Abderahman Rejeb a , Alireza Abdollahi b , Καρίμ Ρετζέμπ c , Horst Treiblmaier d,
- a Department of Management and Law, Faculty of Economics, University of Rome Tor Vergata, Via Columbia, 2, Rome 00133, Italy
- b Τμήμα Διοίκησης Επιχειρήσεων, Σχολή Διοίκησης, Πανεπιστήμιο Kharazmi, 1599964511 Τεχεράνη, Ιράν
- c Faculty of Sciences of Bizerte, University of Carthage, Zarzouna, 7021 Bizerte, Tunisia
- d School of International Management, Modul University Vienna, Am Kahlenberg 1, 1190 Βιέννη, Αυστρία
ΠΛΗΡΟΦΟΡΙΕΣ ΑΡΘΡΟΥ | ΠΕΡΙΛΗΨΗ |
Λέξεις-κλειδιά: Drones UAV Γεωργία ακριβείας Το Ίντερνετ των πραγμάτων Βιβλιομετρία | Τα drones, που ονομάζονται επίσης μη επανδρωμένα εναέρια οχήματα (UAV), έχουν γίνει μάρτυρες μιας αξιοσημείωτης εξέλιξης τις τελευταίες δεκαετίες. Στη γεωργία, έχουν αλλάξει τις γεωργικές πρακτικές προσφέροντας στους αγρότες σημαντική εξοικονόμηση κόστους, αυξημένη λειτουργική αποτελεσματικότητα και καλύτερη κερδοφορία. Τις τελευταίες δεκαετίες, το θέμα των γεωργικών drones έχει προσέλκυσε αξιοσημείωτη ακαδημαϊκή προσοχή. Ως εκ τούτου, πραγματοποιούμε μια ολοκληρωμένη ανασκόπηση με βάση τη βιβλιομετρία να συνοψίσει και να δομήσει την υπάρχουσα ακαδημαϊκή βιβλιογραφία και να αποκαλύψει τις τρέχουσες ερευνητικές τάσεις και hotspot. Εμείς Εφαρμόστε βιβλιομετρικές τεχνικές και αναλύστε τη βιβλιογραφία γύρω από τα γεωργικά drones για να συνοψίσετε και αξιολογήσει προηγούμενη έρευνα. Η ανάλυσή μας δείχνει ότι η τηλεπισκόπηση, η γεωργία ακριβείας, η βαθιά μάθηση, η μηχανική μάθηση και το Διαδίκτυο των πραγμάτων είναι κρίσιμα θέματα που σχετίζονται με τα γεωργικά drones. Η συν-παράθεση Η ανάλυση αποκαλύπτει έξι ευρείες ερευνητικές ομάδες στη βιβλιογραφία. Αυτή η μελέτη είναι μια από τις πρώτες προσπάθειες να συνοψίσει την έρευνα με drone στη γεωργία και να προτείνει μελλοντικές κατευθύνσεις έρευνας. |
Εισαγωγή
Η γεωργία αντιπροσωπεύει την κύρια πηγή τροφής στον κόσμο (Friha et al., 2021) και έχει αντιμετωπίσει σοβαρές προκλήσεις λόγω
αυξανόμενη ζήτηση για προϊόντα διατροφής, ανησυχίες για την ασφάλεια των τροφίμων και την ασφάλεια καθώς και εκκλήσεις για προστασία του περιβάλλοντος, διατήρηση του νερού και
βιωσιμότητα (Inoue, 2020). Αυτή η εξέλιξη προβλέπεται να συνεχιστεί αφού ο παγκόσμιος πληθυσμός εκτιμάται ότι θα φτάσει τα 9.7 δισεκατομμύρια μέχρι το 2050
(2019). Δεδομένου ότι η γεωργία αποτελεί το πιο χαρακτηριστικό παράδειγμα κατανάλωσης νερού παγκοσμίως, αναμένεται ότι η ζήτηση τροφίμων και νερού
η κατανάλωση θα αυξηθεί δραματικά στο άμεσο μέλλον. Επιπλέον, η αυξανόμενη κατανάλωση λιπασμάτων και φυτοφαρμάκων
σε συνδυασμό με την εντατικοποίηση των γεωργικών δραστηριοτήτων θα μπορούσαν να οδηγήσουν σε μελλοντικές περιβαλλοντικές προκλήσεις. Ομοίως, η καλλιεργήσιμη γη είναι περιορισμένη, και η
Ο αριθμός των αγροτών μειώνεται παγκοσμίως. Αυτές οι προκλήσεις τονίζουν την ανάγκη για καινοτόμες και βιώσιμες γεωργικές λύσεις (Ηλίας
et al., 2018; Friha et al., 2021; Inoue, 2020; Τζούνης κ.ά., 2017).
Η ενσωμάτωση νέων τεχνολογιών έχει αναγνωριστεί ως μια πολλά υποσχόμενη λύση για την αντιμετώπιση αυτών των προκλήσεων. Έξυπνη γεωργία (Brewster et al.,
2017; Οι Tang et al., 2021) και η γεωργία ακριβείας (Feng et al., 2019; Khanna & Kaur, 2019) προέκυψαν ως αποτέλεσμα τέτοιων συζητήσεων. ο
Το πρώτο είναι μια γενική ιδέα για την υιοθέτηση τεχνολογιών επικοινωνίας πληροφοριών (ΤΠΕ) και άλλων καινοτομιών αιχμής στις γεωργικές δραστηριότητες για την αύξηση της αποδοτικότητας και της αποτελεσματικότητας (Haque et al., 2021). Το τελευταίο εστιάζει στη διαχείριση της συγκεκριμένης τοποθεσίας στην οποία χωρίζεται η γη
ομοιογενή μέρη και κάθε μέρος λαμβάνει την ακριβή ποσότητα γεωργικής εισροής για βελτιστοποίηση της απόδοσης των καλλιεργειών μέσω νέων τεχνολογιών (Feng et al., 2019; Khanna & Kaur, 2019). Οι εξέχουσες τεχνολογίες που έχουν προσελκύσει την προσοχή των μελετητών σε αυτόν τον τομέα περιλαμβάνουν τα Ασύρματα Δίκτυα Αισθητηρίων (WSN) (J. Zheng & Yang, 2018; Y. Zhou et al., 2016), το Διαδίκτυο των πραγμάτων (IoT) (Gill et al., 2017; He et al., 2021; Liu et al., 2019),
τεχνικές τεχνητής νοημοσύνης (AI), συμπεριλαμβανομένης της μηχανικής μάθησης και της βαθιάς μάθησης (Liakos et al., 2018· Parsaeian et al., 2020· Shadrin et al.,
2019), τεχνολογίες υπολογιστών (Hsu et al., 2020; Jinbo et al., 2019; Zamora-Izquierdo et al., 2019), μεγάλα δεδομένα (Gill et al., 2017; Tantalaki
et al., 2019) και blockchain (PW Khan et al., 2020; Pincheira et al., 2021).
Εκτός από τις προαναφερθείσες τεχνολογίες, η τηλεπισκόπηση έχει θεωρηθεί ένα τεχνολογικό εργαλείο με υψηλές δυνατότητες βελτίωσης
έξυπνη γεωργία ακριβείας. Οι δορυφόροι, τα αεροσκάφη με ανθρώπινο πλήρωμα και τα drones είναι δημοφιλείς τεχνολογίες τηλεπισκόπησης (Tsouros et al., 2019).
Τα drones, ευρέως γνωστά ως Unmanned Aerial Vehicles (UAVs), Unmanned Aircraft Systems (UAS) και τηλεκατευθυνόμενα αεροσκάφη, είναι
μεγάλη σημασία καθώς έχουν πολλαπλά πλεονεκτήματα σε σύγκριση με άλλες τεχνολογίες τηλεπισκόπησης. Για παράδειγμα, τα drones μπορούν να προσφέρουν
εικόνες υψηλής ποιότητας και υψηλής ανάλυσης σε συννεφιασμένες μέρες (Manfreda et al., 2018). Επίσης, η διαθεσιμότητά τους και η ταχύτητα μεταφοράς αποτελούν άλλα
οφέλη (Ράντογλου-Γραμματικής κ.ά., 2020). Σε σύγκριση με τα αεροσκάφη, τα drones είναι εξαιρετικά οικονομικά και είναι εύκολο να εγκατασταθούν και να συντηρηθούν (Tsouros et al., 2019). Παρά το γεγονός ότι αρχικά χρησιμοποιούνται κυρίως για στρατιωτικούς σκοπούς, τα drones μπορούν να ωφελήσουν πολλές μη στρατιωτικές εφαρμογές, για παράδειγμα στη διαχείριση της εφοδιαστικής αλυσίδας (A. Rejeb, Rejeb, et al., 2021a), για ανθρωπιστικούς σκοπούς (A. Rejeb, Rejeb, et al., 2021c), έξυπνη γεωργία, τοπογραφία και χαρτογράφηση, τεκμηρίωση πολιτιστικής κληρονομιάς, διαχείριση καταστροφών και διατήρηση δασών και άγριας ζωής (Panday, Pratihast, et al., 2020). Στη γεωργία, υπάρχουν πολλαπλοί τομείς εφαρμογής των drones καθώς μπορούν να ενσωματωθούν με νέες τεχνολογίες, υπολογιστικές δυνατότητες και αισθητήρες ενσωματωμένοι για την υποστήριξη της διαχείρισης των καλλιεργειών (π.χ. χαρτογράφηση, παρακολούθηση, άρδευση, διάγνωση φυτών) (H. Huang et al., 2021) , μείωση καταστροφών, συστήματα έγκαιρης προειδοποίησης, διατήρηση της άγριας ζωής και της δασοκομίας για να αναφέρουμε μερικά (Negash et al., 2019). Ομοίως, τα drones θα μπορούσαν να αξιοποιηθούν σε διάφορες γεωργικές δραστηριότητες, συμπεριλαμβανομένης της παρακολούθησης των καλλιεργειών και της ανάπτυξης, της εκτίμησης της απόδοσης, της αξιολόγησης του στρες στο νερό και της ανίχνευσης ζιζανίων, παρασίτων και ασθενειών (Inoue, 2020; Panday, Pratihast, et al., 2020). Τα drones μπορούν να χρησιμοποιηθούν όχι μόνο για σκοπούς παρακολούθησης, εκτίμησης και ανίχνευσης με βάση τα αισθητηριακά δεδομένα τους, αλλά και για άρδευση ακριβείας και διαχείριση ακριβείας ζιζανίων, παρασίτων και ασθενειών. Με άλλα λόγια, τα drones είναι σε θέση να ψεκάζουν νερό και φυτοφάρμακα σε ακριβείς ποσότητες βάσει περιβαλλοντικών δεδομένων. Τα οφέλη των drones στη γεωργία συνοψίζονται στον Πίνακα 1.
Τα κύρια οφέλη των drones στη γεωργία.
Όφελος | Βιβλιογραφικές αναφορές) |
Βελτιώστε τη χρονική και χωρική αναλύσεις αίσθησης | (Gago et al., 2015; Niu et al., 2020; Srivastava et al., 2020) |
Διευκόλυνση της γεωργίας ακριβείας | (L. Deng et al., 2018; Kalischuk et al., 2019; Maimaitijiang et al., 2017) |
Ταξινόμηση και προσκοπισμός των σπάρτα | (Inoue, 2020; Kalischuk et al., 2019; Lopez- ' Granados et al., 2016; Maimaitijiang et al., 2017; Melville et al., 2019; Moharana & Dutta, 2016) |
Χρήση λιπάσματος | (L. Deng et al., 2018; Guan et al., 2019) |
Παρακολούθηση ξηρασίας | (Fawcett et al., 2020; Panday, Pratihast, et al., 2020; Su et al., 2018) |
Εκτίμηση βιομάζας | (Bendig et al., 2014) |
Εκτίμηση απόδοσης | (Inoue, 2020; Panday, Shrestha, et al., 2020; Tao et al., 2020) |
Μείωση καταστροφών | (Negash et al., 2019) |
Διατήρηση της άγριας ζωής και δασοκομία | (Negash et al., 2019; Panday, Pratihast, et al., 2020) |
Εκτίμηση της υδατικής καταπόνησης | (Inoue, 2020· J. Su, Coombes, et al., 2018· L. Zhang et al., 2019) |
Παράσιτα, ζιζάνια και ασθένειες ανίχνευση | (Gaˇsparovi´c et al., 2020· Inoue, 2020· J. Su, Liu, et al., 2018; X. Zhang et al., 2019) |
Από την άλλη πλευρά, τα drones αντιμετωπίζουν επίσης περιορισμούς. Συμμετοχή πιλότου, ισχύς κινητήρα, σταθερότητα και αξιοπιστία, ποιότητα αισθητήρων λόγω ωφέλιμου φορτίου
περιορισμοί βάρους, κόστος υλοποίησης και αεροπορική ρύθμιση, είναι μεταξύ αυτών (C. Zhang & Kovacs, 2012). Συγκρίνουμε τις ελλείψεις
από τις τρεις κινητές τεχνολογίες τηλεπισκόπησης στον Πίνακα 2. Άλλες τεχνολογίες τηλεπισκόπησης, όπως οι αισθητήρες εδάφους, είναι πέρα από το επίκεντρο αυτής της μελέτης.
Ελλείψεις διαφόρων τεχνολογιών τηλεπισκόπησης κινητής τηλεφωνίας.
Τηλεπισκόπηση τεχνολογίες | Ελλείψεις | αναφορές |
Drone (UAV) | Συμμετοχή πιλότων. εικόνες' ποιότητα (μέσος όρος). κόστος υλοποίησης (μέσος όρος). σταθερότητα, ευελιξία και αξιοπιστία; τυποποίηση; ισχύς κινητήρα? περιορισμένη ισχύ πηγές (μακροζωία μπαταρίας)? περιορισμένη διάρκεια πτήσης, σύγκρουση και κυβερνοεπιθέσεις· περιορισμένος βάρος ωφέλιμου φορτίου? μεγάλα σύνολα δεδομένων και περιορισμένη επεξεργασία δεδομένων δυνατότητες? έλλειψη ρύθμισης· έλλειψη τεχνογνωσίας, υψηλή είσοδος εμπόδια στην πρόσβαση σε γεωργικά drones? | (Bacco et al., 2018; Dawaliby et al., 2020; Hardin & Hardin, 2010; Hardin & Jensen, 2011; Λάγκας κ.ά., 2018; Laliberte et al., 2007; Laliberte & Rango, 2011; Manfreda et al., 2018, 2018; Nebiker et al., 2008; Puri et al., 2017; Velusamy et al., 2022; C. Zhang & Kovacs, 2012) |
Δορυφόρος | Περιοδική δορυφορική κάλυψη, περιορισμένη φασματική ανάλυση. ευπάθεια σε θέματα ορατότητας (π.χ. σύννεφα). Μη διαθεσιμότητα και χαμηλή ταχύτητα μεταφοράς? προσανατολισμός και βινιετάρισμα επηρεάζει δαπανηρά χωρικά δεδομένα συλλογή; αργή παράδοση δεδομένων χρόνος για τους τελικούς χρήστες | (Aboutalebi et al., 2019, Cen et al., 2019; Chen et al., 2019; Nansen & Elliott, 2016; Panday, Pratihast, et al., 2020; Σάι Βάινεθ et al., 2019) |
Αεροσκάφη | Υψηλό κόστος υιοθεσίας. περίπλοκη ρύθμιση? εξοδα ΣΥΝΤΗΡΗΣΗΣ; μη διαθεσιμότητα αξιόπιστων αεροπλάνα, γεωμετρία του εικόνες? μη κανονικά δεδομένα απόκτηση; έλλειψη ευελιξίας? θανατηφόρα ατυχήματα? δεδομένα αισθητήρα παραλλαγές λόγω κραδασμών. ζητήματα γεωαναφοράς | (Armstrong et al., 2011; Atkinson et al., 2018; Barbedo & Koenigkan, 2018; Kovalev & Voroshilova, 2020; Suomalainen et al., 2013; Thamm et al., 2013) |
Ως πολυεπιστημονική και πολλαπλών χρήσεων τεχνολογία στη γεωργία, τα drones έχουν διερευνηθεί από διάφορες οπτικές γωνίες. Για παράδειγμα, οι μελετητές έχουν εξετάσει εφαρμογές drones στη γεωργία (Kulbacki et al., 2018; Mogili & Deepak, 2018), τη συμβολή τους στη γεωργία ακριβείας (Puri et al., 2017; Tsouros et al., 2019), τη συμπληρωματικότητά τους με άλλα τεχνολογίες αιχμής (Al-Thani et al., 2020; Dutta & Mitra, 2021; Nayyar et al., 2020; Saha et al., 2018) και οι δυνατότητες προώθησης των δυνατοτήτων πλοήγησης και ανίχνευσης (Bareth et al. , 2015, Suomalainen et al., 2014). Δεδομένου ότι η έρευνα για τις εφαρμογές drones στη γεωργία έχει γίνει διαδεδομένη (Khan et al., 2021)), υπάρχει ανάγκη να συνοψιστεί η υπάρχουσα βιβλιογραφία και να αποκαλυφθεί η πνευματική δομή του τομέα. Επιπλέον, ως τομέας υψηλής τεχνολογίας με συνεχείς βελτιώσεις, πρέπει να γίνονται δομημένες ανασκοπήσεις για να συνοψίζεται περιοδικά η υπάρχουσα βιβλιογραφία και να εντοπίζονται σημαντικά ερευνητικά κενά. Προς την
ημερομηνία, υπάρχουν λίγες κριτικές που συζητούν τις εφαρμογές drone στον αγροτικό τομέα. Για παράδειγμα, οι Mogili και Deepak (2018) επανεξέτασαν εν συντομία τις επιπτώσεις των drones για την παρακολούθηση των καλλιεργειών και τον ψεκασμό φυτοφαρμάκων. Ο Inoue (2020) πραγματοποιεί μια ανασκόπηση της χρήσης δορυφόρων και drone στην τηλεπισκόπηση στη γεωργία. Ο συγγραφέας διερευνά τις τεχνολογικές προκλήσεις της υιοθέτησης της έξυπνης γεωργίας και τις συνεισφορές των δορυφόρων και των drones με βάση μελέτες περιπτώσεων και βέλτιστες πρακτικές. Τσούρος κ.ά. (2019) συνοψίζουν διαφορετικούς τύπους drones και τις κύριες εφαρμογές τους στη γεωργία, επισημαίνοντας διάφορες μεθόδους απόκτησης και επεξεργασίας δεδομένων. Πιο πρόσφατα, οι Aslan et al. (2022) διεξήγαγε μια ολοκληρωμένη ανασκόπηση των εφαρμογών UAV σε γεωργικές δραστηριότητες και υπογράμμισε τη σημασία του ταυτόχρονου εντοπισμού και χαρτογράφησης για ένα UAV στο θερμοκήπιο. Diaz-Gonzalez et al. (2022) επανεξέτασε πρόσφατες μελέτες παραγωγής απόδοσης καλλιεργειών με βάση διαφορετικές τεχνικές μηχανικής εκμάθησης και εξ αποστάσεως
συστήματα αίσθησης. Τα ευρήματά τους έδειξαν ότι τα UAV είναι χρήσιμα για την εκτίμηση των δεικτών του εδάφους και για την καλύτερη απόδοση των δορυφορικών συστημάτων όσον αφορά τη χωρική ανάλυση, τη χρονικότητα των πληροφοριών και την ευελιξία. Basiri et al. (2022) έκανε μια εξαντλητική ανασκόπηση των διαφόρων προσεγγίσεων και μεθόδων για την αντιμετώπιση των προκλήσεων σχεδιασμού διαδρομής για UAV με πολλαπλούς ρότορες στο πλαίσιο της γεωργίας ακριβείας. Επιπλέον, οι Awais et al. (2022) συνόψισε την εφαρμογή δεδομένων τηλεπισκόπησης UAV σε καλλιέργειες για την εκτίμηση της κατάστασης του νερού και παρείχε μια εις βάθος σύνθεση της προοπτικής ικανότητας της τηλεπισκόπησης UAV για την εφαρμογή καταπόνησης απόβλητων. Τέλος, οι Aquilani et al. (2022) επανεξέτασε τις τεχνολογίες προληπτικής καλλιέργειας που εφαρμόζονται σε συστήματα κτηνοτροφίας που βασίζονται σε βοσκότοπους και συμπέρανε ότι η τηλεπισκόπηση που ενεργοποιείται από τα UAV είναι πλεονεκτική για την αξιολόγηση της βιομάζας και τη διαχείριση της αγέλης.
Επίσης, πρόσφατα έχουν αναφερθεί προσπάθειες χρήσης UAV για την παρακολούθηση, τον εντοπισμό και τη συγκέντρωση των ζώων.
Αν και αυτές οι ανασκοπήσεις παρέχουν νέες και σημαντικές γνώσεις, δεν υπάρχει καμία ολοκληρωμένη και ενημερωμένη ανασκόπηση βασισμένη στη βιβλιομετρία στη βιβλιογραφία, η οποία παρουσιάζει ένα σαφές κενό γνώσης. Επιπλέον, έχει δηλωθεί ότι όταν η επιστημονική παραγωγή αυξάνεται σε έναν επιστημονικό τομέα, καθίσταται ζωτικής σημασίας για τους ερευνητές να χρησιμοποιούν προσεγγίσεις ποσοτικής ανασκόπησης για να κατανοήσουν τη δομή της γνώσης του τομέα (Rivera & Pizam, 2015). Ομοίως, οι Ferreira et al. (2014) υποστήριξε ότι καθώς τα ερευνητικά πεδία ωριμάζουν και γίνονται περίπλοκα, οι μελετητές θα πρέπει να στοχεύουν στο να κατανοήσουν περιστασιακά τη γνώση που δημιουργείται και συγκεντρώνεται για να αποκαλύψουν νέες συνεισφορές, να συλλάβουν ερευνητικές παραδόσεις και τάσεις, να εντοπίσουν ποια θέματα μελετώνται και να εμβαθύνουν στη δομή της γνώσης το πεδίο και τις πιθανές κατευθύνσεις έρευνας. Ενώ οι Raparelli και Bajocco (2019) διεξήγαγαν μια βιβλιομετρική ανάλυση για να εξετάσουν τον τομέα γνώσης των εφαρμογών drone στη γεωργία και τη δασοκομία, η μελέτη τους λαμβάνει υπόψη μόνο επιστημονική έρευνα που δημοσιεύτηκε μεταξύ 1995 και 2017, η οποία δεν αντικατοπτρίζει τη δυναμική αυτής της ταχέως εξελισσόμενης περιοχής. Επιπλέον, οι συγγραφείς δεν προσπάθησαν να προσδιορίσουν τις συνεισφορές με τη μεγαλύτερη επιρροή στο πεδίο, να ομαδοποιήσουν τη βιβλιογραφία και να αξιολογήσουν την πνευματική δομή χρησιμοποιώντας την ανάλυση συν-παραπομπής. Ως αποτέλεσμα, είναι απαραίτητο να συνοψιστεί η βιβλιογραφία για να αποκαλυφθούν οι τρέχουσες ερευνητικές εστίες, τάσεις και hotspot.
Για να καλύψουμε αυτό το κενό γνώσης, αξιοποιούμε ποσοτική μεθοδολογία και αυστηρές βιβλιομετρικές μεθόδους για να εξετάσουμε την τρέχουσα κατάσταση της έρευνας στη διασταύρωση των drones και της γεωργίας. Υποστηρίζουμε ότι η τρέχουσα μελέτη συνεισφέρει αρκετά στην υπάρχουσα βιβλιογραφία εξετάζοντας μια αναδυόμενη τεχνολογία που είναι ιδιαίτερα απαραίτητη στη γεωργία, καθώς παρέχει τεράστιες δυνατότητες να αλλάξει πολλές πτυχές σε αυτόν τον τομέα. Η ανάγκη για μια βιβλιομετρική ανάλυση των γεωργικών drones γίνεται αισθητή ακόμη περισσότερο δεδομένης της διάσπαρτης και κατακερματισμένης γνώσης για τα drones στο πλαίσιο της γεωργίας. Ομοίως, η βιβλιογραφία που σχετίζεται με τα γεωργικά drones απαιτείται να συγκεντρώνεται συστηματικά, λαμβάνοντας υπόψη τις μελέτες με τη μεγαλύτερη επιρροή που χτίζουν τα θεμέλια αυτού του ερευνητικού πεδίου. Το πλεονέκτημα της ανάλυσης περιλαμβάνει επίσης την αποσαφήνιση των κύριων ερευνητικών θεμάτων που αντιπροσωπεύονται στη βιβλιογραφία. Λαμβάνοντας υπόψη το μετασχηματιστικό δυναμικό της τεχνολογίας, θεωρούμε ότι μια εις βάθος ανάλυση δικτύου αποφέρει νέες ιδέες προσδιορίζοντας έργα με επιρροή και αποκαλύπτοντας θέματα σχετικά με τις δυνατότητες των drones για τη γεωργία.
Ως εκ τούτου, προσπαθούμε να επιτύχουμε τους ακόλουθους ερευνητικούς στόχους:
- Προσδιορισμός σημαντικών δημοσιεύσεων με εξαιρετική συμβολή σε εφαρμογές drone στον τομέα της γεωργίας.
- Ομαδοποίηση της βιβλιογραφίας, προσδιορισμός ερευνητικών εστιών και χαρτογράφηση των κύριων μελετών «πνευματικής δομής» με βάση τη σημασιολογική ομοιότητα με τη χρήση ανάλυσης συν-παραπομπής.
- Κατανόηση της εξέλιξης των συνδέσεων και των δικτύων αναφορών με την πάροδο του χρόνου μεταξύ των διαφόρων δημοσιεύσεων στο πεδίο και προσδιορισμός μελλοντικών κατευθύνσεων έρευνας και καυτών θεμάτων.
Το υπόλοιπο της εργασίας είναι δομημένο ως εξής: η ενότητα 2 περιγράφει τη μεθοδολογία και τα βήματα συλλογής δεδομένων. Η ενότητα 3 παρέχει τα αποτελέσματα των αναλύσεων. και η ενότητα 4 συζητά τα ευρήματα και ολοκληρώνεται με ερευνητικές συνεισφορές, επιπτώσεις και μελλοντικές κατευθύνσεις.
Μεθοδολογία
Σε αυτήν την τρέχουσα ερευνητική μελέτη, διεξάγουμε μια βιβλιομετρική ανάλυση για να διερευνήσουμε τις εφαρμογές των drone στη γεωργία. Αυτή η ποσοτική προσέγγιση αποκαλύπτει τη διανοητική δομή του τομέα γνώσης (Arora & Chakraborty, 2021) και την τρέχουσα κατάσταση, τα καυτά θέματα και τις μελλοντικές ερευνητικές κατευθύνσεις που μπορούν να διερευνηθούν με την εφαρμογή αυτής της μεθόδου (Kapoor et al., 2018; Mishra et al. , 2017· A. Rejeb, Rejeb, et al., 2021b· A. Rejeb et al., 2021d· MA Rejeb et al., 2020). Γενικά, μια βιβλιομετρική ανάλυση εξετάζει την υπάρχουσα βιβλιογραφία για να συνοψίσει και να αποκαλύψει κρυφά μοτίβα γραπτής επικοινωνίας και την εξέλιξη του κλάδου με βάση στατιστικές και μαθηματικές μεθόδους, και εφαρμόζεται σε μεγάλα σύνολα δεδομένων (Pritchard, 1969, Small, 1999, Tahai & Rigsby , 1998). Χρησιμοποιώντας τη βιβλιομετρία, φιλοδοξούμε να κατανοήσουμε καλύτερα τα υπάρχοντα παραδείγματα και τις ερευνητικές εστίες που συμβάλλουν στον τομέα με βάση την ομοιότητα (Thelwall, 2008). Το Bibliometrics παρέχει νέες ιδέες που υποστηρίζονται από την αντικειμενική ποσοτική δύναμη της μεθοδολογίας (Casillas & Acedo, 2007). Πολυάριθμοι μελετητές έχουν πραγματοποιήσει στο παρελθόν βιβλιομετρικές μελέτες σε σχετικούς τομείς, συμπεριλαμβανομένης της γεωργίας, της τηλεπισκόπησης και του ψηφιακού μετασχηματισμού (Armenta-Medina et al., 2020; Bouzembrak et al., 2019; A. Rejeb, Treiblmaier, et al., 2021; Wamba & Queiroz, 2021; Wang et al., 2019).
