Abderahman Rejeb a , Alireza Abdollahi b , Karim Rejeb c , Horst Treiblmaier d,
- a Departement fir Management a Gesetz, Fakultéit fir Wirtschaft, Universitéit vu Roum Tor Vergata, Via Columbia, 2, Rom 00133, Italien
- b Department of Business Administration, Fakultéit fir Management, Kharazmi Universitéit, 1599964511 Teheran, Iran
- c Fakultéit fir Wëssenschaften vu Bizerte, Universitéit vu Karthago, Zarzouna, 7021 Bizerte, Tunesien
- d School of International Management, Modul University Vienna, Am Kahlenberg 1, 1190 Wien, Éisträich
ARTIKEL INFO | mythologesch |
Schlësselwieder: Drones UAV Präzisioun Landwirtschaft Internet vun Saachen Bibliometrie | Dronen, och genannt Unmanned Aerial Vehicles (UAV), hunn eng bemierkenswäert Entwécklung an de leschte Joerzéngte gesinn. An der Landwirtschaft hu se d'Landwirtschaftspraktiken geännert andeems se de Baueren substantiell Käschtespueren ubidden, erhéicht operationell Effizienz, a besser Rentabilitéit. An de leschte Joerzéngte huet d'Thema vun landwirtschaftlechen Dronen bemierkenswäert akademesch Opmierksamkeet ugezunn. Mir maachen also eng ëmfaassend Iwwerpréiwung baséiert op Bibliometrie bestehend akademesch Literatur zesummefaassen an strukturéieren an aktuell Fuerschungstrends an Hotspots opzeweisen. Mir bibliometresch Techniken uwenden an d'Literatur ronderëm landwirtschaftlech Dronen analyséieren fir ze resuméieren an virdrun Fuerschung bewäerten. Eis Analyse weist datt Fernsensing, Präzisiounslandwirtschaft, Deep Learning, Maschinnléieren, an den Internet vun de Saachen kritesch Themen sinn am Zesummenhang mat landwirtschaftlechen Dronen. Co-Zitatioun Analyse weist sechs breet Fuerschungscluster an der Literatur. Dës Etude ass ee vun den éischte Versuche fir Dronefuerschung an der Landwirtschaft ze resuméieren an zukünfteg Fuerschungsrichtungen ze proposéieren. |
Aféierung
D'Landwirtschaft stellt déi primär Liewensmëttelquell vun der Welt duer (Friha et al., 2021), an et huet schwéier Erausfuerderunge konfrontéiert wéinst der
d'Erhéijung vun der Nofro fir Liewensmëttelprodukter, Liewensmëttelsécherheet, a Sécherheetsprobleemer wéi och rifft fir Ëmweltschutz, Waasserschutz, an
Nohaltegkeet (Inoue, 2020). Dës Entwécklung gëtt virausgesot fir weiderzegoen well d'Weltbevëlkerung geschat gëtt bis 9.7 2050 Milliarden z'erreechen
(2019). Well d'Landwirtschaft dat prominentst Beispill vu Waasserverbrauch weltwäit ass, gëtt erwaart datt d'Liewensmëttelbedarf a Waasser
De Konsum wäert an absehbarer Zukunft dramatesch eropgoen. Ausserdeem ass de verstäerkten Konsum vun Dünger a Pestiziden
gekoppelt mat der Intensivéierung vun de landwirtschaftlechen Aktivitéite kéint zu zukünfteg Ëmweltfuerderunge féieren. Ähnlech ass Ackerland limitéiert, an d'
D'Zuel vun de Baueren geet weltwäit erof. Dës Erausfuerderunge ënnersträichen de Besoin fir innovativ an nohalteg Landwirtschaftsléisungen (Elijah
et al., 2018; Friha et al., 2021; Inoue, 2020; Tzounis et al., 2017).
D'Integratioun vun neien Technologien gouf als eng verspriechend Léisung identifizéiert fir dës Erausfuerderungen unzegoen. Smart Farming (Brewster et al.,
2017; Tang et al., 2021) a Präzisiounslandwirtschaft (Feng et al., 2019; Khanna & Kaur, 2019) sinn als Resultat vun esou Debatten entstanen. Déi
fréier ass eng allgemeng Notioun fir d'Adoptioun vun Informatiounskommunikatiounstechnologien (ICT) an aner modernste Innovatiounen an Landwirtschaftsaktivitéite fir d'Effizienz an d'Effizienz ze erhéijen (Haque et al., 2021). Déi lescht konzentréiert sech op Site-spezifesch Gestioun an deem d'Land opgedeelt ass
homogen Deeler, an all Deel kritt de genaue Betrag vun der landwirtschaftlecher Input fir d'Ernteerbezueloptiméierung mat Hëllef vun neien Technologien (Feng et al., 2019; Khanna & Kaur, 2019). Prominent Technologien, déi d'Wëssenschaftler an dësem Beräich opmierksam gemaach hunn, enthalen Wireless Sensor Networks (WSNs) (J. Zheng & Yang, 2018; Y. Zhou et al., 2016), den Internet vun de Saachen (IoT) (Gill et al., 2017; He et al., 2021; Liu et al., 2019),
Kënschtlech Intelligenz (AI) Techniken, dorënner Maschinnléieren an Deep Learning (Liakos et al., 2018; Parsaeian et al., 2020; Shadrin et al.,
2019), Rechentechnologien (Hsu et al., 2020; Jinbo et al., 2019; Zamora-Izquierdo et al., 2019), Big Data (Gill et al., 2017; Tantalaki
et al., 2019) und Blockchain (PW Khan et al., 2020; Pincheira et al., 2021).
Zousätzlech zu den uewe genannten Technologien, gouf Fernsensing als technologescht Tool mat héije Potenzial ugesinn fir ze verbesseren
Smart a Präzisioun Landwirtschaft. Satelliten, Mënsch-Crew Fligeren, an Dronen si populär Fernsensortechnologien (Tsouros et al., 2019).
Dronen, populär bekannt als Unmanned Aerial Vehicles (UAVs), Unmanned Aircraft Systems (UAS), a Fernpilote Fligere, sinn vun
grouss Wichtegkeet well se verschidde Virdeeler am Verglach mat anere Fernsensortechnologien hunn. Zum Beispill kënnen Dronen liwweren
héichqualitativ an héichopléisende Biller op bewölktem Deeg (Manfreda et al., 2018). Och hir Disponibilitéit an Transfergeschwindegkeet bilden aner
Virdeeler (Radoglou-Grammatikis et al., 2020). Am Verglach mat Fligeren sinn Dronen héich Käschteneffizient an einfach ze installéieren an z'erhalen (Tsouros et al., 2019). Och wann se ufanks haaptsächlech fir militäresch Zwecker benotzt ginn, kënnen Dronen vill zivil Uwendungen profitéieren, zum Beispill am Versuergungskettenmanagement (A. Rejeb, Rejeb, et al., 2021a), fir humanitär Zwecker (A. Rejeb, Rejeb, et al., 2021c), Smart Landwirtschaft, Ëmfro a Kartéierung, Dokumentatioun vum kulturelle Patrimoine, Katastrophemanagement, a Bësch- a Wildlife Conservation (Panday, Pratihast, et al., 2020). An der Landwirtschaft existéiere villfälteg Uwendungsberäicher vun Dronen well se mat neien Technologien, Informatikfäegkeeten, an Bordsensoren integréiert kënne ginn fir d'Erntemanagement z'ënnerstëtzen (zB Kartéierung, Iwwerwaachung, Bewässerung, Planzendiagnos) (H. Huang et al., 2021) , Katastrophenreduktioun, fréi Warnungssystemer, Wildlife a Bëschkonservatioun fir e puer ze nennen (Negash et al., 2019). Ähnlech kënnen Dronen a verschiddenen landwirtschaftlechen Aktivitéite profitéiert ginn, dorënner Ernte- a Wuesstumsmonitoréierung, Ausbezuelungsschätzung, Waasserstressbewäertung, an Onkraut, Schued, a Krankheet Detektioun (Inoue, 2020; Panday, Pratihast, et al., 2020). Net nëmme kënnen Dronen fir Iwwerwaachung, Schätzung an Detektiounszwecker benotzt ginn op Basis vun hiren sensoreschen Donnéeën, awer och fir Präzisioun Bewässerung a Präzisioun Onkraut, Schued, a Krankheetsmanagement. An anere Wierder, Dronen si fäeg Waasser a Pestiziden a präzise Quantitéiten ze sprëtzen op Basis vun Ëmweltdaten. D'Virdeeler vun Dronen an der Landwirtschaft ginn an der Tabell 1 zesummegefaasst.
Haaptvirdeeler vun Dronen an der Landwirtschaft.
profitéieren | Referenz(en) |
Verbessert temporär a raimlech sensibel Resolutiounen | (Gago et al., 2015; Niu et al., 2020; Srivastava et al., 2020) |
Präzisiounslandwirtschaft erliichtert | (L. Deng et al., 2018; Kalischuk et al., 2019; Maimaitijiang et al., 2017) |
Klassifikatioun a Scouting vun Kulturen | (Inoue, 2020; Kalischuk et al., 2019; Lopez-´ Granados et al., 2016; Maimaitijiang et al., 2017; Melville et al., 2019; Moharana & Dutta, 2016) |
D'Benotzung vun Dünger | (L. Deng et al., 2018; Guan et al., 2019) |
Iwwerwaachung vun der Dréchent | (Fawcett et al., 2020; Panday, Pratihast, et al., 2020; Su et al., 2018) |
Biomass Schätzung | (Bendig et al., 2014) |
Rendement Schätzung | (Inoue, 2020; Panday, Shrestha, et al., 2020; Tao et al., 2020) |
Katastroph Reduktioun | (Negash et al., 2019) |
Conservatioun vun Déieren an Bëschaarbecht | (Negash et al., 2019; Panday, Pratihast, et al., 2020) |
Bewäertung vum Waasserstress | (Inoue, 2020; J. Su, Coombes, et al., 2018; L. Zhang et al., 2019) |
Pescht, Onkraut a Krankheeten Detectioun | (GaŇsparovi´c et al., 2020; Inoue, 2020; J. Su, Liu, et al., 2018; X. Zhang et al., 2019) |
Op der anerer Säit hunn Dronen och Aschränkungen. Pilotbedeelegung, Motorkraaft, Stabilitéit an Zouverlässegkeet, Qualitéit vu Sensoren wéinst Notzlaascht
Gewiichtsbeschränkungen, Implementatiounskäschten a Loftfaartreguléierung sinn ënnert hinnen (C. Zhang & Kovacs, 2012). Mir vergläichen d'Mängel
vun den dräi mobilen Fernsensortechnologien an der Tabell 2. Aner Fernsensortechnologien, wéi Buedemsensoren, sinn iwwer de Fokus vun dëser Etude.
Mängel vu verschiddene mobilen Fernsensortechnologien.
Fernempfindung Technologien | Defiziter | Referenze |
Drone (UAV) | Pilot Engagement; Biller' Qualitéit (Moyenne); Ëmsetzung Käschten (Duerchschnëtt); Stabilitéit, Manöverbarkeet, an Zouverlässegkeet; Standardiséierung; Motor Muecht; limitéiert Muecht Quellen (Batterie Liewensdauer); limitéiert Fluch Dauer, Kollisioun an Cyberattacken; limitéiert Notzlaascht Gewiicht; grouss Datesätz a limitéiert Datenveraarbechtung Fäegkeeten; Mangel u Regulatioun; Mangel un Expertise, héich Entrée Barrièren fir den Zougang zu landwirtschaftlech Dronen; | (Bacco et al., 2018; Dawaliby et al., 2020; Hardin & Hardin, 2010; Hardin & Jensen, 2011; Lagkas et al., 2018; Laliberte et al., 2007; Laliberte & Rango, 2011; Manfreda et al., 2018, 2018; Nebiker et al., 2008; Puri et al., 2017; Velusamy et al. 2022; C. Zhang & Kovacs, 2012) |
Satellite | Periodesch Satellitebedeckung, limitéiert Spektralopléisung; Schwachstelle fir Visibilitéitsprobleemer (zB Wolleken); Onverfügbarkeet an niddereg Transfermaart Vitesse; Orientéierung an Vignette beaflosst deier raimlech Donnéeën Kollektioun; luesen Daten Liwwerung Zäit fir Enn Benotzer | (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) |
Schëffer | Héich Adoptiounskäschte; komplizéiert Opstellung; Ënnerhalt Käschten; Onverfügbarkeet vun zouverlässeg Fligeren, Geometrie vun der Biller; net-reegelméissegen daten Acquisitioun; Mangel u Flexibilitéit; déidlech Accidenter; Sensor Daten Variatiounen wéinst Schwéngungen; Georeferencing Problemer | (Armstrong et al., 2011; Atkinson et al., 2018; Barbedo & Koenigkan, 2018; Kovalev & Voroshilova, 2020; Suomalainen et al. 2013; Thamm et al., 2013) |
Als multidisziplinär a multipurpose Technologie an der Landwirtschaft, Dronen goufen aus verschiddene Perspektiven ënnersicht. Zum Beispill, Geléiert hunn Drone Applikatiounen an der Landwirtschaft ënnersicht (Kulbacki et al., 2018; Mogili & Deepak, 2018), hire Bäitrag zu Präzisiounslandwirtschaft (Puri et al., 2017; Tsouros et al., 2019), hir Komplementaritéit mat aneren modernste Technologien (Al-Thani et al., 2020; Dutta & Mitra, 2021; Nayyar et al., 2020; Saha et al., 2018) , 2015; Suomalainen et al., 2014). Zënter datt d'Fuerschung iwwer Dronen Uwendungen an der Landwirtschaft verbreet ass (Khan et al., 2021)), ass et e Besoin fir déi existéierend Literatur ze resuméieren an d'intellektuell Struktur vum Domain z'entdecken. Ausserdeem, als High-Tech Feld mat kontinuéierleche Verbesserungen, musse strukturéiert Bewäertunge gemaach ginn fir periodesch déi existéierend Literatur ze resuméieren a wichteg Fuerschungslücken z'identifizéieren. Zu
Datum, ginn et e puer Rezensiounen déi Drone Uwendungen am landwirtschaftleche Secteur diskutéieren. Zum Beispill, Mogili an Deepak (2018) iwwerpréift kuerz d'Implikatioune vun Dronen fir d'Ernteiwwerwaachung a Pestizidsprayen. Inoue (2020) féiert eng Iwwerpréiwung vum Satelliten- an Dronenotzung an der Fernsensing an der Landwirtschaft. Den Auteur exploréiert d'technologesch Erausfuerderunge fir Smart Landwirtschaft z'adoptéieren an d'Bäiträg vu Satellitten an Dronen op Basis vu Fallstudien a beschten Praktiken. Tsouros et al. (2019) resüméiere verschidden Aarte vun Dronen an hir Haaptapplikatiounen an der Landwirtschaft, ënnersträicht verschidde Dateacquisitioun a Veraarbechtungsmethoden. Méi kuerzem, Aslan et al. (2022) huet eng ëmfaassend Iwwerpréiwung vun UAV Uwendungen an landwirtschaftlech Aktivitéiten gemaach an d'Relevanz vun der simultaner Lokaliséierung a Kartéierung fir en UAV am Treibhauseffekt ënnersträicht. Diaz-Gonzalez et al. (2022) iwwerpréift rezent Studien vun der Ernteproduktioun baséiert op verschiddene Maschinnléiertechniken a Fern
Sensatiounssystemer. Hir Erkenntnisser hunn uginn datt UAVs nëtzlech sinn fir Buedemindikatoren ze schätzen an Satellitesystemer a punkto raimlecher Resolutioun, Informatiounszäit a Flexibilitéit besser ze maachen. Basiri et al. (2022) huet eng ustrengend Iwwerpréiwung vun de verschiddenen Approchen a Methoden gemaach fir Weeplanungserausfuerderunge fir Multi-Rotor UAVs am Kontext vun der Präzisiounslandwirtschaft ze iwwerwannen. Ausserdeem, Awais et al. (2022) huet d'Uwendung vun UAV Fernsensordaten a Kulturen zesummegefaasst fir de Waasserstatus ze schätzen an eng déif Synthese vun der potenzieller Kapazitéit vun der UAV Fernsensing fir Waster Stress Uwendung zur Verfügung gestallt. Schlussendlech, Aquilani et al. (2022) iwwerpréift Previsiounslandwirtschaft Technologien, déi a Weidebaséierte Béischtensystemer applizéiert ginn an ofgeleet datt Fernsensing aktivéiert vun UAVs avantagéis ass fir d'Biomass Bewäertung an d'Herdemanagement.
Och Beméiungen fir UAVs an der Iwwerwaachung, Verfollegung a Sammele vu Béischten ze benotzen goufen viru kuerzem gemellt.
Och wann dës Rezensiounen nei a wichteg Abléck ginn, keng ëmfaassend an aktuell Iwwerpréiwung baséiert op Bibliometrie kann an der Literatur fonnt ginn, déi e klore Wëssenslück presentéiert. Ausserdeem ass et festgestallt ginn datt wann wëssenschaftlech Produktioun an engem wëssenschaftleche Beräich wiisst, et vital ass fir Fuerscher quantitativ Iwwerpréiwung Approche ze benotzen fir d'Wëssenstruktur vum Domain ze verstoen (Rivera & Pizam, 2015). Also, Ferreira et al. (2014) argumentéiert datt wéi d'Fuerschungsfelder reife a komplizéiert ginn, Geléiert sollten zielen heiansdo Sënn ze maachen aus dem Wëssen, deen generéiert a gesammelt gëtt fir nei Bäiträg z'entdecken, Fuerschungstraditiounen an Trends z'erfaassen, z'identifizéieren wéi eng Themen studéiert ginn, an an d'Wëssenstruktur vun d'Feld an d'Potential Fuerschung Richtungen. Wärend Raparelli a Bajocco (2019) eng bibliometresch Analyse gemaach hunn fir d'Wëssenberäich vun Dronen Uwendungen an der Landwirtschaft a Bëschaarbecht z'ënnersichen, betruecht hir Studie nëmme wëssenschaftlech Fuerschung publizéiert tëscht 1995 an 2017, wat d'Dynamik vun dësem séier bewegende Gebitt net reflektéiert. Weider hunn d'Auteuren net probéiert déi beaflosst Bäiträg am Feld z'identifizéieren, d'Literatur clusteren an d'intellektuell Struktur mat Hëllef vun der Co-Zitatiounsanalyse evaluéieren. Als Resultat ass et néideg d'Literatur ze resuméieren fir aktuell Fuerschungsfoci, Trends an Hotspots z'entdecken.
