Абдерахман Реџеб a , Алиреза Абдолахи b , Карим Реџеб c , Хорст Треиблмаиер d,
- a Катедра за менаџмент и право, Економски факултет Универзитета у Риму Тор Вергата, Виа Цолумбиа, 2, Рим 00133, Италија
- b Одељење за пословну администрацију, Факултет за менаџмент, Универзитет Кхаразми, 1599964511 Техеран, Иран
- c Факултет наука у Бизерти, Универзитет у Картагини, Зарзуна, 7021 Бизерта, Тунис
- d Школа за међународни менаџмент, Модул Универзитет Беч, Ам Кахленберг 1, 1190 Беч, Аустрија
ИНФОРМАЦИЈЕ О АРТИКЛУ | АПСТРАКТ |
Кључне речи: Трутови УАВ Прецизна пољопривреда Интернет ствари Библиометрија | Беспилотне летелице, које се називају и беспилотне летелице (УАВ), биле су сведоци изузетног развоја последњих деценија. У пољопривреди, они су променили пољопривредну праксу нудећи пољопривредницима значајне уштеде трошкова, повећане оперативну ефикасност и бољу профитабилност. Последњих деценија тема пољопривредних дронова је била привукао изузетну академску пажњу. Стога спроводимо свеобухватан преглед заснован на библиометрији да сумира и структурира постојећу академску литературу и открије актуелне истраживачке трендове и жаришта. Ми применити библиометријске технике и анализирати литературу која окружује пољопривредне беспилотне летелице да би се сумирали и проценити претходна истраживања. Наша анализа показује да су даљинско испитивање, прецизна пољопривреда, дубоко учење, машинско учење и интернет ствари критичне теме везане за пољопривредне дронове. Коцитирање анализа открива шест широких истраживачких група у литератури. Ова студија је један од првих покушаја да се сумирају истраживања дронова у пољопривреди и сугеришу будући правци истраживања. |
увод
Пољопривреда представља примарни извор хране у свету (Фриха ет ал., 2021) и суочава се са озбиљним изазовима због
повећање потражње за прехрамбеним производима, безбедност хране и забринутост за безбедност, као и позиви за заштиту животне средине, очување воде и
одрживост (Иноуе, 2020). Предвиђа се да ће се овај развој наставити пошто се процењује да ће светска популација достићи 9.7 милијарди до 2050.
(2019). Пошто пољопривреда представља најистакнутији пример глобалне потрошње воде, очекује се да ће потражња за храном и водом
потрошња ће се драматично повећати у догледној будућности. Штавише, све већа потрошња ђубрива и пестицида
заједно са интензивирањем пољопривредних активности може довести до будућих еколошких изазова. Слично, обрадиво земљиште је ограничено, а
број фармера у свету се смањује. Ови изазови наглашавају потребу за иновативним и одрживим пољопривредним решењима (Елијах
ет ал., 2018; Фриха и др., 2021; Иноуе, 2020; Тзоунис ет ал., 2017).
Укључивање нових технологија је идентификовано као обећавајуће решење за решавање ових изазова. Паметна пољопривреда (Бревстер ет ал.,
2017; Танг ет ал., 2021) и прецизна пољопривреда (Фенг ет ал., 2019; Кханна & Каур, 2019) су се појавиле као резултат таквих дебата. Тхе
први је општи појам за усвајање информационо-комуникационих технологија (ИКТ) и других најсавременијих иновација у пољопривредним активностима ради повећања ефикасности и ефикасности (Хакуе ет ал., 2021). Ово последње се фокусира на управљање специфичним за локацију у којем је земљиште подељено на
хомогених делова, а сваки део добија тачну количину пољопривредног инпута за оптимизацију приноса усева помоћу нових технологија (Фенг ет ал., 2019; Кханна & Каур, 2019). Истакнуте технологије које су привукле пажњу научника у овој области су бежичне сензорске мреже (ВСН) (Ј. Зхенг & Ианг, 2018; И. Зхоу ет ал., 2016), Интернет ствари (ИоТ) (Гилл ет ал., 2017. Хе ет ал., 2021.;
технике вештачке интелигенције (АИ), укључујући машинско учење и дубоко учење (Лиакос ет ал., 2018; Парсаеиан ет ал., 2020; Схадрин ет ал.,
2019), рачунарске технологије (Хсу ет ал., 2020; Јинбо ет ал., 2019; Замора-Изкуиердо ет ал., 2019), велики подаци (Гилл ет ал., 2017; Танталаки
ет ал., 2019) и блок ланца (ПВ Кхан ет ал., 2020; Пинцхеира ет ал., 2021).
Поред горе наведених технологија, даљинска детекција се сматра технолошким алатом са великим потенцијалом за побољшање
паметна и прецизна пољопривреда. Сателити, авиони са људском посадом и дронови су популарне технологије даљинског детекције (Тсоурос ет ал., 2019).
Беспилотне летелице, популарно познате као беспилотне летелице (УАВ), системи беспилотних летелица (УАС) и летелице са даљинским управљањем, су од
велики значај јер имају вишеструке предности у поређењу са другим технологијама даљинског откривања. На пример, дронови могу да испоруче
слике високог квалитета и високе резолуције у облачним данима (Манфреда ет ал., 2018). Такође, њихова доступност и брзина преноса представљају друго
користи (Радоглоу-Грамматикис ет ал., 2020). У поређењу са авионима, дронови су веома исплативи и лаки за постављање и одржавање (Тсоурос ет ал., 2019). Упркос томе што су се у почетку углавном користили у војне сврхе, дронови могу имати користи од бројних цивилних апликација, на пример у управљању ланцем снабдевања (А. Рејеб, Рејеб, ет ал., 2021а), у хуманитарне сврхе (А. Рејеб, Рејеб, ет ал., 2021ц), паметна пољопривреда, истраживање и мапирање, документација културног наслеђа, управљање катастрофама и очување шума и дивљих животиња (Пандаи, Пратихаст, ет ал., 2020). У пољопривреди постоје различите области примене дронова јер се могу интегрисати са новим технологијама, рачунарским могућностима и уграђеним сензорима за подршку управљања усевима (нпр. мапирање, праћење, наводњавање, дијагноза биљака) (Х. Хуанг ет ал., 2021.) , смањење катастрофа, системи раног упозоравања, очување дивљих животиња и шума да споменемо само неке (Негасх ет ал., 2019). Слично томе, беспилотне летелице могу да се користе у неколико пољопривредних активности, укључујући праћење усева и раста, процену приноса, процену воденог стреса и откривање корова, штеточина и болести (Иноуе, 2020; Пандаи, Пратихаст, ет ал., 2020). Не само да се беспилотне летелице могу користити за праћење, процену и откривање на основу њихових сензорних података, већ и за прецизно наводњавање и прецизно управљање коровима, штеточинама и болестима. Другим речима, дронови су у стању да прскају воду и пестициде у прецизним количинама на основу података о животној средини. Предности дронова у пољопривреди су сумиране у табели 1.
Главне предности дронова у пољопривреди.
Корист | Референце) |
Побољшајте временско и просторно сенсинг резолуције | (Гаго ет ал., 2015; Ниу ет ал., 2020; Сривастава ет ал., КСНУМКС) |
Олакшати прецизну пољопривреду | (Л. Денг и сар., 2018; Калишук и сар., 2019; Маимаитијианг ет ал., 2017) |
Класификација и извиђање усева | (Иноуе, 2020; Калисцхук ет ал., 2019; Лопез-´ Гранадос ет ал., 2016; Маимаитијианг ет ал., 2017; Мелвилле и др., 2019; Мохарана & Дутта, 2016) |
Употреба ђубрива | (Л. Денг ет ал., 2018; Гуан ет ал., 2019) |
Праћење суше | (Фавцетт ет ал., 2020; Пандаи, Пратихаст, ет ал., 2020; Су ет ал., 2018) |
Процена биомасе | (Бендиг ет ал., 2014) |
Процена приноса | (Иноуе, 2020; Пандаи, Схрестха, ет ал., 2020; Тао ет ал., КСНУМКС) |
Смањење катастрофа | (Негаш ет ал., 2019) |
Очување дивљих животиња и шумарство | (Негасх ет ал., 2019; Пандаи, Пратихаст, ет ал., КСНУМКС) |
Процена воденог стреса | (Иноуе, 2020; Ј. Су, Цоомбес, ет ал., 2018; Л. Зханг ет ал., 2019) |
Штеточине, коров и болести откривање | (Гаˇспаровић ет ал., 2020; Иноуе, 2020; Ј. Су, Лиу, ет ал., 2018; Кс. Зханг ет ал., 2019) |
С друге стране, дронови се суочавају и са ограничењима. Укљученост пилота, снага мотора, стабилност и поузданост, квалитет сензора због носивости
ограничења тежине, трошкови имплементације и регулација ваздухопловства су међу њима (Ц. Зханг & Ковацс, 2012). Упоређујемо недостатке
од три мобилне технологије даљинског откривања у Табели 2. Друге технологије даљинског откривања, као што су сензори тла, су ван фокуса ове студије.
Недостаци различитих технологија мобилних даљинских детекција.
Даљинско истраживање технологије | Недостаци | Референце |
Дрон (УАВ) | Укључивање пилота; слике' квалитет (просечан); трошкови имплементације (просечни); стабилност, управљивост и поузданост; стандардизација; снага мотора; ограничена снага извори (век трајања батерије); ограничено трајање лета, судар и сајбер напади; ограничен тежина терета; велики скупови података и ограничену обраду података способности; недостатак регулативе; недостатак стручности, висок улаз баријере за приступ пољопривредни дронови; | (Баццо ет ал., 2018; Давалиби ет ал., 2020; Хардин & Хардин, 2010; Хардин & Јенсен, 2011; Лагкас ет ал., 2018; Лалиберте ет ал., 2007; Лалиберте & Ранго, 2011; Манфреда и др., 2018, 2018; Небикер ет ал., 2008; Пури ет ал., 2017; Велусами и др., 2022; Ц. Зханг & Ковачс, КСНУМКС) |
Сателит | Периодично сателитско покривање, ограничена спектрална резолуција; рањивост на проблеме са видљивошћу (нпр. облаци); Недоступност и мала брзина преноса; оријентација и вињетирање утиче на скупе просторне податке збирка; спора испорука података време до крајњих корисника | (Абоуталеби ет ал., 2019; Цен ет ал., 2019; Цхен ет ал., 2019; Нансен и Елиот, 2016; Пандаи, Пратихаст, ет ал., 2020; Саи Винеетх ет ал., КСНУМКС) |
Ваздухоплов | Високи трошкови усвајања; компликовано подешавање; трошкови одржавања; недоступност поузданих авиони, геометрија слике; нерегуларни подаци аквизиција; недостатак флексибилности; смртоносне незгоде; подаци сензора варијације услед вибрација; питања геореференцирања | (Армстронг ет ал., 2011; Аткинсон ет ал., 2018; Барбедо & Коенигкан, 2018; Коваљов и Ворошилова, 2020; Суомалаинен ет ал., 2013; Тхамм ет ал., 2013) |
Као мултидисциплинарна и вишенаменска технологија у пољопривреди, дронови су истражени из различитих перспектива. На пример, научници су испитивали примене дронова у пољопривреди (Кулбацки ет ал., 2018; Могили & Деепак, 2018), њихов допринос прецизној пољопривреди (Пури ет ал., 2017; Тсоурос ет ал., 2019), њихову комплементарност са другим најсавременије технологије (Ал-Тхани ет ал., 2020; Дутта & Митра, 2021; Наииар ет ал., 2020; Саха ет ал., 2018), и могућности унапређења њихових навигационих и сензорних способности (Баретх ет ал. , 2015. Суомалаинен и сар., 2014.); Пошто су истраживања о примени дронова у пољопривреди постала преовлађујућа (Кхан ет ал., 2021)), постоји потреба да се сумира постојећа литература и открије интелектуална структура домена. Штавише, као област високе технологије са сталним побољшањима, потребно је спровести структуриране прегледе да би се периодично сумирали постојећа литература и идентификовали важни недостаци у истраживању. До
до данас, постоји неколико рецензија које говоре о апликацијама дронова у пољопривредном сектору. На пример, Могили и Деепак (2018) укратко су прегледали импликације дронова на праћење усева и прскање пестицида. Иноуе (2020) спроводи преглед употребе сателита и дронова у даљинском детектовању у пољопривреди. Аутор истражује технолошке изазове усвајања паметне пољопривреде и доприносе сателита и дронова на основу студија случаја и најбољих пракси. Тсоурос ет ал. (2019) сумирају различите типове дронова и њихове главне примене у пољопривреди, истичући различите методе прикупљања и обраде података. Недавно су Аслан ет ал. (2022) спровео је свеобухватан преглед апликација УАВ у пољопривредним активностима и нагласио важност истовремене локализације и мапирања за УАВ у стакленику. Диаз-Гонзалез и др. (2022) су прегледали недавне студије производње приноса усева засноване на различитим техникама машинског учења и даљинског
сензорни системи. Њихови налази су показали да су беспилотне летелице корисне за процену индикатора тла и надмашују сателитске системе у смислу просторне резолуције, темпоралности информација и флексибилности. Басири ет ал. (2022) је направио исцрпан преглед различитих приступа и метода за превазилажење изазова планирања пута за беспилотне летелице са више ротора у контексту прецизне пољопривреде. Штавише, Аваис ет ал. (2022) сумирали су примену података даљинске детекције УАВ у усевима за процену статуса воде и пружили дубинску синтезу потенцијалног капацитета УАВ даљинског откривања за примену стреса отпада. Коначно, Акуилани ет ал. (2022) су прегледали технологије производње унапред примењене у сточарским системима заснованим на пашњацима и закључили да је даљинско испитивање омогућено беспилотним летелицама повољно за процену биомасе и управљање стадом.
Такође, недавно су пријављени покушаји употребе беспилотних летелица за праћење, праћење и прикупљање стоке.
Иако ови прегледи доносе нове и важне увиде, у литератури се не може наћи свеобухватан и ажуран преглед заснован на библиометрији, што представља јасан јаз у знању. Штавише, наведено је да када научна продукција расте у научном домену, постаје од виталног значаја за истраживаче да користе приступе квантитативног прегледа да би разумели структуру знања у домену (Ривера & Пизам, 2015). Слично, Ферреира ет ал. (2014) су тврдили да, како истраживачка поља сазревају и постају замршена, научници треба да имају за циљ да повремено дају смисао генерисаном и сакупљеном знању како би открили нове доприносе, ухватили истраживачке традиције и трендове, идентификовали које се теме проучавају и удубили се у структуру знања поље и потенцијални правци истраживања. Док су Рапарелли и Бајоццо (2019) спровели библиометријску анализу како би испитали домен знања о примени дронова у пољопривреди и шумарству, њихова студија узима у обзир само научна истраживања објављена између 1995. и 2017. године, која не одражавају динамику ове области која се брзо креће. Даље, аутори нису покушали да идентификују најутицајније доприносе у овој области, групишу литературу и процене интелектуалну структуру користећи анализу коцитата. Као резултат тога, неопходно је сумирати литературу како би се открили тренутни фокуси истраживања, трендови и жаришта.
Да бисмо попунили ову празнину у знању, користимо квантитативну методологију и ригорозне библиометријске методе да бисмо испитали тренутно стање истраживања на раскрсници дронова и пољопривреде. Ми тврдимо да тренутна студија даје неколико доприноса постојећој литератури испитујући нову технологију која је веома потребна у пољопривреди јер пружа огроман потенцијал да промени неколико аспеката у овом сектору. Потреба за библиометријском анализом пољопривредних беспилотних летелица се још више осећа с обзиром на расуто и фрагментирано знање о беспилотним летелицама у контексту пољопривреде. Слично, потребно је систематски групирати литературу која се односи на пољопривредне беспилотне летелице, с обзиром на најутицајније студије које граде темеље ове области истраживања. Заслуга у анализи укључује и појашњење главних истраживачких тема заступљених у литератури. Узимајући у обзир трансформациони потенцијал технологије, сматрамо да дубинска анализа мреже даје нове увиде одређивањем утицајних радова и откривањем тема које се тичу потенцијала дронова за пољопривреду.
Стога настојимо да постигнемо следеће истраживачке циљеве:
- Идентификација утицајних публикација са изузетним доприносом примени дронова у области пољопривреде.
- Груписање литературе, идентификација истраживачких фокуса и мапирање главних студија 'интелектуалне структуре' засноване на семантичкој сличности коришћењем анализе коцитата.
- Разумевање еволуције веза и мрежа цитирања током времена међу различитим публикацијама у овој области и идентификација будућих праваца истраживања и врућих тема.
Остатак рада је структуриран на следећи начин: одељак 2 описује методологију и кораке прикупљања података; одељак 3 даје резултате анализа; а одељак 4 разматра налазе и закључује истраживачким доприносима, импликацијама и будућим правцима.
Методологија
У овој тренутној истраживачкој студији спроводимо библиометријску анализу да бисмо истражили примене дронова у пољопривреди. Овај квантитативни приступ открива интелектуалну структуру домена знања (Арора & Цхакраборти, 2021) и тренутни статус, вруће теме и будуће правце истраживања који се могу истражити применом ове методе (Капоор ет ал., 2018; Мисхра ет ал. , 2017. А. Рејеб и др., 2021. б.; Генерално, библиометријска анализа испитује постојећу литературу како би сумирала и открила скривене обрасце писане комуникације и еволуцију дисциплине засноване на статистици и математичким методама, а примењује се на велике скупове података (Притцхард, 2021; Смалл, 2020; Тахаи & Ригсби , 1969). Коришћењем библиометрије тежимо да боље разумемо постојеће парадигме и истраживачке фокусе који доприносе домену заснованом на сличности (Тхелвалл, 1999). Библиометрија пружа нове увиде подржане објективном квантитативном снагом методологије (Цасиллас & Ацедо, 1998). Бројни научници су раније спроводили библиометријске студије у сродним доменима, укључујући пољопривреду, даљинско детекцију и дигиталну трансформацију (Армента-Медина ет ал., 2008; Боузембрак ет ал., 2007; А. Рејеб, Треиблмаиер, ет ал., 2020; Вамба & Куеироз, 2019; Ванг ет ал., 2021);
Анализа цитата
Анализа цитата открива различите увиде у дату област истраживања. Пре свега, помаже да се открију најутицајнији аутори и публикације које доприносе датој области истраживања и имају значајан утицај (Гундолф & Филсер, 2013). Друго, могу се открити ток знања и комуникацијске везе између аутора. Коначно, праћењем веза између цитираних и цитираних радова, може се истражити промене и еволуција домена знања током времена (Поурнадер
ет ал., 2020). Висока цитираност публикације одражава њену релевантност и значајан допринос домену истраживања (Балди, 1998; Гундолф & Филсер, 2013; Маринко, 1998). Анализа цитираности публикација такође помаже да се идентификују релевантни радови и да се прати њихова популарност и напредак током времена.
Анализа коцитата докумената
Анализа коцитата је вредан метод за истраживање односа између публикација и осликавање интелектуалне структуре поља (Нерур ет ал., 2008). Другим речима, идентификујући најцитираније публикације и њихове везе, метод групише публикације у различите истраживачке кластере при чему публикације у кластеру редовно деле сличне идеје (МцЦаин, 1990; Смалл, 1973). Кључно је напоменути да сличност не значи да су налази публикација
кохезивни и сагласни једни са другима; публикације припадају истом кластеру због сличности тема, али могу имати контрадикторна гледишта.
Прикупљање података и анализа
Пратећи методологију коју су предложили Вхите и Гриффитх (1981), извршили смо свеобухватну претрагу чланака у часописима како бисмо покрили читав домен истраживања примене дронова у пољопривреди, пратећи следећих пет корака:
- Први корак је било прикупљање података. Сцопус је изабран као једна од најсвеобухватнијих и најпоузданијих база података са стандардизованим резултатима. Преузети су метаподаци публикација у вези са свим применама дронова у пољопривреди. Затим смо анализирали одабране чланке, уклонивши из анализе чланке ван теме.
- Анализирали смо литературу и идентификовали најважније кључне речи које се користе у области истраживања.
- Користећи анализу цитата, истражили смо везу између аутора и докумената како бисмо открили основне обрасце цитата. Такође смо идентификовали најутицајније ауторе и публикације са значајним доприносом у области пољопривредних дронова.
- Спровели смо анализу коцитата како бисмо груписали сличне публикације у кластере.
- На крају, анализирали смо везе и везе између земаља, институција и часописа да бисмо приказали мрежу сарадње.
Идентификација одговарајућих термина за претрагу
Применили смо следеће низове за претрагу за агрегацију података: (дроне* ИЛИ „беспилотна летелица“ ИЛИ беспилотна летелица* ИЛИ „беспилотна летелица систем” ИЛИ уас ИЛИ „даљински управљани авион”) И (пољопривреда ИЛИ пољопривреда ИЛИ пољопривреда ИЛИ пољопривредник). Претрага је обављена у септембру 2021. Дронови имају неколико ознака, укључујући УАВ, УАС и летелице са даљинским управљањем (Сах ет ал., 2021). Специфични појмови за претрагу који се односе на пољопривреду идентификовани су на основу студије Абдолахија ет ал. (2021). Ради јасноће и транспарентности, тачан упит који смо користили дат је у Додатку 1. Након процеса чишћења података, направили смо текстуалну датотеку која је накнадно учитана у БибЕкцел, уобичајени алат за анализу цитирања и коцитата. Овај алат такође нуди једноставну интеракцију са другим софтвером и нуди значајан степен слободе у руковању подацима и анализи. ВОСвиевер верзија 1.6.16 је коришћен за визуелизацију налаза и генерисање библиометријских мрежа (Ецк & Валтман, 2009). ВОСвиевер нуди низ интуитивне визуелизације, посебно за анализу библиометријских мапа (Генг ет ал., 2020). Штавише, помаже у пружању једноставних визуелних резултата који помажу у бољем разумевању резултата (Абдоллахи ет ал., 2021). Примењујући низове за претрагу као што је горе наведено, прикупили смо и ускладиштили све релевантне публикације. Први резултати претраге дали су укупно 5,085 докумената. Да би се осигурао квалитет одабраног узорка, у истраживању су узети у обзир само рецензирани чланци из часописа, што је резултирало искључењем других врста докумената, као што су књиге, поглавља, зборник радова и уредничке белешке. Током процеса скрининга, ирелевантне (тј. изван обима овог рада), сувишне (тј. дупликати који потичу од двоструког индексирања) и публикације које не говоре енглески су филтриране. Овај процес је резултирао укључивањем 4,700 докумената у коначну анализу.
