Citati |
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 |
Kada je riječ o pojedinačnim publikacijama, članak Zhanga i Kovacsa (2012.) najcitiranija je studija objavljena u časopisu Precision Agriculture. Ovdje su autori pregledali primjenu UAS-a u preciznoj poljoprivredi. Nalazi njihova istraživanja sugeriraju da postoji potreba za unaprjeđenjem dizajna platforme, proizvodnje, standardizacije georeferenciranja slika i tijeka rada za pronalaženje informacija kako bi se poljoprivrednicima pružili pouzdani krajnji proizvodi. Dodatno, preporučuju snažnije angažiranje poljoprivrednika, posebice u planiranju polja, snimanju slika, kao i interpretaciji i analizi podataka. Važno je napomenuti da je ova studija među prvima pokazala važnost UAV-a u kartiranju polja, kartiranju vitalnosti, mjerenju kemijskog sadržaja, praćenju vegetacijskog stresa i procjeni učinaka gnojiva na rast biljaka. Izazovi povezani s tehnologijom također uključuju previsoke troškove, sposobnost senzora, stabilnost i pouzdanost platforme, nedostatak standardizacije i dosljedne procedure za analizu golemih količina podataka.
Analiza citata
Analiza citiranosti predstavlja proučavanje utjecaja članaka, iako sklona tijekovima (npr. citatna pristranost, samocitiranje) smatra se jednim od standardnih instrumenata za procjenu utjecaja (Osareh, 1996; A. Rejeb i sur., 2022; Sarli i sur., 2010). Citati također odražavaju važnost i vitalnost doprinosa radova literaturi o određenoj temi (R. Sharma et al., 2022.). Proveli smo analizu citata kako bismo odredili najutjecajnije studije o poljoprivrednim dronovima i saželi sadržaj. Tablica 5 prikazuje popis petnaest najutjecajnijih radova za razdoblja 1990.–2010. i 2011.–2021. Članci Bernija i sur. (2009)b i Austin (2010) najviše su citirani tijekom 1990. i 2010. godine, s 831 odnosno 498 citata. Berni i sur. (2009)b ilustrirao je potencijal za razvoj kvantitativnih proizvoda za daljinsko očitavanje putem bespilotne letjelice temeljene na helikopteru opremljene pristupačnim toplinskim i uskopojasnim multispektralnim slikovnim senzorima. U usporedbi s tradicionalnim zračnim senzorima s ljudskom posadom, jeftini UAV sustav za poljoprivredu može postići usporedive procjene biofizičkih parametara usjeva, ako ne i bolje. Pristupačna cijena i operativna fleksibilnost, zajedno s visokom spektralnom, prostornom i vremenskom rezolucijom dostupnom u kratkom vremenu, čine bespilotne letjelice prikladnima za niz aplikacija koje zahtijevaju vremenski kritično upravljanje, uključujući planiranje navodnjavanja i preciznu poljoprivredu. Rad Bernija i sur. (2009)b je visoko citiran jer je učinkovito integrirao bespilotnu platformu s rotirajućim krilima i digitalne i toplinske senzore s potrebnim mehanizmima kalibracije za poljoprivredne primjene. Druga najcitiranija publikacija je knjiga koju je napisao Austin (2010.), koji je raspravljao o UAV-ovima iz perspektive dizajna, razvoja i postavljanja. U poljoprivredi, bespilotne letjelice podržavaju praćenje usjeva ranim otkrivanjem bolesti kroz promjene boje usjeva, olakšavanjem sjetve i prskanja usjeva te praćenjem i tjeranjem stada.
Studije Sullivana i sur. (2007), Lumme i sur. (2008), i Gokto ¨ ǧan et al. (2010.) završavaju popis petnaest najcitiranijih članaka. Ovi članci ilustriraju razvoj sustava temeljenih na UAV-u za podršku poljoprivredi. Oni nude rješenja za različite probleme, kao što su praćenje i skeniranje usjeva, nadzor i upravljanje korovom te podrška pri donošenju odluka. Oni također predlažu i raspravljaju o sposobnosti UAV-a da poveća učinkovitost uzorkovanja i pomogne poljoprivrednicima u osmišljavanju točnih i učinkovitih
strategije sadnje. Berni je napisao dva rada (Berni i sur., 2009.; Berni i sur., 2009.a), naglašavajući njegov značajan utjecaj na istraživanja vezana uz poljoprivredne dronove. Rad iz Zarco-Tejada et al. (2014) bio je među pionirskim studijama koje su ilustrirale potrebu za korištenjem jeftinih slika UAV-a u kvantificiranju visine stabala.
Popis najcitiranijih publikacija.
Poredak | Od 1990 da 2010 | Od 2011 da 2021 | ||
dokument | Citat | dokument | Citat | |
1 | (Berni i sur., 2009.b) | 831 | (C. Zhang & Kovacs, 2012) | 967 |
2 | (Austin, 2010.) | 498 | (Nex & Remondino, 2014) | 893 |
3 | (Hunt i sur., 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 i sur., 2009.b) | 250 | (Ma et al., 2017.) | 373 |
7 | (Grenzdorffer ¨ et al., 2008) | 198 | (Bendig i sur., 2014.) | 360 |
8 | (Hrabar i sur., 2005.) | 175 | (Zarco-Tejada i sur., 2014) | 347 |
9 | (Y. Huang i sur., 2009.) | 129 | (Oglas ao i sur., 2017.) | 335 |
10 | (Schmale III et al., 2008) | 119 | (Honkavaara i sur., 2013) | 331 |
11 | (Abd-Elrahman et al., 2005) | 79 | (Candiago i sur., 2015.) | 327 |
12 | (Techy i sur., 2010.) | 69 | (Xiang i Tian, 2011.) | 307 |
13 | (Sullivan i sur., 2007.) | 51 | (Matese i sur., 2015.) | 303 |
14 | (Lumme i sur., 2008.) | 42 | (Gago i sur., 2015.) | 275 |
15 | (Gokto ¨ ǧan i sur., 2010.) | 40 | (Aasen i sur., 2015.a) | 269 |
U drugom razdoblju (2011. – 2021.) istraživanja Zhanga i Kovacsa (2012.) te Nexa i Remondina (2014.) rezultirala su najčešće citiranim publikacijama. Zhang i Kovacs (2012.) tvrde da bi precizna poljoprivreda mogla imati koristi od primjene geoprostornih tehnika i senzora, kao što su geografski informacijski sustavi, GPS i daljinska detekcija, za hvatanje varijacija na terenu i njihovo rješavanje primjenom alternativnih strategija. Kao promjena u preciznoj poljoprivredi, usvajanje bespilotnih letjelica najavilo je novo doba u daljinskom otkrivanju, pojednostavljujući promatranje iz zraka, hvatanje podataka o rastu usjeva, uvjetima tla i područjima prskanja. Pregled Zhanga i Kovacsa (2012.) je ključan jer nudi uvid u bespilotne letjelice otkrivajući postojeću upotrebu i izazove ovih uređaja u praćenju okoliša i preciznoj poljoprivredi, kao što su ograničenja platforme i kamere, izazovi obrade podataka, angažman poljoprivrednika i zračni propisi . Drugi
najcitiranija studija Nexa i Remondina (2014.) pregledala je stanje tehnike UAV-ova za snimanje, obradu i analizu slika Zemlje.
Njihov je rad također predstavio pregled nekoliko UAV platformi, aplikacija i slučajeva korištenja, pokazujući najnovija dostignuća u obradi slike UAV-a. U poljoprivredi, poljoprivrednici bi mogli koristiti bespilotne letjelice za donošenje učinkovitih odluka kako bi postigli uštedu troškova i vremena, dobili brzu i preciznu evidenciju šteta i predvidjeli moguće probleme. Za razliku od konvencionalnih zračnih platformi, bespilotne letjelice mogu smanjiti operativne troškove i umanjiti opasnost od pristupa na teškim lokacijama, dok još uvijek zadržavaju potencijal visoke preciznosti. Njihov rad sažima razne prednosti bespilotnih letjelica, posebice u pogledu točnosti i rezolucije.
Među preostalih trinaest najcitiranijih publikacija između 2011. i 2021. uočili smo veću koncentraciju na istraživanja vezana uz primjenu dronova u misijama snimanja (Bendig i sur., 2014.; Ma i sur., 2017.; Zarco-Tejada i sur., 2014.) , precizna poljoprivreda (Candiago et al., 2015; Honkavaara et al., 2013a), precizno vinogradarstvo (Matese et al., 2015), procjena vodnog stresa (Gago et al., 2015) i praćenje vegetacije (Aasen et al. , 2015.a). U prvim su se godinama istraživači usredotočili
više o razvoju jeftinih, laganih i preciznih sustava temeljenih na UAV-u za poljoprivredu; novija istraživanja su se više usredotočila na preglede aplikacija UAV-a za poljoprivredu i terenska istraživanja. Ukratko, ova analiza otkriva da su utjecajne publikacije uglavnom pružale preglede prethodnih studija za procjenu trenutnog znanstvenog i tehnološkog statusa bespilotnih letjelica i razvijenih bespilotnih letjelica za podršku precizne poljoprivrede. Zanimljivo, nismo pronašli studije koje su koristile empirijska istraživanja
metodologije ili deskriptivne studije slučaja, što predstavlja značajnu prazninu u znanju i poziva na dodatna istraživanja ove teme.
Kocitatna analiza
Prema Gmüru (2006.), kocitatna analiza identificira slične publikacije i grupira ih. Pažljivo ispitivanje klastera može otkriti zajedničko područje istraživanja među publikacijama. Istražujemo zajedničko citiranje literature koja se odnosi na poljoprivredne bespilotne letjelice kako bismo ilustrirali povezana tematska područja i otkrili intelektualne obrasce publikacija. S tim u vezi, Small (1973.) je preporučio korištenje kocitacijske analize za proučavanje najutjecajnijih i najznačajnijih istraživanja.
unutar discipline. Kako bismo ograničili skup na najznačajnije članke (Goyal & Kumar, 2021.), postavili smo prag kocitiranja od 25, što znači da dva članka moraju biti citirana zajedno u popisima referenci 25 ili više različitih publikacija. Klasteriranje je također provedeno s minimalnom veličinom klastera 1 i bez ikakve metode za spajanje manjih klastera s većima. Kao rezultat toga, generirano je šest klastera na temelju sličnosti studija i njihove intelektualne strukture. Tablica 6 prikazuje distribuciju publikacija u svakom klasteru.
Klaster 1: Ovaj klaster sadrži osamnaest dokumenata objavljenih nakon Publikacije u ovom klasteru raspravljaju o ulozi bespilotnih letjelica u podršci praćenju okoliša, upravljanju usjevima i borbi protiv korova. Na primjer, Manfreda et al. (2018.) daju pregled trenutnih istraživanja i implementacije UAV-a u praćenju prirodnih poljoprivrednih ekosustava i tvrde da tehnologija nudi ogroman potencijal za drastično poboljšanje praćenja okoliša i smanjenje
postojeći jaz između motrenja na terenu i konvencionalnog daljinskog istraživanja iz zraka i svemira. To se može učiniti nuđenjem novih kapaciteta za poboljšano vremensko pretraživanje i prostorne uvide u velika područja na pristupačan način. Bespilotne letjelice mogu stalno osjećati okoliš i slati dobivene podatke inteligentnim, centraliziranim/decentraliziranim entitetima koji kontroliraju senzore za prepoznavanje eventualnih problema, kao što je nedostatak otkrivanja bolesti ili vode (Padua ´ et al., 2017.). Adao ˜ et al. (2017.) tvrde da su bespilotne letjelice idealne za procjenu stanja biljaka prikupljanjem ogromne količine neobrađenih podataka koji se odnose na status vode, procjenu biomase i procjenu snage. Senzori postavljeni na bespilotne letjelice također bi se mogli odmah rasporediti u odgovarajućim uvjetima okoline kako bi se omogućilo pravodobno snimanje podataka daljinskog očitavanja (Von Bueren et al., 2015.). Pomoću bespilotnih letjelica poljoprivrednici su u mogućnosti obavljati poljoprivredne aktivnosti u zatvorenom prostoru prikupljanjem mjerenja s praktički bilo kojeg mjesta u trodimenzionalnom prostoru unutarnjeg poljoprivrednog okruženja (npr. staklenici), čime se osigurava lokalna kontrola klime i praćenje biljaka (Roldan ´ et al. ., 2015). U kontekstu preciznosti
poljoprivrede, odluke o upravljanju usjevima zahtijevaju točne, pouzdane podatke o usjevima s odgovarajućom vremenskom i prostornom rezolucijom (Gebbers & Adamchuk, 2010; Gevaert et al., 2015; Maes & Steppe, 2019). Iz tog razloga, Agüera Vega i sur. (2015.) koristili su multispektralni senzorski sustav montiran na UAV za dobivanje slika usjeva suncokreta tijekom vegetacijske sezone. Slično, Huang et al. (2009.) primjećuju da bi daljinsko očitavanje temeljeno na UAV-ovima moglo olakšati mjerenje usjeva i tla iz prikupljenih spektralnih podataka. Verger i sur. (2014.) razvili su i testirali tehniku za procjenu indeksa zelenih površina (GAI) iz mjerenja refleksije UAV-a u aplikacijama precizne poljoprivrede, usredotočujući se na usjeve pšenice i uljane repice. Stoga dronovi pružaju nove mogućnosti za dohvaćanje informacija o stanju usjeva uz česte ponovne posjete i visoku prostornu rezoluciju (Dong i sur., 2019; Garzonio i sur., 2017; H. Zheng i sur., 2016).
Grupiranje utjecajnih publikacija o poljoprivrednim dronovima.
grozd | Široka tema | Reference |
1 | Praćenje okoliša, usjev upravljanje, upravljanje korovom | (Oglas ao i sur., 2017.; Agüera Vega i sur., 2015.; de Castro i sur., 2018.; Gomez-Cand ´ on ´ et al., 2014.; YB Huang i sur., 2013.; Khanal i dr., 2017.; Lopez-Granados, ´ 2011.; Manfreda i sur., 2018.; P´ adua i dr., 2017.; Pena ˜ et al., 2013.; P´erez-Ortiz i sur., 2015.; Rasmussen i sur., 2013., 2016.; Torres-S´ anchez i sur., 2014.; Torres-Sanchez, ´ Lopez-Granados, ´ & Pena, ~ 2015.; Verger i sur., 2014.; Von Bueren i sur., 2015.; C. Zhang & Kovač, 2012.) |
2 | Daljinska fenotipizacija, prinos procjena, model površine usjeva, brojanje biljaka | (Bendig i sur., 2013., 2014.; Geipel i sur., 2014.; Gnadinger ¨ & Schmidhalter, 2017.; Haghighattalab i sur., 2016.; Holman i sur., 2016.; Jin i sur., 2017.; W. Li i sur., 2016.; Maimaitijiang i sur., 2017.; Sankaran i sur., 2015.; Schirrmann i sur., 2016.; Shi i sur., 2016.; Yue i sur., 2017.; X. Zhou i sur., 2017.) |
3 | Termovizija za vodu, multispektralno snimanje | (Baluja i sur., 2012.; Berni i sur., 2009b; Berni i sur., 2009a; Candiago i sur., 2015.; Gago i sur., 2015.; Gonzalez-Dugo i sur., 2013., 2014.; Grenzdorffer ¨ i sur., 2008.; Khaliq i sur., 2019.; Matese i sur., 2015.; Ribeiro-Gomes i sur., 2017.; Santesteban i sur., 2017.; Uto i sur., 2013) |
4 | Hipersektralna slika, spektralna slike | (Aasen et al., 2015a; Bareth et al., 2015.; Hakala i sur., 2013.; Honkavaara i sur., 2013a; Lucieer i sur., 2014.; Saari i sur., 2011.; Suomalainen i sur., 2014.) |
5 | Aplikacije za 3D mapiranje | (Jim´enez-Brenes et al., 2017.; Nex & Remondino, 2014.; Salamí i sur., 2014.; Torres-S´ anchez, Lopez- ´ Granados, Serrano i sur., 2015.; Zahawi i sur., 2015.; Zarco-Tejada i sur., 2014) |
6 | Nadzor nad poljoprivredom | (SR Herwitz et al., 2004; Hunt i sur., 2010.; CCD Lelong i dr., 2008.; Primicerio i sur., 2012.; Xiang i Tian, 2011.) |
Nadalje, dronovi su korisni za zahtjevne zadatke u poljoprivredi, uključujući mapiranje korova. Slike snimljene uređajima dokazale su njihovu korisnost za rano otkrivanje korova na poljima (de Castro i sur., 2018; Jim´enez-Brenes i sur., 2017; Lam i sur., 2021; Lopez-Granados ´ i sur., 2016.; Rozenberg i sur., 2021.). S tim u vezi, de Castro et al. (2018.) smatraju da je spajanje slika UAV-a i analize slike temeljene na objektu (OBIA) omogućilo praktičarima da prevladaju problem automatizacije ranog otkrivanja u usjevima na travnjacima u ranoj sezoni, što je veliki korak naprijed u istraživanju korova. Isto tako, Pena ˜ et al. (2013) ističu da korištenje slika ultravisoke prostorne rezolucije iz UAV-a u kombinaciji s OBIA postupkom omogućuje generiranje karata korova u ranim usjevima kukuruza koje bi se mogle koristiti u planiranju provedbe mjera kontrole korova tijekom sezone, zadatak koji nadilazi mogućnosti satelitskih i tradicionalnih slika iz zraka. U usporedbi s algoritmima za klasifikaciju slika ili detekciju objekata, tehnike semantičke segmentacije učinkovitije su u zadacima mapiranja korova (J. Deng et al., 2020.), omogućujući tako poljoprivrednicima da otkriju uvjete na polju, ublaže gubitke i poboljšaju prinose tijekom vegetacijske sezone (Ramesh i sur., 2020). Semantička segmentacija temeljena na dubokom učenju također može pružiti točno mjerenje vegetacijskog pokrova iz zračnih slika visoke rezolucije (Ramesh et al., 2020.; A. Zheng et al., 2022.). Unatoč njihovom potencijalu za daljinsko
senzorske klasifikacije piksela, tehnike semantičke segmentacije zahtijevaju značajno računanje i pretjerano veliku GPU memoriju (J. Deng et al., 2020.).