Ανάλυση παραπομπών
Η ανάλυση παραπομπών αποκαλύπτει διάφορες γνώσεις σε ένα δεδομένο ερευνητικό πεδίο. Πρώτα απ 'όλα, βοηθά να αποκαλυφθούν οι συγγραφείς και οι δημοσιεύσεις με τη μεγαλύτερη επιρροή που συμβάλλουν σε ένα δεδομένο ερευνητικό πεδίο και έχουν σημαντικό αντίκτυπο (Gundolf & Filser, 2013). Δεύτερον, η ροή της γνώσης και οι δεσμοί επικοινωνίας μεταξύ των συγγραφέων μπορούν να αποκαλυφθούν. Τέλος, ανιχνεύοντας τους δεσμούς μεταξύ των έργων που αναφέρονται και παρατίθενται, μπορεί κανείς να εξερευνήσει τις αλλαγές και την εξέλιξη ενός τομέα γνώσης με την πάροδο του χρόνου (Pournader
et al., 2020). Οι υψηλοί αριθμοί αναφορών μιας δημοσίευσης αντικατοπτρίζουν τη συνάφεια και τη σημαντική συνεισφορά της στον ερευνητικό τομέα (Baldi, 1998; Gundolf & Filser, 2013; Marinko, 1998). Η ανάλυση αναφορών των δημοσιεύσεων βοηθά επίσης στον εντοπισμό σχετικών έργων και στην παρακολούθηση της δημοτικότητας και της προόδου τους με την πάροδο του χρόνου.
Ανάλυση συν-παραπομπής εγγράφου
Η ανάλυση συν-παραπομπής είναι μια πολύτιμη μέθοδος για τη διερεύνηση των σχέσεων μεταξύ των δημοσιεύσεων και την απεικόνιση της πνευματικής δομής ενός πεδίου (Nerur et al., 2008). Με άλλα λόγια, προσδιορίζοντας τις δημοσιεύσεις με τις περισσότερες αναφορές και τις συνδέσεις τους, η μέθοδος ομαδοποιεί τις δημοσιεύσεις σε διακριτές ερευνητικές ομάδες όπου οι δημοσιεύσεις σε μια συστάδα μοιράζονται τακτικά παρόμοιες ιδέες (McCain, 1990; Small, 1973). Είναι σημαντικό να αναφέρουμε ότι η ομοιότητα δεν σημαίνει ότι τα ευρήματα των δημοσιεύσεων είναι
συνεκτικά και συμφωνούν μεταξύ τους· Οι δημοσιεύσεις ανήκουν στο ίδιο σύμπλεγμα λόγω ομοιότητας θέματος, αλλά μπορεί να έχουν αντικρουόμενες απόψεις.
Συλλογή και ανάλυση δεδομένων
Ακολουθώντας τη μεθοδολογία που πρότειναν οι White και Griffith (1981), πραγματοποιήσαμε μια ολοκληρωμένη αναζήτηση άρθρων περιοδικών για να καλύψουμε ολόκληρο τον ερευνητικό τομέα των εφαρμογών drone στη γεωργία, ακολουθώντας τα ακόλουθα πέντε βήματα:
- Το πρώτο βήμα ήταν η συλλογή δεδομένων. Η Scopus επιλέχθηκε ως μία από τις πιο ολοκληρωμένες και αξιόπιστες βάσεις δεδομένων με τυποποιημένα αποτελέσματα. Ανακτήθηκαν τα μεταδεδομένα των δημοσιεύσεων που σχετίζονται με όλες τις εφαρμογές drone στη γεωργία. Στη συνέχεια αναλύσαμε τα επιλεγμένα άρθρα, αφαιρώντας άρθρα εκτός θέματος από την ανάλυση.
- Αναλύσαμε τη βιβλιογραφία και εντοπίσαμε τις πιο σημαντικές λέξεις-κλειδιά που χρησιμοποιούνται στην ερευνητική περιοχή.
- Χρησιμοποιώντας την ανάλυση παραπομπών, διερευνήσαμε τη σύνδεση μεταξύ συγγραφέων και εγγράφων για να αποκαλύψουμε τα υποκείμενα μοτίβα αναφορών. Εντοπίσαμε επίσης τους συγγραφείς και τις δημοσιεύσεις με τη μεγαλύτερη επιρροή με σημαντική συνεισφορά στον τομέα των γεωργικών drones.
- Πραγματοποιήσαμε μια ανάλυση συν-παραπομπής για να ομαδοποιήσουμε παρόμοιες δημοσιεύσεις σε ομάδες.
- Τέλος, αναλύσαμε τις συνδέσεις και τους δεσμούς μεταξύ χωρών, ιδρυμάτων και περιοδικών για να απεικονίσουμε το δίκτυο συνεργασίας.
Προσδιορισμός κατάλληλων όρων αναζήτησης
Εφαρμόσαμε τις ακόλουθες σειρές αναζήτησης για τη συγκέντρωση δεδομένων: (drone* Ή "μη επανδρωμένο εναέριο όχημα" Ή uav* Ή "μη επανδρωμένο σύστημα αεροσκαφών” Ή uas Ή «αεροσκάφη με τηλεχειρισμό”) ΚΑΙ (γεωργικός Ή γεωργία Ή γεωργία Ή αγρότης). Η έρευνα διεξήχθη τον Σεπτέμβριο του 2021. Τα drones έχουν διάφορες ονομασίες, όπως UAV, UAS και τηλεκατευθυνόμενα αεροσκάφη (Sah et al., 2021). Οι συγκεκριμένοι όροι αναζήτησης που σχετίζονται με τη γεωργία προσδιορίστηκαν με βάση τη μελέτη των Abdollahi et al. (2021). Για λόγους σαφήνειας και διαφάνειας, το ακριβές ερώτημα που χρησιμοποιήσαμε δίνεται στο Παράρτημα 1. Μετά από μια διαδικασία καθαρισμού δεδομένων, δημιουργήσαμε ένα αρχείο κειμένου που στη συνέχεια φορτώθηκε στο BibExcel, ένα κοινό εργαλείο για ανάλυση παραπομπών και συν-παραπομπών. Αυτό το εργαλείο προσφέρει επίσης απλή αλληλεπίδραση με άλλο λογισμικό και προσφέρει σημαντικό βαθμό ελευθερίας στον χειρισμό και την ανάλυση δεδομένων. Η έκδοση 1.6.16 του VOSviewer χρησιμοποιήθηκε για την οπτικοποίηση των ευρημάτων και τη δημιουργία των βιβλιομετρικών δικτύων (Eck & Waltman, 2009). Το VOSviewer προσφέρει μια σειρά διαισθητικής απεικόνισης, ιδιαίτερα για την ανάλυση βιβλιομετρικών χαρτών (Geng et al., 2020). Επιπλέον, βοηθά στην παροχή απλών οπτικών αποτελεσμάτων που βοηθούν στην καλύτερη κατανόηση των αποτελεσμάτων (Abdollahi et al., 2021). Εφαρμόζοντας τις συμβολοσειρές αναζήτησης όπως αναφέρθηκε παραπάνω, συγκεντρώσαμε και αποθηκεύσαμε όλες τις σχετικές δημοσιεύσεις. Τα πρώτα αποτελέσματα αναζήτησης απέδωσαν συνολικά 5,085 έγγραφα. Για να εξασφαλιστεί η ποιότητα του επιλεγμένου δείγματος, στην έρευνα ελήφθησαν υπόψη μόνο άρθρα περιοδικών με κριτές, με αποτέλεσμα να αποκλειστούν άλλοι τύποι εγγράφων, όπως βιβλία, κεφάλαια, πρακτικά συνεδρίων και σημειώσεις σύνταξης. Κατά τη διάρκεια μιας διαδικασίας διαλογής, φιλτραρίστηκαν άσχετες (δηλαδή, πέρα από το εύρος αυτής της εργασίας), περιττές (δηλαδή, διπλότυπα που προέρχονται από διπλή ευρετηρίαση) και μη αγγλόφωνες δημοσιεύσεις. Αυτή η διαδικασία είχε ως αποτέλεσμα τη συμπερίληψη 4,700 εγγράφων σε τελική ανάλυση.
Διαπιστώσεις και συζήτηση
Αρχικά, αναλύσαμε τις εξελίξεις στην παραγωγή δημοσιεύσεων στην τρέχουσα βιβλιογραφία για τα γεωργικά drones. Η χρονική κατανομή της επιστημονικής έρευνας φαίνεται στο Σχ. 1. Βλέπουμε μια ταχεία αύξηση των δημοσιεύσεων από το έτος 2011 (30 δημοσιεύσεις) και μετά. Ως εκ τούτου, αποφασίσαμε να χωρίσουμε την περίοδο ανάλυσης σε δύο διαφορετικά στάδια. Αναφερόμαστε στην περίοδο μεταξύ 1990 και 2010 ως το στάδιο δημιουργίας, το οποίο είχε περίπου επτά δημοσιεύσεις ετησίως. Η περίοδος μετά το 2010 ονομάστηκε το στάδιο ανάπτυξης αφού η έρευνα για τις εφαρμογές των drone στη γεωργία παρουσίασε μια εκθετική αύξηση κατά τη διάρκεια αυτής της περιόδου. Μετά το 2010, ο αυξανόμενος αριθμός δημοσιεύσεων επιβεβαιώνει το αυξανόμενο ενδιαφέρον μεταξύ των ερευνητών, γεγονός που αντικατοπτρίζει επίσης ότι τα drones έχουν εφαρμοστεί στην τηλεπισκόπηση και έχουν χρησιμοποιηθεί στη γεωργία ακριβείας (Deng et al., 2018; Maes & Steppe, 2019; Messina & Modica, 2020 ). Συγκεκριμένα, ο αριθμός των δημοσιεύσεων αυξήθηκε από 108 το 2013 σε 498 το 2018 και κορυφώθηκε σε 1,275 το 2020. Συνολικά δημοσιεύθηκαν 935 άρθρα μεταξύ Ιανουαρίου και μέσα Σεπτεμβρίου 2021. Στη συνέχεια, επιλέξαμε να εστιάσουμε την ανάλυσή μας περισσότερο στο στάδιο ανάπτυξης δεδομένου ότι αυτή η περίοδος αντικατοπτρίζει τις πιο πρόσφατες και σημαντικές λεπτότητες των γεωργικών drones.
Ανάλυση λέξεων-κλειδιών
Οι λέξεις-κλειδιά που επιλέγουν οι συγγραφείς για μια δημοσίευση έχουν καθοριστικό αντίκτυπο στον τρόπο αναπαράστασης της εργασίας και στον τρόπο με τον οποίο κοινοποιείται στις επιστημονικές κοινότητες. Προσδιορίζουν τα βασικά θέματα της έρευνας και καθορίζουν τις δυνατότητές της να ανθίσει ή να αποτύχει (Day & Gastel, 1998.; Kim et al., 2016; Uddin et al., 2015). Η ανάλυση λέξεων-κλειδιών, ένα εργαλείο για την αποκάλυψη ευρύτερων ερευνητικών τάσεων και κατευθύνσεων, αναφέρεται στη συλλογή των λέξεων-κλειδιών όλων των σχετικών δημοσιεύσεων σε έναν τομέα (Dixit & Jakhar, 2021). Στην τρέχουσα μελέτη, χωρίσαμε τις συγκεντρωτικές λέξεις-κλειδιά σε δύο σύνολα (δηλαδή, μέχρι το 2010 και το 2011–2021) για να εξερευνήσουμε τα πιο δημοφιλή θέματα. Κάνοντας αυτό, μπορούμε να εντοπίσουμε τις κρίσιμες λέξεις-κλειδιά και στα δύο σύνολα και να διαβεβαιώσουμε ότι καταγράψαμε όλα τα απαραίτητα δεδομένα. Για κάθε σύνολο, οι δέκα πρώτες λέξεις-κλειδιά παρουσιάζονται στον Πίνακα 3. Εξαλείψαμε τις ασυνέπειες συγχωνεύοντας σημασιολογικά πανομοιότυπες λέξεις-κλειδιά, όπως "drone" και "drones" ή, παρομοίως, "Internet of Things" και "IoT.".
Ο Πίνακας 3 δείχνει ότι το "μη επανδρωμένο εναέριο όχημα" είναι μια λέξη-κλειδί που χρησιμοποιείται πιο συχνά σε σύγκριση με το "drone" και το "μη επανδρωμένο εναέριο σύστημα" και στις δύο χρονικές περιόδους. Επίσης, η «τηλεπισκόπηση», η «γεωργία ακριβείας» και η «γεωργία» έχουν υψηλή κατάταξη και στις δύο περιόδους. Στην πρώτη περίοδο, η «γεωργία ακριβείας» κατέλαβε την πέμπτη θέση και κατέλαβε τη δεύτερη θέση στη δεύτερη περίοδο, γεγονός που δείχνει πώς τα drones γίνονται όλο και πιο σημαντικά για την επίτευξη γεωργίας ακριβείας καθώς μπορούν να κάνουν παρακολούθηση,
πρακτικές ανίχνευσης και εκτίμησης ταχύτερες, φθηνότερες και ευκολότερες στην εκτέλεση σε σύγκριση με άλλα συστήματα τηλεπισκόπησης και επίγειας. Επίσης, μπορούν να ψεκάσουν την ακριβή ποσότητα εισροής (π.χ. νερό ή φυτοφάρμακα) όταν χρειάζεται (Guo et al., 2020; Inoue, 2020; Panday, Pratihast, et al., 2020).
Λίστα με τις πιο συχνά χρησιμοποιούμενες λέξεις-κλειδιά.
Τάξη | 1990-2010 | Αρ περιστατικά | 2011-2021 | Αρ περιστατικά |
1 | μη επανδρωμένη κεραία όχημα | 28 | μη επανδρωμένος εναέρια οχήματα | 1628 |
2 | τηλεανίχνευση | 7 | ακρίβεια γεωργία | 489 |
3 | γεωργία | 4 | τηλεανίχνευση | 399 |
4 | αερομεταφερόμενα | 4 | κηφήνας | 374 |
5 | ακρίβεια γεωργία | 4 | μη επανδρωμένος εναέριο σύστημα | 271 |
6 | μη επανδρωμένη κεραία | 4 | γεωργία | 177 |
7 | υπερφασματική αισθητήρα | 3 | βαθιά μάθηση | 151 |
8 | τεχνητό νευρικό δίκτυα | 2 | μηχανή μάθηση | 149 |
9 | αυτόνομη πτήση | 2 | βλάστηση Περιεχόμενα | 142 |
10 | καφές | 2 | Διαδίκτυο του πράγματα | 124 |
Ένα άλλο ενδιαφέρον χαρακτηριστικό είναι η παρουσία συμπληρωματικών τεχνολογιών. Στο πρώτο στάδιο, ο «Υπερφασματικός αισθητήρας» και τα «τεχνητά νευρωνικά δίκτυα» (ANN) είναι μεταξύ των δέκα κορυφαίων λέξεων-κλειδιών. Η υπερφασματική απεικόνιση έφερε επανάσταση στην παραδοσιακή απεικόνιση συλλέγοντας έναν τεράστιο αριθμό εικόνων σε διάφορα μήκη κύματος. Με αυτόν τον τρόπο, οι αισθητήρες μπορούν ταυτόχρονα να συλλέγουν καλύτερες χωρικές και φασματικές πληροφορίες σε σύγκριση με την πολυφασματική απεικόνιση, τη φασματοσκοπία και τις εικόνες RGB (Adao ˜ et al.,
2017). Η εμφάνιση «ANN» στο πρώτο στάδιο και «deep learning» (DL) και «machine learning» (ML) στο δεύτερο υποδηλώνει ότι οι περισσότερες από τις δημοσιευμένες εργασίες επικεντρώθηκαν στην εξέταση των δυνατοτήτων των τεχνικών AI για drone- με βάση τη γεωργία. Αν και τα drones είναι ικανά να πετούν αυτόνομα, εξακολουθούν να απαιτούν τη συμμετοχή ενός πιλότου, κάτι που συνεπάγεται χαμηλό επίπεδο νοημοσύνης της συσκευής. Ωστόσο, αυτό το πρόβλημα μπορεί να λυθεί λόγω της προόδου των τεχνικών τεχνητής νοημοσύνης, οι οποίες μπορούν να παρέχουν καλύτερη επίγνωση της κατάστασης και υποστήριξη αυτόνομης λήψης αποφάσεων. Εξοπλισμένα με τεχνητή νοημοσύνη, τα drones μπορούν να αποφύγουν τις συγκρούσεις κατά τη διάρκεια της πλοήγησης, να βελτιώσουν τη διαχείριση του εδάφους και των καλλιεργειών (Inoue, 2020) και να μειώσουν την εργασία και το άγχος για τους ανθρώπους (BK Sharma et al., 2019).
Λόγω της ευελιξίας και της ικανότητάς τους να χειρίζονται τεράστιες ποσότητες μη γραμμικών δεδομένων, οι τεχνικές τεχνητής νοημοσύνης είναι κατάλληλες μέθοδοι για την ανάλυση των δεδομένων που μεταδίδονται από drones και άλλα συστήματα τηλεπισκόπησης και επίγειας για την πρόβλεψη και τη λήψη αποφάσεων (Ali et al., 2015; Inoue, 2020). Επιπλέον, η παρουσία του «IoT» στη δεύτερη περίοδο υποδηλώνει τον αναδυόμενο ρόλο του στη γεωργία. Το IoT φέρνει επανάσταση στη γεωργία διασυνδέοντας άλλες τεχνολογίες, συμπεριλαμβανομένων των drones, ML, DL, WSN και μεγάλων δεδομένων. Ένα από τα βασικά οφέλη της εφαρμογής του IoT είναι η ικανότητά του να συγχωνεύει αποτελεσματικά και αποτελεσματικά διάφορες εργασίες (απόκτηση δεδομένων, ανάλυση και επεξεργασία δεδομένων, λήψη αποφάσεων και υλοποίηση) σε σχεδόν πραγματικό χρόνο (Elijah et al., 2018; Feng et al. , 2019· Muangprathub et al., 2019). Επιπλέον, τα drones θεωρούνται αποτελεσματικά εργαλεία για τη σύλληψη των δεδομένων που είναι απαραίτητα για τον υπολογισμό του σθένους της βλάστησης και των ιδιοτήτων της βλάστησης (Candiago et al., 2015). Τα Σχ. 2α και 2β απεικονίζουν τα δίκτυα συν-εμφάνισης λέξεων-κλειδιών και για τις δύο χρονικές περιόδους.
Συγγραφείς με επιρροή
Σε αυτήν την ενότητα, προσδιορίζουμε τους συγγραφείς που έχουν επιρροή και εξετάζουμε πώς τα δίκτυα παραπομπών συγγραφέων μπορούν να οπτικοποιήσουν και να οργανώσουν την τρέχουσα βιβλιογραφία. Το Σχ. 3 δείχνει τη χρονολογική επικάλυψη όλων των ερευνητών με τον μεγαλύτερο αριθμό αναφορών. Η χρωματική κλίμακα αντανακλά την ετήσια διακύμανση των αναφορών των συγγραφέων. Εξετάζουμε τη δομή των αναφορών των ερευνητών που δημοσίευσαν μελέτες για γεωργικά drones χρησιμοποιώντας ένα όριο τουλάχιστον 50 αναφορών και δέκα δημοσιεύσεων. Εκτός
12,891 συγγραφείς, μόνο 115 πληρούσαν αυτήν την προϋπόθεση. Στον Πίνακα 4 παρατίθενται οι δέκα κορυφαίοι συγγραφείς με επιρροή, ταξινομημένοι με βάση τον μέγιστο αριθμό αναφορών. Ο Lopez- Granados F. ηγείται της λίστας με 1,963 αναφορές και ακολουθεί ο Zarco-Tejada PJ με 1,909 αναφορές.
Κατάλογος των συγγραφέων με τις περισσότερες αναφορές.
Κατάταξη | Μουσικός | Αναφορές |
1 | Lopez-Granados ´ F. | 1,963 |
2 | Zarco-Tejada PJ | 1,909 |
3 | Pena ˜ JM | 1,644 |
4 | Τόρες-Σ Anchez J. | 1,576 |
5 | Φερέρες Ε | 1,339 |
6 | Ρεμοντίνο Φ | 1,235 |
7 | Μπόλτεν Α | 1,160 |
8 | Bareth G | 1,155 |
9 | Berni JA | 1,132 |
10 | de Castro AI | 1,036 |
Όσον αφορά τις μεμονωμένες δημοσιεύσεις, το άρθρο των Zhang and Kovacs (2012) ήταν η μελέτη με τις περισσότερες αναφορές που δημοσιεύτηκε στο Precision Agriculture. Εδώ, οι συγγραφείς εξέτασαν την εφαρμογή του UAS στη γεωργία ακριβείας. Τα ευρήματα της έρευνάς τους υποδηλώνουν ότι υπάρχει ανάγκη να προωθηθεί ο σχεδιασμός της πλατφόρμας, η παραγωγή, η τυποποίηση της γεωαναφοράς εικόνων και η ροή εργασιών ανάκτησης πληροφοριών για να παρέχονται στους αγρότες αξιόπιστα τελικά προϊόντα. Επιπρόσθετα, συνιστούν να εμπλακεί πιο έντονα ο αγρότης, ειδικά στον προγραμματισμό πεδίου, τη λήψη εικόνων, καθώς και την ερμηνεία και ανάλυση δεδομένων. Είναι σημαντικό ότι αυτή η μελέτη ήταν από τις πρώτες που έδειξε τη σημασία του UAV στη χαρτογράφηση πεδίου, τη χαρτογράφηση σθένους, τη μέτρηση χημικού περιεχομένου, την παρακολούθηση του στρες της βλάστησης και την αξιολόγηση των επιδράσεων των λιπασμάτων στην ανάπτυξη των φυτών. Οι προκλήσεις που σχετίζονται με την τεχνολογία περιλαμβάνουν επίσης απαγορευτικό κόστος, ικανότητα αισθητήρα, σταθερότητα και αξιοπιστία πλατφόρμας, έλλειψη τυποποίησης και συνεπή διαδικασία ανάλυσης τεράστιων ποσοτήτων δεδομένων.
Ανάλυση παραπομπών
Η ανάλυση παραπομπών αντιπροσωπεύει τη μελέτη της επιρροής των άρθρων, αν και επιρρεπή σε ροές (π.χ., μεροληψία παραπομπών, αυτοαναφορά) θεωρείται ένα από τα τυπικά μέσα για την αξιολόγηση του αντίκτυπου (Osareh, 1996; A. Rejeb et al., 2022; Sarli et al., 2010). Οι παραπομπές αντικατοπτρίζουν επίσης τη σημασία και τη ζωτικότητα της συνεισφοράς των εργασιών στη βιβλιογραφία για ένα συγκεκριμένο θέμα (R. Sharma et al., 2022). Πραγματοποιήσαμε μια ανάλυση παραπομπών για να προσδιορίσουμε τις μελέτες με τη μεγαλύτερη επιρροή για γεωργικά drones και συνοψίσαμε τα περιεχόμενα. Ο Πίνακας 5 παρουσιάζει τη λίστα με τις δεκαπέντε δημοσιεύσεις με τη μεγαλύτερη επιρροή για τις περιόδους 1990–2010 και 2011–2021. Τα άρθρα των Berni et al. Οι (2009)b και Austin (2010) ήταν οι περισσότερες αναφορές κατά το 1990 και το 2010, με 831 και 498 αναφορές, αντίστοιχα. Οι Berni et al. (2009)b απεικόνισε τη δυνατότητα ανάπτυξης προϊόντων ποσοτικής τηλεανίχνευσης μέσω ενός UAV βασισμένου σε ελικόπτερο εξοπλισμένο με προσιτές θερμικούς και στενής ζώνης πολυφασματικού αισθητήρες απεικόνισης. Σε σύγκριση με τους παραδοσιακούς επανδρωμένους αερομεταφερόμενους αισθητήρες, ένα σύστημα UAV χαμηλού κόστους για τη γεωργία είναι σε θέση να επιτύχει συγκρίσιμες εκτιμήσεις των βιοφυσικών παραμέτρων των καλλιεργειών, αν όχι καλύτερες. Το προσιτό κόστος και η λειτουργική ευελιξία, παράλληλα με τις υψηλές φασματικές, χωρικές και χρονικές αναλύσεις που είναι διαθέσιμες σε γρήγορο χρόνο, καθιστούν τα UAV κατάλληλα για μια σειρά εφαρμογών που απαιτούν χρονικά κρίσιμη διαχείριση, συμπεριλαμβανομένου του προγραμματισμού άρδευσης και της γεωργίας ακριβείας. Η εργασία από τους Berni et al. Το (2009)b αναφέρεται ιδιαίτερα επειδή ενσωμάτωσε αποτελεσματικά μια μη επανδρωμένη πλατφόρμα περιστροφικής πτέρυγας και ψηφιακούς και θερμικούς αισθητήρες με τους απαραίτητους μηχανισμούς βαθμονόμησης για γεωργικές εφαρμογές. Η δεύτερη πιο αναφερόμενη δημοσίευση είναι ένα βιβλίο που συντάχθηκε από τον Austin (2010), ο οποίος εξέτασε τα UAV από προοπτικές σχεδιασμού, ανάπτυξης και ανάπτυξης. Στη γεωργία, τα UAV υποστηρίζουν την παρακολούθηση των καλλιεργειών ανιχνεύοντας νωρίς τις ασθένειες μέσω των αλλαγών στο χρώμα των καλλιεργειών, διευκολύνοντας τη σπορά και τον ψεκασμό των καλλιεργειών και την παρακολούθηση και την οδήγηση κοπαδιών.
Οι μελέτες των Sullivan et al. (2007), Lumme et al. (2008), και Gokto ¨ ǧan et al. (2010) ολοκληρώστε τη λίστα με τα κορυφαία δεκαπέντε άρθρα με τις περισσότερες αναφορές. Αυτά τα άρθρα απεικονίζουν την ανάπτυξη συστημάτων που βασίζονται σε UAV για την υποστήριξη της γεωργίας. Προσφέρουν λύσεις σε διάφορα προβλήματα, όπως παρακολούθηση και σάρωση των καλλιεργειών, επιτήρηση και διαχείριση ζιζανίων και υποστήριξη αποφάσεων. Επίσης προτείνουν και συζητούν την ικανότητα του UAV να αυξάνει την αποτελεσματικότητα της δειγματοληψίας και να βοηθά τους αγρότες να επινοήσουν ακριβείς και αποτελεσματικές
στρατηγικές φύτευσης. Δύο εργασίες συντάχθηκαν από τον Berni (Berni et al., 2009b; Berni et al., 2009a), υπογραμμίζοντας τη σημαντική επίδρασή του στην έρευνα που σχετίζεται με γεωργικά drone. Η εργασία από τους Zarco-Tejada et al. (2014) ήταν μεταξύ των πρωτοποριακών μελετών για να καταδείξουν την ανάγκη χρήσης χαμηλού κόστους εικόνων UAV στην ποσοτικοποίηση του ύψους των δέντρων.
Λίστα με τις πιο αναφερόμενες δημοσιεύσεις.