Fir dës Wëssenslück ze fëllen, benotze mir quantitativ Methodologie a rigoréis bibliometresch Methoden fir den aktuellen Zoustand vun der Fuerschung op der Kräizung vun Dronen a Landwirtschaft ze ënnersichen. Mir plädéieren datt déi aktuell Etude e puer Bäiträg zu der existéierender Literatur mécht andeems eng opkomende Technologie ënnersicht gëtt déi héich gebraucht gëtt an der Landwirtschaft well et en enorme Potenzial gëtt fir verschidden Aspekter an dësem Secteur z'änneren. De Besoin fir eng bibliometresch Analyse vun landwirtschaftlechen Dronen gëtt nach méi erkannt wéinst dem verspreeten a fragmentéierte Wëssen iwwer Dronen am Landwirtschaftskontext. Ähnlech muss d'Literatur betreffend landwirtschaftlech Dronen systematesch clusteréiert ginn, berécksiichtegt déi beaflosst Studien déi d'Fundament vun dësem Fuerschungsfeld bauen. De Verdéngscht an der Analyse beinhalt och d'Klärung vun Haaptfuerschungsthemen, déi an der Literatur vertruede sinn. Wann Dir d'Transformatiounspotenzial vun der Technologie berécksiichtegt, stellen mir datt eng déif Netzwierkanalyse nei Abléck gëtt andeems se beaflosst Wierker bestëmmen an Themen betreffend Dronen'Potenzial fir d'Landwirtschaft entdecken.
Mir beméien eis dofir déi folgend Fuerschungsziler z'erreechen:
- Identifikatioun vun beaflosst Verëffentlechungen mat aussergewéinleche Bäiträg zu Dronen Uwendungen am Landwirtschaftsberäich.
- Clustering vun der Literatur, Identifikatioun vu Fuerschungsfoci, a Kartéierung vun den Haapt "intellektuellen Struktur" Studien baséiert op semantescher Ähnlechkeet andeems Dir Co-Zitatiounsanalyse benotzt.
- Verständnis vun der Evolutioun vu Verbindungen an Zitatiounsnetzwierker iwwer Zäit tëscht verschiddene Publikatiounen am Feld an Identifikatioun vun zukünfteg Fuerschungsrichtungen a waarm Themen.
De Rescht vum Pabeier ass wéi follegt strukturéiert: Sektioun 2 skizzéiert d'Methodologie an d'Schrëtt vun der Datensammlung; Sektioun 3 liwwert d'Resultater vun den Analysen; an Sektioun 4 diskutéiert d'Resultater a schléisst mat Fuerschungsbeiträg, Implikatioune an zukünfteg Richtungen of.
Methodik
An dëser aktueller Fuerschungsstudie maache mir eng bibliometresch Analyse fir Drone Uwendungen an der Landwirtschaft z'entdecken. Dës quantitativ Approche weist d'intellektuell Struktur vum Wëssensberäich (Arora & Chakraborty, 2021) an den aktuelle Status, waarm Themen, an zukünfteg Fuerschungsrichtungen, déi duerch d'Applikatioun vun dëser Method ënnersicht kënne ginn (Kapoor et al., 2018; Mishra et al. , 2017; A. Rejeb, Rejeb, et al., 2021b; A. Rejeb et al., 2021d; MA Rejeb et al., 2020). Allgemeng ënnersicht eng bibliometresch Analyse déi existéierend Literatur fir verstoppte Mustere vun der schrëftlecher Kommunikatioun an der Evolutioun vun der Disziplin op Basis vu Statistiken a mathematesch Methoden ze resuméieren an z'entdecken, an et gëllt fir grouss Datesets (Pritchard, 1969; Small, 1999; Tahai & Rigsby , 1998). Andeems Dir Bibliometrie benotzt, beméie mir eis déi existent Paradigmen a Fuerschungsfoci besser ze verstoen, déi zum Domain bäidroen baséiert op Ähnlechkeet (Thelwall, 2008). Bibliometrie gëtt nei Abléck ënnerstëtzt vun der objektiver quantitativer Stäerkt vun der Methodologie (Casillas & Acedo, 2007). Vill Wëssenschaftler hu virdru bibliometresch Studien a verwandte Beräicher gemaach, dorënner Landwirtschaft, Fernsensing, an digital Transformatioun (Armenta-Medina et al., 2020; Bouzembrak et al., 2019; A. Rejeb, Treiblmaier, et al., 2021; Wamba. & Queiroz, 2021; Wang et al., 2019).
Zitater Analyse
Zitatanalyse weist verschidden Abléck an e bestëmmte Fuerschungsfeld. Als éischt hëlleft et déi beaflosst Autoren a Publikatiounen ze weisen, déi zu engem bestëmmte Fuerschungsfeld bäidroen an e wesentlechen Impakt maachen (Gundolf & Filser, 2013). Zweetens kënnen de Wëssensfloss an d'Kommunikatiounsverbindunge tëscht Auteuren opgedeckt ginn. Schlussendlech, andeems Dir d'Verbindunge tëscht zitéierten an zitéierende Wierker verfollegt, kann een d'Verännerungen an d'Evolutioun vun engem Wëssensdomain iwwer Zäit entdecken (Pournader
et al., 2020). Héich Zitatiounszuele vun enger Publikatioun reflektéieren seng Relevanz a wesentlech Bäiträg zum Fuerschungsdomän (Baldi, 1998; Gundolf & Filser, 2013; Marinko, 1998). Zitatanalyse vu Publikatiounen hëlleft och fir relevant Wierker z'identifizéieren an hir Popularitéit a Fortschrëtter iwwer Zäit ze verfolgen.
Dokument Co-Zitatioun Analyse
Co-Zitatiounsanalyse ass eng wäertvoll Method fir Bezéiungen tëscht Publikatiounen ze entdecken an d'intellektuell Struktur vun engem Feld ze weisen (Nerur et al., 2008). An anere Wierder, andeems déi meescht zitéiert Publikatiounen an hir Verbindungen identifizéiert ginn, gruppéiert d'Method Publikatiounen an ënnerschiddlech Fuerschungscluster, wou Publikatiounen an engem Cluster reegelméisseg ähnlech Iddien deelen (McCain, 1990; Small, 1973). Et ass entscheedend ze ernimmen datt Ähnlechkeet net heescht datt d'Resultater vun de Publikatiounen sinn
zesummenhänkt an averstanen mat all aner; Publikatiounen gehéieren zum selwechte Stärekoup wéinst Thema Ähnlechkeet, awer si kënne widderspréchlech Standpunkter hunn.
D'Erfaassung an Analyse
No der Methodologie proposéiert vu White a Griffith (1981), hu mir eng ëmfaassend Sich vun Zäitschrëftartikele gemaach fir de ganze Fuerschungsberäich vun Dronen Uwendungen an der Landwirtschaft ze decken, déi folgend fënnef Schrëtt verfollegen:
- Den éischte Schrëtt war Datensammlung. Scopus gouf als eng vun den ëmfaassendsten an zouverlässegsten Datenbanken mat standardiséierte Resultater ausgewielt. D'Meta-Daten vu Publikatiounen am Zesummenhang mat all Droneapplikatiounen an der Landwirtschaft goufen zréckgezunn. Duerno hunn mir déi ausgewielten Artikelen analyséiert, off-topic Artikelen aus der Analyse ewechgeholl.
- Mir analyséieren d'Literatur an identifizéiert déi wichtegst Schlësselwieder am Fuerschung Beräich benotzt.
- Mat Hëllef vun Zitatanalyse hu mir d'Verbindung tëscht Autoren an Dokumenter exploréiert fir ënnerierdesch Zitatiounsmuster z'entdecken. Mir identifizéiert och déi beaflosst Autoren a Publikatiounen mat bedeitende Bäiträg zum Feld vun landwirtschaftlechen Dronen.
- Mir hunn eng Co-Zitatiounsanalyse gemaach fir ähnlech Publikatiounen a Cluster ze gruppéieren.
- Schlussendlech hu mir d'Verbindungen a Verbindungen tëscht Länner, Institutiounen an Zäitschrëften analyséiert fir d'Zesummenaarbechtsnetz ze weisen.
Identifikatioun vun passenden Sichbegrëffer
Mir hunn déi folgend Sichstrings fir Datenaggregatioun ugewannt: (Dron* ODER "unmanned aerial vehicle" ODER uav* ODER "unmanned aircraf system" ODER uas ODER "Fernpilotéiert Fliger”) AN (landwirtschaftlech ODER Landwirtschaft ODER Landwirtschaft ODER Bauer). D'Sich gouf am September 2021 duerchgefouert. Dronen hunn e puer Bezeechnungen, dorënner UAV, UAS, a Fernpilote Fligeren (Sah et al., 2021). Déi spezifesch Sichbegrëffer am Zesummenhang mat der Landwirtschaft goufen identifizéiert op Basis vun der Studie vum Abdollahi et al. (2021). Fir Kloerheet an Transparenz gëtt déi genee Ufro déi mir benotzt hunn am Appendix 1 uginn. No engem Datereinigungsprozess hu mir eng Textdatei erstallt, déi duerno an BibExcel gelueden gouf, e gemeinsamt Tool fir Zitatioun a Co-Zitatiounsanalyse. Dëst Tool bitt och einfach Interaktioun mat anere Software a bitt e wesentleche Grad vu Fräiheet am Datehandhabung an Analyse. VOSviewer Versioun 1.6.16 gouf benotzt fir d'Resultater ze visualiséieren an déi bibliometresch Netzwierker ze generéieren (Eck & Waltman, 2009). VOSviewer bitt eng Rei intuitiv Visualiséierung, besonnesch fir d'Analyse vun bibliometresche Kaarten (Geng et al., 2020). Ausserdeem hëlleft et fir kloer visuell Resultater ze liwweren déi hëllefe fir d'Resultater besser ze verstoen (Abdollahi et al., 2021). D'Uwendung vun de Sich Strings wéi uewen uginn, hu mir all relevant Publikatiounen gesammelt a gespäichert. Déi éischt Sichresultater hunn am Ganzen 5,085 Dokumenter erausginn. Fir d'Qualitéit vun der gewielter Probe ze garantéieren, goufen nëmmen peer-reviewed Journal Artikelen an der Fuerschung berücksichtegt, wat zu der Ausgrenzung vun aneren Dokumentarten resultéiert, wéi Bicher, Kapitelen, Konferenzverfahren an Redaktiounsnotizen. Wärend engem Duerchmusterungsprozess goufen irrelevant (dh ausserhalb vum Ëmfang vun dëser Aarbecht), iwwerflësseg (dh Duplikater, déi aus duebelen Indexéierung staamt), an net engleschsproocheg Publikatioune gefiltert ginn. Dëse Prozess huet zu der Inklusioun vu 4,700 Dokumenter an der Finale Analyse gefouert.
Conclusiounen an Diskussioun
Fir unzefänken, analyséiert mir d'Entwécklungen am Verëffentlechungsausgang an der aktueller Literatur iwwer landwirtschaftlech Dronen. Déi temporär Verdeelung vun der wëssenschaftlecher Fuerschung gëtt an der Fig. dofir hu mir décidéiert d'Analyseperiod an zwou verschidden Etappen opzedeelen. Mir bezeechnen d'Period tëscht 1 an 2011 als Opbaustadium, déi ongeféier siwe Pabeieren jäerlech publizéiert huet. D'Post-30 Period gouf de Wuesstumsstadium genannt, well d'Fuerschung iwwer Dronen Uwendungen an der Landwirtschaft e exponentielle Stroum während dëser Period erlieft huet. No 1990 bestätegt déi ëmmer méi Zuel vu Publikatiounen de wuessenden Interessi ënner Fuerscher, wat och reflektéiert datt Dronen fir Fernsensing applizéiert goufen an a Präzisiounslandwirtschaft benotzt goufen (Deng et al., 2010; Maes & Steppe, 2010; Messina & Modica, 2010 ). Speziell ass d'Zuel vun de Publikatiounen vun 2018 am Joer 2019 op 2020 am Joer 108 eropgaang an ass op 2013 am Joer 498. Am Ganzen goufen 2018 Artikele publizéiert tëscht Januar a Mëtt September 1,275. Duerno hu mir eis gewielt fir eis Analyse méi op d'Wuesstumsstadium ze konzentréieren. well dës Period reflektéiert déi lescht a wichteg Subtletien vun landwirtschaftlechen Dronen.
Schlësselwieder Analyse
D'Schlësselwierder déi Autoren fir eng Publikatioun auswielen, hunn en entscheedende Impakt op wéi de Pabeier vertruede gëtt a wéi et a wëssenschaftleche Gemeinschafte kommunizéiert gëtt. Si identifizéieren d'Schlësselthemen vun der Fuerschung a bestëmmen hir Potenzial fir ze bléien oder ze versoen (Day & Gastel, 1998.; Kim et al., 2016; Uddin et al., 2015). Schlësselwieder Analyse, e Tool fir méi breet Fuerschungstrends a Richtungen z'entdecken, bezitt sech op d'Kompilatioun vun de Schlësselwieder vun all verwandte Publikatiounen an engem Domain (Dixit & Jakhar, 2021). An der aktueller Etude hu mir déi aggregéiert Schlësselwieder an zwee Sätz opgedeelt (dh bis 2010 an 2011–2021) fir déi populärst Themen z'entdecken. Andeems Dir dëst maacht, kënne mir déi entscheedend Schlësselwieder a béide Sets verfollegen a versécheren datt mir all déi néideg Donnéeën erfaasst hunn. Fir all Set sinn déi Top Ten Schlësselwieder an der Tabell 3 presentéiert. Mir hunn Inkonsistenz eliminéiert andeems se semantesch identesch Schlësselwieder fusionéieren, wéi "Drone" an "Dronen" oder, ähnlech, "Internet of Things" an "IoT.".
Tabell 3 weist datt "onbemannt Loftfaart" e méi dacks benotzt Schlësselwuert ass am Verglach zum "Drone" an "onbemannt Loftsystem" a béide Zäitperioden. Och "Fernsensing", "Präzisiounslandwirtschaft" an "Landwirtschaft" sinn héich klasséiert a béid Perioden. An der éischter Period ass "Präzisiounslandwirtschaft" op der fënnefter Plaz, an et ass zweet an der zweeter Period, wat illustréiert wéi Dronen ëmmer méi wichteg ginn fir Präzisiounslandwirtschaft z'erreechen wéi se Iwwerwaachung maache kënnen,
Detektioun, a Schätzungspraktiken méi séier, méi bëlleg a méi einfach ze maachen am Verglach mat anere Fernsensoren a Buedembaséiert Systemer. Och kënne si déi präzis Quantitéit vum Input (zB Waasser oder Pestiziden) sprëtzen wann néideg (Guo et al., 2020; Inoue, 2020; Panday, Pratihast, et al., 2020).
Lëscht vun de meescht benotzt Schlësselwieder.
Rank | 1990-2010 | Nr vun Optriede | 2011-2021 | Nr vun Optriede |
1 | onbemannt Loft Gefier | 28 | onbemannt Loftfaart | 1628 |
2 | Fernkennung | 7 | Präzisioun Landwirtschaft | 489 |
3 | Landwirtschaft | 4 | Fernkennung | 399 |
4 | Loftugrëff | 4 | Dron | 374 |
5 | Präzisioun Landwirtschaft | 4 | onbemannt Loftsystem | 271 |
6 | onbemannt Loft | 4 | Landwirtschaft | 177 |
7 | hyperspektral éichter | 3 | ze léieren | 151 |
8 | kënschtlech neural Netzwierker | 2 | Maschinn léieren | 149 |
9 | autonome Fluch | 2 | der Vegetatioun Index | 142 |
10 | Kaffi | 2 | Internet vun Saachen | 124 |
Eng aner interessant Feature ass d'Präsenz vun komplementären Technologien. An der éischter Etapp sinn "Hyperspektral Sensor" an "kënschtlech neural Netzwierker" (ANN) zu den Top Ten Schlësselwieder. Hyperspektral Imaging revolutionéiert traditionell Imaging andeems se eng rieseg Unzuel u Biller op verschiddene Wellelängten sammelen. Dobäi kënnen d'Sensoren gläichzäiteg besser raimlech a spektral Informatioun sammelen am Verglach mat multispektral Imaging, Spektroskopie, a RGB Bildmaterial (Adao ˜ et al.,
2017). D'Optriede vum "ANN" an der éischter Etapp an "Deep Learning" (DL) an "Maschinn Léieren" (ML) an der zweeter implizéiert datt déi meescht vun de publizéierten Wierker sech op d'Untersuchung vum Potenzial vun AI Techniken fir Drone konzentréieren. baséiert Landwirtschaft. Och wann Dronen fäeg sinn autonom ze fléien, erfuerderen se nach ëmmer d'Bedeelegung vun engem Pilot, wat e nidderegen Niveau vun der Apparatintelligenz implizéiert. Wéi och ëmmer, dëse Problem kann geléist ginn wéinst dem Fortschrëtt vun AI Techniken, déi besser Situatiounsbewosstsinn an autonom Entscheedungshëllef ubidden. Equipéiert mat AI, Dronen kënnen Kollisiounen während der Navigatioun vermeiden, Buedem- a Erntemanagement verbesseren (Inoue, 2020), an Aarbechtsmaart a Stress fir Mënschen reduzéieren (BK Sharma et al., 2019).
Wéinst hirer Flexibilitéit a Fäegkeet fir grouss Quantitéiten vun net-linearen Donnéeën ze handhaben, sinn AI Techniken gëeegent Methoden fir d'Donnéeën ze analyséieren, déi vun Dronen an aner Fernsensoren a Buedembaséiert Systemer fir Prévisioun an Entscheedung iwwerdroe ginn (Ali et al., 2015; Inoue, 2020). Ausserdeem weist d'Präsenz vum "IoT" an der zweeter Period seng opkomende Roll an der Landwirtschaft un. IoT revolutionéiert d'Landwirtschaft andeems se aner Technologien verbannen, dorënner Dronen, ML, DL, WSNs, a Big Data. Ee vun de Schlësselvirdeeler vun der Ëmsetzung vun IoT ass seng Fäegkeet fir effizient an effektiv verschidden Aufgaben (Datenacquisitioun, Datenanalyse a Veraarbechtung, Entscheedungsprozess an Ëmsetzung) a bal Echtzäit ze fusionéieren (Elijah et al., 2018; Feng et al. , 2019; Muangprathub et al., 2019). Ausserdeem ginn Dronen als effizient Tools ugesinn fir d'Donnéeën ze erfassen, déi néideg sinn fir d'Vegetatioun Kraaft a Vegetatiounseigenschaften ze berechnen (Candiago et al., 2015). Fig. 2a an 2b illustréieren d'Schlësselwuert Co-Optriede Netzwierker fir béid Zäitperioden.