Налази и дискусија
За почетак, анализирали смо развој издања публикација у тренутној литератури о пољопривредним беспилотним летелицама. Временска дистрибуција научних истраживања приказана је на Слици 1. Видимо брз пораст публикација од 2011. године (30 публикација) надаље; стога смо одлучили да период анализе поделимо на две различите фазе. Период између 1990. и 2010. године називамо фазом изградње, која је имала отприлике седам радова објављених годишње. Период после 2010. назван је стадијумом раста пошто су истраживања о примени дронова у пољопривреди била сведок експоненцијалног пораста током овог периода. Након 2010. године, све већи број публикација потврђује растуће интересовање међу истраживачима, што такође одражава да су беспилотне летелице примењене на даљинско испитивање и коришћене у прецизној пољопривреди (Денг ет ал., 2018; Маес & Степпе, 2019; Мессина & Модица, 2020 ). Конкретно, број публикација је порастао са 108 у 2013. на 498 у 2018. и достигао врхунац на 1,275 у 2020. Укупно 935 чланака је објављено између јануара и средине септембра 2021. Након тога, одлучили смо да своју анализу више фокусирамо на фазу раста будући да овај период одражава најновије и важне суптилности пољопривредних дронова.
Анализа кључних речи
Кључне речи које аутори бирају за публикацију имају пресудан утицај на то како је рад представљен и како се комуницира у научним заједницама. Они идентификују кључне предмете истраживања и одређују његов потенцијал да процвета или не успе (Даи & Гастел, 1998.; Ким ет ал., 2016; Уддин ет ал., 2015). Анализа кључних речи, алат за откривање ширих истраживачких трендова и праваца, односи се на компилацију кључних речи свих сродних публикација у домену (Дикит & Јакхар, 2021). У тренутној студији, поделили смо обједињене кључне речи у два скупа (тј. до 2010. и 2011.–2021.) да бисмо истражили најпопуларније теме. На тај начин можемо пратити кључне кључне речи у оба скупа и уверити се да смо прикупили све потребне податке. За сваки скуп, десет најбољих кључних речи је представљено у табели 3. Недоследности смо елиминисали спајањем семантички идентичних кључних речи, као што су „дроне“ и „дронови“ или, слично, „Интернет оф Тхингс“ и „ИоТ.“.
Табела 3 показује да је „беспилотна летелица“ чешће коришћена кључна реч у поређењу са „дроном“ и „беспилотним ваздушним системом“ у оба временска периода. Такође, „даљинска детекција“, „прецизна пољопривреда“ и „пољопривреда“ су високо рангирани у оба периода. У првом периоду, „прецизна пољопривреда“ је била на петом месту, а на другом месту у другом периоду, што илуструје како дронови постају све важнији у постизању прецизне пољопривреде јер могу да врше мониторинг,
пракса детекције и процене је бржа, јефтинија и лакша за извођење у поређењу са другим системима за даљинско откривање и земаљским системима. Такође, могу да прскају прецизну количину инпута (нпр. воде или пестицида) када је то потребно (Гуо ет ал., 2020; Иноуе, 2020; Пандаи, Пратихаст, ет ал., 2020).
Листа најчешће коришћених кључних речи.
КСНУМКС-КСНУМКС | Бр појаве | КСНУМКС-КСНУМКС | Бр појаве | |
1 | беспилотна летелица возило | 28 | унманнед летелица | 1628 |
2 | даљински сенсинг | 7 | прецизност пољопривреда | 489 |
3 | пољопривреда | 4 | даљински сенсинг | 399 |
4 | Аирборне | 4 | зујање | 374 |
5 | прецизност пољопривреда | 4 | унманнед ваздушни систем | 271 |
6 | беспилотна летелица | 4 | пољопривреда | 177 |
7 | хиперспектрална сензор | 3 | дубоко учење | 151 |
8 | вештачки неурални мреже | 2 | машина учење | 149 |
9 | аутономни лет | 2 | вегетација индекс | 142 |
10 | кафа | 2 | Интернет оф Ствари | 124 |
Још једна занимљива карактеристика је присуство комплементарних технологија. У првој фази, „Хиперспектрални сензор“ и „вештачке неуронске мреже“ (АНН) су међу првих десет кључних речи. Хиперспектрално снимање је револуционисало традиционално снимање тако што је прикупило огроман број слика на различитим таласним дужинама. Чинећи то, сензори могу истовремено прикупити боље просторне и спектралне информације у поређењу са мултиспектралним сликама, спектроскопијом и РГБ сликама (Адао ˜ ет ал.,
2017). Појава „АНН“ у првој фази и „дубоког учења“ (ДЛ) и „машинског учења“ (МЛ) у другој имплицира да се већина објављених радова фокусирала на испитивање потенцијала АИ техника за дронове. заснована пољопривреда. Иако су дронови способни да лете аутономно, они и даље захтевају учешће пилота, што подразумева низак ниво интелигенције уређаја. Међутим, овај проблем се може решити захваљујући напретку техника вештачке интелигенције, које могу да обезбеде бољу свест о ситуацији и аутономну подршку одлучивању. Опремљени вештачком интелигенцијом, беспилотне летелице могу да избегну сударе током навигације, побољшају управљање земљиштем и усевом (Иноуе, 2020) и смање рад и стрес за људска бића (БК Схарма ет ал., 2019).
Због своје флексибилности и способности да рукују огромним количинама нелинеарних података, технике вештачке интелигенције су погодне методе за анализу података које преносе беспилотне летелице и други системи за даљинско откривање и системи засновани на земљи за предвиђање и доношење одлука (Али ет ал., 2015; Иноуе, 2020). Штавише, присуство „ИоТ-а“ у другом периоду указује на његову све већу улогу у пољопривреди. Интернет ствари прави револуцију у пољопривреди тако што повезује друге технологије, укључујући дронове, МЛ, ДЛ, ВСН и велике податке. Једна од кључних предности имплементације ИоТ-а је његова способност да ефикасно и ефективно обједини различите задатке (прикупљање података, анализа и обрада података, доношење одлука и имплементација) у скоро реалном времену (Елијах ет ал., 2018; Фенг ет ал. , 2019. Муангпратхуб и др., 2019.); Штавише, дронови се сматрају ефикасним алатима за прикупљање података неопходних за израчунавање виталности вегетације и својстава вегетације (Цандиаго ет ал., 2015). Слике 2а и 2б илуструју мреже заједничког појављивања кључних речи за оба временска периода.
Утицајни аутори
У овом одељку одређујемо утицајне ауторе и испитујемо како мреже цитирања аутора могу да визуелизују и организују актуелну литературу. На слици 3 приказан је хронолошки слој свих истраживача са највећим бројем цитата. Скала боја одражава годишње варијације цитата аутора. Испитујемо структуру цитираности истраживача који су објавили студије о пољопривредним беспилотним летелицама користећи праг од минимум 50 цитата и десет публикација. Од
12,891 аутора, само 115 испуњава овај услов. У табели 4 дато је првих десет утицајних аутора, сортираних по максималном броју цитата. Лопез-Гранадос Ф. предводи листу са 1,963 цитата, а прати га Зарцо-Тејада ПЈ са 1,909 цитата.
Списак најцитиранијих аутора.
Рангирање | аутор | цитати |
1 | Лопез-Гранадос ´ Ф. | 1,963 |
2 | Зарцо-Тејада ПЈ | 1,909 |
3 | Пена ˜ ЈМ | 1,644 |
4 | Торрес-С´ анчез Ј. | 1,576 |
5 | Феререс Е | 1,339 |
6 | Ремондино Ф | 1,235 |
7 | Болтен А | 1,160 |
8 | Барет Г | 1,155 |
9 | Берни ЈА | 1,132 |
10 | де Цастро АИ | 1,036 |
Када су у питању појединачне публикације, чланак Зханг и Ковацс (2012) је најцитиранија студија објављена у Прецисион Агрицултуре. Овде су аутори размотрили примену УАС у прецизној пољопривреди. Налази њиховог истраживања сугеришу да постоји потреба да се унапреди дизајн платформе, производња, стандардизација геореференцирања слика и ток рада за проналажење информација како би се пољопривредницима обезбедили поуздани крајњи производи. Поред тога, они препоручују јаче ангажовање фармера, посебно у планирању поља, снимању слика, као и тумачењу и анализи података. Важно је да је ова студија међу првима показала важност УАВ-а у мапирању поља, мапирању виталности, мерењу хемијског садржаја, праћењу стреса вегетације и процени утицаја ђубрива на раст биљака. Изазови везани за технологију такође укључују превисоке трошкове, способност сензора, стабилност и поузданост платформе, недостатак стандардизације и доследне процедуре за анализу огромних количина података.
Анализа цитата
Анализа цитираности представља проучавање утицаја чланака, иако склоних токовима (нпр. пристрасност цитирања, самоцитирање) сматра се једним од стандардних инструмената за процену утицаја (Осарех, 1996; А. Рејеб ет ал., 2022; Сарли ет ал., 2010). Цитати такође одражавају важност и виталност доприноса радова литератури о одређеној теми (Р. Схарма ет ал., 2022). Спровели смо анализу цитираности да бисмо утврдили најутицајније студије о пољопривредним дроновима и сумирали садржај. Табела 5 представља листу петнаест најутицајнијих радова за периоде 1990–2010 и 2011–2021. Чланци Бернија и др. (2009)б и Остин (2010) били су најцитиранији током 1990. и 2010. године, са 831, односно 498 цитата. Берни и др. (2009)б је илустровао потенцијал за развој квантитативних производа даљинског сензора путем УАВ базираног на хеликоптеру опремљеног приступачним термалним и ускопојасним мултиспектралним сензорима за снимање. У поређењу са традиционалним сензорима у ваздуху са људском посадом, јефтини УАВ систем за пољопривреду је у стању да постигне упоредиве процене биофизичких параметара усева, ако не и боље. Приступачна цена и оперативна флексибилност, заједно са високим спектралним, просторним и временским резолуцијама које су доступне у брзом времену, чине УАВ погодне за низ апликација које захтевају управљање критично по времену, укључујући заказивање наводњавања и прецизну пољопривреду. Рад Бернија и др. (2009)б је високо цитиран јер је ефикасно интегрисао беспилотну платформу са ротационим крилима и дигиталне и термалне сензоре са неопходним механизмима за калибрацију за пољопривредне примене. Друга најцитиранија публикација је књига аутора Аустина (2010), који је разматрао беспилотне летелице из перспективе дизајна, развоја и примене. У пољопривреди, беспилотне летелице подржавају праћење усева тако што рано откривају болести кроз промене боје усева, олакшавају сетву усева и прскање, као и надгледају и возе стада.
Студије Сулливан ет ал. (2007), Лумме ет ал. (2008), и Гокто ¨ ган ет ал. (2010) завршавају листу првих петнаест најцитиранијих чланака. Ови чланци илуструју развој система заснованих на УАВ за подршку пољопривреди. Они нуде решења за различите проблеме, као што су праћење и скенирање усева, надзор и управљање коровом, као и подршка доношењу одлука. Они такође предлажу и расправљају о способности беспилотних летелица да повећају ефикасност узорковања и помогну фармерима да осмисле тачне и ефективне
стратегије садње. Берни је написао два рада (Берни ет ал., 2009б; Берни ет ал., 2009а), наглашавајући његов значајан утицај на истраживања везана за пољопривредна дронова. Рад Зарцо-Тејада ет ал. (2014) је био међу пионирским студијама које су илустровале потребу за коришћењем јефтиних УАВ слика у квантификацији висине дрвета.
Списак најцитиранијих публикација.
Од КСНУМКС до КСНУМКС | Од КСНУМКС до КСНУМКС | |||
Документ | цитат | Документ | цитат | |
1 | (Берни ет ал., 2009б) | 831 | (Ц. Зханг & Ковачс, КСНУМКС) | 967 |
2 | (Остин, 2010) | 498 | (Нек & Ремондино, КСНУМКС) | 893 |
3 | (Хант ет ал., 2010) | 331 | (Флореано & Воод, КСНУМКС) | 552 |
4 | (СР Хервиц ет ал., КСНУМКС) | 285 | (Хоссеин Мотлагх ет ал., КСНУМКС) | 391 |
5 | (ЦЦД Лелонг ет ал., КСНУМКС) | 272 | (Схакхатрех ет ал., КСНУМКС) | 383 |
6 | (Берни ет ал., 2009б) | 250 | (Ма ет ал., 2017) | 373 |
7 | (Гренздорфер ¨ ет ал., КСНУМКС) | 198 | (Бендиг ет ал., 2014) | 360 |
8 | (Храбар и сар., 2005) | 175 | (Зарцо-Тејада ет ал., КСНУМКС) | 347 |
9 | (И. Хуанг ет ал., 2009.) | 129 | (Ад˜ ао ет ал., 2017) | 335 |
10 | (Сцхмале ИИИ ет ал., КСНУМКС) | 119 | (Хонкаваара ет ал., КСНУМКСа) | 331 |
11 | (Абд-Елрахман ет ал., КСНУМКС) | 79 | (Цандиаго ет ал., 2015) | 327 |
12 | (Тецхи ет ал., 2010) | 69 | (Сианг & Тиан, 2011) | 307 |
13 | (Сулливан ет ал., 2007) | 51 | (Матесе ет ал., 2015) | 303 |
14 | (Лумме ет ал., 2008) | 42 | (Гаго ет ал., 2015) | 275 |
15 | (Гокто ¨ ган ет ал., 2010) | 40 | (Аасен ет ал., 2015а) | 269 |
У другом периоду (2011–2021), истраживање Зханг и Ковацс (2012) и Нек анд Ремондино (2014) резултирало је најчешће цитираним публикацијама. Зханг и Ковацс (2012) тврде да би прецизна пољопривреда могла имати користи од имплементације геопросторних техника и сензора, као што су географски информациони системи, ГПС и даљинска детекција, како би се ухватиле варијације на терену и управљале њима коришћењем алтернативних стратегија. Као промена у прецизној пољопривреди, усвајање дронова је најавило ново доба у даљинском детектовању, поједностављујући посматрање из ваздуха, прикупљање података о расту усева, услова земљишта и површина за прскање. Преглед Зханг и Ковацс (2012) је кључан јер нуди увид у беспилотне летелице откривајући постојеће употребе и изазове ових уређаја у праћењу животне средине и прецизној пољопривреди, као што су ограничења платформе и камере, изазови обраде података, ангажовање пољопривредника и прописи о ваздухопловству. . Друга
најцитиранија студија Нек-а и Ремондина (2014) прегледала је стање технике беспилотних летелица за снимање, обраду и анализу слика Земље.
Њихов рад је такође представио преглед неколико УАВ платформи, апликација и случајева употребе, приказујући најновија достигнућа у обради слика УАВ. У пољопривреди, фармери би могли да користе беспилотне летелице да доносе ефикасне одлуке како би постигли уштеду трошкова и времена, добили брзу и прецизну евиденцију штета и предвидели могуће проблеме. За разлику од конвенционалних ваздушних платформи, беспилотне летелице могу да смање оперативне трошкове и смање опасност од приступа на суровим локацијама, док и даље задржавају потенцијал високе прецизности. Њихов рад сумира различите предности беспилотних летелица, посебно у погледу тачности и резолуције.
Међу преосталих тринаест најцитиранијих публикација између 2011. и 2021. године, приметили смо већу концентрацију на истраживања везана за апликације дронова у мисијама снимања (Бендиг ет ал., 2014; Ма ет ал., 2017; Зарцо-Тејада ет ал., 2014) , прецизна пољопривреда (Цандиаго ет ал., 2015; Хонкаваара ет ал., 2013а), прецизно виноградарство (Матесе ет ал., 2015), процена стреса воде (Гаго ет ал., 2015) и мониторинг вегетације (Аасен ет ал. , 2015а). У раним годинама истраживачи су се фокусирали
више о развоју јефтиних, лаганих и прецизних система заснованих на УАВ за пољопривреду; новија истраживања су се више фокусирала на прегледе апликација УАВ за пољопривреду и теренска истраживања. Укратко, ова анализа открива да су утицајне публикације углавном давале прегледе претходних студија за процену тренутног научног и технолошког статуса беспилотних летелица и развијене УАВ системе за подршку прецизној пољопривреди. Занимљиво је да нисмо пронашли студије које су користиле емпиријски
методологије или дескриптивне студије случаја, што представља значајан јаз у знању и захтева више истраживања на ову тему.
Анализа коцитата
Према Гмур-у (2006), анализа коцитата идентификује сличне публикације и групише их. Пажљиво испитивање кластера може открити заједничко поље истраживања међу публикацијама. Истражујемо коцитирање литературе која се односи на пољопривредне беспилотне летелице да бисмо илустровали сродне области и открили интелектуалне обрасце публикација. С тим у вези, Смалл (1973) је препоручио употребу коцитационе анализе за проучавање најутицајнијих и најзначајнијих истраживања.
у оквиру дисциплине. Да бисмо ограничили скуп на најпрепознатљивије чланке (Гоиал & Кумар, 2021), поставили смо праг коцитирања од 25, што значи да два чланка морају бити цитирана заједно у референтним листама од 25 или више различитих публикација. Груписање је такође спроведено са минималном величином кластера 1 и без икакве методе за спајање мањих кластера са већим. Као резултат, генерисано је шест кластера на основу сличности студија и њихове интелектуалне структуре. Табела 6 приказује дистрибуцију публикација у сваком кластеру.
Кластер 1: Овај кластер садржи осамнаест докумената објављених након Публикације у овом кластеру говоре о улози дронова у подршци мониторингу животне средине, управљању усевима и управљању коровом. На пример, Манфреда ет ал. (2018) дају преглед тренутних истраживања и имплементације беспилотних летелица у праћењу природног пољопривредног екосистема и тврде да технологија нуди огроман потенцијал да драстично побољша праћење животне средине и смањи
постојећи јаз између посматрања на терену и конвенционалних даљинских детекција из ваздуха и свемира. Ово се може урадити нуђењем нових капацитета за побољшано временско проналажење и просторни увид у велика подручја на приступачан начин. Беспилотне летелице могу стално да осете околину и да шаљу добијене податке интелигентним, централизованим/децентрализованим ентитетима који контролишу сензоре како би идентификовали евентуалне проблеме, као што је недостатак болести или детекција воде (Падуа ´ ет ал., 2017). Адао ˜ ет ал. (2017) сматрају да су беспилотне летелице идеалне за процену стања биљака тако што прикупљају огромну количину сирових података који се односе на статус воде, процену биомасе и процену снаге. Сензори постављени на беспилотну летелицу такође би могли да се одмах примене у одговарајућим условима животне средине како би се омогућило правовремено хватање података даљинског детекције (Вон Буерен ет ал., 2015). Уз помоћ беспилотних летелица, фармери су у могућности да обављају пољопривредне активности у затвореном простору прикупљањем мерења са практично било ког места у тродимензионалном простору затвореног пољопривредног окружења (нпр. стакленика), чиме се обезбеђује локална контрола климе и праћење биљака (Ролдан ´ ет ал. ., 2015). У контексту прецизности
пољопривреде, одлуке о управљању усевима захтевају тачне, поуздане податке о усевима са одговарајућом временском и просторном резолуцијом (Гебберс & Адамцхук, 2010; Геваерт ет ал., 2015; Маес & Степпе, 2019). Из тог разлога, Агуера Вега ет ал. (2015) користили су мултиспектрални сензорски систем постављен на УАВ да би добили слике усева сунцокрета током вегетације. Слично, Хуанг ет ал. (2009) примећују да би даљинска детекција заснована на беспилотним летелицама могла да олакша мерење усева и земљишта из прикупљених спектралних података. Вергер ет ал. (2014) су развили и тестирали технику за процену индекса зелених површина (ГАИ) на основу мерења рефлексије УАВ у апликацијама за прецизну пољопривреду, фокусирајући се на усеве пшенице и уљане репице. Стога, дронови пружају нове могућности за преузимање информација о стању усева уз честе поновне посете и високу просторну резолуцију (Донг ет ал., 2019; Гарзонио ет ал., 2017; Х. Зхенг ет ал., 2016).
Груписање утицајних публикација о пољопривредним дроновима.