Na temelju strojnog učenja i UAV-a, P´erez-Ortiz et al. (2015.) predložili su pristup mapiranju korova kako bi se osigurale strategije kontrole korova specifične za lokaciju kada poljoprivrednici usvoje kontrolu korova rano nakon nicanja. Konačno, Rasmussen et al. (2013.) istaknuli su da bespilotne letjelice pružaju jeftine senzore s velikom fleksibilnošću prostorne rezolucije. Sve u svemu, publikacije u ovom klasteru usmjerene su na istraživanje potencijala bespilotnih letjelica za podršku daljinskom očitavanju, praćenju usjeva i kartiranju korova. Potrebno je dodatno dubinsko istraživanje kako bi se dalje istražilo kako se primjenom dronova u praćenju okoliša, upravljanju usjevima i kartiranju korova može postići održivija poljoprivreda (Chamuah & Singh, 2019; Islam et al., 2021; Popescu et al., 2020; J Su, Liu, et al., 2018) i bave se pitanjima upravljanja ovom tehnologijom u aplikacijama za osiguranje usjeva (Basnet & Bang, 2018; Chamuah & Singh, 2019, 2022; Meinen & Robinson, 2021). Istraživači bi se trebali usredotočiti na provjeru valjanosti mjerenja prikupljenih UAV-ovima s učinkovitim tehnikama obrade kako bi poboljšali krajnju kvalitetu obrađenih podataka (Manfreda et al., 2018.). Nadalje, potreban je razvoj odgovarajućih algoritama koji prepoznaju piksele koji prikazuju korov na digitalnim slikama i eliminiraju irelevantnu pozadinu tijekom mapiranja korova UAV-om (Gašparović i sur., 2020; Hamylton i sur., 2020; H. Huang i sur. , 2018, 2020; Lopez-´ Granados et al., 2016). Dodatna istraživanja o usvajanju tehnika semantičke segmentacije u prepoznavanju biljaka, klasifikaciji lišća i kartiranju bolesti su dobrodošla (Fuentes-Pacheco et al., 2019; Kerkech et al., 2020).
Klaster 2. Publikacije u ovom klasteru bile su usredotočene na nekoliko aspekata poljoprivrednih bespilotnih letjelica. Vezano za udaljenu fenotipizaciju, Sankaran et al. (2015.) pregledali su potencijal korištenja zračnih slika visoke razlučivosti na niskim visinama s bespilotnim letjelicama za brzo fenotipiziranje usjeva u polju i tvrde da, u usporedbi s zemaljskim senzorskim platformama, male bespilotne letjelice s odgovarajućim senzorima nude nekoliko prednosti , poput lakšeg pristupa terenu, podataka visoke rezolucije, učinkovitog prikupljanja podataka,
brze procjene uvjeta rasta na polju i niski operativni troškovi. Međutim, autori također primjećuju da se učinkovita primjena UAV-a za fenotipizaciju polja oslanja na dva temeljna elementa, naime, značajke UAV-a (npr. sigurnost, stabilnost, pozicioniranje, autonomija) i karakteristike senzora (npr. razlučivost, težina, spektralne valne duljine, polje pogleda). Haghighattalab i sur. (2016.) predložili su poluautomatizirani cjevovod za obradu slika za dohvaćanje podataka na razini crteža iz slika UAV-a i ubrzavanje procesa razmnožavanja. Holman i sur. (2016) razvili su visoku
sustav za fenotipizaciju propusnog polja i istaknuo da UAV može prikupiti kvalitetne, voluminozne fenotipske podatke temeljene na terenu te da je uređaj učinkovit za velika područja i na različitim terenskim lokacijama.
Budući da je procjena prinosa nevjerojatno vitalna informacija, osobito kada je dostupna na vrijeme, postoji mogućnost da bespilotne letjelice pruže sva mjerenja na terenu i učinkovito prikupe visokokvalitetne podatke (Daakir i sur., 2017.; Demir i sur., 2018. ; Enciso i sur., 2019; Kulbacki i sur., 2018.). S tim u vezi, Jin et al. (2012.) iskoristili su slike visoke rezolucije dobivene bespilotnim letjelicama na vrlo malim visinama kako bi razvili i procijenili metodu za procjenu gustoće biljaka pšenice u fazi nicanja. Prema autorima, bespilotne letjelice nadilaze ograničenja sustava rovera opremljenih kamerama i predstavljaju neinvazivnu metodu za procjenu gustoće biljaka u usjevima, omogućujući poljoprivrednicima da postignu visoku propusnost potrebnu za fenotipizaciju polja neovisno o prometnosti tla. Li et al. (2017) prikupili su stotine stereo slika s iznimno visokom rezolucijom pomoću sustava temeljenog na UAV-u za procjenu parametara kukuruza, uključujući visinu krošnje i biomasu iznad zemlje. Konačno, Yue et al. (2016.) otkrili su da visina usjeva određena bespilotnim letjelicama može poboljšati procjenu nadzemne biomase (AGB).
Pristup praćenju rasta usjeva ideja je razvoja modela površine usjeva (Bendig et al., 2014, 2015; Holman et al., 2016; Panday, Shrestha, et al., 2020; Sumesh et al., 2021). Nekoliko je studija istaknulo izvedivost slika snimljenih bespilotnim letjelicama za snimanje visine biljaka i praćenje njihova rasta. Na primjer, Bendig et al. (2013.) opisali su razvoj viševremenskih modela površine usjeva s vrlo visokom rezolucijom manjom od 0.05 m pomoću UAV-a. Cilj im je bio otkriti usjev
varijabilnost rasta i njezina ovisnost o obradi usjeva, kultivaru i stresu. Bendig i sur. (2014.) upotrijebili su bespilotne letjelice za procjenu svježe i suhe biomase na temelju visine biljaka izdvojene iz modela površine usjeva i otkrili su da, za razliku od platformi u zraku i zemaljskog laserskog skeniranja, slike visoke rezolucije iz bespilotnih letjelica mogu značajno povećati točnost modeliranja visine biljaka za različit rast faze. U istom smislu, Geipel et al. (2014) koristili su bespilotne letjelice u svojim istraživanjima za dobivanje slika
skupove podataka za predviđanje prinosa zrna kukuruza u tri različite faze rasta od rane do sredine sezone i zaključili da je kombinacija spektralnog i prostornog modeliranja na temelju slika iz zraka i modela površine usjeva prikladna metoda za predviđanje prinosa kukuruza u srednjoj sezoni. Konačno, Gnadinger ¨ i Schmidhalter (2017.) ispitali su korisnost bespilotnih letjelica u preciznom fenotipiziranju i istaknuli da bi uporaba ove tehnologije mogla poboljšati upravljanje farmom i omogućiti eksperimentiranje na terenu za uzgoj i agronomske svrhe. Općenito, primjećujemo da su publikacije u klasteru 2 usredotočene na glavne prednosti bespilotnih letjelica na daljinu.
fenotipizacija, procjena prinosa, modeliranje površine usjeva i brojanje biljaka. Buduće studije mogu kopati dublje razvijanjem novih metoda za daljinsko fenotipiziranje koje mogu automatizirati i optimizirati obradu daljinski očitanih podataka (Barabaschi i sur., 2016.; Liebisch i sur., 2015.; Mochida i sur., 2015.; S. Zhou i sur. ., 2021). Osim toga, izvedbu IoT senzora montiranih na UAV-ove i kompromis između njihove cijene, rada i preciznosti procjene prinosa treba istražiti u
budućnost (Ju i Son, 2018a, 2018b; Xie i Yang, 2020; Yue i sur., 2018). U konačnici, postoji potreba za razvojem učinkovitih metoda obrade slike koje mogu generirati pouzdane informacije, povećati učinkovitost poljoprivredne proizvodnje i minimizirati ručno brojanje poljoprivrednika (RU Khan i sur., 2021; Koh i sur., 2021; Lin & Guo, 2020; C. Zhang i sur., 2020).
Klaster 3. Publikacije u ovom klasteru raspravljaju o različitim vrstama slikovnih sustava za daljinsko očitavanje poljoprivrednih resursa koji se koriste na UAV platformama. U tom smislu, termalno snimanje omogućuje praćenje površinskih temperatura kako bi se spriječilo oštećenje usjeva i rano otkrio stres od suše (Awais i sur., 2022; García-Tejero i sur., 2018; Sankaran i sur., 2015; Santesteban i sur., 2017.; Yeom, 2021.). Baluja i sur. (2012) ustvrdio je da korištenje multispektralnih i termalnih kamera na brodu
UAV je omogućio istraživačima dobivanje slika visoke rezolucije i procjenu statusa vode vinove loze. To bi moglo biti korisno za razvoj novih modela raspoređivanja vode korištenjem podataka daljinskog očitavanja (Baluja et al., 2012.). Zbog
ograničena nosivost bespilotnih letjelica, Ribeiro-Gomes et al. (2017.) razmatrali su integraciju nehlađenih termalnih kamera u bespilotne letjelice za određivanje vodnog stresa u biljkama, što ovu vrstu bespilotnih letjelica čini učinkovitijom i održivijom od tradicionalnih satelitskih daljinskih detekcija i bespilotnih letjelica opremljenih hlađenim termalnim kamerama. Prema autorima, nehlađene termalne kamere su lakše od hlađenih kamera, pa je potrebna odgovarajuća kalibracija. Gonzalez-Dugo i sur. (2014.) pokazali su da termalne slike učinkovito generiraju prostorne karte indeksa vodnog stresa usjeva za procjenu statusa vode i kvantificiranje vodnog stresa među i unutar voćnjaka citrusa. Gonzalez-Dugo i sur. (2013) i Santesteban et al. (2017.) istraživali su korištenje toplinskih snimaka UAV-a visoke rezolucije za procjenu varijabilnosti statusa vode u komercijalnom voćnjaku i vinogradu.
Multispektralno snimanje moglo bi pružiti goleme podatke u usporedbi s tradicionalnim RGB (crveno, zeleno i plavo) slikama (Ad˜ao et al., 2017; Navia et al., 2016). Ovi spektralni podaci, zajedno s prostornim podacima, mogli bi pomoći u klasifikaciji, kartiranju, predviđanju, predviđanju i otkrivanju (Berni et al., 2009b). Prema Candiagu i sur. (2015.), multispektralno snimanje temeljeno na UAV-u moglo bi uvelike pridonijeti procjeni usjeva i preciznoj poljoprivredi kao pouzdan i učinkovit resurs. Također,
Khaliq i sur. (2019.) napravili su usporedbu multispektralnog snimanja satelita i UAV-a. Slike temeljene na UAV-u rezultirale su preciznijim opisom varijabilnosti vinograda kao i kartama bujnosti za predstavljanje krošnji usjeva. Ukratko, članci u ovoj skupini raspravljaju o ugradnji toplinskih i multispektralnih slikovnih senzora u poljoprivredne UAV-ove. Sukladno tome, potrebno je više istraživanja kako bi se razumjelo kako se toplinska i multispektralna slika mogu integrirati s umjetnom inteligencijom
tehnike (npr. duboko učenje) za otkrivanje stresa kod biljaka (Ampatzidis i sur., 2020.; Ampatzidis i sur., 2019.; Jung i sur., 2021.; Santesteban i sur., 2017.; Syeda i sur., 2021.). Takvi uvidi pomoći će osigurati učinkovitiju i točniju detekciju, kao i praćenje rasta biljaka, stresa i fenologije (Buters et al., 2019; Cao et al., 2020; Neupane & BaysalGurel, 2021; L. Zhou et al., 2020).
Grupa 4. Ova grupa se sastoji od sedam radova koji se vrte oko ključne uloge spektralnog snimanja i hiperspektralnog snimanja u podršci poljoprivrednim praksama. Hiperspektralno snimanje etabliralo se kao metoda daljinskog očitavanja koja omogućuje kvantitativnu procjenu zemljinog sustava (Schaepman et al., 2009). Da budemo precizniji, omogućuje identifikaciju površinskih materijala, kvantifikaciju (relativnih) koncentracija i dodjeljivanje proporcija površinskih komponenti
unutar miješanih piksela (Kirsch i sur., 2018; Zhao i sur., 2022). Drugim riječima, viša spektralna razlučivost koju pružaju hiperspektralni sustavi omogućuje točnije procjene različitih parametara, kao što su vegetarijanska svojstva ili sadržaj vode u lišću (Suomalainen et al., 2014.). Istraživači u ovom klasteru istraživali su različite aspekte takvih sustava. Između ostalih, Aasen et al. (2015b) ponudio je jedinstveni pristup za izvođenje trodimenzionalnih hiperspektralnih informacija iz laganih
kamere za brze snimke koje se koriste na UAV-ovima za praćenje vegetacije. Lucieer i sur. (2014) raspravljali su o dizajnu, razvoju i zračnim operacijama novog hiperspektralnog UAS-a, kao i o kalibraciji, analizi i interpretaciji slikovnih podataka prikupljenih njime. Konačno, Honkavaara et al. (2013b) razvili su sveobuhvatan pristup obradi za spektralne slike temeljene na FabryPerot interferometru i pokazali njegovu upotrebu u postupku procjene biomase za preciznu poljoprivredu. Potencijalni budući putovi za ovaj trenutni klaster uključuju naglašavanje potrebe za tehničkim poboljšanjima senzorskih tehnologija (Aasen et al., 2015b) kao i potrebe za uključivanjem i poboljšanjem komplementarnih tehnologija, posebno velikih podataka i analitike (Ang & Seng, 2021; Radoglou -Grammatikis i sur., 2020.; Shakoor i sur., 2019.). Potonje uglavnom proizlazi iz stalno rastućih podataka koje generiraju različiti senzori implementirani u pametnu poljoprivredu (C. Li & Niu, 2020.; A. Rejeb i sur., 2022.; Y. Su & Wang, 2021.).
