Abderahman Rejeb a , Alireza Abdollahi b , Karim Rejeb c , Horst Treiblmaier d,
- a Katedra za menadžment i pravo, Ekonomski fakultet Univerziteta u Rimu Tor Vergata, Via Columbia, 2, Rim 00133, Italija
- b Odsjek za poslovnu administraciju, Fakultet za menadžment, Univerzitet Kharazmi, 1599964511 Teheran, Iran
- c Fakultet nauka u Bizerti, Univerzitet Kartagine, Zarzuna, 7021 Bizerta, Tunis
- d Škola za međunarodni menadžment, Modul Univerzitet Beč, Am Kahlenberg 1, 1190 Beč, Austrija
ARTICLE INFO | ABSTRACT |
Ključne riječi: Drones UAV Precizna poljoprivreda Internet of Things Bibliometrija | Bespilotne letjelice, koje se nazivaju i Bespilotne letjelice (UAV), svjedoci su značajnog razvoja posljednjih decenija. U poljoprivredi su promijenili poljoprivrednu praksu nudeći poljoprivrednicima značajne uštede troškova, povećane operativnu efikasnost i bolju profitabilnost. Poslednjih decenija tema poljoprivrednih dronova je bila privukao izuzetnu akademsku pažnju. Stoga provodimo sveobuhvatan pregled zasnovan na bibliometriji da sumira i strukturira postojeću akademsku literaturu i otkrije trenutne istraživačke trendove i žarišta. Mi primjenjuju bibliometrijske tehnike i analiziraju literaturu koja okružuje poljoprivredne bespilotne letjelice da sumira i procijeniti prethodna istraživanja. Naša analiza pokazuje da su daljinsko ispitivanje, precizna poljoprivreda, duboko učenje, mašinsko učenje i internet stvari kritične teme vezane za poljoprivredne dronove. Kocitiranje analiza otkriva šest širokih istraživačkih grupa u literaturi. Ova studija je jedan od prvih pokušaja da se sumiraju istraživanja dronova u poljoprivredi i predlože budući smjerovi istraživanja. |
Uvod
Poljoprivreda predstavlja primarni izvor hrane u svijetu (Friha et al., 2021.) i suočava se s ozbiljnim izazovima zbog
povećanje potražnje za prehrambenim proizvodima, sigurnost hrane i zabrinutost za sigurnost, kao i pozivi na zaštitu životne sredine, očuvanje vode i
održivost (Inoue, 2020.). Predviđa se da će se ovaj razvoj nastaviti jer se procjenjuje da će svjetska populacija dostići 9.7 milijardi do 2050.
(2019). Budući da poljoprivreda predstavlja najistaknutiji primjer potrošnje vode u svijetu, očekuje se da će potražnja za hranom i vodom
potrošnja će se dramatično povećati u doglednoj budućnosti. Nadalje, sve veća potrošnja gnojiva i pesticida
zajedno sa intenziviranjem poljoprivrednih aktivnosti moglo bi dovesti do budućih ekoloških izazova. Slično, obradivo zemljište je ograničeno, a
broj farmera u svijetu se smanjuje. Ovi izazovi naglašavaju potrebu za inovativnim i održivim poljoprivrednim rješenjima (Elijah
et al., 2018; Friha i dr., 2021; Inoue, 2020; Tzounis et al., 2017).
Uključivanje novih tehnologija identificirano je kao obećavajuće rješenje za rješavanje ovih izazova. Pametna poljoprivreda (Brewster et al.,
2017; Tang et al., 2021) i precizna poljoprivreda (Feng et al., 2019; Khanna & Kaur, 2019) nastali su kao rezultat takvih rasprava. The
prvi je opšti pojam za usvajanje informaciono komunikacionih tehnologija (IKT) i drugih najsavremenijih inovacija u poljoprivrednim aktivnostima radi povećanja efikasnosti i efikasnosti (Haque et al., 2021). Potonji se fokusira na upravljanje specifičnim za lokaciju u kojem je zemljište podijeljeno na
homogene dijelove, a svaki dio dobiva tačnu količinu poljoprivrednog inputa za optimizaciju prinosa pomoću novih tehnologija (Feng et al., 2019; Khanna & Kaur, 2019). Istaknute tehnologije koje su privukle pažnju naučnika u ovoj oblasti uključuju bežične senzorske mreže (WSN) (J. Zheng & Yang, 2018; Y. Zhou et al., 2016), internet stvari (IoT) (Gill et al., 2017. He et al., 2021.; Liu et al., 2019.);
tehnike umjetne inteligencije (AI), uključujući strojno učenje i duboko učenje (Liakos et al., 2018; Parsaeian et al., 2020; Shadrin et al.,
2019), računarske tehnologije (Hsu et al., 2020; Jinbo et al., 2019; Zamora-Izquierdo et al., 2019), veliki podaci (Gill et al., 2017; Tantalaki
et al., 2019.) i blockchain (PW Khan et al., 2020.; Pincheira et al., 2021.).
Pored gore navedenih tehnologija, daljinska detekcija se smatra tehnološkim alatom s velikim potencijalom za poboljšanje
pametna i precizna poljoprivreda. Sateliti, avioni s ljudskom posadom i dronovi su popularne tehnologije daljinskog otkrivanja (Tsouros et al., 2019.).
Bespilotne letjelice, popularno poznate kao bespilotne letjelice (UAV), sistemi bespilotnih letjelica (UAS) i letjelice s daljinskim upravljanjem, su od
veliki značaj jer imaju višestruke prednosti u odnosu na druge tehnologije daljinskog otkrivanja. Na primjer, dronovi mogu dostaviti
slike visokog kvaliteta i visoke rezolucije u oblačnim danima (Manfreda et al., 2018). Također, njihova dostupnost i brzina prijenosa predstavljaju drugo
koristi (Radoglou-Grammatikis et al., 2020). U poređenju sa avionima, dronovi su veoma isplativi i laki za postavljanje i održavanje (Tsouros et al., 2019). Iako su se u početku uglavnom koristili u vojne svrhe, dronovi mogu koristiti brojnim civilnim aplikacijama, na primjer u upravljanju lancem nabavke (A. Rejeb, Rejeb, et al., 2021a), u humanitarne svrhe (A. Rejeb, Rejeb, et al., 2021c), pametna poljoprivreda, istraživanje i mapiranje, dokumentacija kulturnog nasljeđa, upravljanje katastrofama i očuvanje šuma i divljih životinja (Panday, Pratihast, et al., 2020). U poljoprivredi postoje različite oblasti primjene dronova jer se mogu integrirati s novim tehnologijama, računarskim mogućnostima i ugrađenim senzorima za podršku upravljanja usjevima (npr. mapiranje, praćenje, navodnjavanje, dijagnoza biljaka) (H. Huang et al., 2021.) , smanjenje katastrofa, sistemi ranog upozorenja, očuvanje divljih životinja i šuma da spomenemo samo neke (Negash et al., 2019.). Slično, dronovi bi se mogli koristiti u nekoliko poljoprivrednih aktivnosti, uključujući praćenje usjeva i rasta, procjenu prinosa, procjenu vodenog stresa i otkrivanje korova, štetočina i bolesti (Inoue, 2020; Panday, Pratihast, et al., 2020). Ne samo da se bespilotne letjelice mogu koristiti za praćenje, procjenu i otkrivanje na osnovu njihovih senzornih podataka, već i za precizno navodnjavanje i precizno upravljanje korovima, štetočinama i bolestima. Drugim riječima, dronovi su u stanju da prskaju vodu i pesticide u preciznim količinama na osnovu podataka o okolišu. Prednosti dronova u poljoprivredi su sažete u tabeli 1.
Glavne prednosti dronova u poljoprivredi.
korist | Reference |
Poboljšajte vremensko i prostorno rezolucije senzora | (Gago et al., 2015; Niu et al., 2020; Srivastava et al., 2020) |
Olakšati preciznu poljoprivredu | (L. Deng et al., 2018.; Kalischuk et al., 2019.; Maimaitijiang et al., 2017.) |
Klasifikacija i izviđanje usjeva | (Inoue, 2020; Kalischuk et al., 2019; Lopez-´ Granados et al., 2016; Maimaitijiang et al., 2017; Melville et al., 2019; Moharana & Dutta, 2016.) |
Upotreba đubriva | (L. Deng et al., 2018.; Guan et al., 2019.) |
Praćenje suše | (Fawcett et al., 2020; Panday, Pratihast, et al., 2020; Su et al., 2018.) |
Procjena biomase | (Bendig et al., 2014.) |
Procjena prinosa | (Inoue, 2020; Panday, Shrestha, et al., 2020; Tao et al., 2020) |
Smanjenje katastrofa | (Negash et al., 2019.) |
Očuvanje divljih životinja i šumarstvo | (Negash et al., 2019; Panday, Pratihast, et al., 2020) |
Procjena vodenog stresa | (Inoue, 2020; J. Su, Coombes, et al., 2018; L. Zhang et al., 2019.) |
Štetočine, korov i bolesti otkrivanje | (Gaˇsparović et al., 2020; Inoue, 2020; J. Su, Liu, et al., 2018; X. Zhang et al., 2019.) |
S druge strane, dronovi se suočavaju i s ograničenjima. Uključenost pilota, snaga motora, stabilnost i pouzdanost, kvalitet senzora zbog nosivosti
ograničenja težine, troškovi implementacije i regulacija avijacije su među njima (C. Zhang & Kovacs, 2012). Upoređujemo nedostatke
od tri mobilne tehnologije daljinskog otkrivanja u Tabeli 2. Druge tehnologije daljinskog otkrivanja, kao što su senzori tla, su izvan fokusa ove studije.
Nedostaci raznih mobilnih tehnologija daljinskog otkrivanja.
Daljinsko očitavanje tehnologije | Nedostaci | reference |
Dron (UAV) | Uključivanje pilota; slike' kvalitet (prosječan); troškovi implementacije (prosječni); stabilnost, upravljivost i pouzdanost; standardizacija; snaga motora; ograničena snaga izvori (vek trajanja baterije); ograničeno trajanje leta, sudar i sajber napadi; ograničeno težina tereta; veliki skupovi podataka i ograničenu obradu podataka sposobnosti; nedostatak regulative; nedostatak stručnosti, visoka ulaznost barijere u pristupu poljoprivredni dronovi; | (Bacco et al., 2018; Dawaliby et al., 2020; Hardin & Hardin, 2010; Hardin & Jensen, 2011; Lagkas et al., 2018; Laliberte et al., 2007; Laliberte & Rango, 2011; Manfreda et al., 2018, 2018; Nebiker et al., 2008; Puri et al., 2017; Velusamy i dr., 2022; C. Zhang & Kovacs, 2012) |
satelit | Periodična satelitska pokrivenost, ograničena spektralna rezolucija; ranjivost na probleme vidljivosti (npr. oblaci); Nedostupnost i mala brzina prijenosa; orijentacija i vinjetiranje utiče na skupe prostorne podatke prikupljanje; spora isporuka podataka vrijeme do krajnjih korisnika | (Aboutalebi et al., 2019; Cen et al., 2019; Chen et al., 2019; Nansen & Elliott, 2016; Panday, Pratihast, et al., 2020; Sai Vineeth et al., 2019) |
avion | Visoki troškovi usvajanja; komplikovano postavljanje; troškovi održavanja; nedostupnost pouzdanih avioni, geometrija slike; neredovni podaci akvizicija; nedostatak fleksibilnosti; smrtonosne nesreće; podaci senzora varijacije zbog vibracija; pitanja georeferenciranja | (Armstrong et al., 2011; Atkinson et al., 2018; Barbedo & Koenigkan, 2018; Kovalev i Vorošilova, 2020; Suomalainen et al., 2013; Thamm et al., 2013.) |
Kao multidisciplinarna i višenamjenska tehnologija u poljoprivredi, dronovi su istraženi iz različitih perspektiva. Na primjer, naučnici su ispitali primjene dronova u poljoprivredi (Kulbacki et al., 2018; Mogili & Deepak, 2018), njihov doprinos preciznoj poljoprivredi (Puri et al., 2017; Tsouros et al., 2019), njihovu komplementarnost s drugim vrhunske tehnologije (Al-Thani et al., 2020; Dutta & Mitra, 2021; Nayyar et al., 2020; Saha et al., 2018) i mogućnosti unapređenja njihovih navigacijskih i senzornih sposobnosti (Bareth et al. , 2015. Suomalainen et al., 2014.). Budući da su istraživanja o primjeni dronova u poljoprivredi postala preovlađujuća (Khan et al., 2021.)), postoji potreba da se sumira postojeća literatura i otkrije intelektualna struktura domene. Nadalje, kao visokotehnološko područje sa stalnim poboljšanjima, potrebno je provoditi strukturirane preglede kako bi se periodično sažimala postojeća literatura i identificirali važni nedostaci u istraživanju. To
do danas, postoji nekoliko recenzija koje govore o primjeni dronova u poljoprivrednom sektoru. Na primjer, Mogili i Deepak (2018) ukratko su pregledali implikacije dronova na praćenje usjeva i prskanje pesticidima. Inoue (2020) provodi pregled upotrebe satelita i dronova u daljinskom detektiranju u poljoprivredi. Autor istražuje tehnološke izazove usvajanja pametne poljoprivrede i doprinose satelita i dronova na osnovu studija slučaja i najboljih praksi. Tsouros et al. (2019) sumiraju različite vrste dronova i njihove glavne primjene u poljoprivredi, ističući različite metode prikupljanja i obrade podataka. Nedavno su Aslan et al. (2022) proveo je sveobuhvatan pregled primjene UAV u poljoprivrednim aktivnostima i naglasio važnost istovremene lokalizacije i mapiranja za UAV u stakleniku. Diaz-Gonzalez i dr. (2022) su pregledali nedavne studije proizvodnje prinosa usjeva zasnovane na različitim tehnikama mašinskog učenja i daljinskog
senzorni sistemi. Njihovi nalazi su pokazali da su bespilotne letjelice korisne za procjenu indikatora tla i nadmašuju satelitske sisteme u smislu prostorne rezolucije, temporalnosti informacija i fleksibilnosti. Basiri et al. (2022) napravio je iscrpan pregled različitih pristupa i metoda za prevazilaženje izazova planiranja puta za bespilotne letelice sa više rotora u kontekstu precizne poljoprivrede. Štaviše, Awais et al. (2022) sumirali su primjenu podataka UAV daljinskog otkrivanja u usjevima za procjenu statusa vode i pružili dubinsku sintezu potencijalnih kapaciteta UAV daljinskog istraživanja za primjenu stresa otpada. Konačno, Aquilani et al. (2022) je pregledao previzorne tehnologije uzgoja primijenjenih u stočarskim sistemima na pašnjacima i zaključio da je daljinsko ispitivanje omogućeno bespilotnim letjelicama korisno za procjenu biomase i upravljanje stadom.
Takođe, nedavno su prijavljeni pokušaji upotrebe bespilotnih letelica u praćenju, praćenju i prikupljanju stoke.
Iako ovi pregledi donose nove i važne uvide, u literaturi se ne može naći sveobuhvatan i ažuran pregled zasnovan na bibliometriji, što predstavlja jasan jaz u znanju. Štaviše, navedeno je da kada naučna produkcija raste u naučnom domenu, postaje od vitalnog značaja za istraživače da koriste pristupe kvantitativnog pregleda kako bi shvatili strukturu znanja u domeni (Rivera & Pizam, 2015). Slično, Ferreira et al. (2014) tvrdili su da kako istraživačka polja sazrijevaju i postaju zamršena, naučnici bi trebali povremeno dati smisao generiranom i sakupljenom znanju kako bi otkrili nove doprinose, uhvatili istraživačke tradicije i trendove, identificirali koje se teme proučavaju i zadubili se u strukturu znanja polje i potencijalni pravci istraživanja. Dok su Raparelli i Bajocco (2019.) proveli bibliometrijsku analizu kako bi ispitali domen znanja o primjeni dronova u poljoprivredi i šumarstvu, njihova studija uzima u obzir samo naučna istraživanja objavljena između 1995. i 2017., koja ne odražavaju dinamiku ove oblasti koja se brzo kreće. Nadalje, autori nisu pokušali identificirati najutjecajnije doprinose u ovoj oblasti, grupirati literaturu i ocijeniti intelektualnu strukturu koristeći kocitatnu analizu. Kao rezultat toga, potrebno je sumirati literaturu kako bi se otkrili trenutni fokusi istraživanja, trendovi i žarišta.
Da bismo popunili ovu prazninu u znanju, koristimo kvantitativnu metodologiju i rigorozne bibliometrijske metode kako bismo ispitali trenutno stanje istraživanja na raskrsnici dronova i poljoprivrede. Mi tvrdimo da trenutna studija daje nekoliko doprinosa postojećoj literaturi ispitujući novu tehnologiju koja je veoma potrebna u poljoprivredi jer pruža ogroman potencijal za promjenu nekoliko aspekata u ovom sektoru. Potreba za bibliometrijskom analizom poljoprivrednih dronova se još više osjeća s obzirom na raštrkano i fragmentirano znanje o dronovima u kontekstu poljoprivrede. Slično, potrebno je sistematski grupirati literaturu koja se odnosi na poljoprivredne bespilotne letelice, s obzirom na najutjecajnije studije koje grade temelje ovog istraživačkog područja. Zasluga u analizi uključuje i pojašnjenje glavnih istraživačkih tema zastupljenih u literaturi. Uzimajući u obzir transformacijski potencijal tehnologije, smatramo da dubinska analiza mreže donosi nove uvide određivanjem utjecajnih radova i otkrivanjem tema koje se tiču potencijala dronova za poljoprivredu.
Stoga nastojimo postići sljedeće istraživačke ciljeve:
- Identifikacija uticajnih publikacija sa izuzetnim doprinosom aplikacijama dronova u oblasti poljoprivrede.
- Grupiranje literature, identifikacija istraživačkih fokusa i mapiranje glavnih studija 'intelektualne strukture' zasnovanih na semantičkoj sličnosti korištenjem kocitatne analize.
- Razumijevanje evolucije veza i mreža citiranja tokom vremena među različitim publikacijama u ovoj oblasti i identifikacija budućih pravaca istraživanja i vrućih tema.
Ostatak rada je strukturiran na sljedeći način: dio 2 opisuje metodologiju i korake prikupljanja podataka; dio 3 daje rezultate analiza; a dio 4 razmatra nalaze i zaključuje istraživačkim doprinosima, implikacijama i budućim pravcima.
Metodologija
U ovoj trenutnoj istraživačkoj studiji provodimo bibliometrijsku analizu kako bismo istražili primjenu dronova u poljoprivredi. Ovaj kvantitativni pristup otkriva intelektualnu strukturu domena znanja (Arora & Chakraborty, 2021) i trenutni status, vruće teme i buduće pravce istraživanja koji se mogu istražiti primjenom ove metode (Kapoor et al., 2018; Mishra et al. , 2017. A. Rejeb i dr., 2021. b; Općenito, bibliometrijska analiza ispituje postojeću literaturu kako bi sumirala i otkrila skrivene obrasce pisane komunikacije i evoluciju discipline zasnovane na statistici i matematičkim metodama, a primjenjuje se na velike skupove podataka (Pritchard, 2021; Small, 2020; Tahai & Rigsby , 1969). Koristeći bibliometriju, težimo boljem razumijevanju postojećih paradigmi i istraživačkih fokusa koji doprinose domeni zasnovanoj na sličnosti (Thelwall, 1999). Bibliometrija pruža nove uvide podržane objektivnom kvantitativnom snagom metodologije (Casillas & Acedo, 1998). Brojni naučnici su ranije provodili bibliometrijske studije u srodnim domenima, uključujući poljoprivredu, daljinsko istraživanje i digitalnu transformaciju (Armenta-Medina et al., 2008; Bouzembrak et al., 2007; A. Rejeb, Treiblmaier, et al., 2020; Wamba & Queiroz, 2019.; Wang et al., 2021.);
Analiza citata
Analiza citata otkriva različite uvide u dato polje istraživanja. Prije svega, pomaže da se otkriju najutjecajniji autori i publikacije koji doprinose datom istraživačkom polju i imaju značajan utjecaj (Gundolf & Filser, 2013). Drugo, može se otkriti tok znanja i komunikacijske veze između autora. Konačno, praćenjem veza između citiranih i citiranih radova, može se istražiti promjene i evolucija domena znanja tokom vremena (Pournader
et al., 2020). Visoka citiranost publikacije odražava njenu relevantnost i značajan doprinos domenu istraživanja (Baldi, 1998; Gundolf & Filser, 2013; Marinko, 1998). Analiza citiranosti publikacija takođe pomaže da se identifikuju relevantni radovi i prati njihova popularnost i napredak tokom vremena.
Analiza kocitiranja dokumenata
Analiza kocitata je vrijedna metoda za istraživanje odnosa između publikacija i opisivanje intelektualne strukture polja (Nerur et al., 2008). Drugim riječima, identifikacijom najcitiranijih publikacija i njihovih veza, metoda grupiše publikacije u različite istraživačke klastere pri čemu publikacije u klasteru redovno dijele slične ideje (McCain, 1990; Small, 1973). Ključno je napomenuti da sličnost ne znači da nalazi publikacija jesu
kohezivni i međusobno se slažu; publikacije pripadaju istom klasteru zbog sličnosti tema, ali mogu imati kontradiktorna gledišta.
Prikupljanje i analiza podataka
Slijedeći metodologiju koju su predložili White i Griffith (1981), izvršili smo sveobuhvatnu pretragu članaka u časopisima kako bismo pokrili cjelokupni istraživački domen primjene dronova u poljoprivredi, slijedeći sljedećih pet koraka:
- Prvi korak je bilo prikupljanje podataka. Scopus je izabran kao jedna od najsveobuhvatnijih i najpouzdanijih baza podataka sa standardizovanim rezultatima. Preuzeti su metapodaci publikacija koje se odnose na sve primjene dronova u poljoprivredi. Zatim smo analizirali odabrane članke, uklonivši iz analize članke koji nisu povezani sa temom.
- Analizirali smo literaturu i identifikovali najvažnije ključne reči koje se koriste u oblasti istraživanja.