Група | Широка тема | Референце |
1 | Мониторинг животне средине, усев управљање, управљање коровом | (Ад˜ ао ет ал., 2017; Агуера Вега ет ал., 2015; де Цастро ет ал., 2018; Гомез-Цанд ´ он ´ ет ал., 2014; ИБ Хуанг ет ал., 2013; Кханал ет ал., 2017; Лопез-Гранадос, ´ 2011; Манфреда и др., 2018; П´ адуа ет ал., 2017; Пена ˜ ет ал., 2013; П´ерез-Ортиз ет ал., 2015; Расмуссен ет ал., 2013, 2016; Торрес-С´ анцхез ет ал., 2014; Торес-Санчез, ´ Лопез-Гранадос, ´ & Пена, ˜ 2015; Вергер ет ал., 2014; Вон Буерен ет ал., 2015; Ц. Зханг & Ковач, 2012) |
2 | Фенотипизација на даљину, принос процена, модел површине усева, бројање биљака | (Бендиг ет ал., 2013, 2014; Геипел ет ал., 2014; Гнадингер ¨ & Шмидхалтер, 2017; Хагхигхатталаб ет ал., 2016; Холман ет ал., 2016; Јин ет ал., 2017; В. Ли ет ал., 2016; Маимаитијианг ет ал., 2017; Санкаран ет ал., 2015; Сцхиррманн ет ал., 2016; Ши и сар., 2016; Иуе ет ал., 2017; ИКС. Зхоу ет ал., 2017) |
3 | Термичка слика за воду, мултиспектрално снимање | (Балуја ет ал., 2012; Берни ет ал., 2009б; Берни ет ал., 2009а; Цандиаго ет ал., 2015; Гаго и сар., 2015; Гонзалез-Дуго ет ал., 2013, 2014; Гренздорфер ¨ ет ал., 2008; Кхалик ет ал., 2019; Матесе и сар., 2015; Рибеиро-Гомес ет ал., 2017; Сантестебан ет ал., 2017; Уто и др. КСНУМКС) |
4 | Хиперсектрално снимање, спектрално имиџинг | (Аасен ет ал., 2015а; Баретх ет ал., 2015; Хакала и сар., 2013; Хонкаваара ет ал., 2013а; Луциеер ет ал., 2014; Саари ет ал., 2011; Суомалаинен ет ал., 2014) |
5 | Апликације за 3Д мапирање | (Јим´енез-Бренес ет ал., 2017; Нек & Ремондино, 2014; Салами и др., 2014; Торрес-С´ анцхез, Лопез- ´ Гранадос, Серано, ет ал., 2015; Захави ет ал., 2015; Зарцо-Тејада ет ал., КСНУМКС) |
6 | Пољопривредни надзор | (СР Хервитз ет ал., 2004; Хунт ет ал., 2010; ЦЦД Лелонг ет ал., 2008; Примицерио ет ал., 2012; Ксианг & Тиан, 2011) |
Штавише, дронови су корисни за изазовне задатке у пољопривреди, укључујући мапирање корова. Слике које су снимили уређаји су доказале своју корисност за рано откривање корова на пољима (де Цастро ет ал., 2018; Јим´енез-Бренес ет ал., 2017; Лам ет ал., 2021; Лопез-Гранадос ´ ет ал., 2016. Розенберг и др., 2021.); С тим у вези, де Цастро ет ал. (2018) сматрају да је спајање УАВ снимака и анализе слика засноване на објектима (ОБИА) омогућило практичарима да превазиђу проблем аутоматизације раног откривања у раној сезони травњака, што је велики корак напред у истраживању корова. Слично, Пена ˜ ет ал. (2013) истичу да коришћење слика ултра-високе просторне резолуције са УАВ-а у комбинацији са ОБИА процедуром омогућава генерисање карата корова у раним усевима кукуруза које би се могле користити у планирању спровођења сезонских мера контроле корова, задатак који превазилази могућности сателитских и традиционалних снимака из ваздуха. У поређењу са класификацијом слика или алгоритмима за детекцију објеката, технике семантичке сегментације су ефикасније у задацима мапирања корова (Ј. Денг ет ал., 2020), што омогућава фармерима да открију услове у пољу, ублаже губитке и побољшају приносе током вегетације (Рамесх ет ал., 2020). Семантичка сегментација заснована на дубоком учењу такође може да обезбеди тачно мерење вегетационог покривача са снимака из ваздуха високе резолуције (Рамесх ет ал., 2020; А. Зхенг ет ал., 2022). Упркос њиховом потенцијалу за даљинско
откривајући класификацију пиксела, технике семантичке сегментације захтевају значајно израчунавање и превисоку ГПУ меморију (Ј. Денг ет ал., 2020).
На основу машинског учења и УАВ-а, П´ерез-Ортиз ет ал. (2015) су предложили приступ мапирања корова како би се обезбедиле стратегије контроле корова специфичне за локацију када фармери усвоје контролу корова у раној фази након ницања. Коначно, Расмуссен ет ал. (2013) су истакли да беспилотне летелице пружају јефтино откривање са великом флексибилношћу просторне резолуције. Све у свему, публикације у овом кластеру се фокусирају на истраживање потенцијала беспилотних летелица да подрже даљинско детектовање, праћење усева и мапирање корова. Потребно је додатно дубинско истраживање како би се даље истражило како се применом дронова у надгледању животне средине, управљању усевима и мапирању корова може постићи одрживија пољопривреда (Цхамуах & Сингх, 2019; Ислам ет ал., 2021; Попесцу ет ал., 2020; Ј Су, Лиу, ет ал., 2018) и баве се питањима управљања овом технологијом у апликацијама за осигурање усева (Баснет & Банг, 2018; Цхамуах & Сингх, 2019, 2022; Меинен & Робинсон, 2021). Истраживачи би требало да се концентришу на валидацију мерења прикупљених УАВ-ом уз ефикасне технике обраде како би се побољшао врхунски квалитет обрађених података (Манфреда ет ал., 2018). Штавише, потребан је развој одговарајућих алгоритама који препознају пикселе који приказују коров на дигиталним сликама и елиминишу неважну позадину током УАВ мапирања корова (Гаˇспарови´ц ет ал., 2020; Хамилтон ет ал., 2020; Х. Хуанг ет ал. , 2018, 2020. Лопез-´ Гранадос ет ал., 2016.); Додатна истраживања о усвајању техника семантичке сегментације у препознавању биљака, класификацији листова и мапирању болести су добродошла (Фуентес-Пацхецо ет ал., 2019; Керкецх ет ал., 2020).
Кластер 2. Публикације у овом кластеру су се фокусирале на неколико аспеката пољопривредних дронова. Везано за удаљену фенотипизацију, Санкаран ет ал. (2015) су размотрили потенцијал коришћења снимања из ваздуха високе резолуције на малим висинама са беспилотним летелицама за брзу фенотипизацију усева на пољу и тврде да, у поређењу са платформама за детекцију на земљи, мали беспилотари са адекватним сензорима нуде неколико предности , као што су лакши приступ терену, подаци високе резолуције, ефикасно прикупљање података,
брзе процене услова раста поља и ниске оперативне трошкове. Међутим, аутори такође примећују да се ефикасна примена УАВ за фенотипизацију терена ослања на два основна елемента, наиме, карактеристике УАВ (нпр. безбедност, стабилност, позиционирање, аутономија) и карактеристике сензора (нпр. резолуција, тежина, спектралне таласне дужине, поље поглед). Хагхигхатталаб и др. (2016) предложили су полуаутоматизовани цевовод за обраду слике како би се из УАВ снимака добили подаци на нивоу парцеле и убрзао процес размножавања. Холман ет ал. (2016) развио висок
пропусни систем фенотипизације на терену и истакао да је УАВ у стању да прикупи квалитетне, обимне фенотипске податке засноване на терену и да је уређај ефикасан за велике површине и на различитим теренским локацијама.
Пошто је процена приноса невероватно витална информација, посебно када је доступна на време, постоји потенцијал за беспилотне летелице да обезбеде сва мерења на терену и ефикасно прибаве висококвалитетне податке (Даакир ет ал., 2017; Демир ет ал., 2018 , Енцисо и сар., 2019; Пуделко и др.; С тим у вези, Јин ет ал. (2018) искористили су слике високе резолуције добијене од беспилотних летелица на веома малим висинама да развију и процене метод за процену густине биљака пшенице у фази ницања. Према ауторима, беспилотне летелице превазилазе ограничења система ровера опремљених камерама и представљају неинвазивну методу за процену густине биљака у усевима, омогућавајући пољопривредницима да постигну високу пропусност неопходну за фенотипизацију поља независно од проходности земљишта. Ли ет ал. (2012) прикупили су стотине стерео слика са изузетно високом резолуцијом користећи систем заснован на УАВ-у за процену параметара кукуруза, укључујући висину крошње и надземну биомасу. Коначно, Иуе ет ал. (2017) открили су да висина усева одређена из беспилотних летелица може побољшати процену надземне биомасе (АГБ).
Приступ праћењу раста усева је идеја о развоју модела површине усева (Бендиг ет ал., 2014, 2015; Холман ет ал., 2016; Пандаи, Схрестха, ет ал., 2020; Сумесх ет ал., 2021). Неколико студија је истакло изводљивост слика снимљених са УАВ за снимање висине биљака и праћење њиховог раста. На пример, Бендиг ет ал. (2013) описали су развој мулти-темпоралних модела површине усева са веома високом резолуцијом мањом од 0.05 м коришћењем УАВ. Циљ им је био да открију усев
варијабилност раста и њена зависност од третмана усева, сорте и стреса. Бендиг и др. (2014) користили су беспилотне летелице за процену свеже и суве биомасе на основу висине биљака екстраховане из модела површине усева и открили да, за разлику од ваздушних платформи и земаљског ласерског скенирања, слике високе резолуције са беспилотних летелица могу значајно повећати тачност моделирања висине биљака за различит раст фазе. У истом духу, Геипел ет ал. (2014) користили су беспилотне летелице у свом истраживању за добијање слика
скупова података за предвиђање приноса зрна кукуруза у три различите фазе раста од ране до средине сезоне и закључили да је комбинација спектралног и просторног моделирања заснованог на сликама из ваздуха и модела површине усева погодна метода за предвиђање приноса кукуруза у средини сезоне. Коначно, Гнадингер ¨ и Сцхмидхалтер (2017) су испитали корисност УАВ-а у прецизном фенотипизацији и истакли да би употреба ове технологије могла побољшати управљање фармама и омогућити експериментисање на терену у узгојне и агрономске сврхе. Све у свему, примећујемо да се публикације у групи 2 фокусирају на главне предности беспилотних летелица у удаљеним
фенотипизација, процена приноса, моделирање површине усева и бројање биљака. Будуће студије могу да копају дубље развијањем нових метода за даљинско фенотипизацију које могу аутоматизовати и оптимизовати обраду података са даљинског детекције (Барабасцхи ет ал., 2016; Лиебисцх ет ал., 2015; Моцхида ет ал., 2015; С. Зхоу ет ал. ., 2021). Поред тога, у
будућност (Ју & Сон, 2018а, 2018б; Ксие & Ианг, 2020; Иуе ет ал., 2018). Коначно, постоји потреба да се развију ефикасне методе обраде слике које могу да генеришу поуздане информације, максимизирају ефикасност у пољопривредној производњи и минимизирају ручно пребројавање пољопривредника (РУ Кхан ет ал., 2021; Кох ет ал., 2021; Лин & Гуо, 2020. Ц. Зханг и др., 2020.);
Кластер 3. Публикације у овом кластеру говоре о различитим типовима система за снимање на даљину пољопривредних ресурса који се користе на УАВ платформама. У том смислу, термичка слика омогућава праћење површинских температура како би се спречило оштећење усева и рано открио стрес од суше (Аваис ет ал., 2022; Гарциа-Тејеро ет ал., 2018; Санкаран ет ал., 2015; Сантестебан ет ал., 2017; Иеом, 2021); Балуја и др. (2012) су тврдили да је употреба мултиспектралних и термалних камера на броду
УАВ је омогућио истраживачима да добију слике високе резолуције и процене статус воде винове лозе. Ово би могло бити корисно за развој нових модела распоређивања воде користећи податке даљинског сензора (Балуја ет ал., 2012). Због
ограничен капацитет носивости беспилотних летелица, Рибеиро-Гомес ет ал. (2017) разматрали су интеграцију нехлађених термалних камера у беспилотну летелицу како би се одредио стрес воде у постројењима, што ову врсту беспилотних летелица чини ефикаснијим и одрживијим од традиционалних сателитских даљинских сензора и беспилотних летелица опремљених хлађеним термалним камерама. Према ауторима, нехлађене термалне камере су лакше од хлађених камера и захтевају одговарајућу калибрацију. Гонзалез-Дуго и др. (2014) су показали да термална слика ефикасно генерише просторне мапе индекса воденог стреса усева за процену статуса воде и квантификацију воденог стреса међу и унутар засада цитруса. Гонзалез-Дуго и др. (2013) и Сантестебан ет ал. (2017) истраживали су употребу топлотних снимака УАВ високе резолуције за процену варијабилности статуса воде у комерцијалном воћњаку и винограду.
Мултиспектрално снимање би могло да пружи огромне податке у поређењу са традиционалним РГБ (црвена, зелена и плава) сликама (Ад˜ ао ет ал., 2017; Навиа ет ал., 2016). Ови спектрални подаци, заједно са просторним подацима, могу помоћи у класификацији, мапирању, предвиђању, предвиђању и откривању (Берни ет ал., 2009б). Према Цандиаго ет ал. (2015), мултиспектрално снимање засновано на УАВ могло би у великој мери допринети процени усева и прецизној пољопривреди као поузданом и ефикасном ресурсу. такође,
Кхалик ет ал. (2019) су направили поређење између сателитског и мултиспектралног снимања заснованог на УАВ-у. Слике засноване на УАВ-у су резултирале прецизнијим описом варијабилности винограда, као и мапама виталности за представљање крошњи усева. Укратко, чланци у овом кластеру говоре о уграђивању термалних и мултиспектралних сензора за снимање у пољопривредне беспилотне летелице. Сходно томе, потребно је више истраживања да би се разумело како се термална и мултиспектрална слика може интегрисати са АИ
технике (нпр. дубоко учење) за откривање стреса биљака (Ампатзидис ет ал., 2020; Ампатзидис & Партел, 2019; Јунг ет ал., 2021; Сантестебан ет ал., 2017; Сиеда ет ал., 2021). Такви увиди ће помоћи да се обезбеди ефикасније и прецизније откривање, као и праћење раста биљака, стреса и фенологије (Бутерс ет ал., 2019; Цао ет ал., 2020; Неупане & БаисалГурел, 2021; Л. Зхоу ет ал., 2020).
Кластер 4. Овај кластер се састоји од седам радова који се врте око кључне улоге спектралног и хиперспектралног снимања у подршци пољопривредним праксама. Хиперспектрална слика се етаблирала као метода даљинског сензора која омогућава квантитативну процену земаљског система (Сцхаепман ет ал., 2009). Тачније, омогућава идентификацију површинских материјала, квантификацију (релативних) концентрација и додељивање пропорција компоненти површине
унутар мешовитих пиксела (Кирсцх ет ал., 2018; Зхао ет ал., 2022). Другим речима, виша спектрална резолуција коју пружају хиперспектрални системи омогућава прецизније процене различитих параметара, као што су вегетаријанска својства или садржај воде у листовима (Суомалаинен ет ал., 2014). Истраживачи у овом кластеру истраживали су различите аспекте таквих система. Између осталих, Аасен ет ал. (2015б) понудио је јединствен приступ за извођење тродимензионалних хиперспектралних информација из лаких
камере које се користе на беспилотним летелицама за праћење вегетације. Луциеер ет ал. (2014) су расправљали о дизајну, развоју и ваздушним операцијама нове хиперспектралне УАС, као и о калибрацији, анализи и интерпретацији података о слици прикупљених са њим. Коначно, Хонкаваара ет ал. (2013б) развио је свеобухватан приступ обради спектралних слика заснованих на ФабриПерот интерферометру и показао његову употребу у поступку процене биомасе за прецизну пољопривреду. Потенцијални будући путеви за овај тренутни кластер укључују истицање потребе за техничким побољшањима у сензорским технологијама (Аасен ет ал., 2015б), као и потребу за уградњом и унапређењем комплементарних технологија, посебно великих података и аналитике (Анг & Сенг, 2021; Радоглоу -Грамматикис ет ал., 2020; Схакоор ет ал., 2019); Ово последње углавном произилази из стално растућих података које генеришу различити сензори који се примењују у паметној пољопривреди (Ц. Ли & Ниу, 2020; А. Рејеб ет ал., 2022; И. Су & Ванг, 2021).
Кластер 5. Публикације у овом кластеру су испитивале 3Дмаппинг апликације засноване на беспилотним летелицама. Коришћење дронова за 3Д мапирање могло би да ублажи сложен рад на терену и значајно повећа ефикасност (Торрес-Санцхез ´ ет ал., 2015). Пет чланака у кластеру углавном се фокусирало на апликације за праћење постројења. На пример, да би добили тродимензионалне податке о површини крошње, висини стабла и запремини крошње, Торрес-Санцхез ´ ет ал. (2015) су користили УАВ технологију за генерисање дигиталних модела површине, а затим и приступе анализе слика заснованих на објектима (ОБИА). Даље, Зарцо-Тејада ет ал. (2014) квантификовао висину стабла интеграцијом УАВ технологије и метода тродимензионалне фото-реконструкције. Јим´енез-Бренес Лопез-Гранадос, ´ Де Цастро, ет ал. (2017) демонстрирали су нови процес за мулти-темпорално, 3Д праћење десетина стабала маслина интеграцијом УАВ технологије са напредном ОБИА методологијом. Занимљиви путеви за будуће радове у овом кластеру укључују или побољшање садашњих
методологије (Зарцо-Тејада ет ал., 2014) за потребе дигиталног моделирања површине (Ајаии ет ал., 2017; Јауд ет ал., 2016), као што је ОБИА (де Цастро ет ал., 2018, 2020; Вентура ет ал. , 2018), и фотореконструкција или развој нових метода (Диаз-Варела ет ал., 2015; Торрес-С´ анцхез ет ал., 2015).
Кластер 6. Овај кластер говори о улози дронова у пољопривредном надзору. Беспилотне летелице би могле да допуне и превазиђу недостатке сателитског и авионског снимања. На пример, они би могли да обезбеде високу резолуцију скоро у реалном времену са мање горива или изазова пилотирања, што резултира сталним надзором у реалном времену и побољшањима у доношењу одлука (С. Хервитз ет ал., 2004). Још један кључни допринос беспилотних летелица је њихова способност да обезбеде податке специфичне за локацију за прецизну пољопривреду или пољопривреду специфичну за локацију јер њихова висока резолуција, детаљни подаци о различитим параметрима омогућавају пољопривредницима да поделе земљиште на хомогене делове и према њима поступају (Хунт ет ал. , 2010. ЦЦ Лелонг и др., 2008.; Такав пољопривредни надзор заснован на УАВ-у може подржати праћење безбедности хране и доношење одлука (СР Хервитз ет ал., 2012). Да би се унапредила истраживања у пољопривредном надзору, потребна су не само побољшања сензора, беспилотних летелица и других сродних технологија и њихових метода комуникације и преноса података (Евинг ет ал., 2004; Схуаи ет ал., 2020), већ и интегрисање дронова са различитим технологије за оптимизацију различитих задатака у вези са паметном пољопривредом, као што су мониторинг, пољопривредни надзор и доношење одлука, је област високог потенцијала истраживања (Алсамхи ет ал., 2019; Попесцу ет ал., 2021; Вуран ет ал., 2020). У том смислу, ИоТ, ВСН-ови и велики подаци нуде занимљиве комплементарне могућности (ван дер Мерве ет ал., 2018). Трошкови имплементације, уштеде трошкова, енергетска ефикасност и безбедност података су међу недовољно истраженим областима за такву интеграцију (Масроор ет ал., 2020).
Земље и академске институције
Последњи корак укључивао је истраживање земље порекла и академске припадности аутора. Кроз ову анализу, циљ нам је да боље разумемо географску дистрибуцију научника који доприносе примени дронова у пољопривреди. Важно је приметити разноликост земаља и академских институција. Из перспективе земље, САД, Кина, Индија и Италија налазе се на врху листе по броју публикација (Табела 7). Струја
истраживање пољопривредних дронова углавном је усредсређено на земље Северне Америке и Азије, углавном због њиховог великог ангажовања у апликацијама за прецизну пољопривреду. На пример, у САД, тржиште пољопривредних дронова је процењено на 841.9 милиона УСД у 2020. години, што чини приближно 30% глобалног тржишног удела (РепортЛинкер, 2021). Као највећа светска економија, предвиђа се да ће Кина достићи приближну величину тржишта од 2.6 милијарди УСД у 2027. Ова земља апелује на пољопривредне беспилотне летелице како би превазишли проблеме продуктивности и постигли боље приносе, смањење радне снаге и мање инпуте производње. Међутим, усвајање технологије у Кини такође је вођено факторима као што су величина популације и потреба за иновацијама и побољшањем постојећих пракси управљања усевима.
Најпродуктивније земље и универзитети/организације које доприносе
истраживања везана за пољопривредне дронове.
земаља | |
1 | САД |
2 | Кина |
3 | Индија |
4 | Италија |
5 | Шпанија |
6 | Nemačkoj |
7 | Бразил |
8 | Аустралија |
9 | Јапан |
10 | Велика Британија |
Универзитети/Организације | |
1 | Кинеска академија наука |
2 | Министарство пољопривреде Народне Републике Кине |
3 | Цонсејо Супериор де Инвестигационес Циентифицас |
4 | Универзитет А&М у Тексасу |
5 | Цхина Агрицултурал Университи |
6 | Служба за пољопривредна истраживања УСДА |
7 | ЦСИЦ – Институто де Агрицултура Состенибле ИАС |
8 | Универзитет Пурдуе |
9 | Национални савет за истраживање |
10 | Пољопривредни универзитет Јужна Кина |
Из универзитетске и организационе перспективе, Кинеска академија наука је на врху листе по броју публикација, а следе Министарство пољопривреде Народне Републике Кине и Цонсејо Супериор де Инвестигационес Циентифицас. Кинеску академију наука представљају аутори Лиао Ксиаохан и Ли Јун; Хан Вентинг представља Министарство пољопривреде Народне Републике Кине; а Цонсејо Супериор де Инвестигационес Циентифицас представљају Лопез-Гранадос, ´ Ф. и Пена, ˜ Јос´е Мариа С. Из САД, универзитети као што су Тексашки А&М универзитет и Универзитет Пурдуе налазе своје
поменути. Универзитети са највећим бројем публикација и њихове везе приказани су на слици 4. Поред тога, ова листа укључује институције као што су Цонсиглио Назионале делле Рицерцхе и Цонсејо Супериор де Инвестигационес Циентифицас које су активне у научном истраживању, али нису академске институције. .