Klaster 5. Publikacije u ovom klasteru ispitivale su aplikacije za 3D mapiranje temeljene na dronovima. Korištenje bespilotnih letjelica za 3D mapiranje moglo bi olakšati složen terenski rad i značajno povećati učinkovitost (Torres-Sanchez ´ et al., 2015.). Pet članaka u klasteru uglavnom se fokusiralo na aplikacije za praćenje postrojenja. Na primjer, za dobivanje trodimenzionalnih podataka o površini krošnje, visini stabla i volumenu krošnje, Torres-Sanchez ´ et al. (2015.) koristili su UAV tehnologiju za generiranje digitalnih površinskih modela, a zatim pristupe analizi slike temeljene na objektima (OBIA). Nadalje, Zarco-Tejada i sur. (2014.) kvantificirali su visinu stabla integracijom UAV tehnologije i metoda trodimenzionalne fotorekonstrukcije. Jim´enez-Brenes Lopez-Granados, ´ De Castro, et al. (2017.) demonstrirao je novi proces za multi-temporalno, 3D praćenje desetaka stabala maslina integracijom UAV tehnologije s naprednom OBIA metodologijom. Zanimljivi putovi za buduće radove u ovom klasteru uključuju ili poboljšanje struje
metodologije (Zarco-Tejada et al., 2014) za potrebe digitalnog modeliranja površina (Ajayi et al., 2017; Jaud et al., 2016), kao što je OBIA (de Castro et al., 2018, 2020; Ventura et al. , 2018.) i rekonstrukcija fotografija ili razvoj novih metoda (Díaz-Varela i sur., 2015.; Torres-S´ anchez i sur., 2015.).
Grupa 6. Ova grupa raspravlja o ulozi dronova u poljoprivrednom nadzoru. Bespilotne letjelice mogle bi nadopuniti i prevladati nedostatke satelitskog i zrakoplovnog snimanja. Na primjer, mogli bi pružiti slike visoke rezolucije gotovo u stvarnom vremenu s manje goriva ili izazova pri pilotiranju, što bi rezultiralo stalnim nadzorom u stvarnom vremenu i poboljšanjima u donošenju odluka (S. Herwitz et al., 2004.). Drugi ključni doprinos bespilotnih letjelica je njihova sposobnost pružanja podataka specifičnih za lokaciju za preciznu poljoprivredu ili poljoprivredu specifičnu za lokaciju jer njihova visoka rezolucija, detaljni podaci o različitim parametrima omogućuju poljoprivrednicima da podijele zemlju na homogene dijelove i prema njima postupaju (Hunt et al. , 2010; CC Lelong et al., 2008; Primicerio et al., 2012). Takav poljoprivredni nadzor temeljen na UAV-u može podržati praćenje sigurnosti hrane i donošenje odluka (SR Herwitz et al., 2004.). Kako bi se unaprijedilo istraživanje u poljoprivrednom nadzoru, potrebna su ne samo poboljšanja senzora, bespilotnih letjelica i drugih srodnih tehnologija i njihovih metoda komunikacije i prijenosa podataka (Ewing et al., 2020.; Shuai et al., 2019.), već i integracija dronova s raznim tehnologije za optimiziranje različitih zadataka u vezi s pametnom poljoprivredom, poput praćenja, poljoprivrednog nadzora i donošenja odluka, područje je istraživanja s velikim potencijalom (Alsamhi i sur., 2021.; Popescu i sur., 2020.; Vuran i sur., 2018.). U tom smislu, IoT, WSN-ovi i veliki podaci nude zanimljive komplementarne mogućnosti (van der Merwe et al., 2020.). Troškovi implementacije, ušteda troškova, energetska učinkovitost i sigurnost podataka među nedovoljno su istraženim područjima za takvu integraciju (Masroor et al., 2021.).
Zemlje i akademske institucije
Posljednji korak uključivao je istraživanje zemlje podrijetla i akademske pripadnosti autora. Putem ove analize želimo bolje razumjeti geografsku distribuciju znanstvenika koji doprinose primjeni dronova u poljoprivredi. Važno je primijetiti raznolikost zemalja i akademskih institucija. Gledano iz perspektive zemalja, SAD, Kina, Indija i Italija su na vrhu ljestvice po broju publikacija (tablica 7). Struja
istraživanje o poljoprivrednim bespilotnim letjelicama uglavnom je usredotočeno na sjevernoameričke i azijske zemlje, uglavnom zbog njihove velike angažiranosti u aplikacijama precizne poljoprivrede. Na primjer, u SAD-u, tržište poljoprivrednih bespilotnih letjelica procijenjeno je na 841.9 milijuna USD u 2020. godini, što čini približno 30% globalnog tržišnog udjela (ReportLinker, 2021.). Smatrajući se najvećim svjetskim gospodarstvom, predviđa se da će Kina dosegnuti približnu tržišnu veličinu od 2.6 milijardi USD u 2027. godini. Ova zemlja poziva poljoprivredne bespilotne letjelice kako bi prevladala probleme s produktivnošću i postigla bolje prinose, smanjenje rada i manje proizvodne inpute. Međutim, usvajanje tehnologije u Kini također je potaknuto čimbenicima kao što su veličina populacije i potreba za inovacijama i poboljšanjem postojećih praksi upravljanja usjevima.
Top najproduktivnijih zemalja i sveučilišta/organizacija koje doprinose
poljoprivredna istraživanja vezana uz bespilotne letjelice.
Poredak | zemlje |
1 | SAD |
2 | Kina |
3 | Indija |
4 | Italy |
5 | Španija |
6 | Njemačke |
7 | Brazil |
8 | Australija |
9 | Japan |
10 | Ujedinjeno Kraljevstvo |
Poredak | Sveučilišta/organizacije |
1 | Kineske akademije znanosti |
2 | Ministarstvo poljoprivrede Narodne Republike Kine |
3 | Vrhovno vijeće za znanstvena istraživanja |
4 | Sveučilište A&M u Teksasu |
5 | Kina Poljoprivredno sveučilište |
6 | Služba za poljoprivredna istraživanja USDA |
7 | CSIC – Instituto de Agricultura Sostenible IAS |
8 | Sveučilište Purdue |
9 | Consiglio Nazionale delle Ricerche |
10 | Poljoprivredno sveučilište Južna Kina |
Iz sveučilišne i organizacijske perspektive, Kineska akademija znanosti je na vrhu popisa po broju publikacija, a slijede je Ministarstvo poljoprivrede Narodne Republike Kine i Consejo Superior de Investigaciones Científicas. Kinesku akademiju znanosti predstavljaju autori Liao Xiaohan i Li Jun; Han Wenting predstavlja Ministarstvo poljoprivrede Narodne Republike Kine; a Consejo Superior de Investigaciones Científicas zastupaju Lopez-Granados, ´ F. i Pena, ˜ Jos´e María S. Iz SAD-a, sveučilišta poput Texas A&M University i Purdue University nalaze svoje
spomenuti. Sveučilišta s najvećim brojem publikacija i njihove veze prikazane su na slici 4. Osim toga, ovaj popis uključuje institucije kao što su Consiglio Nazionale delle Ricerche i Consejo Superior de Investigaciones Científicas koje su aktivne u znanstvenom istraživanju, ali nisu akademske institucije .
Naš izbor uključuje široku paletu časopisa, obuhvaćajući gotovo sve dostupne podatke. Kao što je prikazano u tablici 8, Remote Sensing s 258 članaka je na vrhu, a slijede ga Journal of Intelligent and Robotic Systems: Theory and Applications sa 126 i Computers and Electronics in Agriculture s 98 članaka. Dok je daljinsko očitavanje većinom usmjereno na primjenu i razvoj bespilotnih letjelica, Računala i elektronika u poljoprivredi uglavnom pokriva napredak u računalnom hardveru, softveru, elektronici i sustavima upravljanja u poljoprivredi. Međupodručna prodajna mjesta, kao što su IEEE Robotics and Automation Letters s 87 publikacija i IEEE Access s 34 publikacije, također su vrhunska prodajna mjesta na terenu. Petnaest najvećih izdanja pridonijelo je literaturi s 959 dokumenata, što je otprilike 20.40% svih publikacija. Analiza kocitiranosti časopisa omogućuje nam ispitivanje važnosti i sličnosti između publikacija. Analiza kocitata daje tri klastera, kao što je prikazano na slici 5. Crveni klaster sastoji se od časopisa kao što su Remote Sensing, Computer and Electronics in Agriculture, Sensors,
i International Journal of Remote Sensing. Sva ova izdanja su vrlo ugledni časopisi u područjima daljinskog očitavanja i precizne poljoprivrede. Zeleni klaster sadrži časopise koji se bave robotikom, kao što su Journal of Intelligent and Robotic Systems: Theory and Applications, IEEE Robotics and Automation Letters, IEEE Access i Drones. Ova glasila uglavnom objavljuju radove o automatizaciji i korisna su poljoprivrednim inženjerima. Posljednji klaster čine časopisi vezani uz agronomiju i poljoprivredno inženjerstvo, poput Agronomije i Međunarodnog časopisa za poljoprivredno i biološko inženjerstvo.
Top 15 časopisa u istraživanju o poljoprivrednim dronovima.
Poredak | Časopis | Računati |
1 | Daljinsko istraživanje | 258 |
2 | Časopis za inteligentne i robotske sustave: teorija i Aplikacije | 126 |
3 | Računala i elektronika u poljoprivredi | 98 |
4 | IEEE Robotics and Automation Letters | 87 |
5 | Senzori | 73 |
6 | Međunarodni časopis za daljinska istraživanja | 42 |
7 | Precizna poljoprivreda | 41 |
8 | Brujati | 40 |
9 | Agronomija | 34 |
10 | IEEE pristup | 34 |
11 | Međunarodni časopis naprednih robotskih sustava | 31 |
12 | Međunarodni časopis za poljoprivredno i biološko inženjerstvo | 25 |
13 | PLoS ONE | 25 |
14 | Časopis terenske robotike | 23 |
15 | Biosystems Engineering | 23 |
Zaključak
rezime
U ovoj studiji saželi smo i analizirali postojeća istraživanja o poljoprivrednim dronovima. Primjenom različitih bibliometrijskih tehnika nastojali smo steći bolje razumijevanje intelektualne strukture istraživanja u poljoprivredi dronovima. Ukratko, naš pregled nudi nekoliko doprinosa identificiranjem i raspravom o ključnim riječima u literaturi, otkrivanjem klastera znanja uz formiranje semantički sličnih zajednica u području bespilotnih letjelica, ocrtavanjem ranijih istraživanja i sugeriranjem budućih smjerova istraživanja. U nastavku navodimo glavne nalaze pregleda o razvoju poljoprivrednih dronova:
• Sveukupna literatura brzo je rasla i privukla golemu pozornost tijekom posljednjeg desetljeća, na što ukazuje porast broja članaka nakon 2012. Iako ovo polje znanja tek treba postići svoju punu zrelost (Barrientos et al., 2011.; Maes & Steppe, 2019), nekoliko je pitanja još uvijek bez odgovora. Na primjer, korisnost bespilotnih letjelica u zatvorenom uzgoju još uvijek je otvorena za raspravu (Aslan i sur., 2022.; Krul i sur., 2021.; Rold´an i sur., 2015.). Složenost prizora polja i različite okolnosti snimanja (npr. sjene i osvjetljenje) mogu rezultirati većom spektralnom varijancom unutar klase (Yao et al., 2019.). Čak iu kasnijim fazama istraživanja, istraživači su bili pred izazovom da utvrde optimalne planove leta prema određenim scenarijima i potrebnoj kvaliteti slike (Soares et al., 2021; Tu et al.,
2020).
• Primjećujemo da je područje napredovalo od razvoja učinkovitih UAV sustava do uključivanja AI tehnika, kao što je strojno učenje i duboko učenje u dizajnu poljoprivrednih dronova (Bah et al., 2018; Kitano et al., 2019; Maimaitijiang et al. , 2020; Mazzia i sur., 2020; Tetila i sur., 2020).
• Istraživanja o poljoprivrednim bespilotnim letjelicama uglavnom su raspravljala o daljinskom očitavanju istražujući potencijale tehnologije u praćenju okoliša, upravljanju usjevima i suzbijanju korova (klaster 1), kao i daljinsko fenotipiziranje i procjenu prinosa (klaster 2). Skup utjecajnih studija o poljoprivrednim bespilotnim letjelicama uključuje Austin (2010), Berni et al. (2009)a, Herwitz i sur. (2004), Nex i Remondino (2014), te Zhang i Kovacs (2012). Ove studije razvile su konceptualnu osnovu istraživanja dronovima u kontekstu poljoprivrede.
• U vezi s metodologijom, primijetili smo da se većina dosadašnjih istraživanja sastojala ili od dizajna sustava, konceptualnih studija ili studija temeljenih na pregledima (Inoue, 2020.; Nex & Remondino, 2014.; P´erez-Ortiz et al. , 2015; Yao i sur., 2019). Također primjećujemo nedostatak empirijskih, kvalitativnih metoda i metoda temeljenih na studiji slučaja u istraživanju poljoprivrednih dronova.
• Nedavno su teme povezane s preciznom poljoprivredom, tehnikama umjetne inteligencije, preciznim vinogradarstvom i procjenom nedostatka vode privukle značajnu pozornost (Espinoza et al., 2017; Gomez-Cand ´ on ´ et al., 2016; Matese et al., 2015; Matese & Di Gennaro, 2018., 2021.; Z. Zhou i sur., 2021.). Pažljivo ispitivanje istraživačkih klastera u dva odvojena razdoblja, 1990. – 2010. i 2011. – 2021., otkriva napredak intelektualne strukture domene. Razdoblje od 1990. do 2010. predstavljalo je izgradnju središnjih pojmova i koncepata bespilotnih letjelica, što je vidljivo iz rasprave o dizajnu, razvoju i implementaciji bespilotnih letjelica. U drugom razdoblju, fokus istraživanja se proširuje na prethodne studije, pokušavajući sintetizirati slučajeve upotrebe UAV-a u poljoprivredi. Također smo pronašli brojne studije koje raspravljaju o primjeni dronova u zadacima snimanja i precizne poljoprivrede.
Poredak | Časopis | Računati |
1 | Daljinsko istraživanje | 258 |
2 | Časopis za inteligentne i robotske sustave: teorija i | 126 |
Aplikacije | ||
3 | Računala i elektronika u poljoprivredi | 98 |
4 | IEEE Robotics and Automation Letters | 87 |
5 | Senzori | 73 |
6 | Međunarodni časopis za daljinska istraživanja | 42 |
7 | Precizna poljoprivreda | 41 |
8 | Brujati | 40 |
9 | Agronomija | 34 |
10 | IEEE pristup | 34 |
11 | Međunarodni časopis naprednih robotskih sustava | 31 |
12 | Međunarodni časopis za poljoprivredno i biološko inženjerstvo | 25 |
13 | PLoS ONE | 25 |
14 | Časopis terenske robotike | 23 |
15 | Biosystems Engineering | 22 |
Implikacije
Naš bibliometrijski pregled osmišljen je i proveden imajući na umu znanstvenike, poljoprivrednike, poljoprivredne stručnjake, konzultante za usjeve i dizajnere UAV sustava. Koliko je autorima poznato, ovo je jedan od prvih izvornih pregleda koji je poduzeo dubinsku bibliometrijsku analizu
primjene dronova u poljoprivredi. Proveli smo sveobuhvatan pregled ovog tijela znanja, koristeći analize citiranja i kocitiranja publikacija. Naši pokušaji da opišemo intelektualnu strukturu istraživanja dronova također nude nove uvide akademicima. Pažljiv pregled ključnih riječi korištenih tijekom vremena otkriva žarišta i žarišna područja istraživanja u literaturi o dronovima. Nadalje, predstavljamo popis najčešće citiranih studija kako bismo identificirali najutjecajnija istraživačka djela dovršena na tom području. Identifikacija članaka i ključnih riječi mogla bi stoga pružiti solidnu polaznu točku za otkrivanje nekoliko puteva za buduće studije.
Ono što je važno, otkrili smo klastere koji klasificiraju usporedive radove i razradili rezultate. Studije razvrstane u klastere pomažu u razumijevanju intelektualne strukture istraživanja UAV-a. Naime, otkrili smo nedostatak studija koje istražuju čimbenike usvajanja dronova
i prepreke u poljoprivrednim aktivnostima (vidi tablicu 9). Budući istraživači mogli bi se pozabaviti ovim potencijalnim nedostatkom provođenjem empirijskih istraživanja koja procjenjuju čimbenike usvajanja dronova u različitim poljoprivrednim aktivnostima i klimatskim uvjetima. Nadalje, istraživanje učinkovitosti bespilotnih letjelica temeljeno na studiji slučaja trebalo bi poduprijeti stvarnim podacima s terena. Također, uključivanje poljoprivrednika i menadžera u akademsko istraživanje bilo bi korisno i za teoretski i za praktični napredak istraživanja dronovima. Također smo bili u mogućnosti identificirati najistaknutije istraživače i njihove doprinose, što je vrijedno jer svijest o nedavnim temeljnim radovima može ponuditi neke smjernice za buduće akademske napore.