- Koristeći analizu citata, istražili smo vezu između autora i dokumenata kako bismo otkrili osnovne obrasce citiranja. Takođe smo identifikovali najuticajnije autore i publikacije sa značajnim doprinosom u oblasti poljoprivrednih dronova.
- Proveli smo analizu kocitata kako bismo grupisali slične publikacije u klastere.
- Konačno, analizirali smo veze i veze između zemalja, institucija i časopisa da bismo prikazali mrežu saradnje.
Identifikacija odgovarajućih pojmova za pretraživanje
Primijenili smo sljedeće nizove za pretraživanje za agregaciju podataka: (drone* ILI „bespilotna letjelica“ ILI bespilotna letjelica* ILI „bespilotni avionski sistem” ILI uas ILI „daljinski upravljani avion”) I (poljoprivreda ILI poljoprivreda ILI poljoprivreda ILI poljoprivrednik). Potraga je obavljena u septembru 2021. Dronovi imaju nekoliko oznaka, uključujući UAV, UAS i letjelice s daljinskim upravljanjem (Sah et al., 2021). Specifični pojmovi za pretraživanje koji se odnose na poljoprivredu identificirani su na osnovu studije Abdollahi et al. (2021). Radi jasnoće i transparentnosti, tačan upit koji smo koristili dat je u Dodatku 1. Nakon procesa čišćenja podataka, kreirali smo tekstualnu datoteku koja je naknadno učitana u BibExcel, uobičajeni alat za analizu citiranja i kocitata. Ovaj alat takođe nudi jednostavnu interakciju sa drugim softverom i nudi značajan stepen slobode u rukovanju podacima i analizi. VOSviewer verzija 1.6.16 korišten je za vizualizaciju nalaza i generiranje bibliometrijskih mreža (Eck & Waltman, 2009). VOSviewer nudi niz intuitivne vizualizacije, posebno za analizu bibliometrijskih karata (Geng et al., 2020). Nadalje, pomaže u pružanju jednostavnih vizualnih rezultata koji pomažu u boljem razumijevanju rezultata (Abdollahi et al., 2021). Primjenjujući nizove pretraživanja kako je gore navedeno, prikupili smo i pohranili sve relevantne publikacije. Prvi rezultati pretrage dali su ukupno 5,085 dokumenata. Kako bi se osigurao kvalitet odabranog uzorka, u istraživanju su uzeti u obzir samo recenzirani članci iz časopisa, što je rezultiralo isključenjem drugih vrsta dokumenata, kao što su knjige, poglavlja, zbornik radova i uredničke bilješke. Tokom procesa skrininga, filtrirane su nerelevantne (tj. izvan okvira ovog rada), suvišne (tj. duplikati koji potiču od dvostrukog indeksiranja) i publikacije koje ne govore engleski. Ovaj proces je rezultirao uključivanjem 4,700 dokumenata u konačnu analizu.
Nalazi i diskusija
Za početak, analizirali smo razvoj publikacije u trenutnoj literaturi o poljoprivrednim bespilotnim letjelicama. Vremenska distribucija naučnih istraživanja prikazana je na slici 1. Vidimo brzi porast publikacija od 2011. godine (30 publikacija) nadalje; stoga smo odlučili da period analize podijelimo u dvije različite faze. Period između 1990. i 2010. godine nazivamo fazom izgradnje, koja je imala otprilike sedam radova objavljenih godišnje. Period nakon 2010. nazvan je fazom rasta jer su istraživanja o primjeni dronova u poljoprivredi svjedočila eksponencijalnom porastu tokom ovog perioda. Nakon 2010. godine, sve veći broj publikacija potvrđuje rastući interes među istraživačima, što također odražava da su dronovi primijenjeni na daljinsko istraživanje i korišteni u preciznoj poljoprivredi (Deng et al., 2018; Maes & Steppe, 2019; Messina & Modica, 2020 ). Konkretno, broj publikacija je porastao sa 108 u 2013. na 498 u 2018. i dostigao vrhunac na 1,275 u 2020. Ukupno 935 članaka objavljeno je između januara i sredine septembra 2021. Nakon toga smo odlučili da svoju analizu više fokusiramo na fazu rasta budući da ovaj period odražava najnovije i važne suptilnosti poljoprivrednih dronova.
Analiza ključnih riječi
Ključne riječi koje autori biraju za publikaciju imaju presudan utjecaj na to kako je rad predstavljen i kako se komunicira u naučnim zajednicama. Oni identifikuju ključne subjekte istraživanja i određuju njegov potencijal da procvjeta ili ne uspije (Day & Gastel, 1998.; Kim et al., 2016.; Uddin et al., 2015.). Analiza ključnih riječi, alat za otkrivanje širih istraživačkih trendova i pravaca, odnosi se na kompilaciju ključnih riječi svih povezanih publikacija u domeni (Dixit & Jakhar, 2021). U trenutnoj studiji, podijelili smo agregirane ključne riječi u dva skupa (tj. do 2010. i 2011.–2021.) kako bismo istražili najpopularnije teme. Na taj način možemo pratiti ključne ključne riječi u oba skupa i osigurati da smo prikupili sve potrebne podatke. Za svaki skup, deset najboljih ključnih riječi predstavljeno je u Tabeli 3. Nedosljednosti smo eliminirali spajanjem semantički identičnih ključnih riječi, kao što su „drone“ i „dronovi“ ili, slično, „Internet of Things“ i „IoT.“.
Tabela 3 pokazuje da je „bespilotna letjelica“ češće korištena ključna riječ u odnosu na „drone“ i „bespilotne letjelice“ u oba vremenska perioda. Takođe, „daljinska detekcija“, „precizna poljoprivreda“ i „poljoprivreda“ su visoko rangirani u oba perioda. U prvom periodu „precizna poljoprivreda“ je bila na petom mestu, a na drugom mestu u drugom periodu, što ilustruje kako bespilotne letelice postaju sve važnije u postizanju precizne poljoprivrede jer mogu da vrše monitoring,
praksa detekcije i procjene je brža, jeftinija i lakša za izvođenje u poređenju sa drugim sistemima za daljinsko otkrivanje i zemaljskim sistemima. Takođe, oni mogu prskati preciznu količinu inputa (npr. vode ili pesticida) kada je to potrebno (Guo et al., 2020; Inoue, 2020; Panday, Pratihast, et al., 2020).
Spisak najčešće korišćenih ključnih reči.
rang | 1990-2010 | Br pojave | 2011-2021 | Br pojave |
1 | bespilotna letelica vozilo | 28 | bez posade letjelica | 1628 |
2 | daljinsko očitavanje | 7 | preciznost poljoprivreda | 489 |
3 | poljoprivreda | 4 | daljinsko očitavanje | 399 |
4 | u vazduhu | 4 | trut | 374 |
5 | preciznost poljoprivreda | 4 | bez posade vazdušni sistem | 271 |
6 | bespilotna letelica | 4 | poljoprivreda | 177 |
7 | hiperspektralna senzor | 3 | duboko učenje | 151 |
8 | veštački neuralni Mreže | 2 | mašina učenje | 149 |
9 | autonomni let | 2 | vegetacija indeks | 142 |
10 | kafa | 2 | Internet of stvari | 124 |
Još jedna zanimljiva karakteristika je prisustvo komplementarnih tehnologija. U prvoj fazi, „Hyperspektralni senzor” i „umjetne neuronske mreže” (ANN) su među prvih deset ključnih riječi. Hiperspektralna slika revolucionirala je tradicionalno snimanje prikupljanjem ogromnog broja slika na različitim talasnim dužinama. Čineći to, senzori mogu istovremeno prikupiti bolje prostorne i spektralne informacije u odnosu na multispektralnu sliku, spektroskopiju i RGB slike (Adao ˜ et al.,
2017). Pojava “ANN” u prvoj fazi i “dubokog učenja” (DL) i “mašinskog učenja” (ML) u drugoj implicira da se većina objavljenih radova fokusirala na ispitivanje potencijala AI tehnika za dronove. bazirana poljoprivreda. Iako su bespilotne letelice sposobne da lete autonomno, ipak zahtevaju učešće pilota, što implicira nizak nivo inteligencije uređaja. Međutim, ovaj problem se može riješiti zahvaljujući napretku AI tehnika, koje mogu pružiti bolju svijest o situaciji i autonomnu podršku pri odlučivanju. Opremljeni umjetnom inteligencijom, bespilotne letjelice mogu izbjeći sudare tokom navigacije, poboljšati upravljanje tlom i usjevima (Inoue, 2020) i smanjiti rad i stres za ljudska bića (BK Sharma et al., 2019).
Zbog svoje fleksibilnosti i sposobnosti da rukuju ogromnim količinama nelinearnih podataka, AI tehnike su prikladne metode za analizu podataka koje prenose dronovi i drugi sistemi za daljinsko otkrivanje i zemaljski sistemi za predviđanje i donošenje odluka (Ali et al., 2015; Inoue, 2020.). Nadalje, prisustvo “IoT-a” u drugom periodu ukazuje na njegovu sve veću ulogu u poljoprivredi. IoT revolucionira poljoprivredu povezujući druge tehnologije, uključujući dronove, ML, DL, WSN-ove i velike podatke. Jedna od ključnih prednosti implementacije IoT-a je njegova sposobnost efikasnog i efektivnog spajanja različitih zadataka (prikupljanje podataka, analiza i obrada podataka, donošenje odluka i implementacija) u skoro realnom vremenu (Elijah et al., 2018; Feng et al. , 2019. Muangprathub et al., 2019.). Nadalje, dronovi se smatraju efikasnim alatima za prikupljanje podataka potrebnih za izračunavanje vitalnosti vegetacije i svojstava vegetacije (Candiago et al., 2015). Sl. 2a i 2b ilustruju mreže zajedničkog pojavljivanja ključnih riječi za oba vremenska perioda.
Uticajni autori
U ovom dijelu određujemo utjecajne autore i ispitujemo kako mreže citiranja autora mogu vizualizirati i organizirati trenutnu literaturu. Slika 3 prikazuje hronološki pregled svih istraživača sa najvećim brojem citata. Skala boja odražava godišnje varijacije citata autora. Ispitujemo citiranu strukturu istraživača koji su objavili studije o poljoprivrednim dronovima koristeći prag od minimalno 50 citata i deset publikacija. Out of
12,891 autora, samo 115 ispunjava ovaj uslov. Tabela 4 navodi deset najuticajnijih autora, sortiranih prema maksimalnom broju citata. Lopez-Granados F. predvodi listu sa 1,963 citata, a prati ga Zarco-Tejada PJ sa 1,909 citata.
Spisak najcitiranijih autora.
Poredak | autor | citati |
1 | Lopez-Granados ´ F. | 1,963 |
2 | Zarco-Tejada PJ | 1,909 |
3 | Pena ˜ JM | 1,644 |
4 | Torres-S´ anchez J. | 1,576 |
5 | Fereres E | 1,339 |
6 | Remondino F | 1,235 |
7 | Bolten A | 1,160 |
8 | Bareth G | 1,155 |
9 | Berni JA | 1,132 |
10 | de Castro AI | 1,036 |
Kada su u pitanju pojedinačne publikacije, članak Zhanga i Kovacsa (2012) je najcitiranija studija objavljena u Precision Agriculture. Autori su ovdje razmatrali primjenu UAS-a u preciznoj poljoprivredi. Nalazi njihovog istraživanja sugeriraju da postoji potreba za unapređenjem dizajna platforme, proizvodnje, standardizacije georeferenciranja slika i procesa rada za pronalaženje informacija kako bi se poljoprivrednicima pružili pouzdani krajnji proizvodi. Osim toga, oni preporučuju jače angažovanje farmera, posebno u planiranju polja, snimanju slike, kao i tumačenju i analizi podataka. Važno je da je ova studija među prvima pokazala važnost UAV-a u mapiranju polja, mapiranju vitalnosti, mjerenju hemijskog sadržaja, praćenju stresa vegetacije i procjeni uticaja gnojiva na rast biljaka. Izazovi vezani za tehnologiju takođe uključuju previsoke troškove, sposobnost senzora, stabilnost i pouzdanost platforme, nedostatak standardizacije i dosledne procedure za analizu ogromnih količina podataka.
Analiza citata
Analiza citiranosti predstavlja proučavanje uticaja članaka, iako sklonih tokovima (npr. pristranost citiranja, samocitiranje) smatra se jednim od standardnih instrumenata za evaluaciju uticaja (Osareh, 1996; A. Rejeb et al., 2022; Sarli et al., 2010). Citati također odražavaju važnost i vitalnost doprinosa radova literaturi o određenoj temi (R. Sharma et al., 2022). Proveli smo analizu citiranosti kako bismo odredili najutjecajnije studije o poljoprivrednim dronovima i sumirali sadržaj. Tabela 5 predstavlja listu petnaest najuticajnijih radova za periode 1990–2010 i 2011–2021. Članci Bernija i dr. (2009)b i Austin (2010) bili su najcitiraniji tokom 1990. i 2010. godine, sa 831 i 498 citata, respektivno. Berni et al. (2009)b je ilustrovao potencijal za razvoj kvantitativnih proizvoda daljinskog senzora putem UAV baziranog na helikopteru opremljenog pristupačnim termalnim i uskopojasnim multispektralnim senzorima za snimanje. U poređenju sa tradicionalnim senzorima u vazduhu sa ljudskom posadom, jeftini UAV sistem za poljoprivredu je u stanju da postigne uporedive procene biofizičkih parametara useva, ako ne i bolje. Pristupačna cijena i operativna fleksibilnost, uz visoke spektralne, prostorne i vremenske rezolucije dostupne u brzom vremenu, čine UAV pogodne za niz aplikacija koje zahtijevaju upravljanje kritičnim vremenom, uključujući zakazivanje navodnjavanja i preciznu poljoprivredu. Rad Bernija et al. (2009)b je visoko citiran jer je efikasno integrisao bespilotnu platformu sa rotacionim krilima i digitalne i termalne senzore sa neophodnim mehanizmima kalibracije za poljoprivredne primene. Druga najcitiranija publikacija je knjiga autora Austina (2010), koji je razmatrao bespilotne letjelice iz perspektive dizajna, razvoja i implementacije. U poljoprivredi, bespilotne letjelice podržavaju praćenje usjeva tako što rano otkrivaju bolesti kroz promjenu boje usjeva, olakšavaju sjetvu usjeva i prskanje, te nadgledaju i tjeraju stada.
Studije Sullivana et al. (2007), Lumme et al. (2008), i Gokto ¨ ǧan et al. (2010) završavaju listu prvih petnaest najcitiranijih članaka. Ovi članci ilustruju razvoj sistema zasnovanih na UAV za podršku poljoprivredi. Oni nude rješenja za različite probleme, kao što su praćenje i skeniranje usjeva, nadzor i upravljanje korovom, te podrška odlučivanju. Oni također predlažu i raspravljaju o sposobnosti UAV-a da poveća efikasnost uzorkovanja i pomogne farmerima da osmisle tačne i učinkovite
strategije sadnje. Berni je napisao dva rada (Berni et al., 2009b; Berni et al., 2009a), naglašavajući njegov značajan uticaj na istraživanja vezana za poljoprivredna dronova. Rad Zarco-Tejada et al. (2014) bio je među pionirskim studijama koje su ilustrovale potrebu za korištenjem jeftinih UAV slika u kvantificiranju visine stabala.
Lista najcitiranijih publikacija.
rang | Od 1990 do 2010 | Od 2011 do 2021 | ||
dokument | Citation | dokument | Citation | |
1 | (Berni et al., 2009b) | 831 | (C. Zhang & Kovacs, 2012) | 967 |
2 | (Ostin, 2010.) | 498 | (Nex & Remondino, 2014) | 893 |
3 | (Hunt et al., 2010.) | 331 | (Floreano & Wood, 2015) | 552 |
4 | (SR Herwitz et al., 2004) | 285 | (Hossein Motlagh et al., 2016) | 391 |
5 | (CCD Lelong et al., 2008) | 272 | (Shakhatreh et al., 2019) | 383 |
6 | (Berni et al., 2009b) | 250 | (Ma et al., 2017.) | 373 |
7 | (Grenzdorfer ¨ et al., 2008) | 198 | (Bendig et al., 2014.) | 360 |
8 | (Hrabar i dr., 2005.) | 175 | (Zarco-Tejada et al., 2014) | 347 |
9 | (Y. Huang et al., 2009.) | 129 | (Ad˜ ao et al., 2017.) | 335 |
10 | (Schmale III et al., 2008) | 119 | (Honkavaara et al., 2013a) | 331 |
11 | (Abd-Elrahman et al., 2005) | 79 | (Candiago et al., 2015.) | 327 |
12 | (Techy et al., 2010.) | 69 | (Xiang & Tian, 2011.) | 307 |
13 | (Sullivan et al., 2007.) | 51 | (Matese et al., 2015.) | 303 |
14 | (Lumme et al., 2008.) | 42 | (Gago et al., 2015.) | 275 |
15 | (Gokto ¨ ǧan et al., 2010.) | 40 | (Aasen et al., 2015a) | 269 |
U drugom periodu (2011–2021), istraživanje Zhanga i Kovacsa (2012) i Nexa i Remondina (2014) rezultiralo je najčešće citiranim publikacijama. Zhang i Kovacs (2012) tvrde da bi precizna poljoprivreda mogla imati koristi od implementacije geoprostornih tehnika i senzora, kao što su geografski informacioni sistemi, GPS i daljinska detekcija, kako bi se uhvatile varijacije na terenu i upravljale njima korištenjem alternativnih strategija. Kao preokret u preciznoj poljoprivredi, usvajanje dronova najavilo je novo doba u daljinskom otkrivanju, pojednostavljujući posmatranje iz zraka, prikupljanje podataka o rastu usjeva, stanju tla i površinama za prskanje. Pregled Zhang i Kovacs (2012) je ključan jer nudi uvid u bespilotne letjelice otkrivajući postojeće upotrebe i izazove ovih uređaja u praćenju životne sredine i preciznoj poljoprivredi, kao što su ograničenja platforme i kamere, izazovi obrade podataka, angažman poljoprivrednika i propisi o avijaciji. . Drugi
najcitiranija studija Nex-a i Remondina (2014.) pregledala je stanje tehnike bespilotnih letjelica za snimanje, obradu i analizu slika Zemlje.
Njihov rad je također predstavio pregled nekoliko UAV platformi, aplikacija i slučajeva korištenja, prikazujući najnovija dostignuća u obradi UAV slika. U poljoprivredi, poljoprivrednici bi mogli koristiti bespilotnu letjelicu za donošenje efikasnih odluka kako bi postigli uštedu u troškovima i vremenu, dobili brzu i preciznu evidenciju šteta i predvidjeli moguće probleme. Za razliku od konvencionalnih vazdušnih platformi, bespilotne letjelice mogu smanjiti operativne troškove i smanjiti opasnost od pristupa na surovim lokacijama, a da pritom očuvaju potencijal visoke preciznosti. Njihov rad sažima različite prednosti bespilotnih letelica, posebno u pogledu tačnosti i rezolucije.
Među preostalih trinaest najcitiranijih publikacija između 2011. i 2021. primijetili smo veću koncentraciju na istraživanja vezana za primjenu dronova u misijama snimanja (Bendig et al., 2014.; Ma et al., 2017.; Zarco-Tejada et al., 2014.) , precizna poljoprivreda (Candiago et al., 2015; Honkavaara et al., 2013a), precizno vinogradarstvo (Matese et al., 2015), procjena vodenog stresa (Gago et al., 2015) i monitoring vegetacije (Aasen et al. , 2015a). U ranim godinama istraživači su se fokusirali
više o razvoju jeftinih, laganih i preciznih sistema zasnovanih na UAV za poljoprivredu; novija istraživanja su se više fokusirala na preglede aplikacija UAV za poljoprivredu i terenska istraživanja. Ukratko, ova analiza otkriva da su uticajne publikacije uglavnom davale preglede prethodnih studija za procenu trenutnog naučnog i tehnološkog statusa bespilotnih letelica i razvijene UAV sisteme za podršku preciznoj poljoprivredi. Zanimljivo je da nismo pronašli studije koje su koristile empirijski
metodologije ili deskriptivne studije slučaja, što predstavlja značajan jaz u znanju i zahtijeva više istraživanja na ovu temu.
Analiza kocitata
Prema Gmüru (2006), analiza kocitata identificira slične publikacije i grupiše ih. Pažljivo ispitivanje klastera može otkriti zajedničko polje istraživanja među publikacijama. Istražujemo kocitiranje literature koja se odnosi na poljoprivredne dronove kako bismo ilustrirali srodna tematska područja i otkrili intelektualne obrasce publikacija. S tim u vezi, Small (1973) je preporučio korištenje kocitacijske analize za proučavanje najutjecajnijih i najznačajnijih istraživanja.
unutar discipline. Kako bismo ograničili skup na najprepoznatljivije članke (Goyal & Kumar, 2021), postavili smo prag kocitiranja od 25, što znači da su dva članka morala biti citirana zajedno u referentnim listama od 25 ili više različitih publikacija. Grupiranje je također provedeno s minimalnom veličinom klastera 1 i bez ikakve metode spajanja manjih klastera s većim. Kao rezultat, generisano je šest klastera na osnovu sličnosti studija i njihove intelektualne strukture. Tabela 6 prikazuje distribuciju publikacija u svakom klasteru.