Наш избор је укључивао широк спектар часописа, обухватајући практично све доступне податке. Као што је приказано у табели 8, Ремоте Сенсинг са 258 чланака се налази на врху, а следе Јоурнал оф Интеллигент анд Роботиц Системс: Тхеори анд Апплицатионс са 126 и Цомпутерс анд Елецтроницс ин Агрицултуре са 98 чланака. Док је даљинско испитивање углавном фокусирано на примену и развој дронова, рачунари и електроника у пољопривреди углавном покривају напредак у рачунарском хардверу, софтверу, електроници и контролним системима у пољопривреди. Интернационална продајна места, као што су ИЕЕЕ Роботицс анд Аутоматион Леттерс са 87 публикација и ИЕЕЕ Аццесс са 34 публикације, такође су врхунска продајна места у овој области. Првих 959 медија допринело је литератури са 20.40 докумената, што је отприлике 5% свих публикација. Анализа коцитирања часописа нам омогућава да испитамо важност и сличност између публикација. Анализа коцитата даје три кластера, као што је приказано на слици XNUMX. Црвени кластер се састоји од часописа као што су Ремоте Сенсинг, Цомпутер анд Елецтроницс ин Агрицултуре, Сенсорс,
и Интернатионал Јоурнал оф Ремоте Сенсинг. Сви ови магазини су високо реномирани часописи у областима даљинске детекције и прецизне пољопривреде. Зелени кластер садржи часописе који се баве роботиком, као што су Јоурнал оф Интеллигент анд Роботиц Системс: Тхеори анд Апплицатионс, ИЕЕЕ Роботицс анд Аутоматион Леттерс, ИЕЕЕ Аццесс и Дронес. Ова продајна места углавном објављују радове о аутоматизацији и корисна су за пољопривредне инжењере. Коначан кластер чине часописи који се односе на агрономију и пољопривредно инжењерство, попут Агрономије и Међународног часописа за пољопривредно и биолошко инжењерство.
15 најбољих часописа у истраживању пољопривредних дронова.
Часопис | Рачунати | |
1 | Ремоте Сенсинг | 258 |
2 | Часопис за интелигентне и роботске системе: теорија и aplikacije | 126 |
3 | Рачунари и електроника у пољопривреди | 98 |
4 | Писма ИЕЕЕ Роботицс анд Аутоматион | 87 |
5 | Сензори | 73 |
6 | Међународни часопис за даљинско испитивање | 42 |
7 | Прецизна пољопривреда | 41 |
8 | Трутови | 40 |
9 | Агрономија | 34 |
10 | ИЕЕЕ приступ | 34 |
11 | Међународни часопис за напредне роботске системе | 31 |
12 | Међународни часопис за пољопривредно и биолошко инжењерство | 25 |
13 | ПЛоС ОНЕ | 25 |
14 | Јоурнал оф Фиелд Роботицс | 23 |
15 | Биосистемс Енгинееринг | 23 |
Zakljucak
резиме
У овој студији смо сумирали и анализирали постојећа истраживања пољопривредних дронова. Примењујући различите библиометријске технике, настојали смо да боље разумемо интелектуалну структуру истраживања пољопривредних дронова. Укратко, наш преглед нуди неколико доприноса идентификацијом и дискусијом о кључним речима у литератури, откривањем кластера знања уз формирање семантички сличних заједница у области дронова, изношењем ранијих истраживања и сугерисањем будућих праваца истраживања. У наставку наводимо главне налазе прегледа о развоју пољопривредних дронова:
• Укупна литература је брзо расла и привукла је огромну пажњу током последње деценије, на шта указује и пораст броја чланака након 2012. Иако ово поље знања тек треба да постигне своју пуну зрелост (Барриентос ет ал., 2011; Маес & Степпе, 2019), неколико питања је још увек без одговора. На пример, корисност дронова у узгоју у затвореном простору је још увек отворена за дебату (Аслан ет ал., 2022; Крул ет ал., 2021; Ролд´ ан ет ал., 2015). Сложеност сцена у пољу и различите околности снимања (нпр. сенке и осветљење) могу довести до веће спектралне варијансе у класи (Иао ет ал., 2019). Чак иу каснијим фазама истраживања, истраживачи су били изазвани да одреде оптималне планове лета према одређеним сценаријима и захтеваном квалитету слике (Соарес ет ал., 2021; Ту ет ал.,
КСНУМКС).
• Примећујемо да је ова област напредовала од развоја ефикасних УАВ система до укључивања техника вештачке интелигенције, као што су машинско учење и дубоко учење у дизајну пољопривредних дронова (Бах ет ал., 2018; Китано ет ал., 2019; Маимаитијианг ет ал. , 2020. Маззиа и др., 2020.;
• Истраживања пољопривредних дронова углавном су расправљала о даљинском детекцији истражујући потенцијале технологије у мониторингу животне средине, управљању усевима и управљању коровом (кластер 1), као и даљинском фенотипизацијом и проценом приноса (кластер 2). Скуп утицајних студија о пољопривредним беспилотним летелицама укључује Аустин (2010), Берни ет ал. (2009)а, Хервитз ет ал. (2004), Некс и Ремондино (2014) и Џанг и Ковач (2012). Ове студије су развиле концептуалне основе истраживања у вези са дроном у контексту пољопривреде.
• У вези са методологијом, приметили смо да је већина досадашњих истраживања била састављена или од дизајна система, концептуалних или студија заснованих на прегледу (Иноуе, 2020; Нек & Ремондино, 2014; П´ерез-Ортиз ет ал. , 2015. Иао ет ал., 2019.); Такође примећујемо недостатак емпиријских, квалитативних метода и метода заснованих на студијама случаја у истраживању пољопривредних дронова.
• Недавно су значајну пажњу привукле теме везане за прецизну пољопривреду, технике вештачке интелигенције, прецизно виноградарство и процену воденог стреса (Еспиноза ет ал., 2017; Гомез-Цанд ´ он ´ ет ал., 2016; Матесе ет ал., 2015; Матесе & Ди Геннаро, 2018, 2021; З. Зхоу ет ал., 2021); Пажљиво испитивање истраживачких кластера у две одвојене ере, 1990–2010 и 2011–2021, открива напредак интелектуалне структуре домена. Период од 1990. до 2010. представљао је изградњу централних појмова и концепата дронова, што је очигледно из дискусије о дизајну, развоју и имплементацији УАВ. У другој ери, фокус истраживања се шири на претходне студије, чинећи напор да се синтетизују случајеви употребе УАВ у пољопривреди. Такође смо пронашли бројне студије које говоре о примени дронова у задацима снимања и прецизној пољопривреди.
Часопис | Рачунати | |
1 | Ремоте Сенсинг | 258 |
2 | Часопис за интелигентне и роботске системе: теорија и | 126 |
aplikacije | ||
3 | Рачунари и електроника у пољопривреди | 98 |
4 | Писма ИЕЕЕ Роботицс анд Аутоматион | 87 |
5 | Сензори | 73 |
6 | Међународни часопис за даљинско испитивање | 42 |
7 | Прецизна пољопривреда | 41 |
8 | Трутови | 40 |
9 | Агрономија | 34 |
10 | ИЕЕЕ приступ | 34 |
11 | Међународни часопис за напредне роботске системе | 31 |
12 | Међународни часопис за пољопривредно и биолошко инжењерство | 25 |
13 | ПЛоС ОНЕ | 25 |
14 | Јоурнал оф Фиелд Роботицс | 23 |
15 | Биосистемс Енгинееринг | 22 |
Импликације
Наш библиометријски преглед је дизајниран и спроведен имајући на уму научнике, пољопривреднике, пољопривредне стручњаке, консултанте за усеве и дизајнере УАВ система. Према најбољем сазнању аутора, ово је један од првих оригиналних прегледа који је предузео детаљну библиометријску анализу
примена дронова у пољопривреди. Спровели смо свеобухватан преглед овог тела знања, користећи анализе цитирања и коцитирања публикација. Наши покушаји да опишемо интелектуалну структуру истраживања дронова такође нуде нове увиде за академике. Пажљив преглед кључних речи коришћених током времена открива жаришта и фокусне области истраживања у литератури која се односи на беспилотне летелице. Поред тога, представљамо листу најцитиранијих студија како бисмо идентификовали најутицајније истраживачке радове који су завршени у овој области. Идентификација чланака и кључних речи би стога могла да пружи солидну полазну тачку за откривање неколико путева за будућа истраживања.
Оно што је важно, открили смо кластере који класификују упоредиве радове и елаборирали резултате. Студије класификоване у кластере помажу у разумевању интелектуалне структуре истраживања УАВ. Посебно, открили смо недостатак студија које истражују факторе усвајања дронова
и баријере у пољопривредним активностима (видети табелу 9). Будући истраживачи би могли да се позабаве овим потенцијалним јазом спровођењем емпиријских истраживања која процењују факторе усвајања дронова у различитим пољопривредним активностима и климатским условима. Штавише, истраживање засновано на студијама случаја о ефикасности дронова требало би да буде подржано стварним подацима са терена. Такође, укључивање фармера и менаџера у академска истраживања било би корисно и за теоријски и за практични напредак истраживања дронова. Такође смо били у могућности да идентификујемо најистакнутије истраживаче и њихове доприносе, што је драгоцено јер свест о недавним суштинским радовима може понудити неке смернице за будуће академске подухвате.
Табела КСНУМКС
Баријере за усвајање беспилотних летелица.
Баријера | Opis |
Сигурност података | Сајбер безбедност је велики изазов за примену ИоТ решења (Масроор ет ал., 2021). |
Интероперабилност и интеграција | Разне технологије као што су УАВ, ВСН, ИоТ итд. треба интегрисати и преносити податке који повећати ниво сложености (Алсамхи ет ал., 2021; Попеску и др., 2020; Вуран и сар., 2018). |
Трошкови имплементације | Ово је посебно случај за мале пољопривреднике и за интегришући разне најсавременије технологије ( Масроор ет ал., 2021). |
Радно знање и експертиза | За управљање беспилотним летелицама потребни су вешти пилоти дронова. Такође, имплементација разних најсавременијих технологије захтевају квалификоване раднике (ИБ Хуанг ет ал., 2013; Цурос ет ал., 2019). |
Снага мотора и лет трајање | Дроновима се не може управљати дуго времена и покривати велике површине (Хардин & Хардин, 2010; Лалиберте ет ал., КСНУМКС). |
Стабилност, поузданост и окретност | Дронови нису стабилни током лоших временских услова (Хардин & Хардин, 2010; Лалиберте ет ал., 2007). |
Ограничења носивости и квалитет сензора | Беспилотне летелице могу да носе само ограничена оптерећења могућност учитавања сензора нижег квалитета (Небикер и сар., 2008). |
Регулација | Како беспилотне летелице могу бити и опасне, постоје озбиљне прописи у неким областима (Хардин & Јенсен, 2011; Лалиберте & Ранго, 2011). |
Земљорадничка знања и камата | Као и друге најсавременије технологије, дронови су за успешну имплементацију потребна је стручност и такође праћено неизвесностима (Фисхер ет ал., 2009; Ламберт ет ал., 2004; Стафорд, 2000). |
Пошто постоји стална потреба да се ефикасно користе расположиви ресурси за максимизирање приноса, фармери могу да искористе предности дронова како би осигурали брзо, прецизно и исплативо скенирање својих поља. Технологија може да подржи пољопривреднике да одреде стање својих усева и процене статус воде, фазу зрења, инсеката и потребе за исхраном. Могућности дронова на даљину могу да пруже пољопривредницима кључне податке за предвиђање проблема у раној фази и брзо предузимање одговарајућих интервенција. Међутим, предности технологије могу се остварити само ако се изазови правилно реше. У светлу
тренутни проблеми у вези са безбедношћу података, проблемима технологије сензора (нпр. поузданост или тачност мерења), сложеношћу интеграције и значајним трошковима имплементације, будуће студије морају такође испитати техничку, економску и оперативну изводљивост интеграције пољопривредних дронова и других резних дронова. ивичне технологије.
Ограничења
Наша студија има неколико ограничења. Прво, налази се одређују према публикацијама одабраним за коначну анализу. Изазов је обухватити све релевантне студије које се односе на пољопривредне дронове, посебно оне које нису индексиране у бази података Сцопус. Даље, процес прикупљања података је ограничен на постављање кључних речи за претрагу, које можда неће бити свеобухватне и довести до неуверљивих налаза. Стога, будуће студије треба да посвете више пажње основном питању прикупљања података
поузданији закључци. Још једно ограничење односи се на нове публикације са малим бројем цитата. Библиометријска анализа је пристрасна према ранијим публикацијама јер имају тенденцију да добијају више цитата током година. Недавним студијама је потребно одређено време да привуку пажњу и акумулирају цитате. Сходно томе, недавне студије које доносе промену парадигме не би се сврстале у првих десет утицајних радова. Ово ограничење преовлађује у испитивању истраживачких домена који се брзо појављују као што су пољопривредни дронови. Пошто смо консултовали Сцопус да бисмо проучили литературу за ово дело, будући истраживачи би могли да размотре другачије
базе података, као што су Веб оф Сциенце и ИЕЕЕ Ксплоре, за проширење хоризонта и побољшање структуре истраживања.
Потенцијалне библиометријске студије могу узети у обзир друге виталне изворе знања као што су радови са конференција, поглавља и књиге како би се створила нова сазнања. Упркос мапирању и истраживању глобалних публикација о пољопривредним дроновима, наши налази нису открили разлоге иза научних резултата универзитета. Ово отвара пут ка новој области истраживања у квалитативном објашњавању зашто су неки универзитети продуктивнији од других када је у питању истраживање о пољопривредним
дронови. Поред тога, будуће студије би могле да пруже увид у потенцијал дронова да повећају одрживост пољопривреде на неколико начина, као што су праћење животне средине, управљање усевима и мапирање корова као што је показало неколико истраживача (Цхамуах & Сингх, 2019; Ислам ет ал., 2021; Попесцу ет ал., 2020. Ј. Су, Лиу, ет ал., 2018б). Како текстуална анализа није била могућа због великог броја одабраних радова, постоји потреба за систематским прегледима литературе који испитују
коришћене истраживачке методе и укључивање фармера у претходне студије. Укратко, наша анализа истраживања дронова открива невидљиве везе овог тела знања. Овај преглед стога помаже да се открију односи међу публикацијама и истражује интелектуална структура истраживачког поља. Такође приказује везе између различитих аспеката литературе, као што су кључне речи аутора, припадности и земље.
Изјава о надметању
Аутори изјављују да немају познате конкурентске финансијске интересе или личне односе који би могли да утичу на рад описан у овом раду.
Додатак КСНУМКС
НАСЛОВ-АБС-КЕИ (((дрон* ИЛИ „беспилотна летелица” ИЛИ беспилотна летелица* ИЛИ „систем беспилотне летелице” ИЛИ уас ИЛИ „даљински управљани авион”) И (пољопривреда ИЛИ пољопривреда ИЛИ пољопривреда ИЛИ пољопривредник))) И (ИСКЉУЧИТИ (ПУБИЕАР, 2022)) И (ОГРАНИЧЕЊЕ (ЈЕЗИК, „енглески”)).
Референце
Аасен, Х., Буркарт, А., Болтен, А., Баретх, Г., 2015. Генерисање 3Д хиперспектралних информација са лаганим УАВ камерама за снимање вегетације: од
калибрација камере ради осигурања квалитета. ИСПРС Ј. Пхотограмм. Ремоте Сенс. 108, 245–259. хттпс://дои.орг/10.1016/ј.испрсјпрс.2015.08.002.
Абд-Елрахман, А., Пеарлстине, Л., Перцивал, Ф., 2005. Развој алгоритма за препознавање узорака за аутоматско откривање птица са снимака беспилотне летелице.
Анкета. Ланд Информ. Сци. 65 (1), 37–45.
Абдоллахи, А., Рејеб, К., Рејеб, А., Мостафа, ММ, Заилани, С., 2021. Бежичне сензорске мреже у пољопривреди: увиди из библиометријске анализе. Одрживост 13 (21),
КСНУМКС.
Абоуталеби, М., Торрес-Руа, АФ, Кустас, ВП, Нието, Х., Цоопманс, Ц., МцКее, М., Процена различитих метода за детекцију сенки у оптичким сликама високе резолуције и процена утицаја сенке на прорачун НДВИ и евапотранспирација. Ирриг. Сци. 37 (3), 407–429. хттпс://дои.орг/10.1007/с00271-018-0613-9.
Адао, ˜ Т., Хрушка, Ј., Падова, ´ Л., Бесса, Ј., Перес, Е., Мораис, Р., Соуса, ЈЈ, 2017. Хиперспектрално снимање: преглед сензора заснованих на УАВ, подаци обрада и
апликације за пољопривреду и шумарство. Даљинско детектовање 9 (11). хттпс://дои.орг/ 10.3390/рс9111110.
Агуера Вега, Ф., Рамирез, ФЦ, Саиз, МП, Росуа, ФО, 2015. Мулти-темпорално снимање помоћу беспилотне летелице за праћење усева сунцокрета. Биосист. инж.
132, 19–27. https://doi.org/10.1016/j.biosystemseng.2015.01.008.
Ајаии, ОГ, Салуби, АА, Ангбас, АФ, Одигуре, МГ, 2017. Генерисање тачних дигиталних модела елевације од УАВ-а је добило слике са малим процентом преклапања. Инт.
Ј. Ремоте Сенс. 38 (8–10), 3113–3134. хттпс://дои.орг/10.1080/ 01431161.2017.1285085.
Али, И., Греифенедер, Ф., Стаменковић, Ј., Неуманн, М., Нотарницола, Ц., 2015. Преглед приступа машинском учењу за проналажење биомасе и влаге у земљишту из података даљинске детекције. Ремоте Сенсинг 7 (12), 16398–16421.
Алсамхи, СХ, Афгхах, Ф., Сахал, Р., Хавбани, А., Ал-канесс, МАА, Лее, Б., Гуизани, М., Зелени интернет ствари које користе УАВ у Б5Г мрежама: Преглед апликација
и стратегије. Ад. Хоц. Нетв. 117, 102505 хттпс://дои.орг/10.1016/ј. адхоц.2021.102505.
Ал-Тхани, Н., Албуаинаин, А., Алнаими, Ф., Зорба, Н., 2020. Дронови за праћење стоке оваца. У: 20тх ИЕЕЕ Медитерранеан Елецтротецхницал Цонференце. хттпс://дои.
орг/10.1109/МЕЛЕЦОН48756.2020.9140588.
Ампатзидис, И., Партел, В., 2019. Фенотипизација високе пропусности заснована на УАВ-у у цитрусима користећи мултиспектралну слику и вештачку интелигенцију. Ремоте Сенсинг 11 (4), хттпс://дои.орг/10.3390/рс11040410.
Ампатзидис, И., Партел, В., Цоста, Л., 2020. Агровиев: апликација заснована на облаку за обраду, анализу и визуелизацију података прикупљених УАВ-ом за прецизне пољопривредне апликације које користе вештачку интелигенцију. Рачун. Електрон. Агриц. 174, 105457 хттпс://дои. орг/10.1016/ј.цомпаг.2020.105457.
Анг, К.-Л.-М., Сенг, ЈКП, 2021. Велики подаци и машинско учење са хиперспектралним информацијама у пољопривреди. ИЕЕЕ Аццесс 9, 36699–36718. хттпс://дои.орг/10.1109/
АЦЦЕСС.2021.3051196.
Акуилани, Ц., Цонфессоре, А., Боззи, Р., Сиртори, Ф., Пуглиесе, Ц., 2022. Преглед: прецизне технологије узгоја стоке у системима сточарства на пашњацима. Животиња 16 (1), хттпс://дои.орг/10.1016/ј.анимал.2021.100429.
Армента-Медина, Д., Рамирез-Делреал, ТА, Виллануева-Васкуез, ´ Д., Мејиа-Агуирре, Ц., Трендови напредних информационих и комуникационих технологија за
побољшање пољопривредне продуктивности: библиометријска анализа. Агрономија 10 (12), члан 12. хттпс://дои.орг/10.3390/агрономи10121989.
Армстронг, И., Пирроне-Бруссе, М., Смитх, А., Јадуд, М., 2011. Летећи алигатор: ка ваздушној роботици у оццам-π. Цоммун. Архитекта процеса. 2011, 329–340. хттпс://дои. орг/10.3233/978-1-60750-774-1-329.
Арора, СД, Цхакраборти, А., 2021. Интелектуална структура истраживања понашања потрошача при жалбама (ЦЦБ): библиометријска анализа. Ј. Бусинесс Рес. 122, 60–74.
Аслан, МФ, Дурду, А., Сабанци, К., Ропелевска, Е., Гултекин, СС, 2022.
Свеобухватан преглед недавних студија са УАВ за прецизну пољопривреду на отвореним пољима и пластеницима. Аппл. Сци. 12 (3), 1047. хттпс://дои.орг/10.3390/
апп12031047.
Аткинсон, ЈА, Јацксон, РЈ, Бентлеи, АР, Обер, Е., & Веллс, ДМ (2018). Фенотипизација терена за будућност. У Аннуал Плант Ревиевс онлине (стр. 719–736). Јохн
Вилеи & Сонс, Лтд. дои: 10.1002/9781119312994.апр0651.
Остин, Р., 2010. Системи беспилотних летелица: пројектовање, развој и примена беспилотних летелица. У: Системи беспилотних летелица: пројектовање, развој беспилотних летелица и
Деплоимент. Џон Вајли и синови. хттпс://дои.орг/10.1002/9780470664797.
Аваис, М., Ли, В., Цхеема, МЈМ, Заман, КУ, Схахеен, А., Аслам, Б., Зху, В., Ајмал, М., Фахеем, М., Хуссаин, С., Надеем, АА, Афзал, ММ, Лиу, Ц., 2022. Даљинско испитивање засновано на УАВ-у у стресу биљака замислите да користите термални сензор високе резолуције за дигиталне пољопривредне праксе: мета-преглед. Инт. Ј. Енвирон. Сци. Тецхнол. хттпс://дои.
org/10.1007/s13762-021-03801-5.
Баццо, М., Бертон, А., Ферро, Е., Геннаро, Ц., Готта, А., Маттеоли, С., Паонесса, Ф., Руггери, М., Вироне, Г., Занелла, А., 2018. Паметна пољопривреда: могућности, изазови
и технологије које омогућавају. 2018 ИоТ Вертицал и. Актуелни самит о пољопривреди -Тоскана (ИОТ Тоскана) 1–6. хттпс://дои.орг/10.1109/ИОТТУСЦАНИ.2018.8373043.
Бах, МД, Хафиане, А., Цаналс, Р., 2018. Дубоко учење са ненадгледаним означавањем података за откривање корова у линијским усевима на УАВ сликама. Даљинска детекција 10 (11), 1690.
https://doi.org/10.3390/rs10111690.
Балди, С., 1998. Нормативни насупрот социјално-конструктивистичким процесима у алокацији цитата: мрежно-аналитички модел. Сам. Социол. Рев. 63 (6), 829–846. хттпс://дои.