Aflossräich Auteuren
An dëser Sektioun bestëmmen mir déi beaflosst Autoren a kucken wéi Autorzitatiounsnetzwierker déi aktuell Literatur visualiséieren an organiséieren. Fig. 3 weist d'chronologesch Iwwerlagerung vun alle Fuerscher mat der héchster Zuel vun Zitater. D'Faarfskala reflektéiert d'Joer-schlau Variatioun vun den Auteuren Zitater. Mir iwwerpréiwen d'Zitéierungsstruktur vu Fuerscher, déi Studien iwwer landwirtschaftlech Dronen publizéiert hunn andeems Dir e Schwell vun op d'mannst 50 Zitater an zéng Publikatiounen benotzt. Aus
12,891 Auteuren, nëmmen 115 erfëllt dës Konditioun. Tabell 4 lëscht déi Top Ten beaflosst Autoren, zortéiert no der maximaler Zuel vun Zitater. Lopez- Granados F. féiert d'Lëscht mat 1,963 Zitater, gefollegt vum Zarco-Tejada PJ mat 1,909 Zitater.
Lëscht vun de meescht zitéierten Auteuren.
Ranking | Auteur | justifiéiert |
1 | Lopez-Granados ´F. | 1,963 |
2 | Zarco-Tejada PJ | 1,909 |
3 | Pena ˜ JM | 1,644 |
4 | Torres-S' anz J. | 1,576 |
5 | Ferres E | 1,339 |
6 | Remondino F | 1,235 |
7 | Bolten A | 1,160 |
8 | Bareth G | 1,155 |
9 | Bernie JA | 1,132 |
10 | de Castro AI | 1,036 |
Wann et ëm eenzel Publikatioune kënnt, ass dem Zhang a Kovacs (2012) Artikel déi meescht zitéiert Studie publizéiert an der Precision Agriculture. Hei hunn d'Auteuren d'Applikatioun vun UAS an der Präzisiounslandwirtschaft iwwerpréift. D'Resultater vun hirer Fuerschung suggeréieren datt et e Bedierfnes ass fir Plattformdesign, Produktioun, Standardiséierung vu Bildgeoreferenzen an Informatiounsrecuperatioun Workflow ze förderen fir Baueren zouverléisseg Endprodukter ze bidden. Zousätzlech empfeelen se de Bauer méi staark ze engagéieren, besonnesch am Feldplanung, Bildopfang, souwéi Dateninterpretatioun an Analyse. Wichteg war dës Etude zu deenen éischten, déi d'Wichtegkeet vun UAV bei Feldkartéierung, Kraaftkartéierung, chemescher Inhaltsmiessung, Vegetatiounsstress Iwwerwaachung, an Evaluatioun vun Effekter vun Dünger op de Planzewachstum weisen. D'Erausfuerderunge mat der Technologie enthalen och verbidden Käschten, Sensorfäegkeet, Plattformstabilitéit an Zouverlässegkeet, Mangel u Standardiséierung, a konsequent Prozedur fir massiv Quantitéiten un Daten ze analyséieren.
Zitater Analyse
Zitatiounsanalyse representéiert d'Studie vum Afloss vun Artikelen, och wann et ufälleg ass fir Fluxen (zB Zitatbias, Selbstzitatioun) gëtt als ee vun de Standardinstrumenter fir d'Auswierkungevaluatioun ugesinn (Osareh, 1996; A. Rejeb et al., 2022; Sarli et al., 2010). Zitater reflektéieren och d'Wichtegkeet an d'Vitalitéit vun de Bäiträg vun de Pabeieren zu der Literatur iwwer e spezifescht Thema (R. Sharma et al., 2022). Mir hunn eng Zitatiounsanalyse gemaach fir déi beaflosst Studien iwwer landwirtschaftlech Dronen ze bestëmmen an d'Inhalter zesummegefaasst. Table 5 presentéiert d'Lëscht vun de fofzéng beaflosststen Artikelen fir d'Perioden 1990–2010 an 2011–2021. Artikele vum Berni et al. (2009)b an Austin (2010) goufen am meeschte zitéiert während 1990 an 2010, mat 831 respektiv 498 Zitater. Bernie et al. (2009)b illustréiert d'Potenzial fir quantitative Fernsensorprodukter iwwer en Helikopter-baséiert UAV ze entwéckelen, ausgestatt mat bezuelbare thermeschen a schmuelband multispektrale Imaging Sensoren. Am Verglach mat traditionelle bemannte Airborne Sensoren ass e Low-Cost UAV System fir Landwirtschaft fäeg vergläichbar Schätzunge vun de biophysikalesche Parameter vun de Kulturen z'erreechen, wann net besser. Déi bezuelbar Käschten an operationell Flexibilitéit, nieft den héije spektralen, raimlechen an temporäre Resolutiounen, déi zu enger schneller Wendungszäit verfügbar sinn, maachen UAVs gëeegent fir eng Rei vun Uwendungen déi Zäitkritesch Gestioun erfuerderen, dorënner Bewässerungsplang, a Präzisiounslandwirtschaft. D'Zeitung vu Berni et al. (2009)b ass héich zitéiert well et effektiv eng onbemannt Rotary-Wing-Plattform an digital an thermesch Sensoren mat den néidege Kalibrierungsmechanismen fir landwirtschaftlech Uwendungen integréiert huet. Déi zweet meescht zitéiert Verëffentlechung ass e Buch geschriwwen vum Austin (2010), deen UAVs aus Design, Entwécklung an Deployment Perspektiven diskutéiert huet. An der Landwirtschaft ënnerstëtzen d'UAVs d'Ernteiwwerwaachung andeems d'Krankheeten fréi duerch d'Erntefaarfverännerungen z'entdecken, d'Ernte-Saat a Sprayen erliichtert, an d'Iwwerwaachung an d'Herden ze erliichteren.
D'Studien vu Sullivan et al. (2007), Lumm et al. (2008), Gokto ¨ ǧan et al. (2010) fäerdeg d'Lëscht vun den Top fofzéng meescht zitéierten Artikelen. Dës Artikelen illustréieren d'Entwécklung vun UAV-baséiert Systemer fir d'Landwirtschaft z'ënnerstëtzen. Si bidden Léisunge fir verschidde Probleemer, wéi Ernte Iwwerwaachung a Scannen, Onkraut Iwwerwaachung a Gestioun, an Entscheedungssupport. Si proposéieren och diskutéieren d'Fäegkeet vum UAV fir d'Effizienz vun der Probe ze erhéijen an d'Baueren ze hëllefen fir korrekt an effektiv z'entwéckelen.
Planzung Strategien. Zwee Pabeiere goufe vum Berni geschriwwen (Berni et al., 2009b; Berni et al., 2009a), ënnersträicht säi bedeitende Impakt op landwirtschaftlech Drone-Zesummenhang Fuerschung. Zarco-Tejada et al. (2014) war zu de Pionéierstudien fir d'Bedierfnes ze illustréieren fir bëlleg UAV-Bildmaterial an der Bamhéichtquantifikatioun ze benotzen.
Lëscht vun de meescht zitéierten Publikatiounen.
Rank | Vun 1990 op 2010 | Vun 2011 op 2021 | ||
Dokument | virun der Ëmwelt | Dokument | virun der Ëmwelt | |
1 | (Berni et al., 2009) | 831 | (C. Zhang & Kovacs, 2012) | 967 |
2 | (Austin, 2010) | 498 | (Nex & Remondino, 2014) | 893 |
3 | (Hunt et al., 2010) | 331 | (Floreano & Holz, 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., 2009) | 250 | (Ma et al., 2017) | 373 |
7 | (Grenzdorffer et al. 2008) | 198 | (Bendig et al., 2014) | 360 |
8 | (Hrabar et al., 2005) | 175 | (Zarco-Tejada et al. 2014) | 347 |
9 | (Y. Huang et al., 2009) | 129 | (Ad˜ ao et al., 2017) | 335 |
10 | (Schmale III et al. 2008) | 119 | (Honkavaara et al. 2013a) | 331 |
11 | (Abd-Elrahman et al. 2005) | 79 | (Candiago et al., 2015) | 327 |
12 | (Technesch et al., 2010) | 69 | (Xiang & Tian, 2011) | 307 |
13 | (Sullivan et al., 2007) | 51 | (Mates 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 |
An der zweeter Period (2011-2021) huet d'Fuerschung vum Zhang a Kovacs (2012) an Nex a Remondino (2014) zu de meescht zitéierten Publikatiounen gefouert. Zhang a Kovacs (2012) argumentéieren datt Präzisiounslandwirtschaft ka profitéiere vun der Ëmsetzung vun geospatialen Techniken a Sensoren, wéi geographesch Informatiounssystemer, GPS, a Fernsensing, fir Variatiounen am Feld z'erreechen an ze handhaben andeems se alternativ Strategien benotzen. Als Spillwechsler an der Präzisiounslandwirtschaft, huet d'Adoptioun vun Dronen en neit Zäitalter am Fernsensing gefeiert, d'Loftobservatioun vereinfacht, d'Erntewachstumsdaten erfaasst, de Buedembedingungen, a Spraygebidder. D'Iwwerpréiwung vum Zhang a Kovacs (2012) ass seminal well et Abléck an UAVs ubitt andeems se existent Uwendungen an Erausfuerderunge vun dësen Apparater an der Ëmweltiwwerwaachung a Präzisiounslandwirtschaft opgedeckt hunn, sou wéi Plattform- a Kamerabeschränkungen, Datenveraarbechtungserausfuerderungen, Baueren Engagement, a Loftfaartreglementer. . Déi zweet
Déi meescht zitéiert Studie vun Nex a Remondino (2014) iwwerpréift den Zoustand vun der Konscht vun UAVs fir Erfaassung, Veraarbechtung an Analyse vun Äerdbiller.
Hir Aarbecht huet och en Iwwerbléck iwwer verschidde UAV Plattformen, Uwendungen a Benotzungsfäll presentéiert, déi neist Fortschrëtter an der UAV Bildveraarbechtung weisen. An der Landwirtschaft kënnen d'Baueren UAVs benotzen fir effektiv Entscheedungen ze treffen fir Käschte- an Zäitspueren z'erreechen, e séieren a präzise Rekord vu Schuedenersatz ze kréien, a méiglech Problemer virauszesoen. Am Géigesaz zu konventionelle Loftplattformen kënnen UAVs d'Operatiounskäschte reduzéieren an d'Gefor vum Zougang op haarde Plazen reduzéieren, während se nach ëmmer héich Präzisiounspotenzial behalen. Hir Pabeier resüméiert verschidde Virdeeler vun UAVs, besonnesch wat d'Genauegkeet an d'Resolutioun ugeet.
Ënnert de verbleiwen dräizéng am meeschte zitéierten Publikatiounen tëscht 2011 an 2021 hu mir eng méi grouss Konzentratioun op Fuerschung bemierkt, déi mat Drone Uwendungen an Imaging Missiounen verbonne sinn (Bendig et al., 2014; Ma et al., 2017; Zarco-Tejada et al., 2014) , Präzisiounslandwirtschaft (Candiago et al., 2015; Honkavaara et al., 2013a), Präzisioun Wäibau (Matese et al., 2015), Waasserstressbewäertung (Gago et al., 2015) a Vegetatiounsmonitoring (Aasen et al. , 2015a). An de fréie Joeren hunn d'Fuerscher sech konzentréiert
méi iwwer d'Entwécklung vu Low-Cost, liicht a präzis UAV-baséiert Systemer fir d'Landwirtschaft; méi rezent Fuerschung huet sech méi op Rezensiounen vun UAV Uwendungen fir Landwirtschaft a Feld Ëmfro konzentréiert. Zesummegefaasst, weist dës Analyse datt déi beaflosst Verëffentlechungen meeschtens Rezensiounen vu fréiere Studien zur Verfügung gestallt hunn fir den aktuellen wëssenschaftlechen an technologesche Status vun UAVs ze evaluéieren an UAV Systemer entwéckelt fir Präzisiounslandwirtschaft z'ënnerstëtzen. Interessanterweis hu mir keng Studien fonnt déi empiresch benotzt hunn
Methodologien oder deskriptiv Fallstudien, déi e wesentleche Wëssenslück ausmécht a méi Fuerschung iwwer dëst Thema fuerdert.
Co-Zitatioun Analyse
Laut Gmür (2006) identifizéiert d'Ko-Zitatiounsanalyse ähnlech Publikatiounen a clustert se. Virsiichteg Untersuchung vun engem Stärekoup kann e gemeinsamt Fuerschungsfeld tëscht de Publikatiounen opdecken. Mir ënnersichen d'Ko-Zitatioun vun der Literatur betreffend landwirtschaftlech Dronen fir verwandte Fachberäicher ze illustréieren an d'intellektuell Mustere vu Publikatiounen z'entdecken. An dëser Hisiicht huet Small (1973) d'Benotzung vun der Kozitatiounsanalyse recommandéiert fir déi beaflosst a seminal Fuerschung ze studéieren.
an enger Disziplin. Fir de Set op déi meeschten Artikelen ze limitéieren (Goyal & Kumar, 2021), hu mir e Co-Zitatiounsschwell vu 25 festgeluecht, dat heescht datt zwee Artikele mussen zesummen an de Referenzlëschte vu 25 oder méi verschiddene Publikatiounen zitéiert ginn. De Cluster gouf och mat enger Minimum Clustergréisst 1 gemaach an ouni Methode fir méi kleng Cluster mat méi grousser ze fusionéieren. Als Resultat goufen sechs Cluster generéiert op Basis vun der Ähnlechkeet vun de Studien an hirer intellektueller Struktur. Table 6 weist d'Verdeelung vun de Publikatiounen an all Cluster.
Cluster 1: Dëse Stärekoup enthält uechtzéng Dokumenter, déi no publizéiert goufen. Zum Beispill, Manfreda et al. (2018) bitt en Iwwerbléck iwwer déi aktuell Fuerschung an Implementatioune vun UAV an der natierlecher landwirtschaftlecher Ökosystem Iwwerwaachung a argumentéieren datt d'Technologie en enorme Potenzial bitt fir d'Ëmweltiwwerwaachung drastesch ze verbesseren an ze reduzéieren
déi existent Spalt tëscht Feldobservatioun a konventionell Loft- a Spaceborne Fernsensing. Dëst kann gemaach ginn andeems se nei Kapazitéit fir verbessert temporär Erhuelung a raimlech Abléck a grouss Flächen op eng bezuelbar Manéier ubidden. UAVs kënnen d'Ëmwelt dauernd senséieren an déi resultéierend Donnéeën un intelligent, zentraliséiert / dezentraliséiert Entitéiten schécken, déi Sensoren kontrolléieren fir eventuell Probleemer z'identifizéieren, sou wéi e Mangel u Krankheet oder Waassererkennung (Padua ´ et al., 2017). Adao ˜ et al. (2017) behaapten datt UAVs ideal sinn fir d'Konditioune vun de Planzen ze bewäerten andeems se e grousse Volume vu Matière Daten am Zesummenhang mam Waasserstatus, Biomass Schätzung a Kraaftbewäertung erfaassen. UAV-montéiert Sensoren kéinten och prompt an adäquate Ëmweltbedéngungen agesat ginn fir d'rechtzäiteg Erfaassung vu Fernsensordaten z'erméiglechen (Von Bueren et al., 2015). Mat UAVs sinn d'Baueren fäeg Indoor Landwirtschaftsaktivitéiten auszeféieren andeems Miessunge vu praktesch all Plaz am dreidimensionalen Raum vun Indoor Landwirtschaft Ëmfeld (zB Zären) kréien, an doduerch lokal Klimakontrolle a Planzeniwwerwaachung garantéieren (Roldan et al. ., 2015). Am Kontext vun der Präzisioun
Landwirtschaft, Erntemanagement Décisiounen erfuerderen korrekt, zouverlässeg Erntedaten mat enger passender temporärer a raimlecher Opléisung (Gebbers & Adamchuk, 2010; Gevaert et al., 2015; Maes & Steppe, 2019). Aus dësem Grond, Agüera Vega et al. (2015) huet en UAV-montéierten multispektrale Sensorsystem benotzt fir Biller vun enger Sonneblummekultur während der wuessender Saison ze kréien. Ähnlech hu Huang et al. (2009) bemierken datt d'Remote Sensing baséiert op UAVs d'Miessung vu Kulturen a Buedem aus de gesammelten Spektraldaten erliichtert. Verger et al. (2014) huet eng Technik entwéckelt a getest fir e Gréngflächindex (GAI) aus UAV Reflexiounsmiessungen a Präzisiounslandwirtschaft Uwendungen ze schätzen, konzentréieren op Weess- a Rapskulturen. Dofir bidden Dronen nei Méiglechkeeten fir Erntestaatsinformatioun mat heefege Revisiten an héijer raimlecher Opléisung zréckzekommen (Dong et al., 2019; Garzonio et al., 2017; H. Zheng et al., 2016).
Clustering vun aflossräiche Publikatiounen iwwer landwirtschaftlech Dronen.