Τάξη | Από 1990 να 2010 | Από 2011 να 2021 | ||
Έγγραφο | Παραπομπή | Έγγραφο | Παραπομπή | |
1 | (Berni et al., 2009b) | 831 | (C. Zhang & Kovacs, 2012) | 967 |
2 | (Όστιν, 2010) | 498 | (Nex & Remondino, 2014) | 893 |
3 | (Hunt et al., 2010) | 331 | (Floreano & Wood, 2015) | 552 |
4 | (SR Herwitz et al., 2004) | 285 | (Hossein Motlagh et al., 2016) | 391 |
5 | (CCD Lelong et al., 2008) | 272 | (Shakhatreh et al., 2019) | 383 |
6 | (Berni et al., 2009b) | 250 | (Ma et al., 2017) | 373 |
7 | (Grenzdorffer ¨ et al., 2008) | 198 | (Bendig et al., 2014) | 360 |
8 | (Hrabar et al., 2005) | 175 | (Zarco-Tejada et al., 2014) | 347 |
9 | (Y. Huang et al., 2009) | 129 | (Ενα δ ao et al., 2017) | 335 |
10 | (Schmale III et al., 2008) | 119 | (Honkavaara et al., 2013a) | 331 |
11 | (Abd-Elrahman et al., 2005) | 79 | (Candiago et al., 2015) | 327 |
12 | (Techy et al., 2010) | 69 | (Xiang & Tian, 2011) | 307 |
13 | (Sullivan et al., 2007) | 51 | (Matese et al., 2015) | 303 |
14 | (Lumme et al., 2008) | 42 | (Gago et al., 2015) | 275 |
15 | (Gokto ¨ ǧan et al., 2010) | 40 | (Aasen et al., 2015a) | 269 |
Στη δεύτερη περίοδο (2011–2021), η έρευνα των Zhang και Kovacs (2012) και Nex και Remondino (2014) οδήγησε στις δημοσιεύσεις που αναφέρονται πιο συχνά. Οι Zhang και Kovacs (2012) υποστηρίζουν ότι η γεωργία ακριβείας θα μπορούσε να ωφεληθεί από την εφαρμογή γεωχωρικών τεχνικών και αισθητήρων, όπως συστήματα γεωγραφικών πληροφοριών, GPS και τηλεπισκόπησης, για να καταγράψει τις παραλλαγές στο πεδίο και να τις χειριστεί χρησιμοποιώντας εναλλακτικές στρατηγικές. Ως αλλαγή του παιχνιδιού στη γεωργία ακριβείας, η υιοθέτηση των drones έχει προαναγγείλει μια νέα εποχή στην τηλεπισκόπηση, απλοποιώντας την εναέρια παρατήρηση, καταγράφοντας δεδομένα ανάπτυξης των καλλιεργειών, συνθήκες εδάφους και περιοχές ψεκασμού. Η ανασκόπηση των Zhang and Kovacs (2012) είναι θεμελιώδης, καθώς προσφέρει πληροφορίες για τα UAV αποκαλύπτοντας υπάρχουσες χρήσεις και προκλήσεις αυτών των συσκευών στην περιβαλλοντική παρακολούθηση και τη γεωργία ακριβείας, όπως περιορισμοί πλατφόρμας και κάμερας, προκλήσεις επεξεργασίας δεδομένων, εμπλοκή αγροτών και αεροπορικοί κανονισμοί . Το δεύτερο
Η πιο αναφερόμενη μελέτη από τους Nex και Remondino (2014) επανεξέτασε την κατάσταση της τέχνης των UAV για τη λήψη, την επεξεργασία και την ανάλυση εικόνων της γης.
Η εργασία τους παρουσίασε επίσης μια επισκόπηση πολλών πλατφορμών UAV, εφαρμογών και περιπτώσεων χρήσης, παρουσιάζοντας τις πιο πρόσφατες εξελίξεις στην επεξεργασία εικόνας UAV. Στη γεωργία, οι αγρότες θα μπορούσαν να χρησιμοποιήσουν UAV για να λάβουν αποτελεσματικές αποφάσεις για να επιτύχουν εξοικονόμηση κόστους και χρόνου, να λάβουν μια γρήγορη και ακριβή καταγραφή των ζημιών και να προβλέψουν πιθανά προβλήματα. Σε αντίθεση με τις συμβατικές εναέριες πλατφόρμες, τα UAV μπορούν να μειώσουν τα λειτουργικά έξοδα και να μειώσουν τον κίνδυνο πρόσβασης σε σκληρές τοποθεσίες, διατηρώντας παράλληλα δυνατότητες υψηλής ακρίβειας. Η εργασία τους συνοψίζει διάφορα πλεονεκτήματα των UAV, ιδιαίτερα όσον αφορά την ακρίβεια και την ανάλυση.
Μεταξύ των υπόλοιπων δεκατριών δημοσιεύσεων με τις περισσότερες αναφορές μεταξύ 2011 και 2021, παρατηρήσαμε μεγαλύτερη συγκέντρωση στην έρευνα που σχετίζεται με εφαρμογές drone σε αποστολές απεικόνισης (Bendig et al., 2014; Ma et al., 2017; Zarco-Tejada et al., 2014) , γεωργία ακριβείας (Candiago et al., 2015; Honkavaara et al., 2013a), αμπελοκαλλιέργεια ακριβείας (Matese et al., 2015), εκτίμηση υδατικής πίεσης (Gago et al., 2015) και παρακολούθηση βλάστησης (Aasen et al. , 2015α). Τα πρώτα χρόνια, οι ερευνητές εστίασαν
περισσότερα σχετικά με την ανάπτυξη χαμηλού κόστους, ελαφρού και ακριβούς συστημάτων που βασίζονται σε UAV για τη γεωργία. Η πιο πρόσφατη έρευνα έχει επικεντρωθεί περισσότερο σε ανασκοπήσεις εφαρμογών UAV για τη γεωργία και την τοπογραφία. Συνοπτικά, αυτή η ανάλυση αποκαλύπτει ότι οι σημαντικές δημοσιεύσεις παρείχαν κυρίως ανασκοπήσεις προηγούμενων μελετών για την αξιολόγηση της τρέχουσας επιστημονικής και τεχνολογικής κατάστασης των UAV και ανέπτυξαν συστήματα UAV για την υποστήριξη της γεωργίας ακριβείας. Είναι ενδιαφέρον ότι δεν βρήκαμε μελέτες που να χρησιμοποιούν εμπειρικές
μεθοδολογίες ή περιγραφικές περιπτωσιολογικές μελέτες, γεγονός που αποτελεί σημαντικό κενό γνώσης και απαιτεί περισσότερη έρευνα σχετικά με αυτό το θέμα.
Ανάλυση συν-παραπομπής
Σύμφωνα με τον Gmür (2006), η ανάλυση συν-παραπομπής προσδιορίζει παρόμοιες δημοσιεύσεις και τις ομαδοποιεί. Η προσεκτική εξέταση μιας συστάδας μπορεί να αποκαλύψει ένα κοινό πεδίο έρευνας μεταξύ των δημοσιεύσεων. Διερευνούμε τη συν-παράθεση της βιβλιογραφίας που σχετίζεται με γεωργικά drones για να απεικονίσουμε σχετικές θεματικές περιοχές και να ανιχνεύσουμε τα πνευματικά πρότυπα των δημοσιεύσεων. Από αυτή την άποψη, ο Small (1973) συνέστησε τη χρήση της ανάλυσης συνεπαγωγής για τη μελέτη της πιο σημαντικής και σημαντικής έρευνας.
μέσα σε μια πειθαρχία. Για να περιορίσουμε το σύνολο στα πιο σημαντικά άρθρα (Goyal & Kumar, 2021), ορίσαμε ένα όριο συναναφοράς 25, που σημαίνει ότι δύο άρθρα πρέπει να έχουν αναφερθεί μαζί στις λίστες αναφοράς 25 ή περισσότερων διαφορετικών δημοσιεύσεων. Η ομαδοποίηση πραγματοποιήθηκε επίσης με ελάχιστο μέγεθος συστάδας 1 και χωρίς καμία μέθοδο συγχώνευσης μικρότερων συστάδων με μεγαλύτερες. Ως αποτέλεσμα, δημιουργήθηκαν έξι ομάδες με βάση την ομοιότητα των μελετών και την πνευματική τους δομή. Ο Πίνακας 6 δείχνει την κατανομή των δημοσιεύσεων σε κάθε ομάδα.
Συστάδα 1: Αυτό το σύμπλεγμα περιέχει δεκαοκτώ έγγραφα που δημοσιεύθηκαν μετά Οι δημοσιεύσεις σε αυτό το σύμπλεγμα συζητούν τον ρόλο των drones στην υποστήριξη της περιβαλλοντικής παρακολούθησης, της διαχείρισης των καλλιεργειών και της διαχείρισης ζιζανίων. Για παράδειγμα, οι Manfreda et al. (2018) παρέχουν μια επισκόπηση της τρέχουσας έρευνας και των εφαρμογών UAV στην παρακολούθηση φυσικών γεωργικών οικοσυστημάτων και υποστηρίζουν ότι η τεχνολογία προσφέρει τεράστιες δυνατότητες για δραστική ενίσχυση της περιβαλλοντικής παρακολούθησης και μείωση
το υπάρχον χάσμα μεταξύ της επιτόπιας παρατήρησης και της συμβατικής τηλεπισκόπησης από τον αέρα και το διάστημα. Αυτό μπορεί να γίνει προσφέροντας νέα ικανότητα για βελτιωμένη χρονική ανάκτηση και χωρικές γνώσεις σε μεγάλες περιοχές με προσιτό τρόπο. Τα UAV μπορούν συνεχώς να αντιλαμβάνονται το περιβάλλον και να στέλνουν τα δεδομένα που προκύπτουν σε ευφυείς, κεντρικές/αποκεντρωμένες οντότητες που ελέγχουν αισθητήρες για τον εντοπισμό τυχόν προβλημάτων, όπως η έλλειψη ανίχνευσης ασθενειών ή νερού (Padua ´ et al., 2017). Adao ˜ et al. (2017) θεωρούν ότι τα UAV είναι ιδανικά για την αξιολόγηση των συνθηκών των φυτών συλλέγοντας έναν τεράστιο όγκο ακατέργαστων δεδομένων που σχετίζονται με την κατάσταση του νερού, την εκτίμηση της βιομάζας και την αξιολόγηση της ευρωστίας. Οι αισθητήρες που είναι τοποθετημένοι σε UAV θα μπορούσαν επίσης να αναπτυχθούν αμέσως σε κατάλληλες περιβαλλοντικές συνθήκες για να επιτρέψουν την έγκαιρη λήψη δεδομένων τηλεπισκόπησης (Von Bueren et al., 2015). Μέσω UAV, οι αγρότες είναι σε θέση να πραγματοποιούν δραστηριότητες εσωτερικής καλλιέργειας αποκτώντας μετρήσεις από σχεδόν οποιοδήποτε μέρος στον τρισδιάστατο χώρο των εσωτερικών αγροτικών περιβαλλόντων (π.χ. θερμοκήπια), διασφαλίζοντας έτσι τον τοπικό έλεγχο του κλίματος και την παρακολούθηση των φυτών (Roldan' et al. ., 2015). Στα πλαίσια της ακρίβειας
γεωργία, οι αποφάσεις διαχείρισης καλλιεργειών απαιτούν ακριβή, αξιόπιστα δεδομένα καλλιεργειών με κατάλληλη χρονική και χωρική ανάλυση (Gebbers & Adamchuk, 2010; Gevaert et al., 2015; Maes & Steppe, 2019). Για το λόγο αυτό, οι Agüera Vega et al. (2015) χρησιμοποίησε ένα πολυφασματικό σύστημα αισθητήρων τοποθετημένο σε UAV για να αποκτήσει εικόνες μιας καλλιέργειας ηλίανθου κατά τη διάρκεια της καλλιεργητικής περιόδου. Ομοίως, οι Huang et al. (2009) σημειώνουν ότι η τηλεπισκόπηση με βάση τα UAV θα μπορούσε να διευκολύνει τη μέτρηση των καλλιεργειών και του εδάφους από τα συλλεγμένα φασματικά δεδομένα. Οι Verger et al. (2014) ανέπτυξε και δοκίμασε μια τεχνική για την εκτίμηση ενός δείκτη πράσινης περιοχής (GAI) από μετρήσεις ανακλαστικότητας UAV σε εφαρμογές γεωργίας ακριβείας, με επίκεντρο τις καλλιέργειες σιταριού και ελαιοκράμβης. Ως εκ τούτου, τα drones παρέχουν νέες δυνατότητες για την ανάκτηση πληροφοριών κατάστασης καλλιέργειας με συχνές επισκέψεις και υψηλή χωρική ανάλυση (Dong et al., 2019; Garzonio et al., 2017; H. Zheng et al., 2016).
Ομαδοποίηση δημοσιευμάτων με επιρροή για γεωργικά drones.
συστάδα | Ευρύ θέμα | αναφορές |
1 | Περιβαλλοντική παρακολούθηση, καλλιέργεια διαχείριση, διαχείριση ζιζανίων | (Ενα δ ao et al., 2017; Agüera Vega et al., 2015; de Castro et al., 2018; Gomez-Cand 'on' et al., 2014; YB Huang et al., 2013; Khanal et al., 2017; Lopez-Granados, ´ 2011; Manfreda et al., 2018; Π adua et al., 2017; Pena ˜ et al., 2013; P'erez-Ortiz et al., 2015; Rasmussen et al., 2013, 2016; Τόρες-Σ anchez et al., 2014; Τόρες-Σάντσες, Λόπες-Γκρανάδος, & Pena, ˜ 2015; Verger et al., 2014; Von Bueren et al., 2015; C. Zhang & Kovacs, 2012) |
2 | Φαινότυπος εξ αποστάσεως, απόδοση εκτίμηση, μοντέλο επιφάνειας καλλιέργειας, καταμέτρηση φυτών | (Bendig et al., 2013, 2014; Geipel et al., 2014; Gnadinger ¨ & Schmidhalter, 2017; Haghighattalab et al., 2016; Holman et al., 2016; Τζιν et al., 2017; W. Li et al., 2016; Maimaitijiang et al., 2017; Sankaran et al., 2015; Schirrmann et al., 2016; Shi et al., 2016; Yue et al., 2017; Χ. Zhou et al., 2017) |
3 | Θερμική απεικόνιση νερού, πολυφασματική απεικόνιση | (Baluja et al., 2012; Berni et al., 2009b; Berni et al., 2009a; Candiago et al., 2015; Gago et al., 2015; Gonzalez-Dugo et al., 2013, 2014; Grenzdorffer ¨ et al., 2008; Khaliq et al., 2019; Matese et al., 2015; Ribeiro-Gomes et al., 2017; Santesteban et al., 2017; Uto et al., 2013) |
4 | Υπερτομική απεικόνιση, φασματική απεικόνισης | (Aasen et al., 2015a; Bareth et al., 2015; Hakala et al., 2013; Honkavaara et al., 2013a; Lucieer et al., 2014; Saari et al., 2011; Suomalainen et al., 2014) |
5 | Εφαρμογές 3D-Mapping | (Jim´enez-Brenes et al., 2017; Nex & Remondino, 2014; Salamí et al., 2014; Τόρες-Σ anchez, Lopez- ´ Granados, Serrano, et al., 2015; Zahawi et al., 2015; Zarco-Tejada et al., 2014) |
6 | Εποπτεία της γεωργίας | (SR Herwitz et al., 2004; Hunt et al., 2010; CCD Lelong et al., 2008; Primicerio et al., 2012; Xiang & Tian, 2011) |
Επιπλέον, τα drones είναι χρήσιμα για δύσκολες εργασίες στη γεωργία, συμπεριλαμβανομένης της χαρτογράφησης ζιζανίων. Οι εικόνες που τραβήχτηκαν από τις συσκευές έχουν αποδείξει τη χρησιμότητά τους για την πρώιμη ανίχνευση ζιζανίων στα χωράφια (de Castro et al., 2018; Jim'enez-Brenes et al., 2017; Lam et al., 2021; Lopez-Granados ´ et al., 2016, Rozenberg et al., 2021). Από αυτή την άποψη, οι de Castro et al. (2018) θεωρούν ότι η συγχώνευση των εικόνων UAV και της Ανάλυσης Εικόνας βάσει Αντικειμένων (OBIA) επέτρεψε στους επαγγελματίες να ξεπεράσουν το ζήτημα της αυτοματοποίησης της έγκαιρης ανίχνευσης στις καλλιέργειες λιβαδιών πρώιμης περιόδου, κάτι που αποτελεί ένα μεγάλο βήμα προς τα εμπρός στην έρευνα των ζιζανίων. Ομοίως, οι Pena ˜ et al. (2013) επισημαίνουν ότι η χρήση εικόνων εξαιρετικά υψηλής χωρικής ανάλυσης από UAV σε συνδυασμό με μια διαδικασία OBIA καθιστά δυνατή τη δημιουργία χαρτών ζιζανίων σε πρώιμες καλλιέργειες αραβοσίτου που θα μπορούσαν να χρησιμοποιηθούν για τον σχεδιασμό της εφαρμογής μέτρων ελέγχου ζιζανίων εντός της εποχής, ένα έργο πέρα από τις δυνατότητες των δορυφορικών και παραδοσιακών αερομεταφερόμενων εικόνων. Σε σύγκριση με τους αλγόριθμους ταξινόμησης εικόνων ή ανίχνευσης αντικειμένων, οι τεχνικές σημασιολογικής τμηματοποίησης είναι πιο αποτελεσματικές στις εργασίες χαρτογράφησης ζιζανίων (J. Deng et al., 2020), δίνοντας έτσι τη δυνατότητα στους αγρότες να ανιχνεύουν τις συνθήκες του αγρού, να μετριάζουν τις απώλειες και να βελτιώνουν τις αποδόσεις καθ 'όλη τη διάρκεια της καλλιεργητικής περιόδου (Ramesh et al., 2020). Η σημασιολογική κατάτμηση που βασίζεται σε βαθιά μάθηση μπορεί επίσης να παρέχει ακριβή μέτρηση της κάλυψης της βλάστησης από εναέριες εικόνες υψηλής ανάλυσης (Ramesh et al., 2020; A. Zheng et al., 2022). Παρά τις δυνατότητές τους για απομακρυσμένο
Η ταξινόμηση εικονοστοιχείων ανίχνευσης, οι τεχνικές σημασιολογικής τμηματοποίησης απαιτούν σημαντικό υπολογισμό και απαγορευτικά υψηλή μνήμη GPU (J. Deng et al., 2020).
Με βάση τη μηχανική μάθηση και το UAV, οι P´erez-Ortiz et al. (2015) πρότεινε μια προσέγγιση χαρτογράφησης ζιζανίων για την παροχή στρατηγικών καταπολέμησης ζιζανίων ειδικά για την τοποθεσία, όταν οι αγρότες υιοθετούν τον έλεγχο ζιζανίων νωρίς μετά την ανάδυση. Τέλος, οι Rasmussen et al. (2013) τόνισε ότι τα drones παρέχουν φθηνή αίσθηση με μεγάλη ευελιξία χωρικής ανάλυσης. Συνολικά, οι δημοσιεύσεις σε αυτό το σύμπλεγμα επικεντρώνονται στη διερεύνηση των δυνατοτήτων των UAV για υποστήριξη της τηλεπισκόπησης, της παρακολούθησης των καλλιεργειών και της χαρτογράφησης ζιζανίων. Απαιτείται πρόσθετη σε βάθος έρευνα για να διερευνηθεί περαιτέρω πώς οι εφαρμογές drone στην περιβαλλοντική παρακολούθηση, τη διαχείριση καλλιεργειών και τη χαρτογράφηση ζιζανίων μπορούν να επιτύχουν πιο βιώσιμη γεωργία (Chamuah & Singh, 2019; Islam et al., 2021; Popescu et al., 2020; J Su, Liu, et al., 2018) και εξετάζουν ζητήματα διακυβέρνησης αυτής της τεχνολογίας σε εφαρμογές ασφάλισης καλλιεργειών (Basnet & Bang, 2018; Chamuah & Singh, 2019, 2022; Meinen & Robinson, 2021). Οι ερευνητές θα πρέπει να επικεντρωθούν στην επικύρωση των μετρήσεων που συλλέγονται με UAV με αποτελεσματικές τεχνικές επεξεργασίας για τη βελτίωση της τελικής ποιότητας των επεξεργασμένων δεδομένων (Manfreda et al., 2018). Επιπλέον, απαιτείται η ανάπτυξη κατάλληλων αλγορίθμων που αναγνωρίζουν pixel που εμφανίζουν ζιζάνια στις ψηφιακές εικόνες και εξαλείφουν το άσχετο φόντο κατά τη χαρτογράφηση ζιζανίων UAV (Gaˇsparovi´c et al., 2020; Hamylton et al., 2020; H. Huang et al. , 2018, 2020· Lopez- ´ Granados et al., 2016). Επιπρόσθετη έρευνα σχετικά με την υιοθέτηση τεχνικών σημασιολογικής κατάτμησης στην αναγνώριση φυτών, την ταξινόμηση των φύλλων και τη χαρτογράφηση ασθενειών είναι ευπρόσδεκτη (Fuentes-Pacheco et al., 2019· Kerkech et al., 2020).
Συστάδα 2. Οι δημοσιεύσεις σε αυτό το σύμπλεγμα επικεντρώθηκαν σε διάφορες πτυχές των γεωργικών drones. Σε σχέση με τον απομακρυσμένο φαινοτύπο, οι Sankaran et al. (2015) εξέτασαν τη δυνατότητα χρήσης αεροαπεικόνισης χαμηλού υψομέτρου, υψηλής ανάλυσης με UAV για γρήγορη φαινοτυποποίηση των καλλιεργειών στο χωράφι και υποστηρίζουν ότι, σε σύγκριση με τις επίγειες πλατφόρμες ανίχνευσης, τα μικρά UAV με επαρκείς αισθητήρες προσφέρουν πολλά πλεονεκτήματα , όπως ευκολότερη πρόσβαση στο πεδίο, δεδομένα υψηλής ανάλυσης, αποτελεσματική συλλογή δεδομένων,
γρήγορες εκτιμήσεις των συνθηκών ανάπτυξης του πεδίου και χαμηλό λειτουργικό κόστος. Ωστόσο, οι συγγραφείς σημειώνουν επίσης ότι η αποτελεσματική εφαρμογή του UAV για φαινοτυποποίηση πεδίου βασίζεται σε δύο θεμελιώδη στοιχεία, συγκεκριμένα, χαρακτηριστικά UAV (π.χ. ασφάλεια, σταθερότητα, τοποθέτηση, αυτονομία) και χαρακτηριστικά αισθητήρα (π.χ. ανάλυση, βάρος, φασματικά μήκη κύματος, πεδίο άποψη). Οι Haghighattalab et al. (2016) πρότεινε έναν ημι-αυτόματο αγωγό επεξεργασίας εικόνας για την ανάκτηση δεδομένων σε επίπεδο γραφικής παράστασης από εικόνες UAV και την επιτάχυνση της διαδικασίας αναπαραγωγής. Holman et al. (2016) ανέπτυξε υψηλό
σύστημα φαινοτυποποίησης πεδίου απόδοσης και τόνισε ότι το UAV είναι σε θέση να συλλέγει ποιοτικά, ογκώδη, φαινοτυπικά δεδομένα βάσει πεδίου και ότι η συσκευή είναι αποτελεσματική για μεγάλες περιοχές και σε διαφορετικές τοποθεσίες πεδίου.
Καθώς η εκτίμηση της απόδοσης είναι μια απίστευτα ζωτικής σημασίας πληροφορία, ιδιαίτερα όταν είναι διαθέσιμα στην ώρα τους, υπάρχει η δυνατότητα για τα UAV να παρέχουν όλες τις μετρήσεις πεδίου και να αποκτούν αποτελεσματικά δεδομένα υψηλής ποιότητας (Daakir et al., 2017; Demir et al., 2018 Enciso et al., 2019· Kulbacki et al., 2018· Pudelko et al., 2012). Από αυτή την άποψη, οι Jin et al. (2017) εκμεταλλεύτηκε τις εικόνες υψηλής ανάλυσης που ελήφθησαν από τα UAV σε πολύ χαμηλά υψόμετρα για να αναπτύξει και να αξιολογήσει μια μέθοδο για την εκτίμηση της πυκνότητας των φυτών σίτου στο στάδιο της ανάδυσης. Σύμφωνα με τους συγγραφείς, τα UAV ξεπερνούν τους περιορισμούς των συστημάτων rover που είναι εξοπλισμένα με κάμερες και αντιπροσωπεύουν μια μη επεμβατική μέθοδο εκτίμησης της πυκνότητας των φυτών στις καλλιέργειες, επιτρέποντας στους αγρότες να επιτύχουν την υψηλή απόδοση που απαιτείται για τον φαινοτυπικό προσδιορισμό του χωραφιού ανεξάρτητα από τη δυνατότητα κυκλοφορίας του εδάφους. Οι Li et al. (2016) συνέλεξε εκατοντάδες στερεοφωνικές εικόνες με εξαιρετικά υψηλή ανάλυση χρησιμοποιώντας ένα σύστημα βασισμένο σε UAV για να εκτιμήσει τις παραμέτρους του καλαμποκιού, συμπεριλαμβανομένου του ύψους του θόλου και της βιομάζας πάνω από το έδαφος. Τέλος, οι Yue et al. (2017) διαπίστωσε ότι το ύψος της καλλιέργειας που προσδιορίζεται από τα UAV θα μπορούσε να ενισχύσει την εκτίμηση της υπέργειας βιομάζας (AGB).
Μια προσέγγιση για την παρακολούθηση της ανάπτυξης των καλλιεργειών είναι η ιδέα της ανάπτυξης μοντέλων επιφάνειας καλλιέργειας (Bendig et al., 2014, 2015; Holman et al., 2016; Panday, Shrestha, et al., 2020; Sumesh et al., 2021). Αρκετές μελέτες τόνισαν τη δυνατότητα λήψης εικόνων από UAV για την καταγραφή του ύψους των φυτών και την παρακολούθηση της ανάπτυξής τους. Για παράδειγμα, οι Bendig et al. (2013) περιέγραψε την ανάπτυξη πολυχρονικών μοντέλων επιφάνειας καλλιέργειας με πολύ υψηλή ανάλυση μικρότερη από 0.05 m χρησιμοποιώντας UAV. Στόχος τους ήταν η ανίχνευση της καλλιέργειας
μεταβλητότητα ανάπτυξης και η εξάρτησή της από την επεξεργασία της καλλιέργειας, την ποικιλία και το στρες. Οι Bendig et al. (2014) χρησιμοποίησε UAV για να υπολογίσει τη φρέσκια και ξηρή βιομάζα με βάση το ύψος των φυτών που εξάγεται από μοντέλα επιφάνειας καλλιέργειας και διαπίστωσε ότι, σε αντίθεση με τις αερομεταφερόμενες πλατφόρμες και τη σάρωση με λέιζερ, οι εικόνες υψηλής ανάλυσης από τα UAV μπορούν να αυξήσουν σημαντικά την ακρίβεια της μοντελοποίησης ύψους φυτών για διαφορετική ανάπτυξη στάδια. Στο ίδιο πνεύμα, οι Geipel et al. (2014) χρησιμοποίησαν UAV στην έρευνά τους για να αποκτήσουν εικόνες
σύνολα δεδομένων για την πρόβλεψη απόδοσης κόκκου αραβοσίτου σε τρεις διαφορετικές φάσεις ανάπτυξης από τις αρχές έως τα μέσα της σεζόν και κατέληξε στο συμπέρασμα ότι ο συνδυασμός φασματικής και χωρικής μοντελοποίησης με βάση εναέριες εικόνες και μοντέλα επιφάνειας καλλιέργειας είναι μια κατάλληλη μέθοδος για την πρόβλεψη της απόδοσης αραβοσίτου στη μέση της σεζόν. Τέλος, οι Gnadinger ¨ και Schmidhalter (2017) εξέτασαν τη χρησιμότητα του UAV στον προσδιορισμό φαινοτύπων ακριβείας και τόνισαν ότι η χρήση αυτής της τεχνολογίας θα μπορούσε να βελτιώσει τη διαχείριση της φάρμας και να επιτρέψει τον πειραματισμό στον αγρό για αναπαραγωγή και αγρονομικούς σκοπούς. Συνολικά, παρατηρούμε ότι οι δημοσιεύσεις στο σύμπλεγμα 2 επικεντρώνονται στα κύρια πλεονεκτήματα των UAV από απόσταση
φαινοτυποποίηση, εκτίμηση απόδοσης, μοντελοποίηση επιφάνειας καλλιέργειας και καταμέτρηση φυτών. Μελλοντικές μελέτες μπορούν να σκάψουν βαθύτερα αναπτύσσοντας νέες μεθόδους απομακρυσμένου φαινοτύπου που μπορούν να αυτοματοποιήσουν και να βελτιστοποιήσουν την επεξεργασία δεδομένων τηλεπισκόπησης (Barabaschi et al., 2016; Liebisch et al., 2015; Mochida et al., 2015; S. Zhou et al. ., 2021). Επιπλέον, η απόδοση των αισθητήρων IoT που είναι τοποθετημένοι σε UAV και η αντιστάθμιση μεταξύ του κόστους, της εργασίας και της ακρίβειας της εκτίμησης της απόδοσης πρέπει να ερευνηθούν στο
μέλλον (Ju & Son, 2018a, 2018b; Xie & Yang, 2020; Yue et al., 2018). Τελικά, υπάρχει ανάγκη να αναπτυχθούν αποτελεσματικές μέθοδοι επεξεργασίας εικόνας που μπορούν να παράγουν αξιόπιστες πληροφορίες, να μεγιστοποιήσουν την αποδοτικότητα στη γεωργική παραγωγή και να ελαχιστοποιήσουν τη χειρωνακτική εργασία καταμέτρησης των αγροτών (RU Khan et al., 2021; Koh et al., 2021; Lin & Guo, 2020; C. Zhang et al., 2020).