Tablica 9
Prepreke za usvajanje UAV-a.
Barijera | Opis |
Podatkovna sigurnost | Cyber sigurnost veliki je izazov za implementaciju IoT rješenja (Masroor et al., 2021). |
Interoperabilnost i integracija | Razne tehnologije kao što su UAV, WSN, IoT itd. treba integrirati i prenositi podatke koji povećati razinu složenosti (Alsamhi et al., 2021.; Popescu i sur., 2020.; Vuran i sur., 2018). |
Troškovi implementacije | To je posebno slučaj za male poljoprivrednike i za integracija raznih najsuvremenijih tehnologija ( Masroor i sur., 2021). |
Radno znanje i ekspertiza | Za upravljanje bespilotnim letjelicama potrebni su vješti piloti dronova. Također, implementacija raznih vrhunskih tehnologije zahtijevaju kvalificirane radnike (YB Huang i sur., 2013.; Tsouros i sur., 2019). |
Snaga motora i let trajanje | Dronovima se ne može upravljati dugo vremena i pokriti velika područja (Hardin & Hardin, 2010; Laliberte et al., 2007). |
Stabilnost, pouzdanost i upravljivost | Dronovi nisu stabilni tijekom loših vremenskih uvjeta (Hardin i Hardin, 2010; Laliberte i sur., 2007). |
Ograničenja nosivosti i kvaliteta senzora | Dronovi mogu nositi samo ograničene terete mogućnost učitavanja senzora slabije kvalitete (Nebiker i dr., 2008). |
Propis | Budući da dronovi mogu biti i opasni, postoje ozbiljni propisi u nekim područjima (Hardin & Jensen, 2011.; Laliberte i Rango, 2011). |
Znanje poljoprivrednika i interes | Kao i druge vrhunske tehnologije, dronovi uspješna provedba zahtijeva stručnost i također popraćeno neizvjesnostima (Fisher i sur., 2009.; Lambert i sur., 2004.; Stafford, 2000). |
Budući da postoji stalna potreba za učinkovitim korištenjem dostupnih resursa kako bi se maksimizirali prinosi, poljoprivrednici mogu iskoristiti bespilotne letjelice kako bi osigurali brzo, točno i isplativo skeniranje svojih polja. Tehnologija može pomoći poljoprivrednicima da utvrde stanje svojih usjeva i procijene status vode, stupanj sazrijevanja, napade insekata i prehrambene potrebe. Mogućnosti daljinskog očitavanja bespilotnih letjelica mogu poljoprivrednicima pružiti ključne podatke za predviđanje problema u ranoj fazi i promptno poduzimanje odgovarajućih intervencija. Međutim, dobrobiti tehnologije mogu se ostvariti samo ako se izazovima pravilno pristupi. U svjetlu
trenutni problemi koji se tiču sigurnosti podataka, pitanja senzorske tehnologije (npr. pouzdanost ili točnost mjerenja), složenost integracije i znatni troškovi implementacije, buduće studije također moraju ispitati tehničku, ekonomsku i operativnu izvedivost integracije poljoprivrednih dronova i drugih reznih rubne tehnologije.
Ograničenja
Naša studija ima nekoliko ograničenja. Prvo, nalazi su određeni publikacijama odabranim za konačnu analizu. Izazov je uhvatiti sve relevantne studije povezane s poljoprivrednim bespilotnim letjelicama, posebno one koje nisu indeksirane u bazi podataka Scopus. Nadalje, postupak prikupljanja podataka ograničen je na postavljanje ključnih riječi za pretraživanje, koje ne moraju biti uključive i dovesti do neuvjerljivih nalaza. Stoga buduće studije moraju posvetiti više pozornosti temeljnom pitanju prikupljanja podataka
pouzdanije zaključke. Drugo ograničenje odnosi se na nove publikacije s malim brojem citata. Bibliometrijska analiza pristrana je prema ranijim publikacijama jer imaju tendenciju dobivanja više citata tijekom godina. Novijim studijama potrebno je određeno vrijeme da privuku pozornost i akumuliraju citate. Posljedično, nedavne studije koje donose promjenu paradigme ne bi se svrstale u prvih deset utjecajnih radova. Ovo ograničenje prevladava u ispitivanju brzo nastalih istraživačkih domena poput poljoprivrednih dronova. Kako smo konzultirali Scopus kako bismo proučili literaturu za ovaj rad, budući bi istraživači mogli razmotriti drugačije
baze podataka, kao što su Web of Science i IEEE Xplore, kako bi se proširio horizont i poboljšala istraživačka struktura.
Potencijalne bibliometrijske studije mogu uzeti u obzir druge vitalne izvore znanja kao što su konferencijski radovi, poglavlja i knjige za stvaranje novih uvida. Unatoč mapiranju i istraživanju globalnih publikacija o poljoprivrednim bespilotnim letjelicama, naši nalazi nisu otkrili razloge koji stoje iza znanstvenih rezultata sveučilišta. Ovo utire put do novog područja istraživanja u kvalitativnom objašnjenju zašto su neka sveučilišta produktivnija od drugih kada je riječ o istraživanju poljoprivrede
dronovi. Osim toga, buduće studije mogle bi pružiti uvid u potencijal bespilotnih letjelica za povećanje održivosti poljoprivrede na nekoliko načina kao što su praćenje okoliša, upravljanje usjevima i mapiranje korova, kao što je pokazalo nekoliko istraživača (Chamuah & Singh, 2019; Islam et al., 2021; Popescu i sur., 2020.; J. Su, Liu i sur., 2018.b). Budući da tekstualna analiza nije bila moguća zbog velikog broja odabranih radova, ukazala se potreba za sustavnim pregledom literature koji će ispitati
korištene metode istraživanja i uključenost poljoprivrednika u prethodne studije. Ukratko, naša analiza istraživanja dronova razotkriva nevidljive veze ovog tijela znanja. Ovaj pregled stoga pomaže u otkrivanju odnosa među publikacijama i istražuje intelektualnu strukturu istraživačkog polja. Također opisuje veze između različitih aspekata književnosti, kao što su ključne riječi autora, pripadnosti i zemlje.
Izjava o nadmetanju
Autori izjavljuju da nemaju poznate konkurentske financijske interese ili osobne odnose koji bi mogli utjecati na rad izviješten u ovom radu.
Dodatak 1
TITLE-ABS-KEY (((dron* ILI „bespilotna letjelica” ILI bespilotna letjelica* ILI „sustav bespilotne letjelice”” ILI uas ILI „daljinski upravljana letjelica”) I (poljoprivreda ILI poljoprivreda ILI poljoprivreda ILI poljoprivrednik))) I (ISKLJUČI (PUBYEAR, 2022.)) I (OGRANIČENJE NA (JEZIK, “engleski”)).
Reference
Aasen, H., Burkart, A., Bolten, A., Bareth, G., 2015. Generiranje 3D hiperspektralnih informacija s laganim UAV kamerama za snimanje za praćenje vegetacije: od
kalibracija kamere za osiguranje kvalitete. ISPRS J. Photogramm. Daljinska osjetila 108, 245–259. https://doi.org/10.1016/j.isprsjprs.2015.08.002.
Abd-Elrahman, A., Pearlstine, L., Percival, F., 2005. Razvoj algoritma za prepoznavanje uzoraka za automatsku detekciju ptica sa slika bespilotnih letjelica.
Pregled. Zemljište Inform. Sci. 65 (1), 37–45.
Abdollahi, A., Rejeb, K., Rejeb, A., Mostafa, MM, Zailani, S., 2021. Bežične senzorske mreže u poljoprivredi: uvidi iz bibliometrijske analize. Održivost 13 (21),
12011.
Aboutalebi, M., Torres-Rua, AF, Kustas, WP, Nieto, H., Coopmans, C., McKee, M., Procjena različitih metoda detekcije sjene u optičkim slikama visoke rezolucije i procjena utjecaja sjene na izračun NDVI i evapotranspiracija. Navodnjavanje Sci. 37 (3), 407–429. https://doi.org/10.1007/s00271-018-0613-9.
Adao, ˜ T., Hruˇska, J., Padua, ´ L., Bessa, J., Peres, E., Morais, R., Sousa, JJ, 2017. Hyperspectral imaging: a review on UAV-based sensors, data obrada i
primjene za poljoprivredu i šumarstvo. Daljinska detekcija 9 (11). https://doi.org/ 10.3390/rs9111110.
Agüera Vega, F., Ramírez, FC, Saiz, MP, Rosúa, FO, 2015. Multi-temporalno snimanje korištenjem bespilotne letjelice za praćenje usjeva suncokreta. Biosyst. inž.
132, 19–27. https://doi.org/10.1016/j.biosystemseng.2015.01.008.
Ajayi, OG, Salubi, AA, Angbas, AF, Odigure, MG, 2017. Generiranje točnih digitalnih modela elevacije iz bespilotnih letjelica dobivenih slikama koje se preklapaju u niskom postotku. Int.
J. Remote Sens. 38 (8–10), 3113–3134. https://doi.org/10.1080/ 01431161.2017.1285085.
Ali, I., Greifeneder, F., Stamenković, J., Neumann, M., Notarnicola, C., 2015. Pregled pristupa strojnog učenja za dobivanje vlage iz biomase i tla iz podataka daljinskog istraživanja. Daljinska detekcija 7 (12), 16398–16421.
Alsamhi, SH, Afghah, F., Sahal, R., Hawbani, A., Al-qaness, MAA, Lee, B., Guizani, M., Zeleni internet stvari pomoću UAV-ova u B5G mrežama: pregled aplikacija
i strategije. Oglas. Hoc. Netw. 117, 102505 https://doi.org/10.1016/j. adhoc.2021.102505.
Al-Thani, N., Albuainain, A., Alnaimi, F., Zorba, N., 2020. Dronovi za praćenje stoke ovaca. U: 20. IEEE Mediterranean Electrotechnical Conference. https://doi.
org/10.1109/MELECON48756.2020.9140588.
Ampatzidis, Y., Partel, V., 2019. Fenotipizacija agruma temeljena na UAV-u visoke propusnosti uz korištenje multispektralnog snimanja i umjetne inteligencije. Daljinsko očitavanje 11 (4), https://doi.org/10.3390/rs11040410.
Ampatzidis, Y., Partel, V., Costa, L., 2020. Agroview: Aplikacija temeljena na oblaku za obradu, analizu i vizualizaciju podataka prikupljenih bespilotnim letjelicama za aplikacije precizne poljoprivrede koje koriste umjetnu inteligenciju. Računanje. Elektron. Agric. 174, 105457 https://doi. org/10.1016/j.compag.2020.105457.
Ang, K.-L.-M., Seng, JKP, 2021. Veliki podaci i strojno učenje s hiperspektralnim informacijama u poljoprivredi. IEEE Access 9, 36699–36718. https://doi.org/10.1109/
PRISTUP.2021.3051196.
Aquilani, C., Confessore, A., Bozzi, R., Sirtori, F., Pugliese, C., 2022. Pregled: precizne tehnologije uzgoja stoke u sustavima uzgoja stoke na pašnjacima. Životinja 16 (1), https://doi.org/10.1016/j.animal.2021.100429.
Armenta-Medina, D., Ramirez-Delreal, TA, Villanueva-Vasquez, ´ D., Mejia-Aguirre, C., Trendovi naprednih informacijskih i komunikacijskih tehnologija za
poboljšanje poljoprivredne produktivnosti: bibliometrijska analiza. Agronomija 10 (12), članak 12. https://doi.org/10.3390/agronomy10121989.
Armstrong, I., Pirrone-Brusse, M., Smith, A., Jadud, M., 2011. Leteći aligator: prema zračnoj robotici u occam-π. Komun. Arhitekt procesa. 2011, 329–340. https://doi. org/10.3233/978-1-60750-774-1-329.
Arora, SD, Chakraborty, A., 2021. Istraživanje intelektualne strukture ponašanja potrošača pri žalbama (CCB): bibliometrijska analiza. J. Business Res. 122, 60–74.
Aslan, MF, Durdu, A., Sabanci, K., Ropelewska, E., Gültekin, SS, 2022.
Opsežan pregled nedavnih studija s UAV-om za preciznu poljoprivredu na otvorenim poljima i staklenicima. Appl. Sci. 12 (3), 1047. https://doi.org/10.3390/
aplikacija12031047.
Atkinson, JA, Jackson, RJ, Bentley, AR, Ober, E. i Wells, DM (2018.). Fenotipizacija polja za budućnost. U Annual Plant Reviews online (str. 719–736). Ivan
Wiley & Sons, Ltd. doi: 10.1002/9781119312994.apr0651.
Austin, R., 2010. Bespilotni zrakoplovni sustavi: dizajn, razvoj i uvođenje UAVS. U: Bespilotni zrakoplovni sustavi: dizajn, razvoj i bespilotne letjelice
Raspoređivanje. John Wiley i sinovi. 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. Daljinsko otkrivanje stresa kod biljaka temeljeno na UAV-u, zamislite korištenje toplinskog senzora visoke razlučivosti za digitalne poljoprivredne prakse: meta-pregled. Int. J. Okolina. Sci. Technol. https://doi.
org/10.1007/s13762-021-03801-5.
Bacco, M., Berton, A., Ferro, E., Gennaro, C., Gotta, A., Matteoli, S., Paonessa, F., Ruggeri, M., Virone, G., Zanella, A., 2018. Pametna poljoprivreda: mogućnosti, izazovi
i tehnološki pokretači. 2018 IoT Vertical i. Tematski samit o poljoprivredi - Toskana (IOT Toskana) 1.–6. https://doi.org/10.1109/IOTTUSCANY.2018.8373043.
Bah, MD, Hafiane, A., Canals, R., 2018. Duboko učenje s nenadziranim označavanjem podataka za otkrivanje korova u linijskom usjevu na slikama UAV-a. Remote Sensing 10 (11), 1690.
https://doi.org/10.3390/rs10111690.
Baldi, S., 1998. Normativni nasuprot socijalno-konstruktivističkim procesima u dodjeli citata: mrežno-analitički model. Am. Sociol. Rev. 63 (6), 829–846. https://doi.
org/10.2307/2657504.
Baluja, J., Diago, MP, Balda, P., Zorer, R., Meggio, F., Morales, F., Tardaguila, J., 2012. Procjena varijabilnosti statusa vode u vinogradu termičkom i multispektralnom
snimke pomoću bespilotne letjelice (UAV). Navodnjavanje 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., Uzgoj sljedeće generacije. Plant Sci. 242, 3–13. https://doi.org/10.1016/j.
biljkeci.2015.07.010.
Barbedo, JGA, Koenigkan, LV, 2018. Perspektive korištenja bespilotnih zračnih sustava za nadzor goveda. 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. Mala težina i hiperspektralna bespilotna letjelica full-frame fotoaparati
za praćenje usjeva: Spektralna usporedba s mjerenjima prijenosnim spektroradiometrom. Photogrammetrie, Fernerkundung, Geoinformation 2015 (1), 69–79.
https://doi.org/10.1127/pfg/2015/0256.
Barrientos, A., Colorado, J., del Cerro, J., Martinez, A., Rossi, C., Sanz, D., Valente, J., Daljinsko očitavanje iz zraka u poljoprivredi: praktični pristup pokrivenosti područja
i planiranje putanje za flote mini zračnih robota. 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. Anketa o primjeni algoritama za planiranje putanje za bespilotne letjelice s više rotora u preciznosti
poljoprivreda. J. Navig. 75 (2), 364–383.
Basnet, B., Bang, J., 2018. Najsuvremenije znanjem intenzivne poljoprivrede: pregled primijenjenih senzorskih sustava i analitike podataka. J. Sens. 2018, 1–13.
Bendig, J., Bolten, A., Bareth, G., 2013. Snimanje temeljeno na UAV-u za viševremenske modele površine usjeva vrlo visoke rezolucije za praćenje varijabilnosti rasta usjeva. Photogrammetrie, Fernerkundung, Geoinformation 2013 (6), 551–562. https://doi. org/10.1127/1432-8364/2013/0200.
Bendig, J., Bolten, A., Bennertz, S., Broscheit, J., Eichfuss, S., Bareth, G., 2014. Procjena biomase ječma korištenjem modela površine usjeva (CSM) izvedenih iz RGB snimanja temeljenog na UAV-u. Daljinska detekcija 6 (11), 10395–10412.