Cluster | Breet Thema | Referenze |
1 | Ëmweltiwwerwaachung, Ernte Gestioun, Onkrautmanagement | (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., op. 2017; Lopez-Granados, '2011; Manfreda et al., 2018; P' adua et al., 2017; Pena˜ et al., 2013; Pérez-Ortiz et al., 2015; Rasmussen et al., 2013 2016; Torres-S' anchez et al., 2014; Torres-Sanchez, 'Lopez-Granados,' & Pena, ~ 2015; Verger et al., 2014; Von Bueren et al., 2015; C. Zhang & Kovacs, 2012) |
2 | Remote phenotyping, nozeginn Schätzung, Ernteflächemodell, zielen vun Planzen | (Bendig et al., 2013, 2014; Geipel et al., 2014; Gnadinger ¨ & Schmidhalter, 2017; Héichwäerteg 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 | thermesch Imaging fir Waasser, multispektral Imaging | (Baluja et al., 2012; Berni et al. 2009b; Berni et al., 2009a; Candiago et al., 2015; Gago et al., 2015; Gonzalez-Dugo et al., 2013, 2014; Grenzdorffer et al., 2008; Khaliq et al., 2019; Matese et al., 2015; Ribeiro-Gomes et al., 2017; Santesteban et al., 2017; Uto et al., 2013) |
4 | Hypersektral Imaging, Spektral Biller | (Aasen et al., 2015a; Bareth et al. 2015; Hakala et al., 2013; Honkavaara et al., 2013a; Lucier et al., 2014; Saari et al., 2011; Suomalainen et al., 2014) |
5 | 3D-Mapping Uwendungen | (Jim'enez-Brenes et al., 2017; Nex & Remondino, 2014; Salami et al., 2014; Torres-S' anchez, Lopez-' Granados, Serrano, et al., 2015; Zahawi et al., 2015; Zarco-Tejada et al., 2014) |
6 | Landwirtschaft Iwwerwaachung | (SR Herwitz et al., 2004; Hunt et al., 2010; CCD Lelong et al. 2008; Primicerio et al., 2012; Xiang & Tian, 2011) |
Ausserdeem sinn Dronen nëtzlech fir Erausfuerderung Aufgaben an der Landwirtschaft, dorënner Onkrautkartéierung. D'Biller, déi vun den Apparater erfaasst goufen, hunn hir Nëtzlechkeet fir fréi Onkrautdetektioun a Felder bewisen (de Castro et al., 2018; Jim'enez-Brenes et al., 2017; Lam et al., 2021; Lopez-Granados 'et al., 2016; Rozenberg et al., 2021). An dëser Hisiicht, de Castro et al. (2018) behaapten datt d'Fusioun vun UAV-Bildmaterial an Objektbaséierter Bildanalyse (OBIA) d'Praktiker erlaabt huet d'Fro vun der automatiséierter fréizäiteger Erkennung a fréizäiteg Graslandkulturen ze iwwerwannen, wat e grousse Schrëtt no vir an der Unkrautfuerschung ass. Also, Pena˜ et al. (2013) weisen datt d'Benotzung vun ultra-héiche raimleche Resolutiounsbilder aus UAV a Verbindung mat enger OBIA Prozedur et méiglech mécht Onkrautkaarten a fréie Maiskulturen ze generéieren, déi an der Planung vun der Ëmsetzung vun In-Saison Onkrautkontrollmoossname benotzt kënne ginn, eng Aufgab iwwer d'Kapazitéit vu Satelliten an traditionelle Loftbilder. Am Verglach mat Bildklassifizéierung oder Objekterkennungsalgorithmen si semantesch Segmentéierungstechnike méi effektiv bei Onkrautkartéierungsaufgaben (J. Deng et al., 2020), sou datt d'Baueren et erlaben Feldbedéngungen z'entdecken, Verloschter ze reduzéieren an d'Ausbezuelen duerch d'ganz wuessend Saison ze verbesseren (Ramesh et al., 2020). Déif Léierbaséiert semantesch Segmentatioun kann och eng präzis Miessung vu Vegetatiounsdeckel aus héichopléisende Loftbilder ubidden (Ramesh et al., 2020; A. Zheng et al., 2022). Trotz hirem Potenzial fir Remote
Senséiere Pixel Klassifikatioun, semantesch Segmentatiounstechniken erfuerderen bedeitend Berechnung an e prohibitiv héich GPU Erënnerung (J. Deng et al., 2020).
Baséierend op Maschinnléieren an UAV, P'erez-Ortiz et al. (2015) proposéiert eng Onkrautkartéierungs Approche fir Site-spezifesch Onkrautkontrollstrategien ze bidden wann Baueren déi fréi-post-Entstoe Onkrautbekämpfung adoptéieren. Schlussendlech, Rasmussen et al. (2013) betount datt Dronen e preiswerte Sensing mat grousser raimlecher Opléisungsflexibilitéit ubidden. Insgesamt konzentréieren d'Publikatiounen an dësem Stärekoup op d'Erfuerschung vun de Potenzialer vun UAVs fir Remote Sensing, Erntemonitorung an Onkrautkartéierung z'ënnerstëtzen. Zousätzlech am-Déift Fuerschung ass néideg fir weider z'ënnersichen wéi Dronen Uwendungen an der Ëmweltiwwerwaachung, Erntemanagement, an Onkrautmapping méi nohalteg Landwirtschaft erreechen kënnen (Chamuah & Singh, 2019; Islam et al., 2021; Popescu et al., 2020; J Su, Liu, et al., 2018) an adresséieren Gouvernance Themen vun dëser Technologie an Ernteversécherungsapplikatiounen (Basnet & Bang, 2018; Chamuah & Singh, 2019, 2022; Meinen & Robinson, 2021). Fuerscher solle sech op d'Validatioun vun UAV gesammelt Miessunge mat effizienten Veraarbechtungstechniken konzentréieren fir déi ultimativ Qualitéit vu veraarbechten Donnéeën ze verbesseren (Manfreda et al., 2018). Ausserdeem ass d'Entwécklung vu passenden Algorithmen déi Pixel erkennen déi Onkraut an den digitale Biller weisen an irrelevanten Hannergrond während UAV Onkrautmapping eliminéieren ass néideg (Gaˇsparovi´c et al., 2020; Hamylton et al., 2020; H. Huang et al. , 2018, 2020; Lopez-' Granados et al., 2016). Zousätzlech Fuerschung iwwer d'Adoptioun vu semantesche Segmentatiounstechniken an der Planzerkennung, Blatklassifikatioun a Krankheetskartéierung ass wëllkomm (Fuentes-Pacheco et al., 2019; Kerkech et al., 2020).
Cluster 2. D'Publikatiounen an dësem Cluster konzentréiere sech op verschidden Aspekter vun landwirtschaftlechen Dronen. Zesummenhang mat Remote Phenotyping, Sankaran et al. (2015) iwwerpréift d'Potenzial fir Low-Héicht, Héichopléisende Loftbildung mat UAVs fir séier Phänotyping vu Kulturen am Feld ze benotzen, a si argumentéieren datt am Verglach mat Buedembaséierte Senséierplattformen kleng UAVs mat adäquate Sensoren verschidde Virdeeler ubidden. , wéi e méi einfachen Zougang zum Feld, héichopléisende Donnéeën, effizient Datesammlung,
séier Bewäertunge vun de Feldwachstumsbedéngungen, an niddreg Operatiounskäschte. Wéi och ëmmer, bemierken d'Auteuren och datt d'effektiv Uwendung vun UAV fir Feldphenotyping op zwee fundamental Elementer hänkt, nämlech UAV Features (zB Sécherheet, Stabilitéit, Positionéierung, Autonomie) a Sensoreigenschaften (zB Resolutioun, Gewiicht, Spektralwellelängten, Feld) Vue). Haghighattlab et al. (2016) proposéiert eng semi-automatiséiert Bildveraarbechtungspipeline fir Plot-Niveau Daten aus UAV Bildmaterial ze recuperéieren an den Zuchtprozess ze beschleunegen. Holmann et al. (2016) entwéckelt eng héich
Duerchgang Feld phenotyping System a beliicht datt UAV fäeg ass Qualitéit, voluminös, Feldbaséiert phenotypesch Donnéeën ze sammelen, an datt den Apparat fir grouss Flächen an iwwer verschidde Feldplazen effektiv ass.
Well d'Ausbezuelung en onheemlech vital Informatioun ass, besonnesch wann se op Zäit verfügbar sinn, ass et e Potenzial fir UAVs fir all Feldmiessungen ze liwweren an effizient héichqualitativ Daten ze kréien (Daakir et al., 2017; Demir et al., 2018 ; Enciso et al., 2019; Kulbacki et al., 2018; Pudelko et al., 2012). An dëser Hisiicht, Jin et al. (2017) profitéiert vun der Héichopléisende Bildmaterial, déi vun UAVs op ganz nidderegen Héichten kritt goufen, fir eng Method z'entwéckelen an ze bewäerten fir d'Weesspflanzendicht an der Entstoesstadium ze schätzen. Laut den Autoren iwwerwannen UAVs d'Aschränkungen vun de Rover Systemer, déi mat Kameraen ausgestatt sinn, a representéieren eng net-invasiv Method fir d'Planzdensitéit an de Kulturen ze schätzen, wat d'Baueren erlaabt den héijen Duerchgang ze erreechen, deen néideg ass fir Feldphenotyping onofhängeg vun der Trafficabilitéit vum Buedem. Li et al. (2016) huet Honnerte vu Stereo Biller mat extrem héijer Opléisung gesammelt mat engem UAV-baséierte System fir Maisparameter ze schätzen, dorënner Canopy Héicht an iwwer-Buedem Biomass. Endlech, Yue et al. (2017) fonnt datt d'Erntehöhe bestëmmt aus UAVs d'Biomass (AGB) Schätzung kéint verbesseren.
Eng Approche fir d'Erntewachstum ze iwwerwaachen ass d'Iddi fir Ernteflächmodeller z'entwéckelen (Bendig et al., 2014, 2015; Holman et al., 2016; Panday, Shrestha, et al., 2020; Sumesh et al., 2021). Verschidde Studien beliicht d'Machbarkeet vu Biller aus UAV geholl fir d'Héicht vun de Planzen z'erfaassen an hire Wuesstum ze iwwerwaachen. Zum Beispill, Bendig et al. (2013) beschreift d'Entwécklung vu multi-temporalen Ernteoberflächemodeller mat enger ganz héijer Opléisung vu manner wéi 0.05 m mat UAV. Si wollten d'Ernte z'entdecken
Wuesstumsverännerlechkeet a seng Ofhängegkeet vun der Erntebehandlung, Kultivar a Stress. Bendig et al. (2014) benotzt UAVs fir frësch an dréchen Biomass ze schätzen baséiert op Planzenhéicht extrahéiert aus Ernteoberflächemodeller a fonnt datt, am Géigesaz zu Loftplattformen an terrestreschen Laser Scannen, déi héichopléisend Biller vun UAVs d'Genauegkeet vun der Planzehöhemodelléierung fir verschidde Wuesstum bedeitend erhéijen kënnen Etappen. Also, Geipel et al. (2014) hunn UAVs an hirer Fuerschung benotzt fir Biller ze kréien
Datesätz fir Maiskorn-Ausbezuelungsprognose bei dräi verschiddene Wuesstumsphasen vu fréi bis Mëtt-Saison a schlussendlech datt d'Kombinatioun vu spektralen a raimleche Modeller baséiert op Loftbilder a Ernteoberflächemodeller eng gëeegent Method ass fir d'Mëttelsaison Mais-Ausbezuelung virauszesoen. Schlussendlech hunn Gnadinger ¨ a Schmidhalter (2017) d'Utilitéit vum UAV an der Präzisiounsphenotyping iwwerpréift a beliicht datt d'Benotzung vun dëser Technologie d'Baueremanagement verbessert an d'Feldexperimentéiere fir Zucht an agronomesch Zwecker erméiglechen. Insgesamt beobachte mir datt d'Publikatiounen am Cluster 2 sech op d'Haaptvirdeeler vun UAVs op Fernseh konzentréieren
Phenotyping, Ausbezueleschätzung, Ernteflächemodelléierung a Planzenzielung. Zukünfteg Studien kënne méi déif graven andeems se nei Methoden fir Fernphenotyping entwéckelen, déi d'Veraarbechtung vun Fernsensoren automatiséieren an optimiséieren (Barabaschi et al., 2016; Liebisch et al., 2015; Mochida et al., 2015; S. Zhou et al. ., 2021). Zousätzlech muss d'Performance vun IoT-Sensoren op UAVs montéiert an den Austausch tëscht hire Käschten, Aarbecht, a Präzisioun vun der Ausbezuelung an der Fuerschung ënnersicht ginn.
Zukunft (Ju & Son, 2018a, 2018b; Xie & Yang, 2020; Yue et al., 2018). Schlussendlech ass et e Besoin fir effizient Bildveraarbechtungsmethoden z'entwéckelen déi zouverlässeg Informatioun generéiere kënnen, d'Effizienz an der landwirtschaftlecher Produktioun maximéieren an d'manuell Zählaarbecht vun de Baueren minimiséieren (RU Khan et al., 2021; Koh et al., 2021; Lin & Guo, 2020; C. Zhang et al., 2020).
Cluster 3. D'Publikatiounen an dësem Stärekoup diskutéieren déi verschidden Aarte vu Imaging Systemer fir Remote Sensing vun Landwirtschaft Ressourcen op UAV Plattformen benotzt. An dëser Hisiicht erlaabt thermesch Imaging d'Iwwerwaachung vun Uewerflächentemperaturen fir Ernteschued ze vermeiden an Dréchentstress fréi z'entdecken (Awais et al., 2022; García-Tejero et al., 2018; Sankaran et al., 2015; Santesteban et al., 2017; Eem, 2021). Baluja et al. (2012) behaapt datt d'Benotzung vu multispektralen an thermesche Kameraen u Bord vun der
UAV huet d'Fuerscher aktivéiert fir Biller mat héijer Opléisung ze kréien an de Status vum Wäiwaasser ze bewäerten. Dëst kéint nëtzlech sinn fir nei Waasserplangmodeller z'entwéckelen mat Fernsensordaten (Baluja et al., 2012). Wéinst der
limitéiert Laaschtkapazitéit vun UAVs, Ribeiro-Gomes et al. (2017) betruecht d'Integratioun vun ongekillte thermesche Kameraen an UAVS fir Waasserstress an de Planzen ze bestëmmen, wat dës Zort vun UAVs méi effizient a liewensfäeg mécht wéi traditionell Satellit-baséiert Fernsensing an UAVs mat gekillte thermesche Kameraen ausgestatt. Laut den Auteuren sinn ongekillte thermesch Kameraen méi hell wéi gekillte Kameraen, déi adequat Kalibrierung erfuerderen. Gonzalez-Dugo et al. (2014) huet gewisen datt thermesch Bildmaterial effektiv raimlech Kaarte vu Erntewaasserstressindizes generéiert fir de Waasserstatus ze bewäerten an d'Waasserstress ënner a bannent Zitrusbëscher ze quantifizéieren. Gonzalez-Dugo et al. (2013), Santesteban et al. (2017) ënnersicht d'Benotzung vun héijer Opléisung UAV thermesch Bildmaterial fir d'Waasserstatus Variabilitéit vun engem kommerziellen Orchard an engem Wéngert ze schätzen.
Multispektral Imaging kéint massiv Donnéeën am Verglach mat traditionelle RGB (Rout, Gréng a Blo) Biller ubidden (Ad˜ ao et al., 2017; Navia et al., 2016). Dës Spektraldaten, zesumme mat raimlechen Donnéeën, kéinte bei der Klassifikatioun, der Kartéierung, der Prognose, der Prognose an der Detektiounszwecker hëllefen (Berni et al., 2009b). Laut Candiago et al. (2015), UAV-baséiert multispektral Imaging kéint massiv zur Erntebewäertung a präzis Landwirtschaft als zouverlässeg an effizient Ressource bäidroen. Och,
Khaliq et al. (2019) huet e Verglach tëscht Satellit an UAV-baséiert multispektral Imaging gemaach. D'UAV-baséiert Biller hunn dozou gefouert datt se méi präzis sinn fir Wéngertverännerlechkeet ze beschreiwen, souwéi Kraaftkaarte fir d'Erntebecher ze representéieren. An enger Nossschuel, Artikelen an dësem Stärekoup diskutéieren d'Inkorporatioun vun thermeschen a multispektrale Imaging Sensoren an landwirtschaftlech UAVs. Deementspriechend ass méi Fuerschung gebraucht fir ze verstoen wéi thermesch a multispektral Imaging mat AI integréiert ka ginn
Techniken (zB Deep Learning) fir Planzenstress z'entdecken (Ampatzidis et al., 2020; Ampatzidis & Partel, 2019; Jung et al., 2021; Santesteban et al., 2017; Syeda et al., 2021). Esou Abléck wäerten hëllefen, méi effizient a genee Detektioun ze garantéieren, souwéi Iwwerwaachung vum Planzewachstum, Stress, a Phenologie (Buters et al., 2019; Cao et al., 2020; Neupane & BaysalGurel, 2021; L. Zhou et al., 2020).
Stärekoup 4. Dëse Stärekoup besteet aus siwen Pabeieren, déi sech ëm déi entscheedend Roll vun der Spektralbildung an der Hyperspektraler Imaging dréien fir d'Landwirtschaftspraktiken z'ënnerstëtzen. Hyperspektral Imaging huet sech als Remote-Sensing Method etabléiert, déi quantitativ Bewäertung vum Äerdsystem erméiglecht (Schaepman et al., 2009). d'Astellung vun Uewerfläch Komponent Proportiounen
bannent gemëschte Pixelen (Kirsch et al., 2018; Zhao et al., 2022). An anere Wierder, déi méi héich Spektralresolutioun, déi duerch hyperspektral Systemer geliwwert gëtt, erméiglecht méi genee Schätzunge vu verschiddene Parameteren, wéi vegetaresch Eegeschaften oder Blatwassergehalt (Suomalainen et al., 2014). D'Fuerscher an dësem Stärekoup ënnersicht verschidden Aspekter vun esou Systemer. Aasen et al. (2015b) huet eng eenzegaarteg Approche ugebueden fir dreidimensional hyperspektral Informatioun aus Liichtgewiicht ze kréien
Snapshot Kameraen op UAVs fir Vegetatioun Iwwerwaachung benotzt. Lucier et al. (2014) diskutéiert den Design, d'Entwécklung an d'Loftoperatioune vun enger neier hyperspektraler UAS wéi och d'Kalibrierung, d'Analyse an d'Interpretatioun vun de Bilddaten, déi domat gesammelt goufen. Schlussendlech, Honkavaara et al. (2013b) huet eng ëmfaassend Veraarbechtungsapproach fir FabryPerot Interferometer-baséiert Spektralbiller entwéckelt a seng Notzung an enger Biomass Schätzungsprozedur fir Präzisiounslandwirtschaft gewisen. Potenziell zukünfteg Weeër fir dësen aktuelle Stärekoup beinhalt d'Bedierfnes fir technesch Verbesserungen an Sensortechnologien (Aasen et al., 2015b) wéi och d'Noutwendegkeet fir komplementär Technologien z'integréieren an ze verbesseren, speziell Big Data an Analysen (Ang & Seng, 2021; Radoglou -Grammatikis et al., 2020; Shakoor et al., 2019). Déi lescht staamt haaptsächlech aus den ëmmer wuessende Donnéeën generéiert vu verschiddene Sensoren, déi an der intelligenter Landwirtschaft implementéiert sinn (C. Li & Niu, 2020; A. Rejeb et al., 2022; Y. Su & Wang, 2021).