орг/10.2307/2657504.
Балуја, Ј., Диаго, МП, Балда, П., Зорер, Р., Меггио, Ф., Моралес, Ф., Тардагуила, Ј., 2012. Процена варијабилности статуса воде у винограду термалним и мултиспектралним
слике помоћу беспилотне летелице (УАВ). Ирриг. Сци. 30 (6), 511–522. хттпс://дои.орг/10.1007/с00271-012-0382-9.
Барабасцхи, Д., Тонделли, А., Десидерио, Ф., Воланте, А., Ваццино, П., Вал`е, Г., Цаттивелли, Л., Оплемењивање следеће генерације. Плант Сци. 242, 3–13. хттпс://дои.орг/10.1016/ј.
плантци.2015.07.010.
Барбедо, ЈГА, Коенигкан, ЛВ, 2018. Перспективе употребе беспилотних ваздушних система за праћење стоке. Оутлоок Агриц. 47 (3), 214–222. хттпс://дои.орг/10.1177/0030727018781876.
Баретх, Г., Аасен, Х., Бендиг, Ј., Гнип, МЛ, Болтен, А., Јунг, А., Мицхелс, Р., Соуккамаки, ¨ Ј., 2015. Хиперспектрал ниске тежине и УАВ базиран камере пуног формата
за праћење усева: Спектрално поређење са преносним спектрорадиометарским мерењима. Пхотограмметрие, Фернеркундунг, Геоинформације 2015 (1), 69–79.
https://doi.org/10.1127/pfg/2015/0256.
Барриентос, А., Цолорадо, Ј., дел Церро, Ј., Мартинез, А., Росси, Ц., Санз, Д., Валенте, Ј., Даљинско испитивање из ваздуха у пољопривреди: практичан приступ покривању подручја
и планирање путање за флоте мини робота из ваздуха. Ј. Фиелд Роб. 28 (5), 667–689. хттпс://дои.орг/10.1002/роб.20403.
Басири, А., Мариани, В., Силано, Г., Аатиф, М., Ианнелли, Л., Глиелмо, Л., 2022. Преглед о примени алгоритама за планирање путање за беспилотне летелице са више ротора у прецизности
пољопривреде. Ј. Навиг. 75 (2), 364–383.
Баснет, Б., Банг, Ј., 2018. Тхе стате-оф-тхе-арт оф сциенце-интенсиве агрицултуре: а ревиев он примењених сензорских система и анализе података. Ј. Сенс. 2018, 1–13.
Бендиг, Ј., Болтен, А., Баретх, Г., 2013. Снимање засновано на УАВ за мулти-темпоралне моделе површине усева веома високе резолуције за праћење варијабилности раста усева. Пхотограмметрие, Фернеркундунг, Геоинформације 2013 (6), 551–562. хттпс://дои. орг/10.1127/1432-8364/2013/0200.
Бендиг, Ј., Болтен, А., Беннертз, С., Бросцхеит, Ј., Еицхфусс, С., Баретх, Г., 2014. Процена биомасе јечма коришћењем модела површине усева (ЦСМ) изведених из РГБ снимања заснованог на УАВ-у. Ремоте Сенсинг 6 (11), 10395–10412.
Бендиг, Ј., Иу, К., Аасен, Х., Болтен, А., Беннертз, С., Бросцхеит, Ј., Гнип, МЛ, Баретх, Г., 2015. Комбиновање висине биљке засноване на УАВ-у од површине усева модели,
видљиви и инфрацрвени индекси вегетације за праћење биомасе у јечму. Инт. Ј. Аппл. Еартх Обс. Геоинф. 39, 79–87. хттпс://дои.орг/10.1016/ј.јаг.2015.02.012.
Берни, ЈА, Зарцо-Тејада, ПЈ, Сепулцре-Цанто, ´ Г., Феререс, Е., Виллалобос, Ф., 2009а. Мапирање проводљивости крошње и ЦВСИ у засадима маслина користећи високу резолуцију
термалне снимке даљинске детекције. Ремоте Сенс. Енвирон. 113 (11), 2380–2388. хттпс://дои.орг/10.1016/ј.рсе.2009.06.018.
Берни, ЈА, Зарцо-Тејада, ПЈ, Суарез, ´ Л., Феререс, Е., 2009б. Термичка и ускопојасна мултиспектрална даљинска детекција за праћење вегетације из беспилотне летелице. ИЕЕЕ Транс. Геосци. Ремоте Сенс. 47 (3), 722–738.
Боузембрак, И., Клуцхе, М., Гаваи, А., Марвин, ХЈП, 2019. Интернет ствари у сигурности хране: Преглед литературе и библиометријска анализа. Трендс Фоод Сци. Тецхнол. 94,54–64. хттпс://дои.орг/10.1016/ј.тифс.2019.11.002.
Бревстер, Ц., Роуссаки, И., Калатзис, Н., Доолин, К., Еллис, К., 2017. ИоТ у пољопривреди: Дизајнирање пилота великог обима широм Европе. ИЕЕЕ Цоммун. Маг. 55 (9), 26–33.
Бутерс, ТМ, Белтон, Д., Цросс, АТ, 2019. Вишесензорско УАВ праћење појединачних садница и заједница садница са прецизношћу у милиметар. Дронови 3 (4), 81.
https://doi.org/10.3390/drones3040081.
Цандиаго, С., Ремондино, Ф., Де Гиглио, М., Дуббини, М., Гаттелли, М., 2015. Процена мултиспектралних слика и индекса вегетације за прецизне пољопривредне апликације са слика УАВ. Ремоте Сенсинг 7 (4), 4026–4047. хттпс://дои.орг/10.3390/рс70404026.
Цао, И., Ли, ГЛ, Луо, ИК, Пан, К., Зханг, СИ, 2020. Праћење индикатора раста шећерне репе коришћењем индекса вегетације широког динамичког опсега (ВДРВИ) изведеног из УАВ
мултиспектралне слике. Рачун. Електрон. Агриц. 171, 105331 хттпс://дои.орг/10.1016/ј.цомпаг.2020.105331.
Цасиллас, Ј., Ацедо, Ф., 2007. Еволуција интелектуалне структуре литературе о породичном бизнису: библиометријска студија ФБР. Породични бизнис Рев. 20 (2), 141–162.
Цен, Х., Ван, Л., Зху, Ј., Ли, И., Ли, Кс., Зху, И., Венг, Х., Ву, В., Иин, В., Ксу, Ц., Бао, И., Фенг, Л., Схоу, Ј., Хе, И., 2019. Динамичко праћење биомасе пиринча под
различите третмане азотом користећи лагану беспилотну летелицу са камерама за снимке са двоструким оквиром слике. Плант Метходс 15 (1), 32. хттпс://дои.орг/10.1186/с13007-019-
КСНУМКС-КСНУМКС.
Цхамуах, А., Сингх, Р., 2019. Обезбеђивање одрживости у индијској пољопривреди кроз цивилну беспилотну летелицу: перспектива одговорне иновације. СН Аппл. Сци. 2 (1), 106. хттпс://
doi.org/10.1007/s42452-019-1901-6.
Цхамуах, А., Сингх, Р., 2022. Одговорно управљање иновацијама цивилних беспилотних летјелица (УАВ) за индијске апликације осигурања усева. Ј. Одговоран
Тецхнол. 9, 100025 хттпс://дои.орг/10.1016/ј.јрт.2022.100025.
Чен, А., Орлов-Левин, В., Мерон, М., 2019. Примена високорезолутивног снимања из ваздуха крошње усева за прецизно управљање наводњавањем. Агриц. Вода
Манаг. 216, 196–205. хттпс://дои.орг/10.1016/ј.агват.2019.02.017.
Даакир, М., Пиеррот-Десеиллигни, М., Боссер, П., Пицхард, Ф., Тхом, Ц., Работ, И., Мартин, О., 2017. Лагани УАВ са фотограметријом на броду и једнофреквентним ГПС позиционирањем за метролошке апликације. ИСПРС Ј. Пхотограмм. Ремоте Сенс. 127, 115–126. хттпс://дои.орг/10.1016/ј.испрсјпрс.2016.12.007.
Давалиби, С., Аберкане, А., Брадаи, А., 2020. ИоТ платформа заснована на блокчејну за управљање аутономним операцијама дронова. У: Зборник радова 2. АЦМ
МобиЦом радионица о бежичним комуникацијама уз помоћ дронова за 5Г и даље, стр. 31–36. хттпс://дои.орг/10.1145/3414045.3415939.
Даи, РА, Гастел, Б., 1998. Како написати и објавити научни рад. Цамбридге Университи Пресс. де Цастро, АИ, Пена, ˜ ЈМ, Торрес-Санцхез, ´ Ј., Јим´енез-Бренес, ФМ, ВаленциаГредилла, Ф., Рецасенс, Ј., Лопез-Гранадос, ´ Ф., 2020. Мапирање инфестације цинодон дацтилон покровни усеви са аутоматским стаблом одлучивања-ОБИА поступком и УАВ сликама за прецизно виноградарство. Ремоте Сенсинг 12 (1), 56. хттпс://дои.орг/10.3390/рс12010056.
де Цастро, АИ, Торрес-С´ анцхез, Ј., Пена, ˜ ЈМ, Јим´енез-Бренес, ФМ, Цсиллик, О., Лопез-´Гранадос, Ф., 2018. Аутоматски случајни алгоритам шума-ОБИА за рано мапирање корова између и унутар редова усева користећи УАВ слике. Ремоте Сенсинг 10 (2). хттпс://дои.орг/10.3390/рс10020285.
Демир, Н., Сонмез, ¨ НК, Акар, Т., Унал, С., 2018. Аутоматско мерење висине биљака генотипова пшенице коришћењем ДСМ изведеног из УАВ слика. Зборник радова 2 (7), 350. хттпс://дои.орг/10.3390/ецрс-2-05163.
Денг, Ј., Зхонг, З., Хуанг, Х., Лан, И., Хан, И., Зханг, И., 2020. Лагана мрежа семантичке сегментације за мапирање корова у реалном времену коришћењем беспилотне летелице. Аппл. Сци. 10 (20), 7132. хттпс://дои.орг/10.3390/апп10207132.
Денг, Л., Мао, З., Ли, Кс., Ху, З., Дуан, Ф., Иан, И., 2018. Мултиспектрална даљинска детекција заснована на УАВ-у за прецизну пољопривреду: поређење између различитих камера. ИСПРС Ј. Пхотограмм. Ремоте Сенс. 146, 124–136.
Диаз-Гонзалез, ФА, Вуелвас, Ј., Цорреа, ЦА, Валлејо, ВЕ, Патино, Д., 2022. Технике машинског учења и даљинског откривања примењене за процену индикатора тла – преглед. Ецол. Инд. 135, 108517 хттпс://дои.орг/10.1016/ј.ецолинд.2021.108517.
Диаз-Варела, РА, Де ла Роса, Р., Леон, ´ Л., Зарцо-Тејада, ПЈ, 2015. Снимци летећег беспилотне летелице високе резолуције за процену параметара крошње маслине помоћу 3Д фотографије
реконструкција: примена у огледима оплемењивања. Ремоте Сенсинг 7 (4), 4213–4232. хттпс://дои.орг/10.3390/рс70404213.
Дикит, А., Јакхар, СК, 2021. Управљање капацитетом аеродрома: преглед и библиометријска анализа. Ј. Аир Трансп. Манаг. 91, 102010.
Донг, Т., Сханг, Ј., Лиу, Ј., Киан, Б., Јинг, К., Ма, Б., Хуффман, Т., Генг, Кс., Сов, А., Схи, И., Цанисиус, Ф., Јиао, Кс., Ковач, ЈМ, Валтерс, Д., Цабле, Ј., Вилсон, Ј., 2019.
Коришћење РапидЕие слика за идентификацију варијабилности раста усева и приноса унутар поља у Онтарију, Канада. Прецисион Агриц. 20 (6), 1231–1250. хттпс://дои.орг/10.1007/
с11119-019-09646-в.
Дутта, ПК, Митра, С., 2021. Примена пољопривредних дронова и јота за разумевање ланца снабдевања храном током пост ЦОВИД-19. У: Цхоудхури, А., Бисвас, А., Пратеек, М.,
Чакрабарти, А. (ур.), Пољопривредна информатика: аутоматизација коришћењем интернета ствари и машинског учења. Вилеи, стр. 67–87. ван Ецк, Н., Валтман, Л., 2009. Преглед софтвера: ВОСвиевер, компјутерски програм за библиометријско мапирање. Сциентометрицс 84 (2), 523–538. хттпс://дои.орг/10.1007/с11192-009-0146-3.
Елијах, О., Рахман, ТА, Орикумхи, И., Леов, ЦИ, Хиндиа, МН, 2018. Преглед интернета ствари (ИоТ) и аналитике података у пољопривреди: предности и изазови.
ИЕЕЕ Интернет Тхингс Ј. 5 (5), 3758–3773.
Енцисо, Ј., Авила, ЦА, Јунг, Ј., Елсаиед-Фараг, С., Цханг, А., Иеом, Ј., Ландивар, Ј., Маеда, М., Цхавез, ЈЦ, 2019. Валидација агрономске УАВ и терен
мерења за сорте парадајза. Рачун. Електрон. Агриц. 158, 278–283. хттпс:// дои.орг/10.1016/ј.цомпаг.2019.02.011.
Еспиноза, ЦЗ, Кхот, ЛР, Санкаран, С., Јацоби, ПВ, 2017. Процена напрезања воде на основу мултиспектралне и термалне детекције високе резолуције у
подземно наводњаване винове лозе. Ремоте Сенсинг 9 (9), 961. хттпс://дои.орг/ 10.3390/рс9090961.
Евинг, Ј., Ооммен, Т., Јаиакумар, П., Алгер, Р., 2020. Коришћење хиперспектралног даљинског сензора за градацију тла. Ремоте Сенсинг 12 (20), 3312. ттпс://дои.орг/10.3390/
рс12203312.
Фавцетт, Д., Панигада, Ц., Таглиабуе, Г., Босцхетти, М., Целести, М., Евдокимов, А., Бириукова, К., Цоломбо, Р., Миглиетта, Ф., Расцхер, У., Андерсон, К., 2020. Мултисцале евалуатион оф дроне-басед мултиспецтрал сурфацерефанце анд вегетатион индецес ин тхе оператионал цондитионс. Даљинска детекција 12 (3), 514.
Фенг, Кс., Иан, Ф., Лиу, Кс., 2019. Студија бежичних комуникационих технологија на Интернету ствари за прецизну пољопривреду. Вирелесс Перс. Цоммун. 108 (3),
КСНУМКС-КСНУМКС.
Ферреира, МП, Пинто, ЦФ, Серра, ФР, 2014. Теорија трансакционих трошкова у међународном пословном истраживању: библиометријска студија током три деценије. Сциентометрија 98 (3), 1899–1922. хттпс://дои.орг/10.1007/с11192-013-1172-8.
Фисхер, П., Абузар, М., Раб, М., Бест, Ф., Цхандра, С., 2009. Напредак у прецизној пољопривреди у југоисточној Аустралији. И. методологију регресије за симулацију
просторне варијације у приносу житарица коришћењем историјских приноса падока фармера и нормализоване разлике вегетационог индекса. Цроп Пастуре Сци. 60 (9), 844–858.
Флореано, Д., Воод, РЈ, 2015. Наука, технологија и будућност малих аутономних дронова. Природа 521 (7553), 460–466. хттпс://дои.орг/10.1038/натуре14542.
Фриха, О., Ферраг, МА, Шу, Л., Магларас, ЛА, Ванг, Кс., 2021. Интернет ствари за будућност паметне пољопривреде: свеобухватно истраживање нових технологија. ИЕЕЕ ЦАА Ј. Аутом. Синица 8 (4), 718–752.
Фуентес-Пацхецо, Ј., Торрес-Оливарес, Ј., Роман-Рангел, Е., Цервантес, С., ЈуарезЛопез, П., Хермосилло-Валадез, Ј., Рендон-Манцха, ´ ЈМ, 2019. Сегментација биљака смокве са снимака из ваздуха користећи дубоку конволуциону мрежу енкодер-декодер. Ремоте Сенсинг 11 (10), 1157. хттпс://дои.орг/10.3390/рс11101157.
Гаго, Ј., Доутхе, Ц., Цоопман, РЕ, Галлего, ПП, Рибас-Царбо, М., Флекас, Ј., Есцалона, Ј., Медрано, Х., 2015. Беспилотне летелице изазивају процену стреса воде за
одржива пољопривреда. Агриц. Ватер Манаг. 153, 9–19. хттпс://дои.орг/10.1016/ј. агват.2015.01.020.
Гарсија-Тејеро, ИФ, Рубио, АЕ, Винуела, ˜ И., Херн´ андез, А., Гути´еррез-Гордилло, С., Родригуез-Плегуезуело, ЦР, Дур´ ан-Зуазо, ВХ, 2018. Термално снимање у фабрици
ниво за процену статуса воде усева у стаблима бадема (цв. Гуара) под дефицитарним стратегијама наводњавања. Агриц. Ватер Манаг. 208, 176–186. хттпс://дои.орг/10.1016/ј.
агват.2018.06.002.
Гарзонио, Р., Ди Мауро, Б., Цоломбо, Р., Цоглиати, С., 2017. Мерења површинске рефлексије и спектроскопије изазване сунцем помоћу мале хиперспектралне УАС. Ремоте Сенсинг 9 (5), 472. хттпс://дои.орг/10.3390/рс9050472. Гашпаровић, М., Зрињски, М., Барковић, Ђ., Радочај, Д., 2020. Аутоматска метода за
мапирање корова на пољима овса на основу снимака УАВ. Рачун. Електрон. Агриц.
Гебберс, Р., Адамцхук, ВИ, 2010. Прецизна пољопривреда и сигурност хране. Наука 327 (5967), 828–831. хттпс://дои.орг/10.1126/сциенце.1183899.
Геипел, Ј., Линк, Ј., Цлаупеин, В., 2014. Комбиновано спектрално и просторно моделирање приноса кукуруза на основу снимака из ваздуха и модела површине усева добијених помоћу система беспилотне летелице. Ремоте Сенсинг 6 (11), 10335–10355. хттпс://дои.орг/10.3390/рс61110335.
Генг, Д., Фенг, И., Зху, К., 2020. Одрживи дизајн за кориснике: преглед литературе и библиометријска анализа. Енвирон. Сци. Поллут. Рес. 27 (24), 29824–29836. хттпс://дои. орг/10.1007/с11356-020-09283-1.
Геваерт, ЦМ, Суомалаинен, Ј., Танг, Ј., Кооистра, Л., 2015. Генерисање спектралнотемпоралних површина одговора комбиновањем мултиспектралног сателита и хиперспектралног
УАВ слике за прецизне пољопривредне апликације. ИЕЕЕ Ј. Сел. Врх. Аппл. Еартх Обс. Ремоте Сенс. 8 (6), 3140–3146. ттпс://дои.орг/10.1109/ЈСТАРС.2015.2406339.
Гилл, СС, Цхана, И., Буииа, Р., 2017. Пољопривреда заснована на ИоТ-у као облак и услуга великих података: почетак дигиталне Индије. Ј. Орг. и рачунар крајњег корисника. (ЈОЕУЦ) 29 (4),
КСНУМКС-КСНУМКС.
Гмур, М., 2006. Анализа коцитата и потрага за невидљивим факултетима: методолошка евалуација. Сциентометрија 57 (1), 27–57. хттпс://дои.орг/10.1023/
а:1023619503005.
Гнадингер, ¨ Ф., Сцхмидхалтер, У., 2017. Дигитални број биљака кукуруза помоћу беспилотних летјелица (УАВ). Даљинско детектовање 9 (6). Хттпс://дои.орг/10.3390/рс9060544.
Гокто ¨ ган, АХ, Суккариех, С., Брисон, М., Рандле, Ј., Луптон, Т., Хунг, Ц., 2010. Беспилотно возило са ротирајућим крилима за надзор воденог корова и
менаџмент. Ј. Интелл. Роботиц Сист.: Тхеор. Аппл. 57 (1–4), 467–484. хттпс://дои. орг/10.1007/с10846-009-9371-5.
Гомез-Цанд ´ он, ´ Д., Де Цастро, АИ, Лопез-Гранадос, ´ Ф., 2014. Процена тачности мозаика са снимака беспилотне летелице (УАВ) за потребе прецизне пољопривреде у пшеници. Прецис. Агриц. 15 (1), 44–56. хттпс://дои.орг/10.1007/с11119-013-9335-4.
Гомез-Цанд ´ он, ´ Д., Вирлет, Н., Лабб´е, С., Јоливот, А., Регнард, Ј.-Л., 2016. Фенотипизација воденог стреса на нивоу дрвета помоћу слика које се добијају УАВ-ом : нови увиди за
термичка аквизиција и калибрација. Прецис. Агриц. 17 (6), 786–800. хттпс://дои.орг/10.1007/с11119-016-9449-6.
Гонзалез-Дуго, В., Зарцо-Тејада, ПЈ, Феререс, Е., 2014. Применљивост и ограничења коришћења индекса воденог стреса усева као индикатора дефицита воде у засадима цитруса. Агриц. За. Метеорол. 198–199, 94–104. хттпс://дои.орг/10.1016/ј. агрформет.2014.08.003.
Гонзалез-Дуго, В., Зарцо-Тејада, П., Ницолас, ´ Е., Нортес, ПА, Аларцон, ´ ЈЈ, Интриглиоло, ДС, Феререс, Е., 2013. Коришћењем УАВ термалних слика високе резолуције за
проценити варијабилност водног статуса пет врста воћака у оквиру комерцијалног воћњака. Прецис. Агриц. 14 (6), 660–678. хттпс://дои.орг/10.1007/с11119-013-9322-9.
Гоиал, К., Кумар, С., 2021. Финансијска писменост: систематски преглед и библиометријска анализа. Инт. Ј. Цонсумер Студиес 45 (1), 80–105. хттпс://дои.орг/10.1111/
ијцс.12605.