Bendig, J., Yu, K., Aasen, H., Bolten, A., Bennertz, S., Broscheit, J., Gnyp, ML, Bareth, G., 2015. Kombinacija visine biljke na temelju UAV-a od površine usjeva modeli,
vidljivi i infracrveni vegetacijski indeksi za praćenje biomase u ječmu. Int. J. Appl. Earth Ops. 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. Mapiranje vodljivosti krošnje i CWSI u maslinicima u visokoj razlučivosti
toplinske snimke daljinskog istraživanja. Daljinski senzor. Okruženje. 113 (11), 2380–2388. https://doi.org/10.1016/j.rse.2009.06.018.
Berni, JA, Zarco-Tejada, PJ, Suarez, ´ L., Fereres, E., 2009b. Toplinska i uskopojasna multispektralna daljinska detekcija za motrenje vegetacije iz bespilotne letjelice. IEEE Trans. Geosci. Remote Sens. 47 (3), 722–738.
Bouzembrak, Y., Klüche, M., Gavai, A., Marvin, HJP, 2019. Internet stvari u sigurnosti hrane: pregled literature i bibliometrijska analiza. Trends Food Sci. Technol. 94,54–64. https://doi.org/10.1016/j.tifs.2019.11.002.
Brewster, C., Roussaki, I., Kalatzis, N., Doolin, K., Ellis, K., 2017. IoT u poljoprivredi: Dizajniranje europskog pilot projekta velikih razmjera. IEEE Commun. Mag. 55 (9), 26–33.
Buters, TM, Belton, D., Cross, AT, 2019. Višesenzorsko UAV praćenje pojedinačnih sadnica i zajednica sadnica s milimetarskom preciznošću. Dronovi 3 (4), 81.
https://doi.org/10.3390/drones3040081.
Candiago, S., Remondino, F., De Giglio, M., Dubbini, M., Gattelli, M., 2015. Procjena multispektralnih slika i indeksa vegetacije za primjene precizne poljoprivrede iz slika UAV-a. Daljinska detekcija 7 (4), 4026–4047. https://doi.org/10.3390/rs70404026.
Cao, Y., Li, GL, Luo, YK, Pan, Q., Zhang, SY, 2020. Praćenje pokazatelja rasta šećerne repe korištenjem vegetacijskog indeksa širokog dinamičkog raspona (WDRVI) izvedenog iz UAV-a
multispektralne slike. Računanje. Elektron. Agric. 171, 105331 https://doi.org/10.1016/j.compag.2020.105331.
Casillas, J., Acedo, F., 2007. Evolucija intelektualne strukture literature o obiteljskom poslovanju: bibliometrijska studija FBR-a. Obiteljsko poduzeće 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. Dinamičko praćenje biomase riže pod
različiti tretmani dušikom korištenjem laganog UAV-a s dvostrukim kamerama za snimanje slike. Plant Methods 15 (1), 32. https://doi.org/10.1186/s13007-019-
0418-8.
Chamuah, A., Singh, R., 2019. Osiguravanje održivosti u indijskoj poljoprivredi putem civilnog UAV-a: perspektiva odgovorne inovacije. SN Appl. Sci. 2 (1), 106. https://
doi.org/10.1007/s42452-019-1901-6.
Chamuah, A., Singh, R., 2022. Odgovorno upravljanje inovacijama civilnih bespilotnih letjelica (UAV) za indijske primjene osiguranja usjeva. J. Odgovoran
Technol. 9, 100025 https://doi.org/10.1016/j.jrt.2022.100025.
Chen, A., Orlov-Levin, V., Meron, M., 2019. Primjena zračnog snimanja krošnje usjeva u visokoj razlučivosti za precizno upravljanje navodnjavanjem. Agric. Voda
Upravitelj 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. Lagani UAV s ugrađenom fotogrametrijom i jednofrekventnim GPS pozicioniranjem za mjeriteljske primjene. ISPRS J. Photogramm. Daljinska osjetila 127, 115–126. https://doi.org/10.1016/j.isprsjprs.2016.12.007.
Dawaliby, S., Aberkane, A., Bradai, A., 2020. IoT platforma temeljena na blockchainu za upravljanje operacijama autonomnog drona. U: Zbornik radova 2. ACM
MobiCom radionica o bežičnim komunikacijama potpomognutim dronovima za 5G i šire, str. 31–36. https://doi.org/10.1145/3414045.3415939.
Day, RA, Gastel, B., 1998. Kako napisati i objaviti znanstveni rad. Cambridge University Press. de Castro, AI, Pena, ˜ JM, Torres-Sanchez, ´ J., Jim´enez-Brenes, FM, ValenciaGredilla, F., Recasens, J., Lopez-Granados, ´ F., 2020. Mapiranje infestacije cynodon dactylon pokrovne usjeve s automatskim stablom odlučivanja-OBIA postupkom i UAV slikama za precizno vinogradarstvo. Daljinska detekcija 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. Automatski nasumični šumski-OBIA algoritam za rano mapiranje korova između i unutar redova usjeva korištenjem UAV slika. Daljinska detekcija 10 (2). https://doi.org/10.3390/rs10020285.
Demir, N., Sonmez, ¨ NK, Akar, T., Ünal, S., 2018. Automatizirano mjerenje visine biljke genotipova pšenice pomoću DSM-a izvedenog iz slika UAV-a. Zbornik 2 (7), 350. https://doi.org/10.3390/ecrs-2-05163.
Deng, J., Zhong, Z., Huang, H., Lan, Y., Han, Y., Zhang, Y., 2020. Lagana mreža semantičke segmentacije za mapiranje korova u stvarnom vremenu pomoću bespilotnih letjelica. Appl. Sci. 10 (20), 7132. https://doi.org/10.3390/app10207132.
Deng, L., Mao, Z., Li, X., Hu, Z., Duan, F., Yan, Y., 2018. Multispektralno daljinsko očitavanje temeljeno na UAV-u za preciznu poljoprivredu: usporedba između različitih kamera. ISPRS J. Photogramm. Daljinska osjetila 146, 124–136.
Diaz-Gonzalez, FA, Vuelvas, J., Correa, CA, Vallejo, VE, Patino, D., 2022. Strojno učenje i tehnike daljinskog očitavanja primijenjene za procjenu pokazatelja tla – pregled. 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. Slike UAV-a visoke rezolucije za procjenu parametara krošnje stabla masline pomoću 3D fotografije
rekonstrukcija: primjena u uzgojnim pokusima. Daljinska detekcija 7 (4), 4213–4232. https://doi.org/10.3390/rs70404213.
Dixit, A., Jakhar, SK, 2021. Upravljanje kapacitetom zračne luke: pregled i bibliometrijska analiza. J. Air Transp. Upravitelj 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.
Korištenje RapidEye slika za prepoznavanje varijabilnosti rasta usjeva i prinosa unutar polja u Ontariju, Kanada. Precision Agric. 20 (6), 1231–1250. https://doi.org/10.1007/
s11119-019-09646-w.
Dutta, PK, Mitra, S., 2021. Primjena poljoprivrednih dronova i jota za razumijevanje lanca opskrbe hranom nakon COVID-19. U: Choudhury, A., Biswas, A., Prateek, M.,
Chakrabarti, A. (Ur.), Poljoprivredna informatika: Automatizacija korištenjem interneta stvari i strojnog učenja. Wiley, str. 67–87. van Eck, N., Waltman, L., 2009. Softverska anketa: VOSviewer, računalni program za bibliometrijsko mapiranje. 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. Pregled Interneta stvari (IoT) i analitike podataka u poljoprivredi: prednosti i izazovi.
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. Validacija agronomskih UAV i polje
mjerenja za sorte rajčice. Računanje. Elektron. Agric. 158, 278–283. https:// doi.org/10.1016/j.compag.2019.02.011.
Espinoza, CZ, Khot, LR, Sankaran, S., Jacoby, PW, 2017. Multispektralna i toplinska daljinska detekcija visoke rezolucije procjena stresa vode u
subsurface irrigated grapevine. Daljinsko očitavanje 9 (9), 961. https://doi.org/ 10.3390/rs9090961.
Ewing, J., Oommen, T., Jayakumar, P., Alger, R., 2020. Korištenje hiperspektralnog daljinskog očitavanja za gradaciju tla. Remote Sensing 12 (20), 3312. ttps://doi.org/10.3390/
rs12203312.
Fawcett, D., Panigada, C., Tagliabue, G., Boschetti, M., Celesti, M., Evdokimov, A., Biriukova, K., Colombo, R., Miglietta, F., Rascher, U., Anderson, K., 2020. Procjena multispektralne površinske refleksije i vegetacijskih indeksa zasnovanih na dronovima u više razmjera u radnim uvjetima. Remote Sensing 12 (3), 514.
Feng, X., Yan, F., Liu, X., 2019. Studija bežičnih komunikacijskih tehnologija na Internetu stvari za preciznu poljoprivredu. Bežični Pers. Komun. 108 (3),
1785-1802.
Ferreira, MP, Pinto, CF, Serra, FR, 2014. Teorija transakcijskih troškova u međunarodnom poslovnom istraživanju: bibliometrijska studija tijekom tri desetljeća. 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. Napredak u preciznoj poljoprivredi u jugoistočnoj Australiji. I. regresijska metodologija za simulaciju
prostorne varijacije u prinosima žitarica korištenjem povijesnih prinosa farmera i normalizirane razlike u vegetacijskom indeksu. Crop Pasture Sci. 60 (9), 844–858.
Floreano, D., Wood, RJ, 2015. Znanost, tehnologija i budućnost malih autonomnih dronova. Nature 521 (7553), 460–466. https://doi.org/10.1038/nature14542.
Friha, O., Ferrag, MA, Shu, L., Maglaras, LA, Wang, X., 2021. Internet stvari za budućnost pametne poljoprivrede: sveobuhvatan pregled tehnologija u nastajanju. 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. Segmentacija biljaka smokve iz slika iz zraka pomoću duboke konvolucijske mreže koder-dekoder. Daljinsko očitavanje 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. Bespilotne letjelice izazov su za procjenu stresa vode za
održiva poljoprivreda. Agric. Vodoprivreda 153, 9–19. https://doi.org/10.1016/j. agvat.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. Toplinsko snimanje u pogonu
razini za procjenu statusa usjeva i vode u stablima badema (cv. Guara) pod strategijama deficitarnog navodnjavanja. Agric. Vodoprivreda 208, 176–186. https://doi.org/10.1016/j.
agvat.2018.06.002.
Garzonio, R., Di Mauro, B., Colombo, R., Cogliati, S., 2017. Mjerenja površinske refleksije i spektroskopije fluorescencije izazvane suncem pomoću malog hiperspektralnog UAS-a. Daljinska detekcija 9 (5), 472. https://doi.org/10.3390/rs9050472. Gaˇsparovi´c, M., Zrinjski, M., Barkovi´c, Đ., Radoˇcaj, D., 2020. Automatska metoda za
kartiranje korova u poljima zobi na temelju slika UAV-a. Računanje. Elektron. Agric.
Gebbers, R., Adamchuk, VI, 2010. Precizna poljoprivreda i sigurnost hrane. Znanost 327 (5967), 828–831. https://doi.org/10.1126/science.1183899.
Geipel, J., Link, J., Claupein, W., 2014. Kombinirano spektralno i prostorno modeliranje prinosa kukuruza na temelju slika iz zraka i modela površine usjeva dobivenih sustavom bespilotne letjelice. Daljinska detekcija 6 (11), 10335–10355. https://doi.org/10.3390/rs61110335.
Geng, D., Feng, Y., Zhu, Q., 2020. Održivi dizajn za korisnike: pregled literature i bibliometrijska analiza. Okolina. Sci. Onečišćenje. Res. 27 (24), 29824–29836. https://doi. org/10.1007/s11356-020-09283-1.
Gevaert, CM, Suomalainen, J., Tang, J., Kooistra, L., 2015. Generiranje spektralno-temporalnih odzivnih površina kombiniranjem multispektralnih satelitskih i hiperspektralnih
Slike UAV-a za primjene u preciznoj poljoprivredi. IEEE J. Sel. Vrh. Appl. Earth Ops. Remote Sens. 8 (6), 3140–3146. ttps://doi.org/10.1109/JSTARS.2015.2406339.
Gill, SS, Chana, I., Buyya, R., 2017. Poljoprivreda temeljena na Internetu stvari kao oblak i usluga velikih podataka: početak digitalne Indije. J. Org. i računala krajnjeg korisnika. (JOEUC) 29 (4),
1-23.
Gmür, M., 2006. Analiza kocitiranja i potraga za nevidljivim fakultetima: metodološka procjena. Scientometrics 57 (1), 27–57. https://doi.org/10.1023/
a:1023619503005.
Gnadinger, ¨ F., Schmidhalter, U., 2017. Digitalno brojanje biljaka kukuruza pomoću bespilotnih letjelica (UAV). Daljinska detekcija 9 (6). https://doi.org/10.3390/rs9060544.
Gokto ¨ ǧan, AH, Sukkarieh, S., Bryson, M., Randle, J., Lupton, T., Hung, C., 2010. Bespilotno zračno vozilo s rotirajućim krilima za nadzor vodenih korova i
upravljanje. J. Intell. Robotski sustav: 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. Procjena točnosti mozaika iz slika bespilotnih letjelica (UAV) za potrebe precizne poljoprivrede u pšenici. Izvod. Agric. 15 (1), 44–56. https://doi.org/10.1007/s11119-013-9335-4.
Gomez-Cand ´ on, ´ D., Virlet, N., Labb´e, S., Jolivot, A., Regnard, J.-L., 2016. Terensko fenotipiziranje vodnog stresa na razini drveća pomoću slika snimljenih UAV-om : nove spoznaje za
termička akvizicija i kalibracija. Izvod. Agric. 17 (6), 786–800. https://doi.org/10.1007/s11119-016-9449-6.
Gonzalez-Dugo, V., Zarco-Tejada, PJ, Fereres, E., 2014. Primjenjivost i ograničenja korištenja indeksa vodnog stresa usjeva kao pokazatelja deficita vode u voćnjacima agruma. Agric. Za. 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. Korištenje toplinskih snimaka UAV-a visoke rezolucije za
procijeniti varijabilnost vodnog statusa pet vrsta voćaka unutar komercijalnog voćnjaka. Izvod. Agric. 14 (6), 660–678. https://doi.org/10.1007/s11119-013-9322-9.
Goyal, K., Kumar, S., 2021. Financijska pismenost: sustavni pregled i bibliometrijska analiza. Int. J. Consumer Studies 45 (1), 80–105. https://doi.org/10.1111/
ijcs.12605.
Grenzdorffer, ¨ GJ, Engel, A., Teichert, B., 2008. Fotogrametrijski potencijal jeftinih bespilotnih letjelica u šumarstvu i poljoprivredi. Međunarodni arhivi za fotogrametriju, daljinska istraživanja i prostorne informacijske znanosti – Arhiv ISPRS 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. Procjena korelacije visoke rezolucije
NDVI s razinom primjene gnojiva i prinosom usjeva riže i pšenice pomoću malih UAV-ova. Daljinska detekcija 11 (2), 112.
Gundolf, K., Filser, M., 2013. Istraživanje menadžmenta i religija: analiza citata. J. Autobus. Etika 112 (1), 177–185.
Guo, Q., Zhu, Y., Tang, Y., Hou, C., He, Y., Zhuang, J., Zheng, Y., Luo, S., 2020. CFD simulacija i eksperimentalna verifikacija prostorne i vremenske raspodjele
strujanje zraka četverorotornog poljoprivrednog UAV-a u lebdenju. Računanje. 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. , Poljska, J., 2016.
Primjena bespilotnih letjelica za fenotipizaciju velike propusnosti velikih rasadnika pšenice. Biljne metode 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. Spektralne slike iz UAV-ova pod različitim uvjetima osvjetljenja . U GG Bill R. (ur.), Međunarodni arhivi fotogrametrije, daljinskog očitavanja i prostornih informacijskih znanosti—ISPRS arhivi (sv. 40, broj 1W2, str. 189–194). Međunarodno društvo za fotogrametriju i daljinska istraživanja. 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. Procjena tehnika za kartiranje otočne vegetacije iz bespilotne letjelice
slike vozila (UAV): klasifikacija piksela, vizualna interpretacija i pristupi strojnog učenja. Int. J. Appl. Earth Ops. Geoinf. 89, 102085 https://doi.org/
10.1016/j.jag.2020.102085.