Klaster 1: Ovaj klaster sadrži osamnaest dokumenata objavljenih nakon Publikacije u ovom klasteru govore o ulozi dronova u podršci praćenju životne sredine, upravljanju usevima i upravljanju korovom. Na primjer, Manfreda et al. (2018) daju pregled trenutnih istraživanja i implementacije UAV-a u praćenju prirodnog poljoprivrednog ekosistema i tvrde da tehnologija nudi ogroman potencijal za drastično poboljšanje praćenja životne sredine i smanjenje
postojeći jaz između terenskog osmatranja i konvencionalnog daljinskog otkrivanja iz zraka i svemira. To se može postići nuđenjem novih kapaciteta za poboljšano vremensko pronalaženje i prostorni uvid u velika područja na pristupačan način. Bespilotne letjelice mogu stalno osjetiti okolinu i slati rezultirajuće podatke inteligentnim, centraliziranim/decentraliziranim entitetima koji kontroliraju senzore kako bi identificirali eventualne probleme, kao što je nedostatak bolesti ili detekcija vode (Padua ´ et al., 2017.). Adao ˜ et al. (2017) smatraju da su bespilotne letjelice idealne za procjenu stanja biljaka hvatanjem ogromne količine sirovih podataka koji se odnose na status vode, procjenu biomase i procjenu snage. Senzori postavljeni na bespilotnu letjelicu također bi mogli biti odmah postavljeni u odgovarajućim uvjetima okoline kako bi se omogućilo pravovremeno hvatanje podataka daljinskog otkrivanja (Von Bueren et al., 2015.). Uz pomoć bespilotnih letjelica, poljoprivrednici su u mogućnosti da obavljaju poljoprivredne aktivnosti u zatvorenom prostoru prikupljanjem mjerenja s praktično bilo kojeg mjesta u trodimenzionalnom prostoru zatvorenog poljoprivrednog okruženja (npr. staklenici), čime se osigurava lokalna kontrola klime i praćenje biljaka (Roldan ´ et al. ., 2015.). U kontekstu preciznosti
u poljoprivredi, odluke o upravljanju usjevima zahtijevaju tačne, pouzdane podatke o usjevima s odgovarajućom vremenskom i prostornom rezolucijom (Gebbers & Adamchuk, 2010; Gevaert et al., 2015; Maes & Steppe, 2019). Iz tog razloga, Agüera Vega et al. (2015) koristili su multispektralni senzorski sistem montiran na UAV za dobijanje slika useva suncokreta tokom vegetacije. Slično, Huang et al. (2009) napominju da bi daljinsko istraživanje zasnovano na UAV-ovima moglo olakšati mjerenje usjeva i tla iz prikupljenih spektralnih podataka. Verger et al. (2014) razvio je i testirao tehniku za procjenu indeksa zelenih površina (GAI) iz mjerenja refleksije UAV u primjenama u preciznoj poljoprivredi, fokusirajući se na usjeve pšenice i uljane repice. Stoga, bespilotne letjelice pružaju nove mogućnosti za pronalaženje informacija o stanju usjeva uz česte ponovne posjete i visoku prostornu rezoluciju (Dong et al., 2019; Garzonio et al., 2017; H. Zheng et al., 2016).
Grupisanje uticajnih publikacija o poljoprivrednim bespilotnim letelicama.
jato | Široka tema | reference |
1 | Monitoring životne sredine, usev upravljanje, upravljanje korovom | (Ad˜ ao et al., 2017; Agüera Vega et al., 2015; de Castro et al., 2018; Gomez-Cand ´ on ´ et al., 2014; YB Huang et al., 2013; Khanal et al., 2017; Lopez-Granados, ´ 2011; Manfreda et al., 2018; P´ adua et al., 2017; Pena ˜ et al., 2013; P´erez-Ortiz et al., 2015; Rasmussen et al., 2013, 2016; Torres-S´ anchez et al., 2014; Torres-Sanchez, ´ Lopez-Granados, ´ & Pena, ˜ 2015; Verger et al., 2014; Von Bueren et al., 2015; C. Zhang & Kovač, 2012) |
2 | Fenotipizacija na daljinu, prinos procjena, model površine usjeva, brojanje biljaka | (Bendig et al., 2013, 2014; Geipel et al., 2014; Gnadinger ¨ & Schmidhalter, 2017; Haghighattalab et al., 2016; Holman et al., 2016; Jin et al., 2017; W. Li et al., 2016; Maimaitijiang et al., 2017; Sankaran et al., 2015; Schirrmann et al., 2016; Shi et al., 2016; Yue et al., 2017; X. Zhou et al., 2017.) |
3 | Termička slika za vodu, multispektralno snimanje | (Baluja et al., 2012; Berni et al., 2009b; Berni et al., 2009a; Candiago et al., 2015; Gago et al., 2015; Gonzalez-Dugo et al., 2013, 2014; Grenzdorffer ¨ et al., 2008; Khaliq et al., 2019; Matese et al., 2015; Ribeiro-Gomes et al., 2017; Santesteban et al., 2017; Uto i dr., 2013) |
4 | Hipersektralna slika, spektralna imaging | (Aasen et al., 2015a; Bareth et al., 2015; Hakala et al., 2013; Honkavaara et al., 2013a; Lucieer et al., 2014; Saari et al., 2011; Suomalainen et al., 2014.) |
5 | Aplikacije za 3D mapiranje | (Jim´enez-Brenes et al., 2017; Nex & Remondino, 2014; Salamí i dr., 2014; Torres-S´ anchez, Lopez- ´ Granados, Serrano, et al., 2015; Zahawi et al., 2015; Zarco-Tejada et al., 2014) |
6 | Poljoprivredni nadzor | (SR Herwitz et al., 2004; Hunt et al., 2010; CCD Lelong et al., 2008; Primicerio et al., 2012; Xiang & Tian, 2011) |
Nadalje, dronovi su korisni za izazovne zadatke u poljoprivredi, uključujući mapiranje korova. Slike koje su snimili uređaji su dokazale svoju korisnost za rano otkrivanje korova na poljima (de Castro et al., 2018; Jim´enez-Brenes et al., 2017; Lam et al., 2021; Lopez-Granados ´ et al., 2016. Rozenberg et al., 2021.). S tim u vezi, de Castro et al. (2018) smatraju da je spajanje UAV snimaka i Object-Based Image Analysis (OBIA) omogućilo praktičarima da prevladaju problem automatizacije ranog otkrivanja u ranoj sezoni travnjaka, što je veliki korak naprijed u istraživanju korova. Isto tako, Pena ˜ et al. (2013) ističu da korištenje slika ultra-visoke prostorne rezolucije s UAV-a u kombinaciji s OBIA procedurom omogućava generiranje karata korova u ranim usjevima kukuruza koje bi se mogle koristiti u planiranju provedbe mjera kontrole korova u sezoni, zadatak izvan mogućnosti satelitskih i tradicionalnih snimaka iz zraka. U poređenju sa klasifikacijom slika ili algoritmima za detekciju objekata, tehnike semantičke segmentacije su efikasnije u zadacima mapiranja korova (J. Deng et al., 2020), čime se poljoprivrednicima omogućava da otkriju uslove u polju, ublaže gubitke i poboljšaju prinose tokom vegetacije (Ramesh et al., 2020). Semantička segmentacija zasnovana na dubokom učenju takođe može obezbediti precizno merenje vegetacionog pokrivača sa snimaka iz vazduha visoke rezolucije (Ramesh et al., 2020; A. Zheng et al., 2022). Uprkos njihovom potencijalu za daljinsko upravljanje
Senzirujući klasifikaciju piksela, tehnike semantičke segmentacije zahtijevaju značajno izračunavanje i previsoku GPU memoriju (J. Deng et al., 2020).
Na osnovu mašinskog učenja i UAV-a, P´erez-Ortiz et al. (2015) su predložili pristup mapiranja korova kako bi se obezbijedile strategije kontrole korova specifične za lokaciju kada farmeri usvoje kontrolu korova u ranoj fazi nakon nicanja. Konačno, Rasmussen et al. (2013) naglašavaju da bespilotne letjelice pružaju jeftino otkrivanje uz veliku fleksibilnost prostorne rezolucije. Sve u svemu, publikacije u ovom klasteru se fokusiraju na istraživanje potencijala bespilotnih letjelica da podrže daljinsko otkrivanje, praćenje usjeva i mapiranje korova. Potrebno je dodatno dubinsko istraživanje kako bi se dalje istražilo kako primjene dronova u praćenju okoliša, upravljanju usjevima i mapiranju korova mogu postići održiviju poljoprivredu (Chamuah & Singh, 2019; Islam et al., 2021; Popescu et al., 2020; J Su, Liu, et al., 2018) i bave se pitanjima upravljanja ovom tehnologijom u aplikacijama osiguranja usjeva (Basnet & Bang, 2018; Chamuah & Singh, 2019, 2022; Meinen & Robinson, 2021). Istraživači bi se trebali koncentrirati na validaciju mjerenja prikupljenih UAV-om uz efikasne tehnike obrade kako bi poboljšali krajnji kvalitet obrađenih podataka (Manfreda et al., 2018). Nadalje, potreban je razvoj odgovarajućih algoritama koji prepoznaju piksele koji prikazuju korov na digitalnim slikama i eliminišu nevažnu pozadinu tokom UAV mapiranja korova (Gaˇsparovi´c et al., 2020; Hamylton et al., 2020; H. Huang et al. , 2018., 2020. Lopez-´ Granados et al., 2016.); Dodatna istraživanja o usvajanju tehnika semantičke segmentacije u prepoznavanju biljaka, klasifikaciji listova i mapiranju bolesti su dobrodošla (Fuentes-Pacheco et al., 2019; Kerkech et al., 2020).
Klaster 2. Publikacije u ovom klasteru fokusirale su se na nekoliko aspekata poljoprivrednih dronova. Vezano za udaljenu fenotipizaciju, Sankaran et al. (2015) pregledali su potencijal korištenja snimanja iz zraka visoke rezolucije na malim visinama s bespilotnim letjelicama za brzu fenotipizaciju usjeva na polju, i tvrde da, u poređenju sa platformama za senzore na zemlji, mali bespilotari s adekvatnim senzorima nude nekoliko prednosti , kao što su lakši pristup terenu, podaci visoke rezolucije, efikasno prikupljanje podataka,
brze procjene uslova rasta polja i niske operativne troškove. Međutim, autori također primjećuju da se efikasna primjena UAV-a za fenotipizaciju terena oslanja na dva osnovna elementa, a to su karakteristike UAV-a (npr. sigurnost, stabilnost, pozicioniranje, autonomija) i karakteristike senzora (npr. rezolucija, težina, spektralne talasne dužine, polje pogleda). Haghighattalab et al. (2016) predložili su poluautomatizirani cevovod za obradu slike za dohvat podataka na nivou parcele iz UAV snimaka i ubrzanje procesa razmnožavanja. Holman et al. (2016) razvio visok
propusni sistem fenotipizacije na terenu i naglasio da je UAV u stanju da prikupi kvalitetne, obimne fenotipske podatke zasnovane na terenu, te da je uređaj efikasan za velika područja i na različitim terenskim lokacijama.
Kako je procjena prinosa nevjerojatno vitalna informacija, posebno kada je dostupna na vrijeme, postoji potencijal za bespilotne letjelice da pruže sva mjerenja na terenu i efikasno pribave visokokvalitetne podatke (Daakir et al., 2017; Demir et al., 2018 Enciso i sur., 2019., Pudelko i sur.; U tom smislu, Jin et al. (2018) iskoristili su slike visoke rezolucije dobijene od bespilotnih letjelica na vrlo malim visinama da razviju i procijene metodu za procjenu gustine biljaka pšenice u fazi nicanja. Prema autorima, bespilotne letjelice prevazilaze ograničenja sistema rovera opremljenih kamerama i predstavljaju neinvazivnu metodu za procjenu gustine biljaka u usjevima, omogućavajući poljoprivrednicima da postignu visoku propusnost neophodnu za fenotipizaciju polja neovisno o prohodnosti tla. Li et al. (2012) prikupili su stotine stereo snimaka sa izuzetno visokom rezolucijom koristeći sistem baziran na UAV za procjenu parametara kukuruza, uključujući visinu krošnje i nadzemnu biomasu. Konačno, Yue et al. (2017) otkrili su da visina usjeva određena iz UAV-a može poboljšati procjenu nadzemne biomase (AGB).
Pristup praćenju rasta usjeva je ideja razvoja modela površine usjeva (Bendig et al., 2014, 2015; Holman et al., 2016; Panday, Shrestha, et al., 2020; Sumesh et al., 2021). Nekoliko studija je naglasilo izvodljivost slika snimljenih iz UAV-a za snimanje visine biljaka i praćenje njihovog rasta. Na primjer, Bendig et al. (2013) opisali su razvoj multi-temporalnih modela površine usjeva s vrlo visokom rezolucijom manjom od 0.05 m pomoću UAV. Cilj im je bio da otkriju usjeve
varijabilnost rasta i njena zavisnost od tretmana usjeva, sorte i stresa. Bendig et al. (2014) koristili su bespilotne letjelice za procjenu svježe i suhe biomase na osnovu visine biljke izvađene iz modela površine usjeva i otkrili da, za razliku od vazdušnih platformi i zemaljskog laserskog skeniranja, slike visoke rezolucije s bespilotnih letjelica mogu značajno povećati preciznost modeliranja visine biljaka za različit rast faze. Na isti način, Geipel et al. (2014) koristili su bespilotne letjelice u svojim istraživanjima za dobijanje slika
skupova podataka za predviđanje prinosa zrna kukuruza u tri različite faze rasta od rane do sredine sezone i zaključili da je kombinacija spektralnog i prostornog modeliranja zasnovanog na zračnim slikama i modelima površine usjeva prikladna metoda za predviđanje prinosa kukuruza u sredini sezone. Konačno, Gnadinger ¨ i Schmidhalter (2017) ispitali su korisnost UAV-a u preciznom fenotipiziranju i naglasili da bi korištenje ove tehnologije moglo poboljšati upravljanje farmama i omogućiti eksperimentiranje na terenu u uzgojne i agronomske svrhe. Sve u svemu, primjećujemo da se publikacije u grupi 2 fokusiraju na glavne prednosti bespilotnih letjelica u udaljenim
fenotipizacija, procjena prinosa, modeliranje površine usjeva i brojanje biljaka. Buduće studije mogu kopati dublje razvojem novih metoda za daljinsko fenotipiziranje koje mogu automatizirati i optimizirati obradu podataka s daljinskog senzora (Barabaschi et al., 2016; Liebisch et al., 2015; Mochida et al., 2015; S. Zhou et al. ., 2021.). Osim toga, performanse IoT senzora postavljenih na UAV-ove i kompromis između njihovih troškova, rada i preciznosti procjene prinosa treba istražiti u
budućnost (Ju & Son, 2018a, 2018b; Xie & Yang, 2020; Yue et al., 2018). Konačno, postoji potreba da se razviju efikasne metode obrade slike koje mogu generisati pouzdane informacije, maksimizirati efikasnost u poljoprivrednoj proizvodnji i minimizirati ručno prebrojavanje poljoprivrednika (RU Khan et al., 2021; Koh et al., 2021; Lin & Guo, 2020. C. Zhang i dr., 2020.);
Klaster 3. Publikacije u ovom klasteru govore o različitim tipovima sistema za snimanje za daljinsko ispitivanje poljoprivrednih resursa koji se koriste na UAV platformama. U tom smislu, termalno snimanje omogućava praćenje površinskih temperatura kako bi se spriječilo oštećenje usjeva i rano otkrio stres od suše (Awais et al., 2022; García-Tejero et al., 2018; Sankaran et al., 2015; Santesteban et al., 2017; Yeom, 2021). Baluja i dr. (2012) tvrdi da je upotreba multispektralnih i termalnih kamera na brodu
UAV je omogućio istraživačima da dobiju slike visoke rezolucije i procijene status vode vinove loze. Ovo bi moglo biti korisno za razvoj novih modela raspoređivanja vode koristeći podatke daljinskog istraživanja (Baluja et al., 2012). Zbog
ograničena nosivost UAV-ova, Ribeiro-Gomes et al. (2017) razmatraju integraciju nehlađenih termalnih kamera u bespilotnu letjelicu kako bi se odredio stres vode u postrojenjima, što ovu vrstu bespilotnih letjelica čini efikasnijim i održivijim od tradicionalnih satelitskih daljinskih senzora i bespilotnih letjelica opremljenih hlađenim termalnim kamerama. Prema autorima, nehlađene termalne kamere su lakše od hlađenih kamera i zahtijevaju odgovarajuću kalibraciju. Gonzalez-Dugo i dr. (2014) su pokazali da termalna slika efektivno generiše prostorne mape indeksa vodenog stresa usjeva za procjenu statusa vode i kvantifikaciju vodenog stresa među i unutar voćnjaka citrusa. Gonzalez-Dugo i dr. (2013) i Santesteban et al. (2017) istraživali su korištenje UAV termalnih snimaka visoke rezolucije za procjenu varijabilnosti statusa vode u komercijalnom voćnjaku i vinogradu.
Multispektralno snimanje moglo bi pružiti ogromne podatke u poređenju sa tradicionalnim RGB (crvena, zelena i plava) slikama (Ad˜ ao et al., 2017; Navia et al., 2016). Ovi spektralni podaci, zajedno sa prostornim podacima, mogu pomoći u klasifikaciji, mapiranju, predviđanju, predviđanju i otkrivanju (Berni et al., 2009b). Prema Candiago et al. (2015), multispektralno snimanje zasnovano na UAV moglo bi u velikoj meri doprineti proceni useva i preciznoj poljoprivredi kao pouzdanom i efikasnom resursu. također,
Khaliq et al. (2019) su napravili poređenje između satelitskog i multispektralnog snimanja zasnovanog na UAV-u. Slike zasnovane na UAV-u rezultirale su preciznijim opisom varijabilnosti vinograda, kao i mapama snage za predstavljanje krošnji useva. Ukratko, članci u ovom klasteru govore o ugrađivanju termalnih i multispektralnih senzora za snimanje u poljoprivredne UAV-ove. U skladu s tim, potrebno je više istraživanja da bi se razumjelo kako se termalna i multispektralna slika može integrirati s AI
tehnike (npr. duboko učenje) za otkrivanje stresa biljaka (Ampatzidis et al., 2020.; Ampatzidis & Partel, 2019.; Jung et al., 2021.; Santesteban et al., 2017.; Syeda et al., 2021.). Takvi uvidi će pomoći da se osigura efikasnije i preciznije otkrivanje, kao i praćenje rasta biljaka, stresa i fenologije (Buters et al., 2019; Cao et al., 2020; Neupane & BaysalGurel, 2021; L. Zhou et al., 2020).
Klaster 4. Ovaj klaster se sastoji od sedam radova koji se vrte oko ključne uloge spektralnog i hiperspektralnog snimanja u podršci poljoprivrednim praksama. Hiperspektralna slika se etablirala kao metoda daljinskog senzora koja omogućava kvantitativnu procjenu zemaljskog sistema (Schaepman et al., 2009). Da budemo precizniji, omogućava identifikaciju površinskih materijala, kvantifikaciju (relativnih) koncentracija i dodeljivanje proporcija komponenti površine
unutar mješovitih piksela (Kirsch et al., 2018; Zhao et al., 2022). Drugim riječima, viša spektralna rezolucija koju pružaju hiperspektralni sistemi omogućava preciznije procjene različitih parametara, kao što su vegetarijanska svojstva ili sadržaj vode u lišću (Suomalainen et al., 2014). Istraživači u ovom klasteru istraživali su različite aspekte takvih sistema. Između ostalih, Aasen et al. (2015b) ponudio je jedinstven pristup za izvođenje trodimenzionalnih hiperspektralnih informacija iz lakih
kamere koje se koriste na bespilotnim letelicama za praćenje vegetacije. Lucieer et al. (2014) raspravljali su o dizajnu, razvoju i zračnim operacijama nove hiperspektralne UAS, kao i o kalibraciji, analizi i interpretaciji slikovnih podataka prikupljenih s njim. Konačno, Honkavaara et al. (2013b) razvio je sveobuhvatan pristup obradi spektralnih slika zasnovanih na FabryPerot interferometru i pokazao njegovu upotrebu u postupku procjene biomase za preciznu poljoprivredu. Potencijalni budući putevi za ovaj trenutni klaster uključuju isticanje potrebe za tehničkim poboljšanjima u senzorskim tehnologijama (Aasen et al., 2015b), kao i potrebu za ugradnjom i unapređenjem komplementarnih tehnologija, posebno velikih podataka i analitike (Ang & Seng, 2021; Radoglou -Grammatikis et al., 2020.; Shakoor et al., 2019.); Ovo posljednje uglavnom proizlazi iz stalno rastućih podataka koje generiraju različiti senzori implementirani u pametnoj poljoprivredi (C. Li & Niu, 2020; A. Rejeb i dr., 2022; Y. Su & Wang, 2021).
Klaster 5. Publikacije u ovom klasteru su ispitivale 3Dmapping aplikacije zasnovane na dronovima. Korištenje dronova za 3D mapiranje moglo bi ublažiti složen rad na terenu i značajno povećati efikasnost (Torres-Sanchez ´ et al., 2015). Pet članaka u klasteru uglavnom se fokusiralo na aplikacije za praćenje postrojenja. Na primjer, da bi dobili trodimenzionalne podatke o površini krošnje, visini stabla i volumenu krošnje, Torres-Sanchez ´ et al. (2015) su koristili UAV tehnologiju za generiranje digitalnih modela površine, a zatim i pristupe objektnoj analizi slike (OBIA). Nadalje, Zarco-Tejada i dr. (2014) kvantificirali su visinu stabla integracijom UAV tehnologije i metoda trodimenzionalne fotorekonstrukcije. Jim´enez-Brenes Lopez-Granados, ´ De Castro, et al. (2017) demonstrirao je novi proces za multi-temporalno, 3D praćenje desetina stabala maslina integracijom UAV tehnologije s naprednom OBIA metodologijom. Zanimljivi putevi za buduće radove u ovom klasteru uključuju ili poboljšanje sadašnjih
metodologije (Zarco-Tejada et al., 2014) za potrebe digitalnog modeliranja površine (Ajayi et al., 2017; Jaud et al., 2016), kao što je OBIA (de Castro et al., 2018, 2020; Ventura et al. , 2018), te fotorekonstrukcija ili razvoj novih metoda (Díaz-Varela i sur., 2015; Torres-S´ anchez et al., 2015).