Cluster 5. D'Publikatiounen an dësem Cluster hunn Dronen-baséiert 3Dmapping Uwendungen ënnersicht. D'Benotzung vun Dronen fir 3D Kartéierung kéint de komplexe Feldwierk erliichteren an d'Effizienz wesentlech erhéijen (Torres-Sanchez et al., 2015). Déi fënnef Artikelen am Stärekoup konzentréiert sech haaptsächlech op Planz Iwwerwachung Uwendungen. Zum Beispill, fir dräi-zweedimensional Daten iwwer Canopy Beräich ze kréien, Bam Héicht, a Kroun Volume, Torres-Sanchez ´ et al. (2015) benotzt UAV Technologie fir digital Uewerflächemodeller ze generéieren an dann Objektbaséiert Bildanalyse (OBIA) Approche. Zarco-Tejada et al. (2014) quantifizéiert Bam Héicht duerch Integratioun vun UAV Technologie an dreidimensional Foto-Rekonstruktioun Methoden. Jim'enez-Brenes Lopez-Granados, 'De Castro, et al. (2017) huet en neie Prozess fir multi-temporal, 3D Iwwerwaachung vun Dosende vun Olivebeem bewisen andeems d'UAV Technologie mat fortgeschratt OBIA Methodik integréiert ass. Interessant Weeër fir zukünfteg Wierker an dësem Cluster enthalen entweder d'Verbesserung vun der aktueller
Methodologien (Zarco-Tejada et al., 2014) fir digital Surface Modelléierungszwecker (Ajayi et al., 2017; Jaud et al., 2016), wéi OBIA (de Castro et al., 2018, 2020; Ventura et al. , 2018), a Fotorekonstruktioun oder Entwécklung vun neie Methoden (Díaz-Varela et al., 2015; Torres-S'anchez et al., 2015).
Cluster 6. Dëse Cluster diskutéiert d'Roll vun Dronen an der landwirtschaftlecher Iwwerwaachung. UAVs kënnen d'Mängel vun der Satelliten- a Fligerbildung ergänzen an iwwerwannen. Zum Beispill, si kéinten eng héich Opléisung no bei Echtzäit Imaging mat manner Brennstoff oder Pilot Erausfuerderungen ubidden, wat zu konstanter an Echtzäit Iwwerwaachung a Verbesserungen an der Entscheedungsprozess resultéiert (S. Herwitz et al., 2004). En anere Schlësselbeitrag vun UAVs ass hir Fäegkeet fir Site-spezifesch Donnéeën fir Präzisiounslandwirtschaft oder Site-spezifesch Landwirtschaft ze bidden wéi hir héich Opléisung, detailléiert Donnéeën iwwer verschidde Parameteren erméiglechen d'Baueren d'Land an homogen Deeler opzedeelen an se deementspriechend ze behandelen (Hunt et al. , 2010; CC Lelong et al., 2008; Primicerio et al., 2012). Esou UAV-baséiert landwirtschaftlech Iwwerwaachung kann d'Iwwerwaachung vun der Liewensmëttelsécherheet an d'Entscheedung ënnerstëtzen (SR Herwitz et al., 2004). Fir d'Fuerschung an der landwirtschaftlecher Iwwerwaachung ze förderen, sinn net nëmmen Verbesserunge vu Sensoren, UAVs, an aner verbonne Technologien an hir Kommunikatiouns- an Datetransfermethoden gebraucht (Ewing et al., 2020; Shuai et al., 2019), awer och Dronen mat verschiddenen Integratioun Technologien fir verschidden Aufgaben a Relatioun mat intelligenter Landwirtschaft ze optimiséieren, wéi Iwwerwaachung, landwirtschaftlech Iwwerwaachung, an Entscheedungsprozess, ass en héichpotenziell Fuerschungsberäich (Alsamhi et al., 2021; Popescu et al., 2020; Vuran et al., 2018). An dëser Hisiicht bidden IoT, WSNs a Big Data interessant komplementär Fäegkeeten (van der Merwe et al., 2020). Ëmsetzungskäschte, Käschtespueren, Energieeffizienz, an Datesécherheet gehéieren zu den ënnerfuerschte Beräicher fir sou Integratioun (Masroor et al., 2021).
Länner an akademesch Institutiounen
De leschte Schrëtt beinhalt d'Untersuchung vum Hierkonftsland an d'akademesch Verbänn vun den Auteuren. Duerch dës Analyse ziele mir d'geographesch Verdeelung vu Geléiert besser ze verstoen, déi zu den Uwendungen vun Dronen an der Landwirtschaft bäidroen. Et ass bemierkenswäert d'Diversitéit vu Länner an akademeschen Institutiounen ze bemierken. Aus enger Landperspektive sinn d'USA, China, Indien an Italien un der Spëtzt vun der Lëscht wat d'Zuel vun de Publikatiounen ugeet (Table 7). Déi aktuell
Fuerschung iwwer landwirtschaftlech Dronen ass gréisstendeels an nordamerikaneschen an asiatesche Länner zentréiert, haaptsächlech wéinst hirem héijen Engagement a Präzisiounslandwirtschaft Uwendungen. Zum Beispill, an den USA gouf de Maart vun landwirtschaftlechen Dronen op 841.9 Milliounen USD am Joer 2020 geschat, wat ongeféier 30% vum weltwäite Maartundeel ausmécht (ReportLinker, 2021). Ranking als déi gréisste Wirtschaft vun der Welt, gëtt China virausgesot fir eng geschätzte Maartgréisst vun 2.6 Milliarden USD am Joer 2027 z'erreechen. Dëst Land appelléiert fir landwirtschaftlech Dronen fir Produktivitéitsprobleemer ze iwwerwannen a besser Ausbezuelen, Aarbechtsreduktioun a manner Produktiounsinputen z'erreechen. Wéi och ëmmer, d'Adoptioun vun der Technologie a China gëtt och duerch Faktore gedriwwen wéi d'Bevëlkerungsgréisst an d'Noutwendegkeet fir existent Erntemanagementpraktiken ze innovéieren an ze verbesseren.
Top stäerkste produktiv Länner an Universitéiten / Organisatiounen déi bäidroen
landwirtschaftlech Drone-Zesummenhang Fuerschung.
Rank | Länner |
1 | USA |
2 | China |
3 | Indien |
4 | Italien |
5 | Spuenien |
6 | Däitschland |
7 | Brasilien |
8 | Australien |
9 | Japan |
10 | Vereenegt Kinnekräich |
Rank | Universitéiten / Organisatiounen |
1 | Chinesesch Akademie vun de Wëssenschaften |
2 | Landwirtschaftsministère vun der Volleksrepublik China |
3 | Superior Conseil fir Wëssenschaftlech Ermëttlungen |
4 | Texas A & M Universitéit |
5 | China Landwirtschaftsuniversitéit |
6 | USDA Agricultural Research Service |
7 | CSIC – Instituto de Agricultura Sostenible IAS |
8 | Purdue Universitéit |
9 | Consiglio Nazionale delle Ricerche |
10 | Südchina Landwirtschaftsuniversitéit |
Aus enger Uni an organisatorescher Perspektiv ass d'Chinesesch Akademie vun de Wëssenschaften op der Lëscht wat d'Zuel vun de Publikatiounen ugeet, gefollegt vum Landwirtschaftsministère vun der Volleksrepublik China a Consejo Superior de Investigaciones Científicas. Chinesesch Akademie vun de Wëssenschaften ass vun den Auteuren Liao Xiaohan a Li Jun vertrueden; Den Han Wenting representéiert de Landwirtschaftsministère vun der Volleksrepublik China; a Consejo Superior de Investigaciones Científicas gëtt vertrueden duerch Lopez-Granados, ´ F. a Pena, ˜ Jos´e María S. Aus den USA fannen Universitéite wéi d'Texas A&M University an d'Purdue University hir
ernimmen. D'Universitéite mat der héchster Zuel vu Publikatiounen an hir Verbindunge sinn an der Fig. .
Eis Auswiel enthält eng grouss Varietéit vun Zäitschrëften, déi quasi all verfügbar Donnéeën ëmfaassen. Wéi an der Tabell 8 gewisen, ass Remote Sensing mat 258 Artikelen un der Spëtzt, gefollegt vum Journal of Intelligent and Robotic Systems: Theory and Applications with 126 and Computers and Electronics in Agriculture mat 98 Artikelen. Wärend Remote Sensing meeschtens op d'Applikatioun an d'Entwécklung vun Dronen konzentréiert ass, deckt Computeren an Elektronik an der Landwirtschaft haaptsächlech Fortschrëtter an der Computerhardware, Software, Elektronik, a Kontrollsystemer an der Landwirtschaft. Cross-Area Outlets, wéi IEEE Robotics an Automation Letters mat 87 Publikatiounen an IEEE Access mat 34 Publikatiounen, sinn och Premier Outlets am Feld. Déi Top fofzéng Outlets hunn zu der Literatur bäigedroen mat 959 Dokumenter, dat ass ongeféier 20.40% vun alle Publikatiounen. Eng Journal Co-Zitatiounsanalyse erlaabt eis d'Wichtegkeet an d'Ähnlechkeet tëscht Publikatiounen z'ënnersichen. D'Ko-Zitatiounsanalyse gëtt dräi Stärekéip, wéi an der Fig.. 5. De roude Stärekoup besteet aus Zäitschrëften wéi Remote Sensing, Computer an Elektronik an der Landwirtschaft, Sensoren,
an den International Journal of Remote Sensing. All dës Outlets sinn héich renomméierten Zäitschrëften an de Beräicher vun der Fernsensing a Präzisiounslandwirtschaft. De grénge Cluster enthält Zäitschrëften déi sech mat Robotik beschäftegen, wéi Journal of Intelligent and Robotic Systems: Theory and Applications, IEEE Robotics and Automation Letters, IEEE Access, and Drones. Dës Outlets publizéieren meeschtens Pabeieren iwwer Automatioun a si nëtzlech fir landwirtschaftlech Ingenieuren. De leschte Stärekoup gëtt geformt duerch Zäitschrëften am Zesummenhang mat Agronomie a Landwirtschaftstechnik, wéi Agronomy an International Journal of Agricultural and Biological Engineering.
Top 15 Zäitschrëften an der landwirtschaftlecher Drone-Zesummenhang Fuerschung.
Rank | Journal | Grof |
1 | Fern Sensing | 258 |
2 | Journal of Intelligent and Robotic Systems: Theory and Applicatioun | 126 |
3 | Computeren an Elektronik an der Landwirtschaft | 98 |
4 | IEEE Robotik an Automatisatiounsbréiwer | 87 |
5 | detektéieren | 73 |
6 | International Journal of Remote Sensing | 42 |
7 | Präzisioun Landwirtschaft | 41 |
8 | Drones | 40 |
9 | Agronomie | 34 |
10 | IEEE Zougang | 34 |
11 | International Journal of Advanced Robotic Systems | 31 |
12 | International Journal of Agricultural and Biological Engineering | 25 |
13 | PLoS ONE | 25 |
14 | Journal of Field Robotics | 23 |
15 | Biosystems Engineering | 23 |
Konklusioun
Resumé
An dëser Etude hu mir existent Fuerschung iwwer landwirtschaftlech Dronen zesummegefaasst an analyséiert. Verschidde bibliometresch Techniken uwenden, hu mir gestrieft e bessert Verständnis vun der intellektueller Struktur vun der landwirtschaftlecher Drone-Zesummenhang Fuerschung ze kréien. Zesummegefaasst bitt eis Iwwerpréiwung verschidde Contributiounen andeems Dir Schlësselwierder an der Literatur z'identifizéieren an diskutéiert, Wëssenscluster opzeweisen, wärend semantesch ähnlech Gemeinschaften am Gebitt vun Dronen bilden, fréier Fuerschung skizzéiert an zukünfteg Fuerschungsrichtungen virschléit. Drënner skizzéiere mir d'Haaptresultater vun der Iwwerpréiwung iwwer d'Entwécklung vun landwirtschaftlechen Dronen:
• D'Gesamtliteratur ass séier gewuess an huet an de leschte Jorzéngt enorm Opmierksamkeet ugezunn, sou wéi d'Erhéijung vun der Zuel vun den Artikelen no 2012 uginn ass. Och wann dëst Wëssensfeld nach seng voll Reife kënnt (Barrientos et al., 2011; Maes & Steppe, 2019), verschidde Froen sinn nach ëmmer onbeäntwert. Zum Beispill ass d'Utilitéit vun Dronen am Indoor Landwirtschaft nach ëmmer op fir Debatt (Aslan et al., 2022; Krul et al., 2021; Rold'an et al., 2015). D'Komplexitéit vu Feldszenen an déi verschidde Imaging Ëmstänn (zB Schatten a Beliichtung) kéinten zu enger méi héijer Spektralklass Varianz resultéieren (Yao et al., 2019). Och an de spéidere Fuerschungsphasen goufen d'Fuerscher erausgefuerdert fir optimal Fluchpläng no bestëmmten Szenarien an erfuerderter Bildqualitéit ze bestëmmen (Soares et al., 2021; Tu et al.,
2020).
• Mir bemierken datt d'Feld vun der Entwécklung vun effizienten UAV Systemer fortgeschratt ass fir AI Techniken z'integréieren, wéi Maschinnléieren an Deep Learning am Design vun landwirtschaftlechen Dronen (Bah et al., 2018; Kitano et al., 2019; Maimaitijiang et al. , 2020; Mazzia et al., 2020; Tetila et al., 2020).
• Fuerschung iwwer landwirtschaftlech Dronen haaptsächlech iwwer Fernsensing diskutéiert andeems d'Potenzial vun der Technologie an der Ëmweltiwwerwaachung, Erntemanagement a Onkrautmanagement (Cluster 1) souwéi Fernphenotyping an Ausbezueleschätzung (Cluster 2) exploréiert ginn. Eng Rei vun aflossräichen Studien iwwer landwirtschaftlech Dronen enthalen Austin (2010), Berni et al. (2009), Herwitz et al. (2004), Nex and Remondino (2014), and Zhang and Kovacs (2012). Dës Studien hunn d'konzeptuell Basis vun der Drone-verbonne Fuerschung am Kontext vun der Landwirtschaft entwéckelt.
• Am Zesummenhang mat der Methodologie hu mir observéiert datt déi meescht vun der Fuerschung bis elo gemaach goufen aus entweder Systemdesign, konzeptuellen oder iwwerpréiftbaséiert Studien (Inoue, 2020; Nex & Remondino, 2014; P´erez-Ortiz et al. , 2015; Yao et al., 2019). Mir bemierken och e Mangel un empireschen, qualitativen a Fallstudie-baséiert Methoden op der Aarbecht bei der Untersuchung vun landwirtschaftlechen Dronen.
• Viru kuerzem hunn Themen am Zesummenhang mat Präzisiounslandwirtschaft, AI Techniken, Präzisioun Wäibau a Waasserstressbewäertung substantiell Opmierksamkeet gezunn (Espinoza et al., 2017; Gomez-Cand 'on' et al., 2016; Matese et al., 2015; Matese & Di Gennaro, 2018, 2021; Z. Zhou et al., 2021). Virsiichteg Untersuchung vu Fuerschungscluster an zwou getrennten Ära, 1990–2010 an 2011–2021, weist de Fortschrëtt vun der intellektueller Struktur vum Domain op. D'Period vun 1990 bis 2010 huet d'Opbau vun zentrale Begrëffer an d'Konzepter vun Dronen ausgemaach, wat evident ass aus der Diskussioun iwwer UAV Design, Entwécklung an Ëmsetzung. An der zweeter Ära erweidert de Fuerschungsfokus op fréier Studien, en Effort mécht UAV Benotzungsfäll an der Landwirtschaft ze synthetiséieren. Mir hunn och vill Studien fonnt déi Dronen Uwendungen an der Bildungsaufgaben a Präzisiounslandwirtschaft diskutéieren.
Rank | Journal | Grof |
1 | Fern Sensing | 258 |
2 | Journal of Intelligent and Robotic Systems: Theory and | 126 |
Applicatioun | ||
3 | Computeren an Elektronik an der Landwirtschaft | 98 |
4 | IEEE Robotik an Automatisatiounsbréiwer | 87 |
5 | detektéieren | 73 |
6 | International Journal of Remote Sensing | 42 |
7 | Präzisioun Landwirtschaft | 41 |
8 | Drones | 40 |
9 | Agronomie | 34 |
10 | IEEE Zougang | 34 |
11 | International Journal of Advanced Robotic Systems | 31 |
12 | International Journal of Agricultural and Biological Engineering | 25 |
13 | PLoS ONE | 25 |
14 | Journal of Field Robotics | 23 |
15 | Biosystems Engineering | 22 |
Implikatiounen
Eis bibliometresch Iwwerpréiwung gouf entworf a mat Geléiert, Baueren, Landwirtschaftsexperten, Erntekonsultanten, an UAV System Designer am Kapp gemaach. Fir d'Best Wëssen vun den Auteuren ass dëst ee vun den éischten originelle Rezensiounen déi eng déif bibliometresch Analyse gemaach hunn
Dronen Uwendungen an der Landwirtschaft. Mir hunn eng ëmfaassend Iwwerpréiwung vun dësem Wëssensorgan gemaach, mat Zitatioun a Co-Zitatiounsanalyse vu Publikatiounen. Eis Versuche fir d'intellektuell Struktur vun der Dronefuerschung ze beschreiwen bidden och nei Abléck fir Akademiker. Eng virsiichteg Iwwerpréiwung vun de Schlësselwieder, déi iwwer Zäit benotzt goufen, weist d'Hotspots an d'Fokalfuerschungsberäicher an der Drone-relatéierter Literatur. Ausserdeem presentéiere mir eng Lëscht vun de meescht zitéierten Studien fir déi beaflosst Fuerschungsaarbechten am Feld ze identifizéieren. D'Identifikatioun vun Artikelen a Schlësselwieder kéint deemno e festen Ausgangspunkt ubidden fir verschidde Weeër fir zukünfteg Studien z'entdecken.
Wichteg, mir hunn Cluster opgedeckt déi vergläichbar Wierker klassifizéieren an d'Resultater ausgebaut hunn. D'Studien klasséiert a Cluster hëllefen d'intellektuell Struktur vun der UAV Fuerschung ze verstoen. Notamment hu mir e Mangel u Studien entdeckt déi d'Adoptiounsfaktoren vun Dronen ënnersichen
a Barrièren am Landwirtschaft Aktivitéiten (kuckt Table 9). Zukünfteg Fuerscher kënnen dës potenziell Lück adresséieren andeems se empiresch Ermëttlungen ausféieren, déi d'Adoptiounsfaktoren vun Dronen a verschiddene landwirtschaftlechen Aktivitéiten a klimatesche Bedéngungen evaluéieren. Ausserdeem sollt Fallstudie-baséiert Fuerschung iwwer d'Effizienz vun Dronen mat realen Daten aus dem Feld ënnerstëtzt ginn. Och d'Baueren a Manager an der akademescher Fuerschung involvéieren wier avantagéis fir souwuel den theoreteschen a praktesche Fortschrëtt vun der Dronefuerschung. Mir konnten och déi prominentst Fuerscher an hir Bäiträg identifizéieren, wat wäertvoll ass well d'Bewosstsinn vun de rezente seminale Wierker e puer Orientéierung fir zukünfteg akademesch Bestriewunge bidden.