Συστάδα 3. Οι δημοσιεύσεις σε αυτό το σύμπλεγμα συζητούν τους διαφορετικούς τύπους συστημάτων απεικόνισης για την τηλεπισκόπηση των πόρων της γεωργίας που χρησιμοποιούνται σε πλατφόρμες UAV. Από αυτή την άποψη, η θερμική απεικόνιση επιτρέπει την παρακολούθηση των επιφανειακών θερμοκρασιών για την πρόληψη της ζημιάς στις καλλιέργειες και την έγκαιρη ανίχνευση του στρες της ξηρασίας (Awais et al., 2022; García-Tejero et al., 2018; Sankaran et al., 2015; Santesteban et al., 2017; Yeom, 2021). Baluja et al. (2012) υποστήριξε ότι η χρήση πολυφασματικών και θερμικών καμερών επί του
Το UAV επέτρεψε στους ερευνητές να αποκτήσουν εικόνες υψηλής ανάλυσης και να αξιολογήσουν την κατάσταση του αμπελιού του νερού. Αυτό θα μπορούσε να είναι χρήσιμο για την ανάπτυξη νέων μοντέλων προγραμματισμού νερού χρησιμοποιώντας δεδομένα τηλεπισκόπησης (Baluja et al., 2012). Λόγω του
περιορισμένη χωρητικότητα φορτίου UAV, Ribeiro-Gomes et al. (2017) εξέτασε την ενσωμάτωση μη ψυχόμενων θερμικών καμερών σε UAVS για τον προσδιορισμό της καταπόνησης του νερού στις εγκαταστάσεις, γεγονός που καθιστά αυτόν τον τύπο UAV πιο αποτελεσματικό και βιώσιμο από την παραδοσιακή τηλεπισκόπηση με δορυφόρο και τα UAV εξοπλισμένα με ψυχρές θερμικές κάμερες. Σύμφωνα με τους συγγραφείς, οι μη ψυχόμενες θερμικές κάμερες είναι ελαφρύτερες από τις ψυχόμενες κάμερες, απαιτώντας κατάλληλη βαθμονόμηση. Οι Gonzalez-Dugo et al. (2014) έδειξε ότι οι θερμικές εικόνες δημιουργούν αποτελεσματικά χωρικούς χάρτες των δεικτών υδατικής πίεσης των καλλιεργειών για την αξιολόγηση της κατάστασης του νερού και την ποσοτικοποίηση της υδατικής πίεσης μεταξύ και εντός των οπωρώνων εσπεριδοειδών. Οι Gonzalez-Dugo et al. (2013) και Santesteban et al. (2017) ερεύνησε τη χρήση θερμικών εικόνων UAV υψηλής ανάλυσης για την εκτίμηση της μεταβλητότητας της κατάστασης του νερού ενός εμπορικού οπωρώνα και ενός αμπελώνα.
Η πολυφασματική απεικόνιση θα μπορούσε να παρέχει τεράστια δεδομένα σε σύγκριση με τις παραδοσιακές εικόνες RGB (Κόκκινο, Πράσινο και Μπλε) (Ad˜ ao et al., 2017; Navia et al., 2016). Αυτά τα φασματικά δεδομένα, μαζί με τα χωρικά δεδομένα, θα μπορούσαν να βοηθήσουν στην ταξινόμηση, χαρτογράφηση, πρόβλεψη, πρόβλεψη και σκοπούς ανίχνευσης (Berni et al., 2009b). Σύμφωνα με τους Candiago et al. (2015), η πολυφασματική απεικόνιση που βασίζεται σε UAV θα μπορούσε να συμβάλει μαζικά στην αξιολόγηση των καλλιεργειών και στην ακριβή γεωργία ως αξιόπιστη και αποτελεσματική πηγή. Επίσης,
Khaliq et al. (2019) έκανε μια σύγκριση μεταξύ δορυφορικής και πολυφασματικής απεικόνισης που βασίζεται σε UAV. Οι εικόνες που βασίζονται σε UAV είχαν ως αποτέλεσμα να είναι πιο ακριβείς στην περιγραφή της μεταβλητότητας του αμπελώνα καθώς και στους χάρτες ευρωστίας για την αναπαράσταση των θόλων των καλλιεργειών. Με λίγα λόγια, τα άρθρα σε αυτό το σύμπλεγμα συζητούν την ενσωμάτωση αισθητήρων θερμικής και πολυφασματικής απεικόνισης σε γεωργικά UAV. Κατά συνέπεια, απαιτείται περισσότερη έρευνα για να κατανοηθεί πώς η θερμική και πολυφασματική απεικόνιση μπορεί να ενσωματωθεί με την τεχνητή νοημοσύνη
τεχνικές (π.χ. βαθιά μάθηση) για την ανίχνευση του στρες στα φυτά (Ampatzidis et al., 2020; Ampatzidis & Partel, 2019; Jung et al., 2021; Santesteban et al., 2017; Syeda et al., 2021). Τέτοιες ιδέες θα βοηθήσουν στη διασφάλιση πιο αποτελεσματικής και ακριβούς ανίχνευσης, καθώς και παρακολούθησης της ανάπτυξης των φυτών, του στρες και της φαινολογίας (Buters et al., 2019; Cao et al., 2020; Neupane & BaysalGurel, 2021; L. Zhou et al., 2020).
Συστάδα 4. Αυτό το σύμπλεγμα αποτελείται από επτά έγγραφα που περιστρέφονται γύρω από τον κρίσιμο ρόλο της φασματικής απεικόνισης και της υπερφασματικής απεικόνισης στην υποστήριξη των γεωργικών πρακτικών. Η υπερφασματική απεικόνιση έχει καθιερωθεί ως μια μέθοδος τηλεπισκόπησης που επιτρέπει την ποσοτική αξιολόγηση του γήινου συστήματος (Schaepman et al., 2009). Για να είμαστε πιο ακριβείς, επιτρέπει την αναγνώριση επιφανειακών υλικών, την ποσοτικοποίηση των (σχετικών) συγκεντρώσεων και την αντιστοίχιση αναλογιών επιφανειακών συστατικών
μέσα σε μικτά pixel (Kirsch et al., 2018; Zhao et al., 2022). Με άλλα λόγια, η υψηλότερη φασματική ανάλυση που παρέχεται από τα υπερφασματικά συστήματα επιτρέπει πιο ακριβείς εκτιμήσεις διαφόρων παραμέτρων, όπως οι χορτοφαγικές ιδιότητες ή η περιεκτικότητα σε νερό των φύλλων (Suomalainen et al., 2014). Οι ερευνητές σε αυτό το σύμπλεγμα διερεύνησαν διάφορες πτυχές τέτοιων συστημάτων. Μεταξύ άλλων, οι Aasen et al. (2015b) προσέφερε μια μοναδική προσέγγιση για την εξαγωγή τρισδιάστατων υπερφασματικών πληροφοριών από ελαφρύ
κάμερες στιγμιότυπου που χρησιμοποιούνται σε UAV για την παρακολούθηση της βλάστησης. Lucieer et al. (2014) συζήτησαν τον σχεδιασμό, την ανάπτυξη και τις εναέριες λειτουργίες ενός νέου υπερφασματικού UAS καθώς και τη βαθμονόμηση, την ανάλυση και την ερμηνεία των δεδομένων εικόνας που συγκεντρώθηκαν με αυτό. Τέλος, οι Honkavaara et al. (2013b) ανέπτυξε μια ολοκληρωμένη προσέγγιση επεξεργασίας για φασματικές εικόνες που βασίζονται σε συμβολόμετρο FabryPerot και έδειξε τη χρήση της σε μια διαδικασία εκτίμησης βιομάζας για γεωργία ακριβείας. Οι πιθανές μελλοντικές πορείες για αυτό το τρέχον σύμπλεγμα περιλαμβάνουν την έμφαση στην ανάγκη για τεχνικές βελτιώσεις στις τεχνολογίες αισθητήρων (Aasen et al., 2015b) καθώς και την ανάγκη για ενσωμάτωση και ενίσχυση συμπληρωματικών τεχνολογιών, ειδικά μεγάλων δεδομένων και ανάλυσης (Ang & Seng, 2021; Radoglou -Grammatikis et al., 2020· Shakoor et al., 2019). Το τελευταίο προέρχεται κυρίως από τα συνεχώς αυξανόμενα δεδομένα που παράγονται από διάφορους αισθητήρες που εφαρμόζονται στην έξυπνη γεωργία (C. Li & Niu, 2020; A. Rejeb et al., 2022; Y. Su & Wang, 2021).
Συστάδα 5. Οι δημοσιεύσεις σε αυτό το σύμπλεγμα εξέτασαν εφαρμογές 3Dmapping που βασίζονται σε drones. Η χρήση drones για τρισδιάστατη χαρτογράφηση θα μπορούσε να μετριάσει τη σύνθετη εργασία πεδίου και να αυξήσει σημαντικά την αποτελεσματικότητα (Torres-Sanchez ´ et al., 3). Τα πέντε άρθρα του συμπλέγματος επικεντρώθηκαν κυρίως σε εφαρμογές παρακολούθησης εγκαταστάσεων. Για παράδειγμα, για να λάβετε τρισδιάστατα δεδομένα σχετικά με την περιοχή του θόλου, το ύψος του δέντρου και τον όγκο της κόμης, οι Torres-Sanchez ´ et al. (2015) χρησιμοποίησε την τεχνολογία UAV για τη δημιουργία ψηφιακών μοντέλων επιφάνειας και στη συνέχεια προσεγγίσεις ανάλυσης εικόνας βάσει αντικειμένων (OBIA). Περαιτέρω, οι Zarco-Tejada et al. (2015) ποσοτικοποίησε το ύψος του δέντρου ενσωματώνοντας τεχνολογία UAV και τρισδιάστατες μεθόδους φωτοανακατασκευής. Jim´enez-Brenes Lopez-Granados, ´ De Castro, et al. (2014) παρουσίασε μια νέα διαδικασία για την πολυχρονική, τρισδιάστατη παρακολούθηση δεκάδων ελαιόδεντρων ενσωματώνοντας την τεχνολογία UAV με την προηγμένη μεθοδολογία OBIA. Ενδιαφέρουσες διαδρομές για μελλοντικές εργασίες σε αυτό το σύμπλεγμα περιλαμβάνουν είτε τη βελτίωση του ρεύματος
μεθοδολογίες (Zarco-Tejada et al., 2014) για σκοπούς ψηφιακής μοντελοποίησης επιφανειών (Ajayi et al., 2017; Jaud et al., 2016), όπως το OBIA (de Castro et al., 2018, 2020; Ventura et al. , 2018) και ανακατασκευή φωτογραφιών ή ανάπτυξη νέων μεθόδων (Díaz-Varela et al., 2015· Torres-S´ anchez et al., 2015).
Συστάδα 6. Αυτό το σύμπλεγμα συζητά τον ρόλο των drones στη γεωργική επιτήρηση. Τα UAV θα μπορούσαν να συμπληρώσουν και να ξεπεράσουν τις αδυναμίες της δορυφορικής απεικόνισης και της απεικόνισης αεροσκαφών. Για παράδειγμα, θα μπορούσαν να παρέχουν υψηλής ανάλυσης απεικόνιση σχεδόν σε πραγματικό χρόνο με λιγότερα καύσιμα ή πιλοτικές προκλήσεις, με αποτέλεσμα συνεχή και σε πραγματικό χρόνο επιτήρηση και βελτιώσεις στη λήψη αποφάσεων (S. Herwitz et al., 2004). Μια άλλη βασική συμβολή των UAV είναι η ικανότητά τους να παρέχουν ειδικά δεδομένα για γεωργία ακριβείας ή γεωργία συγκεκριμένης τοποθεσίας, καθώς η υψηλή τους ανάλυση, τα λεπτομερή δεδομένα σχετικά με διάφορες παραμέτρους επιτρέπουν στους αγρότες να διαιρούν τη γη σε ομοιογενή μέρη και να τα μεταχειρίζονται ανάλογα (Hunt et al. , 2010· CC Lelong et al., 2008· Primicerio et al., 2012). Τέτοια γεωργική επιτήρηση που βασίζεται σε UAV μπορεί να υποστηρίξει την παρακολούθηση της επισιτιστικής ασφάλειας και τη λήψη αποφάσεων (SR Herwitz et al., 2004). Για να προωθηθεί η έρευνα στη γεωργική επιτήρηση, απαιτούνται όχι μόνο βελτιώσεις στους αισθητήρες, τα UAV και άλλες σχετικές τεχνολογίες και τις μεθόδους επικοινωνίας και μεταφοράς δεδομένων τους (Ewing et al., 2020; Shuai et al., 2019), αλλά και η ενσωμάτωση των drones με διάφορα Οι τεχνολογίες για τη βελτιστοποίηση διαφορετικών εργασιών σε σχέση με την έξυπνη γεωργία, όπως η παρακολούθηση, η γεωργική επιτήρηση και η λήψη αποφάσεων, είναι ένας τομέας έρευνας με υψηλές δυνατότητες (Alsamhi et al., 2021; Popescu et al., 2020; Vuran et al., 2018). Από αυτή την άποψη, το IoT, τα WSN και τα μεγάλα δεδομένα προσφέρουν ενδιαφέρουσες συμπληρωματικές δυνατότητες (van der Merwe et al., 2020). Το κόστος υλοποίησης, η εξοικονόμηση κόστους, η ενεργειακή απόδοση και η ασφάλεια δεδομένων είναι μεταξύ των υπο-ερευνημένων τομέων για μια τέτοια ενοποίηση (Masroor et al., 2021).
Χώρες και ακαδημαϊκά ιδρύματα
Το τελικό βήμα περιελάμβανε τη διερεύνηση της χώρας προέλευσης και τις ακαδημαϊκές σχέσεις των συγγραφέων. Μέσω αυτής της ανάλυσης, στοχεύουμε να κατανοήσουμε καλύτερα τη γεωγραφική κατανομή των μελετητών που συμβάλλουν στις εφαρμογές των drones στη γεωργία. Αξίζει να σημειωθεί η ποικιλομορφία των χωρών και των ακαδημαϊκών ιδρυμάτων. Από πλευράς χώρας, οι ΗΠΑ, η Κίνα, η Ινδία και η Ιταλία κατατάσσονται στην κορυφή της λίστας ως προς τον αριθμό των δημοσιεύσεων (Πίνακας 7). Το ρεύμα
Η έρευνα για τα γεωργικά drones επικεντρώνεται σε μεγάλο βαθμό στις χώρες της Βόρειας Αμερικής και της Ασίας, κυρίως λόγω της υψηλής εμπλοκής τους σε εφαρμογές γεωργίας ακριβείας. Για παράδειγμα, στις ΗΠΑ, η αγορά γεωργικών drones υπολογίστηκε σε 841.9 εκατομμύρια USD το έτος 2020, αντιπροσωπεύοντας περίπου το 30% του παγκόσμιου μεριδίου αγοράς (ReportLinker, 2021). Κατατασσόμενη ως η μεγαλύτερη οικονομία στον κόσμο, η Κίνα προβλέπεται να φτάσει σε ένα κατά προσέγγιση μέγεθος αγοράς 2.6 δισεκατομμυρίων δολαρίων ΗΠΑ το έτος 2027. Αυτή η χώρα απευθύνει έκκληση για γεωργικά drones για να ξεπεράσουν τα προβλήματα παραγωγικότητας και να επιτύχουν καλύτερες αποδόσεις, μείωση της εργασίας και μικρότερες εισροές παραγωγής. Ωστόσο, η υιοθέτηση της τεχνολογίας στην Κίνα οφείλεται επίσης σε παράγοντες όπως το μέγεθος του πληθυσμού και η ανάγκη για καινοτομία και βελτίωση των υφιστάμενων πρακτικών διαχείρισης των καλλιεργειών.
Κορυφαίες πιο παραγωγικές χώρες και πανεπιστήμια/οργανισμοί που συνεισφέρουν
έρευνα που σχετίζεται με γεωργικά drone.
Τάξη | Χώρες |
1 | ΗΠΑ |
2 | Κίνα |
3 | India |
4 | Ιταλία |
5 | Ισπανία |
6 | Germany |
7 | Βραζιλία |
8 | Australia |
9 | Ιαπωνία |
10 | Ηνωμένο Βασίλειο |
Τάξη | Πανεπιστήμια/ Οργανισμοί |
1 | Κινεζική Ακαδημία Επιστημών |
2 | Υπουργείο Γεωργίας της Λαϊκής Δημοκρατίας της Κίνας |
3 | Consejo Superior de Investigaciones Científicas |
4 | Texas A & M Πανεπιστήμιο |
5 | Κίνα Γεωργικό Πανεπιστήμιο |
6 | Υπηρεσία γεωργικής έρευνας USDA |
7 | CSIC – Instituto de Agricultura Sostenible IAS |
8 | Πανεπιστήμιο Purdue |
9 | Consiglio Nazionale delle Ricerche |
10 | Γεωργικό Πανεπιστήμιο της Νότιας Κίνας |
Από πανεπιστημιακή και οργανωτική άποψη, η Κινεζική Ακαδημία Επιστημών βρίσκεται στην κορυφή της λίστας ως προς τον αριθμό των δημοσιεύσεων, ακολουθούμενη από το Υπουργείο Γεωργίας της Λαϊκής Δημοκρατίας της Κίνας και το Consejo Superior de Investigaciones Científicas. Η Κινεζική Ακαδημία Επιστημών εκπροσωπείται από τους συγγραφείς Liao Xiaohan και Li Jun. Ο Han Wenting εκπροσωπεί το Υπουργείο Γεωργίας της Λαϊκής Δημοκρατίας της Κίνας. και το Consejo Superior de Investigaciones Científicas εκπροσωπείται από τους Lopez-Granados, ´ F. and Pena, ˜ Jos´e María S. Από τις ΗΠΑ, πανεπιστήμια όπως το Texas A&M University και το Purdue University βρίσκουν
αναφέρω. Τα πανεπιστήμια με τον υψηλότερο αριθμό δημοσιεύσεων και οι διασυνδέσεις τους φαίνονται στην Εικ. 4. Επιπλέον, αυτή η λίστα περιλαμβάνει ιδρύματα όπως το Consiglio Nazionale delle Ricerche και το Consejo Superior de Investigaciones Científicas που δραστηριοποιούνται στην επιστημονική έρευνα, αλλά δεν είναι ακαδημαϊκά ιδρύματα .
Η επιλογή μας περιελάμβανε μια μεγάλη ποικιλία περιοδικών, που περιλάμβαναν σχεδόν όλα τα διαθέσιμα δεδομένα. Όπως φαίνεται στον Πίνακα 8, η Τηλεπισκόπηση με 258 άρθρα κατατάσσεται στην κορυφή, ακολουθούμενη από το Journal of Intelligent and Robotic Systems: Theory and Applications με 126 και το Computers and Electronics in Agriculture με 98 άρθρα. Ενώ η Τηλεπισκόπηση επικεντρώνεται κυρίως στην εφαρμογή και την ανάπτυξη drones, οι Υπολογιστές και τα Ηλεκτρονικά στη Γεωργία καλύπτουν κυρίως τις εξελίξεις στο υλικό υπολογιστών, το λογισμικό, τα ηλεκτρονικά και τα συστήματα ελέγχου στη γεωργία. Διαθέσιμα καταστήματα, όπως το IEEE Robotics and Automation Letters με 87 δημοσιεύσεις και το IEEE Access με 34 δημοσιεύσεις, είναι επίσης κορυφαία σημεία πώλησης στον τομέα. Τα κορυφαία δεκαπέντε καταστήματα έχουν συνεισφέρει στη βιβλιογραφία με 959 έγγραφα, που είναι περίπου το 20.40% όλων των δημοσιεύσεων. Μια ανάλυση συν-παραπομπής σε περιοδικό μας δίνει τη δυνατότητα να εξετάσουμε τη σημασία και την ομοιότητα μεταξύ των δημοσιεύσεων. Η ανάλυση συν-παραπομπής αποδίδει τρία συμπλέγματα, όπως φαίνεται στο Σχ. 5. Το κόκκινο σύμπλεγμα αποτελείται από περιοδικά όπως Remote Sensing, Computer and Electronics in Agriculture, Sensors,
και το International Journal of Remote Sensing. Όλα αυτά τα σημεία πώλησης είναι περιοδικά υψηλής αξιοπιστίας στους τομείς της τηλεπισκόπησης και της γεωργίας ακριβείας. Το πράσινο σύμπλεγμα περιέχει περιοδικά που ασχολούνται με τη ρομποτική, όπως το Journal of Intelligent and Robotic Systems: Theory and Applications, το IEEE Robotics and Automation Letters, το IEEE Access και τα Drones. Αυτά τα καταστήματα δημοσιεύουν ως επί το πλείστον εργασίες για την αυτοματοποίηση και είναι χρήσιμα για γεωπόνους μηχανικούς. Το τελικό σύμπλεγμα σχηματίζεται από περιοδικά που σχετίζονται με τη γεωπονία και τη γεωργική μηχανική, όπως το Agronomy και το International Journal of Agricultural and Biological Engineering.
Τα 15 κορυφαία περιοδικά σε έρευνα που σχετίζεται με γεωργικά drone.
Τάξη | Εφημερίδα | Κόμης |
1 | Τηλεπισκόπηση | 258 |
2 | Journal of Intelligent and Robotic Systems: Theory and Εφαρμογές | 126 |
3 | Υπολογιστές και Ηλεκτρονικά στη Γεωργία | 98 |
4 | Γράμματα ρομποτικής και αυτοματισμού IEEE | 87 |
5 | Αισθητήρες | 73 |
6 | International Journal of Remote Sensing | 42 |
7 | Γεωργία ακριβείας | 41 |
8 | Drones | 40 |
9 | Αγρονομία | 34 |
10 | Πρόσβαση IEEE | 34 |
11 | International Journal of Advanced Robotic Systems | 31 |
12 | International Journal of Agricultural and Biological Engineering | 25 |
13 | PLoS ONE | 25 |
14 | Journal of Field Robotics | 23 |
15 | Μηχανική Βιοσυστημάτων | 23 |
Συμπέρασμα
Χαρακτηριστικά
Σε αυτή τη μελέτη, συνοψίσαμε και αναλύσαμε την υπάρχουσα έρευνα για γεωργικά drones. Εφαρμόζοντας διάφορες βιβλιομετρικές τεχνικές, προσπαθήσαμε να αποκτήσουμε καλύτερη κατανόηση της πνευματικής δομής της έρευνας που σχετίζεται με τα γεωργικά drone. Εν ολίγοις, η ανασκόπησή μας προσφέρει πολλές συνεισφορές με τον εντοπισμό και τη συζήτηση λέξεων-κλειδιών στη βιβλιογραφία, αποκαλύπτοντας συμπλέγματα γνώσης ενώ σχηματίζονται σημασιολογικά παρόμοιες κοινότητες στον τομέα των drones, σκιαγραφώντας προηγούμενες έρευνες και προτείνοντας μελλοντικές κατευθύνσεις έρευνας. Παρακάτω, περιγράφουμε τα κύρια ευρήματα της ανασκόπησης για την ανάπτυξη γεωργικών drones:
• Η συνολική βιβλιογραφία έχει αναπτυχθεί γρήγορα και έχει προσελκύσει τεράστια προσοχή την τελευταία δεκαετία, όπως φαίνεται από την αύξηση του αριθμού των άρθρων μετά το 2012. Παρόλο που αυτό το πεδίο γνώσης δεν έχει ακόμη φτάσει στην πλήρη ωριμότητά του (Barrientos et al., 2011; Maes & Steppe, 2019), αρκετά ερωτήματα παραμένουν ακόμη αναπάντητα. Για παράδειγμα, η χρησιμότητα των drones στην καλλιέργεια εσωτερικών χώρων είναι ακόμα ανοιχτή για συζήτηση (Aslan et al., 2022; Krul et al., 2021; Rold´ an et al., 2015). Η πολυπλοκότητα των σκηνών των πεδίων και οι διαφορετικές περιστάσεις απεικόνισης (π.χ. σκιές και φωτισμός) θα μπορούσαν να οδηγήσουν σε υψηλότερη φασματική διακύμανση στην κατηγορία (Yao et al., 2019). Ακόμη και στις μεταγενέστερες ερευνητικές φάσεις, οι ερευνητές κλήθηκαν να καθορίσουν τα βέλτιστα σχέδια πτήσης σύμφωνα με συγκεκριμένα σενάρια και την απαιτούμενη ποιότητα εικόνας (Soares et al., 2021; Tu et al.,
2020).
• Παρατηρούμε ότι το πεδίο έχει προχωρήσει από την ανάπτυξη αποτελεσματικών συστημάτων UAV στην ενσωμάτωση τεχνικών AI, όπως η μηχανική μάθηση και η βαθιά μάθηση στο σχεδιασμό γεωργικών drones (Bah et al., 2018; Kitano et al., 2019; Maimaitijiang et al. , 2020; Mazzia et al., 2020; Tetila et al., 2020).
• Η έρευνα σε γεωργικά drones συζήτησε κυρίως την τηλεπισκόπηση διερευνώντας τις δυνατότητες της τεχνολογίας στην περιβαλλοντική παρακολούθηση, τη διαχείριση των καλλιεργειών και τη διαχείριση ζιζανίων (ομάδα 1) καθώς και τον απομακρυσμένο φαινοτυπικό προσδιορισμό και την εκτίμηση της απόδοσης (ομάδα 2). Ένα σύνολο σημαντικών μελετών για γεωργικά drones περιλαμβάνει τους Austin (2010), Berni et al. (2009)a, Herwitz et al. (2004), Nex and Remondino (2014) και Zhang and Kovacs (2012). Αυτές οι μελέτες ανέπτυξαν την εννοιολογική βάση της έρευνας που σχετίζεται με τα drone στο πλαίσιο της γεωργίας.