Klaster 6. Ovaj klaster raspravlja o ulozi dronova u poljoprivrednom nadzoru. Bespilotne letjelice bi mogle nadopuniti i prevazići nedostatke satelitskog i avionskog snimanja. Na primjer, mogli bi obezbijediti visoku rezoluciju u skoro realnom vremenu sa manje goriva ili izazova pilotiranja, što rezultira stalnim nadzorom u realnom vremenu i poboljšanjima u donošenju odluka (S. Herwitz et al., 2004). Još jedan ključni doprinos bespilotnih letjelica je njihova sposobnost da pruže podatke specifične za lokaciju za preciznu poljoprivredu ili poljoprivredu specifičnu za lokaciju jer njihova visoka rezolucija, detaljni podaci o različitim parametrima omogućavaju poljoprivrednicima da podijele zemljište na homogene dijelove i prema njima postupaju (Hunt et al. , 2010. CC Lelong et al., 2008.; Takav poljoprivredni nadzor zasnovan na UAV može podržati praćenje sigurnosti hrane i donošenje odluka (SR Herwitz et al., 2012). Da bi se unaprijedila istraživanja u poljoprivrednom nadzoru, potrebna su ne samo poboljšanja senzora, bespilotnih letjelica i drugih srodnih tehnologija i njihovih metoda komunikacije i prijenosa podataka (Ewing et al., 2004; Shuai et al., 2020), već i integracija dronova s različitim tehnologije za optimizaciju različitih zadataka u vezi s pametnom poljoprivredom, kao što su monitoring, poljoprivredni nadzor i donošenje odluka, je područje visokog potencijala istraživanja (Alsamhi et al., 2019; Popescu et al., 2021; Vuran et al., 2020). U tom smislu, IoT, WSN-ovi i veliki podaci nude zanimljive komplementarne mogućnosti (van der Merwe et al., 2018). Troškovi implementacije, uštede troškova, energetska efikasnost i sigurnost podataka su među nedovoljno istraženim područjima za takvu integraciju (Masroor et al., 2020).
Zemlje i akademske institucije
Posljednji korak uključivao je istraživanje zemlje porijekla i akademske pripadnosti autora. Kroz ovu analizu želimo bolje razumjeti geografsku distribuciju naučnika koji doprinose primjeni dronova u poljoprivredi. Važno je primijetiti raznolikost zemalja i akademskih institucija. Iz perspektive zemlje, SAD, Kina, Indija i Italija nalaze se na vrhu liste po broju publikacija (Tabela 7). Struja
Istraživanje poljoprivrednih dronova uglavnom je usredsređeno na zemlje Sjeverne Amerike i Azije, uglavnom zbog njihovog velikog angažmana u primjenama u preciznoj poljoprivredi. Na primjer, u SAD-u je tržište poljoprivrednih dronova procijenjeno na 841.9 miliona USD u 2020. godini, što čini približno 30% globalnog tržišnog udjela (ReportLinker, 2021). Kao najveća svjetska ekonomija, predviđa se da će Kina dostići približnu veličinu tržišta od 2.6 milijardi USD u 2027. Ova zemlja apeluje na poljoprivredne dronove kako bi prevladali probleme produktivnosti i postigli bolje prinose, smanjenje radne snage i manje inpute proizvodnje. Međutim, usvajanje tehnologije u Kini također je vođeno faktorima kao što su veličina populacije i potreba za inovacijama i poboljšanjem postojećih praksi upravljanja usjevima.
Najproduktivnije zemlje i univerziteti/organizacije koje doprinose
istraživanja vezana za poljoprivredne dronove.
rang | zemalja |
1 | SAD |
2 | Kina |
3 | Indija |
4 | Italija |
5 | Španija |
6 | Njemačka |
7 | Brazil |
8 | Australija |
9 | Japan |
10 | Ujedinjeno kraljevstvo |
rang | Univerziteti/organizacije |
1 | Kineska akademija nauka |
2 | Ministarstvo poljoprivrede Narodne Republike Kine |
3 | Vrhovno vijeće za naučna istraživanja |
4 | Univerzitet A&M u Teksasu |
5 | China Agricultural University |
6 | USDA Služba za poljoprivredna istraživanja |
7 | CSIC – Instituto de Agricultura Sostenible IAS |
8 | Purdue University |
9 | Nacionalno vijeće za istraživanje |
10 | Poljoprivredno univerzitet Južna Kina |
Iz univerzitetske i organizacijske perspektive, Kineska akademija nauka je na vrhu liste po broju publikacija, a slijede Ministarstvo poljoprivrede Narodne Republike Kine i Consejo Superior de Investigaciones Científicas. Kinesku akademiju nauka predstavljaju autori Liao Xiaohan i Li Jun; Han Wenting predstavlja Ministarstvo poljoprivrede Narodne Republike Kine; a Consejo Superior de Investigaciones Científicas predstavljaju Lopez-Granados, ´ F. i Pena, ˜ Jos´e María S. Iz SAD-a, univerziteti kao što su Texas A&M University i Purdue University nalaze svoje
spomenuti. Univerziteti sa najvećim brojem publikacija i njihove veze prikazani su na slici 4. Pored toga, ova lista uključuje institucije kao što su Consiglio Nazionale delle Ricerche i Consejo Superior de Investigaciones Científicas koje su aktivne u naučnom istraživanju, ali nisu akademske institucije. .
Naš izbor je uključivao široku paletu časopisa, obuhvatajući gotovo sve dostupne podatke. Kao što je prikazano u Tabeli 8, Remote Sensing sa 258 članaka se nalazi na vrhu, a slijede Journal of Intelligent and Robotic Systems: Theory and Applications sa 126 i Computers and Electronics in Agriculture sa 98 članaka. Dok je daljinsko ispitivanje uglavnom fokusirano na primjenu i razvoj dronova, kompjuteri i elektronika u poljoprivredi uglavnom pokrivaju napredak u kompjuterskom hardveru, softveru, elektronici i kontrolnim sistemima u poljoprivredi. Internacionalna prodajna mesta, kao što su IEEE Robotics and Automation Letters sa 87 publikacija i IEEE Access sa 34 publikacije, takođe su vrhunska prodajna mesta u ovoj oblasti. Prvih 959 medija doprinijelo je literaturi sa 20.40 dokumenata, što je otprilike 5% svih publikacija. Analiza kocitiranja časopisa nam omogućava da ispitamo važnost i sličnost između publikacija. Analiza kocitata daje tri klastera, kao što je prikazano na slici XNUMX. Crveni klaster se sastoji od časopisa kao što su Remote Sensing, Computer and Electronics in Agriculture, Sensors,
i International Journal of Remote Sensing. Sve ove kuće su visoko renomirani časopisi u oblastima daljinske detekcije i precizne poljoprivrede. Zeleni klaster sadrži časopise koji se bave robotikom, kao što su Journal of Intelligent and Robotic Systems: Theory and Applications, IEEE Robotics and Automation Letters, IEEE Access i Drones. Ove kuće uglavnom objavljuju radove o automatizaciji i korisne su poljoprivrednim inženjerima. Konačan klaster čine časopisi koji se odnose na agronomiju i poljoprivredno inženjerstvo, kao što su Agronomy i International Journal of Agricultural and Biological Engineering.
15 najboljih časopisa u istraživanju poljoprivrednih dronova.
rang | časopis | računati |
1 | Daljinsko očitavanje | 258 |
2 | Časopis za inteligentne i robotske sisteme: teorija i Aplikacije | 126 |
3 | Računari i elektronika u poljoprivredi | 98 |
4 | IEEE Robotics and Automation Letters | 87 |
5 | Senzori | 73 |
6 | International Journal of Remote Sensing | 42 |
7 | Precizna poljoprivreda | 41 |
8 | Drones | 40 |
9 | Agronomija | 34 |
10 | IEEE pristup | 34 |
11 | Međunarodni časopis za napredne robotske sisteme | 31 |
12 | Međunarodni časopis za poljoprivredno i biološko inženjerstvo | 25 |
13 | PLoS ONE | 25 |
14 | Journal of Field Robotics | 23 |
15 | Biosystems Engineering | 23 |
zaključak
rezime
U ovoj studiji smo sumirali i analizirali postojeća istraživanja poljoprivrednih dronova. Primjenjujući različite bibliometrijske tehnike, nastojali smo postići bolje razumijevanje intelektualne strukture istraživanja poljoprivrednih dronova. Ukratko, naš pregled nudi nekoliko doprinosa identifikacijom i diskusijom o ključnim riječima u literaturi, otkrivanjem klastera znanja uz formiranje semantički sličnih zajednica u području dronova, iznošenjem ranijih istraživanja i sugeriranjem budućih smjerova istraživanja. U nastavku navodimo glavne nalaze pregleda razvoja poljoprivrednih dronova:
• Ukupna literatura je brzo rasla i privukla je ogromnu pažnju tokom poslednje decenije, na šta ukazuje i porast broja članaka nakon 2012. Iako ovo polje znanja tek treba da postigne svoju punu zrelost (Barrientos et al., 2011; Maes & Steppe, 2019), nekoliko pitanja je još uvijek bez odgovora. Na primjer, korisnost dronova u uzgoju u zatvorenom prostoru je još uvijek otvorena za debatu (Aslan et al., 2022; Krul et al., 2021; Rold´ an et al., 2015). Složenost scena u polju i različite okolnosti snimanja (npr. sjene i osvjetljenje) mogu rezultirati većom spektralnom varijansom u klasi (Yao et al., 2019). Čak iu kasnijim fazama istraživanja, istraživači su bili izazvani da odrede optimalne planove leta prema određenim scenarijima i traženom kvalitetu slike (Soares et al., 2021; Tu et al.,
2020).
• Primjećujemo da je ova oblast napredovala od razvoja efikasnih UAV sistema do inkorporiranja AI tehnika, kao što su mašinsko učenje i duboko učenje u dizajnu poljoprivrednih dronova (Bah et al., 2018; Kitano et al., 2019; Maimaitijiang et al. , 2020.; Mazzia et al., 2020.;
• Istraživanja poljoprivrednih dronova uglavnom su raspravljala o daljinskom otkrivanju istražujući potencijale tehnologije u monitoringu životne sredine, upravljanju usevima i upravljanju korovom (klaster 1), kao i daljinskom fenotipizacijom i procjenom prinosa (klaster 2). Skup utjecajnih studija o poljoprivrednim bespilotnim letjelicama uključuje Austin (2010), Berni et al. (2009)a, Herwitz et al. (2004), Nex i Remondino (2014) i Zhang i Kovacs (2012). Ove studije su razvile konceptualne osnove istraživanja vezanih za dronove u kontekstu poljoprivrede.
• U vezi s metodologijom, primijetili smo da je većina dosad urađenih istraživanja bila sastavljena ili od dizajna sistema, konceptualnih ili studija zasnovanih na pregledu (Inoue, 2020; Nex & Remondino, 2014; P´erez-Ortiz et al. , 2015. Yao et al., 2019.). Također primjećujemo nedostatak empirijskih, kvalitativnih metoda i metoda zasnovanih na studijama slučaja u istraživanju poljoprivrednih dronova.
• Nedavno su značajnu pažnju privukle teme vezane za preciznu poljoprivredu, tehnike umjetne inteligencije, precizno vinogradarstvo i procjenu vodenog stresa (Espinoza et al., 2017; Gomez-Cand ´ on ´ et al., 2016; Matese et al., 2015; Matese & Di Gennaro, 2018., 2021. Z. Zhou et al., 2021.); Pažljivo ispitivanje istraživačkih klastera u dve odvojene ere, 1990–2010 i 2011–2021, otkriva napredak intelektualne strukture domena. Period od 1990. do 2010. predstavljao je izgradnju centralnih pojmova i koncepata dronova, što je očigledno iz rasprave o dizajnu, razvoju i implementaciji UAV. U drugoj eri, fokus istraživanja se širi na prethodne studije, čineći napor da se sintetiziraju slučajevi upotrebe UAV-a u poljoprivredi. Pronašli smo i brojne studije koje govore o primjeni dronova u zadacima snimanja i preciznoj poljoprivredi.
rang | časopis | računati |
1 | Daljinsko očitavanje | 258 |
2 | Časopis za inteligentne i robotske sisteme: teorija i | 126 |
Aplikacije | ||
3 | Računari i elektronika u poljoprivredi | 98 |
4 | IEEE Robotics and Automation Letters | 87 |
5 | Senzori | 73 |
6 | International Journal of Remote Sensing | 42 |
7 | Precizna poljoprivreda | 41 |
8 | Drones | 40 |
9 | Agronomija | 34 |
10 | IEEE pristup | 34 |
11 | Međunarodni časopis za napredne robotske sisteme | 31 |
12 | Međunarodni časopis za poljoprivredno i biološko inženjerstvo | 25 |
13 | PLoS ONE | 25 |
14 | Journal of Field Robotics | 23 |
15 | Biosystems Engineering | 22 |
implikacije
Naš bibliometrijski pregled je osmišljen i sproveden imajući na umu naučnike, poljoprivrednike, poljoprivredne stručnjake, konsultante za useve i dizajnere UAV sistema. Prema najboljem saznanju autora, ovo je jedna od prvih originalnih recenzija koja je poduzela dubinsku bibliometrijsku analizu
primjene dronova u poljoprivredi. Proveli smo sveobuhvatan pregled ovog tijela znanja, koristeći analizu citiranja i kocitiranja publikacija. Naši pokušaji da opišemo intelektualnu strukturu istraživanja dronova također nude nove uvide za akademike. Pažljiv pregled ključnih riječi korištenih tokom vremena otkriva žarišta i fokusna područja istraživanja u literaturi koja se odnosi na dronove. Nadalje, predstavljamo listu najcitiranijih studija kako bismo identificirali najupečatljivije istraživačke radove koji su završeni u ovoj oblasti. Identifikacija članaka i ključnih riječi bi stoga mogla pružiti solidnu polaznu tačku za otkrivanje nekoliko puteva za buduća istraživanja.
Ono što je važno, otkrili smo klastere koji klasifikuju uporedive radove i elaborirali rezultate. Studije klasificirane u klastere pomažu u razumijevanju intelektualne strukture istraživanja UAV. Naime, otkrili smo nedostatak studija koje istražuju faktore usvajanja dronova
i barijere u poljoprivrednim aktivnostima (vidi tabelu 9). Budući istraživači bi mogli riješiti ovaj potencijalni jaz provođenjem empirijskih istraživanja koja procjenjuju faktore usvajanja dronova u različitim poljoprivrednim aktivnostima i klimatskim uslovima. Štaviše, istraživanje zasnovano na studijama slučaja o efikasnosti dronova trebalo bi da bude podržano stvarnim podacima sa terena. Također, uključivanje farmera i menadžera u akademska istraživanja bilo bi korisno i za teorijski i praktični napredak istraživanja dronova. Takođe smo bili u mogućnosti da identifikujemo najistaknutije istraživače i njihove doprinose, što je dragocjeno jer svijest o nedavnim temeljnim radovima može ponuditi neke smjernice za buduće akademske poduhvate.
Tabela 9
Barijere za usvajanje UAV-a.
Barrier | Opis |
Bezbednost podataka | Sajber bezbednost je veliki izazov za implementaciju IoT rješenja (Masroor et al., 2021). |
Interoperabilnost i integracija | Razne tehnologije kao što su UAV, WSN, IoT, itd. treba integrisati i prenositi podatke koji povećati nivo složenosti (Alsamhi et al., 2021; Popescu et al., 2020; Vuran i dr., 2018.). |
Troškovi implementacije | To je posebno slučaj za male poljoprivrednike i za integrišući razne najsavremenije tehnologije ( Masroor et al., 2021). |
Radno znanje i stručnost | Za upravljanje bespilotnim letjelima potrebni su vješti piloti dronova. Takođe, implementacija raznih najsavremenijih tehnologije zahtijevaju kvalifikovane radnike (YB Huang et al., 2013; Tsouros et al., 2019.). |
Snaga motora i let trajanje | Bespilotne letjelice ne mogu raditi dugo vremena i pokrivene velike površine (Hardin & Hardin, 2010; Laliberte et al., 2007). |
Stabilnost, pouzdanost i upravljivost | Dronovi nisu stabilni tokom loših vremenskih uslova (Hardin & Hardin, 2010; Laliberte et al., 2007). |
Ograničenja nosivosti i kvaliteta senzora | Bespilotne letjelice mogu nositi samo ograničena opterećenja mogućnost učitavanja senzora slabijeg kvaliteta (Nebiker i dr., 2008). |
propis | Kako dronovi mogu biti i opasni, postoje ozbiljne propisi u nekim oblastima (Hardin & Jensen, 2011; Laliberte & Rango, 2011). |
Znanje farmera i interes | Kao i druge najsavremenije tehnologije, dronovi za uspješnu implementaciju potrebna je i stručnost praćeno neizvjesnostima (Fisher et al., 2009.; Lambert et al., 2004; Stafford, 2000). |
Budući da postoji stalna potreba za efikasnim korištenjem raspoloživih resursa za maksimiziranje prinosa, farmeri mogu iskoristiti prednosti dronova kako bi osigurali brzo, precizno i isplativo skeniranje svojih polja. Tehnologija može pomoći poljoprivrednicima da odrede stanje svojih usjeva i procijene status vode, fazu zrenja, insekata i potrebe za ishranom. Mogućnosti dronova na daljinu mogu farmerima pružiti ključne podatke za predviđanje problema u ranoj fazi i brzo poduzimanje odgovarajućih intervencija. Međutim, prednosti tehnologije mogu se ostvariti samo ako se izazovi pravilno rješavaju. U svetlu
trenutne probleme u vezi sa sigurnošću podataka, problemima senzorske tehnologije (npr. pouzdanost ili tačnost mjerenja), složenošću integracije i značajnim troškovima implementacije, buduće studije moraju također ispitati tehničku, ekonomsku i operativnu izvodljivost integracije poljoprivrednih dronova i drugih reznih rubne tehnologije.
ograničenja
Naša studija ima nekoliko ograničenja. Prvo, nalazi se određuju prema publikacijama odabranim za konačnu analizu. Izazov je obuhvatiti sve relevantne studije vezane za poljoprivredne dronove, posebno one koje nisu indeksirane u bazi podataka Scopus. Nadalje, proces prikupljanja podataka ograničen je na postavljanje ključnih riječi za pretraživanje, koje možda neće biti sveobuhvatne i dovesti do neuvjerljivih nalaza. Stoga, buduće studije treba da posvete više pažnje osnovnom pitanju prikupljanja podataka
pouzdaniji zaključci. Još jedno ograničenje odnosi se na nove publikacije s malim brojem citata. Bibliometrijska analiza je pristrasna prema ranijim publikacijama jer imaju tendenciju da dobiju više citata tokom godina. Nedavnim studijama je potrebno određeno vrijeme da privuku pažnju i akumuliraju citate. Shodno tome, nedavne studije koje donose promjenu paradigme ne bi se svrstale u prvih deset najutjecajnijih radova. Ovo ograničenje preovlađuje u ispitivanju istraživačkih domena koje se brzo pojavljuju kao što su poljoprivredni dronovi. Kako smo konsultovali Scopus da bismo proučili literaturu za ovaj rad, budući istraživači bi mogli da razmotre drugačije
baze podataka, kao što su Web of Science i IEEE Xplore, za proširenje horizonta i poboljšanje strukture istraživanja.
Potencijalne bibliometrijske studije mogu uzeti u obzir druge vitalne izvore znanja kao što su radovi sa konferencija, poglavlja i knjige kako bi se stvorila nova saznanja. Uprkos mapiranju i istraživanju globalnih publikacija o poljoprivrednim bespilotnim letelicama, naši nalazi nisu otkrili razloge koji stoje iza naučnih rezultata univerziteta. Ovo otvara put novom području istraživanja u kvalitativnom objašnjavanju zašto su neki univerziteti produktivniji od drugih kada je riječ o istraživanju o poljoprivredi.
dronovi. Osim toga, buduće studije bi mogle pružiti uvid u potencijal dronova da povećaju održivost poljoprivrede na nekoliko načina, kao što su praćenje okoliša, upravljanje usjevima i mapiranje korova kao što je navedeno od strane nekoliko istraživača (Chamuah & Singh, 2019; Islam et al., 2021; Popescu et al., 2020. J. Su, Liu, et al., 2018.b). Kako tekstualna analiza nije bila moguća zbog velikog broja odabranih radova, postoji potreba za sistematskim pregledima literature koji ispituju
korištene istraživačke metode i uključivanje farmera u prethodne studije. Ukratko, naša analiza istraživanja dronova otkriva nevidljive veze ovog tijela znanja. Stoga ovaj pregled pomaže u otkrivanju odnosa među publikacijama i istražuje intelektualnu strukturu istraživačkog polja. Takođe opisuje veze između različitih aspekata literature, kao što su ključne riječi autora, pripadnosti i zemlje.
Izjava o nadmetanju
Autori izjavljuju da nemaju poznate konkurentske finansijske interese ili lične odnose koji bi mogli utjecati na rad izviješten u ovom radu.
Dodatak 1
NASLOV-ABS-KEY (((dron* ILI „bespilotna letjelica” ILI bespilotna letjelica* ILI „sistem bespilotne letjelice” ILI uas ILI „daljinski upravljani avion”) I (poljoprivreda ILI poljoprivreda ILI poljoprivreda ILI poljoprivrednik))) I (ISKLJUČITI (PUBYEAR, 2022)) I (OGRANIČENJE (JEZIK, “engleski”)).
reference
Aasen, H., Burkart, A., Bolten, A., Bareth, G., 2015. Generiranje 3D hiperspektralnih informacija sa laganim UAV kamerama za praćenje vegetacije: od
kalibracija kamere radi osiguranja kvaliteta. ISPRS J. Photogramm. Remote Sens. 108, 245–259. https://doi.org/10.1016/j.isprsjprs.2015.08.002.
Abd-Elrahman, A., Pearlstine, L., Percival, F., 2005. Razvoj algoritma za prepoznavanje uzoraka za automatsko otkrivanje ptica na osnovu snimaka bespilotne letjelice.
Anketa. Land Inform. Sci. 65 (1), 37–45.
Abdollahi, A., Rejeb, K., Rejeb, A., Mostafa, MM, Zailani, S., 2021. Bežične senzorske mreže u poljoprivredi: uvidi iz bibliometrijske analize. Održivost 13 (21),
12011.
Aboutalebi, M., Torres-Rua, AF, Kustas, WP, Nieto, H., Coopmans, C., McKee, M., Procjena različitih metoda za detekciju senki u optičkim slikama visoke rezolucije i evaluacija uticaja senke na proračun NDVI i evapotranspiracija. Irrig. Sci. 37 (3), 407–429. https://doi.org/10.1007/s00271-018-0613-9.