Table 9
UAV Adoptioun Barrièren.
Barrière | description |
Donnéeën Sécherheet | Cybersécherheet ass eng grouss Erausfuerderung fir d'Ëmsetzung IoT Solutions (Masroor et al., 2021). |
Interoperabilitéit an Integratioun | Verschidde Technologien wéi UAV, WSN, IoT, asw. soll integréiert ginn an Daten iwwerdroen déi d'Komplexitéitsniveau erhéijen (Alsamhi et al., 2021; Popescu et al., 2020; Vuran et al., 2018). |
Ëmsetzung Käschten | Dëst ass speziell de Fall fir kleng Baueren a fir Integratioun vu verschiddene modernste Technologien ( Masroor et al., 2021). |
Aarbecht Wëssen an Expertise | Kompetent Drone Pilote si gebraucht fir UAVs ze bedreiwen. Och d'Ëmsetzung vu verschiddene Schneidkante Technologien erfuerdert qualifizéiert Aarbechter (YB Huang et al., 2013; Tsouros et al., 2019). |
Motor Muecht a Fluch dauert | Dronen kënnen net laang Stonnen operéiert ginn an iwwerdecken grouss Beräicher (Hardin & Hardin, 2010; Laliberte et al., 2007). |
Stabilitéit, Zouverlässegkeet, an Manöverbarkeet | Dronen sinn net stabil bei schlechte Wiederkonditiounen (Hardin & Hardin, 2010; Laliberte et al., 2007). |
Notzlaascht Aschränkungen an Qualitéit vun de Sensoren | Dronen kënnen nëmme limitéiert Lasten droen Kapazitéit fir manner Qualitéitssensoren ze lueden (Nebiker et al., 2008). |
Regulatioun | Well Dronen och geféierlech kënne sinn, ginn et schwéier Reglementer a verschiddene Beräicher (Hardin & Jensen, 2011; Laliberte & Rango, 2011). |
Bauerefänkerei Wëssen an interesséieren | Wéi aner modernste Technologien hunn d'Dronen' erfollegräich Ëmsetzung brauch Expertise an och mat Onsécherheeten begleet (Fisher et al., 2009; Lambert et al., 2004; Stafford, 2000). |
Well et e konstante Bedierfnes ass fir effizient verfügbare Ressourcen ze benotzen fir d'Ausbezuelen ze maximéieren, kënnen d'Baueren vun Dronen profitéieren fir séier, korrekt a kosteneffektiv Scannen vun hire Felder ze garantéieren. D'Technologie kann d'Baueren ënnerstëtzen fir hir Erntegungszoustand ze bestëmmen an de Waasserstatus ze beurteelen, d'Bühn vun der Reifung, Insekteninfestatiounen an Ernärungsbedürfnisser. D'Fernsenséierfäegkeete vun Dronen kënnen d'Baueren entscheedend Donnéeën ubidden fir Probleemer an enger fréicher Etapp virauszesoen a prompt gëeegent Interventiounen ze maachen. Wéi och ëmmer, d'Virdeeler vun der Technologie kënnen nëmme realiséiert ginn wann d'Erausfuerderunge richteg adresséiert ginn. Am Liicht vun der
aktuell Problemer betreffend Datesécherheet, Sensortechnologie Themen (zB d'Zouverlässegkeet oder Genauegkeet vu Miessunge), Komplexitéit vun der Integratioun, a wesentlechen Ëmsetzungskäschte, zukünfteg Studien mussen och d'technesch, wirtschaftlech an operationell Machbarkeet ënnersichen vun der Integratioun vun landwirtschaftlechen Dronen an aner Ausschneiden- Rand Technologien.
Beschränkungen
Eis Etude huet verschidde Aschränkungen. Als éischt ginn d'Resultater festgeluecht vun de Publikatiounen, déi fir d'final Analyse ausgewielt goufen. Et ass Erausfuerderung all relevant Studien am Zesummenhang mat landwirtschaftlechen Dronen z'erreechen, besonnesch déi net an der Scopus Datebank indexéiert. Weider ass den Datesammlungsprozess limitéiert op d'Astellung vu Sichschlësselwierder, déi vläicht net inklusiv sinn an zu onkonklusiv Erkenntnisser féieren. Also mussen zukünfteg Studien méi Opmierksamkeet op d'Basisdatenausgab vun der Datesammlung bezuelen
méi zouverlässeg Conclusiounen. Eng aner Begrenzung betrëfft nei Publikatiounen mat enger gerénger Zuel vun Zitater. Déi bibliometresch Analyse ass biaséiert op fréier Publikatiounen well se éischter méi Zitater iwwer d'Jore kréien. Rezent Studien brauchen eng gewëssen Zäit fir Opmierksamkeet ze zéien an Zitater ze sammelen. Dofir, rezent Studien, déi e Paradigmewiessel bréngen, géifen net an den Top Ten beaflosst Wierker klasséieren. Dës Begrenzung ass verbreet an der Untersuchung vu séier opkomende Fuerschungsberäicher wéi landwirtschaftlech Dronen. Wéi mir de Scopus konsultéiert hunn fir d'Literatur fir dës Aarbecht ze studéieren, kënnen zukünfteg Fuerscher anescht betruechten
Datenbanken, wéi de Web of Science an IEEE Xplore, fir den Horizont auszebauen an d'Fuerschungsstruktur ze verbesseren.
Potenziell bibliometresch Studien kënnen aner vital Wëssensquellen wéi Konferenzpabeieren, Kapitelen a Bicher berücksichtegen fir nei Abléck ze generéieren. Trotz der Kartéierung an der Untersuchung vun globalen Publikatiounen iwwer landwirtschaftlech Dronen, hunn eis Erkenntnisser net d'Grënn hannert de wëssenschaftleche Ausgabe vun den Universitéiten opgedeckt. Dëst mécht de Wee fir en neit Fuerschungsberäich fir qualitativ z'erklären firwat verschidde Universitéite méi produktiv si wéi anerer wann et ëm d'Fuerschung iwwer landwirtschaftlech geet.
Drohnen. Zousätzlech kënnen zukünfteg Studien Abléck an d'Potenzial vun Dronen ubidden fir d'Landwirtschaft nohalteg op verschidde Weeër ze erhéijen wéi Ëmweltiwwerwaachung, Erntemanagement, an Onkrautkartéierung wéi vu verschiddene Fuerscher uginn (Chamuah & Singh, 2019; Islam et al., 2021; Popescu et al., 2020; J. Su, Liu, et al., 2018b). Well d'textuell Analyse net méiglech war wéinst der héijer Unzuel u gewielte Pabeieren, ass et e Bedierfnes fir systematesch Literaturreviews déi d'Untersuchung
Fuerschungsmethoden benotzt an d'Bedeelegung vun de Baueren a fréiere Studien. Kuerz gesot, eis Analyse vun der Dronefuerschung beliicht déi onsichtbar Verbindunge vun dësem Wëssenskierper. Dës Iwwerpréiwung hëlleft dofir d'Relatiounen tëscht Publikatiounen z'entdecken an d'intellektuell Struktur vum Fuerschungsfeld z'erklären. Et weist och d'Verbindungen tëscht de verschiddenen Aspekter vun der Literatur, wéi d'Schlësselwierder vun den Auteuren, d'Bezéiungen a Länner.
Deklaratioun vun der Konkurrenz Interesse
D'Autoren deklaréieren datt si keng bekannte Konkurrenz finanziell Interessen oder perséinlech Bezéiungen hunn, déi d'Afloss vun der Aarbecht an dësem Pabeier beaflosse kënnen.
Anhang 1
TITEL-ABS-KEY (((Dron* ODER "unmanned aerial vehicle" ODER uav* ODER "unmanned aircraft system" ODER uas ODER "Fernpilotéiert Fliger”) AN (landwirtschaftlech ODER Landwirtschaft ODER Landwirtschaft ODER Bauer))) AN (EXKLUDEREN (PUBYEAR, 2022)) AN (LIMIT-TO (SPROOCH, "Englesch")).
Referenze
Aasen, H., Burkart, A., Bolten, A., Bareth, G., 2015.
Kamera Eechung fir Qualitéitssécherung. 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. Entwécklung vum Mustererkennungsalgorithmus fir automatesch Vogelerkennung vun onbemannte Loftfaartbildmaterial.
Ëmfro. Land informéieren. Sci. 65 (1), 37–45.
Abdollahi, A., Rejeb, K., Rejeb, A., Mostafa, MM, Zailani, S., 2021. Wireless Sensor Netzwierker an der Landwirtschaft: Abléck aus der bibliometrescher Analyse. Nohaltegkeet 13 (21),
12011.
Aboutalebi, M., Torres-Rua, AF, Kustas, WP, Nieto, H., Coopmans, C., McKee, M. vun NDVI, an evapotranspiration. Irrig. Sci. 37 (3), 407–429. https://doi.org/10.1007/s00271-018-0613-9.
Adao, ˜T., Hruˇska, J., Padua, ´L., Bessa, J., Peres, E., Morais, R., Sousa, JJ, 2017. Hyperspectral Imaging: A review on UAV-based sensors, data Veraarbechtung an
Uwendungen fir Landwirtschaft a Bëschaarbecht. Remote Sensing 9 (11). https://doi.org/ 10.3390/rs9111110.
Agüera Vega, F., Ramírez, FC, Saiz, MP, Rosúa, FO. Biosystem. Eng.
132, 19–27. https://doi.org/10.1016/j.biosystemseng.2015.01.008.
Ajayi, OG, Salubi, AA, Angbas, AF, Odigure, MG. Int.
J. Remote Sens. 38 (8-10), 3113-3134. https://doi.org/10.1080/ 01431161.2017.1285085.
Ali, I., Greifeneder, F., Stamenkovic, J., Neumann, M., Notarnicola, C., 2015. Iwwerpréiwung vu Maschinnléiere Approche fir Biomass a Buedemfeuchtigkeit Retrievals aus Fernsensordaten. Remote Sensing 7 (12), 16398–16421.
Alsamhi, SH, Afghah, F., Sahal, R., Hawbani, A., Al-qaness, MAA, Lee, B., Guizani, M., Green Internet of things using UAVs in B5G Networks: A review of applications
an Strategien. Ad. Hoc. Netw. 117, 102505 https://doi.org/10.1016/j. adhoc.2021.102505.
Al-Thani, N., Albuainain, A., Alnaimi, F., Zorba, N., 2020. Dronen fir Schof Béischten Iwwerwaachung. In: 20th IEEE Mediterranean Electrotechnical Conference. https://doi.
org/10.1109/MELECON48756.2020.9140588.
Ampatzidis, Y., Partel, V., 2019. UAV-baséiert High-Throughput-Phenotyping an Zitrus benotzt multispektral Imaging a kënschtlech Intelligenz. Remote Sensing 11 (4), https://doi.org/10.3390/rs11040410.
Ampatzidis, Y., Partel, V., Costa, L., 2020. Agroview: Cloud-baséiert Applikatioun fir UAV-gesammelt Donnéeën ze verarbeiten, ze analyséieren an ze visualiséieren fir Präzisiounslandwirtschaft Uwendungen déi kënschtlech Intelligenz benotzen. Berechnen. Elektron. Agric. 174, 105457 https://doi. org/10.1016/j.compag.2020.105457.
Ang, K.-L.-M., Seng, JKP, 2021. Big Data and Machine Learning with hyperspectral information in agriculture. IEEE Zougang 9, 36699–36718. https://doi.org/10.1109/
ACCESS.2021.3051196.
Aquilani, C., Confessore, A., Bozzi, R., Sirtori, F., Pugliese, C., 2022. Iwwerpréiwung: Präzisioun Béischten Landwirtschaft Technologien an Weide-baséiert Béischten Systemer. Déier 16 (1), https://doi.org/10.1016/j.animal.2021.100429.
Armenta-Medina, D., Ramirez-Delreal, TA, Villanueva-Vasquez, ´D., Mejia-Aguirre, C., Trends on advanced information and communication technologies for
Verbesserung vun der landwirtschaftlecher Produktivitéit: eng bibliometresch Analyse. Agronomie 10 (12), Artikel 12. https://doi.org/10.3390/agronomy10121989.
Armstrong, I., Pirrone-Brusse, M., Smith, A., Jadud, M., 2011. The Flying Gator: Richtung Aerial Robotics in occam-π. Commun. Prozess Architekt. 2011, 329-340. https://doi. org/10.3233/978-1-60750-774-1-329.
Arora, SD, Chakraborty, A., 2021. Intellektuell Struktur vum Konsument beschwéieren Verhalen (CCB) Fuerschung: Eng bibliometresch Analyse. J. Business Res. 122, 60–74.
Aslan, MF, Durdu, A., Sabanci, K., Ropelewska, E., Gültekin, SS, 2022.
Eng ëmfaassend Ëmfro vun de rezente Studien mat UAV fir Präzisiounslandwirtschaft an oppenen Felder an Zären. Appl. Sci. 12 (3), 1047. https://doi.org/10.3390/
app12031047.
Atkinson, JA, Jackson, RJ, Bentley, AR, Ober, E., & Wells, DM (2018). Feldphenotyping fir d'Zukunft. An Annual Plant Reviews online (S. 719-736). John
Wiley & Sons, Ltd. doi: 10.1002/9781119312994.apr0651.
Austin, R., 2010. Onbemannt Aircraft Systemer: UAVS Design, Entwécklung an Deployment. In: Unmanned Aircraft Systems: UAVS Design, Development and
Détachement. John Wiley a Jongen. https://doi.org/10.1002/9780470664797.
Awais, M., Li, W., Cheema, MJM, Zaman, QU, Shaheen, A., Aslam, B., Zhu, W., Ajmal, M., Faheem, M., Hussain, S., Nadeem, AA, Afzal, MM, Liu, C., 2022. UAV-baséiert Remote Sensing am Planzestress stellt Iech vir mat engem High-Resolution Thermal Sensor fir digital Landwirtschaftspraktiken: eng Meta-Iwwerpréiwung. Int. J. Ëmgéigend. 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. Smart Landwirtschaft: Méiglechkeeten, Erausfuerderungen
an Technologie Enablers. 2018 IoT Vertikal an. Topical Sommet iwwer Landwirtschaft -Toskana (IOT Toskana) 1-6. https://doi.org/10.1109/IOTTUSCANY.2018.8373043.
Bah, MD, Hafiane, A., Canals, R., 2018. Deep Learning with unsupervised Date Labeling for Onkrautdetektioun an Linnekulturen an UAV Biller. Remote Sensing 10 (11), 1690.
https://doi.org/10.3390/rs10111690.
Baldi, S., 1998. Normativ versus sozial konstruktivistesch Prozesser an der Allocatioun vun Zitater: e Netzwierk-analytesche Modell. Am. Soziol. 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.
Bildmaterial mat engem onbemannte Loftfaart (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. Plant Sci. 242, 3–13. https://doi.org/10.1016/j.
plantsci.2015.07.010.
Barbedo, JGA, Koenigkan, LV, 2018. Perspektiven iwwer d'Benotzung vun onbemannte Loftsystemer fir Véi ze iwwerwaachen. Ausbléck 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. Low-weight and UAV-based hyperspectral. voll-Frame Kameraen
fir Iwwerwaachungskulturen: Spektralverglach mat portable Spektroradiometer Miessunge. Photogrammetrie, Fernerkundung, Geoinformation 2015 (1), 69–79.
https://doi.org/10.1127/pfg/2015/0256.
Barrientos, A., Colorado, J., del Cerro, J., Martinez, A., Rossi, C., Sanz, D., Valente, J., Aerial remote sensing in agriculture
a Weeplanung fir Flotte vu Mini-Loftroboter. 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.
Landwirtschaft. J. Navig. 75 (2), 364–383.
Basnet, B., Bang, J., 2018. The State-of-the-Art of Knowledge-intensive Agriculture: A Review on Applied Sensing Systems and Data Analytics. J. Sens. 2018, 1-13.
Bendig, J., Bolten, A., Bareth, G., 2013. UAV-baséiert Imaging fir multi-temporal, ganz héich Opléisung Ernteflächemodeller fir d'Erntewachstumvariabilitéit ze iwwerwaachen. Photogrammetrie, Fernerkundung, Geoinformation 2013 (6), 551–562. https://doi. org/10.1127/1432-8364/2013/0200.
Bendig, J., Bolten, A., Bennertz, S., Broscheit, J., Eichfuss, S., Bareth, G., 2014. Remote Sensing 6 (11), 10395–10412.
Bendig, J., Yu, K., Aasen, H., Bolten, A., Bennertz, S., Broscheit, J., Gnyp, ML, Bareth, G., 2015. Modeller,
siichtbar, an no Infrarout Vegetatioun Indizes fir Biomass Iwwerwachung an Gerste. Int. J. Appl. Äerd 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. Mapping Canopy conductance a CWSI an Olivenueleg mat héijer Opléisung
thermesch Fernsensing Biller. Remote Sens. Ëmgéigend. 113 (11), 2380–2388. https://doi.org/10.1016/j.rse.2009.06.018.
Berni, JA, Zarco-Tejada, PJ, Suarez, ´L., Fereres, E., 2009b. Thermesch a schmuelband multispektral Fernsensing fir Vegetatiounsiwwerwaachung vun engem onbemannte Loftfaart. IEEE Trans. Geosci. Remote Sens. 47 (3), 722-738.
Bouzembrak, Y., Klüche, M., Gavai, A., Marvin, HJP, 2019. Internet of Things in Food Safety: Literature review and a bibliometric analysis. 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 in Agriculture: Designing a Europe-wide large-scale pilot. IEEE Commun. Mag. 55 (9), 26–33.
Buters, TM, Belton, D., Cross, AT, 2019. Multi-Sensor UAV Tracking vun eenzelne Séiwierker a Séigemeinschaften op Millimeter Genauegkeet. Dronen 3 (4), 81.
https://doi.org/10.3390/drones3040081.
Candiago, S., Remondino, F., De Giglio, M., Dubbini, M., Gattelli, M., 2015. Evaluéieren vun multispektralen Biller a Vegetatiounsindizes fir Präzisiounslandwirtschaft Uwendungen aus UAV Biller. Remote Sensing 7 (4), 4026–4047. https://doi.org/10.3390/rs70404026.
Cao, Y., Li, GL, Luo, YK, Pan, Q., Zhang, SY, 2020.
multispektral Biller. Berechnen. Elektron. Agric. 171, 105331 https://doi.org/10.1016/j.compag.2020.105331.