• Σε σχέση με τη μεθοδολογία, παρατηρήσαμε ότι το μεγαλύτερο μέρος της έρευνας που έχει γίνει μέχρι στιγμής είχε συντεθεί είτε από σχεδιασμό συστήματος, είτε από εννοιολογικές μελέτες είτε από μελέτες που βασίζονται σε ανασκόπηση (Inoue, 2020; Nex & Remondino, 2014; P´erez-Ortiz et al. , 2015; Yao et al., 2019). Παρατηρούμε επίσης έλλειψη εμπειρικών, ποιοτικών μεθόδων και μεθόδων που βασίζονται σε περιπτωσιολογικές μελέτες στη διερεύνηση γεωργικών drones.
• Πρόσφατα, θέματα που σχετίζονται με τη γεωργία ακριβείας, τις τεχνικές τεχνητής νοημοσύνης, την αμπελοκαλλιέργεια ακριβείας και την αξιολόγηση του υδατικού στρες έχουν τραβήξει την προσοχή (Espinoza et al., 2017; Gomez-Cand ´ on ´ et al., 2016; Matese et al., 2015; Matese & Di Gennaro, 2018, 2021· Z. Zhou et al., 2021). Η προσεκτική εξέταση των ερευνητικών ομάδων σε δύο ξεχωριστές εποχές, 1990–2010 και 2011–2021, αποκαλύπτει την πρόοδο της πνευματικής δομής του τομέα. Η περίοδος από το 1990 έως το 2010 αποτέλεσε τη δημιουργία κεντρικών εννοιών και των εννοιών των drones, κάτι που είναι προφανές από τη συζήτηση για το σχεδιασμό, την ανάπτυξη και την υλοποίηση UAV. Στη δεύτερη εποχή, η ερευνητική εστίαση επεκτείνεται σε προηγούμενες μελέτες, κάνοντας μια προσπάθεια σύνθεσης περιπτώσεων χρήσης UAV στη γεωργία. Βρήκαμε επίσης πολυάριθμες μελέτες που συζητούν εφαρμογές drone σε εργασίες απεικόνισης και γεωργία ακριβείας.
Τάξη | Εφημερίδα | Κόμης |
1 | Τηλεπισκόπηση | 258 |
2 | Journal of Intelligent and Robotic Systems: Theory and | 126 |
Εφαρμογές | ||
3 | Υπολογιστές και Ηλεκτρονικά στη Γεωργία | 98 |
4 | Γράμματα ρομποτικής και αυτοματισμού IEEE | 87 |
5 | Αισθητήρες | 73 |
6 | International Journal of Remote Sensing | 42 |
7 | Γεωργία ακριβείας | 41 |
8 | Drones | 40 |
9 | Αγρονομία | 34 |
10 | Πρόσβαση IEEE | 34 |
11 | International Journal of Advanced Robotic Systems | 31 |
12 | International Journal of Agricultural and Biological Engineering | 25 |
13 | PLoS ONE | 25 |
14 | Journal of Field Robotics | 23 |
15 | Μηχανική Βιοσυστημάτων | 22 |
Επιπτώσεις
Η βιβλιομετρική μας ανασκόπηση σχεδιάστηκε και πραγματοποιήθηκε έχοντας κατά νου μελετητές, αγρότες, ειδικούς στη γεωργία, συμβούλους καλλιεργειών και σχεδιαστές συστημάτων UAV. Εξ όσων γνωρίζουν οι συγγραφείς, αυτή είναι μια από τις πρώτες πρωτότυπες κριτικές που έχει αναλάβει μια εις βάθος βιβλιομετρική ανάλυση του
εφαρμογές drone στη γεωργία. Πραγματοποιήσαμε μια ολοκληρωμένη ανασκόπηση αυτού του γνωστικού σώματος, χρησιμοποιώντας αναλύσεις παραπομπών και συν-παραπομπών των δημοσιεύσεων. Οι προσπάθειές μας να περιγράψουμε την πνευματική δομή της έρευνας με drone προσφέρουν επίσης νέες ιδέες για τους ακαδημαϊκούς. Μια προσεκτική ανασκόπηση των λέξεων-κλειδιών που χρησιμοποιούνται με την πάροδο του χρόνου αποκαλύπτει τα hotspot και τους εστιακούς τομείς έρευνας στη βιβλιογραφία που σχετίζεται με τα drone. Επιπλέον, παρουσιάζουμε μια λίστα με τις περισσότερες αναφερόμενες μελέτες για τον εντοπισμό των πιο επιδραστικών ερευνητικών εργασιών που έχουν ολοκληρωθεί στο πεδίο. Ο προσδιορισμός των άρθρων και των λέξεων-κλειδιών θα μπορούσε συνεπώς να αποτελέσει ένα στέρεο σημείο εκκίνησης για την αποκάλυψη πολλών οδών για μελλοντικές μελέτες.
Είναι σημαντικό ότι αποκαλύψαμε ομάδες που ταξινομούν συγκρίσιμα έργα και επεξεργαστήκαμε αναλυτικά τα αποτελέσματα. Οι μελέτες που ταξινομούνται σε ομάδες βοηθούν στην κατανόηση της πνευματικής δομής της έρευνας για τα UAV. Συγκεκριμένα, ανακαλύψαμε έλλειψη μελετών που διερευνούν τους παράγοντες υιοθέτησης των drones
και εμπόδια στις γεωργικές δραστηριότητες (βλ. Πίνακα 9). Οι μελλοντικοί ερευνητές θα μπορούσαν να αντιμετωπίσουν αυτό το πιθανό κενό διεξάγοντας εμπειρικές έρευνες που αξιολογούν τους παράγοντες υιοθέτησης των drones σε διαφορετικές γεωργικές δραστηριότητες και κλιματικές συνθήκες. Επιπλέον, η έρευνα που βασίζεται σε περιπτωσιολογικές μελέτες σχετικά με την αποτελεσματικότητα των drones θα πρέπει να υποστηρίζεται με πραγματικά δεδομένα από το πεδίο. Επίσης, η συμμετοχή αγροτών και διευθυντών στην ακαδημαϊκή έρευνα θα ήταν επωφελής τόσο για τη θεωρητική όσο και για την πρακτική πρόοδο της έρευνας με drone. Ήμασταν επίσης σε θέση να εντοπίσουμε τους πιο εξέχοντες ερευνητές και τις συνεισφορές τους, κάτι που είναι πολύτιμο επειδή η γνώση των πρόσφατων θεμελιωδών εργασιών μπορεί να προσφέρει κάποια καθοδήγηση για μελλοντικές ακαδημαϊκές προσπάθειες.
Πίνακας 9
Εμπόδια υιοθέτησης UAV.
Φράγμα | Περιγραφή |
Η ασφάλεια των δεδομένων | Η ασφάλεια στον κυβερνοχώρο είναι μια σημαντική πρόκληση για την εφαρμογή Λύσεις IoT (Masroor et al., 2021). |
Διαλειτουργικότητα και ολοκλήρωση | Διάφορες τεχνολογίες όπως UAV, WSN, IoT κ.λπ. θα πρέπει να ενσωματώνονται και να μεταδίδουν δεδομένα τα οποία Αυξήστε το επίπεδο πολυπλοκότητας (Alsamhi et al., 2021; Popescu et al., 2020; Vuran et al., 2018). |
Κόστος υλοποίησης | Αυτό ισχύει ειδικά για τους μικρούς αγρότες και για ενσωμάτωση διαφόρων τεχνολογιών αιχμής ( Masroor et al., 2021). |
Εργατική γνώση και εξειδίκευση | Απαιτούνται ειδικευμένοι πιλότοι drone για τη λειτουργία UAV. Επίσης, υλοποιώντας διάφορες πρωτοποριακές Οι τεχνολογίες απαιτούν ειδικευμένους εργάτες (YB Huang et al., 2013; Τσουρός κ.ά., 2019). |
Ισχύς κινητήρα και πτήση διάρκεια | Τα drone δεν μπορούν να λειτουργήσουν για πολλές ώρες και να καλύπτουν μεγάλες περιοχές (Hardin & Hardin, 2010; Laliberte et al., 2007). |
Σταθερότητα, αξιοπιστία και ικανότητα προς ελιγμό | Τα drones δεν είναι σταθερά σε κακές καιρικές συνθήκες (Hardin & Hardin, 2010; Laliberte et al., 2007). |
Περιορισμοί ωφέλιμου φορτίου και ποιότητα αισθητήρων | Μόνο τα drones μπορούν να μεταφέρουν περιορισμένα φορτία δυνατότητα φόρτωσης αισθητήρων χαμηλότερης ποιότητας (Nebiker et αϊ., 2008). |
Ρυθμιστικές Αρχές | Καθώς τα drones μπορεί επίσης να είναι επικίνδυνα, υπάρχουν και σοβαρά κανονισμοί σε ορισμένους τομείς (Hardin & Jensen, 2011; Laliberte & Rango, 2011). |
Οι γνώσεις των αγροτών και τόκος | Όπως άλλες τεχνολογίες αιχμής, τα drones Η επιτυχής εφαρμογή απαιτεί εμπειρογνωμοσύνη και επίσης συνοδεύεται από αβεβαιότητες (Fisher et al., 2009; Lambert et al., 2004; Stafford, 2000). |
Δεδομένου ότι υπάρχει συνεχής ανάγκη για αποτελεσματική χρήση των διαθέσιμων πόρων για τη μεγιστοποίηση των αποδόσεων, οι αγρότες μπορούν να επωφεληθούν από τα drones για να εξασφαλίσουν γρήγορη, ακριβή και οικονομικά αποδοτική σάρωση των χωραφιών τους. Η τεχνολογία μπορεί να υποστηρίξει τους αγρότες να προσδιορίσουν την κατάσταση των καλλιεργειών τους και να αξιολογήσουν την κατάσταση του νερού, το στάδιο ωρίμανσης, τις προσβολές από έντομα και τις διατροφικές ανάγκες. Οι δυνατότητες τηλεπισκόπησης των drones μπορούν να παρέχουν στους αγρότες ζωτικής σημασίας δεδομένα για την πρόβλεψη προβλημάτων σε πρώιμο στάδιο και την έγκαιρη πραγματοποίηση κατάλληλων παρεμβάσεων. Ωστόσο, τα οφέλη της τεχνολογίας μπορούν να πραγματοποιηθούν μόνο εάν οι προκλήσεις αντιμετωπιστούν σωστά. Υπό το φως των
τρέχοντα προβλήματα σχετικά με την ασφάλεια δεδομένων, θέματα τεχνολογίας αισθητήρων (π.χ. την αξιοπιστία ή την ακρίβεια των μετρήσεων), την πολυπλοκότητα της ολοκλήρωσης και το σημαντικό κόστος εφαρμογής, μελλοντικές μελέτες πρέπει επίσης να εξετάσουν την τεχνική, οικονομική και λειτουργική σκοπιμότητα της ενσωμάτωσης γεωργικών drones και άλλων τεχνολογίες αιχμής.
Περιορισμοί
Η μελέτη μας έχει αρκετούς περιορισμούς. Πρώτον, τα ευρήματα καθορίζονται από τις δημοσιεύσεις που επιλέχθηκαν για την τελική ανάλυση. Είναι δύσκολο να καταγράψουμε όλες τις σχετικές μελέτες που σχετίζονται με γεωργικά drones, ιδιαίτερα αυτές που δεν έχουν καταχωρηθεί στη βάση δεδομένων Scopus. Περαιτέρω, η διαδικασία συλλογής δεδομένων περιορίζεται στη ρύθμιση λέξεων-κλειδιών αναζήτησης, οι οποίες μπορεί να μην περιλαμβάνουν αποκλεισμούς και να οδηγούν σε ασαφή ευρήματα. Επομένως, οι μελλοντικές μελέτες πρέπει να δώσουν μεγαλύτερη προσοχή στο υποκείμενο ζήτημα της συλλογής δεδομένων
πιο αξιόπιστα συμπεράσματα. Ένας άλλος περιορισμός αφορά τις νέες δημοσιεύσεις με χαμηλό αριθμό αναφορών. Η βιβλιομετρική ανάλυση είναι προκατειλημμένη προς παλαιότερες δημοσιεύσεις, καθώς τείνουν να λαμβάνουν περισσότερες αναφορές με τα χρόνια. Οι πρόσφατες μελέτες χρειάζονται συγκεκριμένο χρόνο για να προσελκύσουν την προσοχή και να συσσωρεύσουν αναφορές. Κατά συνέπεια, πρόσφατες μελέτες που φέρνουν μια αλλαγή παραδείγματος δεν θα κατατάσσονταν στα δέκα κορυφαία έργα με επιρροή. Αυτός ο περιορισμός επικρατεί στην εξέταση ταχέως αναδυόμενων ερευνητικών τομέων όπως τα γεωργικά drones. Καθώς έχουμε συμβουλευτεί το Scopus για να μελετήσουμε τη βιβλιογραφία για αυτήν την εργασία, οι μελλοντικοί ερευνητές θα μπορούσαν να εξετάσουν διαφορετικά
βάσεις δεδομένων, όπως το Web of Science και το IEEE Xplore, για να διευρύνουν τον ορίζοντα και να βελτιώσουν τη δομή της έρευνας.
Οι πιθανές βιβλιομετρικές μελέτες μπορεί να εξετάσουν άλλες ζωτικής σημασίας πηγές γνώσης, όπως εργασίες συνεδρίων, κεφάλαια και βιβλία για να δημιουργήσουν νέες ιδέες. Παρά τη χαρτογράφηση και τη διερεύνηση παγκόσμιων δημοσιεύσεων για γεωργικά drones, τα ευρήματά μας δεν αποκάλυψαν τους λόγους πίσω από τα επιστημονικά αποτελέσματα των πανεπιστημίων. Αυτό ανοίγει το δρόμο για έναν νέο τομέα έρευνας στην ποιοτική εξήγηση γιατί ορισμένα πανεπιστήμια είναι πιο παραγωγικά από άλλα όταν πρόκειται για έρευνα για τη γεωργία
drones. Επιπλέον, μελλοντικές μελέτες θα μπορούσαν να παρέχουν πληροφορίες για τις δυνατότητες των drones να αυξάνουν τη βιωσιμότητα της γεωργίας με διάφορους τρόπους, όπως η περιβαλλοντική παρακολούθηση, η διαχείριση των καλλιεργειών και η χαρτογράφηση ζιζανίων, όπως υποδεικνύεται από αρκετούς ερευνητές (Chamuah & Singh, 2019; Islam et al., 2021; Popescu et al., 2020· J. Su, Liu, et al., 2018b). Δεδομένου ότι η ανάλυση κειμένου δεν ήταν δυνατή λόγω του μεγάλου αριθμού επιλεγμένων εργασιών, υπάρχει ανάγκη για συστηματικές βιβλιογραφικές ανασκοπήσεις που εξετάζουν
ερευνητικών μεθόδων που χρησιμοποιήθηκαν και τη συμμετοχή των αγροτών σε προηγούμενες μελέτες. Εν ολίγοις, η ανάλυσή μας για την έρευνα με drone εκθέτει τους αόρατους δεσμούς αυτού του σώματος γνώσης. Επομένως, αυτή η ανασκόπηση βοηθά στην αποκάλυψη των σχέσεων μεταξύ των δημοσιεύσεων και διερευνά την πνευματική δομή του ερευνητικού πεδίου. Απεικονίζει επίσης τους δεσμούς μεταξύ των διαφόρων πτυχών της λογοτεχνίας, όπως οι λέξεις-κλειδιά, οι σχέσεις και οι χώρες των συγγραφέων.
Δήλωση Ανταγωνιστικού Ενδιαφέροντος
Οι συγγραφείς δηλώνουν ότι δεν έχουν γνωστά ανταγωνιστικά οικονομικά συμφέροντα ή προσωπικές σχέσεις που θα μπορούσαν να φαίνεται να επηρεάζουν το έργο που αναφέρεται σε αυτό το άρθρο.
Παράρτημα 1
TITLE-ABS-KEY ((drone* Ή "μη επανδρωμένο εναέριο όχημα" Ή uav* Ή "μη επανδρωμένο σύστημα αεροσκαφών” Ή uas Ή «αεροσκάφη με τηλεχειρισμό”) ΚΑΙ (γεωργικός Ή γεωργία Ή γεωργία Ή αγρότης))) ΚΑΙ (EXCLUDE (PUBYEAR, 2022)) ΚΑΙ (LIMIT-TO (ΓΛΩΣΣΑ, «Αγγλικά»)).
αναφορές
Aasen, H., Burkart, A., Bolten, A., Bareth, G., 2015. Δημιουργία τρισδιάστατων υπερφασματικών πληροφοριών με ελαφριές κάμερες στιγμιότυπου UAV για παρακολούθηση βλάστησης: από
βαθμονόμηση κάμερας για διασφάλιση ποιότητας. ISPRS J. Photogramm. Remote Sens. 108, 245–259. https://doi.org/10.1016/j.isprsjprs.2015.08.002.
Abd-Elrahman, A., Pearlstine, L., Percival, F., 2005. Ανάπτυξη αλγορίθμου αναγνώρισης προτύπων για αυτόματη ανίχνευση πουλιών από εικόνες μη επανδρωμένων εναέριων οχημάτων.
Επισκόπηση. Land Inform. Sci. 65 (1), 37–45.
Abdollahi, A., Rejeb, K., Rejeb, A., Mostafa, MM, Zailani, S., 2021. Ασύρματα δίκτυα αισθητήρων στη γεωργία: insights από βιβλιομετρική ανάλυση. Βιωσιμότητα 13 (21),
12011.
Aboutalebi, M., Torres-Rua, AF, Kustas, WP, Nieto, H., Coopmans, C., McKee, M.,Αξιολόγηση διαφορετικών μεθόδων για ανίχνευση σκιών σε οπτικές εικόνες υψηλής ανάλυσης και αξιολόγηση της επίδρασης της σκιάς στον υπολογισμό του NDVI, και της εξατμισοδιαπνοής. Irrig. Sci. 37 (3), 407–429. https://doi.org/10.1007/s00271-018-0613-9.
Adao, ˜ T., Hruˇska, J., Padua, ´ L., Bessa, J., Peres, E., Morais, R., Sousa, JJ, 2017. Υπερφασματική απεικόνιση: μια ανασκόπηση των αισθητήρων που βασίζονται σε UAV, δεδομένα επεξεργασία και
εφαρμογές για τη γεωργία και τη δασοκομία. Τηλεπισκόπηση 9 (11). https://doi.org/ 10.3390/rs9111110.
Agüera Vega, F., Ramírez, FC, Saiz, MP, Rosúa, FO, 2015. Πολυχρονική απεικόνιση με χρήση μη επανδρωμένου εναέριου οχήματος για παρακολούθηση καλλιέργειας ηλίανθου. Biosyst. Eng.
132, 19–27. https://doi.org/10.1016/j.biosystemseng.2015.01.008.
Ajayi, OG, Salubi, AA, Angbas, AF, Odigure, MG, 2017. Η δημιουργία ακριβών ψηφιακών μοντέλων ανύψωσης από UAV απέκτησε χαμηλού ποσοστού επικαλυπτόμενες εικόνες. Int.
J. Remote Sens. 38 (8–10), 3113–3134. https://doi.org/10.1080/ 01431161.2017.1285085.
Ali, I., Greifeneder, F., Stamenkovic, J., Neumann, M., Notarnicola, C., 2015. Ανασκόπηση προσεγγίσεων μηχανικής μάθησης για ανακτήσεις βιομάζας και υγρασίας εδάφους από δεδομένα τηλεπισκόπησης. Remote Sensing 7 (12), 16398–16421.
Alsamhi, SH, Afghah, F., Sahal, R., Hawbani, A., Al-qaness, MAA, Lee, B., Guizani, M., Πράσινο διαδίκτυο των πραγμάτων που χρησιμοποιούν UAVs σε δίκτυα B5G: Ανασκόπηση εφαρμογών
και στρατηγικές. Ενα δ. Hoc. Netw. 117, 102505 https://doi.org/10.1016/j. adhoc.2021.102505.
Al-Thani, N., Albuainain, A., Alnaimi, F., Zorba, N., 2020. Drones for Sheep Livestock Monitoring. Στο: 20th IEEE Mediterranean Electrotechnical Conference. https://doi.
org/10.1109/MELECON48756.2020.9140588.
Ampatzidis, Y., Partel, V., 2019. Φαινότυπος υψηλής απόδοσης βασισμένο σε UAV στα εσπεριδοειδή με χρήση πολυφασματικής απεικόνισης και τεχνητής νοημοσύνης. Τηλεπισκόπηση 11 (4), https://doi.org/10.3390/rs11040410.
Ampatzidis, Y., Partel, V., Costa, L., 2020. Agroview: Εφαρμογή που βασίζεται σε σύννεφο για επεξεργασία, ανάλυση και οπτικοποίηση δεδομένων που συλλέγονται από UAV για εφαρμογές γεωργίας ακριβείας με χρήση τεχνητής νοημοσύνης. Υπολογιστής. Ηλεκτρόνιο. Αγρ. 174, 105457 https://doi. org/10.1016/j.compag.2020.105457.
Ang, K.-L.-M., Seng, JKP, 2021. Μεγάλα δεδομένα και μηχανική μάθηση με υπερφασματικές πληροφορίες στη γεωργία. IEEE Access 9, 36699–36718. https://doi.org/10.1109/
ΠΡΟΣΒΑΣΗ.2021.3051196.
Aquilani, C., Confessore, A., Bozzi, R., Sirtori, F., Pugliese, C., 2022. Review: Precision Livestock Farming τεχνολογίες σε συστήματα ζώων με βάση το βοσκότοπο. Animal 16 (1), https://doi.org/10.1016/j.animal.2021.100429.
Armenta-Medina, D., Ramirez-Delreal, TA, Villanueva-Vasquez, ´ D., Mejia-Aguirre, C., Trends on advanced information and communication technology for
βελτίωση της αγροτικής παραγωγικότητας: βιβλιομετρική ανάλυση. Agronomy 10 (12), Άρθρο 12. https://doi.org/10.3390/agronomy10121989.
Armstrong, I., Pirrone-Brusse, M., Smith, A., Jadud, M., 2011. The flying gator: to aerial robotics in occam-π. Commun. Αρχιτέκτονας Διαδικασιών. 2011, 329–340. https://doi. org/10.3233/978-1-60750-774-1-329.
Arora, SD, Chakraborty, A., 2021. Έρευνα διανοητικής δομής της συμπεριφοράς καταγγελίας καταναλωτή (CCB): Μια βιβλιομετρική ανάλυση. J. Business Res. 122, 60–74.
Aslan, MF, Durdu, A., Sabanci, K., Ropelewska, E., Gültekin, SS, 2022.
Μια ολοκληρωμένη έρευνα των πρόσφατων μελετών με UAV για γεωργία ακριβείας σε ανοιχτά χωράφια και θερμοκήπια. Appl. Sci. 12 (3), 1047. https://doi.org/10.3390/
app12031047.
Atkinson, JA, Jackson, RJ, Bentley, AR, Ober, E., & Wells, DM (2018). Φαινοτυποποίηση πεδίου για το μέλλον. Στο Annual Plant Reviews online (σελ. 719–736). Γιάννης
Wiley & Sons, Ltd. doi: 10.1002/9781119312994.apr0651.
Austin, R., 2010. Συστήματα μη επανδρωμένων αεροσκαφών: Σχεδίαση, ανάπτυξη και ανάπτυξη UAVS. Σε: Συστήματα μη επανδρωμένων αεροσκαφών: Σχεδιασμός, Ανάπτυξη UAVS και
Ανάπτυξη. John Wiley and Sons. 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. Τηλεπισκόπηση με βάση UAV σε στρες φυτών φανταστείτε τη χρήση θερμικού αισθητήρα υψηλής ανάλυσης για πρακτικές ψηφιακής γεωργίας: μια μετα-ανασκόπηση. Int. J. Environ. Sci. Τεχνολ. 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. Έξυπνη γεωργία: Ευκαιρίες, προκλήσεις
και τεχνολογιών. 2018 IoT Vertical και. Επίκαιρη Διάσκεψη Κορυφής για τη Γεωργία - Τοσκάνη (IOT Tuscany) 1–6. https://doi.org/10.1109/IOTTUSCANY.2018.8373043.
Bah, MD, Hafiane, A., Canals, R., 2018. Βαθιά μάθηση με σήμανση δεδομένων χωρίς επίβλεψη για ανίχνευση ζιζανίων σε καλλιέργειες σειράς σε εικόνες UAV. Τηλεπισκόπηση 10 (11), 1690.
https://doi.org/10.3390/rs10111690.
Baldi, S., 1998. Κανονιστικές έναντι κοινωνικών κονστρουκτιβιστικών διεργασιών στην κατανομή των αναφορών: ένα δικτυακό-αναλυτικό μοντέλο. Είμαι. Sociol. Rev. 63 (6), 829–846. https://doi.
org / 10.2307 / 2657504.
Baluja, J., Diago, MP, Balda, P., Zorer, R., Meggio, F., Morales, F., Tardaguila, J., 2012. Assessment of vineyard status status variability by thermal and multispectral
εικόνες με χρήση μη επανδρωμένου εναέριου οχήματος (UAV). Irrig. Sci. 30 (6), 511–522. https://doi.org/10.1007/s00271-012-0382-9.
Barabaschi, D., Tondelli, A., Desiderio, F., Volante, A., Vaccino, P., Val`e, G., Cattivelli, L., Αναπαραγωγή επόμενης γενιάς. Plant Sci. 242, 3–13. https://doi.org/10.1016/j.
plantsci.2015.07.010.
Barbedo, JGA, Koenigkan, LV, 2018. Προοπτικές για τη χρήση μη επανδρωμένων εναέριων συστημάτων για την παρακολούθηση των βοοειδών. 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. Υπερφασματικό χαμηλού βάρους και βασισμένο σε UAV κάμερες πλήρους κάδρου
για την παρακολούθηση των καλλιεργειών: Φασματική σύγκριση με μετρήσεις φορητών φασματοραδιομέτρων. 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., Aerial remote sensing in agriculture: A πρακτική προσέγγιση στην κάλυψη της περιοχής
και σχεδιασμός διαδρομής για στόλους μίνι εναέριων ρομπότ. 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. Μια έρευνα σχετικά με την εφαρμογή αλγορίθμων σχεδιασμού διαδρομής για UAV με πολλαπλούς ρότορες με ακρίβεια
γεωργία. J. Navig. 75 (2), 364–383.
Basnet, B., Bang, J., 2018. The state-of-the-art της γεωργίας έντασης γνώσης: μια ανασκόπηση σχετικά με τα εφαρμοσμένα συστήματα ανίχνευσης και την ανάλυση δεδομένων. J. Sens. 2018, 1–13.
Bendig, J., Bolten, A., Bareth, G., 2013. Απεικόνιση βασισμένη σε UAV για πολυχρονικά, πολύ υψηλής ανάλυσης μοντέλα επιφάνειας καλλιέργειας για την παρακολούθηση της μεταβλητότητας της ανάπτυξης των καλλιεργειών. 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. Εκτίμηση βιομάζας κριθαριού χρησιμοποιώντας μοντέλα επιφάνειας καλλιέργειας (CSMs) που προέρχονται από απεικόνιση RGB με βάση UAV. Τηλεπισκόπηση 6 (11), 10395–10412.
Bendig, J., Yu, K., Aasen, H., Bolten, A., Bennertz, S., Broscheit, J., Gnyp, ML, Bareth, G., 2015. Συνδυάζοντας το ύψος του φυτού που βασίζεται σε UAV από την επιφάνεια της καλλιέργειας μοντέλα,
ορατοί και σχεδόν υπέρυθροι δείκτες βλάστησης για παρακολούθηση βιομάζας στο κριθάρι. Int. J. Appl. Earth Obs. Geoinf. 39, 79–87. https://doi.org/10.1016/j.jag.2015.02.012.