Adao, ˜ T., Hruška, J., Padova, ´ L., Bessa, J., Peres, E., Morais, R., Sousa, JJ, 2017. Hiperspektralno snimanje: pregled senzora baziranih na UAV, podaci obrada i
aplikacije za poljoprivredu i šumarstvo. Daljinsko prepoznavanje 9 (11). https://doi.org/ 10.3390/rs9111110.
Agüera Vega, F., Ramírez, FC, Saiz, MP, Rosúa, FO, 2015. Multi-temporalno snimanje pomoću bespilotne letjelice za praćenje usjeva suncokreta. Biosyst. inž.
132, 19–27. https://doi.org/10.1016/j.biosystemseng.2015.01.008.
Ajayi, OG, Salubi, AA, Angbas, AF, Odigure, MG, 2017. Generisanje preciznih digitalnih modela elevacije iz UAV-a je dobilo nizak procenat slika preklapanja. Int.
J. Remote Sens. 38 (8–10), 3113–3134. https://doi.org/10.1080/ 01431161.2017.1285085.
Ali, I., Greifeneder, F., Stamenković, J., Neumann, M., Notarnicola, C., 2015. Pregled pristupa mašinskom učenju za pronalaženje biomase i vlage u zemljištu iz podataka daljinske detekcije. Remote Sensing 7 (12), 16398–16421.
Alsamhi, SH, Afghah, F., Sahal, R., Hawbani, A., Al-qaness, MAA, Lee, B., Guizani, M., Zeleni internet stvari koje koriste UAV u B5G mrežama: Pregled aplikacija
i strategije. Ad. Hoc. Netw. 117, 102505 https://doi.org/10.1016/j. adhoc.2021.102505.
Al-Thani, N., Albuainain, A., Alnaimi, F., Zorba, N., 2020. Dronovi za praćenje stoke ovaca. U: 20. IEEE Mediterranean Electrotechnical Conference. https://doi.
org/10.1109/MELECON48756.2020.9140588.
Ampatzidis, Y., Partel, V., 2019. Fenotipizacija visoke propusnosti zasnovana na UAV-u u citrusima korištenjem multispektralnog snimanja i umjetne inteligencije. Remote Sensing 11 (4), https://doi.org/10.3390/rs11040410.
Ampatzidis, Y., Partel, V., Costa, L., 2020. Agroview: aplikacija zasnovana na oblaku za obradu, analizu i vizualizaciju podataka prikupljenih UAV-om za precizne poljoprivredne aplikacije koje koriste umjetnu inteligenciju. Račun. Elektron. Agric. 174, 105457 https://doi. org/10.1016/j.compag.2020.105457.
Ang, K.-L.-M., Seng, JKP, 2021. Veliki podaci i mašinsko učenje sa hiperspektralnim informacijama u poljoprivredi. IEEE Access 9, 36699–36718. https://doi.org/10.1109/
ACCESS.2021.3051196.
Aquilani, C., Confessore, A., Bozzi, R., Sirtori, F., Pugliese, C., 2022. Pregled: precizne tehnologije uzgoja stoke u sistemima stočarstva na pašnjacima. Životinja 16 (1), https://doi.org/10.1016/j.animal.2021.100429.
Armenta-Medina, D., Ramirez-Delreal, TA, Villanueva-Vasquez, ´ D., Mejia-Aguirre, C., Trendovi naprednih informacionih i komunikacionih tehnologija za
poboljšanje poljoprivredne produktivnosti: bibliometrijska analiza. Agronomija 10 (12), član 12. https://doi.org/10.3390/agronomy10121989.
Armstrong, I., Pirrone-Brusse, M., Smith, A., Jadud, M., 2011. Leteći aligator: prema zračnoj robotici u occam-π. Commun. Process Architect. 2011, 329–340. https://doi. org/10.3233/978-1-60750-774-1-329.
Arora, SD, Chakraborty, A., 2021. Intelektualna struktura istraživanja ponašanja pritužbi potrošača (CCB): bibliometrijska analiza. J. Business Res. 122, 60–74.
Aslan, MF, Durdu, A., Sabanci, K., Ropelewska, E., Gültekin, SS, 2022.
Sveobuhvatan pregled nedavnih studija sa UAV za preciznu poljoprivredu na otvorenim poljima i staklenicima. Appl. Sci. 12 (3), 1047. https://doi.org/10.3390/
app12031047.
Atkinson, JA, Jackson, RJ, Bentley, AR, Ober, E., & Wells, DM (2018). Terenska fenotipizacija za budućnost. U Annual Plant Reviews online (str. 719–736). John
Wiley & Sons, Ltd. doi: 10.1002/9781119312994.apr0651.
Austin, R., 2010. Bespilotni avionski sistemi: dizajn, razvoj i implementacija bespilotnih letjelica. U: Bespilotni avionski sistemi: projektovanje, razvoj bespilotnih letelica i
Deployment. John Wiley and Sons. https://doi.org/10.1002/9780470664797.
Awais, M., Li, W., Cheema, MJM, Zaman, QU, Shaheen, A., Aslam, B., Zhu, W., Ajmal, M., Faheem, M., Hussain, S., Nadeem, AA, Afzal, MM, Liu, C., 2022. Daljinsko ispitivanje zasnovano na UAV-u u stresu biljaka zamislite korištenje termalnog senzora visoke rezolucije za digitalne poljoprivredne prakse: meta-pregled. Int. J. Environ. Sci. Technol. https://doi.
org/10.1007/s13762-021-03801-5.
Bacco, M., Berton, A., Ferro, E., Gennaro, C., Gotta, A., Matteoli, S., Paonessa, F., Ruggeri, M., Virone, G., Zanella, A., 2018. Pametna poljoprivreda: mogućnosti, izazovi
i tehnološke mogućnosti. 2018 IoT Vertical i. Aktualni samit o poljoprivredi -Toskana (IOT Toscana) 1–6. https://doi.org/10.1109/IOTTUSCANY.2018.8373043.
Bah, MD, Hafiane, A., Canals, R., 2018. Duboko učenje uz nenadgledano označavanje podataka za otkrivanje korova u usjevima u liniji na UAV slikama. Remote Sensing 10 (11), 1690.
https://doi.org/10.3390/rs10111690.
Baldi, S., 1998. Normativni nasuprot socijalno-konstruktivističkim procesima u alokaciji citata: mrežno-analitički model. Am. Sociol. Rev. 63 (6), 829–846. https://doi.
org/10.2307/2657504.
Baluja, J., Diago, MP, Balda, P., Zorer, R., Meggio, F., Morales, F., Tardaguila, J., 2012. Procjena varijabilnosti statusa vode u vinogradu prema termalnim i multispektralnim
slike pomoću bespilotne letjelice (UAV). Irrig. Sci. 30 (6), 511–522. https://doi.org/10.1007/s00271-012-0382-9.
Barabaschi, D., Tondelli, A., Desiderio, F., Volante, A., Vaccino, P., Val`e, G., Cattivelli, L., Oplemenjivanje sljedeće generacije. Plant Sci. 242, 3–13. https://doi.org/10.1016/j.
plantci.2015.07.010.
Barbedo, JGA, Koenigkan, LV, 2018. Perspektive upotrebe bespilotnih vazdušnih sistema za praćenje stoke. Outlook Agric. 47 (3), 214–222. https://doi.org/10.1177/0030727018781876.
Bareth, G., Aasen, H., Bendig, J., Gnyp, ML, Bolten, A., Jung, A., Michels, R., Soukkamaki, ¨ J., 2015. Hiperspektral niske težine i UAV baziran kamere punog formata
za praćenje useva: Spektralno poređenje sa prenosnim spektroradiometarskim merenjima. Photogrammetrie, Fernerkundung, Geoinformacije 2015 (1), 69–79.
https://doi.org/10.1127/pfg/2015/0256.
Barrientos, A., Colorado, J., del Cerro, J., Martinez, A., Rossi, C., Sanz, D., Valente, J., Daljinsko ispitivanje iz zraka u poljoprivredi: praktičan pristup pokrivanju područja
i planiranje puta za flote mini robota iz zraka. J. Field Rob. 28 (5), 667–689. https://doi.org/10.1002/rob.20403.
Basiri, A., Mariani, V., Silano, G., Aatif, M., Iannelli, L., Glielmo, L., 2022. Pregled o primjeni algoritama za planiranje putanje za bespilotne letjelice s više rotora u preciznosti
poljoprivreda. J. Navig. 75 (2), 364–383.
Basnet, B., Bang, J., 2018. Najmodernija poljoprivreda sa intenzivnim znanjem: pregled primijenjenih senzorskih sistema i analitike podataka. J. Sens. 2018, 1–13.
Bendig, J., Bolten, A., Bareth, G., 2013. Snimanje zasnovano na UAV-u za multi-temporalne modele površine useva vrlo visoke rezolucije za praćenje varijabilnosti rasta usjeva. Photogrammetrie, Fernerkundung, Geoinformacije 2013 (6), 551–562. https://doi. org/10.1127/1432-8364/2013/0200.
Bendig, J., Bolten, A., Bennertz, S., Broscheit, J., Eichfuss, S., Bareth, G., 2014. Procjena biomase ječma korištenjem modela površine usjeva (CSM) izvedenih iz RGB snimanja zasnovanog na UAV-u. Remote Sensing 6 (11), 10395–10412.
Bendig, J., Yu, K., Aasen, H., Bolten, A., Bennertz, S., Broscheit, J., Gnyp, ML, Bareth, G., 2015. Kombinacija visine biljke zasnovane na UAV-u od površine usjeva modeli,
vidljivi i bliski infracrveni indeksi vegetacije za praćenje biomase u ječmu. Int. J. Appl. Earth Obs. Geoinf. 39, 79–87. https://doi.org/10.1016/j.jag.2015.02.012.
Berni, JA, Zarco-Tejada, PJ, Sepulcre-Canto, ´ G., Fereres, E., Villalobos, F., 2009a. Mapiranje provodljivosti krošnje i CWSI u nasadima maslina korištenjem visoke rezolucije
termalne snimke daljinske detekcije. Remote Sens. Environ. 113 (11), 2380–2388. https://doi.org/10.1016/j.rse.2009.06.018.
Berni, JA, Zarco-Tejada, PJ, Suarez, ´ L., Fereres, E., 2009b. Termička i uskopojasna multispektralna daljinska detekcija za praćenje vegetacije iz bespilotne letjelice. IEEE Trans. Geosci. Remote Sens. 47 (3), 722–738.
Bouzembrak, Y., Klüche, M., Gavai, A., Marvin, HJP, 2019. Internet stvari u sigurnosti hrane: Pregled literature i bibliometrijska analiza. Trends Food Sci. Technol. 94,54–64. https://doi.org/10.1016/j.tifs.2019.11.002.
Brewster, C., Roussaki, I., Kalatzis, N., Doolin, K., Ellis, K., 2017. IoT u poljoprivredi: Dizajniranje pilota velikih razmjera u cijeloj Europi. IEEE Commun. Mag. 55 (9), 26–33.
Buters, TM, Belton, D., Cross, AT, 2019. Višesenzorsko UAV praćenje pojedinačnih sadnica i zajednica sadnica s milimetarskom preciznošću. Dronovi 3 (4), 81.
https://doi.org/10.3390/drones3040081.
Candiago, S., Remondino, F., De Giglio, M., Dubbini, M., Gattelli, M., 2015. Procjena multispektralnih slika i vegetacijskih indeksa za primjene u preciznoj poljoprivredi iz UAV slika. Remote Sensing 7 (4), 4026–4047. https://doi.org/10.3390/rs70404026.
Cao, Y., Li, GL, Luo, YK, Pan, Q., Zhang, SY, 2020. Praćenje indikatora rasta šećerne repe korištenjem indeksa vegetacije širokog dinamičkog raspona (WDRVI) izvedenog iz UAV
multispektralne slike. Račun. Elektron. Agric. 171, 105331 https://doi.org/10.1016/j.compag.2020.105331.
Casillas, J., Acedo, F., 2007. Evolucija intelektualne strukture literature o porodičnom biznisu: bibliometrijska studija FBR. Porodični biznis Rev. 20 (2), 141–162.
Cen, H., Wan, L., Zhu, J., Li, Y., Li, X., Zhu, Y., Weng, H., Wu, W., Yin, W., Xu, C., Bao, Y., Feng, L., Shou, J., He, Y., 2019. Dinamičko praćenje biomase riže pod
različiti tretmani azotom koristeći laganu bespilotnu letjelicu sa kamerama za snimke sa dvostrukim okvirom slike. Plant Methods 15 (1), 32. https://doi.org/10.1186/s13007-019-
0418-8.
Chamuah, A., Singh, R., 2019. Osiguravanje održivosti u indijskoj poljoprivredi kroz civilni UAV: perspektiva odgovorne inovacije. SN Appl. Sci. 2 (1), 106. https://
doi.org/10.1007/s42452-019-1901-6.
Chamuah, A., Singh, R., 2022. Odgovorno upravljanje inovacijama civilnih bespilotnih letjelica (UAV) za indijske aplikacije osiguranja usjeva. J. Odgovoran
Technol. 9, 100025 https://doi.org/10.1016/j.jrt.2022.100025.
Chen, A., Orlov-Levin, V., Meron, M., 2019. Primjena slike visoke rezolucije vidljivog kanala krošnje usjeva za precizno upravljanje navodnjavanjem. Agric. Voda
Manag. 216, 196–205. https://doi.org/10.1016/j.agwat.2019.02.017.
Daakir, M., Pierrot-Deseilligny, M., Bosser, P., Pichard, F., Thom, C., Rabot, Y., Martin, O., 2017. Lagani UAV s fotogrametrijom na brodu i jednofrekventnim GPS pozicioniranjem za metrološke aplikacije. ISPRS J. Photogramm. Remote Sens. 127, 115–126. https://doi.org/10.1016/j.isprsjprs.2016.12.007.
Dawaliby, S., Aberkane, A., Bradai, A., 2020. Blockchain-bazirana IoT platforma za upravljanje autonomnim operacijama dronova. U: Zbornik radova 2. ACM
MobiCom radionica o bežičnim komunikacijama uz pomoć dronom za 5G i dalje, str. 31–36. https://doi.org/10.1145/3414045.3415939.
Day, RA, Gastel, B., 1998. Kako napisati i objaviti naučni rad. Cambridge University Press. de Castro, AI, Pena, ˜ JM, Torres-Sanchez, ´ J., Jim´enez-Brenes, FM, ValenciaGredilla, F., Recasens, J., Lopez-Granados, ´ F., 2020. Mapiranje infestacije cynodon dactylon pokrovni usjevi sa automatskim stablom odlučivanja-OBIA postupkom i UAV slikama za precizno vinogradarstvo. Remote Sensing 12 (1), 56. https://doi.org/10.3390/rs12010056.
de Castro, AI, Torres-S´ anchez, J., Pena, ˜ JM, Jim´enez-Brenes, FM, Csillik, O., Lopez-´Granados, F., 2018. Automatski slučajni algoritam šuma-OBIA za rano mapiranje korova između i unutar redova useva koristeći UAV snimke. Daljinsko prepoznavanje 10 (2). https://doi.org/10.3390/rs10020285.
Demir, N., Sonmez, ¨ NK, Akar, T., Ünal, S., 2018. Automatsko mjerenje visine biljaka genotipova pšenice korištenjem DSM izvedenog iz UAV slika. Zbornik radova 2 (7), 350. https://doi.org/10.3390/ecrs-2-05163.
Deng, J., Zhong, Z., Huang, H., Lan, Y., Han, Y., Zhang, Y., 2020. Lagana mreža semantičke segmentacije za mapiranje korova u realnom vremenu korištenjem bespilotnih letjelica. Appl. Sci. 10 (20), 7132. https://doi.org/10.3390/app10207132.
Deng, L., Mao, Z., Li, X., Hu, Z., Duan, F., Yan, Y., 2018. Multispektralno daljinsko ispitivanje zasnovano na UAV-u za preciznu poljoprivredu: poređenje između različitih kamera. ISPRS J. Photogramm. Remote Sens. 146, 124–136.
Diaz-Gonzalez, FA, Vuelvas, J., Correa, CA, Vallejo, VE, Patino, D., 2022. Tehnike mašinskog učenja i daljinskog otkrivanja primijenjene za procjenu indikatora tla – pregled. Ecol. Ind. 135, 108517 https://doi.org/10.1016/j.ecolind.2021.108517.
Díaz-Varela, RA, De la Rosa, R., Leon, ´ L., Zarco-Tejada, PJ, 2015. UAV slike visoke rezolucije za procjenu parametara krošnje masline pomoću 3D fotografije
rekonstrukcija: primjena u uzgojnim ogledima. Remote Sensing 7 (4), 4213–4232. https://doi.org/10.3390/rs70404213.
Dixit, A., Jakhar, SK, 2021. Upravljanje kapacitetom aerodroma: pregled i bibliometrijska analiza. J. Air Transp. Manag. 91, 102010.
Dong, T., Shang, J., Liu, J., Qian, B., Jing, Q., Ma, B., Huffman, T., Geng, X., Sow, A., Shi, Y., Canisius, F., Jiao, X., Kovačs, JM, Walters, D., Cable, J., Wilson, J., 2019.
Korišćenje RapidEye slika za identifikaciju varijabilnosti rasta useva i prinosa unutar polja u Ontariju, Kanada. Precision Agric. 20 (6), 1231–1250. https://doi.org/10.1007/
s11119-019-09646-w.
Dutta, PK, Mitra, S., 2021. Primjena poljoprivrednih dronova i jota za razumijevanje lanca opskrbe hranom tokom post COVID-19. U: Choudhury, A., Biswas, A., Prateek, M.,
Chakrabarti, A. (ur.), Poljoprivredna informatika: automatizacija korištenjem interneta stvari i strojnog učenja. Wiley, str. 67–87. van Eck, N., Waltman, L., 2009. Pregled softvera: VOSviewer, kompjuterski program za bibliometrijsko mapiranje. Scientometrics 84 (2), 523–538. https://doi.org/10.1007/s11192-009-0146-3.
Elijah, O., Rahman, TA, Orikumhi, I., Leow, CY, Hindia, MN, 2018. Pregled interneta stvari (IoT) i analize podataka u poljoprivredi: prednosti i izazovi.
IEEE Internet Things J. 5 (5), 3758–3773.
Enciso, J., Avila, CA, Jung, J., Elsayed-Farag, S., Chang, A., Yeom, J., Landivar, J., Maeda, M., Chavez, JC, 2019. Validacija agronomske UAV i teren
mjerenja za sorte paradajza. Račun. Elektron. Agric. 158, 278–283. https:// doi.org/10.1016/j.compag.2019.02.011.
Espinoza, CZ, Khot, LR, Sankaran, S., Jacoby, PW, 2017. Procjena stresa vode na bazi multispektralnog i termalnog senzora visoke rezolucije u
podzemno navodnjavanje vinove loze. Remote Sensing 9 (9), 961. https://doi.org/ 10.3390/rs9090961.
Ewing, J., Oommen, T., Jayakumar, P., Alger, R., 2020. Korištenje hiperspektralnog daljinskog senzora za gradaciju tla. Remote Sensing 12 (20), 3312. ttps://doi.org/10.3390/
rs12203312.
Fawcett, D., Panigada, C., Tagliabue, G., Boschetti, M., Celesti, M., Evdokimov, A., Biriukova, K., Colombo, R., Miglietta, F., Rascher, U., Anderson, K., 2020. Višeskalna evaluacija multispektralne površinske refleksije i indeksa vegetacije na bazi dronova u radnim uvjetima. Daljinsko prepoznavanje 12 (3), 514.
Feng, X., Yan, F., Liu, X., 2019. Studija bežičnih komunikacijskih tehnologija na Internetu stvari za preciznu poljoprivredu. Wireless Pers. Commun. 108 (3),
1785-1802.
Ferreira, MP, Pinto, CF, Serra, FR, 2014. Teorija transakcionih troškova u međunarodnom poslovnom istraživanju: bibliometrijska studija tokom tri decenije. Scientometrics 98 (3), 1899–1922. https://doi.org/10.1007/s11192-013-1172-8.
Fisher, P., Abuzar, M., Rab, M., Best, F., Chandra, S., 2009. Napredak u preciznoj poljoprivredi u jugoistočnoj Australiji. I. metodologija regresije za simulaciju
prostorne varijacije u prinosu žitarica korištenjem historijskih prinosa padoka farmera i normalizirane razlike vegetacijskog indeksa. Crop Pasture Sci. 60 (9), 844–858.
Floreano, D., Wood, RJ, 2015. Nauka, tehnologija i budućnost malih autonomnih dronova. Nature 521 (7553), 460–466. https://doi.org/10.1038/nature14542.
Friha, O., Ferrag, MA, Shu, L., Maglaras, LA, Wang, X., 2021. Internet stvari za budućnost pametne poljoprivrede: sveobuhvatno istraživanje novih tehnologija. IEEE CAA J. Autom. Sinica 8 (4), 718–752.
Fuentes-Pacheco, J., Torres-Olivares, J., Roman-Rangel, E., Cervantes, S., JuarezLopez, P., Hermosillo-Valadez, J., Rendon-Mancha, ´ JM, 2019. Segmentacija biljaka smokve iz zračnih snimaka koristeći duboku konvolucionu enkoder-dekoder mrežu. Remote Sensing 11 (10), 1157. https://doi.org/10.3390/rs11101157.
Gago, J., Douthe, C., Coopman, RE, Gallego, PP, Ribas-Carbo, M., Flexas, J., Escalona, J., Medrano, H., 2015. Bespilotne letjelice izazivaju procjenu stresa vode za
održiva poljoprivreda. Agric. Water Manag. 153, 9–19. https://doi.org/10.1016/j. agwat.2015.01.020.
García-Tejero, IF, Rubio, AE, Vinuela, ˜ I., Hern´ andez, A., Guti´errez-Gordillo, S., Rodríguez-Pleguezuelo, CR, Dur´ an-Zuazo, VH, 2018. Termalno snimanje u fabrici
nivo za procjenu statusa vode usjeva u stablima badema (cv. Guara) pod deficitarnim strategijama navodnjavanja. Agric. Water Manag. 208, 176–186. https://doi.org/10.1016/j.
agwat.2018.06.002.