Casillas, J., Acedo, F., 2007. Evolutioun vun der intellektueller Struktur vun der Familljebetribsliteratur: eng bibliometresch Studie vu FBR. Famill Business Rev 20 (2), 141-162.
Cen, H., Wan, L., Zhu, J., Li, Y., Li, X., Zhu, Y., Weng, H., Wu, W., Yin, W., Xu, C., Bao, Y., Feng, L., Shou, J., He, Y., 2019. Dynamic monitoring of biomass of rice under
verschidde Stickstoffbehandlungen mat engem liichte UAV mat Dual Image Frame Snapshot Kameraen. Planzenmethoden 15 (1), 32. https://doi.org/10.1186/s13007-019-
0418-8.
Chamuah, A., Singh, R., 2019. Séchert Nohaltegkeet an der indescher Landwirtschaft duerch zivil UAV: eng verantwortlech Innovatiounsperspektiv. SN Appl. Sci. 2 (1), 106. https://
doi.org/10.1007/s42452-019-1901-6.
Chamuah, A., Singh, R., 2022. Responsabel Gouvernance vun zivilen onbemannte Loftfaart (UAV) Innovatiounen fir indesch Ernteversécherungsapplikatiounen. J. Responsabel
Technol. 9, 100025 https://doi.org/10.1016/j.jrt.2022.100025.
Chen, A., Orlov-Levin, V., Meron, M., 2019. Héichopléisende sichtbar-Kanal-Aerial Imaging vun der Erntegung fir Präzisioun Bewässerungsmanagement. Agric. Waasser
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. fir Metrologie Uwendungen. 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-baséiert IoT Plattform fir autonom Drone Operatiounsmanagement. In: Verhandlunge vum 2. ACM
MobiCom Workshop iwwer Drone Assisted Wireless Communications fir 5G an doriwwer eraus, S. 31-36. https://doi.org/10.1145/3414045.3415939.
Day, RA, Gastel, B., 1998. Wéi schreift een e wëssenschaftleche Pabeier. Cambridge University Press. de Castro, AI, Pena, JM, Torres-Sanchez, ´J., Jim´enez-Brenes, FM, ValenciaGredilla, F., Recasens, J., Lopez-Granados, ´F., 2020. Mapping Cynodon Dactylon infesting. deckt Cropen mat enger automatescher Decisioun Bam-OBIA Prozedur an UAV Bildmaterial fir Präzisioun Wäibau. 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. An automatic random forest-OBIA algorithm for fréi Onkrautkartéierung tëscht a bannent Erntereien mat UAV Bildmaterial. Remote Sensing 10 (2). https://doi.org/10.3390/rs10020285.
Demir, N., Sonmez, ¨ NK, Akar, T., Ünal, S., 2018. Automatiséiert Messung vun der Planz Héicht vu Wheat Genotypen mat engem DSM ofgeleet aus UAV Imagery. Proceedings 2 (7), 350. https://doi.org/10.3390/ecrs-2-05163.
Deng, J., Zhong, Z., Huang, H., Lan, Y., Han, Y., Zhang, Y., 2020. Leichtgewicht semantescht Segmentatiounsnetz fir Echtzäit Onkrautkartéierung mat onbemannte Loftfaart. Appl. Sci. 10 (20), 7132. https://doi.org/10.3390/app10207132.
Deng, L., Mao, Z., Li, X., Hu, Z., Duan, F., Yan, Y., 2018. UAV-baséiert multispektral Remote Sensing fir Präzisiounslandwirtschaft: e Verglach tëscht verschiddene Kameraen. ISPRS J. Photogramm. Remote Sens. 146, 124-136.
Diaz-Gonzalez, FA, Vuelvas, J., Correa, CA, Vallejo, VE. Ecol. Ind. 2022, 135 https://doi.org/108517/j.ecolind.10.1016.
Díaz-Varela, RA, De la Rosa, R., Leon, ´L., Zarco-Tejada, PJ, 2015.
Rekonstruktioun: Uwendung an Zuchtversuche. Remote Sensing 7 (4), 4213–4232. https://doi.org/10.3390/rs70404213.
Dixit, A., Jakhar, SK, 2021. Airport Kapazitéit Gestioun: eng Iwwerpréiwung a bibliometric Analyse. J. Air Transp. Manag. 91, 102010.
Dong, T., Shang, J., Liu, J., Qian, B., Jing, Q., Ma, B., Huffman, T., Geng, X., Sow, A., Shi, Y. Canisius, F., Jiao, X., Kovacs, J.M., Walters, D., Cable, J., Wilson, J., 2019.
Benotze vu RapidEye Bildmaterial fir d'Verännerlechkeet vum Erntewachstum an d'Ausbezuelung am Feld ze identifizéieren an Ontario, Kanada. Präzisioun Agric. 20 (6), 1231–1250. https://doi.org/10.1007/
s11119-019-09646-w.
Dutta, PK, Mitra, S., 2021. Uwendung vun landwirtschaftlechen Dronen an Iot fir d'Liewensmëttelversuergungskette während der Post COVID-19 ze verstoen. In: Choudhury A, Biswas A, Prateek M, et al.
Chakrabarti, A. (Eds.), Agricultural Informatics: Automation Using the IoT and Machine Learning. Wiley, S. 67–87. van Eck, N., Waltman, L., 2009. Software Ëmfro: VOSviewer, e Computerprogramm fir bibliometric Mapping. Scientometrics 84 (2), 523-538. https://doi.org/10.1007/s11192-009-0146-3.
Elijah, O., Rahman, TA, Orikumhi, I., Leow, CY, Hindia, MN, 2018. En Iwwerbléck iwwer Internet of Things (IoT) an Datenanalyse an der Landwirtschaft: Virdeeler an Erausfuerderungen.
IEEE Internet Saachen 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. Validation of agronomic UAV an Feld
Miessunge fir Tomatensorten. Berechnen. Elektron. Agric. 158, 278–283. https://doi.org/10.1016/j.compag.2019.02.011.
Espinoza, CZ, Khot, LR, Sankaran, S., Jacoby, PW, 2017.
subsurface bewässert Wäin. Remote Sensing 9 (9), 961. https://doi.org/ 10.3390/rs9090961.
Ewing, J., Oommen, T., Jayakumar, P., Alger, R., 2020. 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. Multiscale Evaluatioun vun Drone-baséiert multispektral Uewerfläch Reflexioun a Vegetatioun Indizes an operationell Konditiounen. Remote Sensing 12 (3), 514.
Feng, X., Yan, F., Liu, X., 2019. Studie vun drahtlose Kommunikatiounstechnologien am Internet vun de Saachen fir Präzisiounslandwirtschaft. Wireless Pers. Commun. 108 (3),
1785-1802.
Ferreira, MP, Pinto, CF, Serra, FR, 2014. D'Transaktiounskäschtetheorie an der internationaler Geschäftsfuerschung: eng bibliometresch Studie iwwer dräi Joerzéngte. 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. Fortschrëtter an der Präzisiounslandwirtschaft am Südoste vun Australien. I. eng Regressiounsmethodologie fir ze simuléieren
raimlech Variatioun an der Ernte vu Getreide mat de Baueren historesche Paddock-Ausbezuelen an normaliséierten Ënnerscheed Vegetatiounsindex. Crop Weide Sci. 60 (9), 844–858.
Floreano, D., Wood, RJ, 2015. Wëssenschaft, Technologie an d'Zukunft vu klengen autonomen Dronen. Natur 521 (7553), 460-466. https://doi.org/10.1038/nature14542.
Friha, O., Ferrag, MA, Shu, L., Maglaras, LA, Wang, X., 2021. Internet vun de Saachen fir d'Zukunft vun der intelligenter Landwirtschaft: eng ëmfaassend Ëmfro vun opkomende Technologien. 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. Fig Plant Segmentation aus Loftbiller mat engem déif convolutional Encoder-Decoder Netz. 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. UAVs challenge to assessment water stress for
nohalteg Landwirtschaft. Agric. Waasser 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. an der Planz
Niveau fir de Status vun der Erntewaasser bei Mandelbeem (cv. Guara) ënner Defizitbewässerungsstrategien ze bewäerten. Agric. Waasser Manag. 208, 176–186. https://doi.org/10.1016/j.
agwat.2018.06.002.
Garzonio, R., Di Mauro, B., Colombo, R., Cogliati, S., 2017. Surface reflectance and suninduced fluorescence spectroscopy messes with a small hyperspectral UAS. Remote Sensing 9 (5), 472. https://doi.org/10.3390/rs9050472. GaŇsparovi´c, M., Zrinjski, M., Barkovi´c, Đ., Radoˇcaj, D., 2020. An Automatic Method for
Onkrautkartéierung an Haferfelder baséiert op UAV Bildmaterial. Berechnen. Elektron. Agric.
Gebbers, R., Adamchuk, VI, 2010. Präzisioun Landwirtschaft a Liewensmëttelsécherheet. Science 327 (5967), 828-831. https://doi.org/10.1126/science.1183899.
Geipel, J., Link, J., Claupein, W., 2014. Kombinéiert spektral a raimlech Modelléierung vu Maisausbezuele baséiert op Loftbilder a Ernteoberflächemodeller, déi mat engem onbemannte Fligersystem kaaft goufen. Remote Sensing 6 (11), 10335–10355. https://doi.org/10.3390/rs61110335.
Geng, D., Feng, Y., Zhu, Q., 2020. Nohalteg Design fir Benotzer: A Literatur Iwwerpréiwung a bibliometric Analyse. Ëmgéigend. 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.
UAV Bildmaterial fir Präzisioun Landwirtschaft Uwendungen. IEEE J. Sel. Top. Appl. Äerd Obs. Remote Sens. 8 (6), 3140-3146. ttps://doi.org/10.1109/JSTARS.2015.2406339.
Gill, SS, Chana, I., Buyya, R., 2017. IoT baséiert Landwirtschaft als Cloud a Big Dataservice: den Ufank vum digitalen Indien. J. Org. an End User Comput. (JOEUC) 29 (4),
1-23.
Gmür, M., 2006. Co-Zitatanalyse an d'Sich no invisible Colleges: eng methodologesch Evaluatioun. Scientometrics 57 (1), 27-57. https://doi.org/10.1023/
a: 1023619503005.
Gnadinger, ¨ F., Schmidhalter, U., 2017. Digital counts of mais plants by Unmanned Aerial Vehicles (UAVs). Remote Sensing 9 (6). Https://doi.org/10.3390/rs9060544.
Gokto ¨ ǧan, AH, Sukkarieh, S., Bryson, M., Randle, J., Lupton, T., Hung, C., 2010.
Gestioun. J. Intell. Robotic System: 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. Assesséiert d'Genauegkeet vu Mosaiken aus onbemanntem Loftfaart (UAV) Bildmaterial fir Präzisiounslandwirtschaft Zwecker a Weess. Präzis. Agric. 15 (1), 44–56. https://doi.org/10.1007/s11119-013-9335-4.
Gomez-Cand 'on,' D., Virlet, N., Labbe, S., Jolivot, A., Regnard, J.-L., 2016. Field phenotyping of water stress at tree scale by UAV-sensed imagery : nei Abléck fir
thermesch Acquisitioun an Eechung. Präzis. Agric. 17 (6), 786–800. https://doi.org/10.1007/s11119-016-9449-6.
Gonzalez-Dugo, V., Zarco-Tejada, PJ, Fereres, E., 2014. Anwendbarkeet an Aschränkungen fir d'Erntewasserstressindex als Indikator vu Waasserdefiziter an Zitrusbëscher ze benotzen. Agric. Fir. 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.
bewäerten d'Verännerlechkeet am Waasser Zoustand vu fënnef Uebst Bam Arten bannent engem kommerziellen Orchard. Präzis. Agric. 14 (6), 660–678. https://doi.org/10.1007/s11119-013-9322-9.
Goyal, K., Kumar, S., 2021. Financial Alphabetiséierung: Eng systematesch Iwwerpréiwung a bibliometresch Analyse. Int. J. Consumer Studies 45 (1), 80-105. https://doi.org/10.1111/
ijcs.12605.
Grenzdorffer, ¨ GJ, Engel, A., Teichert, B., 2008. The photogrammetric potential of lowcost uavs in forestry and agriculture. International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences - ISPRS Archives 37, 1207–1213. https://www.scopus.com/inward/record.uri?eid=2-s2.0-85039543258&partnerI D=40&md5=b4b2d639257e8ddb5a373d15959c4e1e.
Guan, S., Fukami, K., Matsunaka, H., Okami, M., Tanaka, R., Nakano, H., Sakai, T., Nakano, K., Ohdan, H., Takahashi, K. 2019. Bewäerten Korrelatioun vun héich-Resolutioun
NDVI mat Dünger Uwendungsniveau an Ausbezuele vu Reis a Weesskulturen mat klenge UAVs. Remote Sensing 11 (2), 112.
Gundolf, K., Filser, M., 2013. Management Fuerschung a Relioun: eng Zitatiounsanalyse. J. Bus. Ethik 112 (1), 177-185.
Guo, Q., Zhu, Y., Tang, Y., Hou, C., He, Y., Zhuang, J., Zheng, Y., Luo, S., 2020. CFD Simulatioun an experimentell Verifizéierung vun der raimlecher an temporär distributions vun
den Downwash Loftfloss vun engem Quad-Rotor landwirtschaftlechen UAV am Hover. Berechnen. Elektron. Agric. 172, 105343 https://doi.org/10.1016/j.compag.2020.105343.
Haghighattalab, A., Gonz' alez P'erez, L., Mondal, S., Singh, D., Schinstock, D., Rutkoski, J., Ortiz-Monasterio, I., Singh, RP, Goodin, D. , Polen, J., 2016.
Uwendung vun onbemannte Loftsystemer fir Phänotyping mat héijem Duerchsatz vu grousse Weesszuchtcrèche. Planz Methoden 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. . Am GG Bill R. (Ed.), International Archives vun der Photogrammetry, Remote Sensing a Spatial Informatiounswëssenschaften-ISPRS Archives (Vol. 40, Issue 1W2, S. 189-194). International Society for Photogrammetry and Remote Sensing. https://www.scopus.com/inward/record.uri?eid=2-s2.0-848875632.
Hamylton, SM, Morris, RH, Carvalho, RC, Roder, N., Barlow, P., Mills, K., Wang, L.
Gefier (UAV) Biller: Pixel Klassifikatioun, visuell Interpretatioun a Maschinn Léieren Approche. Int. J. Appl. Äerd Obs. Geoinf. 89, 102085 https://doi.org/
10.1016/j.jag.2020.102085.
Haque, A., Islam, N., Samrat, NH, Dey, S., Ray, B., 2021. Smart Landwirtschaft duerch responsabel Leedung am Bangladesch: Méiglechkeeten, Méiglechkeeten, an doriwwer eraus.
Nohaltegkeet 13 (8), 4511.
Hardin, PJ, Hardin, TJ, 2010. Geographie Kompass 4 (9), 1297-1311. ttps://doi.org/10.1111/j.1749-
8198.2010.00381.x.
Hardin, PJ, Jensen, RR, 2011. GISci. Remote Sens. 48 (1), 99-111. https://doi.org/10.2747/1548-1603.48.1.99.
He, Y., Nie, P., Zhang, Q., Liu, F., 2021. Agricultural Internet of Things: Technologies and Applications, (1st Ed. 2021 Editioun). 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.
Imaging vun engem onbemannt Loftfaart: landwirtschaftlech Iwwerwaachung an Entscheedungshëllef. Berechnen. 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. Remote Sensing 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. Processing and assessment. vun spektrometreschen, stereoskopesche Biller gesammelt mat enger liicht UAV Spektralkamera fir Präzisiounslandwirtschaft. Remote Sensing 5 (10), 5006–5039. https://doi.org/10.3390/rs5105006.
Hossein Motlagh, N., Taleb, T., Arouk, O., 2016. Niddereg-Héicht onbemannt Loftfaart-baséiert Internet vun Saachen Servicer: ëmfaassend Ëmfro an Zukunft Perspektiven. IEEE Internet Saachen J. 3 (6), 899-922. https://doi.org/10.1109/JIOT.2016.2612119.
Hrabar, S., Sukhatme, GS, Corke, P., Usher, K., Roberts, J., 2005. Kombinéiert Optik-Flow a Stereo-baséiert Navigatioun vun urbanen Canyonen fir en UAV. En: 2005 IEEE/RSJ
International Konferenz iwwer intelligent Roboteren a Systemer, S. 3309-3316. https://doi.org/10.1109/IROS.2005.1544998.
Hsu, T.-C., Yang, H., Chung, Y.-C., Hsu, C.-H., 2020. Eng kreativ IoT Landwirtschaft Plattform fir Cloud Niwwel Computing. Nohalteg. Berechnen. Inf. Syst. 28, 100285.
Huang, H., Deng, J., Lan, Y., Yang, A., Deng, X., Zhang, L., Gonzalez-Andujar, JL, 2018. UAV) Biller. PLoS ONE 13 (4), e0196302.
Huang, H., Lan, Y., Yang, A., Zhang, Y., Wen, S., Deng, J., 2020. Deep Learning versus Object-based Image Analysis (OBIA) in Weed Mapping of UAV Imagery. 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. Déif Faarfkalibratioun fir UAV-Bildmaterial an der Ernteiwwerwaachung
benotzt semantesche Stil Transfert mat lokal bis global Opmierksamkeet. Int. J. Appl. Äerd Obs. Geoinf. 104, 102590 https://doi.org/10.1016/j.jag.2021.102590.
Huang, YB, Thomson, SJ, Hoffmann, WC, Lan, YB, Fritz, BK, 2013. Development and prospect of unmanned aerial vehicle technology
Gestioun. Int. J. Agric. Biol. Eng. 6 (3), 1–10. https://doi.org/10.3965/j. ijabe.20130603.001.
Huang, Y., Hoffmann, WC, Lan, Y., Wu, W., Fritz, BK, 2009. Development of a spray system for an unmanned aerial vehicle platform. Appl. Eng. Agric. 25 (6), 803–809.
Hunt Jr., ER, Dean Hively, W., Fujikawa, SJ, Linden, DS, Daughtry, CST, McCarty, GW, 2010. Acquisitioun vun NIR-gréng-blo digital Fotoen aus
onbemannt Fliger fir Ernteiwwerwaachung. Remote Sensing 2 (1), 290–305. https://doi. org/10.3390/rs2010290. Inoue, Y., 2020. Satellit- an Drone-baséiert Fernsensing vu Kulturen a Buedem fir Smart Landwirtschaft - eng Iwwerpréiwung. Buedem Sci. Planzen 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. A review of applications and communication technology for Internet of Things (IoT) and
Unmanned Aerial Vehicle (UAV) baséiert nohalteg Smart Landwirtschaft. Nohaltegkeet 13 (4), 1821. https://doi.org/10.3390/su13041821.