Haque, A., Islam, N., Samrat, NH, Dey, S., Ray, B., 2021. Pametna poljoprivreda kroz odgovorno vodstvo u Bangladešu: mogućnosti, prilike i šire.
Održivost 13 (8), 4511.
Hardin, PJ, Hardin, TJ, 2010. Mala vozila na daljinsko upravljanje u istraživanju okoliša. Geografski kompas 4 (9), 1297–1311. ttps://doi.org/10.1111/j.1749-
8198.2010.00381.x.
Hardin, PJ, Jensen, RR, 2011. Male bespilotne letjelice u daljinskom otkrivanju okoliša: izazovi i prilike. 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. Poljoprivredni internet stvari: tehnologije i primjene, (1. izdanje, izdanje 2021.). 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. godine.
Slike iz bespilotne letjelice: poljoprivredni nadzor i potpora odlučivanju. Računanje. 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, Fenotipizacija polja visoke propusnosti visine biljke pšenice i stope rasta u pokusima na poljskim parcelama pomoću daljinskog očitavanja temeljenog na UAV-u. Daljinska detekcija 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. Obrada i procjena spektrometrijskih, stereoskopskih slika prikupljenih pomoću lagane UAV spektralne kamere za preciznu poljoprivredu. Daljinska detekcija 5 (10), 5006–5039. https://doi.org/10.3390/rs5105006.
Hossein Motlagh, N., Taleb, T., Arouk, O., 2016. Usluge interneta stvari temeljene na bespilotnim letjelicama na malim visinama: sveobuhvatno istraživanje i buduće perspektive. 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. Kombinirana optička i stereo navigacija urbanih kanjona za UAV. U: 2005 IEEE/RSJ
Međunarodna konferencija o inteligentnim robotima i sustavima, str. 3309–3316. https://doi.org/10.1109/IROS.2005.1544998.
Hsu, T.-C., Yang, H., Chung, Y.-C., Hsu, C.-H., 2020. Kreativna IoT poljoprivredna platforma za računalstvo u magli u oblaku. Održati. Računanje. Inf. Syst. 28, 100285.
Huang, H., Deng, J., Lan, Y., Yang, A., Deng, X., Zhang, L., Gonzalez-Andujar, JL, 2018. Potpuno konvolucijska mreža za kartiranje korova bespilotnih letjelica ( UAV) slike. PLoS ONE 13 (4), e0196302.
Huang, H., Lan, Y., Yang, A., Zhang, Y., Wen, S., Deng, J., 2020. Duboko učenje u odnosu na analizu slike temeljene na objektima (OBIA) u kartiranju korova slika UAV-a. 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. Duboka kalibracija boja za UAV slike u praćenju usjeva
koristeći prijenos semantičkog stila s lokalnom na globalnu pozornost. Int. J. Appl. Earth Ops. Geoinf. 104, 102590 https://doi.org/10.1016/j.jag.2021.102590.
Huang, YB, Thomson, SJ, Hoffmann, WC, Lan, YB, Fritz, BK, 2013. Razvoj i perspektiva tehnologija bespilotnih letjelica za poljoprivrednu proizvodnju
upravljanje. Int. J. Agric. Biol. inž. 6 (3), 1–10. https://doi.org/10.3965/j. ijabe.20130603.001.
Huang, Y., Hoffmann, WC, Lan, Y., Wu, W., Fritz, BK, 2009. Razvoj sustava raspršivanja za platformu bespilotne letjelice. Appl. inž. Agric. 25 (6), 803–809.
Hunt Jr., ER, Dean Hively, W., Fujikawa, SJ, Linden, DS, Daughtry, CST, McCarty, GW, 2010. Nabava NIR-zeleno-plavih digitalnih fotografija od
bespilotne letjelice za praćenje usjeva. Daljinska detekcija 2 (1), 290–305. https://doi. org/10.3390/rs2010290. Inoue, Y., 2020. Daljinsko detektiranje usjeva i tla temeljeno na satelitima i dronovima za pametnu poljoprivredu – pregled. Soil Sci. Plant Nutr. 66 (6), 798–810. https://doi.org/10.1080/00380768.2020.1738899.
Islam, N., Rashid, MM, Pasandideh, F., Ray, B., Moore, S., Kadel, R., 2021. Pregled aplikacija i komunikacijskih tehnologija za Internet stvari (IoT) i
Održiva pametna poljoprivreda temeljena na bespilotnim letjelicama (UAV). Održivost 13 (4), 1821. https://doi.org/10.3390/su13041821.
Jaud, M., Passot, S., Le Bivic, R., Delacourt, C., Grandjean, P., Le Dantec, N., 2016. Procjena točnosti digitalnih površinskih modela visoke rezolucije izračunatih pomoću
PhotoScan® i MicMac® u uvjetima snimanja koji nisu optimalni. Daljinsko očitavanje 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. Kvantificiranje utjecaja rezidbe na arhitekturu stabla masline i godišnje rast krošnje korištenjem 3D modeliranja temeljenog na UAV-u. Biljne metode 13 (1). https://doi.org/10.1186/s13007-017-0205-3.
Jin, X., Liu, S., Baret, F., Hemerl´e, M., Comar, A., 2017. Procjene gustoće biljaka usjeva pšenice pri izlasku sa slika UAV-a na vrlo niskim visinama. Daljinski senzor
Okolina. 198, 105–114. https://doi.org/10.1016/j.rse.2017.06.007.
Jinbo, C., Xiangliang, C., Han-Chi, F., Lam, A., 2019. Sustav za praćenje poljoprivrednih proizvoda podržan računalstvom u oblaku. Cluster Comput. 22 (4), 8929–8938.
Ju, C. i sin, HI 2018a. Procjena učinkovitosti višestrukih UAV sustava za daljinsko očitavanje u poljoprivredi. Zbornik radova radionice o robotskoj viziji i djelovanju u poljoprivredi na IEEE međunarodnoj konferenciji o robotici i automatizaciji (ICRA), Brisbane, Australija, 21.–26.
Ju, C., Son, HI, 2018b. Višestruki UAV sustavi za poljoprivredne primjene: kontrola, implementacija i evaluacija. Elektronika 7 (9), 162. https://doi.org/10.3390/
elektronika7090162.
Jung, J., Maeda, M., Chang, A., Bhandari, M., Ashapure, A., Landivar-Bowles, J., 2021. Potencijal daljinskog očitavanja i umjetne inteligencije kao alata za poboljšanje
otpornost sustava poljoprivredne proizvodnje. Curr. Opin. biotehnologija. 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. Poboljšana tehnika istraživanja usjeva koja uključuje multispektralno snimanje usjeva potpomognuto bespilotnim letjelicama u konvencionalnu praksu traženja plamenjače gumene stabljike u lubenici. Plant Dis. 103 (7), 1642–1650.
Kapoor, KK, Tamilmani, K., Rana, NP, Patil, P., Dwivedi, YK, Nerur, S., 2018. Napredak u istraživanju društvenih medija: prošlost, sadašnjost i budućnost. Obavijestiti. Syst. Ispred. 20
(3), 531-558.
Kerkech, M., Hafiane, A., Canals, R., 2020. VddNet: mreža za otkrivanje bolesti vinove loze temeljena na multispektralnim slikama i karti dubine. Remote Sensing 12 (20), 3305. https://doi. org/10.3390/rs12203305.
Khaliq, A., Comba, L., Biglia, A., Ricauda Aimonino, D., Chiaberge, M., Gay, P., 2019. Usporedba satelitskih i multispektralnih slika temeljenih na UAV-u za vinograd
procjena varijabilnosti. Daljinska detekcija 11 (4). https://doi.org/10.3390/rs11040436.
Khan, PW, Byun, Y.-C., Park, N., 2020. IoT-blockchain omogućio optimizirani sustav porijekla za prehrambenu industriju 4.0 koristeći napredno duboko učenje. Senzori 20 (10), 2990.
Khan, RU, Khan, K., Albattah, W., Qamar, AM, Ullah, F., 2021. Detekcija biljnih bolesti temeljena na slikama: od klasičnog strojnog učenja do putovanja dubokog učenja. Bežična komun. Mobilno računalo. 2021., 1–13.
Khan, S., Tufail, M., Khan, MT, Khan, ZA, Iqbal, J., Alam, M., Le, KNQ, 2021. Novi polu-nadzirani okvir za klasifikaciju usjeva/korova temeljenu na UAV-u. PLoS ONE 16 (5), e0251008.
Khanal, S., Fulton, J., Shearer, S., 2017. Pregled trenutnih i potencijalnih primjena toplinskog daljinskog očitavanja u preciznoj poljoprivredi. Računanje. Elektron.
Agric. 139, 22–32. https://doi.org/10.1016/j.compag.2017.05.001.
Khanna, A., Kaur, S., 2019. Evolucija Interneta stvari (IoT) i njegov značajan utjecaj u području precizne poljoprivrede. Računanje. Elektron. Agric. 157, 218–231.
Kim, W., Khan, GF, Wood, J., Mahmood, MT, 2016. Angažman zaposlenika za održive organizacije: analiza ključnih riječi pomoću analize društvenih mreža i burst
pristup otkrivanju. Održivost 8 (7), 631.
Kirsch, M., Lorenz, S., Zimmermann, R., Tusa, L., Mockel, ¨ R., Hodl, ¨ P., Booysen, R., Khodadadzadeh, M., Gloaguen, R., 2018. Integracija zemaljskih i bespilotnih letjelica
hiperspektralne i fotogrametrijske metode očitavanja za kartiranje istraživanja i praćenje rudarstva. Remote Sensing 10 (9), 1366. https://doi.org/10.3390/
rs10091366.
Kitano, BT, Mendes, CCT, Geus, AR, Oliveira, HC, Souza, JR, 2019. Brojanje biljaka kukuruza pomoću dubokog učenja i slika UAV-a. IEEE Geosci. Daljinski senzor Lett. 1–5 https://doi.org/10.1109/LGRS.2019.2930549.
Koh, JCO, Spangenberg, G., Kant, S., 2021. Automatizirano strojno učenje za visokoučinkovitu fenotipizaciju biljaka temeljenu na slikama. Remote Sensing 13 (5), 858. https://
doi.org/10.3390/rs13050858.
Kovalev, IV, Voroshilova, AA, 2020. Suvremeni tehnološki trendovi u razvoju ekosustava teretnih UAV-ova. 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. Vizualni SLAM za stočarstvo u zatvorenim prostorima i uzgoj uz pomoć malog drona s monokularnom kamerom: studija izvedivosti.
Dronovi 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. Istraživanje dronova za automatizaciju poljoprivrede od sadnje do
žetva. U: INES 2018 – IEEE 22. međunarodna konferencija o inteligentnim inženjerskim sustavima, str. 000353–358. https://doi.org/10.1109/INES.2018.8523943.
Lagkas, T., Argyriou, V., Bibi, S., Sarigiannidis, P., 2018. Pogledi i izazovi okvira UAV IoT: prema zaštiti dronova kao "stvari". Senzori 18 (11), 4015. https://doi.org/10.3390/s18114015.
Laliberte, AS, Rango, A., 2011. Postupci obrade slike i klasifikacije za analizu slika ispod decimetara dobivenih bespilotnom letjelicom iznad kopna
pašnjaci. GISci. Daljinski senzori 48 (1), 4–23. https://doi.org/10.2747/1548-1603.48.1.4.
Laliberte, AS, Rango, A., Herrick, JE, 2007. Bespilotne letjelice za kartiranje i praćenje pašnjaka: usporedba dvaju sustava. Zbornik radova godišnje konferencije ASPRS.
Lam, OHY, Dogotari, M., Prüm, M., Vithlani, HN, Roers, C., Melville, B., Zimmer, F., Becker, R., 2021. Tijek rada otvorenog koda za mapiranje korova na prirodnim travnjacima
korištenje bespilotne letjelice: korištenje Rumex obtusifolius kao studija slučaja. 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. Usvajanje, profitabilnost i bolje korištenje podataka o preciznoj poljoprivredi.
Radni papir. Sveučilište Purdue. https://doi.org/10.22004/ag.econ.28615.
Lelong, CCD, Burger, P., Jubelin, G., Roux, B., Labb´e, S., Baret, F., 2008. Procjena snimaka bespilotnih letjelica za kvantitativno praćenje usjeva pšenice na malim parcelama. Senzori 8 (5), 3557–3585. https://doi.org/10.3390/s8053557.
Li, C., Niu, B., 2020. Dizajn pametne poljoprivrede temeljene na velikim podacima i Internetu stvari. 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. Daljinska procjena visine krošnje i nadzemne biomase kukuruza pomoću stereo slika visoke rezolucije iz sustav jeftinih bespilotnih letjelica. 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. Strojno učenje u poljoprivredi: pregled. Senzori 18 (8), 2674.
Liebisch, F., Kirchgessner, N., Schneider, D., Walter, A., Hund, A., 2015. Fenotipizacija svojstava kukuruza iz zraka na daljinu uz pristup mobilnom više senzora. Biljne metode 11 (1), 9. https://doi.org/10.1186/s13007-015-0048-8.
Lin, Z., Guo, W., 2020. Detekcija i brojanje metlica sirka pomoću slika bespilotnih zračnih sustava i dubokog učenja. Ispred. Plant Sci. 11.
Liu, S., Guo, L., Webb, H., Ya, X., Chang, X., 2019. Internet of Things sustav praćenja moderne eko-poljoprivrede temeljen na računalstvu u oblaku. IEEE Access 7, 37050–37058.
Lopez-Granados, ´ F., 2011. Detekcija korova za kontrolu korova na određenom mjestu: mapiranje i pristupi u stvarnom vremenu. 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. Objektno rano praćenje travnatog korova u usjevu trave korištenjem UAV snimaka visoke rezolucije. Agron. Održati. 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. Kartiranje korova u ranoj sezoni u suncokretu pomoću UAV tehnologije: varijabilnost karata tretmana herbicidima u odnosu na pragove korova. Izvod. Agric. 17 (2), 183–199.
Lucieer, A., Malenovský, Z., Veness, T., Wallace, L., 2014. HyperUAS – slikovna spektroskopija iz višerotornog bespilotnog zrakoplovnog sustava. J. Field Rob. 31 (4),
571–590 (prikaz, stručni). 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. Terestričko lasersko skeniranje poljoprivrednih kultura. U JJ
Chen J. Maas H–G. (Ur.), Međunarodni arhivi za fotogrametriju, daljinsko očitavanje i prostorne informacijske znanosti—ISPRS arhiv (sv. 37, str. 563–566).
Međunarodno društvo za fotogrametriju i daljinska istraživanja. 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. Pregled nadzirane klasifikacije slika pokrova zemlje temeljene na objektima. ISPRS J. Photogramm. Daljinski senzor 130,
277–293 (prikaz, stručni). https://doi.org/10.1016/j.isprsjprs.2017.06.001.
Maes, WH, Steppe, K., 2019. Perspektive za daljinsko detektiranje s bespilotnim letjelicama u preciznoj poljoprivredi. Trends Plant Sci. 24 (2), 152–164. https://doi.org/10.1016/j.tplants.2018.11.007.
Maimaitijiang, M., Ghulam, A., Sidike, P., Hartling, S., Maimaitiyiming, M., Peterson, K., Shavers, E., Fishman, J., Peterson, J., Kadam, S., Burken, J., Fritschi, F., 2017.
Fenotipizacija soje temeljena na bespilotnom zračnom sustavu (UAS) pomoću fuzije podataka s više senzora i ekstremnog stroja za učenje. ISPRS J. Photogramm. Daljinska osjetila 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.
Praćenje usjeva pomoću spajanja satelitskih/UAV podataka i strojnog učenja. Remote Sensing 12 (9), 1357. https://doi.org/10.3390/rs12091357.
Manfreda, S., McCabe, M., Miller, P., Lucas, R., Pajuelo Madrigal, V., Mallinis, G., Ben Dor, E., Helman, D., Estes, L., Ciraolo, G ., Müllerova, ´ J., Tauro, F., de Lima, M., de
Lima, J., Maltese, A., Frances, F., Caylor, K., Kohv, M., Perks, M., Ruiz-P´erez, G., Su, Z., Vico, G., Toth , B., 2018. O korištenju bespilotnih zrakoplovnih sustava za
praćenje okoliša. Remote Sensing 10 (4), 641.
Marinko, RA, 1998. Citati časopisa za ženske studije u disertacijama, 1989. i The Serials Librarian 35 (1–2), 29–44. https://doi.org/10.1300/J123v35n01_
03.