Garzonio, R., Di Mauro, B., Colombo, R., Cogliati, S., 2017. Mjerenja površinske refleksije i spektroskopije inducirane fluorescencije pomoću male hiperspektralne UAS. Remote Sensing 9 (5), 472. https://doi.org/10.3390/rs9050472. Gaˇsparović, M., Zrinjski, M., Barković, Đ., Radoˇcaj, D., 2020. Automatska metoda za
mapiranje korova na poljima zobi na osnovu snimaka UAV. Račun. Elektron. Agric.
Gebbers, R., Adamchuk, VI, 2010. Precizna poljoprivreda i sigurnost hrane. Science 327 (5967), 828–831. https://doi.org/10.1126/science.1183899.
Geipel, J., Link, J., Claupein, W., 2014. Kombinovano spektralno i prostorno modeliranje prinosa kukuruza na osnovu snimaka iz vazduha i modela površine useva dobijenih pomoću sistema bespilotne letelice. Remote Sensing 6 (11), 10335–10355. https://doi.org/10.3390/rs61110335.
Geng, D., Feng, Y., Zhu, Q., 2020. Održivi dizajn za korisnike: pregled literature i bibliometrijska analiza. Environ. Sci. Pollut. Res. 27 (24), 29824–29836. https://doi. org/10.1007/s11356-020-09283-1.
Gevaert, CM, Suomalainen, J., Tang, J., Kooistra, L., 2015. Generiranje spektralnotemporalnih površina odgovora kombinacijom multispektralnog satelita i hiperspektralnog
UAV slike za precizne poljoprivredne aplikacije. IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens. 8 (6), 3140–3146. ttps://doi.org/10.1109/JSTARS.2015.2406339.
Gill, SS, Chana, I., Buyya, R., 2017. Poljoprivreda zasnovana na IoT-u kao oblak i usluga velikih podataka: početak digitalne Indije. J. Org. i Račun krajnjeg korisnika. (JOEUC) 29 (4),
1-23.
Gmür, M., 2006. Analiza kocitiranja i potraga za nevidljivim fakultetima: metodološka evaluacija. Scientometrics 57 (1), 27–57. https://doi.org/10.1023/
a:1023619503005.
Gnadinger, ¨ F., Schmidhalter, U., 2017. Digitalni broj biljaka kukuruza pomoću bespilotnih letjelica (UAV). Daljinsko prepoznavanje 9 (6). Https://doi.org/10.3390/rs9060544.
Gokto ¨ ǧan, AH, Sukkarieh, S., Bryson, M., Randle, J., Lupton, T., Hung, C., 2010. Rotary wing bespilotno zračno vozilo za nadzor vodenog korova i
menadžment. J. Intell. Robotic Syst.: Theor. Appl. 57 (1–4), 467–484. https://doi. org/10.1007/s10846-009-9371-5.
Gomez-Cand ´ on, ´ D., De Castro, AI, Lopez-Granados, ´ F., 2014. Procjena točnosti mozaika s bespilotne letjelice (UAV) za potrebe precizne poljoprivrede u pšenici. Precis. Agric. 15 (1), 44–56. https://doi.org/10.1007/s11119-013-9335-4.
Gomez-Cand ´ on, ´ D., Virlet, N., Labb´e, S., Jolivot, A., Regnard, J.-L., 2016. Fenotipizacija vodenog stresa na drvetu pomoću UAV-sensiranih slika : novi uvidi za
termička akvizicija i kalibracija. Precis. Agric. 17 (6), 786–800. https://doi.org/10.1007/s11119-016-9449-6.
Gonzalez-Dugo, V., Zarco-Tejada, PJ, Fereres, E., 2014. Primjenjivost i ograničenja korištenja indeksa vodenog stresa usjeva kao indikatora deficita vode u zasadima citrusa. Agric. Za. Meteorol. 198–199, 94–104. https://doi.org/10.1016/j. agrformet.2014.08.003.
Gonzalez-Dugo, V., Zarco-Tejada, P., Nicolas, ´ E., Nortes, PA, Alarcon, ´ JJ, Intrigliolo, DS, Fereres, E., 2013. Korišćenjem UAV termalnih slika visoke rezolucije za
procijeniti varijabilnost u statusu vode pet vrsta voćaka unutar komercijalnog voćnjaka. Precis. Agric. 14 (6), 660–678. https://doi.org/10.1007/s11119-013-9322-9.
Goyal, K., Kumar, S., 2021. Finansijska pismenost: sistematski pregled i bibliometrijska analiza. Int. J. Consumer Studies 45 (1), 80–105. https://doi.org/10.1111/
ijcs.12605.
Grenzdorffer, ¨ GJ, Engel, A., Teichert, B., 2008. Fotogrametrijski potencijal jeftinih bespilotnih letjelica u šumarstvu i poljoprivredi. Međunarodni arhiv za fotogrametriju, daljinsku detekciju i nauke o prostornim informacijama – Arhiv ISPRS 37, 1207–1213. https://www.scopus.com/inward/record.uri?eid=2-s2.0-85039543258&partnerI D=40&md5=b4b2d639257e8ddb5a373d15959c4e1e.
Guan, S., Fukami, K., Matsunaka, H., Okami, M., Tanaka, R., Nakano, H., Sakai, T., Nakano, K., Ohdan, H., Takahashi, K., 2019. Procjena korelacije visoke rezolucije
NDVI sa nivoom primene đubriva i prinosom usjeva riže i pšenice pomoću malih bespilotnih letjelica. Daljinsko prepoznavanje 11 (2), 112.
Gundolf, K., Filser, M., 2013. Istraživanje menadžmenta i religija: analiza citata. J. Bus. Etika 112 (1), 177–185.
Guo, Q., Zhu, Y., Tang, Y., Hou, C., He, Y., Zhuang, J., Zheng, Y., Luo, S., 2020. CFD simulacija i eksperimentalna verifikacija prostornog i vremenske distribucije
protok vazduha poljoprivredne bespilotne letelice sa četiri rotora u lebdenju. Račun. Elektron. Agric. 172, 105343 https://doi.org/10.1016/j.compag.2020.105343.
Haghighattalab, A., Gonz´ alez P´erez, L., Mondal, S., Singh, D., Schinstock, D., Rutkoski, J., Ortiz-Monasterio, I., Singh, RP, Goodin, D. , Poljska, J., 2016.
Primena bespilotnih vazdušnih sistema za visoko propusnu fenotipizaciju velikih rasadnika pšenice. Plant Methods 12 (1). https://doi.org/10.1186/s13007-
016-0134-6.
Hakala, T., Honkavaara, E., Saari, H., Makynen, ¨ J., Kaivosoja, J., Pesonen, L., & Pol ¨ onen, ¨I., 2013. Spektralno snimanje iz bespilotnih letjelica pod različitim uvjetima osvjetljenja . U GG Bill R. (Ed.), Međunarodni arhiv za fotogrametriju, daljinsko otkrivanje i prostorne informacije—arhive ISPRS (Vol. 40, Izdanje 1W2, str. 189–194). Međunarodno društvo za fotogrametriju i daljinsku detekciju. https://www.scopus.com/inward/record.uri?eid=2-s2.0-848875632.
Hamylton, SM, Morris, RH, Carvalho, RC, Roder, N., Barlow, P., Mills, K., Wang, L. Evaluacija tehnika za mapiranje ostrvske vegetacije s bespilotne letjelice
slike vozila (UAV): Klasifikacija piksela, vizuelna interpretacija i pristupi mašinskom učenju. Int. J. Appl. Earth Obs. Geoinf. 89, 102085 https://doi.org/
10.1016/j.jag.2020.102085.
Haque, A., Islam, N., Samrat, NH, Dey, S., Ray, B., 2021. Pametna poljoprivreda kroz odgovorno vodstvo u Bangladešu: mogućnosti, prilike i dalje.
Održivost 13 (8), 4511.
Hardin, PJ, Hardin, TJ, 2010. Mala vozila na daljinu u istraživanju okoliša. Geografski kompas 4 (9), 1297–1311. ttps://doi.org/10.1111/j.1749-
8198.2010.00381.x.
Hardin, PJ, Jensen, RR, 2011. Bespilotne letjelice manjeg obima u daljinskom otkrivanju okoliša: izazovi i mogućnosti. GISci. Remote Sens. 48 (1), 99–111. https://doi.org/10.2747/1548-1603.48.1.99.
He, Y., Nie, P., Zhang, Q., Liu, F., 2021. Poljoprivredni internet stvari: tehnologije i primjene, (1. izdanje, 2021. izdanje). Springer.
Herwitz, SR, Johnson, LF, Dunagan, SE, Higgins, RG, Sullivan, DV, Zheng, J., Lobitz, BM, Leung, JG, Gallmeyer, BA, Aoyagi, M., Slye, RE, Brass, JA, 2004.
Snimanje iz bespilotne letjelice: poljoprivredni nadzor i podrška odlučivanju. Račun. Elektron. Agric. 44 (1), 49–61. https://doi.org/10.1016/j.
compag.2004.02.006.
Holman, FH, Riche, AB, Michalski, A., Castle, M., Wooster, MJ, Hawkesford, MJ, Fenotipizacija na polju visoke propusnosti visine i stope rasta biljaka pšenice u ogledima na poljskim parcelama korištenjem daljinskog istraživanja zasnovanog na UAV-u. Daljinsko prepoznavanje 8 (12). https://doi. org/10.3390/rs8121031.
Honkavaara, E., Saari, H., Kaivosoja, J., Pol ¨ onen, ¨ I., Hakala, T., Litkey, P., M¨akynen, J., Pesonen, L., 2013. Obrada i procjena spektrometrijskih, stereoskopskih snimaka prikupljenih pomoću lagane UAV spektralne kamere za preciznu poljoprivredu. Remote Sensing 5 (10), 5006–5039. https://doi.org/10.3390/rs5105006.
Hossein Motlagh, N., Taleb, T., Arouk, O., 2016. Usluge interneta stvari zasnovane na bespilotnim letjelicama na malim visinama: sveobuhvatno istraživanje i buduće perspektive. IEEE Internet Things J. 3 (6), 899–922. https://doi.org/10.1109/JIOT.2016.2612119.
Hrabar, S., Sukhatme, GS, Corke, P., Usher, K., Roberts, J., 2005. Kombinirana optička navigacija i stereo-bazirana navigacija urbanih kanjona za UAV. U: 2005. IEEE/RSJ
Međunarodna konferencija o inteligentnim robotima i sistemima, str. 3309–3316. https://doi.org/10.1109/IROS.2005.1544998.
Hsu, T.-C., Yang, H., Chung, Y.-C., Hsu, C.-H., 2020. Kreativna IoT poljoprivredna platforma za računanje u oblaku magle. Sustain. Račun. Inf. Syst. 28, 100285.
Huang, H., Deng, J., Lan, Y., Yang, A., Deng, X., Zhang, L., Gonzalez-Andujar, JL, 2018. Potpuno konvoluciona mreža za mapiranje korova bespilotne letjelice ( UAV) slike. PLOS ONE 13 (4), e0196302.
Huang, H., Lan, Y., Yang, A., Zhang, Y., Wen, S., Deng, J., 2020. Duboko učenje u odnosu na analizu slike zasnovane na objektima (OBIA) u mapiranju korova UAV slika. Int. J.
Remote Sens. 41 (9), 3446–3479. https://doi.org/10.1080/01431161.2019.1706112.
Huang, H., Yang, A., Tang, Y., Zhuang, J., Hou, C., Tan, Z., Dananjayan, S., He, Y., Guo, Q., Luo, S., 2021. Duboka kalibracija boja za UAV slike u praćenju usjeva
koristeći prijenos semantičkog stila s lokalnom na globalnu pažnju. Int. J. Appl. Earth Obs. Geoinf. 104, 102590 https://doi.org/10.1016/j.jag.2021.102590.
Huang, YB, Thomson, SJ, Hoffmann, WC, Lan, YB, Fritz, BK, 2013. Razvoj i perspektiva tehnologija bespilotnih letjelica za poljoprivrednu proizvodnju
menadžment. Int. J. Agric. Biol. inž. 6 (3), 1–10. https://doi.org/10.3965/j. ijabe.20130603.001.
Huang, Y., Hoffmann, WC, Lan, Y., Wu, W., Fritz, BK, 2009. Razvoj sistema za prskanje za platformu za bespilotnu letjelicu. Appl. inž. Agric. 25 (6), 803–809.
Hunt Jr., ER, Dean Hively, W., Fujikawa, SJ, Linden, DS, Daughtry, CST, McCarty, GW, 2010. Pribavljanje NIR-zeleno-plavih digitalnih fotografija od
bespilotne letelice za praćenje useva. Remote Sensing 2 (1), 290–305. https://doi. org/10.3390/rs2010290. Inoue, Y., 2020. Daljinsko ispitivanje usjeva i tla za pametnu poljoprivredu putem satelita i dronova – pregled. Soil Sci. Plant Nutr. 66 (6), 798–810. https://doi.org/10.1080/00380768.2020.1738899.
Islam, N., Rashid, MM, Pasandideh, F., Ray, B., Moore, S., Kadel, R., 2021. Pregled aplikacija i komunikacijskih tehnologija za Internet stvari (IoT) i
Održiva pametna poljoprivreda zasnovana na bespilotnim letjelicama (UAV). Održivost 13 (4), 1821. https://doi.org/10.3390/su13041821.
Jaud, M., Passot, S., Le Bivic, R., Delacourt, C., Grandjean, P., Le Dantec, N., 2016. Procjena tačnosti digitalnih modela površine visoke rezolucije izračunatih od strane
PhotoScan® i MicMac® u pod-optimalnim uslovima snimanja. Remote Sensing 8 (6), https://doi.org/10.3390/rs8060465.
Jim´enez-Brenes, FM, Lopez-Granados, ´ F., Castro, AI, Torres-S´ anchez, J., Serrano, N., Pena, ˜ JM, 2017. Kvantificiranje utjecaja rezidbe na arhitekturu stabala masline i godišnje rast krošnje korištenjem 3D modeliranja zasnovanog na UAV-u. Plant Methods 13 (1). https://doi.org/10.1186/s13007-017-0205-3.
Jin, X., Liu, S., Baret, F., Hemerl´e, M., Comar, A., 2017. Procjene gustine biljaka usjeva pšenice pri izlasku iz UAV snimaka na vrlo malim visinama. Remote Sens.
Environ. 198, 105–114. https://doi.org/10.1016/j.rse.2017.06.007.
Jinbo, C., Xiangliang, C., Han-Chi, F., Lam, A., 2019. Sistem za praćenje poljoprivrednih proizvoda podržan od strane računarstva u oblaku. Cluster Comput. 22 (4), 8929–8938.
Ju, C., & Son, HI 2018a. Procjena performansi više UAV sistema za daljinsku detekciju u poljoprivredi. Proceedings of the Workshop on Robotic Vision and Action in Agriculture na IEEE International Conference on Robotics and Automation (ICRA), Brisbane, Australia, 21–26.
Ju, C., Sin, HI, 2018b. Višestruki UAV sistemi za poljoprivredne aplikacije: kontrola, implementacija i evaluacija. Elektronika 7 (9), 162. https://doi.org/10.3390/
elektronika7090162.
Jung, J., Maeda, M., Chang, A., Bhandari, M., Ashapure, A., Landivar-Bowles, J., 2021. Potencijal daljinskog otkrivanja i umjetne inteligencije kao alata za poboljšanje
otpornost sistema poljoprivredne proizvodnje. Curr. Opin. Biotechnol. 70, 15–22. https://doi.org/10.1016/j.copbio.2020.09.003.
Kalischuk, M., Paret, ML, Freeman, JH, Raj, D., Da Silva, S., Eubanks, S., Wiggins, DJ, Lollar, M., Marois, JJ, Mellinger, HC, Das, J. , 2019. Poboljšana tehnika izviđanja usjeva koja uključuje multispektralno snimanje usjeva uz pomoć bespilotne letjelice u konvencionalnu praksu izviđanja gumene gljivice u lubenici. Plant Dis. 103 (7), 1642–1650.
Kapoor, KK, Tamilmani, K., Rana, NP, Patil, P., Dwivedi, YK, Nerur, S., 2018. Napredak u istraživanju društvenih medija: prošlost, sadašnjost i budućnost. Inform. Syst. Front. 20
(3), 531-558.
Kerkech, M., Hafiane, A., Canals, R., 2020. VddNet: mreža za otkrivanje bolesti vinove loze zasnovana na multispektralnim slikama i mapi dubine. Remote Sensing 12 (20), 3305. https://doi. org/10.3390/rs12203305.
Khaliq, A., Comba, L., Biglia, A., Ricauda Aimonino, D., Chiaberge, M., Gay, P., 2019. Poređenje satelitskih i multispektralnih snimaka zasnovanih na UAV-u za vinograd
procjena varijabilnosti. Daljinsko prepoznavanje 11 (4). https://doi.org/10.3390/rs11040436.
Khan, PW, Byun, Y.-C., Park, N., 2020. IoT-blockchain je omogućio optimizirani sistem porijekla za prehrambenu industriju 4.0 koristeći napredno duboko učenje. Senzori 20 (10), 2990.
Khan, RU, Khan, K., Albattah, W., Qamar, AM, Ullah, F., 2021. Detekcija biljnih bolesti zasnovana na slikama: od klasičnog mašinskog učenja do putovanja dubokog učenja. Wireless Commun. Mobilni računar. 2021, 1–13.
Khan, S., Tufail, M., Khan, MT, Khan, ZA, Iqbal, J., Alam, M., Le, KNQ, 2021. Novi polunadgledani okvir za klasifikaciju usjeva/korova zasnovanu na UAV-u. PLOS ONE 16 (5), e0251008.
Khanal, S., Fulton, J., Shearer, S., 2017. Pregled trenutnih i potencijalnih primjena termičke daljinske mjere u preciznoj poljoprivredi. Račun. Elektron.
Agric. 139, 22–32. https://doi.org/10.1016/j.compag.2017.05.001.
Khanna, A., Kaur, S., 2019. Evolucija interneta stvari (IoT) i njegov značajan utjecaj u području precizne poljoprivrede. Račun. Elektron. Agric. 157, 218–231.
Kim, W., Khan, GF, Wood, J., Mahmood, MT, 2016. Angažman zaposlenih za održive organizacije: analiza ključnih riječi korištenjem analize društvenih mreža i praska
pristup otkrivanju. Održivost 8 (7), 631.
Kirsch, M., Lorenz, S., Zimmermann, R., Tusa, L., Mockel, ¨ R., Hodl, ¨ P., Booysen, R., Khodadadzadeh, M., Gloaguen, R., 2018. Integracija zemaljskih i dronova
hiperspektralne i fotogrametrijske metode senzora za mapiranje istraživanja i praćenje rudarstva. Remote Sensing 10 (9), 1366. https://doi.org/10.3390/
rs10091366.
Kitano, BT, Mendes, CCT, Geus, AR, Oliveira, HC, Souza, JR, 2019. Brojanje biljaka kukuruza pomoću dubinskog učenja i UAV slika. IEEE Geosci. Remote Sens. Lett. 1–5 https://doi.org/10.1109/LGRS.2019.2930549.
Koh, JCO, Spangenberg, G., Kant, S., 2021. Automatsko mašinsko učenje za visokopropusnu fenotipizaciju biljaka zasnovanu na slikama. Daljinska detekcija 13 (5), 858. https://
doi.org/10.3390/rs13050858.
Kovaljev, IV, Vorošilova, AA, 2020. Savremeni tehnološki trendovi u razvoju ekosistema teretnih bespilotnih letelica. J. Phys. Konf. Ser. 1515 (5), 052068 https://doi. org/10.1088/1742-6596/1515/5/052068.
Krul, S., Pantos, C., Frangulea, M., Valente, J., 2021. Vizuelni SLAM za stočarstvo i poljoprivredu u zatvorenom prostoru pomoću malog drona sa monokularnom kamerom: studija izvodljivosti.
Dronovi 5 (2), 41. https://doi.org/10.3390/drones5020041.
Kulbacki, M., Segen, J., Knie´c, W., Klempous, R., Kluwak, K., Nikodem, J., Kulbacka, J., Serester, A., 2018. Istraživanje dronova za automatizaciju poljoprivrede od sadnje do
žetva. U: INES 2018 – IEEE 22. Međunarodna konferencija o inteligentnim inženjerskim sistemima, str. 000353–358. https://doi.org/10.1109/INES.2018.8523943.
Lagkas, T., Argyriou, V., Bibi, S., Sarigiannidis, P., 2018. Pogledi i izazovi UAV IoT okvira: prema zaštiti dronova kao „stvari“. Senzori 18 (11), 4015. https://doi.org/10.3390/s18114015.
Laliberte, AS, Rango, A., 2011. Postupci obrade i klasifikacije slika za analizu subdecimetarskih snimaka dobijenih bespilotnim
pašnjaci. GISci. Remote Sens. 48 (1), 4–23. https://doi.org/10.2747/1548-1603.48.1.4.
Laliberte, AS, Rango, A., Herrick, JE, 2007. Bespilotne letjelice za mapiranje i praćenje pašnjaka: poređenje dva sistema. ASPRS Annual Conference Proceedings.
Lam, OHY, Dogotari, M., Prüm, M., Vithlani, HN, Roers, C., Melville, B., Zimmer, F., Becker, R., 2021. Tok rada otvorenog koda za mapiranje korova na autohtonim travnjacima
korištenje bespilotne letjelice: korištenje Rumex obtusifolius kao studija slučaja. EUR. J.Remote Sens. 54 (sup1), 71–88. https://doi.org/10.1080/22797254.2020.1793687.
Lambert, DM, Lowenberg-DeBoer, J., Griffin, TW, Peone, J., Payne, T., Daberkow, SG, 2004. Usvajanje, profitabilnost i bolje korištenje podataka o preciznoj poljoprivredi.
Radni papir. Univerzitet Purdue. https://doi.org/10.22004/ag.econ.28615.
Lelong, CCD, Burger, P., Jubelin, G., Roux, B., Labb´e, S., Baret, F., 2008. Procjena snimaka bespilotnih letjelica za kvantitativno praćenje usjeva pšenice na malim parcelama. Senzori 8 (5), 3557–3585. https://doi.org/10.3390/s8053557.