Berni, JA, Zarco-Tejada, PJ, Sepulcre-Canto, ´ G., Fereres, E., Villalobos, F., 2009a. Χαρτογράφηση αγωγιμότητας θόλου και CWSI σε ελαιώνες με χρήση υψηλής ανάλυσης
θερμικές εικόνες τηλεπισκόπησης. Περιβάλλον τηλεαισθητήρα. 113 (11), 2380–2388. https://doi.org/10.1016/j.rse.2009.06.018.
Berni, JA, Zarco-Tejada, PJ, Suarez, ´ L., Fereres, E., 2009β. Θερμική και στενής ζώνης πολυφασματική τηλεπισκόπηση για παρακολούθηση βλάστησης από μη επανδρωμένο αεροσκάφος. IEEE Trans. Geosci. Remote Sens. 47 (3), 722–738.
Bouzembrak, Y., Klüche, M., Gavai, A., Marvin, HJP, 2019. Διαδίκτυο των πραγμάτων στην ασφάλεια των τροφίμων: Ανασκόπηση βιβλιογραφίας και βιβλιομετρική ανάλυση. Trends Food Sci. Τεχνολ. 94,54–64. https://doi.org/10.1016/j.tifs.2019.11.002.
Brewster, C., Roussaki, I., Kalatzis, N., Doolin, K., Ellis, K., 2017. IoT in agriculture: Designing a Europeanwide large-scale pilot. IEEE Commun. Mag. 55 (9), 26–33.
Buters, TM, Belton, D., Cross, AT, 2019. Παρακολούθηση UAV με πολλαπλούς αισθητήρες μεμονωμένων φυτών και κοινοτήτων σπορόφυτων με ακρίβεια χιλιοστού. Drones 3 (4), 81.
https://doi.org/10.3390/drones3040081.
Candiago, S., Remondino, F., De Giglio, M., Dubbini, M., Gattelli, M., 2015. Αξιολόγηση πολυφασματικών εικόνων και δεικτών βλάστησης για εφαρμογές γεωργίας ακριβείας από εικόνες UAV. Τηλεπισκόπηση 7 (4), 4026–4047. https://doi.org/10.3390/rs70404026.
Cao, Y., Li, GL, Luo, YK, Pan, Q., Zhang, SY, 2020. Παρακολούθηση δεικτών ανάπτυξης ζαχαρότευτλων χρησιμοποιώντας δείκτη βλάστησης ευρείας δυναμικής περιοχής (WDRVI) που προέρχεται από UAV
πολυφασματικές εικόνες. Υπολογιστής. Ηλεκτρόνιο. Αγρ. 171, 105331 https://doi.org/10.1016/j.compag.2020.105331.
Casillas, J., Acedo, F., 2007. Evolution of the intellectual structure of family business literature: a bibliometric study of FBR. Family Business Rev. 20 (2), 141–162.
Cen, H., Wan, L., Zhu, J., Li, Y., Li, X., Zhu, Y., Weng, H., Wu, W., Yin, W., Xu, C., Bao, Y., Feng, L., Shou, J., He, Y., 2019. Δυναμική παρακολούθηση της βιομάζας του ρυζιού κάτω από
διαφορετικές επεξεργασίες αζώτου χρησιμοποιώντας ένα ελαφρύ UAV με διπλές κάμερες στιγμιότυπου καρέ εικόνας. Plant Methods 15 (1), 32. https://doi.org/10.1186/s13007-019-
0418-8.
Chamuah, A., Singh, R., 2019. Διασφάλιση της βιωσιμότητας στην ινδική γεωργία μέσω μη στρατιωτικών UAV: μια υπεύθυνη προοπτική καινοτομίας. Εφαρμογή SN. Sci. 2 (1), 106. https://
doi.org/10.1007/s42452-019-1901-6.
Chamuah, A., Singh, R., 2022. Υπεύθυνη διακυβέρνηση καινοτομιών μη επανδρωμένων αεροσκαφών (UAV) για εφαρμογές ασφάλισης ινδικών καλλιεργειών. J. Υπεύθυνος
Τεχνολ. 9, 100025 https://doi.org/10.1016/j.jrt.2022.100025.
Chen, A., Orlov-Levin, V., Meron, M., 2019. Εφαρμογή εναέριας απεικόνισης ορατού καναλιού υψηλής ανάλυσης του θόλου των καλλιεργειών στη διαχείριση άρδευσης ακριβείας. Αγρ. Νερό
Manag. 216, 196–205. https://doi.org/10.1016/j.agwat.2019.02.017.
Daakir, M., Pierrot-Deseilligny, M., Bosser, P., Pichard, F., Thom, C., Rabot, Y., Martin, O., 2017. Ελαφρύ UAV με ενσωματωμένη φωτογραμμετρία και εντοπισμό θέσης GPS μονής συχνότητας για εφαρμογές μετρολογίας. ISPRS J. Photogramm. Remote Sens. 127, 115–126. https://doi.org/10.1016/j.isprsjprs.2016.12.007.
Dawaliby, S., Aberkane, A., Bradai, A., 2020. Πλατφόρμα IoT που βασίζεται σε Blockchain για αυτόνομη διαχείριση λειτουργιών drone. Στο: Πρακτικά Β' ΑΚΜ
Εργαστήριο MobiCom σχετικά με τις ασύρματες επικοινωνίες με τη βοήθεια Drone για 5G και πέρα, σελ. 31–36. https://doi.org/10.1145/3414045.3415939.
Day, RA, Gastel, B., 1998. Πώς να γράψετε και να δημοσιεύσετε μια επιστημονική εργασία. Cambridge University Press. de Castro, AI, Pena, ˜ JM, Torres-Sanchez, ´ J., Jim´enez-Brenes, FM, ValenciaGredilla, F., Recasens, J., Lopez-Granados, ´ F., 2020. Χαρτογράφηση cynodon dactylon Καλύψτε τις καλλιέργειες με διαδικασία αυτόματης απόφασης δέντρου-OBIA και εικόνες UAV για αμπελουργία ακριβείας. Τηλεπισκόπηση 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. Ένας αυτόματος αλγόριθμος τυχαίου δάσους-OBIA για πρώιμη χαρτογράφηση ζιζανίων μεταξύ και εντός των σειρών καλλιεργειών χρησιμοποιώντας εικόνες UAV. Τηλεπισκόπηση 10 (2). https://doi.org/10.3390/rs10020285.
Demir, N., Sonmez, ¨ NK, Akar, T., Ünal, S., 2018. Automated Measurement of Plant Height of Wheat Genotypes Using a DSM Produced from UAV Imagery. Πρακτικά 2 (7), 350. https://doi.org/10.3390/ecrs-2-05163.
Deng, J., Zhong, Z., Huang, H., Lan, Y., Han, Y., Zhang, Y., 2020. Ελαφρύ σημασιολογικό δίκτυο τμηματοποίησης για χαρτογράφηση ζιζανίων σε πραγματικό χρόνο χρησιμοποιώντας μη επανδρωμένα εναέρια οχήματα. Appl. Sci. 10 (20), 7132. https://doi.org/10.3390/app10207132.
Deng, L., Mao, Z., Li, X., Hu, Z., Duan, F., Yan, Y., 2018. Πολυφασματική τηλεπισκόπηση βασισμένη σε UAV για γεωργία ακριβείας: σύγκριση μεταξύ διαφορετικών καμερών. ISPRS J. Photogramm. Remote Sens. 146, 124–136.
Diaz-Gonzalez, FA, Vuelvas, J., Correa, CA, Vallejo, VE, Patino, D., 2022. Τεχνικές μηχανικής μάθησης και τηλεπισκόπησης που εφαρμόζονται για την εκτίμηση των δεικτών εδάφους – ανασκόπηση. 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. Υψηλής ανάλυσης αερομεταφερόμενες εικόνες UAV για την αξιολόγηση παραμέτρων στέμματος ελιάς χρησιμοποιώντας τρισδιάστατη φωτογραφία
ανακατασκευή: εφαρμογή σε δοκιμές αναπαραγωγής. Τηλεπισκόπηση 7 (4), 4213–4232. https://doi.org/10.3390/rs70404213.
Dixit, A., Jakhar, SK, 2021. Διαχείριση χωρητικότητας αεροδρομίου: ανασκόπηση και βιβλιομετρική ανάλυση. J. Air Transp. Manag. 91, 102010.
Dong, T., Shang, J., Liu, J., Qian, B., Jing, Q., Ma, B., Huffman, T., Geng, X., Sow, A., Shi, Y., Canisius, F., Jiao, X., Kovacs, JM, Walters, D., Cable, J., Wilson, J., 2019.
Χρήση εικόνων RapidEye για τον προσδιορισμό της μεταβλητότητας εντός του αγρού της ανάπτυξης και της απόδοσης των καλλιεργειών στο Οντάριο του Καναδά. Ακριβείας Αγρ. 20 (6), 1231–1250. https://doi.org/10.1007/
s11119-019-09646-w.
Dutta, PK, Mitra, S., 2021. Εφαρμογή γεωργικών drones και iot για την κατανόηση της αλυσίδας εφοδιασμού τροφίμων κατά τη μετά τον COVID-19. Σε: Choudhury, A., Biswas, A., Prateek, M.,
Chakrabarti, A. (Επιμ.), Agricultural Informatics: Automation Using the IoT and Machine Learning. Wiley, σελ. 67–87. van Eck, N., Waltman, L., 2009. Έρευνα λογισμικού: VOSviewer, ένα πρόγραμμα υπολογιστή για βιβλιομετρική χαρτογράφηση. 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. Μια επισκόπηση του Διαδικτύου των πραγμάτων (IoT) και της ανάλυσης δεδομένων στη γεωργία: οφέλη και προκλήσεις.
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. Επικύρωση γεωπονικών UAV και πεδίο
μετρήσεις για ποικιλίες τομάτας. Υπολογιστής. Ηλεκτρόνιο. Αγρ. 158, 278–283. https:// doi.org/10.1016/j.compag.2019.02.011.
Espinoza, CZ, Khot, LR, Sankaran, S., Jacoby, PW, 2017. Αξιολόγηση υδατικής καταπόνησης πολυφασματικής και θερμικής τηλεπισκόπησης υψηλής ανάλυσης σε
υποεπιφανειακά αρδευόμενα αμπέλια. Τηλεπισκόπηση 9 (9), 961. https://doi.org/ 10.3390/rs9090961.
Ewing, J., Oommen, T., Jayakumar, P., Alger, R., 2020. Χρησιμοποιώντας την υπερφασματική τηλεπισκόπηση για τη διαβάθμιση του εδάφους. Τηλεπισκόπηση 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. Αξιολόγηση πολλαπλών κλιμάκων πολυφασματικής ανάκλασης επιφάνειας και δεικτών βλάστησης που βασίζονται σε drones σε λειτουργικές συνθήκες. Τηλεπισκόπηση 12 (3), 514.
Feng, X., Yan, F., Liu, X., 2019. Μελέτη των τεχνολογιών ασύρματης επικοινωνίας στο Διαδίκτυο των πραγμάτων για τη γεωργία ακριβείας. Ασύρματο Pers. Commun. 108 (3),
1785-1802.
Ferreira, MP, Pinto, CF, Serra, FR, 2014. Η θεωρία του κόστους συναλλαγής στη διεθνή επιχειρηματική έρευνα: μια βιβλιομετρική μελέτη για τρεις δεκαετίες. 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. Πρόοδοι στη γεωργία ακριβείας στη νοτιοανατολική Αυστραλία. I. μια μεθοδολογία παλινδρόμησης για προσομοίωση
χωρική διακύμανση στις αποδόσεις των δημητριακών χρησιμοποιώντας ιστορικές αποδόσεις μάντρας των αγροτών και κανονικοποιημένο δείκτη βλάστησης διαφοράς. Crop Pasture Sci. 60 (9), 844–858.
Floreano, D., Wood, RJ, 2015. Επιστήμη, τεχνολογία και το μέλλον των μικρών αυτόνομων drones. Nature 521 (7553), 460–466. https://doi.org/10.1038/nature14542.
Friha, O., Ferrag, MA, Shu, L., Maglaras, LA, Wang, X., 2021. Διαδίκτυο των πραγμάτων για το μέλλον της έξυπνης γεωργίας: μια ολοκληρωμένη έρευνα των αναδυόμενων τεχνολογιών. 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. Τμηματοποίηση φυτών σύκου από εναέριες εικόνες χρησιμοποιώντας ένα βαθύ συνελικτικό δίκτυο κωδικοποιητή-αποκωδικοποιητή. Τηλεπισκόπηση 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. Τα UAVs προκαλούν την αξιολόγηση του υδατικού στρες για
βιώσιμη γεωργία. Αγρ. Διαχείριση νερού. 153, 9–19. https://doi.org/10.1016/j. agwat.2015.01.020.
García-Tejero, IF, Rubio, AE, Vinuela, ˜ I., Hern´ andez, A., Guti´errez-Gordillo, S., Rodríguez-Pleguezuelo, CR, Dur´ an-Zuazo, VH, 2018. Θερμική απεικόνιση στο εργοστάσιο
επίπεδο για την αξιολόγηση της κατάστασης των καλλιεργειών-υδάτων στις αμυγδαλιές (π.χ. Guara) στο πλαίσιο στρατηγικών ελλειμματικής άρδευσης. Αγρ. Διαχείριση νερού. 208, 176–186. https://doi.org/10.1016/j.
agwat.2018.06.002.
Garzonio, R., Di Mauro, B., Colombo, R., Cogliati, S., 2017. Επιφανειακή ανάκλαση και μετρήσεις φασματοσκοπίας φθορισμού που προκαλείται από τον ήλιο χρησιμοποιώντας ένα μικρό υπερφασματικό UAS. Τηλεπισκόπηση 9 (5), 472. https://doi.org/10.3390/rs9050472. Gaˇsparovi´c, M., Zrinjski, M., Barkovi´c, Đ., Radoˇcaj, D., 2020. Μια αυτόματη μέθοδος για
χαρτογράφηση ζιζανίων σε χωράφια βρώμης με βάση εικόνες UAV. Υπολογιστής. Ηλεκτρόνιο. Αγρ.
Gebbers, R., Adamchuk, VI, 2010. Γεωργία ακριβείας και επισιτιστική ασφάλεια. Science 327 (5967), 828–831. https://doi.org/10.1126/science.1183899.
Geipel, J., Link, J., Claupein, W., 2014. Συνδυασμένη φασματική και χωρική μοντελοποίηση απόδοσης καλαμποκιού με βάση εναέριες εικόνες και μοντέλα επιφάνειας καλλιέργειας που αποκτήθηκαν με σύστημα μη επανδρωμένου αεροσκάφους. Τηλεπισκόπηση 6 (11), 10335–10355. https://doi.org/10.3390/rs61110335.
Geng, D., Feng, Y., Zhu, Q., 2020. Βιώσιμος σχεδιασμός για χρήστες: ανασκόπηση βιβλιογραφίας και βιβλιομετρική ανάλυση. Περιβάλλω. Sci. Ρύπανση. Res. 27 (24), 29824–29836. https://doi. org/10.1007/s11356-020-09283-1.
Gevaert, CM, Suomalainen, J., Tang, J., Kooistra, L., 2015. Δημιουργία επιφανειών φασματικής χρονικής απόκρισης με συνδυασμό πολυφασματικού δορυφόρου και υπερφασματικού
Εικόνες UAV για εφαρμογές γεωργίας ακριβείας. IEEE J. Sel. Μπλουζα. Appl. Earth Obs. Remote Sens. 8 (6), 3140–3146. ttps://doi.org/10.1109/JSTARS.2015.2406339.
Gill, SS, Chana, I., Buyya, R., 2017. Η γεωργία που βασίζεται στο IoT ως cloud και μεγάλη υπηρεσία δεδομένων: η αρχή της ψηφιακής Ινδίας. J. Org. και Υπολογισμός Τελικού Χρήστη. (JOEUC) 29 (4),
1-23.
Gmür, M., 2006. Ανάλυση συν-παραπομπής και αναζήτηση για αόρατα κολέγια: μια μεθοδολογική αξιολόγηση. Scientometrics 57 (1), 27–57. https://doi.org/10.1023/
a:1023619503005.
Gnadinger, ¨ F., Schmidhalter, U., 2017. Ψηφιακές μετρήσεις φυτών αραβοσίτου από μη επανδρωμένα εναέρια οχήματα (UAVs). Τηλεπισκόπηση 9 (6). Https://doi.org/10.3390/rs9060544.
Gokto ¨ ǧan, AH, Sukkarieh, S., Bryson, M., Randle, J., Lupton, T., Hung, C., 2010. Ένα μη επανδρωμένο αεροσκάφος με περιστροφική πτέρυγα για παρακολούθηση υδρόβιων ζιζανίων και
διαχείριση. J. Intell. Ρομποτική Συστ.: Θεωρ. 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. Αξιολόγηση της ακρίβειας ψηφιδωτών από εικόνες μη επανδρωμένων εναέριων οχημάτων (UAV) για σκοπούς γεωργίας ακριβείας στο σιτάρι. Περίληψη. Αγρ. 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. Φαινότυπος πεδίου της υδατικής καταπόνησης σε κλίμακα δέντρων με εικόνες με ανίχνευση UAV : νέες πληροφορίες για
θερμική απόκτηση και βαθμονόμηση. Περίληψη. Αγρ. 17 (6), 786–800. https://doi.org/10.1007/s11119-016-9449-6.
Gonzalez-Dugo, V., Zarco-Tejada, PJ, Fereres, E., 2014. Εφαρμογή και περιορισμοί της χρήσης του δείκτη υδατικής καταπόνησης των καλλιεργειών ως δείκτη υδατικών ελλειμμάτων σε οπωρώνες εσπεριδοειδών. Αγρ. Για. 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. Χρήση θερμικών εικόνων UAV υψηλής ανάλυσης για
να αξιολογήσει τη μεταβλητότητα στην κατάσταση του νερού πέντε ειδών οπωροφόρων δέντρων σε έναν εμπορικό οπωρώνα. Περίληψη. Αγρ. 14 (6), 660–678. https://doi.org/10.1007/s11119-013-9322-9.
Goyal, K., Kumar, S., 2021. Financial literacy: A systematic review and bibliometric analysis. Int. J. Consumer Studies 45 (1), 80–105. https://doi.org/10.1111/
ijcs.12605.
Grenzdorffer, ¨ GJ, Engel, A., Teichert, B., 2008. Το φωτογραμμετρικό δυναμικό των χαμηλού κόστους uav στη δασοκομία και τη γεωργία. International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences – ISPRS Archives 37, 1207–1213. https://www.scopus.com/inward/record.uri?eid=2-s2.0-85039543258&partnerI D=40&md5=b4b2d639257e8ddb5a373d15959c4e1e.
Guan, S., Fukami, K., Matsunaka, H., Okami, M., Tanaka, R., Nakano, H., Sakai, T., Nakano, K., Ohdan, H., Takahashi, K., 2019. Αξιολόγηση συσχέτισης υψηλής ευκρίνειας
NDVI με επίπεδο εφαρμογής λιπάσματος και απόδοση σε καλλιέργειες ρυζιού και σιταριού χρησιμοποιώντας μικρά UAV. Τηλεπισκόπηση 11 (2), 112.
Gundolf, K., Filser, M., 2013. Έρευνα διαχείρισης και θρησκεία: ανάλυση παραπομπών. J. Λεωφορείο. Ethics 112 (1), 177–185.
Guo, Q., Zhu, Y., Tang, Y., Hou, C., He, Y., Zhuang, J., Zheng, Y., Luo, S., 2020. Προσομοίωση CFD και πειραματική επαλήθευση του χωρικού και χρονικές κατανομές των
η ροή αέρα κατεβάσματος ενός αγροτικού UAV με τέσσερις ρότορες σε αιώρηση. Υπολογιστής. Ηλεκτρόνιο. Αγρ. 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. , Πολωνία, J., 2016.
Εφαρμογή μη επανδρωμένων εναέριων συστημάτων για φαινοτυποποίηση υψηλής απόδοσης μεγάλων φυτωρίων σιταριού αναπαραγωγής. Μέθοδοι φυτών 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. Φασματική απεικόνιση από UAV υπό ποικίλες συνθήκες φωτισμού . Στο GG Bill R. (Επιμ.), International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences—ISPRS Archives (Vol. 40, Issue 1W2, σελ. 189–194). Διεθνής Εταιρεία Φωτογραμμετρίας και Τηλεπισκόπησης. 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.Evaluating techniques for mapping island vegetation from unmanned aerial
εικόνες οχήματος (UAV): Προσεγγίσεις ταξινόμησης pixel, οπτικής ερμηνείας και μηχανικής μάθησης. Int. J. Appl. Earth Obs. Geoinf. 89, 102085 https://doi.org/
10.1016/j.jag.2020.102085.
Haque, A., Islam, N., Samrat, NH, Dey, S., Ray, B., 2021. Έξυπνη γεωργία μέσω υπεύθυνης ηγεσίας στο Μπαγκλαντές: δυνατότητες, ευκαιρίες και πέρα από αυτό.
Sustainability 13 (8), 4511.
Hardin, PJ, Hardin, TJ, 2010. Μικρής κλίμακας τηλεχειριζόμενα οχήματα στην περιβαλλοντική έρευνα. Geography Compass 4 (9), 1297–1311. ttps://doi.org/10.1111/j.1749-
8198.2010.00381.x.
Hardin, PJ, Jensen, RR, 2011. Μη επανδρωμένα εναέρια οχήματα μικρής κλίμακας στην περιβαλλοντική τηλεπισκόπηση: προκλήσεις και ευκαιρίες. GISci. Remote Sens. 48 (1), 99–111. https://doi.org/10.2747/1548-1603.48.1.99.
He, Y., Nie, P., Zhang, Q., Liu, F., 2021. Agricultural Internet of Things: technology and applications, (1st ed. 2021 edition). Πηδών.
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.
Απεικόνιση από μη επανδρωμένο αεροσκάφος: αγροτική επιτήρηση και υποστήριξη αποφάσεων. Υπολογιστής. Ηλεκτρόνιο. Αγρ. 44 (1), 49–61. https://doi.org/10.1016/j.
συμπαγ.2004.02.006.
Holman, FH, Riche, AB, Michalski, A., Castle, M., Wooster, MJ, Hawkesford, MJ, Φαινότυπος πεδίου υψηλής απόδοσης του ύψους του φυτού σίτου και του ρυθμού ανάπτυξης σε δοκιμές χωραφιού με χρήση τηλεπισκόπησης με βάση UAV. Τηλεπισκόπηση 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. Επεξεργασία και αξιολόγηση φασματομετρικών, στερεοσκοπικών εικόνων που συλλέγονται χρησιμοποιώντας μια ελαφριά φασματική κάμερα UAV για γεωργία ακριβείας. Τηλεπισκόπηση 5 (10), 5006–5039. https://doi.org/10.3390/rs5105006.
Hossein Motlagh, N., Taleb, T., Arouk, O., 2016. Υπηρεσίες Διαδικτύου πραγμάτων βασισμένων σε μη επανδρωμένα εναέρια οχήματα χαμηλού υψομέτρου: ολοκληρωμένη έρευνα και μελλοντικές προοπτικές. 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. Συνδυασμένη οπτική ροή και στερεοφωνική πλοήγηση αστικών φαραγγιών για ένα UAV. Σε: 2005 IEEE/RSJ
International Conference on Intelligent Robots and Systems, σελ. 3309–3316. https://doi.org/10.1109/IROS.2005.1544998.
Hsu, T.-C., Yang, H., Chung, Y.-C., Hsu, C.-H., 2020. A Creative IoT agriculture platform for cloud fog computing. Υποστηρίζω. Υπολογιστής. Inf. Συστ. 28, 100285.
Huang, H., Deng, J., Lan, Y., Yang, A., Deng, X., Zhang, L., Gonzalez-Andujar, JL, 2018. Ένα πλήρως συνελικτικό δίκτυο για χαρτογράφηση ζιζανίων μη επανδρωμένων εναέριων οχημάτων ( UAV) εικόνες. PLoS ONE 13 (4), e0196302.
Huang, H., Lan, Y., Yang, A., Zhang, Y., Wen, S., Deng, J., 2020. Βαθιά μάθηση έναντι Ανάλυσης εικόνας βάσει αντικειμένων (OBIA) στη χαρτογράφηση ζιζανίων εικόνων UAV. 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. Βαθμονόμηση σε βάθος χρώματος για εικόνες UAV στην παρακολούθηση των καλλιεργειών
χρησιμοποιώντας μεταφορά σημασιολογικού στυλ με τοπική σε παγκόσμια προσοχή. Int. J. Appl. Earth Obs. Geoinf. 104, 102590 https://doi.org/10.1016/j.jag.2021.102590.
Huang, YB, Thomson, SJ, Hoffmann, WC, Lan, YB, Fritz, BK, 2013. Ανάπτυξη και προοπτική τεχνολογιών μη επανδρωμένων εναέριων οχημάτων για γεωργική παραγωγή
διαχείριση. Int. J. Agric. Biol. Eng. 6 (3), 1–10. https://doi.org/10.3965/j. ijabe.20130603.001.
Huang, Y., Hoffmann, WC, Lan, Y., Wu, W., Fritz, BK, 2009. Ανάπτυξη συστήματος ψεκασμού για πλατφόρμα μη επανδρωμένων οχημάτων αέρος. Appl. Eng. Αγρ. 25 (6), 803–809.
Hunt Jr., ER, Dean Hively, W., Fujikawa, SJ, Linden, DS, Daughtry, CST, McCarty, GW, 2010. Απόκτηση ψηφιακών φωτογραφιών NIR-πράσινο-μπλε από
μη επανδρωμένα αεροσκάφη για την παρακολούθηση των καλλιεργειών. Τηλεπισκόπηση 2 (1), 290–305. https://doi. org/10.3390/rs2010290. Inoue, Y., 2020. Τηλεπισκόπηση καλλιεργειών και εδαφών για έξυπνη γεωργία με δορυφόρο και drone – μια ανασκόπηση. Soil Sci. Φυτό 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. Ανασκόπηση εφαρμογών και τεχνολογιών επικοινωνίας για το Διαδίκτυο των Πραγμάτων (IoT) και
Βιώσιμη έξυπνη γεωργία βασισμένη σε μη επανδρωμένα εναέρια οχήματα (UAV). Sustainability 13 (4), 1821. https://doi.org/10.3390/su13041821.
Jaud, M., Passot, S., Le Bivic, R., Delacourt, C., Grandjean, P., Le Dantec, N., 2016. Αξιολόγηση της ακρίβειας μοντέλων ψηφιακών επιφανειών υψηλής ανάλυσης που υπολογίζονται από
PhotoScan® και MicMac® σε μη βέλτιστες συνθήκες έρευνας. Τηλεπισκόπηση 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. Ποσοτικοποίηση των επιπτώσεων κλαδέματος στην αρχιτεκτονική του ελαιόδεντρου και την ετήσια ανάπτυξη θόλου χρησιμοποιώντας τρισδιάστατη μοντελοποίηση που βασίζεται σε UAV. Μέθοδοι φυτών 3 (13). https://doi.org/1/s10.1186-13007-017-0205.
Jin, X., Liu, S., Baret, F., Hemerl´e, M., Comar, A., 2017. Εκτιμήσεις της πυκνότητας φυτών των καλλιεργειών σίτου κατά την ανάδυση από εικόνες UAV πολύ χαμηλού υψομέτρου. Τηλεαισθητήρες.
Περιβάλλω. 198, 105–114. https://doi.org/10.1016/j.rse.2017.06.007.
Jinbo, C., Xiangliang, C., Han-Chi, F., Lam, A., 2019. Σύστημα παρακολούθησης γεωργικών προϊόντων που υποστηρίζεται από υπολογιστικό νέφος. Cluster Comput. 22 (4), 8929–8938.