Masroor, R., Naeem, M., Ejaz, W., 2021. Upravljanje resursima u bežičnim mrežama potpomognutim UAV-om: perspektiva optimizacije. Ad Hoc Netw. 121, 102596 https://doi.org/10.1016/j.adhoc.2021.102596.
Matese, A., Di Gennaro, SF, 2018. Praktične primjene multisenzorske UAV platforme temeljene na multispektralnim, toplinskim i RGB slikama visoke rezolucije u preciznosti
vinogradarstvo. Poljoprivreda 8 (7), 116. https://doi.org/10.3390/agriculture8070116.
Matese, A., Di Gennaro, SF, 2021. Osim tradicionalnog NDVI indeksa kao ključnog čimbenika za uvođenje bespilotnih letjelica u glavne tokove u preciznom vinogradarstvu. 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. Međusobna usporedba UAV-a, zrakoplova
i satelitske platforme za daljinsko očitavanje za precizno vinogradarstvo. Daljinska detekcija 7 (3), 2971–2990. https://doi.org/10.3390/rs70302971.
Mazzia, V., Comba, L., Khaliq, A., Chiaberge, M., Gay, P., 2020. Bespilotna letjelica i strojno učenje Usavršavanje satelitski vođenog indeksa vegetacije za preciznost
poljoprivreda. Senzori 20 (9), 2530. https://doi.org/10.3390/s20092530.
McCain, KW, 1990. Mapiranje autora u intelektualnom prostoru: tehnički pregled. J. Am. Soc. Info. Sci. 41 (6), 433–443.
Meinen, BU, Robinson, DT, 2021. Modeliranje poljoprivredne erozije: procjena USLE i WEPP procjena erozije na terenu korištenjem vremenskih serija podataka UAV-a. Okolina. Modell. Softver 137, 104962. https://doi.org/10.1016/j.envsoft.2021.104962.
Melville, B., Lucieer, A., Aryal, J., 2019. Klasifikacija nizinskih autohtonih pašnjačkih zajednica pomoću hiperspektralnih slika sustava bespilotnih letjelica (UAS) u
Tasmanijski midlands. Dronovi 3 (1), 5.
Messina, G., Modica, G., 2020. Primjene UAV toplinskih slika u preciznoj poljoprivredi: stanje tehnike i buduća istraživanja. Daljinska detekcija 12 (9), https://doi.org/10.3390/rs12091491.
Mishra, D., Luo, Z., Jiang, S., Papadopoulos, T., Dubey, R., 2017. Bibliografska studija o velikim podacima: koncepti, trendovi i izazovi. Upravljanje poslovnim procesima J. 23 (3),
555-573.
Mochida, K., Saisho, D., Hirayama, T., 2015. Poboljšanje usjeva korištenjem skupova podataka životnog ciklusa prikupljenih u poljskim uvjetima. Ispred. Plant Sci. 6 https://doi.org/10.3389/
fpls.2015.00740.
Mogili, UM.R., Deepak, BBVL, 2018. Prikaz primjene dron sustava u preciznoj poljoprivredi. Procedia Comput. Sci. 133, 502–509.
Moharana, S., Dutta, S., 2016. Prostorna varijabilnost sadržaja klorofila i dušika u riži iz hiperspektralnih slika. ISPRS J. Photogramm. Daljinska osjetila 122, 17–29.
Muangprathub, J., Boonnam, N., Kajornkasirat, S., Lekbangpong, N., Wanichsombat, A.,
Nillaor, P., 2019. IoT i analiza podataka o poljoprivredi za pametnu farmu. Računanje. Elektron. Agric. 156, 467–474.
Nansen, C., Elliott, N., 2016. Daljinska detekcija i profiliranje refleksije u entomologiji. Annu. Rev. Entomol. 61 (1), 139–158. https://doi.org/10.1146/annurev-ento010715-023834.
Navia, J., Mondragon, I., Patino, D., Colorado, J., 2016. Multispektralno kartiranje u poljoprivredi: mozaik terena pomoću autonomnog kvadrokoptera UAV. Int. Konf.
sustav bespilotnih letjelica (ICUAS) 2016, 1351–1358. https://doi.org/10.1109/ ICUAS.2016.7502606.
Nayyar, A., Nguyen, B.-L., Nguyen, NG, 2020. Internet dronova (Iodt): buduća vizija pametnih dronova. Adv. Intell. Syst. Računanje. 1045, 563–580. https://doi.org/10.1007/978-981-15-0029-9_45.
Nebiker, S., Annen, A., Scherrer, M., Oesch, D., 2008. Lagani multispektralni senzor za mikro UAV—mogućnosti za daljinsko detektiranje iz zraka vrlo visoke rezolucije. Int. Arh. Photogramm. Daljinski senzor. Inf. Sci 37 (B1), 1193–1200.
Negash, L., Kim, H.-Y., Choi, H.-L., 2019. Nove primjene UAV-a u poljoprivredi. U: 2019. 7. međunarodna konferencija o tehnologiji robotske inteligencije i
Prijave (RiTA), str. 254–257. https://doi.org/10.1109/RITAPP.2019.8932853.
Nerur, SP, Rasheed, AA, Natarajan, V., 2008. Intelektualna struktura područja strateškog menadžmenta: analiza kocitata autora. Strateg. Upravitelj J. 29 (3),
319-336.
Neupane, K., Baysal-Gurel, F., 2021. Automatska identifikacija i praćenje biljnih bolesti pomoću bespilotnih letjelica: pregled. Remote Sensing 13 (19), 3841. https://doi.org/10.3390/rs13193841.
Nex, F., Remondino, F., 2014. UAV za aplikacije 3D mapiranja: pregled. Appl. Geomatika 6 (1), 1–15. https://doi.org/10.1007/s12518-013-0120-x.
Niu, H., Hollenbeck, D., Zhao, T., Wang, D., Chen, Y., 2020. Procjena evapotranspiracije s malim UAV-ovima u preciznoj poljoprivredi. Senzori 20 (22), 6427. https://
doi.org/10.3390/s20226427.
Osareh, F., 1996. Bibliometrija, analiza citata i analiza kocitiranja. Pregled književnosti 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, senzori i obrada podataka u agrošumarstvu: pregled prema praktičnim primjenama. Int. J. Remote Sens. 38 (8–10), 2349–2391. https://doi.org/10.1080/01431161.2017.1297548.
Panday, SAD, Pratihast, AK, Aryal, J., Kayastha, RB, 2020. Pregled podatkovnih rješenja temeljenih na dronovima za usjeve žitarica. Trutovi 4 (3), 1–29. https://doi.org/10.3390/
dronovi4030041.
Parsaeian, M., Shahabi, M., Hassanpour, H., 2020. Procjena sadržaja ulja i proteina u sjemenkama sezama korištenjem obrade slike i umjetne neuronske mreže. J. Am. Ulje
Chemists' Soc. 97 (7), 691–702.
Pena, ˜ JM, Torres-S´anchez, J., de Castro, AI, Kelly, M., Lopez-Granados, ´ F., Suarez, O., Mapiranje korova u poljima kukuruza u ranoj sezoni korištenjem analize temeljene na objektima od
Slike bespilotne letjelice (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. Polu-nadzirani sustav za kartiranje korova u usjevima suncokreta pomoću bespilotnih letjelica i metode detekcije redova usjeva. 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. Isplativi IoT uređaji kao pouzdani izvori podataka za sustav upravljanja vodom temeljen na blockchainu u preciznoj poljoprivredi. Računanje. Elektron. Agric. 180, 105889.
Popescu, D., Stoican, F., Stamatescu, G., Ichim, L., Dragana, C., 2020. Napredni UAV–WSN sustav za inteligentni nadzor u preciznoj poljoprivredi. Senzori 20 (3), https://doi.org/10.3390/s20030817.
Pournader, M., Shi, Y., Seuring, S., Koh, SL, 2020. Primjene lanca blokova u opskrbnim lancima, transportu i logistici: sustavni pregled literature. Int. J. Prod. Res. 58 (7), 2063–2081.
Primicerio, J., Di Gennaro, SF, Fiorillo, E., Genesio, L., Lugato, E., Matese, A., Vaccari, FP, 2012. Fleksibilna bespilotna letjelica za preciznu poljoprivredu.
Izvod. Agric. 13 (4), 517–523. https://doi.org/10.1007/s11119-012-9257-6.
Pritchard, A., 1969. Statistička bibliografija ili bibliometrija. J. Dokument. 25 (4), 348–349.
Pudelko, R., Stuczynski, T., Borzecka-Walker, M., 2012. Prikladnost bespilotne letjelice (UAV) za procjenu pokusnih polja i usjeva. Poljoprivreda 99 (4), 431–436.
Puri, V., Nayyar, A., Raja, L., 2017. Poljoprivredni dronovi: moderno otkriće u preciznoj poljoprivredi. J. Statis. Upravitelj Syst. 20 (4), 507–518.
Radoglou-Grammatikis, P., Sarigiannidis, P., Lagkas, T., Moscholios, I., 2020. Kompilacija UAV aplikacija za preciznu poljoprivredu. Računanje. Netw. 172,
107148 https://doi.org/10.1016/j.comnet.2020.107148.
Ramesh, KV, Rakesh, V., Prakasa Rao, EVS, 2020. Primjena analitike velikih podataka i umjetne inteligencije u agronomskom istraživanju. Indijac J. Agron. 65 (4), 383–395.
Raparelli, E., Bajocco, S., 2019. Bibliometrijska analiza upotrebe bespilotnih letjelica u studijama poljoprivrede i šumarstva. Int. J. Daljinski senzori 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.
Potencijalne upotrebe sustava malih bespilotnih zrakoplova (UAS) u istraživanju korova. Weed Res. 53 (4), 242–248.
Rasmussen, J., Ntakos, G., Nielsen, J., Svensgaard, J., Poulsen, RN, Christensen, S., Jesu li vegetacijski indeksi izvedeni iz potrošačkih kamera postavljenih na
UAV dovoljno pouzdan za procjenu pokusnih parcela? 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. Digitalizacija u lancima opskrbe hranom: bibliometrijski pregled i glavna ruta
analiza. Održivost 14 (1), 83. https://doi.org/10.3390/su14010083.
Rejeb, A., Rejeb, K., Simske, SJ, Treiblmaier, H., 2021a. Dronovi za upravljanje opskrbnim lancem i logistiku: pregled i istraživački program. Int. J. Logist. Res. Appl.
1–24. https://doi.org/10.1080/13675567.2021.1981273.
Rejeb, A., Rejeb, K., Simske, S., Treiblmaier, H., 2021b. Blockchain tehnologije u logistici i upravljanju opskrbnim lancem: bibliometrijski pregled. Logistika 5 (4), 72.
https://doi.org/10.3390/logistics5040072.
Rejeb, A., Rejeb, K., Simske, S., Treiblmaier, H., 2021c. Humanitarni dronovi: pregled i istraživački program. Internet stvari 16, 100434. https://doi.org/10.1016/j.
jot.2021.100434.
Rejeb, A., Treiblmaier, H., Rejeb, K., Zailani, S., 2021d. Blockchain istraživanje u zdravstvu: bibliometrijski pregled i aktualni istraživački trendovi. J. od podataka, Inf. i
Upravitelj 3 (2), 109–124.
Rejeb, A., Simske, S., Rejeb, K., Treiblmaier, H., Zailani, S., 2020. Istraživanje Interneta stvari u upravljanju opskrbnim lancem i logistici: bibliometrijska analiza. Internet
stvari 12, 100318.
ReportLinker, 2021. Globalno tržište dronova za poljoprivredu dosegnut će 15.2 milijarde američkih dolara do godineGlobeNewswire 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- Godina-2027.html.
Ribeiro-Gomes, K., Hernandez-L´ opez, ´ D., Ortega, JF, Ballesteros, R., Poblete, T., Moreno, MA, 2017. Kalibracija nehlađene termalne kamere i optimizacija
fotogrametrijski postupak za primjenu UAV-a u poljoprivredi. Senzori (Švicarska) 17 (10). https://doi.org/10.3390/s17102173.
Rivera, MA, Pizam, A., 2015. Napredak u istraživanju ugostiteljstva: “From Rodney Dangerfield to Aretha Franklin”. Int. J. Contempor. Bolnica. Upravitelj 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. Senzorski sustav temeljen na mini-UAV-u za mjerenje varijabli okoliša u staklenicima. Senzori 15 (2), 3334–3350. https://doi.org/10.3390/s150203334.
Rozenberg, G., Kent, R., Blank, L., 2021. Bespilotna letjelica potrošačke kvalitete koja se koristi za otkrivanje i analizu obrazaca prostorne distribucije korova u kasnoj sezoni na komercijalnim poljima luka. Izvod. 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. Bespilotni Sustav spektralnih kamera kojim upravlja zračno vozilo (UAV) za primjene u šumama i poljoprivredi. Nastavi. SPIE – Int. Soc. Opt. inž. 8174 https://doi.org/10.1117/12.897585.
Sah, B., Gupta, R., Bani-Hani, D., 2021. Analiza prepreka za implementaciju logistike dronova. 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, dron temeljen na IOT-u za poboljšanje kvalitete usjeva u poljoprivredi. U SH
N. Chakrabarti S. (ur.), 2018. IEEE 8th Annual Computing and Communication Workshop and Conference, CCWC 2018 (sv. 2018.-siječanj, str. 612–615). Institut
of Electrical and Electronics Engineers Inc. doi: 10.1109/CCWC.2018.8301662.
Sai Vineeth, KV, Vara Prasad, YR, Dubey, SR, Venkataraman, H., 2019. LEDCOM: nova i učinkovita komunikacija temeljena na LED-u za preciznu poljoprivredu. IEEE Conf. Info. Komun. Technol. 2019, 1–5. https://doi.org/10.1109/CICT48419.2019.9066177.
Salamí, E., Barrado, C., Pastor, E., 2014. Eksperimenti letenja UAV-a primijenjeni na daljinsko detektiranje vegetiranih područja. Daljinska detekcija 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.
Sustavi za snimanje iz zraka visoke razlučivosti na niskim nadmorskim visinama za fenotipizaciju redova i poljskih usjeva: pregled. 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. Toplinska slika visoke rezolucije temeljena na UAV-u za procjenu
trenutna i sezonska varijabilnost statusa vode biljaka unutar vinograda. Agric. Vodoprivreda 183, 49–59. https://doi.org/10.1016/j.agwat.2016.08.026.
Sarli, CC, Dubinsky, EK, Holmes, KL, 2010. Izvan analize citata: Model za procjenu utjecaja istraživanja. J. Med. Knjižnica izv. prof. : 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. Spektroskopija slika povezana sa znanošću o sustavu Zemlje – procjena. Daljinski senzor. Okruženje. 113, S123-S137.
Schirrmann, M., Giebel, A., Gleiniger, F., Pflanz, M., Lentschke, J., Dammer, K.-H., 2016. Praćenje agronomskih parametara usjeva ozime pšenice s jeftinim UAV-om
slike. Daljinska detekcija 8 (9). https://doi.org/10.3390/rs8090706.
Schmale III, DG, Dingus, BR, Reinholtz, C., 2008. Razvoj i primjena autonomne bespilotne letjelice za precizno aerobiološko uzorkovanje iznad
poljoprivredna polja. 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.,
Omogućivanje precizne poljoprivrede putem ugrađenog senzora s umjetnom inteligencijom. IEEE Trans. Instrum. mjera 69 (7), 4103–4113.
Shakhatreh, H., Sawalmeh, AH, Al-Fuqaha, A., Dou, Z., Almaita, E., Khalil, I.,
Othman, NS, Khreishah, A., Guizani, M., 2019. Bespilotne letjelice (UAV): istraživanje o civilnim primjenama i ključni izazovi istraživanja. IEEE Access 7,
48572-48634. https://doi.org/10.1109/ACCESS.2019.2909530.
Shakoor, N., Northrup, D., Murray, S., Mockler, TC, 2019. Poljoprivreda vođena velikim podacima: analitika velikih podataka u uzgoju biljaka, genomici i korištenju daljinskog otkrivanja
tehnologije za povećanje produktivnosti usjeva. Biljni fenomen J. 2 (1), 1–8.
Sharma, BK, Chandra, G., Mishra, VP, 2019. Komparativna analiza i implikacija UAV-a i umjetne inteligencije u forenzičkim istragama. U: Zbornik radova – 2019. Amity International
Konferencija o umjetnoj inteligenciji. https://doi.org/10.1109/AICAI.2019.8701407.