Гренздорффер, ¨ ГЈ, Енгел, А., Теицхерт, Б., 2008. Фотограметријски потенцијал јефтиних беспилотних летјелица у шумарству и пољопривреди. Међународни архив за фотограметрију, даљинску детекцију и науке о просторним информацијама – Архив ИСПРС 37, 1207–1213. хттпс://ввв.сцопус.цом/инвард/рецорд.ури?еид=2-с2.0-85039543258&партнерИ Д=40&мд5=б4б2д639257е8ддб5а373д15959ц4е1е.
Гуан, С., Фуками, К., Мацунака, Х., Оками, М., Танака, Р., Накано, Х., Сакаи, Т., Накано, К., Охдан, Х., Такахасхи, К., 2019. Процена корелације високе резолуције
НДВИ са нивоом примене ђубрива и приносом усева пиринча и пшенице помоћу малих беспилотних летелица. Даљинска детекција 11 (2), 112.
Гундолф, К., Филсер, М., 2013. Истраживање менаџмента и религија: анализа цитата. Ј. Бус. Етика 112 (1), 177–185.
Гуо, К., Зху, И., Танг, И., Хоу, Ц., Хе, И., Зхуанг, Ј., Зхенг, И., Луо, С., 2020. ЦФД симулација и експериментална верификација просторног и временске расподеле
проток ваздуха у низу пољопривредног беспилотне летелице са четири ротора у лебдењу. Рачун. Електрон. Агриц. 172, 105343 хттпс://дои.орг/10.1016/ј.цомпаг.2020.105343.
Хагхигхатталаб, А., Гонз´ алез П´ерез, Л., Мондал, С., Сингх, Д., Сцхинстоцк, Д., Руткоски, Ј., Ортиз-Монастерио, И., Сингх, РП, Гоодин, Д. , Пољска, Ј., 2016.
Примена беспилотних ваздушних система за високо пропусну фенотипизацију великих расадника пшенице. Плант Метходс 12 (1). хттпс://дои.орг/10.1186/с13007-
КСНУМКС-КСНУМКС-КСНУМКС.
Хакала, Т., Хонкаваара, Е., Саари, Х., Макинен, ¨ Ј., Каивосоја, Ј., Песонен, Л., & Пол ¨ онен, ¨И., 2013. Спектрално снимање из беспилотних летелица под различитим условима осветљења . У ГГ Билл Р. (Ед.), Међународни архив за фотограметрију, даљинску детекцију и науке о просторним информацијама—ИСПРС архив (Вол. 40, Иссуе 1В2, стр. 189–194). Међународно друштво за фотограметрију и даљинску детекцију. хттпс://ввв.сцопус.цом/инвард/рецорд.ури?еид=2-с2.0-848875632.
Хамилтон, СМ, Морис, РХ, Карваљо, РЦ, Родер, Н., Барлоу, П., Милс, К., Ванг, Л. Евалуација техника за мапирање острвске вегетације са беспилотне летелице
слике возила (УАВ): Класификација пиксела, визуелна интерпретација и приступи машинском учењу. Инт. Ј. Аппл. Еартх Обс. Геоинф. 89, 102085 хттпс://дои.орг/
10.1016/ј.јаг.2020.102085.
Хакуе, А., Ислам, Н., Самрат, НХ, Деи, С., Раи, Б., 2021. Паметна пољопривреда кроз одговорно вођство у Бангладешу: могућности, прилике и шире.
Одрживост 13 (8), 4511.
Хардин, ПЈ, Хардин, ТЈ, 2010. Мала возила са даљинским управљањем у истраживању животне средине. Географски компас 4 (9), 1297–1311. ттпс://дои.орг/10.1111/ј.1749-
8198.2010.00381.к.
Хардин, ПЈ, Јенсен, РР, 2011. Беспилотне летелице мале величине у даљинском детекцији животне средине: изазови и могућности. ГИСци. Ремоте Сенс. 48 (1), 99–111. хттпс://дои.орг/10.2747/1548-1603.48.1.99.
Хе, И., Ние, П., Зханг, К., Лиу, Ф., 2021. Пољопривредни интернет ствари: технологије и примене, (1. издање, 2021. издање). Спрингер.
Хервиц, СР, Јохнсон, ЛФ, Дунаган, СЕ, Хиггинс, РГ, Сулливан, ДВ, Зхенг, Ј., Лобитз, БМ, Леунг, ЈГ, Галлмеиер, БА, Аоиаги, М., Слие, РЕ, Брасс, ЈА, 2004.
Снимање из беспилотне летелице: пољопривредни надзор и подршка одлучивању. Рачун. Електрон. Агриц. 44 (1), 49–61. хттпс://дои.орг/10.1016/ј.
цомпаг.2004.02.006.
Холман, ФХ, Рицхе, АБ, Мицхалски, А., Цастле, М., Воостер, МЈ, Хавкесфорд, МЈ, Фенотипизација поља високе пропусности висине и стопе раста биљака пшенице у огледима на пољским парцелама коришћењем даљинског сензора заснованог на УАВ-у. Ремоте Сенсинг 8 (12). хттпс://дои. орг/10.3390/рс8121031.
Хонкаваара, Е., Саари, Х., Каивосоја, Ј., Пол ¨ онен, ¨ И., Хакала, Т., Литкеи, П., М¨акинен, Ј., Песонен, Л., 2013. Обрада и процена спектрометријских, стереоскопских слика прикупљених коришћењем лагане спектралне камере УАВ за прецизну пољопривреду. Ремоте Сенсинг 5 (10), 5006–5039. хттпс://дои.орг/10.3390/рс5105006.
Хоссеин Мотлагх, Н., Талеб, Т., Ароук, О., 2016. Услуге интернета ствари засноване на беспилотним летјелицама на малим висинама: свеобухватно истраживање и будуће перспективе. ИЕЕЕ Интернет Тхингс Ј. 3 (6), 899–922. хттпс://дои.орг/10.1109/ЈИОТ.2016.2612119.
Храбар, С., Сукхатме, ГС, Цорке, П., Усхер, К., Робертс, Ј., 2005. Комбинована оптичка навигација и стерео-базирана навигација урбаних кањона за УАВ. У: 2005 ИЕЕЕ/РСЈ
Међународна конференција о интелигентним роботима и системима, стр. 3309–3316. хттпс://дои.орг/10.1109/ИРОС.2005.1544998.
Хсу, Т.-Ц., Ианг, Х., Цхунг, И.-Ц., Хсу, Ц.-Х., 2020. Креативна ИоТ пољопривредна платформа за рачунање магле у облаку. Сустаин. Рачун. Инф. Сист. 28, 100285.
Хуанг, Х., Денг, Ј., Лан, И., Ианг, А., Денг, Кс., Зханг, Л., Гонзалез-Андујар, ЈЛ, 2018. Потпуно конволуциона мрежа за мапирање корова беспилотне летелице ( УАВ) слике. ПЛоС ОНЕ 13 (4), е0196302.
Хуанг, Х., Лан, И., Ианг, А., Зханг, И., Вен, С., Денг, Ј., 2020. Дубоко учење у односу на анализу слика засноване на објектима (ОБИА) у мапирању корова УАВ слика. Инт. Ј.
Ремоте Сенс. 41 (9), 3446–3479. хттпс://дои.орг/10.1080/01431161.2019.1706112.
Хуанг, Х., Јанг, А., Танг, И., Зхуанг, Ј., Хоу, Ц., Тан, З., Данањаиан, С., Хе, И., Гуо, К., Луо, С., 2021. Дубока калибрација боја за УАВ слике у праћењу усева
користећи пренос семантичког стила са локалном пажњом на глобалну. Инт. Ј. Аппл. Еартх Обс. Геоинф. 104, 102590 хттпс://дои.орг/10.1016/ј.јаг.2021.102590.
Хуанг, ИБ, Тхомсон, СЈ, Хоффманн, ВЦ, Лан, ИБ, Фритз, БК, 2013. Развој и перспектива технологија беспилотних летјелица за пољопривредну производњу
менаџмент. Инт. Ј. Агриц. Биол. инж. 6 (3), 1–10. хттпс://дои.орг/10.3965/ј. ијабе.20130603.001.
Хуанг, И., Хоффманн, ВЦ, Лан, И., Ву, В., Фритз, БК, 2009. Развој система за прскање за платформу беспилотне летелице. Аппл. инж. Агриц. 25 (6), 803–809.
Хунт Јр., ЕР, Деан Хивели, В., Фујикава, СЈ, Линден, ДС, Даугхтри, ЦСТ, МцЦарти, ГВ, 2010. Прибављање НИР-зелено-плавих дигиталних фотографија од
беспилотне летелице за праћење усева. Ремоте Сенсинг 2 (1), 290–305. хттпс://дои. орг/10.3390/рс2010290. Иноуе, И., 2020. Даљинско испитивање усева и земљишта за паметну пољопривреду на основу сателита и дронова – преглед. Соил Сци. Плант Нутр. 66 (6), 798–810. хттпс://дои.орг/10.1080/00380768.2020.1738899.
Ислам, Н., Расхид, ММ, Пасандидех, Ф., Раи, Б., Мооре, С., Кадел, Р., 2021. Преглед апликација и комуникационих технологија за Интернет ствари (ИоТ) и
Одржива паметна пољопривреда заснована на беспилотној летелици (УАВ). Одрживост 13 (4), 1821. хттпс://дои.орг/10.3390/су13041821.
Јауд, М., Пассот, С., Ле Бивиц, Р., Делацоурт, Ц., Грандјеан, П., Ле Дантец, Н., 2016. Процена тачности дигиталних модела површине високе резолуције израчунатих од стране
ПхотоСцан® и МицМац® у под-оптималним условима снимања. Ремоте Сенсинг 8 (6), хттпс://дои.орг/10.3390/рс8060465.
Јим´енез-Бренес, ФМ, Лопез-Гранадос, ´ Ф., Цастро, АИ, Торрес-С´ анцхез, Ј., Серрано, Н., Пена, ˜ ЈМ, 2017. Квантификовање утицаја резидбе на архитектуру стабала маслине и годишње раст надстрешнице коришћењем 3Д моделирања заснованог на УАВ-у. Плант Метходс 13 (1). хттпс://дои.орг/10.1186/с13007-017-0205-3.
Јин, Кс., Лиу, С., Барет, Ф., Хемерл´е, М., Цомар, А., 2017. Процене густине биљака усева пшенице при изласку из УАВ снимака на веома малим висинама. Ремоте Сенс.
Енвирон. 198, 105–114. хттпс://дои.орг/10.1016/ј.рсе.2017.06.007.
Јинбо, Ц., Ксианглианг, Ц., Хан-Цхи, Ф., Лам, А., 2019. Систем за праћење пољопривредних производа подржан од стране рачунарства у облаку. Цлустер Цомпут. 22 (4), 8929–8938.
Ју, Ц., & Сон, ХИ 2018а. Процена перформанси више УАВ система за даљинску детекцију у пољопривреди. Процеедингс оф тхе Ворксхоп он Роботиц Висион анд Ацтион ин Агрицултуре ат тхе ИЕЕЕ Интернатионал Цонференце он Роботицс анд Аутоматион (ИЦРА), Брисбане, Аустралиа, 21–26.
Ју, Ц., Син, ХИ, 2018б. Вишеструки УАВ системи за пољопривредне апликације: контрола, имплементација и евалуација. Електроника 7 (9), 162. хттпс://дои.орг/10.3390/
електроника7090162.
Јунг, Ј., Маеда, М., Цханг, А., Бхандари, М., Асхапуре, А., Ландивар-Бовлес, Ј., 2021. Потенцијал даљинског откривања и вештачке интелигенције као алата за побољшање
отпорност система пољопривредне производње. Цурр. Опин. Биотецхнол. 70, 15–22. хттпс://дои.орг/10.1016/ј.цопбио.2020.09.003.
Калисцхук, М., Парет, МЛ, Фрееман, ЈХ, Рај, Д., Да Силва, С., Еубанкс, С., Виггинс, ДЈ, Лоллар, М., Мароис, ЈЈ, Меллингер, ХЦ, Дас, Ј. , 2019. Унапређена техника извиђања усева која укључује мултиспектрално снимање усева уз помоћ беспилотне летелице у конвенционалну праксу извиђања гумене гљивице у лубеници. Плант Дис. 103 (7), 1642–1650.
Капоор, КК, Тамилмани, К., Рана, НП, Патил, П., Двиведи, ИК, Нерур, С., 2018. Напредак у истраживању друштвених медија: прошлост, садашњост и будућност. Информ. Сист. Фронт. 20
(КСНУМКС), КСНУМКС-КСНУМКС.
Керкецх, М., Хафиане, А., Цаналс, Р., 2020. ВддНет: мрежа за откривање болести винове лозе заснована на мултиспектралним сликама и мапи дубине. Ремоте Сенсинг 12 (20), 3305. хттпс://дои. орг/10.3390/рс12203305.
Кхалик, А., Цомба, Л., Биглиа, А., Рицауда Аимонино, Д., Цхиаберге, М., Гаи, П., 2019. Поређење сателитских и мултиспектралних снимака заснованих на УАВ-у за виноград
процена варијабилности. Ремоте Сенсинг 11 (4). хттпс://дои.орг/10.3390/рс11040436.
Кхан, ПВ, Биун, И.-Ц., Парк, Н., 2020. ИоТ-блоцкцхаин је омогућио оптимизован систем порекла за прехрамбену индустрију 4.0 користећи напредно дубоко учење. Сензори 20 (10), 2990.
Кхан, РУ, Кхан, К., Албаттах, В., Камар, АМ, Уллах, Ф., 2021. Детекција биљних болести заснована на сликама: од класичног машинског учења до путовања дубоког учења. Вирелесс Цоммун. Мобилни рачунар. 2021, 1–13.
Кхан, С., Туфаил, М., Кхан, МТ, Кхан, ЗА, Икбал, Ј., Алам, М., Ле, КНК, 2021. Нови полу-надгледани оквир за класификацију усева/корова засновану на УАВ-у. ПЛоС ОНЕ 16 (5), е0251008.
Кханал, С., Фултон, Ј., Схеарер, С., 2017. Преглед тренутних и потенцијалних примена термичке даљинске детекције у прецизној пољопривреди. Рачун. Електрон.
Агриц. 139, 22–32. хттпс://дои.орг/10.1016/ј.цомпаг.2017.05.001.
Кханна, А., Каур, С., 2019. Еволуција интернета ствари (ИоТ) и његов значајан утицај у области прецизне пољопривреде. Рачун. Електрон. Агриц. 157, 218–231.
Ким, В., Кхан, ГФ, Воод, Ј., Махмоод, МТ, 2016. Ангажовање запослених за одрживе организације: анализа кључних речи коришћењем анализе друштвених мрежа и рафала
приступ откривању. Одрживост 8 (7), 631.
Кирсцх, М., Лоренз, С., Зиммерманн, Р., Туса, Л., Моцкел, ¨ Р., Ходл, ¨ П., Бооисен, Р., Кходададзадех, М., Глоагуен, Р., 2018. Интеграција земаљских и дронова
хиперспектралне и фотограметријске методе сенсинга за мапирање истраживања и праћење рударства. Ремоте Сенсинг 10 (9), 1366. хттпс://дои.орг/10.3390/
рс10091366.
Китано, БТ, Мендес, ЦЦТ, Геус, АР, Оливеира, ХЦ, Соуза, ЈР, 2019. Бројање биљака кукуруза помоћу дубоког учења и слика УАВ-а. ИЕЕЕ Геосци. Ремоте Сенс. Летт. 1–5 хттпс://дои.орг/10.1109/ЛГРС.2019.2930549.
Кох, ЈЦО, Спангенберг, Г., Кант, С., 2021. Аутоматско машинско учење за високопропусну фенотипизацију биљака засновану на сликама. Даљинска детекција 13 (5), 858. хттпс://
дои.орг/10.3390/рс13050858.
Ковалев, ИВ, Ворошилова, АА, 2020. Савремени технолошки трендови у развоју екосистема теретних беспилотних летелица. Ј. Пхис. Конф. Сер. 1515 (5), 052068 хттпс://дои. орг/10.1088/1742-6596/1515/5/052068.
Крул, С., Пантос, Ц., Франгулеа, М., Валенте, Ј., 2021. Визуелни СЛАМ за стоку и пољопривреду у затвореном простору помоћу малог дрона са монокуларном камером: студија изводљивости.
Дронови 5 (2), 41. хттпс://дои.орг/10.3390/дронес5020041.
Кулбацки, М., Сеген, Ј., Кние´ц, В., Клемпоус, Р., Клувак, К., Никодем, Ј., Кулбацка, Ј., Серестер, А., 2018. Преглед дронова за аутоматизацију пољопривреде од садње до
жетва. У: ИНЕС 2018 – ИЕЕЕ 22. Међународна конференција о интелигентним инжењерским системима, стр. 000353–358. хттпс://дои.орг/10.1109/ИНЕС.2018.8523943.
Лагкас, Т., Аргириоу, В., Биби, С., Саригианнидис, П., 2018. Погледи и изазови оквира УАВ ИоТ: према заштити дронова као „ствари“. Сензори 18 (11), 4015. хттпс://дои.орг/10.3390/с18114015.
Лалиберте, АС, Ранго, А., 2011. Поступци обраде и класификације слика за анализу суб-дециметарских слика добијених беспилотним авионом изнад сушне
пашњаци. ГИСци. Ремоте Сенс. 48 (1), 4–23. хттпс://дои.орг/10.2747/1548-1603.48.1.4.
Лалиберте, АС, Ранго, А., Херрицк, ЈЕ, 2007. Беспилотне летелице за мапирање и праћење пашњака: поређење два система. Зборник радова годишње конференције АСПРС.
Лам, ОХИ, Доготари, М., Прум, М., Витхлани, ХН, Роерс, Ц., Мелвилле, Б., Зиммер, Ф., Бецкер, Р., 2021. Ток рада отвореног кода за мапирање корова на природним травњацима
коришћење беспилотне летелице: Коришћење Румек обтусифолиус као студије случаја. ЕУР. Ј.Ремоте Сенс. 54 (суп1), 71–88. хттпс://дои.орг/10.1080/22797254.2020.1793687.
Ламберт, ДМ, Ловенберг-ДеБоер, Ј., Гриффин, ТВ, Пеоне, Ј., Паине, Т., Даберков, СГ, 2004. Усвајање, профитабилност и боље коришћење података о прецизној пољопривреди.
Техничка документација. Универзитет Пурдуе. хттпс://дои.орг/10.22004/аг.ецон.28615.
Лелонг, ЦЦД, Бургер, П., Јубелин, Г., Роук, Б., Лабб´е, С., Барет, Ф., 2008. Процена снимака беспилотних летелица за квантитативно праћење усева пшенице на малим парцелама. Сенсорс 8 (5), 3557–3585. хттпс://дои.орг/10.3390/с8053557.
Ли, Ц., Ниу, Б., 2020. Дизајн паметне пољопривреде засноване на великим подацима и Интернету ствари. Инт. Ј. Дистриб. Сенс. Нетв. 16 (5) ттпс://дои.орг/10.1177/1550147720917065.
Ли, В., Ниу, З., Цхен, Х., Ли, Д., Ву, М., Зхао, В., 2016. Даљинска процена висине крошње и надземне биомасе кукуруза коришћењем стерео слика високе резолуције са нискобуџетни систем беспилотне летелице. Ецол. Инд. 67, 637–648. хттпс://дои.орг/10.1016/ј.ецолинд.2016.03.036.
Лиакос, КГ, Бусато, П., Мосхоу, Д., Пеарсон, С., Боцхтис, Д., 2018. Машинско учење у пољопривреди: преглед. Сензори 18 (8), 2674.
Лиебисцх, Ф., Кирцхгесснер, Н., Сцхнеидер, Д., Валтер, А., Хунд, А., 2015. Даљинска, ваздушна фенотипизација особина кукуруза са мобилним мулти-сензорским приступом. Плант Метходс 11 (1), 9. хттпс://дои.орг/10.1186/с13007-015-0048-8.
Лин, З., Гуо, В., 2020. Откривање и бројање метлице сирка помоћу слика беспилотне летелице и дубоког учења. Фронт. Плант Сци. 11.
Лиу, С., Гуо, Л., Вебб, Х., Иа, Кс., Цханг, Кс., 2019. Систем за праћење Интернета ствари савремене еко-пољопривреде заснован на рачунарству у облаку. ИЕЕЕ Аццесс 7, 37050–37058.
Лопез-Гранадос, ´ Ф., 2011. Детекција корова за управљање коровом специфичном за локацију: мапирање и приступи у реалном времену. Веед Рес. 51 (1), 1–11. хттпс://дои.орг/10.1111/ј.1365-3180.2010.00829.к.
Лопез-Гранадос, ´ Ф., Торрес-Санцхез, ´ Ј., Де Цастро, А.-И., Серрано-П´ерез, А., МесасЦаррасцоса, Ф.-Ј., Пена, ˜ Ј.-М. , 2016. Рано праћење травнатог корова у усеву траве на бази објеката коришћењем УАВ слика високе резолуције. Агрон. Сустаин. Дев. 36 (4), 1–12
Лопез-Гранадос, ´ Ф., Торрес-С´ анцхез, Ј., Серрано-П´ерез, А., де Цастро, АИ, МесасЦаррасцоса, Ф.-Ј., Пена, ˜ Ј.-М., 2016. Рано сезонско мапирање корова у сунцокрету коришћењем УАВ технологије: варијабилност мапа третмана хербицидима у односу на прагове корова. Прецис. Агриц. 17 (2), 183–199.
Луциеер, А., Маленовскы, З., Венесс, Т., Валлаце, Л., 2014. ХиперУАС – имагинг спецтросцопи фром а мултиротор беспилот аирцрафт систем. Ј. Фиелд Роб. 31 (4),
571–590. хттпс://дои.орг/10.1002/роб.21508.
Лумме, Ј., Карјалаинен, М., Каартинен, Х., Кукко, А., Хииппа, ¨ Ј., Хиипп¨ а, Х., Јааккола, А., & Клеемола, Ј., 2008. Земаљско ласерско скенирање пољопривредних култура. У ЈЈ
Цхен Ј. Маас Х–Г. (Ед.), Међународни архив за фотограметрију, даљинску детекцију и науке о просторним информацијама—ИСПРС архив (Вол. 37, стр. 563–566).