Li, C., Niu, B., 2020. Dizajn pametne poljoprivrede zasnovane na velikim podacima i Internetu stvari. Int. J. Distrib. Sens. Netw. 16 (5) ttps://doi.org/10.1177/1550147720917065.
Li, W., Niu, Z., Chen, H., Li, D., Wu, M., Zhao, W., 2016. Daljinska procjena visine krošnje i nadzemne biomase kukuruza korištenjem stereo slika visoke rezolucije sa jeftin sistem bespilotne letelice. Ecol. Ind. 67, 637–648. https://doi.org/10.1016/j.ecolind.2016.03.036.
Liakos, KG, Busato, P., Moshou, D., Pearson, S., Bochtis, D., 2018. Mašinsko učenje u poljoprivredi: pregled. Senzori 18 (8), 2674.
Liebisch, F., Kirchgessner, N., Schneider, D., Walter, A., Hund, A., 2015. Daljinska, zračna fenotipizacija osobina kukuruza s mobilnim multi-senzorskim pristupom. Plant Methods 11 (1), 9. https://doi.org/10.1186/s13007-015-0048-8.
Lin, Z., Guo, W., 2020. Detekcija i brojanje metlice sirka pomoću slika bespilotne letelice i dubokog učenja. Front. Plant Sci. 11.
Liu, S., Guo, L., Webb, H., Ya, X., Chang, X., 2019. Sistem za praćenje Interneta stvari moderne eko-poljoprivrede zasnovan na računarstvu u oblaku. IEEE Access 7, 37050–37058.
Lopez-Granados, ´ F., 2011. Detekcija korova za upravljanje korovom specifičnom za lokaciju: mapiranje i pristupi u realnom vremenu. Weed Res. 51 (1), 1–11. https://doi.org/10.1111/j.1365-3180.2010.00829.x.
Lopez-Granados, ´ F., Torres-Sanchez, ´ J., De Castro, A.-I., Serrano-P´erez, A., MesasCarrascosa, F.-J., Pena, ˜ J.-M. , 2016. Rano praćenje travnatog korova u usjevu trave na bazi objekata korištenjem UAV snimaka visoke rezolucije. Agron. Sustain. Dev. 36 (4), 1–12
Lopez-Granados, ´ F., Torres-S´ anchez, J., Serrano-P´erez, A., de Castro, AI, MesasCarrascosa, F.-J., Pena, ˜ J.-M., 2016. Rano sezonsko mapiranje korova u suncokretu korištenjem UAV tehnologije: varijabilnost karata tretmana herbicidima u odnosu na pragove korova. Precis. Agric. 17 (2), 183–199.
Lucieer, A., Malenovský, Z., Veness, T., Wallace, L., 2014. HyperUAS – slikovna spektroskopija iz sistema bespilotne letjelice s više rotora. J. Field Rob. 31 (4),
571–590. https://doi.org/10.1002/rob.21508.
Lumme, J., Karjalainen, M., Kaartinen, H., Kukko, A., Hyyppa, ¨ J., Hyypp¨ a, H., Jaakkola, A., & Kleemola, J., 2008. Zemaljsko lasersko skeniranje poljoprivrednih kultura. U JJ
Chen J. Maas H–G. (Ed.), Međunarodni arhiv za fotogrametriju, daljinsku detekciju i nauke o prostornim informacijama—ISPRS arhiv (Vol. 37, str. 563–566).
Međunarodno društvo za fotogrametriju i daljinsku detekciju. https://www.scopus .com/inward/record.uri?eid=2-s2.0-84919356328&partnerID=40&md5=574
b802131a99d16318ce619a01ca1bf.
Ma, L., Li, M., Ma, X., Cheng, L., Du, P., Liu, Y., 2017. Pregled nadzirane klasifikacije slika pokrivača zemljišta pod nadzorom. ISPRS J. Photogramm. Remote Sens. 130,
277–293. https://doi.org/10.1016/j.isprsjprs.2017.06.001.
Maes, WH, Steppe, K., 2019. Perspektive daljinske detekcije bespilotnim letjelicama u preciznoj poljoprivredi. Trends Plant Sci. 24 (2), 152–164. https://doi.org/10.1016/j.tplants.2018.11.007.
Maimaitijiang, M., Ghulam, A., Sidike, P., Hartling, S., Maimaitiyiming, M., Peterson, K., Shavers, E., Fishman, J., Peterson, J., Kadam, S., Burken, J., Fritschi, F., 2017.
Fenotipizacija soje zasnovana na bespilotnom vazdušnom sistemu (UAS) koristeći fuziju podataka sa više senzora i mašinu za ekstremno učenje. ISPRS J. Photogramm. Remote Sens. 134, 43–58. https://doi.org/10.1016/j.isprsjprs.2017.10.011. Maimaitijiang, M., Sagan, V., Sidike, P., Daloye, AM, Erkbol, H., Fritschi, FB, 2020.
Praćenje usjeva pomoću fuzije satelitskih/UAV podataka i mašinskog učenja. Remote Sensing 12 (9), 1357. https://doi.org/10.3390/rs12091357.
Manfreda, S., McCabe, M., Miller, P., Lucas, R., Pajuelo Madrigal, V., Mallinis, G., Ben Dor, E., Helman, D., Estes, L., Ciraolo, G ., Müllerova, ´ J., Tauro, F., de Lima, M., de
Lima, J., Maltese, A., Frances, F., Caylor, K., Kohv, M., Perks, M., Ruiz-P´erez, G., Su, Z., Vico, G., Toth , B., 2018. O upotrebi bespilotnih vazdušnih sistema za
monitoring životne sredine. Daljinsko prepoznavanje 10 (4), 641.
Marinko, RA, 1998. Citati u časopisima za ženske studije u disertacijama, 1989. i The Serials Librarian 35 (1–2), 29–44. https://doi.org/10.1300/J123v35n01_
03.
Masroor, R., Naeem, M., Ejaz, W., 2021. Upravljanje resursima u bežičnim mrežama potpomognutim UAV-om: perspektiva optimizacije. Ad Hoc Netw. 121, 102596 https://doi.org/10.1016/j.adhoc.2021.102596.
Matese, A., Di Gennaro, SF, 2018. Praktične primjene multisenzorske UAV platforme zasnovane na multispektralnim, termalnim i RGB slikama visoke rezolucije u preciznosti
vinogradarstvo. Poljoprivreda 8 (7), 116. https://doi.org/10.3390/agriculture8070116.
Matese, A., Di Gennaro, SF, 2021. Izvan tradicionalnog NDVI indeksa kao ključnog faktora za integraciju upotrebe UAV-a u preciznom vinogradarstvu. Sci. Rep. 11 (1), 2721. https://doi.org/10.1038/s41598-021-81652-3.
Matese, A., Toscano, P., Di Gennaro, SF, Genesio, L., Vaccari, FP, Primicerio, J., Belli, C., Zaldei, A., Bianconi, R., Gioli, B., 2015. Međusobno poređenje UAV, aviona
i satelitske platforme za daljinsko otkrivanje za precizno vinogradarstvo. Remote Sensing 7 (3), 2971–2990. https://doi.org/10.3390/rs70302971.
Mazzia, V., Comba, L., Khaliq, A., Chiaberge, M., Gay, P., 2020. Preciznost satelitskog indeksa vegetacije zasnovana na UAV i mašinskom učenju za preciznost
poljoprivreda. Senzori 20 (9), 2530. https://doi.org/10.3390/s20092530.
McCain, KW, 1990. Mapiranje autora u intelektualnom prostoru: tehnički pregled. J. Am. Soc. Info. Sci. 41 (6), 433–443.
Meinen, BU, Robinson, DT, 2021. Modeliranje poljoprivredne erozije: procjena USLE i WEPP procjena erozije na ljestvici koristeći podatke vremenske serije UAV. Environ. Modell. Softver 137, 104962. https://doi.org/10.1016/j.envsoft.2021.104962.
Melville, B., Lucieer, A., Aryal, J., 2019. Klasifikacija nizinskih autohtonih pašnjačkih zajednica koristeći slike hiperspektralnog sistema bespilotnih letjelica (UAS) u
Tasmanijska sredina. Dronovi 3 (1), 5.
Messina, G., Modica, G., 2020. Primjena UAV termalnih slika u preciznoj poljoprivredi: stanje tehnike i budući istraživački izgledi. Remote Sensing 12 (9), https://doi.org/10.3390/rs12091491.
Mishra, D., Luo, Z., Jiang, S., Papadopoulos, T., Dubey, R., 2017. Bibliografska studija o velikim podacima: koncepti, trendovi i izazovi. Upravljanje poslovnim procesima. J. 23 (3),
555-573.
Mochida, K., Saisho, D., Hirayama, T., 2015. Poboljšanje usjeva korištenjem skupova podataka životnog ciklusa prikupljenih u poljskim uslovima. Front. Plant Sci. 6 https://doi.org/10.3389/
fpls.2015.00740.
Mogili, UM.R., Deepak, BBVL, 2018. Pregled primjene sistema dronova u preciznoj poljoprivredi. Procedia Comput. Sci. 133, 502–509.
Moharana, S., Dutta, S., 2016. Prostorna varijabilnost sadržaja hlorofila i dušika u riži iz hiperspektralnih slika. ISPRS J. Photogramm. Remote Sens. 122, 17–29.
Muangprathub, J., Boonnam, N., Kajornkasirat, S., Lekbangpong, N., Wanichsombat, A.,
Nillaor, P., 2019. IoT i analiza podataka o poljoprivredi za pametnu farmu. Račun. Elektron. Agric. 156, 467–474.
Nansen, C., Elliott, N., 2016. Remote sensing and reflectance profileing in entomology. Annu. Rev. Entomol. 61 (1), 139–158. https://doi.org/10.1146/annurev-ento010715-023834.
Navia, J., Mondragon, I., Patino, D., Colorado, J., 2016. Multispektralno mapiranje u poljoprivredi: mozaik terena korištenjem autonomnog kvadrokoptera UAV. Int. Konf.
Bespilotni avion Syst. (ICUAS) 2016, 1351–1358. https://doi.org/10.1109/ ICUAS.2016.7502606.
Nayyar, A., Nguyen, B.-L., Nguyen, NG, 2020. Internet stvari dronova (Iodt): budućnost pametnih dronova. Adv. Intell. Syst. Račun. 1045, 563–580. https://doi.org/10.1007/978-981-15-0029-9_45.
Nebiker, S., Annen, A., Scherrer, M., Oesch, D., 2008. Lagani multispektralni senzor za mikro UAV—prilike za daljinsko otkrivanje u zraku vrlo visoke rezolucije. Int. Arch. Photogramm. Remote Sens. Spat. Inf. Sci 37 (B1), 1193–1200.
Negash, L., Kim, H.-Y., Choi, H.-L., 2019. Nove UAV aplikacije u poljoprivredi. U: 2019. 7. Međunarodna konferencija o tehnologiji robotske inteligencije i
Prijave (RiTA), str. 254–257. https://doi.org/10.1109/RITAPP.2019.8932853.
Nerur, SP, Rasheed, AA, Natarajan, V., 2008. Intelektualna struktura oblasti strateškog menadžmenta: autorska kocitatna analiza. Strateg. Manag. J. 29 (3),
319-336.
Neupane, K., Baysal-Gurel, F., 2021. Automatska identifikacija i praćenje biljnih bolesti korištenjem bespilotnih letjelica: pregled. Remote Sensing 13 (19), 3841. https://doi.org/10.3390/rs13193841.
Nex, F., Remondino, F., 2014. UAV za aplikacije za 3D mapiranje: pregled. Appl. Geomatika 6 (1), 1–15. https://doi.org/10.1007/s12518-013-0120-x.
Niu, H., Hollenbeck, D., Zhao, T., Wang, D., Chen, Y., 2020. Procjena evapotranspiracije s malim UAV-ovima u preciznoj poljoprivredi. Senzori 20 (22), 6427. https://
doi.org/10.3390/s20226427.
Osareh, F., 1996. Bibliometrija, analiza citata i analiza kocitata. Pregled književnosti I 46 (3), 149–158. https://doi.org/10.1515/libr.1996.46.3.149.
P´ adua, L., Vanko, J., Hruška, J., Ad˜ ao, T., Sousa, JJ, Peres, E., Morais, R., 2017. UAS, senzori i obrada podataka u agrošumarstvu: pregled praktičnih primjena. Int. J. Remote Sens. 38 (8–10), 2349–2391. https://doi.org/10.1080/01431161.2017.1297548.
Panday, SAD, Pratihast, AK, Aryal, J., Kayastha, RB, 2020. Pregled rješenja podataka zasnovanih na dronu za usjeve žitarica. Dronovi 4 (3), 1–29. https://doi.org/10.3390/
drones4030041.
Parsaeian, M., Shahabi, M., Hassanpour, H., 2020. Procjena sadržaja ulja i proteina u sjemenkama susama korištenjem obrade slike i umjetne neuronske mreže. J. Am. Ulje
Chemists' Soc. 97 (7), 691–702.
Pena, ˜ JM, Torres-S´anchez, J., de Castro, AI, Kelly, M., Lopez-Granados, ´ F., Suarez, O., Mapiranje korova na poljima kukuruza u ranoj sezoni korištenjem analize zasnovane na objektima of
Bespilotna letjelica (UAV) Slike. PLOS ONE 8 (10), e77151.
P´erez-Ortiz, M., Pena, ˜ JM, Guti´errez, PA, Torres-S´ anchez, J., Herv´ as-Martínez, C.,
Lopez-Granados, ´ F., 2015. Polu-nadzirani sistem za mapiranje korova u usjevima suncokreta pomoću bespilotnih letjelica i metode detekcije redova usjeva. Appl. Soft Comput. J. 37, 533–544. https://doi.org/10.1016/j.asoc.2015.08.027.
Pincheira, M., Vecchio, M., Giaffreda, R., Kanhere, SS, 2021. Isplativi IoT uređaji kao pouzdani izvori podataka za sistem upravljanja vodama zasnovan na blockchain-u u preciznoj poljoprivredi. Račun. Elektron. Agric. 180, 105889.
Popescu, D., Stoican, F., Stamatescu, G., Ichim, L., Dragana, C., 2020. Napredni UAV-WSN sistem za inteligentno praćenje u preciznoj poljoprivredi. Senzori 20 (3), https://doi.org/10.3390/s20030817.
Pournader, M., Shi, Y., Seuring, S., Koh, SL, 2020. Blockchain aplikacije u lancima nabavke, transportu i logistici: sistematski pregled literature. Int. J. Prod. Res. 58 (7), 2063–2081.
Primicerio, J., Di Gennaro, SF, Fiorillo, E., Genesio, L., Lugato, E., Matese, A., Vaccari, FP, 2012. Fleksibilna bespilotna letjelica za preciznu poljoprivredu.
Precis. Agric. 13 (4), 517–523. https://doi.org/10.1007/s11119-012-9257-6.
Pritchard, A., 1969. Statistička bibliografija ili bibliometrija. J. Dokument. 25 (4), 348–349.
Pudelko, R., Stuczynski, T., Borzecka-Walker, M., 2012. Pogodnost bespilotne letjelice (UAV) za ocjenu eksperimentalnih polja i usjeva. Poljoprivreda 99 (4), 431–436.
Puri, V., Nayyar, A., Raja, L., 2017. Poljoprivredni dronovi: moderni proboj u preciznoj poljoprivredi. J. Statis. Manag. Syst. 20 (4), 507–518.
Radoglou-Grammatikis, P., Sarigiannidis, P., Lagkas, T., Moscholios, I., 2020. Kompilacija UAV aplikacija za preciznu poljoprivredu. Račun. Netw. 172,
107148 https://doi.org/10.1016/j.comnet.2020.107148.
Ramesh, KV, Rakesh, V., Prakasa Rao, EVS, 2020. Primjena analitike velikih podataka i umjetne inteligencije u agronomskim istraživanjima. Indijac J. Agron. 65 (4), 383–395.
Raparelli, E., Bajocco, S., 2019. Bibliometrijska analiza upotrebe bespilotnih letjelica u studijama poljoprivrede i šumarstva. Int. J. Remote Sens. 40 (24),
9070–9083. https://doi.org/10.1080/01431161.2019.1569793.
Rasmussen, J., Nielsen, J., Garcia-Ruiz, F., Christensen, S., Streibig, JC, Lotz, B., 2013.
Potencijalne upotrebe malih bespilotnih avionskih sistema (UAS) u istraživanju korova. Weed Res. 53 (4), 242–248.
Rasmussen, J., Ntakos, G., Nielsen, J., Svensgaard, J., Poulsen, RN, Christensen, S., Da li su indeksi vegetacije izvedeni iz kamera za potrošače postavljene na
UAV-ovi dovoljno pouzdani za procjenu eksperimentalnih parcela? EUR. J. Agron. 74, 75–92. https://doi.org/10.1016/j.eja.2015.11.026.
Rejeb, A., Rejeb, K., Abdollahi, A., Zailani, S., Iranmanesh, M., Ghobakhloo, M., 2022. Digitalizacija u lancima opskrbe hranom: bibliometrijski pregled i glavni put ključnog puta
analiza. Održivost 14 (1), 83. https://doi.org/10.3390/su14010083.
Rejeb, A., Rejeb, K., Simske, SJ, Treiblmaier, H., 2021a. Dronovi za upravljanje lancem nabavke i logistiku: pregled i istraživački plan. Int. J. Logist. Res. Appl.
1–24. https://doi.org/10.1080/13675567.2021.1981273.
Rejeb, A., Rejeb, K., Simske, S., Treiblmaier, H., 2021b. Blockchain tehnologije u logistici i upravljanju lancem nabavke: bibliometrijski pregled. Logistika 5 (4), 72.
https://doi.org/10.3390/logistics5040072.
Rejeb, A., Rejeb, K., Simske, S., Treiblmaier, H., 2021c. Humanitarni dronovi: pregled i agenda istraživanja. Internet stvari 16, 100434. https://doi.org/10.1016/j.
iot.2021.100434.
Rejeb, A., Treiblmaier, H., Rejeb, K., Zailani, S., 2021d. Blockchain istraživanje u zdravstvu: bibliometrijski pregled i trenutni istraživački trendovi. J. of Data, Inf. i
Manag. 3 (2), 109–124.
Rejeb, A., Simske, S., Rejeb, K., Treiblmaier, H., Zailani, S., 2020. Istraživanje Interneta stvari u upravljanju lancem nabavke i logistici: bibliometrijska analiza. Internet
stvari 12, 100318.
ReportLinker, 2021. Globalno tržište poljoprivrednih dronova dostići će 15.2 milijarde američkih dolara do godine GlobeNewswire News Room. https://www.globenewswire.com/news-release/2021/08/10/2277986/0/en/Global-Agriculture-Drones-Market-to-Reach-US-15-2-Billion-by-the- Godina-2027.html.
Ribeiro-Gomes, K., Hernandez-L´ opez, ´ D., Ortega, JF, Ballesteros, R., Poblete, T., Moreno, MA, 2017. Kalibracija nehlađene termalne kamere i optimizacija
fotogrametrijski proces za primjenu UAV u poljoprivredi. Senzori (Švajcarska) 17 (10). https://doi.org/10.3390/s17102173.
Rivera, MA, Pizam, A., 2015. Napredak u istraživanju ugostiteljstva: “Od Rodneya Dangerfielda do Arethe Franklin”. Int. J. Contempor. Bolnica. Manag. 27 (3),
362–378. https://doi.org/10.1108/IJCHM-03-2014-0146.
Roldan, ´ JJ, Joossen, G., Sanz, D., Del Cerro, J., Barrientos, A., 2015. Senzorni sistem zasnovan na mini-UAV za mjerenje varijabli okoliša u staklenicima. Senzori 15 (2), 3334–3350. https://doi.org/10.3390/s150203334.
Rozenberg, G., Kent, R., Blank, L., 2021. Potrošački UAV koji se koristi za otkrivanje i analizu obrazaca prostorne distribucije korova u kasnoj sezoni u komercijalnim poljima luka. Precis. Agric. 22 (4), 1317–1332. https://doi.org/10.1007/s11119-021-09786-y.
Saari, H., Pellikka, I., Pesonen, L., Tuominen, S., Heikkila, ¨ J., Holmlund, C., Makynen, ¨ J., Ojala, K., Antila, T., 2011. Bez posade Sistem spektralnih kamera kojim upravlja zračno vozilo (UAV) za primjenu u šumama i poljoprivredi. Nastavi. SPIE – Int. Soc. Opt. inž. 8174 https://doi.org/10.1117/12.897585.
Sah, B., Gupta, R., Bani-Hani, D., 2021. Analiza barijera za implementaciju logistike dronova. Int. J. Logist. Res. Appl. 24 (6), 531–550. https://doi.org/10.1080/
13675567.2020.1782862.
Saha, AK, Saha, J., Ray, R., Sircar, S., Dutta, S., Chattopadhyay, SP, & Saha, HN, IOT-bazirani dron za poboljšanje kvaliteta usjeva u poljoprivrednom polju. U SH
N. Chakrabarti S. (Ed.), 2018 IEEE 8. Godišnja računarska i komunikacijska radionica i konferencija, CCWC 2018 (Vols. 2018-januar, str. 612–615). institut
inženjera elektronike i elektronike doi: 10.1109/CCWC.2018.8301662.
Sai Vineeth, KV, Vara Prasad, YR, Dubey, SR, Venkataraman, H., 2019. LEDCOM: nova i efikasna LED komunikacija za preciznu poljoprivredu. IEEE Conf. Info. Commun. Technol. 2019, 1–5. https://doi.org/10.1109/CICT48419.2019.9066177.
Salamí, E., Barrado, C., Pastor, E., 2014. Eksperimenti letenja UAV primijenjeni na daljinsko istraživanje vegetacijskih područja. Remote Sensing 6 (11), 11051–11081. https://doi.org/10.3390/rs61111051.
Sankaran, S., Khot, LR, Espinoza, CZ, Jarolmasjed, S., Sathuvalli, VR, Vandemark, GJ, Miklas, PN, Carter, AH, Pumphrey, MO, Knowles, NRN, Pavek, MJ, 2015.
Sistemi za snimanje iz vazduha visoke rezolucije na malim visinama za fenotipizaciju usjeva u redovima i poljima: pregled. EUR. J. Agron. 70, 112–123. https://doi.org/10.1016/j.
eja.2015.07.004.