Sharma, R., Shishodia, A., Gunasekaran, A., Min, H., Munim, ZH, 2022. Uloga umjetne inteligencije u upravljanju opskrbnim lancem: mapiranje teritorija. Int. J.
proizvod 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. Bespilotne letjelice za fenotipizaciju visoke propusnosti i agronomska istraživanja. PLoS JEDAN
11 (7), e0159781.
Shuai, G., Martinez-Feria, RA, Zhang, J., Li, S., Price, R., Basso, B., 2019. Snimanje heterogenosti sastojine kukuruza u zonama stabilnosti prinosa pomoću bespilotne letjelice
Vozila (UAV). Senzori 19 (20), 4446. https://doi.org/10.3390/s19204446.
Small, H., 1973. Kocitiranje u znanstvenoj literaturi: nova mjera odnosa između dva dokumenta. J. Am. Soc. Info. Sci. 24 (4), 265–269.
Small, H., Rorvig, ME, Lunin, LF, 1999. Vizualizacija znanosti mapiranjem citata. J. Am. Soc. Info. Sci. 50 (9), 799–813.
Soares, VHA, Ponti, MA, Gonçalves, RA, Campello, RJGB, 2021. Brojenje stoke u divljini s geolociranim slikama iz zraka na velikim pašnjacima. Računanje. Elektron. Agric. 189, 106354 https://doi.org/10.1016/j.compag.2021.106354.
Srivastava, K., Pandey, PC, Sharma, JK, 2020. Pristup optimizaciji rute u primjeni precizne poljoprivrede pomoću UAV-a. Dronovi 4 (3), 58. https://doi.org/ 10.3390/drones4030058.
Stafford, JV, 2000. Implementacija precizne poljoprivrede u 21. stoljeću. J. Agric. inž. Res. 76 (3), 267–275.
Su, J., Coombes, M., Liu, C., Guo, L., Chen, W.-H., 2018. Procjena suše pšenice slikama daljinskog istraživanja pomoću bespilotne letjelice. U 2018. 37. Kineska kontrolna konferencija (CCC).
Su, J., Liu, C., Coombes, M., Hu, X., Wang, C., Xu, X., Li, Q., Guo, L., Chen, W.-H., 2018. Praćenje pšenične žute hrđe učenjem iz multispektralnih snimaka iz zraka iz UAV-a.
Računanje. Elektron. Agric. 155, 157–166. https://doi.org/10.1016/j. compag.2018.10.017.
Su, Y., Wang, X., 2021. Inovacija gospodarskog upravljanja poljoprivredom u procesu izgradnje pametne poljoprivrede pomoću velikih podataka. Održivo računalstvo. Inf. Syst. 31, 100579 https://doi.org/10.1016/j.suscom.2021.100579.
Sullivan, DG, Fulton, JP, Shaw, JN, Bland, GL, 2007. Procjena osjetljivosti bespilotnog toplinskog infracrvenog zračnog sustava za otkrivanje pritiska vode u pamučnoj krošnji. Trans. ASABE 50 (6), 1955–1962.
Sumesh, KC, Ninsawat, S., Som-ard, J., 2021. Integracija vegetacijskog indeksa temeljenog na RGB-u, modela površine usjeva i pristupa analizi slike temeljene na objektima za procjenu prinosa šećerne trske korištenjem bespilotne letjelice. Računanje. 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. Lagani hiperspektralni sustav preslikavanja za
bespilotne letjelice-prvi rezultati. U: 2013. 5. radionica o hiperspektralnoj obradi slike i signala: Evolucija u daljinskom otkrivanju (WHISPERS), str. 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. Lagani hiperspektral
sustav kartiranja i lanac fotogrametrijske obrade za bespilotne letjelice. Daljinska detekcija 6 (11), 11013–11030. https://doi.org/10.3390/
rs61111013.
Syeda, IH, Alam, MM, Illahi, U., Su'ud, MM, 2021. Strategije napredne kontrole korištenjem obrade slike, UAV-a i umjetne inteligencije u poljoprivredi: pregled. Svijet J. Eng. 18 (4),
579–589. https://doi.org/10.1108/WJE-09-2020-0459.
Tahai, A., Rigsby, JT, 1998. Obrada informacija korištenjem citata za istraživanje utjecaja časopisa u računovodstvu. Inf. Postupak. Upravljati. 34 (2–3), 341–359.
Tang, Y., Dananjayan, S., Hou, C., Guo, Q., Luo, S., He, Y., 2021. Anketa o 5G mreži i njezinom utjecaju na poljoprivredu: izazovi i prilike. Računanje.
Elektron. Agric. 180, 105895 https://doi.org/10.1016/j.compag.2020.105895.
Tantalaki, N., Souravlas, S., Roumeliotis, M., 2019. Donošenje odluka na temelju podataka u preciznoj poljoprivredi: porast velikih podataka u poljoprivrednim sustavima. J. Agric. Informacije o hrani.
20 (4), 344–380.
Tao, H., Feng, H., Xu, L., Miao, M., Yang, G., Yang, X., Fan, L., 2020. Procjena prinosa i visine biljke ozime pšenice pomoću UAV-a temelji se na hiperspektralnim slikama.
Senzori 20 (4), 1231.
Techy, L., Schmale III, DG, Woolsey, CA, 2010. Koordinirano aerobiološko uzorkovanje biljnog patogena u nižim slojevima atmosfere pomoću dvije autonomne bespilotne letjelice. 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. Detekcija i klasifikacija štetnika soje pomoću dubinskog učenja
sa slikama UAV-a. Računanje. Elektron. Agric. 179, 105836.
Thamm, H.-P., Menz, G., Becker, M., Kuria, DN, Misana, S., Kohn, D., 2013. Upotreba UAS za procjenu poljoprivrednih sustava u AN močvarama u Tanzaniji u— I WetSeason za održivu poljoprivredu i pružanje temeljne istine za podatke Terra-Sar X. U: ISPRS – Međunarodni arhivi za fotogrametriju, daljinska istraživanja i prostorne informacijske znanosti, str. 401–406. https://doi.org/10.5194/isprsarchivesXL-1-W2-401-2013.
Thelwall, M., 2008. Od bibliometrije do webometrije. J. Info. Sci. 34 (4), 605–621.
Torres-Sanchez, ´ J., Lopez-Granados, ´ F., Pena, ˜ JM, 2015. Automatska objektna metoda za optimalno određivanje praga u slikama UAV-a: primjena za detekciju vegetacije u zeljastim usjevima. Računanje. 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. Visokopropusno 3-D praćenje plantaža poljoprivrednog drveća s Tehnologija bespilotnih letjelica (UAV). PLoS ONE 10 (6), e0130479.
Torres-Sanchez, ´ J., Pena, ˜ JM, de Castro, AI, Lopez-Granados, ´ F., 2014. Multi-temporalno mapiranje frakcije vegetacije u poljima pšenice u ranoj sezoni korištenjem slika iz UAV-a. Računanje. Elektron. Agric. 103, 104–113. https://doi.org/10.1016/j. compag.2014.02.009.
Tsouros, DC, Bibi, S., Sarigiannidis, PG, 2019. Pregled aplikacija temeljenih na UAV-ovima za preciznu poljoprivredu. Informacije (Švicarska) 10 (11). https://doi.org/10.3390/info10110349.
Tu, Y.-H., Phinn, S., Johansen, K., Robson, A., Wu, D., 2020. Optimiziranje planiranja leta drona za mjerenje strukture usjeva hortikulturnog drveća. ISPRS J. Photogramm.
Daljinski senzori 160, 83–96. https://doi.org/10.1016/j.isprsjprs.2019.12.006
Tzounis, A., Katsoulas, N., Bartzanas, T., Kittas, C., 2017. Internet stvari u poljoprivredi, najnoviji napredak i budući izazovi. Biosyst. inž. 164, 31–48.
https://doi.org/10.1016/j.biosystemseng.2017.09.007.
Uddin, A., Singh, VK, Pinto, D., Olmos, I., 2015. Scientometrijsko mapiranje istraživanja računalnih znanosti u Meksiku. Scientometrics 105 (1), 97–114.
UN., 2019. Izgledi svjetskog stanovništva 2019. https://population.un.org/wpp/ (pristupljeno 15/04/2022).
Uto, K., Seki, H., Saito, G., Kosugi, Y., 2013. Karakterizacija rižinih polja minijaturnim hiperspektralnim senzorskim sustavom montiranim na UAV. IEEE J. Sel. Vrh. Appl. Earth Ops.
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. Dronovi u
poljoprivreda. Adv. Agron. 162, 1–30.
Velusamy, P., Rajendran, S., Mahendran, RK, Naseer, S., Shafiq, M., Choi, J.-G., 2022.
Bespilotne letjelice (UAV) u preciznoj poljoprivredi: primjene i izazovi. Energije 15 (1), 217. https://doi.org/10.3390/en15010217.
Ventura, D., Bonifazi, A., Gravina, MF, Belluscio, A., Ardizzone, G., 2018. Mapiranje i klasifikacija ekološki osjetljivih morskih staništa pomoću bespilotnih letjelica
Slike vozila (UAV) i analiza slika temeljena na objektima (OBIA). Daljinsko očitavanje 10 (9), 1331. https://doi.org/10.3390/rs10091331.
Verger, A., Vigneau, N., Ch´eron, C., Gilliot, J.-M., Comar, A., Baret, F., 2014. Indeks zelenih površina iz bespilotnog zračnog sustava iznad usjeva pšenice i uljane repice . Daljinski senzor. Okruženje. 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. Postavljanje četiri optička senzora temeljena na UAV iznad travnjaka: izazovi i
ograničenja. Biogeosciences 12 (1), 163–175. https://doi.org/10.5194/bg-12-163-2015.
Vuran, MC, Salam, A., Wong, R., Irmak, S., 2018. Internet podzemnih stvari u preciznoj poljoprivredi: arhitektura i tehnološki aspekti. Ad Hoc Netw. 81,
160–173 (prikaz, stručni). https://doi.org/10.1016/j.adhoc.2018.07.017.
Wamba, SF, Queiroz, MM, 2021. Odgovorna umjetna inteligencija kao tajni sastojak digitalnog zdravlja: bibliometrijska analiza, uvidi i smjernice istraživanja.
Info. Syst. Ispred. 1–16.
Wang, L., Zhang, G., Wang, Z., Liu, J., Shang, J., Liang, L., 2019. Bibliometrijska analiza trenda istraživanja daljinskog očitavanja u praćenju rasta usjeva: studija slučaja u Kini. Daljinska detekcija 11 (7). https://doi.org/10.3390/rs11070809.
White, HD, Griffith, BC, 1981. Kocitacija autora: književna mjera intelektualne strukture. J. Am. Soc. Info. Sci. 32 (3), 163–171.
Xiang, H., Tian, L., 2011. Razvoj jeftinog poljoprivrednog sustava daljinskog otkrivanja temeljenog na autonomnoj bespilotnoj letjelici (UAV). Biosyst. inž. 108 (2), 174–190. https://doi.org/10.1016/j.biosystemseng.2010.11.010.
Xie, C., Yang, C., 2020. Pregled značajki fenotipizacije biljaka visoke propusnosti pomoću senzora temeljenih na UAV-u. Računanje. Elektron. Agric. 178, 105731 https://doi.org/10.1016/j.
compag.2020.105731.
Yao, H., Qin, R., Chen, X., 2019. Bespilotna letjelica za primjene daljinskog istraživanja—pregled. Daljinska detekcija 11 (12). https://doi.org/10.3390/
rs11121443.
Yeom, S., 2021. Praćenje ljudi u pokretu i uklanjanje lažnih tragova pomoću infracrvene toplinske slike multirotorom. Dronovi 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. Usporedba procjene parametara usjeva pomoću slika od montiranog na UAV
hiperspektralni senzor za brze snimke i digitalni fotoaparat visoke razlučivosti. Daljinsko očitavanje 10 (7), 1138. https://doi.org/10.3390/rs10071138.
Yue, J., Yang, G., Li, C., Li, Z., Wang, Y., Feng, H., Xu, B., 2017. Procjena nadzemne biomase ozime pšenice pomoću bespilotne letjelice- temeljena snimka
hiperspektralni senzor i poboljšani modeli visine usjeva. Daljinska detekcija 9 (7). https://doi.org/10.3390/rs9070708.
Zahawi, RA, Dandois, JP, Holl, KD, Nadwodny, D., Reid, JL, Ellis, EC, 2015. Korištenje lakih bespilotnih letjelica za praćenje oporavka tropskih šuma. Biol.
Očuvati 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.
Pametna poljoprivredna IoT platforma temeljena na rubnom i računalstvu u oblaku. Biosyst. inž. 177,
4-17.
Zarco-Tejada, PJ, Diaz-Varela, R., Angileri, V., Loudjani, P., 2014. Kvantifikacija visine stabala pomoću slika vrlo visoke rezolucije dobivenih iz bespilotne letjelice
vozila (UAV) i metode automatske 3D fotorekonstrukcije. 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. Fenotipizacija intenziteta cvjetanja u hladnim usjevima na temelju slike. Senzori 20 (5), 1450. https://doi.org/10.3390/s20051450.
Zhang, C., Kovacs, JM, 2012. Primjena malih bespilotnih letjelica za preciznu poljoprivredu: pregled. Izvod. Agric. 13 (6), 693–712. https://doi.org/
10.1007/s11119-012-9274-5.
Zhang, L., Zhang, H., Niu, Y., Han, W., 2019. Mapiranje vodenog stresa kukuruza na temelju multispektralnog daljinskog očitavanja UAV. Daljinska detekcija 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. Pristup temeljen na dubokom učenju za automatiziranu žutu hrđu
otkrivanje bolesti iz hiperspektralnih UAV slika visoke rezolucije. Remote Sensing 11 (13), 1554.
Zhao, X., Zhang, J., Huang, Y., Tian, Y., Yuan, L., 2022. Otkrivanje i diskriminacija bolesti i stresa od insekata biljaka čaja pomoću hiperspektralnog snimanja u kombinaciji s valovitom analizom. Računanje. Elektron. Agric. 193, 106717 https://doi.org/10.1016/j. compag.2022.106717.
Zheng, A., Wang, M., Li, C., Tang, J., Luo, B., 2022. Entropijom vođena kontradiktorna prilagodba domene za semantičku segmentaciju slike iz zraka. IEEE Trans. G
Zheng, H., Cheng, T., Yao, X., Deng, X., Tian, Y., Cao, W., Zhu, Y., 2016. Detekcija fenologije riže analizom vremenskih serija zemaljskih spektralnih podaci indeksa. Ratarski usjevi Res. 198, 131–139. https://doi.org/10.1016/j.fcr.2016.08.027.
Zheng, J., Yang, W., 2018. Dizajn sustava za sijanje curenja u preciznoj poljoprivredi koji se temelji na bežičnim senzorima. Int. J. Online Eng. 14 (05), 184.
Zhou, L., Gu, X., Cheng, S., Yang, G., Shu, M., Sun, Q., 2020. Analiza promjena visine biljke poleglog kukuruza korištenjem UAV-LiDAR podataka. Poljoprivreda 10 (5), 146. https://
doi.org/10.3390/agriculture10050146.
Zhou, S., Chai, X., Yang, Z., Wang, H., Yang, C., Sun, T., 2021. Maize-IAS: softver za analizu slike kukuruza koji koristi dubinsko učenje za fenotipizaciju biljaka visoke propusnosti . 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. Predviđanje prinosa zrna u riža pomoću viševremenske vegetacije
indeksi iz multispektralnih i digitalnih slika temeljenih na UAV-u. ISPRS J. Photogramm. Daljinski senzori 130, 246–255. https://doi.org/10.1016/j.isprsjprs.2017.05.003.
Zhou, Y., Xie, Y., Shao, L., 2016. Simulacija temeljne tehnologije sustava za nadzor staklenika temeljenog na bežičnoj senzorskoj mreži. Int. J. Online Eng. 12 (05),
43.
Zhou, Z., Majeed, Y., Diverres Naranjo, G., Gambacorta, EMT, 2021. Procjena vodenog stresa usjeva pomoću infracrvenih toplinskih slika u preciznoj poljoprivredi: pregled
i budući izgledi za aplikacije dubokog učenja. Računanje. Elektron. Agric. 182, 106019 https://doi.org/10.1016/j.compag.2021.106019.