Међународно друштво за фотограметрију и даљинску детекцију. хттпс://ввв.сцопус .цом/инвард/рецорд.ури?еид=2-с2.0-84919356328&партнерИД=40&мд5=574
b802131a99d16318ce619a01ca1bf.
Ма, Л., Ли, М., Ма, Кс., Цхенг, Л., Ду, П., Лиу, И., 2017. Преглед надзиране класификације слика покривача земљишта под надзором. ИСПРС Ј. Пхотограмм. Ремоте Сенс. 130,
277–293. хттпс://дои.орг/10.1016/ј.испрсјпрс.2017.06.001.
Маес, ВХ, Степпе, К., 2019. Перспективе даљинске детекције беспилотним летјелицама у прецизној пољопривреди. Трендс Плант Сци. 24 (2), 152–164. хттпс://дои.орг/10.1016/ј.тплантс.2018.11.007.
Маимаитијианг, М., Гхулам, А., Сидике, П., Хартлинг, С., Маимаитиииминг, М., Петерсон, К., Схаверс, Е., Фисхман, Ј., Петерсон, Ј., Кадам, С., Буркен, Ј., Фритсцхи, Ф., 2017.
Фенотипизација соје заснована на беспилотном ваздушном систему (УАС) коришћењем фузије података са више сензора и машине за екстремно учење. ИСПРС Ј. Пхотограмм. Ремоте Сенс. 134, 43–58. хттпс://дои.орг/10.1016/ј.испрсјпрс.2017.10.011. Маимаитијианг, М., Саган, В., Сидике, П., Далоие, АМ, Еркбол, Х., Фритсцхи, ФБ, 2020.
Надгледање усева помоћу фузије сателитских/УАВ података и машинског учења. Ремоте Сенсинг 12 (9), 1357. хттпс://дои.орг/10.3390/рс12091357.
Манфреда, С., МцЦабе, М., Миллер, П., Луцас, Р., Пајуело Мадригал, В., Маллинис, Г., Бен Дор, Е., Хелман, Д., Естес, Л., Цираоло, Г. ., Муллерова, ´ Ј., Тауро, Ф., де Лима, М., де
Лима, Ј., Малтесе, А., Францес, Ф., Цаилор, К., Кохв, М., Перкс, М., Руиз-П´ерез, Г., Су, З., Вицо, Г., Тотх , Б., 2018. О употреби беспилотних ваздушних система за
мониторинга животне средине. Даљинска детекција 10 (4), 641.
Маринко, РА, 1998. Цитати у часописима за женске студије у дисертацијама, 1989 и Тхе Сериалс Либрариан 35 (1–2), 29–44. хттпс://дои.орг/10.1300/Ј123в35н01_
КСНУМКС.
Масроор, Р., Наеем, М., Ејаз, В., 2021. Управљање ресурсима у бежичним мрежама потпомогнутим УАВ-ом: перспектива оптимизације. Ад Хоц Нетв. 121, 102596 хттпс://дои.орг/10.1016/ј.адхоц.2021.102596.
Матесе, А., Ди Геннаро, СФ, 2018. Практичне примене мултисензорске УАВ платформе засноване на мултиспектралним, термалним и РГБ сликама високе резолуције у прецизности
виноградарство. Пољопривреда 8 (7), 116. хттпс://дои.орг/10.3390/агрицултуре8070116.
Матесе, А., Ди Геннаро, СФ, 2021. Изван традиционалног НДВИ индекса као кључног фактора за интеграцију употребе УАВ у прецизном виноградарству. Сци. Реп. 11 (1), 2721. хттпс://дои.орг/10.1038/с41598-021-81652-3.
Матесе, А., Тосцано, П., Ди Геннаро, СФ, Генесио, Л., Ваццари, ФП, Примицерио, Ј., Белли, Ц., Залдеи, А., Бианцони, Р., Гиоли, Б., 2015. Међусобно поређење беспилотних летелица, авиона
и платформе за сателитску даљинску детекцију за прецизно виноградарство. Ремоте Сенсинг 7 (3), 2971–2990. хттпс://дои.орг/10.3390/рс70302971.
Маззиа, В., Цомба, Л., Кхалик, А., Цхиаберге, М., Гаи, П., 2020. Прецизност сателитског индекса вегетације заснована на УАВ и машинском учењу за прецизност
пољопривреде. Сензори 20 (9), 2530. хттпс://дои.орг/10.3390/с20092530.
МцЦаин, КВ, 1990. Мапирање аутора у интелектуалном простору: технички преглед. Џем. Соц. Инфо. Сци. 41 (6), 433–443.
Меинен, БУ, Робинсон, ДТ, 2021. Моделирање пољопривредне ерозије: процена УСЛЕ и ВЕПП процена ерозије на терену коришћењем података временске серије УАВ. Енвирон. Моделл. Софтвер 137, 104962. хттпс://дои.орг/10.1016/ј.енвсофт.2021.104962.
Мелвилле, Б., Луциеер, А., Ариал, Ј., 2019. Класификација низијских аутохтоних пашњачких заједница користећи слике хиперспектралног система беспилотних летјелица (УАС) у
Тасманијска средина. Дронови 3 (1), 5.
Мессина, Г., Модица, Г., 2020. Примене УАВ термалних слика у прецизној пољопривреди: стање технике и изгледи за будуће истраживање. Ремоте Сенсинг 12 (9), хттпс://дои.орг/10.3390/рс12091491.
Мисхра, Д., Луо, З., Јианг, С., Пападопоулос, Т., Дубеи, Р., 2017. Библиографска студија о великим подацима: концепти, трендови и изазови. Управљање пословним процесима. Ј. 23 (3),
КСНУМКС-КСНУМКС.
Моцхида, К., Саисхо, Д., Хираиама, Т., 2015. Побољшање усева коришћењем скупова података животног циклуса добијених у условима на терену. Фронт. Плант Сци. 6 хттпс://дои.орг/10.3389/
фплс.2015.00740.
Могили, УМ.Р., Деепак, ББВЛ, 2018. Преглед примене система дронова у прецизној пољопривреди. Процедиа Цомпут. Сци. 133, 502–509.
Мохарана, С., Дутта, С., 2016. Просторна варијабилност садржаја хлорофила и азота у пиринчу са хиперспектралних слика. ИСПРС Ј. Пхотограмм. Ремоте Сенс. 122, 17–29.
Муангпратхуб, Ј., Бооннам, Н., Кајорнкасират, С., Лекбангпонг, Н., Ваницхсомбат, А.,
Ниллаор, П., 2019. Анализа података о Интернету ствари и пољопривреди за паметну фарму. Рачун. Електрон. Агриц. 156, 467–474.
Нансен, Ц., Еллиотт, Н., 2016. Ремоте сенсинг анд рефлецтанце профилеинг ин ентомологи. Анну. Рев. Ентомол. 61 (1), 139–158. хттпс://дои.орг/10.1146/аннурев-енто010715-023834.
Навиа, Ј., Мондрагон, И., Патино, Д., Цолорадо, Ј., 2016. Мултиспектрално мапирање у пољопривреди: мозаик терена коришћењем аутономног квадрокоптера УАВ. Инт. Конф.
Беспилотна летелица Сист. (ИЦУАС) 2016, 1351–1358. хттпс://дои.орг/10.1109/ ИЦУАС.2016.7502606.
Наииар, А., Нгуиен, Б.-Л., Нгуиен, НГ, 2020. Интернет ствари за беспилотне летелице (Иодт): будућност паметних дронова. Адв. Интелл. Сист. Рачун. 1045, 563–580. хттпс://дои.орг/10.1007/978-981-15-0029-9_45.
Небикер, С., Аннен, А., Сцхеррер, М., Оесцх, Д., 2008. Лагани мултиспектрални сензор за микро УАВ—прилике за даљинско детекцију у ваздуху веома високе резолуције. Инт. Арцх. Пхотограмм. Ремоте Сенс. Спат. Инф. Сци 37 (Б1), 1193–1200.
Негасх, Л., Ким, Х.-И., Цхои, Х.-Л., 2019. Нове УАВ апликације у пољопривреди. У: 2019. 7тх Интернатионал Цонференце он Робот Интеллигенце Тецхнологи анд
Пријаве (РиТА), стр. 254–257. хттпс://дои.орг/10.1109/РИТАПП.2019.8932853.
Нерур, СП, Расхеед, АА, Натарајан, В., 2008. Интелектуална структура области стратешког менаџмента: анализа коцитата аутора. Стратег. Манаг. Ј. 29 (3),
КСНУМКС-КСНУМКС.
Неупане, К., Баисал-Гурел, Ф., 2021. Аутоматска идентификација и праћење биљних болести коришћењем беспилотних летелица: преглед. Ремоте Сенсинг 13 (19), 3841. хттпс://дои.орг/10.3390/рс13193841.
Нек, Ф., Ремондино, Ф., 2014. УАВ за апликације за 3Д мапирање: преглед. Аппл. Геоматика 6 (1), 1–15. хттпс://дои.орг/10.1007/с12518-013-0120-к.
Ниу, Х., Холленбецк, Д., Зхао, Т., Ванг, Д., Цхен, И., 2020. Процена евапотранспирације са малим беспилотним летелицама у прецизној пољопривреди. Сензори 20 (22), 6427. хттпс://
дои.орг/10.3390/с20226427.
Осарех, Ф., 1996. Библиометрија, анализа цитата и анализа коцитата. Преглед књижевности И 46 (3), 149–158. хттпс://дои.орг/10.1515/либр.1996.46.3.149.
П´ адуа, Л., Ванко, Ј., Хрушка, Ј., Ад˜ ао, Т., Соуса, ЈЈ, Перес, Е., Мораис, Р., 2017. УАС, сензори и обрада података у агрошумарству: преглед ка практичним применама. Инт. Ј. Ремоте Сенс. 38 (8–10), 2349–2391. хттпс://дои.орг/10.1080/01431161.2017.1297548.
Пандаи, УС, Пратихаст, АК, Ариал, Ј., Каиастха, РБ, 2020. Преглед решења података заснованих на дрону за усеве житарица. Дроне 4 (3), 1–29. хттпс://дои.орг/10.3390/
дронес4030041.
Парсаеиан, М., Схахаби, М., Хассанпоур, Х., 2020. Процена садржаја уља и протеина у семенкама сусама коришћењем обраде слике и вештачке неуронске мреже. Џем. уље
Цхемистс' Соц. 97 (7), 691–702.
Пена, ˜ ЈМ, Торрес-С´анцхез, Ј., де Цастро, АИ, Келли, М., Лопез-Гранадос, ´ Ф., Суарез, О., Мапирање корова на пољима кукуруза у раној сезони коришћењем анализе засноване на објектима оф
беспилотна летелица (УАВ) Слике. ПЛоС ОНЕ 8 (10), е77151.
П´ерез-Ортиз, М., Пена, ˜ ЈМ, Гути´еррез, ПА, Торрес-С´ анцхез, Ј., Херв´ ас-Мартинез, Ц.,
Лопез-Гранадос, ´ Ф., 2015. Полу-надгледани систем за мапирање корова у усевима сунцокрета користећи беспилотне летелице и метод детекције редова усева. Аппл. Софт Цомпут. Ј. 37, 533–544. хттпс://дои.орг/10.1016/ј.асоц.2015.08.027.
Пинцхеира, М., Веццхио, М., Гиаффреда, Р., Канхере, СС, 2021. Исплативи ИоТ уређаји као поуздани извори података за систем управљања водама заснован на блокчејну у прецизној пољопривреди. Рачун. Електрон. Агриц. 180, 105889.
Попеску, Д., Стоицан, Ф., Стаматесцу, Г., Ицхим, Л., Драгана, Ц., 2020. Напредни УАВ–ВСН систем за интелигентно праћење у прецизној пољопривреди. Сензори 20 (3), хттпс://дои.орг/10.3390/с20030817.
Поурнадер, М., Схи, И., Сеуринг, С., Кох, СЛ, 2020. Блоцкцхаин апликације у ланцима снабдевања, транспорту и логистици: систематски преглед литературе. Инт. Ј. Прод. Рес. 58 (7). 2063–2081.
Примицерио, Ј., Ди Геннаро, СФ, Фиорилло, Е., Генесио, Л., Лугато, Е., Матесе, А., Ваццари, ФП, 2012. Флексибилна беспилотна летјелица за прецизну пољопривреду.
Прецис. Агриц. 13 (4), 517–523. хттпс://дои.орг/10.1007/с11119-012-9257-6.
Притцхард, А., 1969. Статистичка библиографија или библиометрија. Ј. Доцумент. 25 (4), 348–349.
Пуделко, Р., Стуцзински, Т., Борзецка-Валкер, М., 2012. Погодност беспилотне летелице (УАВ) за процену огледних поља и усева. Пољопривреда 99 (4), 431–436.
Пури, В., Наииар, А., Раја, Л., 2017. Пољопривредни дронови: савремени пробој у прецизној пољопривреди. Ј. Статис. Манаг. Сист. 20 (4), 507–518.
Радоглоу-Грамматикис, П., Саригианнидис, П., Лагкас, Т., Мосцхолиос, И., 2020. Компилација УАВ апликација за прецизну пољопривреду. Рачун. Нетв. 172,
107148 хттпс://дои.орг/10.1016/ј.цомнет.2020.107148.
Рамесх, КВ, Ракесх, В., Пракаса Рао, ЕВС, 2020. Примена аналитике великих података и вештачке интелигенције у агрономским истраживањима. Индијац Ј. Агрон. 65 (4), 383–395.
Рапарелли, Е., Бајоццо, С., 2019. Библиометријска анализа употребе беспилотних летелица у студијама пољопривреде и шумарства. Инт. Ј. Ремоте Сенс. 40 (24),
9070–9083. хттпс://дои.орг/10.1080/01431161.2019.1569793.
Расмуссен, Ј., Ниелсен, Ј., Гарциа-Руиз, Ф., Цхристенсен, С., Стреибиг, ЈЦ, Лотз, Б., 2013.
Потенцијалне употребе малих система беспилотних летелица (УАС) у истраживању корова. Веед Рес. 53 (4), 242–248.
Расмуссен, Ј., Нтакос, Г., Ниелсен, Ј., Свенсгаард, Ј., Поулсен, РН, Цхристенсен, С., Да ли су индекси вегетације изведени из камера за потрошаче постављене на
Беспилотне летелице довољно поуздане за процену експерименталних парцела? ЕУР. Ј. Агрон. 74, 75–92. хттпс://дои.орг/10.1016/ј.еја.2015.11.026.
Рејеб, А., Рејеб, К., Абдоллахи, А., Заилани, С., Иранманесх, М., Гхобакхлоо, М., 2022. Дигитализација у ланцима снабдевања храном: библиометријски преглед и главни пут до кључног пута
анализа. Одрживост 14 (1), 83. хттпс://дои.орг/10.3390/су14010083.
Рејеб, А., Рејеб, К., Симске, СЈ, Треиблмаиер, Х., 2021а. Дронови за управљање ланцем снабдевања и логистику: преглед и агенда истраживања. Инт. Ј. Логист. Рес. Аппл.
1–24. хттпс://дои.орг/10.1080/13675567.2021.1981273.
Рејеб, А., Рејеб, К., Симске, С., Треиблмаиер, Х., 2021б. Блоцкцхаин технологије у логистици и управљању ланцем снабдевања: библиометријски преглед. Логистика 5 (4), 72.
https://doi.org/10.3390/logistics5040072.
Рејеб, А., Рејеб, К., Симске, С., Треиблмаиер, Х., 2021ц. Хуманитарни дронови: преглед и агенда истраживања. Интернет ствари 16, 100434. хттпс://дои.орг/10.1016/ј.
иот.2021.100434.
Рејеб, А., Треиблмаиер, Х., Рејеб, К., Заилани, С., 2021д. Блоцкцхаин истраживања у здравству: библиометријски преглед и актуелни трендови истраживања. Ј. оф Дата, Инф. и
Манаг. 3 (2), 109–124.
Рејеб, А., Симске, С., Рејеб, К., Треиблмаиер, Х., Заилани, С., 2020. Истраживање Интернета ствари у управљању ланцем снабдевања и логистици: библиометријска анализа. Интернет
ствари 12, 100318.
РепортЛинкер, 2021. Глобално тржиште пољопривредних дронова достићи ће 15.2 милијарде америчких долара до године ГлобеНевсвире Невс Роом. хттпс://ввв.глобеневсвире.цом/невс-релеасе/2021/08/10/2277986/0/ен/Глобал-Агрицултуре-Дронес-Маркет-то-Реацх-УС-15-2-Биллион-би-тхе- Година-2027.хтмл.
Рибеиро-Гомес, К., Хернандез-Л´опез,´Д., Ортега, ЈФ, Баллестерос, Р., Поблете, Т., Морено, МА, 2017. Калибрација нехлађене термалне камере и оптимизација
процес фотограметрије за примену УАВ у пољопривреди. Сензори (Швајцарска) 17 (10). хттпс://дои.орг/10.3390/с17102173.
Ривера, МА, Пизам, А., 2015. Адванцес ин хоспиталити ресеарцх: “Фром Роднеи Дангерфиелд то Аретха Франклин”. Инт. Ј. Цонтемпор. Болница. Манаг. 27 (3),
362–378. https://doi.org/10.1108/IJCHM-03-2014-0146.
Ролдан, ´ ЈЈ, Јооссен, Г., Санз, Д., Дел Церро, Ј., Барриентос, А., 2015. Сензорни систем заснован на мини-УАВ за мерење варијабли животне средине у стакленицима. Сенсорс 15 (2), 3334–3350. хттпс://дои.орг/10.3390/с150203334.
Розенберг, Г., Кент, Р., Бланк, Л., 2021. УАВ за потрошаче који се користи за откривање и анализу образаца просторне дистрибуције корова у касној сезони на комерцијалним пољима лука. Прецис. Агриц. 22 (4), 1317–1332. хттпс://дои.орг/10.1007/с11119-021-09786-и.
Саари, Х., Пелликка, И., Песонен, Л., Туоминен, С., Хеиккила, ¨ Ј., Холмлунд, Ц., Макинен, ¨ Ј., Ојала, К., Антила, Т., 2011. Без посаде Систем спектралних камера којим управља ваздушно возило (УАВ) за примену у шумама и пољопривреди. Настави. СПИЕ – Инт. Соц. Опт. инж. 8174 хттпс://дои.орг/10.1117/12.897585.
Сах, Б., Гупта, Р., Бани-Хани, Д., 2021. Анализа баријера за имплементацију логистике дронова. Инт. Ј. Логист. Рес. Аппл. 24 (6), 531–550. хттпс://дои.орг/10.1080/
КСНУМКС.
Саха, АК, Саха, Ј., Раи, Р., Сирцар, С., Дутта, С., Цхаттопадхиаи, СП, & Саха, ХН, дрон заснован на ИОТ-у за побољшање квалитета усева у пољопривредном пољу. У СХ
Н. Цхакрабарти С. (Ед.), 2018 ИЕЕЕ 8тх Аннуал Цомпутинг анд Цоммуницатион Ворксхоп анд Цонференце, ЦЦВЦ 2018 (Волс. 2018-Јануари, пп. 612–615). Институт
оф Елецтрицал анд Елецтроницс Енгинеерс Инц. дои: 10.1109/ЦЦВЦ.2018.8301662.
Саи Винеетх, КВ, Вара Прасад, ИР, Дубеи, СР, Венкатараман, Х., 2019. ЛЕДЦОМ: нова и ефикасна комуникација заснована на ЛЕД технологији за прецизну пољопривреду. ИЕЕЕ Цонф. Инфо. Цоммун. Тецхнол. 2019, 1–5. хттпс://дои.орг/10.1109/ЦИЦТ48419.2019.9066177.
Салами, Е., Баррадо, Ц., Пастор, Е., 2014. Експерименти летења беспилотних летелица примењени на даљинско испитивање вегетативних подручја. Ремоте Сенсинг 6 (11), 11051–11081. хттпс://дои.орг/10.3390/рс61111051.
Санкаран, С., Кхот, ЛР, Еспиноза, ЦЗ, Јаролмасјед, С., Сатхувалли, ВР, Вандемарк, ГЈ, Миклас, ПН, Цартер, АХ, Пумпхреи, МО, Кновлес, НРН, Павек, МЈ, 2015.
Системи за снимање из ваздуха високе резолуције на малим висинама за фенотипизацију усјева у редовима и пољима: преглед. ЕУР. Ј. Агрон. 70, 112–123. хттпс://дои.орг/10.1016/ј.
еја.2015.07.004.
Сантестебан, ЛГ, Ди Геннаро, СФ, Херреро-Лангрео, А., Миранда, Ц., Роио, ЈБ, Матесе, А., 2017. Термално снимање високе резолуције засновано на УАВ-у за процену
тренутна и сезонска варијабилност статуса воде биљака унутар винограда. Агриц. Ватер Манаг. 183, 49–59. хттпс://дои.орг/10.1016/ј.агват.2016.08.026.
Сарли, ЦЦ, Дубински, ЕК, Холмес, КЛ, 2010. Ван цитиране анализе: модел за процену утицаја истраживања. Ј. Мед. Библиотека доц. : ЈМЛА 98 (1), 17–23. хттпс://дои.орг/10.3163/1536-5050.98.1.008.
Сцхаепман, МЕ, Устин, СЛ, Плаза, АЈ, Паинтер, ТХ, Веррелст, Ј., Лианг, С., 2009. Спектроскопија снимања у вези са науком о Земљи - процена. Ремоте Сенс. Енвирон. 113, С123–С137.
Сцхиррманн, М., Гиебел, А., Глеинигер, Ф., Пфланз, М., Лентсцхке, Ј., Даммер, К.-Х., 2016. Праћење агрономских параметара усева озиме пшенице са јефтиним УАВ-ом
слике. Даљинско детектовање 8 (9). хттпс://дои.орг/10.3390/рс8090706.
Сцхмале ИИИ, ДГ, Дингус, БР, Реинхолтз, Ц., 2008. Развој и примена аутономне беспилотне летелице за прецизно аеробиолошко узорковање изнад
пољопривредне њиве. Ј. Фиелд Роб. 25 (3), 133–147. хттпс://дои.орг/10.1002/роб.20232.