Ju, C., & Son, HI 2018a. Αξιολόγηση απόδοσης πολλαπλών συστημάτων UAV για τηλεπισκόπηση στη γεωργία. Πρακτικά του Workshop on Robotic Vision and Action in Agriculture στο Διεθνές Συνέδριο IEEE on Robotics and Automation (ICRA), Μπρίσμπεϊν, Αυστραλία, 21–26.
Ju, C., Son, HI, 2018b. Πολλαπλά συστήματα UAV για γεωργικές εφαρμογές: έλεγχος, υλοποίηση και αξιολόγηση. Ηλεκτρονικά 7 (9), 162. https://doi.org/10.3390/
ηλεκτρονικά 7090162.
Jung, J., Maeda, M., Chang, A., Bhandari, M., Ashapure, A., Landivar-Bowles, J., 2021. Οι δυνατότητες της τηλεπισκόπησης και της τεχνητής νοημοσύνης ως εργαλεία για τη βελτίωση της
ανθεκτικότητα των συστημάτων γεωργικής παραγωγής. Curr. Γνώμη. Biotechnol. 70, 15–22. https://doi.org/10.1016/j.copbio.2020.09.003.
Kalischuk, M., Paret, ML, Freeman, JH, Raj, D., Da Silva, S., Eubanks, S., Wiggins, DJ, Lollar, M., Marois, JJ, Mellinger, HC, Das, J. , 2019. Μια βελτιωμένη τεχνική ανίχνευσης καλλιεργειών που ενσωματώνει πολυφασματική απεικόνιση καλλιεργειών με τη βοήθεια μη επανδρωμένων εναέριων οχημάτων στη συμβατική πρακτική ανίχνευσης για κολλώδη λοίμωξη στελέχους στο καρπούζι. Φυτό Dis. 103 (7), 1642–1650.
Kapoor, KK, Tamilmani, K., Rana, NP, Patil, P., Dwivedi, YK, Nerur, S., 2018. Πρόοδοι στην έρευνα των μέσων κοινωνικής δικτύωσης: παρελθόν, παρόν και μέλλον. Πληροφορώ. Συστ. Εμπρός. 20
(3), 531-558.
Kerkech, M., Hafiane, A., Canals, R., 2020. VddNet: δίκτυο ανίχνευσης ασθενειών αμπέλου που βασίζεται σε πολυφασματικές εικόνες και χάρτη βάθους. Τηλεπισκόπηση 12 (20), 3305. https://doi. org/10.3390/rs12203305.
Khaliq, A., Comba, L., Biglia, A., Ricauda Aimonino, D., Chiaberge, M., Gay, P., 2019. Σύγκριση δορυφορικών και πολυφασματικών εικόνων που βασίζονται σε UAV για αμπελώνα
αξιολόγηση μεταβλητότητας. Τηλεπισκόπηση 11 (4). https://doi.org/10.3390/rs11040436.
Khan, PW, Byun, Y.-C., Park, N., 2020. Το IoT-blockchain ενεργοποίησε βελτιστοποιημένο σύστημα προέλευσης για τη βιομηχανία τροφίμων 4.0 χρησιμοποιώντας προηγμένη βαθιά μάθηση. Sensors 20 (10), 2990.
Khan, RU, Khan, K., Albattah, W., Qamar, AM, Ullah, F., 2021. Ανίχνευση φυτικών ασθενειών βάσει εικόνας: από την κλασική μηχανική μάθηση έως το ταξίδι βαθιάς μάθησης. Ασύρματη επικοινωνία. Φορητός Υπολογιστής. 2021, 1–13.
Khan, S., Tufail, M., Khan, MT, Khan, ZA, Iqbal, J., Alam, M., Le, KNQ, 2021. Ένα νέο ημι-εποπτευόμενο πλαίσιο για ταξινόμηση καλλιέργειας/ζιζανίων που βασίζεται σε UAV. PLoS ONE 16 (5), e0251008.
Khanal, S., Fulton, J., Shearer, S., 2017. Μια επισκόπηση των τρεχουσών και πιθανών εφαρμογών της θερμικής τηλεπισκόπησης στη γεωργία ακριβείας. Υπολογιστής. Ηλεκτρόνιο.
Αγρ. 139, 22–32. https://doi.org/10.1016/j.compag.2017.05.001.
Khanna, A., Kaur, S., 2019. Εξέλιξη του Διαδικτύου των Πραγμάτων (IoT) και η σημαντική επίδρασή του στον τομέα της Γεωργίας Ακριβείας. Υπολογιστής. Ηλεκτρόνιο. Αγρ. 157, 218–231.
Kim, W., Khan, GF, Wood, J., Mahmood, MT, 2016. Εμπλοκή εργαζομένων για βιώσιμους οργανισμούς: ανάλυση λέξεων-κλειδιών με χρήση ανάλυσης κοινωνικών δικτύων και ριπής
προσέγγιση ανίχνευσης. Αειφορία 8 (7), 631.
Kirsch, M., Lorenz, S., Zimmermann, R., Tusa, L., Mockel, ¨ R., Hodl, ¨ P., Booysen, R., Khodadadzadeh, M., Gloaguen, R., 2018. Integration επίγειων και drones
υπερφασματικές και φωτογραμμετρικές μέθοδοι ανίχνευσης για χαρτογράφηση εξερεύνησης και παρακολούθηση εξόρυξης. Τηλεπισκόπηση 10 (9), 1366. https://doi.org/10.3390/
rs10091366.
Kitano, BT, Mendes, CCT, Geus, AR, Oliveira, HC, Souza, JR, 2019. Καταμέτρηση φυτών καλαμποκιού με χρήση εικόνων βαθιάς μάθησης και UAV. IEEE Geosci. Τηλεπισκόπηση Lett. 1–5 https://doi.org/10.1109/LGRS.2019.2930549.
Koh, JCO, Spangenberg, G., Kant, S., 2021. Αυτοματοποιημένη μηχανική μάθηση για φαινοτυποποίηση φυτών με βάση την εικόνα υψηλής απόδοσης. Τηλεπισκόπηση 13 (5), 858. https://
doi.org/10.3390/rs13050858.
Kovalev, IV, Voroshilova, AA, 2020. Σύγχρονες τεχνολογικές τάσεις στην ανάπτυξη του οικοσυστήματος των UAV φορτίου. J. Phys. Συνδ. Ser. 1515 (5), 052068 https://doi. org/10.1088/1742-6596/1515/5/052068.
Krul, S., Pantos, C., Frangulea, M., Valente, J., 2021. Οπτικό SLAM για κτηνοτροφία και γεωργία εσωτερικού χώρου με χρήση μικρού drone με μονόφθαλμη κάμερα: μελέτη σκοπιμότητας.
Drones 5 (2), 41. https://doi.org/10.3390/drones5020041.
Kulbacki, M., Segen, J., Knie´c, W., Klempous, R., Kluwak, K., Nikodem, J., Kulbacka, J., Serester, A., 2018. Survey of drones for agriculture automation από τη φύτευση έως
συγκομιδή. Στο: INES 2018 – IEEE 22nd International Conference on Intelligent Engineering Systems, σελ. 000353–358. https://doi.org/10.1109/INES.2018.8523943.
Λάγκας, Θ., Αργυρίου, Β., Μπιμπή, Σ., Σαρηγιαννίδης, Π., 2018. Προβολές και προκλήσεις πλαισίου UAV IoT: προς την προστασία των drones ως “Things”. Sensors 18 (11), 4015. https://doi.org/10.3390/s18114015.
Laliberte, AS, Rango, A., 2011. Διαδικασίες επεξεργασίας και ταξινόμησης εικόνων για ανάλυση υποδεκατόμετρων εικόνων που αποκτήθηκαν με μη επανδρωμένο αεροσκάφος πάνω από ξηρό
βοσκοτόπια. GISci. Remote Sens. 48 (1), 4–23. https://doi.org/10.2747/1548-1603.48.1.4.
Laliberte, AS, Rango, A., Herrick, JE, 2007. Μη επανδρωμένα εναέρια οχήματα για χαρτογράφηση και παρακολούθηση λιβαδιών: σύγκριση δύο συστημάτων. Πρακτικά Ετήσιου Συνεδρίου ASPRS.
Lam, OHY, Dogotari, M., Prüm, M., Vithlani, HN, Roers, C., Melville, B., Zimmer, F., Becker, R., 2021. Μια ροή εργασίας ανοιχτού κώδικα για χαρτογράφηση ζιζανίων σε γηγενή λιβάδια
χρήση μη επανδρωμένου εναέριου οχήματος: Χρήση Rumex obtusifolius ως μελέτη περίπτωσης. Ευρώ. 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. Υιοθέτηση, κερδοφορία και καλύτερη χρήση των δεδομένων γεωργίας ακριβείας.
Χαρτί εργασίας. Πανεπιστήμιο Purdue. https://doi.org/10.22004/ag.econ.28615.
Lelong, CCD, Burger, P., Jubelin, G., Roux, B., Labb´e, S., Baret, F., 2008. Αξιολόγηση εικόνων από μη επανδρωμένα εναέρια οχήματα για ποσοτική παρακολούθηση της καλλιέργειας σίτου σε μικρά αγροτεμάχια. Sensors 8 (5), 3557–3585. https://doi.org/10.3390/s8053557.
Li, C., Niu, B., 2020. Σχεδιασμός έξυπνης γεωργίας με βάση τα μεγάλα δεδομένα και το Διαδίκτυο των πραγμάτων. 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. Απομακρυσμένη εκτίμηση του ύψους του θόλου και της υπέργειας βιομάζας αραβοσίτου χρησιμοποιώντας στερεοφωνικές εικόνες υψηλής ανάλυσης από χαμηλού κόστους σύστημα μη επανδρωμένων οχημάτων. Ecol. Ind. 67, 637–648. https://doi.org/10.1016/j.ecolind.2016.03.036.
Liakos, KG, Busato, P., Moshou, D., Pearson, S., Bochtis, D., 2018. Machine learning in agriculture: a review. Αισθητήρες 18 (8), 2674.
Liebisch, F., Kirchgessner, N., Schneider, D., Walter, A., Hund, A., 2015. Απομακρυσμένος, εναέριος φαινοτυπικός προσδιορισμός των χαρακτηριστικών αραβοσίτου με μια κινητή προσέγγιση πολλαπλών αισθητήρων. Plant Methods 11 (1), 9. https://doi.org/10.1186/s13007-015-0048-8.
Lin, Z., Guo, W., 2020. Ανίχνευση και μέτρηση πανικού σόργου χρησιμοποιώντας εικόνες μη επανδρωμένων εναέριων συστημάτων και βαθιά εκμάθηση. Εμπρός. Plant Sci. 11.
Liu, S., Guo, L., Webb, H., Ya, X., Chang, X., 2019. Σύστημα παρακολούθησης του Διαδικτύου των Πραγμάτων της σύγχρονης οικολογικής γεωργίας που βασίζεται στο υπολογιστικό νέφος. IEEE Access 7, 37050–37058.
Lopez-Granados, ´ F., 2011. Ανίχνευση ζιζανίων για διαχείριση ζιζανίων ανά τοποθεσία: χαρτογράφηση και προσεγγίσεις σε πραγματικό χρόνο. 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. Πρώιμη παρακολούθηση με βάση το αντικείμενο ενός ζιζανίου χόρτου σε μια καλλιέργεια χόρτου χρησιμοποιώντας εικόνες UAV υψηλής ανάλυσης. Αγρόν. Υποστηρίζω. 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. Χαρτογράφηση ζιζανίων πρώιμης περιόδου στον ηλίανθο με χρήση τεχνολογίας UAV: μεταβλητότητα χαρτών επεξεργασίας ζιζανιοκτόνων έναντι των ορίων ζιζανίων. Περίληψη. Αγρ. 17 (2), 183–199.
Lucieer, A., Malenovský, Z., Veness, T., Wallace, L., 2014. HyperUAS – φασματοσκοπία απεικόνισης από ένα σύστημα μη επανδρωμένων αεροσκαφών με πολλαπλούς ρότορες. J. Field Rob. 31 (4),
571–590. https://doi.org/10.1002/rob.21508.
Lumme, J., Karjalainen, M., Kaartinen, H., Kukko, A., Hyyppa, ¨ J., Hyypp¨ a, H., Jaakkola, A., & Kleemola, J., 2008. Επίγεια σάρωση με λέιζερ γεωργικές καλλιέργειες. Στο JJ
Chen J. Maas H–G. (Επιμ.), International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences—ISPRS Archives (Τόμος 37, σελ. 563–566).
Διεθνής Εταιρεία Φωτογραμμετρίας και Τηλεπισκόπησης. 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. Μια ανασκόπηση της ταξινόμησης εικόνων κάλυψης εδάφους βάσει εποπτευόμενων αντικειμένων. ISPRS J. Photogramm. Remote Sens. 130,
277–293. https://doi.org/10.1016/j.isprsjprs.2017.06.001.
Maes, WH, Steppe, K., 2019. Προοπτικές για τηλεπισκόπηση με μη επανδρωμένα εναέρια οχήματα στη γεωργία ακριβείας. 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.
Φαινότυπος της σόγιας με βάση το μη επανδρωμένο εναέριο σύστημα (UAS) χρησιμοποιώντας σύντηξη δεδομένων πολλαπλών αισθητήρων και μηχανή ακραίας εκμάθησης. ISPRS J. Photogramm. Remote Sens. 134, 43–58. https://doi.org/10.1016/j.isprsjprs.2017.10.011. Maimaitijiang, M., Sagan, V., Sidike, P., Daloye, AM, Erkbol, H., Fritschi, FB, 2020.
Παρακολούθηση καλλιέργειας με χρήση δορυφορικής/UAV σύντηξης δεδομένων και μηχανικής εκμάθησης. Τηλεπισκόπηση 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 , Β., 2018. Περί χρήσης μη επανδρωμένων εναέριων συστημάτων για
περιβαλλοντική παρακολούθηση. Τηλεπισκόπηση 10 (4), 641.
Marinko, RA, 1998. Αναφορές σε περιοδικά γυναικείων σπουδών σε διατριβές, 1989 και The Serials Librarian 35 (1–2), 29–44. https://doi.org/10.1300/J123v35n01_
03.
Masroor, R., Naeem, M., Ejaz, W., 2021. Διαχείριση πόρων σε ασύρματα δίκτυα που υποστηρίζονται από UAV: μια προοπτική βελτιστοποίησης. Ad Hoc Δίκτυο. 121, 102596 https://doi.org/10.1016/j.adhoc.2021.102596.
Matese, A., Di Gennaro, SF, 2018. Πρακτικές εφαρμογές μιας πολυαισθητηριακής πλατφόρμας UAV βασισμένης σε πολυφασματικές, θερμικές και RGB εικόνες υψηλής ανάλυσης με ακρίβεια
αμπελοκομία. Γεωργία 8 (7), 116. https://doi.org/10.3390/agriculture8070116.
Matese, A., Di Gennaro, SF, 2021. Πέρα από τον παραδοσιακό δείκτη NDVI ως βασικός παράγοντας για την ενσωμάτωση της χρήσης UAV στην αμπελουργία ακριβείας. Sci. Απ. 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 Διασύγκριση UAV, αεροσκάφος
και δορυφορικές πλατφόρμες τηλεπισκόπησης για αμπελουργία ακριβείας. Τηλεπισκόπηση 7 (3), 2971–2990. https://doi.org/10.3390/rs70302971.
Mazzia, V., Comba, L., Khaliq, A., Chiaberge, M., Gay, P., 2020. Βελτίωση βασισμένη σε UAV και μηχανική μάθηση ενός δείκτη βλάστησης που βασίζεται σε δορυφόρους για ακρίβεια
γεωργία. Sensors 20 (9), 2530. https://doi.org/10.3390/s20092530.
McCain, KW, 1990. Χαρτογράφηση συγγραφέων στον πνευματικό χώρο: μια τεχνική επισκόπηση. Μαρμελάδα. Soc. Πληροφορίες. Sci. 41 (6), 433–443.
Meinen, BU, Robinson, DT, 2021. Μοντελοποίηση γεωργικής διάβρωσης: αξιολόγηση εκτιμήσεων διάβρωσης σε κλίμακα πεδίου USLE και WEPP χρησιμοποιώντας δεδομένα χρονοσειράς UAV. Περιβάλλω. Modell. Software 137, 104962. https://doi.org/10.1016/j.envsoft.2021.104962.
Melville, B., Lucieer, A., Aryal, J., 2019. Ταξινόμηση κοινοτήτων ιθαγενών λιβαδιών πεδινών με χρήση υπερφασματικών εικόνων Unmanned Aircraft System (UAS) στο
Μεσόγεια της Τασμανίας. Drones 3 (1), 5.
Messina, G., Modica, G., 2020. Εφαρμογές των θερμικών εικόνων UAV στη γεωργία ακριβείας: state of the art και προοπτικές μελλοντικής έρευνας. Τηλεπισκόπηση 12 (9), https://doi.org/10.3390/rs12091491.
Mishra, D., Luo, Z., Jiang, S., Papadopoulos, T., Dubey, R., 2017. Βιβλιογραφική μελέτη για μεγάλα δεδομένα: έννοιες, τάσεις και προκλήσεις. Business Process Manag. J. 23 (3),
555-573.
Mochida, K., Saisho, D., Hirayama, T., 2015. Βελτίωση καλλιεργειών με χρήση συνόλων δεδομένων κύκλου ζωής που αποκτήθηκαν υπό συνθήκες αγρού. Εμπρός. Plant Sci. 6 https://doi.org/10.3389/
fpls.2015.00740.
Mogili, UM.R., Deepak, BBVL, 2018. Ανασκόπηση σχετικά με την εφαρμογή συστημάτων drone στη γεωργία ακριβείας. Procedia Comput. Sci. 133, 502–509.
Moharana, S., Dutta, S., 2016. Χωρική μεταβλητότητα της περιεκτικότητας σε χλωροφύλλη και άζωτο του ρυζιού από υπερφασματική απεικόνιση. ISPRS J. Photogramm. Remote Sens. 122, 17–29.
Muangprathub, J., Boonnam, N., Kajornkasirat, S., Lekbangpong, N., Wanichsombat, A.,
Nillaor, P., 2019. Ανάλυση δεδομένων IoT και γεωργίας για έξυπνη φάρμα. Υπολογιστής. Ηλεκτρόνιο. Αγρ. 156, 467–474.
Nansen, C., Elliott, N., 2016. Τηλεπισκόπηση και προφίλ ανάκλασης στην εντομολογία. Annu. Rev. Entomol. 61 (1), 139–158. https://doi.org/10.1146/annurev-ento010715-023834.
Navia, J., Mondragon, I., Patino, D., Colorado, J., 2016. Πολυφασματική χαρτογράφηση στη γεωργία: μωσαϊκό εδάφους χρησιμοποιώντας ένα αυτόνομο τετρακόπτερο UAV. Int. Συνδ.
Συστ. Μη επανδρωμένων αεροσκαφών. (ICUAS) 2016, 1351–1358. https://doi.org/10.1109/ ICUAS.2016.7502606.
Nayyar, A., Nguyen, B.-L., Nguyen, NG, 2020. The internet of drone things (Iodt): μελλοντικό όραμα έξυπνων drones. Adv. Intell. Συστ. Υπολογιστής. 1045, 563–580. https://doi.org/10.1007/978-981-15-0029-9_45.
Nebiker, S., Annen, A., Scherrer, M., Oesch, D., 2008. Ένας ελαφρύς πολυφασματικός αισθητήρας για μικρο UAV—ευκαιρίες για αερομεταφερόμενη τηλεπισκόπηση πολύ υψηλής ανάλυσης. Int. Αψίδα. Photogramm. Τηλεόραση Σπατ. Inf. Sci 37 (B1), 1193–1200.
Negash, L., Kim, H.-Y., Choi, H.-L., 2019. Αναδυόμενες εφαρμογές UAV στη γεωργία. Σε: 2019 7ο Διεθνές Συνέδριο για την Τεχνολογία Νοημοσύνης Ρομπότ και
Εφαρμογές (RiTA), σελ. 254–257. https://doi.org/10.1109/RITAPP.2019.8932853.
Nerur, SP, Rasheed, AA, Natarajan, V., 2008. Η διανοητική δομή του πεδίου στρατηγικής διαχείρισης: ανάλυση συν-παραπομπής συγγραφέα. Στρατηγ. Manag. J. 29 (3),
319-336.
Neupane, K., Baysal-Gurel, F., 2021. Αυτόματος εντοπισμός και παρακολούθηση φυτικών ασθενειών χρησιμοποιώντας μη επανδρωμένα εναέρια οχήματα: μια ανασκόπηση. Τηλεπισκόπηση 13 (19), 3841. https://doi.org/10.3390/rs13193841.
Nex, F., Remondino, F., 2014. UAV for 3D mapping applications: a review. Appl. Γεωματική 6 (1), 1–15. https://doi.org/10.1007/s12518-013-0120-x.
Niu, H., Hollenbeck, D., Zhao, T., Wang, D., Chen, Y., 2020. Εκτίμηση εξατμισοδιαπνοής με μικρά UAV στη γεωργία ακριβείας. Sensors 20 (22), 6427. https://
doi.org/10.3390/s20226427.
Osareh, F., 1996. Bibliometrics, Citation Analysis and Co-Citation Analysis. A Review of Literature 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, αισθητήρες και επεξεργασία δεδομένων στη γεωργοδασοκομία: μια ανασκόπηση για πρακτικές εφαρμογές. Int. J. Remote Sens. 38 (8–10), 2349–2391. https://doi.org/10.1080/01431161.2017.1297548.
Panday, ΗΠΑ, Pratihast, AK, Aryal, J., Kayastha, RB, 2020. Μια ανασκόπηση για λύσεις δεδομένων που βασίζονται σε drone για καλλιέργειες δημητριακών. Drones 4 (3), 1–29. https://doi.org/10.3390/
drones4030041.
Parsaeian, M., Shahabi, M., Hassanpour, H., 2020. Εκτίμηση της περιεκτικότητας σε έλαιο και πρωτεΐνη των σπόρων σουσαμιού χρησιμοποιώντας επεξεργασία εικόνας και τεχνητό νευρωνικό δίκτυο. Μαρμελάδα. Λάδι
Chemists' Soc. 97 (7), 691–702.
Pena, ˜ JM, Torres-S´anchez, J., de Castro, AI, Kelly, M., Lopez-Granados, ´ F., Suarez, O., Χαρτογράφηση ζιζανίων σε αγρούς αραβοσίτου πρώιμης σεζόν με χρήση ανάλυσης βάσει αντικειμένων του
Εικόνες μη επανδρωμένου εναέριου οχήματος (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. Ένα ημι-εποπτευόμενο σύστημα χαρτογράφησης ζιζανίων σε καλλιέργειες ηλίανθου χρησιμοποιώντας μη επανδρωμένα εναέρια οχήματα και μέθοδο ανίχνευσης σειράς καλλιεργειών. 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. Οικονομικά αποδοτικές συσκευές IoT ως αξιόπιστες πηγές δεδομένων για ένα σύστημα διαχείρισης νερού που βασίζεται σε blockchain στη γεωργία ακριβείας. Υπολογιστής. Ηλεκτρόνιο. Αγρ. 180, 105889.
Popescu, D., Stoican, F., Stamatescu, G., Ichim, L., Dragana, C., 2020. Προηγμένο σύστημα UAV–WSN για έξυπνη παρακολούθηση στη γεωργία ακριβείας. Sensors 20 (3), https://doi.org/10.3390/s20030817.
Pournader, M., Shi, Y., Seuring, S., Koh, SL, 2020. Εφαρμογές Blockchain στις αλυσίδες εφοδιασμού, τις μεταφορές και τα logistics: μια συστηματική ανασκόπηση της βιβλιογραφίας. Int. J. Prod. Res. 58 (7), 2063–2081.
Primicerio, J., Di Gennaro, SF, Fiorillo, E., Genesio, L., Lugato, E., Matese, A., Vaccari, FP, 2012. Ένα ευέλικτο μη επανδρωμένο εναέριο όχημα για γεωργία ακριβείας.
Περίληψη. Αγρ. 13 (4), 517–523. https://doi.org/10.1007/s11119-012-9257-6.
Pritchard, A., 1969. Στατιστική βιβλιογραφία ή βιβλιομετρία. J. Έγγραφο. 25 (4), 348–349.
Pudelko, R., Stuczynski, T., Borzecka-Walker, M., 2012. Η καταλληλότητα ενός μη επανδρωμένου εναέριου οχήματος (UAV) για την αξιολόγηση πειραματικών αγρών και καλλιεργειών. Agriculture 99 (4), 431–436.
Puri, V., Nayyar, A., Raja, L., 2017. Γεωργικά drones: μια σύγχρονη ανακάλυψη στη γεωργία ακριβείας. J. Statis. Manag. Συστ. 20 (4), 507–518.
Ράντογλου-Γραμματικής, Π., Σαρηγιαννίδης, Π., Λάγκας, Τ., Μοσχολιός, Ι., 2020. Μια συλλογή εφαρμογών UAV για τη γεωργία ακριβείας. Υπολογιστής. Netw. 172,
107148 https://doi.org/10.1016/j.comnet.2020.107148.
Ramesh, KV, Rakesh, V., Prakasa Rao, EVS, 2020. Εφαρμογή της ανάλυσης μεγάλων δεδομένων και της τεχνητής νοημοσύνης στη γεωπονική έρευνα. Ινδός J. Agron. 65 (4), 383–395.
Raparelli, E., Bajocco, S., 2019. Βιβλιομετρική ανάλυση για τη χρήση μη επανδρωμένων εναέριων οχημάτων σε γεωργικές και δασοκομικές μελέτες. Int. J. Remote Sens. 40 (24),
9070–9083. https://doi.org/10.1080/01431161.2019.1569793.
Rasmussen, J., Nielsen, J., Garcia-Ruiz, F., Christensen, S., Streibig, JC, Lotz, B., 2013.
Πιθανές χρήσεις συστημάτων μικρών μη επανδρωμένων αεροσκαφών (UAS) στην έρευνα ζιζανίων. Weed Res. 53 (4), 242–248.
Rasmussen, J., Ntakos, G., Nielsen, J., Svensgaard, J., Poulsen, RN, Christensen, S., Οι δείκτες βλάστησης προέρχονται από κάμερες καταναλωτικής ποιότητας που είναι τοποθετημένες σε
UAV επαρκώς αξιόπιστα για την αξιολόγηση πειραματικών τεμαχίων; Ευρώ. 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. Ψηφιοποίηση στις αλυσίδες εφοδιασμού τροφίμων: μια βιβλιομετρική ανασκόπηση και κύρια διαδρομή βασικής διαδρομής
ανάλυση. Sustainability 14 (1), 83. https://doi.org/10.3390/su14010083.
Rejeb, A., Rejeb, K., Simske, SJ, Treiblmaier, H., 2021a. Μη επανδρωμένα αεροσκάφη για τη διαχείριση της εφοδιαστικής αλυσίδας και την επιμελητεία: μια αναθεώρηση και ερευνητική ατζέντα. Int. J. Logist. Res. Appl.
1–24. https://doi.org/10.1080/13675567.2021.1981273.
Rejeb, A., Rejeb, K., Simske, S., Treiblmaier, H., 2021β. Τεχνολογίες Blockchain στη διαχείριση της εφοδιαστικής αλυσίδας: μια βιβλιομετρική ανασκόπηση. Logistics 5 (4), 72.
https://doi.org/10.3390/logistics5040072.
Rejeb, A., Rejeb, K., Simske, S., Treiblmaier, H., 2021c. Ανθρωπιστικά drones: μια ανασκόπηση και έρευνα. Internet of Things 16, 100434. https://doi.org/10.1016/j.
ιωτ.2021.100434.
Rejeb, A., Treiblmaier, H., Rejeb, K., Zailani, S., 2021d. Έρευνα Blockchain στην υγειονομική περίθαλψη: μια βιβλιομετρική ανασκόπηση και τρέχουσες τάσεις της έρευνας. J. of Data, Inf. και
Manag. 3 (2), 109–124.