Santesteban, LG, Di Gennaro, SF, Herrero-Langreo, A., Miranda, C., Royo, JB, Matese, A., 2017. Termalno snimanje visoke rezolucije zasnovano na UAV-u za procjenu
trenutna i sezonska varijabilnost statusa vode biljaka unutar vinograda. Agric. Water Manag. 183, 49–59. https://doi.org/10.1016/j.agwat.2016.08.026.
Sarli, CC, Dubinsky, EK, Holmes, KL, 2010. Analiza izvan citata: Model za procjenu uticaja istraživanja. J. Med. Biblioteka doc. : JMLA 98 (1), 17–23. https://doi.org/10.3163/1536-5050.98.1.008.
Schaepman, ME, Ustin, SL, Plaza, AJ, Painter, TH, Verrelst, J., Liang, S., 2009. Spektroskopija slike u vezi sa naukom o Zemlji - procjena. Remote Sens. Environ. 113, S123–S137.
Schirrmann, M., Giebel, A., Gleiniger, F., Pflanz, M., Lentschke, J., Dammer, K.-H., 2016. Praćenje agronomskih parametara usjeva ozime pšenice s jeftinim UAV-om
slike. Daljinsko prepoznavanje 8 (9). https://doi.org/10.3390/rs8090706.
Schmale III, DG, Dingus, BR, Reinholtz, C., 2008. Razvoj i primjena autonomne bespilotne letjelice za precizno aerobiološko uzorkovanje iznad
poljoprivredna polja. J. Field Rob. 25 (3), 133–147. https://doi.org/10.1002/rob.20232.
Shadrin, D., Menshchikov, A., Somov, A., Bornemann, G., Hauslage, J., Fedorov, M.,
Omogućavanje precizne poljoprivrede putem ugrađenog senzora sa umjetnom inteligencijom. IEEE Trans. Instrum. Meas. 69 (7), 4103–4113.
Shakhatreh, H., Sawalmeh, AH, Al-Fuqaha, A., Dou, Z., Almaita, E., Khalil, I.,
Othman, NS, Khreishah, A., Guizani, M., 2019. Bespilotne letjelice (UAV): istraživanje o civilnim primjenama i ključnim istraživačkim izazovima. IEEE pristup 7,
48572–48634. https://doi.org/10.1109/ACCESS.2019.2909530.
Shakoor, N., Northrup, D., Murray, S., Mockler, TC, 2019. Poljoprivreda vođena velikim podacima: analiza velikih podataka u oplemenjivanju biljaka, genomici i korištenju daljinskog istraživanja
tehnologije za unapređenje produktivnosti usjeva. Biljni fenomen J. 2 (1), 1–8.
Sharma, BK, Chandra, G., Mishra, VP, 2019. Komparativna analiza i implikacija UAV i AI u forenzičkim istragama. U: Proceedings – 2019 Amity International
Konferencija o umjetnoj inteligenciji. https://doi.org/10.1109/AICAI.2019.8701407.
Sharma, R., Shishodia, A., Gunasekaran, A., Min, H., Munim, ZH, 2022. Uloga umjetne inteligencije u upravljanju lancem nabavke: mapiranje teritorije. Int. J.
Prod. Res. 1–24. https://doi.org/10.1080/00207543.2022.2029611.
Shi, Y., Thomasson, JA, Murray, SC, Pugh, NA, Rooney, WL, Shafian, S., Rajan, N., Rouze, G., Morgan, CLS, Neely, HL, Rana, A., Bagavathiannan , MV,
Henrickson, J., Bowden, E., Valasek, J., Olsenholler, J., Bishop, MP, Sheridan, R., Putman, EB, Popescu, S., Burks, T., Cope, D., Ibrahim, A., McCutchen, BF,
Baltensperger, DD, Avant, RV, Vidrine, M., Yang, C., Zhang, J., 2016. Bespilotne letjelice za visokopropusnu fenotipizaciju i agronomska istraživanja. PLoS ONE
11 (7), e0159781.
Shuai, G., Martinez-Feria, RA, Zhang, J., Li, S., Price, R., Basso, B., 2019. Snimanje heterogenosti sastojine kukuruza u zonama stabilnosti prinosa pomoću bespilotne letjelice
Vozila (UAV). Senzori 19 (20), 4446. https://doi.org/10.3390/s19204446.
Small, H., 1973. Kocitiranje u naučnoj literaturi: nova mjera odnosa između dva dokumenta. J. Am. Soc. Info. Sci. 24 (4), 265–269.
Small, H., Rorvig, ME, Lunin, LF, 1999. Vizualizacija nauke pomoću mapiranja citata. J. Am. Soc. Info. Sci. 50 (9), 799–813.
Soares, VHA, Ponti, MA, Gonçalves, RA, Campello, RJGB, 2021. Brojanje goveda u divljini s geolociranim snimcima iz zraka na velikim pašnjacima. Račun. Elektron. Agric. 189, 106354 https://doi.org/10.1016/j.compag.2021.106354.
Srivastava, K., Pandey, PC, Sharma, JK, 2020. Pristup optimizaciji rute u primjenama precizne poljoprivrede korištenjem bespilotnih letjelica. Dronovi 4 (3), 58. https://doi.org/ 10.3390/drones4030058.
Stafford, JV, 2000. Implementacija precizne poljoprivrede u 21. vijeku. J. Agric. inž. Res. 76 (3), 267–275.
Su, J., Coombes, M., Liu, C., Guo, L., Chen, W.-H., 2018. Procjena suše pšenice pomoću snimaka daljinskog snimanja pomoću bespilotne letjelice. 2018. 37. Kineska kontrolna konferencija (CCC).
Su, J., Liu, C., Coombes, M., Hu, X., Wang, C., Xu, X., Li, Q., Guo, L., Chen, W.-H., 2018. Praćenje žute rđe pšenice učenjem iz multispektralnih UAV snimaka iz zraka.
Račun. Elektron. Agric. 155, 157–166. https://doi.org/10.1016/j. compag.2018.10.017.
Su, Y., Wang, X., 2021. Inovacija poljoprivrednog ekonomskog upravljanja u procesu izgradnje pametne poljoprivrede pomoću velikih podataka. Sustainable Comput. Inf. Syst. 31, 100579 https://doi.org/10.1016/j.suscom.2021.100579.
Sullivan, DG, Fulton, JP, Shaw, JN, Bland, GL, 2007. Procjena osjetljivosti bespilotne termalne infracrvene antene za otkrivanje vodenog stresa u pamučnom baldahinu. Trans. ASABE 50 (6), 1955–1962.
Sumesh, KC, Ninsawat, S., Som-ard, J., 2021. Integracija RGB-baziranog indeksa vegetacije, modela površine useva i pristupa analize slike zasnovane na objektima za procjenu prinosa šećerne trske korištenjem bespilotne letjelice. Račun. Elektron. Agric. 180, 105903 https://doi.org/10.1016/j.compag.2020.105903.
Suomalainen, J., Anders, N., Iqbal, S., Franke, J., Wenting, P., Bartholomeus, H., Becker, R., Kooistra, L., 2013. Lagani hiperspektralni sistem mapiranja za
bespilotne letjelice – prvi rezultati. U: 2013. 5. radionica o hiperspektralnoj slici i obradi signala: Evolucija u daljinskom detekciji (WHISPERS), str. 1–4. https://doi.org/10.1109/WHISPERS.2013.8080721.
Suomalainen, J., Anders, N., Iqbal, S., Roerink, G., Franke, J., Wenting, P., Hünniger, D., Bartholomeus, H., Becker, R., Kooistra, L., 2014. Lagani hiperspektral
sistem mapiranja i fotogrametrijski procesni lanac za bespilotne letjelice. Remote Sensing 6 (11), 11013–11030. https://doi.org/10.3390/
rs61111013.
Syeda, IH, Alam, MM, Illahi, U., Su'ud, MM, 2021. Napredne strategije kontrole pomoću obrade slika, UAV i AI u poljoprivredi: Pregled. World J. Eng. 18 (4),
579–589. https://doi.org/10.1108/WJE-09-2020-0459.
Tahai, A., Rigsby, JT, 1998. Obrada informacija korištenjem citata za istraživanje utjecaja časopisa u računovodstvu. Inf. Proces. Upravljaj. 34 (2–3), 341–359.
Tang, Y., Dananjayan, S., Hou, C., Guo, Q., Luo, S., He, Y., 2021. Istraživanje o 5G mreži i njenom uticaju na poljoprivredu: izazovi i mogućnosti. Račun.
Elektron. Agric. 180, 105895 https://doi.org/10.1016/j.compag.2020.105895.
Tantalaki, N., Souravlas, S., Roumeliotis, M., 2019. Donošenje odluka vođeno podacima u preciznoj poljoprivredi: porast velikih podataka u poljoprivrednim sistemima. J. Agric. Informacije o hrani.
20 (4), 344–380.
Tao, H., Feng, H., Xu, L., Miao, M., Yang, G., Yang, X., Fan, L., 2020. Procjena prinosa i visine biljke ozime pšenice korištenjem UAV- bazirane na hiperspektralnim slikama.
Senzori 20 (4), 1231.
Techy, L., Schmale III, DG, Woolsey, CA, 2010. Koordinirano aerobiološko uzorkovanje biljnog patogena u nižoj atmosferi pomoću dvije autonomne bespilotne letjelice. J. Field Rob. 27 (3), 335–343. https://doi.org/10.1002/rob.20335.
Tetila, EC, Machado, BB, Astolfi, G., Belete, NAdS, Amorim, WP, Roel, AR, Pistori, H., 2020. Detekcija i klasifikacija štetočina soje pomoću dubokog učenja
sa UAV slikama. Račun. Elektron. Agric. 179, 105836.
Thamm, H.-P., Menz, G., Becker, M., Kuria, DN, Misana, S., Kohn, D., 2013. Upotreba UAS-a za procjenu poljoprivrednih sistema u AN močvarnom području u Tanzaniji u— I vlažna sezona za održivu poljoprivredu i pružanje temeljne istine za podatke Terra-Sar X. U: ISPRS – Međunarodni arhiv za fotogrametriju, daljinsku detekciju i nauke o prostornim informacijama, str. 401–406. https://doi.org/10.5194/isprsarchivesXL-1-W2-401-2013.
Thelwall, M., 2008. Bibliometrija do webometrije. J. Info. Sci. 34 (4), 605–621.
Torres-Sanchez, ´ J., Lopez-Granados, ´ F., Pena, ˜ JM, 2015. Automatska metoda zasnovana na objektima za optimalno određivanje praga u UAV slikama: primjena za detekciju vegetacije u zeljastim usjevima. Račun. Elektron. Agric. 114, 43–52. https://doi.org/10.1016/j.compag.2015.03.019.
Torres-Sanchez, ´ J., Lopez-Granados, ´ F., Serrano, N., Arquero, O., Pena, ˜ JM, Hassan, QK, 2015. Visoko propusno 3-D praćenje plantaža poljoprivrednog drveća sa Tehnologija bespilotnih letjelica (UAV). PLOS ONE 10 (6), e0130479.
Torres-Sanchez, ´ J., Pena, ˜ JM, de Castro, AI, Lopez-Granados, ´ F., 2014. Multi-temporal mapping frakcije vegetacije na poljima pšenice rane sezone korištenjem slika s UAV. Račun. Elektron. Agric. 103, 104–113. https://doi.org/10.1016/j. compag.2014.02.009.
Tsouros, DC, Bibi, S., Sarigiannidis, PG, 2019. Pregled aplikacija zasnovanih na UAV za preciznu poljoprivredu. Informacije (Švajcarska) 10 (11). https://doi.org/10.3390/info10110349.
Tu, Y.-H., Phinn, S., Johansen, K., Robson, A., Wu, D., 2020. Optimiziranje planiranja leta dronom za mjerenje strukture usjeva hortikulturnog drveća. ISPRS J. Photogramm.
Remote Sens. 160, 83–96. https://doi.org/10.1016/j.isprsjprs.2019.12.006
Tzounis, A., Katsoulas, N., Bartzanas, T., Kittas, C., 2017. Internet stvari u poljoprivredi, nedavni napredak i budući izazovi. Biosyst. inž. 164, 31–48.
https://doi.org/10.1016/j.biosystemseng.2017.09.007.
Uddin, A., Singh, VK, Pinto, D., Olmos, I., 2015. Scientometrijsko mapiranje istraživanja kompjuterskih nauka u Meksiku. Scientometrics 105 (1), 97–114.
UN., 2019. Prospekti svjetske populacije za 2019. https://population.un.org/wpp/ (pristupljeno 15.).
Uto, K., Seki, H., Saito, G., Kosugi, Y., 2013. Karakterizacija rižinih polja pomoću minijaturnog hiperspektralnog senzorskog sistema montiranog na UAV. IEEE J. Sel. Top. Appl. Earth Obs.
Remote Sens. 6 (2), 851–860. https://doi.org/10.1109/JSTARS.2013.2250921. van der Merwe, D., Burchfield, DR, Witt, TD, Price, KP, Sharda, A., 2020. Dronovi u
poljoprivreda. Adv. Agron. 162, 1–30.
Velusamy, P., Rajendran, S., Mahendran, RK, Naseer, S., Shafiq, M., Choi, J.-G., 2022.
Bespilotne letjelice (UAV) u preciznoj poljoprivredi: primjene i izazovi. Energije 15 (1), 217. https://doi.org/10.3390/en15010217.
Ventura, D., Bonifazi, A., Gravina, MF, Belluscio, A., Ardizzone, G., 2018. Mapiranje i klasifikacija ekološki osjetljivih morskih staništa korištenjem bespilotnih letjelica
Slike vozila (UAV) i analiza slike zasnovane na objektima (OBIA). Remote Sensing 10 (9), 1331. https://doi.org/10.3390/rs10091331.
Verger, A., Vigneau, N., Ch´eron, C., Gilliot, J.-M., Comar, A., Baret, F., 2014. Indeks zelenih površina iz bespilotnog vazdušnog sistema nad usevima pšenice i uljane repice . Remote Sens. Environ. 152, 654–664. https://doi.org/10.1016/j.rse.2014.06.006.
Von Bueren, SK, Burkart, A., Hueni, A., Rascher, U., Tuohy, MP, Yule, IJ, 2015. Postavljanje četiri optička UAV senzora iznad travnjaka: izazovi i
ograničenja. Biogeosciences 12 (1), 163–175. https://doi.org/10.5194/bg-12-163-2015.
Vuran, MC, Salam, A., Wong, R., Irmak, S., 2018. Internet podzemnih stvari u preciznoj poljoprivredi: arhitektonski i tehnološki aspekti. Ad Hoc Netw. 81,
160–173. https://doi.org/10.1016/j.adhoc.2018.07.017.
Wamba, SF, Queiroz, MM, 2021. Odgovorna umjetna inteligencija kao tajni sastojak digitalnog zdravlja: bibliometrijska analiza, uvidi i smjerovi istraživanja.
Info. Syst. Front. 1–16.
Wang, L., Zhang, G., Wang, Z., Liu, J., Shang, J., Liang, L., 2019. Bibliometrijska analiza trenda istraživanja daljinskim ispitivanjem u praćenju rasta usjeva: studija slučaja u Kini. Daljinsko prepoznavanje 11 (7). https://doi.org/10.3390/rs11070809.
White, HD, Griffith, BC, 1981. Kocitacija autora: književna mjera intelektualne strukture. J. Am. Soc. Info. Sci. 32 (3), 163–171.
Xiang, H., Tian, L., 2011. Razvoj jeftinog poljoprivrednog sistema za daljinsko otkrivanje zasnovanog na autonomnoj bespilotnoj letjelici (UAV). Biosyst. inž. 108 (2), 174–190. https://doi.org/10.1016/j.biosystemseng.2010.11.010.
Xie, C., Yang, C., 2020. Pregled osobina fenotipizacije visoke propusnosti biljaka pomoću senzora zasnovanih na UAV-u. Račun. Elektron. Agric. 178, 105731 https://doi.org/10.1016/j.
compag.2020.105731.
Yao, H., Qin, R., Chen, X., 2019. Bespilotna letjelica za aplikacije na daljinu – pregled. Daljinsko prepoznavanje 11 (12). https://doi.org/10.3390/
rs11121443.
Yeom, S., 2021. Praćenje kretanja ljudi i uklanjanje lažnih tragova pomoću infracrvene termalne slike pomoću multirotora. Dronovi 5 (3), 65. https://doi.org/10.3390/drones5030065.
Yue, J., Feng, H., Jin, X., Yuan, H., Li, Z., Zhou, C., Yang, G., Tian, Q., 2018. Poređenje procjene parametara usjeva pomoću slika od UAV montirane
hiperspektralni senzor i digitalna kamera visoke definicije. Remote Sensing 10 (7), 1138. https://doi.org/10.3390/rs10071138.
Yue, J., Yang, G., Li, C., Li, Z., Wang, Y., Feng, H., Xu, B., 2017. Procjena nadzemne biomase ozime pšenice korištenjem bespilotne letjelice- baziran snimak
hiperspektralni senzor i poboljšani modeli visine useva. Daljinsko prepoznavanje 9 (7). https://doi.org/10.3390/rs9070708.
Zahawi, RA, Dandois, JP, Holl, KD, Nadwodny, D., Reid, JL, Ellis, EC, 2015. Upotreba lakih bespilotnih letjelica za praćenje oporavka tropskih šuma. Biol.
Conserv. 186, 287–295. https://doi.org/10.1016/j.biocon.2015.03.031. Zamora-Izquierdo, MA, Santa, J., Martínez, JA, Martínez, V., Skarmeta, AF, 2019.
Pametna poljoprivredna IoT platforma zasnovana na edge i cloud computingu. Biosyst. inž. 177,
4-17.
Zarco-Tejada, PJ, Diaz-Varela, R., Angileri, V., Loudjani, P., 2014. Kvantifikacija visine stabla korištenjem slika vrlo visoke rezolucije dobijenih iz bespilotne antene
vozila (UAV) i automatske 3D metode fotorekonstrukcije. EUR. J. Agron. 55, 89–99. https://doi.org/10.1016/j.eja.2014.01.004.
Zhang, C., Craine, WA, McGee, RJ, Vandemark, GJ, Davis, JB, Brown, J., Hulbert, SH, Sankaran, S., 2020. Fenotipizacija intenziteta cvjetanja kod usjeva hladne sezone zasnovana na slikama. Senzori 20 (5), 1450. https://doi.org/10.3390/s20051450.
Zhang, C., Kovacs, JM, 2012. Primena malih bespilotnih vazdušnih sistema za preciznu poljoprivredu: pregled. Precis. Agric. 13 (6), 693–712. https://doi.org/
10.1007/s11119-012-9274-5.
Zhang, L., Zhang, H., Niu, Y., Han, W., 2019. Mapiranje stresa vode u kukuruzu na osnovu multispektralnog daljinskog senzora UAV. Daljinsko prepoznavanje 11 (6), 605.
Zhang, X., Han, L., Dong, Y., Shi, Y., Huang, W., Han, L., Gonz´ alez-Moreno, P., Ma, H., Ye, H., Sobeih , T., 2019. Pristup koji se temelji na dubokom učenju za automatiziranu žutu rđu
otkrivanje bolesti iz hiperspektralnih UAV slika visoke rezolucije. Remote Sensing 11 (13), 1554.
Zhao, X., Zhang, J., Huang, Y., Tian, Y., Yuan, L., 2022. Detekcija i diskriminacija bolesti i stresa od insekata na biljkama čaja korištenjem hiperspektralnog snimanja u kombinaciji s talasnom analizom. Račun. Elektron. Agric. 193, 106717 https://doi.org/10.1016/j. compag.2022.106717.
Zheng, A., Wang, M., Li, C., Tang, J., Luo, B., 2022. Entropijski vođena adversarial domena adaptacija za semantičku segmentaciju zračne slike. IEEE Trans. G
Zheng, H., Cheng, T., Yao, X., Deng, X., Tian, Y., Cao, W., Zhu, Y., 2016. Detekcija fenologije riže kroz analizu vremenskih serija zemaljskih spektralnih indeksni podaci. Field Crops Res. 198, 131–139. https://doi.org/10.1016/j.fcr.2016.08.027.
Zheng, J., Yang, W., 2018. Dizajn sistema za preciznu poljoprivredu za propuštanje sjemena zasnovanog na bežičnim senzorima. Int. J. Online Eng. 14 (05), 184.
Zhou, L., Gu, X., Cheng, S., Yang, G., Shu, M., Sun, Q., 2020. Analiza promjena visine biljaka položenog kukuruza korištenjem UAV-LiDAR podataka. Poljoprivreda 10 (5), 146. https://
doi.org/10.3390/agriculture10050146.
Zhou, S., Chai, X., Yang, Z., Wang, H., Yang, C., Sun, T., 2021. Kukuruz-IAS: Softver za analizu slike kukuruza koji koristi duboko učenje za visokopropusnu fenotipizaciju biljaka . Plant Methods 17 (1), 48. https://doi.org/10.1186/s13007-021-00747-0.
Zhou, X., Zheng, HB, Xu, XQ, He, JY, Ge, XK, Yao, X., Cheng, T., Zhu, Y., Cao, WX, Tian, YC, 2017. Predviđanje prinosa zrna u pirinač koristeći multi-temporalnu vegetaciju
indeksi iz multispektralnih i digitalnih slika zasnovanih na UAV-u. ISPRS J. Photogramm. Remote Sens. 130, 246–255. https://doi.org/10.1016/j.isprsjprs.2017.05.003.
Zhou, Y., Xie, Y., Shao, L., 2016. Simulacija osnovne tehnologije sistema za praćenje staklenika baziranog na bežičnoj senzorskoj mreži. Int. J. Online Eng. 12 (05),
43.
Zhou, Z., Majeed, Y., Diverres Naranjo, G., Gambacorta, EMT, 2021. Procjena stresa vode usjeva sa infracrvenim termalnim slikama u preciznoj poljoprivredi: pregled
i budući izgledi za aplikacije dubokog učenja. Račun. Elektron. Agric. 182, 106019 https://doi.org/10.1016/j.compag.2021.106019.