Схадрин, Д., Менсхцхиков, А., Сомов, А., Борнеманн, Г., Хауслаге, Ј., Федоров, М.,
Омогућавање прецизне пољопривреде путем уграђеног сензора са вештачком интелигенцијом. ИЕЕЕ Транс. Инструм. Меас. 69 (7), 4103–4113.
Схакхатрех, Х., Савалмех, АХ, Ал-Фукаха, А., Доу, З., Алмаита, Е., Кхалил, И.,
Отхман, НС, Кхреисхах, А., Гуизани, М., 2019. Беспилотне летјелице (УАВ): истраживање о цивилним апликацијама и кључним истраживачким изазовима. ИЕЕЕ Аццесс 7,
48572–48634. хттпс://дои.орг/10.1109/АЦЦЕСС.2019.2909530.
Схакоор, Н., Нортхруп, Д., Мурраи, С., Моцклер, ТЦ, 2019. Пољопривреда вођена великим подацима: анализа великих података у оплемењивању биљака, геномици и употреби даљинског истраживања
технологије за унапређење продуктивности усева. Плант Пхеноме Ј. 2 (1), 1–8.
Схарма, БК, Цхандра, Г., Мисхра, ВП, 2019. Компаративна анализа и импликација УАВ и АИ у форензичким истраживањима. У: Процеедингс – 2019 Амити Интернатионал
Конференција о вештачкој интелигенцији. хттпс://дои.орг/10.1109/АИЦАИ.2019.8701407.
Схарма, Р., Схисходиа, А., Гунасекаран, А., Мин, Х., Муним, ЗХ, 2022. Улога вештачке интелигенције у управљању ланцем снабдевања: мапирање територије. Инт. Ј.
Прод. Рес. 1–24. хттпс://дои.орг/10.1080/00207543.2022.2029611.
Схи, И., Тхомассон, ЈА, Мурраи, СЦ, Пугх, НА, Рунеи, ВЛ, Схафиан, С., Рајан, Н., Роузе, Г., Морган, ЦЛС, Неели, ХЛ, Рана, А., Багаватхианнан , МВ,
Хенрицксон, Ј., Бовден, Е., Валасек, Ј., Олсенхоллер, Ј., Бисхоп, МП, Схеридан, Р., Путман, ЕБ, Попесцу, С., Буркс, Т., Цопе, Д., Ибрахим, А., МцЦутцхен, БФ,
Балтенспергер, ДД, Авант, РВ, Видрине, М., Ианг, Ц., Зханг, Ј., 2016. Беспилотне летелице за високопропусну фенотипизацију и агрономска истраживања. ПЛоС ОНЕ
11 (7), е0159781.
Схуаи, Г., Мартинез-Фериа, РА, Зханг, Ј., Ли, С., Прице, Р., Бассо, Б., 2019. Снимање хетерогености састојине кукуруза у зонама стабилности приноса помоћу беспилотне летелице
Возила (УАВ). Сензори 19 (20), 4446. хттпс://дои.орг/10.3390/с19204446.
Смалл, Х., 1973. Коцитирање у научној литератури: нова мера односа између два документа. Џем. Соц. Инфо. Сци. 24 (4), 265–269.
Смалл, Х., Рорвиг, МЕ, Лунин, ЛФ, 1999. Визуализација науке помоћу мапирања цитата. Џем. Соц. Инфо. Сци. 50 (9), 799–813.
Соарес, ВХА, Понти, МА, Гонцалвес, РА, Цампелло, РЈГБ, 2021. Бројање говеда у дивљини са геолоцираним сликама из ваздуха на великим пашњацима. Рачун. Електрон. Агриц. 189, 106354 хттпс://дои.орг/10.1016/ј.цомпаг.2021.106354.
Сривастава, К., Пандеи, ПЦ, Схарма, ЈК, 2020. Приступ оптимизацији руте у применама прецизне пољопривреде коришћењем беспилотних летелица. Дронови 4 (3), 58. хттпс://дои.орг/ 10.3390/дронес4030058.
Стаффорд, ЈВ, 2000. Имплементација прецизне пољопривреде у 21. веку. Ј. Агриц. инж. Рес. 76 (3), 267–275.
Су, Ј., Цоомбес, М., Лиу, Ц., Гуо, Л., Цхен, В.-Х., 2018. Процена суше пшенице помоћу снимака даљинског снимања помоћу беспилотне летелице. У 2018. 37. Кинеска контролна конференција (ЦЦЦ).
Су, Ј., Лиу, Ц., Цоомбес, М., Ху, Кс., Ванг, Ц., Ксу, Кс., Ли, К., Гуо, Л., Цхен, В.-Х., 2018. Праћење жуте рђе пшенице учењем из мултиспектралних УАВ снимака из ваздуха.
Рачун. Електрон. Агриц. 155, 157–166. хттпс://дои.орг/10.1016/ј. цомпаг.2018.10.017.
Су, И., Ванг, Кс., 2021. Иновација пољопривредног економског менаџмента у процесу конструисања паметне пољопривреде помоћу великих података. Сустаинабле Цомпут. Инф. Сист. 31, 100579 хттпс://дои.орг/10.1016/ј.сусцом.2021.100579.
Сулливан, ДГ, Фултон, ЈП, Схав, ЈН, Бланд, ГЛ, 2007. Процена осетљивости беспилотне термалне инфрацрвене ваздушне мреже за откривање воденог стреса у памучном балдахину. Транс. АСАБЕ 50 (6), 1955–1962.
Сумесх, КЦ, Нинсават, С., Сом-ард, Ј., 2021. Интеграција индекса вегетације заснованог на РГБ, модела површине усева и приступа анализе слике заснованог на објекту за процену приноса шећерне трске коришћењем беспилотне летелице. Рачун. Електрон. Агриц. 180, 105903 хттпс://дои.орг/10.1016/ј.цомпаг.2020.105903.
Суомалаинен, Ј., Андерс, Н., Икбал, С., Франке, Ј., Вентинг, П., Бартхоломеус, Х., Бецкер, Р., Кооистра, Л., 2013. Лагани хиперспектрални систем мапирања за
беспилотне летелице — први резултати. У: 2013. 5. радионица о хиперспектралној слици и обради сигнала: еволуција у даљинском детекцији (ШАПАЊЕ), стр. 1–4. хттпс://дои.орг/10.1109/ВХИСПЕРС.2013.8080721.
Суомалаинен, Ј., Андерс, Н., Икбал, С., Роеринк, Г., Франке, Ј., Вентинг, П., Хуннигер, Д., Бартхоломеус, Х., Бецкер, Р., Кооистра, Л., 2014. Лагани хиперспектрал
систем мапирања и фотограметријски ланац обраде за беспилотне летелице. Ремоте Сенсинг 6 (11), 11013–11030. хттпс://дои.орг/10.3390/
рс61111013.
Сиеда, ИХ, Алам, ММ, Иллахи, У., Су'уд, ММ, 2021. Напредне стратегије контроле користећи обраду слика, УАВ и АИ у пољопривреди: преглед. Свет Ј. Енг. 18 (4),
579–589. https://doi.org/10.1108/WJE-09-2020-0459.
Тахаи, А., Ригсби, ЈТ, 1998. Обрада информација коришћењем цитата за истраживање утицаја часописа у рачуноводству. Инф. Процес. Управљати. 34 (2–3), 341–359.
Танг, И., Данањаиан, С., Хоу, Ц., Гуо, К., Луо, С., Хе, И., 2021. Анкета о 5Г мрежи и њеном утицају на пољопривреду: изазови и могућности. Рачун.
Електрон. Агриц. 180, 105895 хттпс://дои.орг/10.1016/ј.цомпаг.2020.105895.
Танталаки, Н., Соуравлас, С., Роумелиотис, М., 2019. Доношење одлука вођено подацима у прецизној пољопривреди: пораст великих података у пољопривредним системима. Ј. Агриц. Информације о храни.
20 (4), 344–380.
Тао, Х., Фенг, Х., Ксу, Л., Миао, М., Ианг, Г., Ианг, Кс., Фан, Л., 2020. Процена приноса и висине биљке озиме пшенице коришћењем УАВ- засноване хиперспектралне слике.
Сензори 20 (4), 1231.
Тецхи, Л., Сцхмале ИИИ, ДГ, Воолсеи, ЦА, 2010. Координирано аеробиолошко узорковање биљног патогена у нижој атмосфери помоћу две аутономне беспилотне летелице. Ј. Фиелд Роб. 27 (3), 335–343. хттпс://дои.орг/10.1002/роб.20335.
Тетила, ЕЦ, Мацхадо, ББ, Астолфи, Г., Белете, НАдС, Аморим, ВП, Роел, АР, Пистори, Х., 2020. Детекција и класификација штеточина соје помоћу дубоког учења
са сликама УАВ. Рачун. Електрон. Агриц. 179, 105836.
Тхамм, Х.-П., Менз, Г., Бецкер, М., Куриа, ДН, Мисана, С., Кохн, Д., 2013. Употреба УАС за процјену пољопривредних система у АН мочварном подручју у Танзанији у— И влажна сезона за одрживу пољопривреду и обезбеђивање темељне истине за податке Терра-Сар Кс. У: ИСПРС – Међународни архив за фотограметрију, даљинску детекцију и науке о просторним информацијама, стр. 401–406. хттпс://дои.орг/10.5194/испрсарцхивесКСЛ-1-В2-401-2013.
Тхелвалл, М., 2008. Библиометрија до вебометрије. Ј. Инфо. Сци. 34 (4), 605–621.
Торрес-Санцхез, ´ Ј., Лопез-Гранадос, ´ Ф., Пена, ˜ ЈМ, 2015. Аутоматска метода заснована на објектима за оптимално одређивање прага у УАВ сликама: апликација за детекцију вегетације у зељастим културама. Рачун. Електрон. Агриц. 114, 43–52. хттпс://дои.орг/10.1016/ј.цомпаг.2015.03.019.
Торрес-Санцхез, ´ Ј., Лопез-Гранадос, ´ Ф., Серрано, Н., Аркуеро, О., Пена, ˜ ЈМ, Хассан, КК, 2015. Високо пропусни 3-Д мониторинг плантажа пољопривредног дрвећа са Технологија беспилотне летелице (УАВ). ПЛоС ОНЕ 10 (6), е0130479.
Торрес-Санцхез, ´ Ј., Пена, ˜ ЈМ, де Цастро, АИ, Лопез-Гранадос, ´ Ф., 2014. Мулти-темпорал маппинг оф тхе вегетатион фрацтион ин тхе фирст-сеасон вхеат фиелдс усинг имагес фром УАВ. Рачун. Електрон. Агриц. 103, 104–113. хттпс://дои.орг/10.1016/ј. цомпаг.2014.02.009.
Тсоурос, ДЦ, Биби, С., Саригианнидис, ПГ, 2019. Преглед апликација заснованих на УАВ за прецизну пољопривреду. Информације (Швајцарска) 10 (11). хттпс://дои.орг/10.3390/инфо10110349.
Ту, И.-Х., Пхинн, С., Јохансен, К., Робсон, А., Ву, Д., 2020. Оптимизација планирања лета дроном за мерење структуре усева хортикултурног дрвећа. ИСПРС Ј. Пхотограмм.
Ремоте Сенс. 160, 83–96. хттпс://дои.орг/10.1016/ј.испрсјпрс.2019.12.006
Тзоунис, А., Катсоулас, Н., Бартзанас, Т., Киттас, Ц., 2017. Интернет ствари у пољопривреди, недавни напредак и будући изазови. Биосист. инж. 164, 31–48.
https://doi.org/10.1016/j.biosystemseng.2017.09.007.
Уддин, А., Сингх, ВК, Пинто, Д., Олмос, И., 2015. Сциентометриц маппинг оф цомпутер сциенце ресеарцх ин Мекицо. Сциентометрицс 105 (1), 97–114.
УН., 2019. Проспекти светске популације за 2019. хттпс://популатион.ун.орг/впп/ (приступљено 15).
Уто, К., Секи, Х., Саито, Г., Косуги, И., 2013. Карактеризација пиринчаних поља помоћу минијатурног хиперспектралног сензорског система монтираног на УАВ. ИЕЕЕ Ј. Сел. Врх. Аппл. Еартх Обс.
Ремоте Сенс. 6 (2), 851–860. хттпс://дои.орг/10.1109/ЈСТАРС.2013.2250921. ван дер Мерве, Д., Бурцхфиелд, ДР, Витт, ТД, Прице, КП, Схарда, А., 2020. Дронови у
пољопривреде. Адв. Агрон. 162, 1–30.
Велусами, П., Рајендран, С., Махендран, РК, Насеер, С., Схафик, М., Цхои, Ј.-Г., 2022.
Беспилотне летелице (УАВ) у прецизној пољопривреди: примене и изазови. Енергиес 15 (1), 217. хттпс://дои.орг/10.3390/ен15010217.
Вентура, Д., Бонифази, А., Гравина, МФ, Беллусцио, А., Ардиззоне, Г., 2018. Мапирање и класификација еколошки осетљивих морских станишта коришћењем беспилотних летелица
Слике возила (УАВ) и анализа слика заснована на објектима (ОБИА). Ремоте Сенсинг 10 (9), 1331. хттпс://дои.орг/10.3390/рс10091331.
Вергер, А., Вигнеау, Н., Цх´ерон, Ц., Гиллиот, Ј.-М., Цомар, А., Барет, Ф., 2014. Индекс зелених површина из беспилотне летелице преко усева пшенице и уљане репице . Ремоте Сенс. Енвирон. 152, 654–664. хттпс://дои.орг/10.1016/ј.рсе.2014.06.006.
Вон Буерен, СК, Буркарт, А., Хуени, А., Расцхер, У., Туохи, МП, Иуле, ИЈ, 2015. Примена четири оптичка УАВ-базирана сензора преко травњака: изазови и
ограничења. Биогеосциенцес 12 (1), 163–175. хттпс://дои.орг/10.5194/бг-12-163-2015.
Вуран, МЦ, Салам, А., Вонг, Р., Ирмак, С., 2018. Интернет подземних ствари у прецизној пољопривреди: архитектура и технолошки аспекти. Ад Хоц Нетв. 81,
160–173. хттпс://дои.орг/10.1016/ј.адхоц.2018.07.017.
Вамба, СФ, Куеироз, ММ, 2021. Одговорна вештачка интелигенција као тајни састојак за дигитално здравље: библиометријска анализа, увиди и правци истраживања.
Инфо. Сист. Фронт. 1–16.
Ванг, Л., Зханг, Г., Ванг, З., Лиу, Ј., Сханг, Ј., Лианг, Л., 2019. Библиометријска анализа тренда истраживања даљинског истраживања у праћењу раста усева: студија случаја у Кини. Ремоте Сенсинг 11 (7). хттпс://дои.орг/10.3390/рс11070809.
Вхите, ХД, Гриффитх, БЦ, 1981. Коцитација аутора: књижевна мера интелектуалне структуре. Џем. Соц. Инфо. Сци. 32 (3), 163–171.
Ксианг, Х., Тиан, Л., 2011. Развој јефтиног пољопривредног система даљинског откривања заснованог на аутономној беспилотној летелици (УАВ). Биосист. инж. 108 (2), 174–190. хттпс://дои.орг/10.1016/ј.биосистемсенг.2010.11.010.
Ксие, Ц., Ианг, Ц., 2020. Преглед особина фенотипизације високе пропусности биљака помоћу сензора заснованих на УАВ-у. Рачун. Електрон. Агриц. 178, 105731 хттпс://дои.орг/10.1016/ј.
цомпаг.2020.105731.
Иао, Х., Кин, Р., Цхен, Кс., 2019. Беспилотна летелица за апликације на даљину – преглед. Ремоте Сенсинг 11 (12). хттпс://дои.орг/10.3390/
рс11121443.
Иеом, С., 2021. Праћење померања људи и уклањање лажних трагова помоћу инфрацрвене термалне слике помоћу мултиротора. Дронови 5 (3), 65. хттпс://дои.орг/10.3390/дронес5030065.
Иуе, Ј., Фенг, Х., Јин, Кс., Иуан, Х., Ли, З., Зхоу, Ц., Ианг, Г., Тиан, К., 2018. Поређење процене параметара усева коришћењем слика од беспилотне летелице
хиперспектрални сензор и дигитални фотоапарат високе дефиниције. Ремоте Сенсинг 10 (7), 1138. хттпс://дои.орг/10.3390/рс10071138.
Иуе, Ј., Ианг, Г., Ли, Ц., Ли, З., Ванг, И., Фенг, Х., Ксу, Б., 2017. Процена надземне биомасе озиме пшенице коришћењем беспилотне летелице- базиран снимак
хиперспектрални сензор и побољшани модели висине усева. Даљинско детектовање 9 (7). хттпс://дои.орг/10.3390/рс9070708.
Захави, РА, Дандоис, ЈП, Холл, КД, Надводни, Д., Реид, ЈЛ, Еллис, ЕЦ, 2015. Коришћење лаких беспилотних летелица за праћење опоравка тропских шума. Биол.
Цонсерв. 186, 287–295. хттпс://дои.орг/10.1016/ј.биоцон.2015.03.031. Замора-Изкуиердо, МА, Санта, Ј., Мартинез, ЈА, Мартинез, В., Скармета, АФ, 2019.
Паметна пољопривредна ИоТ платформа заснована на рубу и рачунарству у облаку. Биосист. инж. 177,
КСНУМКС-КСНУМКС.
Зарцо-Тејада, ПЈ, Диаз-Варела, Р., Ангилери, В., Лоудјани, П., 2014. Квантификација висине дрвета коришћењем слика веома високе резолуције добијених са беспилотне антене
возила (УАВ) и методе аутоматске 3Д фотореконструкције. ЕУР. Ј. Агрон. 55, 89–99. хттпс://дои.орг/10.1016/ј.еја.2014.01.004.
Зханг, Ц., Цраине, ВА, МцГее, РЈ, Вандемарк, ГЈ, Давис, ЈБ, Бровн, Ј., Хулберт, СХ, Санкаран, С., 2020. Фенотипизација интензитета цветања код усева хладне сезоне заснована на сликама. Сензори 20 (5), 1450. хттпс://дои.орг/10.3390/с20051450.
Зханг, Ц., Ковацс, ЈМ, 2012. Примена малих беспилотних ваздушних система за прецизну пољопривреду: преглед. Прецис. Агриц. 13 (6), 693–712. хттпс://дои.орг/
10.1007/s11119-012-9274-5.
Зханг, Л., Зханг, Х., Ниу, И., Хан, В., 2019. Мапирање стреса воде у кукурузу засновано на мултиспектралном даљинском сензору УАВ. Даљинска детекција 11 (6), 605.
Зханг, Кс., Хан, Л., Донг, И., Схи, И., Хуанг, В., Хан, Л., Гонз´ алез-Морено, П., Ма, Х., Ие, Х., Собеих , Т., 2019. Приступ заснован на дубоком учењу за аутоматизовану жуту рђу
откривање болести из хиперспектралних УАВ слика високе резолуције. Даљинска детекција 11 (13), 1554.
Зхао, Кс., Зханг, Ј., Хуанг, И., Тиан, И., Иуан, Л., 2022. Детекција и дискриминација болести и стреса инсеката на биљкама чаја коришћењем хиперспектралног снимања у комбинацији са таласном анализом. Рачун. Електрон. Агриц. 193, 106717 хттпс://дои.орг/10.1016/ј. цомпаг.2022.106717.
Зхенг, А., Ванг, М., Ли, Ц., Танг, Ј., Луо, Б., 2022. Ентропијско вођена адверсариална адаптација домена за семантичку сегментацију ваздушне слике. ИЕЕЕ Транс. Г
Зхенг, Х., Цхенг, Т., Иао, Кс., Денг, Кс., Тиан, И., Цао, В., Зху, И., 2016. Детекција фенологије пиринча кроз анализу временских серија спектралног спектра на земљи индексни подаци. Фиелд Цропс Рес. 198, 131–139. хттпс://дои.орг/10.1016/ј.фцр.2016.08.027.
Зхенг, Ј., Ианг, В., 2018. Дизајн система за прецизну пољопривреду за пропуштање семена заснованог на бежичним сензорима. Инт. Ј. Онлине Енг. 14 (05), 184.
Зхоу, Л., Гу, Кс., Цхенг, С., Ианг, Г., Сху, М., Сун, К., 2020. Анализа промена висине биљке леглог кукуруза коришћењем УАВ-ЛиДАР података. Пољопривреда 10 (5), 146. хттпс://
дои.орг/10.3390/агрицултуре10050146.
Зхоу, С., Цхаи, Кс., Ианг, З., Ванг, Х., Ианг, Ц., Сун, Т., 2021. Кукуруз-ИАС: Софтвер за анализу слике кукуруза који користи дубоко учење за високо пропусну фенотипизацију биљака . Плант Метходс 17 (1), 48. хттпс://дои.орг/10.1186/с13007-021-00747-0.
Зхоу, Кс., Зхенг, ХБ, Ксу, КСК, Хе, ЈИ, Ге, КСК, Иао, Кс., Цхенг, Т., Зху, И., Цао, ВКС, Тиан, ИЦ, 2017. Предвиђање приноса зрна у пиринач користећи мулти-темпоралну вегетацију
индекси из мултиспектралних и дигиталних слика заснованих на УАВ-у. ИСПРС Ј. Пхотограмм. Ремоте Сенс. 130, 246–255. хттпс://дои.орг/10.1016/ј.испрсјпрс.2017.05.003.
Зхоу, И., Ксие, И., Схао, Л., 2016. Симулација основне технологије система за праћење стакленика заснованог на бежичној сензорској мрежи. Инт. Ј. Онлине Енг. 12 (05),
КСНУМКС.
Зхоу, З., Мајеед, И., Диверрес Нарањо, Г., Гамбацорта, ЕМТ, 2021. Процена стреса воде усјева са инфрацрвеним термалним сликама у прецизној пољопривреди: преглед
и будући изгледи за апликације дубоког учења. Рачун. Електрон. Агриц. 182, 106019 хттпс://дои.орг/10.1016/ј.цомпаг.2021.106019.