Rejeb, A., Simske, S., Rejeb, K., Treiblmaier, H., Zailani, S., 2020. Έρευνα στο Διαδίκτυο των πραγμάτων στη διαχείριση της εφοδιαστικής αλυσίδας και την εφοδιαστική: μια βιβλιομετρική ανάλυση. Διαδίκτυο
των πραγμάτων 12, 100318.
ReportLinker, 2021. Η παγκόσμια αγορά drones Agriculture θα φτάσει τα 15.2 δισεκατομμύρια δολάρια ΗΠΑ το έτος GlobeNewswire 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- Έτος-2027.html.
Ribeiro-Gomes, K., Hernandez-L ´ opez, ´ D., Ortega, JF, Ballesteros, R., Poblete, T.,Moreno, MA, 2017. Βαθμονόμηση θερμικής κάμερας χωρίς ψύξη και βελτιστοποίηση του
διαδικασία φωτογραμμετρίας για εφαρμογές UAV στη γεωργία. Αισθητήρες (Ελβετία) 17 (10). https://doi.org/10.3390/s17102173.
Rivera, MA, Pizam, A., 2015. Πρόοδοι στην έρευνα για τη φιλοξενία: «From Rodney Dangerfield στην Aretha Franklin». Int. J. Contempor. Νοσοκομείο. Manag. 27 (3),
362–378. https://doi.org/10.1108/IJCHM-03-2014-0146.
Roldan, ´ JJ, Joossen, G., Sanz, D., Del Cerro, J., Barrientos, A., 2015. Αισθητήριο σύστημα βασισμένο σε μίνι UAV για μέτρηση περιβαλλοντικών μεταβλητών σε θερμοκήπια. Sensors 15 (2), 3334–3350. https://doi.org/10.3390/s150203334.
Rozenberg, G., Kent, R., Blank, L., 2021. UAV καταναλωτικής κατηγορίας που χρησιμοποιείται για την ανίχνευση και την ανάλυση μοτίβων χωρικής κατανομής ζιζανίων τελευταίας περιόδου σε εμπορικούς αγρούς κρεμμυδιού. Περίληψη. Αγρ. 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. Μη επανδρωμένο Σύστημα φασματικής κάμερας που λειτουργεί με αεροσκάφος (UAV) για δασικές και γεωργικές εφαρμογές. Προχωρώ. SPIE – Int. Soc. Επιλέγω. Eng. 8174 https://doi.org/10.1117/12.897585.
Sah, B., Gupta, R., Bani-Hani, D., 2021. Ανάλυση φραγμών για την εφαρμογή drones logistics. 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, drone με βάση το IOT για τη βελτίωση της ποιότητας των καλλιεργειών στον γεωργικό τομέα. Στο SH
N. Chakrabarti S. (Επιμ.), 2018 IEEE 8th Annual Computing and Communication Workshop and Conference, CCWC 2018 (Τόμοι 2018-Ιανουάριος, σελ. 612–615). Ινστιτούτο
of Electrical and Electronics Engineers Inc. doi: 10.1109/CCWC.2018.8301662.
Sai Vineeth, KV, Vara Prasad, YR, Dubey, SR, Venkataraman, H., 2019. LEDCOM: μια νέα και αποτελεσματική επικοινωνία βασισμένη σε LED για γεωργία ακριβείας. IEEE Conf. Πληροφορίες. Commun. Τεχνολ. 2019, 1–5. https://doi.org/10.1109/CICT48419.2019.9066177.
Salamí, E., Barrado, C., Pastor, E., 2014. Πειράματα πτήσης UAV που εφαρμόζονται στην τηλεπισκόπηση περιοχών με βλάστηση. Τηλεπισκόπηση 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.
Συστήματα εναέριας απεικόνισης χαμηλού υψομέτρου, υψηλής ανάλυσης για φαινοτύπους καλλιέργειας σειρών και αγρών: μια ανασκόπηση. Ευρώ. 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. Θερμική απεικόνιση με βάση UAV υψηλής ανάλυσης για την εκτίμηση της
στιγμιαία και εποχιακή μεταβλητότητα της κατάστασης του νερού των φυτών μέσα σε έναν αμπελώνα. Αγρ. Διαχείριση νερού. 183, 49–59. https://doi.org/10.1016/j.agwat.2016.08.026.
Sarli, CC, Dubinsky, EK, Holmes, KL, 2010. Beyond citation analysis: Ένα μοντέλο για την αξιολόγηση του αντίκτυπου της έρευνας. J. Med. Βιβλιοθήκη Αναπλ. : 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. Φασματοσκοπία απεικόνισης που σχετίζεται με την επιστήμη της γης — μια αξιολόγηση. Περιβάλλον τηλεαισθητήρα. 113, S123–S137.
Schirrmann, M., Giebel, A., Gleiniger, F., Pflanz, M., Lentschke, J., Dammer, K.-H., 2016. Παρακολούθηση αγρονομικών παραμέτρων καλλιεργειών χειμερινού σίτου με UAV χαμηλού κόστους
εικόνες. Τηλεπισκόπηση 8 (9). https://doi.org/10.3390/rs8090706.
Schmale III, DG, Dingus, BR, Reinholtz, C., 2008. Ανάπτυξη και εφαρμογή ενός αυτόνομου μη επανδρωμένου εναέριου οχήματος για ακριβή αεροβιολογική δειγματοληψία παραπάνω
γεωργικά χωράφια. 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.,
Ενεργοποίηση γεωργίας ακριβείας μέσω ενσωματωμένης ανίχνευσης με τεχνητή νοημοσύνη. IEEE Trans. Instrum. Meas. 69 (7), 4103–4113.
Shakhatreh, H., Sawalmeh, AH, Al-Fuqaha, A., Dou, Z., Almaita, E., Khalil, I.,
Othman, NS, Khreishah, A., Guizani, M., 2019. Unmanned Aerial Vehicles (UAVs): μια έρευνα για τις πολιτικές εφαρμογές και τις βασικές ερευνητικές προκλήσεις. IEEE Access 7,
48572–48634. https://doi.org/10.1109/ACCESS.2019.2909530.
Shakoor, N., Northrup, D., Murray, S., Mockler, TC, 2019. Γεωργία με γνώμονα τα μεγάλα δεδομένα: ανάλυση μεγάλων δεδομένων στην αναπαραγωγή φυτών, γονιδιωματική και χρήση τηλεπισκόπησης
τεχνολογίες για την προώθηση της παραγωγικότητας των καλλιεργειών. Φυτικό Φαινόμενο J. 2 (1), 1–8.
Sharma, BK, Chandra, G., Mishra, VP, 2019. Συγκριτική Ανάλυση και Επιπτώσεις UAV και AI στις Εγκληματολογικές Έρευνες. Στο: Proceedings – 2019 Amity International
Ημερίδα για την Τεχνητή Νοημοσύνη. https://doi.org/10.1109/AICAI.2019.8701407.
Sharma, R., Shishodia, A., Gunasekaran, A., Min, H., Munim, ZH, 2022. Ο ρόλος της τεχνητής νοημοσύνης στη διαχείριση της εφοδιαστικής αλυσίδας: χαρτογράφηση της επικράτειας. Int. J.
Κέντρο. 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. Μη επανδρωμένα εναέρια οχήματα για φαινοτυποποίηση υψηλής απόδοσης και γεωπονική έρευνα. PLoS ONE
11 (7), e0159781.
Shuai, G., Martinez-Feria, RA, Zhang, J., Li, S., Price, R., Basso, B., 2019. Καταγραφή της ετερογένειας συστάδων αραβοσίτου σε ζώνες σταθερότητας απόδοσης με χρήση μη επανδρωμένων κεραιών
Οχήματα (UAV). Sensors 19 (20), 4446. https://doi.org/10.3390/s19204446.
Small, H., 1973. Co-citation στην επιστημονική βιβλιογραφία: ένα νέο μέτρο της σχέσης μεταξύ δύο εγγράφων. Μαρμελάδα. Soc. Πληροφορίες. Sci. 24 (4), 265–269.
Small, H., Rorvig, ME, Lunin, LF, 1999. Visualizing science by citation mapping. Μαρμελάδα. Soc. Πληροφορίες. Sci. 50 (9), 799–813.
Soares, VHA, Ponti, MA, Gonçalves, RA, Campello, RJGB, 2021. Βοοειδή που μετράνε στη φύση με γεωγραφικές εναέριες εικόνες σε μεγάλες εκτάσεις βοσκοτόπων. Υπολογιστής. Ηλεκτρόνιο. Αγρ. 189, 106354 https://doi.org/10.1016/j.compag.2021.106354.
Srivastava, K., Pandey, PC, Sharma, JK, 2020. Μια προσέγγιση για τη βελτιστοποίηση διαδρομής σε εφαρμογές γεωργίας ακριβείας με χρήση UAV. Drones 4 (3), 58. https://doi.org/ 10.3390/drones4030058.
Stafford, JV, 2000. Εφαρμογή γεωργίας ακριβείας στον 21ο αιώνα. J. Agric. Eng. Res. 76 (3), 267–275.
Su, J., Coombes, M., Liu, C., Guo, L., Chen, W.-H., 2018. Αξιολόγηση ξηρασίας σίτου με εικόνες τηλεπισκόπησης χρησιμοποιώντας μη επανδρωμένο εναέριο όχημα. Το 2018 37ο Κινεζικό Συνέδριο Ελέγχου (CCC).
Su, J., Liu, C., Coombes, M., Hu, X., Wang, C., Xu, X., Li, Q., Guo, L., Chen, W.-H., 2018. Παρακολούθηση κίτρινης σκουριάς από σιτάρι μαθαίνοντας από πολυφασματικές εναέριες εικόνες UAV.
Υπολογιστής. Ηλεκτρόνιο. Αγρ. 155, 157–166. https://doi.org/10.1016/j. συμπαγ.2018.10.017.
Su, Y., Wang, X., 2021. Καινοτομία της αγροτικής οικονομικής διαχείρισης στη διαδικασία κατασκευής έξυπνης γεωργίας με μεγάλα δεδομένα. Βιώσιμος Υπολογιστής. Inf. Συστ. 31, 100579 https://doi.org/10.1016/j.suscom.2021.100579.
Sullivan, DG, Fulton, JP, Shaw, JN, Bland, GL, 2007. Αξιολόγηση της ευαισθησίας ενός μη επανδρωμένου θερμικού συστήματος υπερύθρων για την ανίχνευση της καταπόνησης του νερού σε ένα βαμβακερό θόλο. Μεταφρ. ASABE 50 (6), 1955–1962.
Sumesh, KC, Ninsawat, S., Som-ard, J., 2021. Ενσωμάτωση δείκτη βλάστησης που βασίζεται σε RGB, μοντέλο επιφάνειας καλλιέργειας και προσέγγιση ανάλυσης εικόνας βάσει αντικειμένων για εκτίμηση απόδοσης ζαχαροκάλαμου χρησιμοποιώντας μη επανδρωμένο εναέριο όχημα. Υπολογιστής. Ηλεκτρόνιο. Αγρ. 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. Ένα ελαφρύ υπερφασματικό σύστημα χαρτογράφησης για
μη επανδρωμένα εναέρια οχήματα—τα πρώτα αποτελέσματα. Στο: 2013 5th Workshop on Hyperspectral Image and Signal Processing: Evolution in Remote Sensing (WHISPERS), σελ. 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. Ένα ελαφρύ υπερφασματικό
σύστημα χαρτογράφησης και αλυσίδα φωτογραμμετρικής επεξεργασίας για μη επανδρωμένα εναέρια οχήματα. Τηλεπισκόπηση 6 (11), 11013–11030. https://doi.org/10.3390/
rs61111013.
Syeda, IH, Alam, MM, Illahi, U., Su'ud, MM, 2021. Προηγμένες στρατηγικές ελέγχου χρησιμοποιώντας επεξεργασία εικόνας, UAV και AI στη γεωργία: Μια ανασκόπηση. World J. Eng. 18 (4),
579–589. https://doi.org/10.1108/WJE-09-2020-0459.
Tahai, A., Rigsby, JT, 1998. Επεξεργασία πληροφοριών με χρήση παραπομπών για τη διερεύνηση της επιρροής του περιοδικού στη λογιστική. Inf. Επεξεργάζομαι, διαδικασία. Διαχειρίζονται. 34 (2–3), 341–359.
Tang, Y., Dananjayan, S., Hou, C., Guo, Q., Luo, S., He, Y., 2021. Μια έρευνα για το δίκτυο 5G και τον αντίκτυπό του στη γεωργία: προκλήσεις και ευκαιρίες. Υπολογιστής.
Ηλεκτρόνιο. Αγρ. 180, 105895 https://doi.org/10.1016/j.compag.2020.105895.
Τανταλάκη, Ν., Σουράβλας, Σ., Ρουμελιώτης, Μ., 2019. Η λήψη αποφάσεων με γνώμονα τα δεδομένα στη γεωργία ακριβείας: η άνοδος των μεγάλων δεδομένων στα γεωργικά συστήματα. J. Agric. Πληροφορίες για το φαγητό.
20 (4), 344-380.
Tao, H., Feng, H., Xu, L., Miao, M., Yang, G., Yang, X., Fan, L., 2020. Εκτίμηση της απόδοσης και του ύψους του φυτού του χειμερινού σίτου με χρήση UAV- βασισμένες υπερφασματικές εικόνες.
Αισθητήρες 20 (4), 1231.
Techy, L., Schmale III, DG, Woolsey, CA, 2010. Συντονισμένη αεροβιολογική δειγματοληψία φυτικού παθογόνου στην κατώτερη ατμόσφαιρα χρησιμοποιώντας δύο αυτόνομα μη επανδρωμένα εναέρια οχήματα. 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. Ανίχνευση και ταξινόμηση παρασίτων σόγιας με χρήση βαθιάς μάθησης
με εικόνες UAV. Υπολογιστής. Ηλεκτρόνιο. Αγρ. 179, 105836.
Thamm, H.-P., Menz, G., Becker, M., Kuria, DN, Misana, S., Kohn, D., 2013. The Use of Uas for Assessing Agricultural Systems in AN Wetland in Tanzania in the— Και WetSeason για τη βιώσιμη γεωργία και την παροχή βασικής αλήθειας για τα δεδομένα Terra-Sar X. Στο: ISPRS – International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, σελ. 401–406. https://doi.org/10.5194/isprsarchivesXL-1-W2-401-2013.
Thelwall, M., 2008. Bibliometrics to webometrics. J. Πληροφορίες. Sci. 34 (4), 605–621.
Torres-Sanchez, ´ J., Lopez-Granados, ´ F., Pena, ˜ JM, 2015. Μια αυτόματη μέθοδος βασισμένη σε αντικείμενα για βέλτιστο όριο στις εικόνες UAV: εφαρμογή για ανίχνευση βλάστησης σε ποώδεις καλλιέργειες. Υπολογιστής. Ηλεκτρόνιο. Αγρ. 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. Υψηλής απόδοσης 3-D παρακολούθηση φυτειών γεωργικών δέντρων με Τεχνολογία μη επανδρωμένων εναέριων οχημάτων (UAV). PLoS ONE 10 (6), e0130479.
Torres-Sanchez, ´ J., Pena, ˜ JM, de Castro, AI, Lopez-Granados, ´ F., 2014. Πολυχρονική χαρτογράφηση του κλάσματος βλάστησης σε χωράφια σίτου πρώιμης περιόδου χρησιμοποιώντας εικόνες από UAV. Υπολογιστής. Ηλεκτρόνιο. Αγρ. 103, 104–113. https://doi.org/10.1016/j. συμπαγ.2014.02.009.
Tsouros, DC, Bibi, S., Sarigiannidis, PG, 2019. A review on UAV-based applications for precision agriculture. Πληροφορίες (Ελβετία) 10 (11). https://doi.org/10.3390/info10110349.
Tu, Y.-H., Phinn, S., Johansen, K., Robson, A., Wu, D., 2020. Βελτιστοποίηση του σχεδιασμού πτήσης με drone για τη μέτρηση της δομής των καλλιεργειών κηπευτικών δέντρων. ISPRS J. Photogramm.
Remote Sens. 160, 83–96. https://doi.org/10.1016/j.isprsjprs.2019.12.006
Τζούνης, Α., Κατσούλας, Ν., Μπαρτζάνας, Θ., Κίττας, Χ., 2017. Διαδίκτυο των πραγμάτων στη γεωργία, πρόσφατες εξελίξεις και μελλοντικές προκλήσεις. Biosyst. Eng. 164, 31–48.
https://doi.org/10.1016/j.biosystemseng.2017.09.007.
Uddin, A., Singh, VK, Pinto, D., Olmos, I., 2015. Scientometric mapping of computer science research in Mexico. Scientometrics 105 (1), 97–114.
ΟΗΕ., 2019. Προοπτικές του παγκόσμιου πληθυσμού 2019. https://population.un.org/wpp/ (Πρόσβαση στις 15/04/2022).
Uto, K., Seki, H., Saito, G., Kosugi, Y., 2013. Χαρακτηρισμός ορυζώνων από ένα μικροσκοπικό υπερφασματικό σύστημα αισθητήρων τοποθετημένο σε UAV. IEEE J. Sel. Μπλουζα. Appl. Earth Obs.
Remote Sens. 6 (2), 851–860. https://doi.org/10.1109/JSTARS.2013.2250921. van der Merwe, D., Burchfield, DR, Witt, TD, Price, KP, Sharda, A., 2020. Drones σε
γεωργία. Adv. Αγρόν. 162, 1–30.
Velusamy, P., Rajendran, S., Mahendran, RK, Naseer, S., Shafiq, M., Choi, J.-G., 2022.
Μη επανδρωμένα εναέρια οχήματα (UAV) στη γεωργία ακριβείας: εφαρμογές και προκλήσεις. Ενέργειες 15 (1), 217. https://doi.org/10.3390/en15010217.
Ventura, D., Bonifazi, A., Gravina, MF, Belluscio, A., Ardizzone, G., 2018. Χαρτογράφηση και ταξινόμηση οικολογικά ευαίσθητων θαλάσσιων οικοτόπων με χρήση μη επανδρωμένων εναέριων
Εικόνες οχήματος (UAV) και Ανάλυση εικόνας βάσει αντικειμένων (OBIA). Τηλεπισκόπηση 10 (9), 1331. https://doi.org/10.3390/rs10091331.
Verger, A., Vigneau, N., Ch´eron, C., Gilliot, J.-M., Comar, A., Baret, F., 2014. Δείκτης πράσινης περιοχής από ένα μη επανδρωμένο εναέριο σύστημα πάνω από καλλιέργειες σίτου και ελαιοκράμβης . Περιβάλλον Τηλεπισκόπησης. 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. Ανάπτυξη τεσσάρων οπτικών αισθητήρων που βασίζονται σε UAV σε λιβάδια: προκλήσεις και
περιορισμούς. Biogeosciences 12 (1), 163–175. https://doi.org/10.5194/bg-12-163-2015.
Vuran, MC, Salam, A., Wong, R., Irmak, S., 2018. Διαδίκτυο των υπόγειων πραγμάτων στη γεωργία ακριβείας: πτυχές αρχιτεκτονικής και τεχνολογίας. Ad Hoc Δίκτυο. 81,
160–173. https://doi.org/10.1016/j.adhoc.2018.07.017.
Wamba, SF, Queiroz, MM, 2021. Υπεύθυνη τεχνητή νοημοσύνη ως μυστικό συστατικό για την ψηφιακή υγεία: βιβλιομετρική ανάλυση, πληροφορίες και κατευθύνσεις έρευνας.
Πληροφορίες. Συστ. Εμπρός. 1–16.
Wang, L., Zhang, G., Wang, Z., Liu, J., Shang, J., Liang, L., 2019. Βιβλιομετρική ανάλυση της τάσης της έρευνας με τηλεπισκόπηση στην παρακολούθηση της ανάπτυξης των καλλιεργειών: Μια μελέτη περίπτωσης στην Κίνα. Τηλεπισκόπηση 11 (7). https://doi.org/10.3390/rs11070809.
White, HD, Griffith, BC, 1981. Συγγραφή συγγραφέα: Ένα βιβλιογραφικό μέτρο της πνευματικής δομής. Μαρμελάδα. Soc. Πληροφορίες. Sci. 32 (3), 163–171.
Xiang, H., Tian, L., 2011. Ανάπτυξη ενός αγροτικού συστήματος τηλεπισκόπησης χαμηλού κόστους που βασίζεται σε ένα αυτόνομο μη επανδρωμένο εναέριο όχημα (UAV). Biosyst. Eng. 108 (2), 174–190. https://doi.org/10.1016/j.biosystemseng.2010.11.010.
Xie, C., Yang, C., 2020. Μια ανασκόπηση σχετικά με τα χαρακτηριστικά φαινοτυποποίησης φυτών υψηλής απόδοσης χρησιμοποιώντας αισθητήρες που βασίζονται σε UAV. Υπολογιστής. Ηλεκτρόνιο. Αγρ. 178, 105731 https://doi.org/10.1016/j.
συμπαγ.2020.105731.
Yao, H., Qin, R., Chen, X., 2019. Μη επανδρωμένο εναέριο όχημα για εφαρμογές τηλεπισκόπησης—ανασκόπηση. Τηλεπισκόπηση 11 (12). https://doi.org/10.3390/
rs11121443.
Yeom, S., 2021. Παρακολούθηση μετακίνησης ατόμων και αφαίρεση ψευδούς ίχνους με υπέρυθρη θερμική απεικόνιση από έναν πολυρότορα. Drones 5 (3), 65. https://doi.org/10.3390/drones5030065.
Yue, J., Feng, H., Jin, X., Yuan, H., Li, Z., Zhou, C., Yang, G., Tian, Q., 2018. Σύγκριση εκτίμησης παραμέτρων καλλιέργειας με χρήση εικόνων από UAV τοποθετημένο
Υπερφασματικός αισθητήρας στιγμιότυπου και ψηφιακή κάμερα υψηλής ευκρίνειας. Τηλεπισκόπηση 10 (7), 1138. https://doi.org/10.3390/rs10071138.
Yue, J., Yang, G., Li, C., Li, Z., Wang, Y., Feng, H., Xu, B., 2017. Εκτίμηση της υπέργειας βιομάζας χειμερινού σίτου με χρήση μη επανδρωμένων εναέριων οχημάτων- βασισμένο στιγμιότυπο
βελτιωμένα μοντέλα υπερφασματικού αισθητήρα και ύψους καλλιέργειας. Τηλεπισκόπηση 9 (7). https://doi.org/10.3390/rs9070708.
Zahawi, RA, Dandois, JP, Holl, KD, Nadwodny, D., Reid, JL, Ellis, EC, 2015. Χρήση ελαφρών μη επανδρωμένων εναέριων οχημάτων για την παρακολούθηση της ανάκτησης τροπικών δασών. Biol.
Συντήρηση. 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.
Πλατφόρμα έξυπνης γεωργίας IoT βασισμένη σε υπολογιστές αιχμής και cloud. Biosyst. Eng. 177,
4-17.
Zarco-Tejada, PJ, Diaz-Varela, R., Angileri, V., Loudjani, P., 2014. Ποσοτικοποίηση ύψους δέντρου με χρήση εικόνων πολύ υψηλής ανάλυσης που λαμβάνονται από μη επανδρωμένη κεραία
οχήματος (UAV) και αυτόματες μεθόδους 3D φωτο-ανακατασκευής. Ευρώ. 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. Φαινότυπος της έντασης της ανθοφορίας με βάση την εικόνα σε καλλιέργειες ψυχρής περιόδου. Sensors 20 (5), 1450. https://doi.org/10.3390/s20051450.
Zhang, C., Kovacs, JM, 2012. Η εφαρμογή μικρών μη επανδρωμένων εναέριων συστημάτων για γεωργία ακριβείας: μια ανασκόπηση. Περίληψη. Αγρ. 13 (6), 693–712. https://doi.org/
10.1007/s11119-012-9274-5.
Zhang, L., Zhang, H., Niu, Y., Han, W., 2019. Χαρτογράφηση υδατικής τάσης αραβοσίτου με βάση την πολυφασματική τηλεπισκόπηση UAV. Τηλεπισκόπηση 11 (6), 605.
Zhang, X., Han, L., Dong, Y., Shi, Y., Huang, W., Han, L., Gonz´ alez-Moreno, P., Ma, H., Ye, H., Sobeih , Τ., 2019. Μια προσέγγιση βασισμένη στη βαθιά μάθηση για την αυτοματοποιημένη κίτρινη σκουριά
ανίχνευση ασθενειών από υπερφασματικές εικόνες UAV υψηλής ανάλυσης. Τηλεπισκόπηση 11 (13), 1554.
Zhao, X., Zhang, J., Huang, Y., Tian, Y., Yuan, L., 2022. Ανίχνευση και διάκριση ασθενειών και στρες εντόμων φυτών τσαγιού χρησιμοποιώντας υπερφασματική απεικόνιση σε συνδυασμό με ανάλυση κυματιδίων. Υπολογιστής. Ηλεκτρόνιο. Αγρ. 193, 106717 https://doi.org/10.1016/j. compag.2022.106717.
Zheng, A., Wang, M., Li, C., Tang, J., Luo, B., 2022. Προσαρμογή ανταγωνιστικού τομέα καθοδηγούμενη από εντροπία για σημασιολογική τμηματοποίηση εναέριας εικόνας. IEEE Trans. σολ
Zheng, H., Cheng, T., Yao, X., Deng, X., Tian, Y., Cao, W., Zhu, Y., 2016. Ανίχνευση φαινολογίας ρυζιού μέσω ανάλυσης χρονικών σειρών επίγειου φασματικού δεδομένα ευρετηρίου. Field Crops Res. 198, 131–139. https://doi.org/10.1016/j.fcr.2016.08.027.
Zheng, J., Yang, W., 2018. Σχεδιασμός συστήματος σποράς διαρροών γεωργίας ακριβείας βασισμένο σε ασύρματους αισθητήρες. Int. J. Online Eng. 14 (05), 184.
Zhou, L., Gu, X., Cheng, S., Yang, G., Shu, M., Sun, Q., 2020. Ανάλυση των αλλαγών ύψους φυτών του αραβοσίτου με χρήση δεδομένων UAV-LiDAR. Γεωργία 10 (5), 146. https://
doi.org/10.3390/agriculture10050146.
Zhou, S., Chai, X., Yang, Z., Wang, H., Yang, C., Sun, T., 2021. Maize-IAS: Ένα λογισμικό ανάλυσης εικόνας αραβοσίτου που χρησιμοποιεί βαθιά μάθηση για φαινοτυποποίηση φυτών υψηλής απόδοσης . 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. Πρόβλεψη απόδοσης σιτηρών σε ρύζι χρησιμοποιώντας πολυχρονική βλάστηση
δείκτες από πολυφασματικές και ψηφιακές εικόνες που βασίζονται σε UAV. ISPRS J. Photogramm. Remote Sens. 130, 246–255. https://doi.org/10.1016/j.isprsjprs.2017.05.003.
Zhou, Y., Xie, Y., Shao, L., 2016. Προσομοίωση της βασικής τεχνολογίας ενός συστήματος παρακολούθησης θερμοκηπίου που βασίζεται σε ένα ασύρματο δίκτυο αισθητήρων. Int. J. Online Eng. 12 (05),
43.
Zhou, Z., Majeed, Y., Diverres Naranjo, G., Gambacorta, EMT, 2021. Αξιολόγηση για την υδατική καταπόνηση καλλιεργειών με υπέρυθρες θερμικές εικόνες στη γεωργία ακριβείας: μια ανασκόπηση
και μελλοντικές προοπτικές για εφαρμογές βαθιάς μάθησης. Υπολογιστής. Ηλεκτρόνιο. Αγρ. 182, 106019 https://doi.org/10.1016/j.compag.2021.106019.