Jaud, M., Passot, S., Le Bivic, R., Delacourt, C., Grandjean, P., Le Dantec, N., 2016.
PhotoScan® a MicMac® an suboptimalen Ëmfrobedéngungen. 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. Canopy Wuesstum andeems Dir UAV-baséiert 3D Modeller benotzt. Planzmethoden 13 (1). https://doi.org/10.1186/s13007-017-0205-3.
Jin, X., Liu, S., Baret, F., Hemerl´e, M., Comar, A., 2017. Remote Sens.
Ëmgéigend. 198, 105–114. https://doi.org/10.1016/j.rse.2017.06.007.
Jinbo, C., Xiangliang, C., Han-Chi, F., Lam, A., 2019. Landwirtschaftlech Produkt Iwwerwaachungssystem ënnerstëtzt vu Cloud Computing. Cluster Comput. 22 (4), 8929–8938.
Ju, C., & Son, HI 2018a. Performance Evaluatioun vu Multiple UAV Systemer fir Fernsensing an der Landwirtschaft. Proceedings vum Workshop iwwer Roboter Visioun an Handlung an der Landwirtschaft op der IEEE International Conference on Robotics and Automation (ICRA), Brisbane, Australien, 21-26.
Ju, C., Son, HI, 2018b. Multiple UAV Systemer fir landwirtschaftlech Uwendungen: Kontroll, Ëmsetzung an Evaluatioun. Electronics 7 (9), 162. https://doi.org/10.3390/
elektronesch 7090162.
Jung, J., Maeda, M., Chang, A., Bhandari, M., Ashapure, A., Landivar-Bowles, J., 2021.
Widderstandsfäegkeet vun der Landwirtschaft Produktiounssystemer. 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. Eng verbessert Crop Scouting Technik, déi onbemannt Loftfahrzeug-assistéiert multispektral Erntebildung an d'konventionell Scoutspraxis fir Gummi-Stammkëscht a Waassermeloun integréiert. Plant Dis. 103 (7), 1642–1650.
Kapoor, KK, Tamilmani, K., Rana, NP, Patil, P., Dwivedi, YK, Nerur, S., 2018. Fortschrëtter an der sozialer Medienfuerschung: Vergaangenheet, Present an Zukunft. Informéieren. Syst. Front. 20
(3), 531-558.
Kerkech, M., Hafiane, A., Canals, R., 2020. VddNet: Vine Krankheet Detektiounsnetz baséiert op multispektrale Biller an Déiftkaart. 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.
Verännerlechkeet Bewäertung. Remote Sensing 11 (4). https://doi.org/10.3390/rs11040436.
Khan, PW, Byun, Y.-C., Park, N., 2020. IoT-Blockchain aktivéiert optimiséiert Provenance System fir Liewensmëttelindustrie 4.0 mat fortgeschratt Deep Learning. Sensoren 20 (10), 2990.
Khan, RU, Khan, K., Albattah, W., Qamar, AM, Ullah, F., 2021. Bild-baséiert Detektioun vu Planzekrankheeten: vu klassesche Maschinnléiere bis déif Léierrees. Wireless Commun. Mobile Computer. 2021, 1-13.
Khan, S., Tufail, M., Khan, MT, Khan, ZA, Iqbal, J., Alam, M., Le, KNQ, 2021. E Roman semi-iwwerwaacht Kader fir UAV baséiert Ernte / Onkraut Klassifikatioun. PLoS ONE 16 (5), e0251008.
Khanal, S., Fulton, J., Shearer, S., 2017. Eng Iwwersiicht iwwer aktuell a potenziell Applikatioune vun der thermescher Fernsensing an der Präzisiounslandwirtschaft. Berechnen. Elektron.
Agric. 139, 22–32. https://doi.org/10.1016/j.compag.2017.05.001.
Khanna, A., Kaur, S., 2019. Evolutioun vum Internet vun de Saachen (IoT) a seng bedeitend Impakt am Beräich vun der Präzisiounslandwirtschaft. Berechnen. Elektron. Agric. 157, 218–231.
Kim, W., Khan, GF, Wood, J., Mahmood, MT, 2016. Employé Engagement fir nohalteg Organisatiounen: Schlësselwuertanalyse mat Hëllef vu sozialen Netzwierkanalyse a Burst
Detektioun Approche. Nohaltegkeet 8 (7), 631.
Kirsch, M., Lorenz, S., Zimmermann, R., Tusa, L., Mockel, ¨ R., Hodl, ¨ P., Booysen, R., Khodadadzadeh, M., Gloaguen, R., 2018. vun terrestreschen an Drone-gebuerene
hyperspektral a photogrammetresch Senséiermethoden fir Exploratiounsmapping a Mining Iwwerwaachung. Remote Sensing 10 (9), 1366. https://doi.org/10.3390/
rs10091366.
Kitano, BT, Mendes, CCT, Geus, AR, Oliveira, HC, Souza, JR, 2019. Maisplanzzielung mat Deep Learning an UAV Biller. IEEE Geosci. Remote Sens. Lett. 1–5 https://doi.org/10.1109/LGRS.2019.2930549.
Koh, JCO, Spangenberg, G., Kant, S., 2021. Automatiséiert Maschinnléiere fir Highthroughput Bild-baséiert Planzenphenotyping. Remote Sensing 13 (5), 858. https://
doi.org/10.3390/rs13050858.
Kovalev, IV, Voroshilova, AA, 2020. Modern technologesch Trends an der Entwécklung vum Ökosystem vu Fracht-UAVs. J. Phys. Conf. Ser. 1515 (5), 052068 https://doi. org/10.1088/1742-6596/1515/5/052068.
Krul, S., Pantos, C., Frangulea, M., Valente, J., 2021. Visuell SLAM fir Indoor Béischten a Landwirtschaft mat enger klenger Dron mat enger monokulärer Kamera: eng Machbarkeetstudie.
Drones 5 (2), 41. https://doi.org/10.3390/drones5020041.
Kulbacki, M., Segen, J., Knie´c, W., Klempous, R., Kluwak, K., Nikodem, J., Kulbacka, J., Serester, A., 2018. Survey of Drones for Agriculture Automation. vun Plantatioun bis
Recolte. An: INES 2018 - IEEE 22nd International Conference on Intelligent Engineering Systems, S. 000353-358. https://doi.org/10.1109/INES.2018.8523943.
Lagkas, T., Argyriou, V., Bibi, S., Sarigiannidis, P., 2018. UAV IoT Kader Meenung an Erausfuerderungen: Richtung Dronen als "Saachen" ze schützen. Sensoren 18 (11), 4015. https://doi.org/10.3390/s18114015.
Laliberte, AS, Rango, A., 2011. Bildveraarbechtung a Klassifikatiounsprozedure fir d'Analyse vun Ënnerdezimeter-Bildmaterial mat engem onbemannte Fliger iwwer ariden
rangelands. GISci. Remote Sens. 48 (1), 4-23. https://doi.org/10.2747/1548-1603.48.1.4.
Laliberte, AS, Rango, A., Herrick, JE, 2007. Onbemannt Loftfaart fir Rangeland Mapping an Iwwerwaachung: e Verglach vun zwee Systemer. ASPRS Annual Conference Proceedings.
Lam, OHY, Dogotari, M., Prüm, M., Vithlani, HN, Roers, C., Melville, B., Zimmer, F., Becker, R., 2021. An open source workflow for weed mapping in native grassland.
benotzt onbemannt Loftfaart: Benotzt Rumex obtusifolius als Fallstudie. 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. Adoptioun, Rentabilitéit a bessere Gebrauch vu Präzisiounsbaudaten.
Aarbechtspabeier. Purdue Universitéit. https://doi.org/10.22004/ag.econ.28615.
Lelong, CCD, Burger, P., Jubelin, G., Roux, B., Labbe, S., Baret, F., 2008. Assessment of unmanned aerial vehicles imagery for quantitative monitoring of wheat crop in small plots. Sensoren 8 (5), 3557-3585. https://doi.org/10.3390/s8053557.
Li, C., Niu, B., 2020. Design vun Smart Landwirtschaft baséiert op Big Data an Internet vun Saachen. 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. Remote Estimation of Canopy High and aboveground biomass of mais using high-resolution stereo images from a niddereg Käschten onbemannt Loftfaart System. Ecol. Ind. 67, 637–648. https://doi.org/10.1016/j.ecolind.2016.03.036.
Liakos, KG, Busato, P., Moshou, D., Pearson, S., Bochtis, D., 2018. Machine Learning in Agriculture: A Review. Sensoren 18 (8), 2674.
Liebisch, F., Kirchgessner, N., Schneider, D., Walter, A., Hund, A., 2015. Remote, aerial phenotyping of mais traits with a mobile multi-sensor approach. Planz Methoden 11 (1), 9. https://doi.org/10.1186/s13007-015-0048-8.
Lin, Z., Guo, W., 2020. Sorghum panicle Detektioun a zielen mat onbemannte Loftsystem Biller an déif Léieren. Front. Plant Sci. 11.
Liu, S., Guo, L., Webb, H., Ya, X., Chang, X., 2019. Internet of Things Iwwerwaachungssystem vun der moderner Öko-Landwirtschaft baséiert op Cloud Computing. IEEE Access 7, 37050–37058.
Lopez-Granados, 'F., 2011. Onkraut Detektioun fir Site-spezifesch Onkrautmanagement: Kartéierung an Echtzäit Approche. Onkraut 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-Pérez, A., Mesas-Carrascosa, F.-J., Pena, ˜ J.-M. , 2016. Objekt-baséiert fréi Iwwerwaachung vun engem Gras Onkraut an enger Grascrop mat héijer Opléisung UAV Bildmaterial. Agron. Nohalteg. Dev. 36 (4), 1–12
Lopez-Granados, ´F., Torres-S´anchez, J., Serrano-P´erez, A., de Castro, AI, Mesas-Carrascosa, F.-J., Pena, ˜J.-M., 2016. Fréier Saison Onkrautkartéierung a Sonneblummen mat UAV Technologie: Variabilitéit vun Herbizidbehandlungskaarten géint Onkrautschwellen. Präzis. Agric. 17 (2), 183–199.
Lucieer, A., Malenovský, Z., Veness, T., Wallace, L., 2014. HyperUAS - Imaging Spektroskopie vun engem Multirotor onbemannt Fligersystem. 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. Terrestrial laser scanning of landwirtschaftlech Kulturen. An JJ
Chen J. Maas H-G. (Ed.), International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences-ISPRS Archives (Vol. 37, S. 563–566).
International Society for Photogrammetry and Remote Sensing. https://www.scopus.com/inward/record.uri?eid=2-s2.0-84919356328&partnerID=40&md5=574
b802131a99d16318ce619a01ca1bf.
Ma, L., Li, M., Ma, X., Cheng, L., Du, P., Liu, Y., 2017. Eng Iwwerpréiwung vun iwwerwaacht Objektbaséiert Landdeckelbildklassifikatioun. ISPRS J. Photogramm. Remote Sens. 130,
277-293. https://doi.org/10.1016/j.isprsjprs.2017.06.001.
Maes, WH, Steppe, K., 2019. Perspektiven fir Fernsensing mat onbemannte Loftfaart an der Präzisiounslandwirtschaft. 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.
Onbemannt Loftsystem (UAS)-baséiert Phänotyping vu Sojabohn mat Multi-Sensor Datefusioun an extremer Léiermaschinn. 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.
Crop Iwwerwachung mat Satellit / UAV Datefusioun a Maschinnléieren. 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-Pérez, G., Su, Z., Vico, G., Toth. , B., 2018. Iwwer d'Benotzung vun onbemannte Loftsystemer fir
Ëmwelt Iwwerwachung. Remote Sensing 10 (4), 641.
Marinko, RA, 1998. Zitater zu Frae Studien Zäitschrëften an Dissertatiounen, 1989 an The Serials Librarian 35 (1-2), 29-44. https://doi.org/10.1300/J123v35n01_
03.
Masroor, R., Naeem, M., Ejaz, W., 2021. Ressource Gestioun an UAV-assistéiert Wireless Netzwierker: eng Optimisatiounsperspektiv. Ad Hoc Netw. 121, 102596 https://doi.org/10.1016/j.adhoc.2021.102596.
Matese, A., Di Gennaro, SF, 2018. Praktesch Uwendungen vun enger Multisensor UAV Plattform baséiert op multispektralen, thermeschen a RGB Héichopléisende Biller a Präzisioun
Wäibau. Landwirtschaft 8 (7), 116. https://doi.org/10.3390/agriculture8070116.
Matese, A., Di Gennaro, SF, 2021. Iwwert dem traditionellen NDVI Index als Schlësselfaktor fir d'Benotzung vun UAV an der Präzisioun Wäibau ze Mainstream. 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. Intercomparation vun UAV, Fliger
a Satellit Fernsensor Plattforme fir Präzisioun Wäibau. Remote Sensing 7 (3), 2971–2990. https://doi.org/10.3390/rs70302971.
Mazzia, V., Comba, L., Khaliq, A., Chiaberge, M., Gay, P., 2020.
Landwirtschaft. Sensoren 20 (9), 2530. https://doi.org/10.3390/s20092530.
McCain, KW, 1990. Mapping Auteuren am intellektuelle Raum: en techneschen Iwwerbléck. J. Am. Soc. Info. Sci. 41 (6), 433–443.
Meinen, BU, Robinson, DT, 2021. Agricultural Erosion Modeling: Evaluating USLE and WEPP field-scale Erosion Estimations using UAV time-series data. Ëmgéigend. Modell. Software 137, 104962. https://doi.org/10.1016/j.envsoft.2021.104962.
Melville, B., Lucieer, A., Aryal, J., 2019.
Tasmanian Midlands. Dronen 3 (1), 5.
Messina, G., Modica, G., 2020. Uwendungen vun UAV thermesch Biller an Präzisioun Landwirtschaft: Staat vun der Konscht an zukünfteg Fuerschung Ausbléck. Remote Sensing 12 (9), https://doi.org/10.3390/rs12091491.
Mishra, D., Luo, Z., Jiang, S., Papadopoulos, T., Dubey, R., 2017. Eng bibliographesch Studie iwwer Big Data: Konzepter, Trends an Erausfuerderungen. Business Prozess Manag. J. 23 (3),
555-573.
Mochida, K., Saisho, D., Hirayama, T., 2015. Ernteverbesserung mat Hëllef vu Liewenszyklus Datesätz, déi ënner Feldbedéngungen erfaasst ginn. Front. Plant Sci. 6 https://doi.org/10.3389/
fpls.2015.00740.
Mogili, UM.R., Deepak, BBVL, 2018. Iwwerpréiwung iwwer Uwendung vun Dronesystemer an der Präzisiounslandwirtschaft. Prozedur Comput. Sci. 133, 502-509.
Moharana, S., Dutta, S., 2016. Raumlech Variabilitéit vu Chlorophyll a Stickstoffgehalt vu Reis aus hyperspektralen Bildmaterial. ISPRS J. Photogramm. Remote Sens. 122, 17-29.
Muangprathub, J., Boonnam, N., Kajornkasirat, S., Lekbangpong, N., Wanichsombat, A.
Nillaor, P., 2019. IoT a Landwirtschaftsdatenanalyse fir Smart Farm. Berechnen. Elektron. Agric. 156, 467–474.
Nansen, C., Elliott, N., 2016. Remote Sensing and reflectance profiling 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. Multispektral Kartéierung an der Landwirtschaft: Terrain Mosaik mat engem autonome Quadcopter UAV. Int. Conf.
Onbemannt Fliger Syst. (ICUAS) 2016, 1351–1358. https://doi.org/10.1109/ ICUAS.2016.7502606.
Nayyar, A., Nguyen, B.-L., Nguyen, NG, 2020. The Internet of Drone Things (Iodt): Zukunftsvisioun vu Smart Dronen. Adv. Intell. Syst. Berechnen. 1045, 563-580. https://doi.org/10.1007/978-981-15-0029-9_45.
Nebiker, S., Annen, A., Scherrer, M., Oesch, D., 2008. A light-weight multispectral sensor for micro UAV-opportunities for very high resolution airborne remote sensing. Int. Arch. Fotogramm. Remote Sens Spat. Inf. Sci 37 (B1), 1193-1200.
Negash, L., Kim, H.-Y., Choi, H.-L., 2019. Emerging UAV Applikatiounen an der Landwirtschaft. An: 2019 7th International Conference on Robot Intelligence Technology and
Uwendungen (RiTA), S. 254-257. https://doi.org/10.1109/RITAPP.2019.8932853.
Nerur, SP, Rasheed, AA, Natarajan, V., 2008. D'intellektuell Struktur vum strategesche Gestiounsfeld: eng Auteur Co-Zitatiounsanalyse. Strategie. Manag. J. 29 (3),
319-336.
Neupane, K., Baysal-Gurel, F., 2021. Automatesch Identifikatioun an Iwwerwaachung vu Planzekrankheeten mat onbemannte Loftfahrzeuge: eng Iwwerpréiwung. Remote Sensing 13 (19), 3841. https://doi.org/10.3390/rs13193841.
Nex, F., Remondino, F., 2014. UAV fir 3D Kaartapplikatiounen: eng Iwwerpréiwung. Appl. Geomatik 6 (1), 1-15. https://doi.org/10.1007/s12518-013-0120-x.
Niu, H., Hollenbeck, D., Zhao, T., Wang, D., Chen, Y., 2020. Evapotranspiratiounsschätzung mat klenge UAVs an der Präzisiounslandwirtschaft. Sensoren 20 (22), 6427. https://
doi.org/10.3390/s20226427.
Osareh, F., 1996. Bibliometrie, Zitatiounsanalyse a Co-Citatiounsanalyse. A Review of Literature I 46 (3), 149–158. https://doi.org/10.1515/libr.1996.46.3.149.
P´adua, L., Vanko, J., Hruˇska, J., Ad˜ ao, T., Sousa, JJ, Peres, E., Morais, R., 2017. UAS, sensors, and data processing in agroforestry: eng Iwwerpréiwung Richtung praktesch Uwendungen. Int. J. Remote Sens. 38 (8-10), 2349-2391. https://doi.org/10.1080/01431161.2017.1297548.
Panday, US, Pratihast, AK, Aryal, J., Kayastha, RB, 2020. Eng Iwwerpréiwung iwwer Drone-baséiert Dateléisungen fir Getreidekulturen. Dronen 4 (3), 1-29. https://doi.org/10.3390/
Dronen 4030041.
Parsaeian, M., Shahabi, M., Hassanpour, H., 2020. Schätzung vun Ueleg- a Proteingehalt vu Sesamsamen mat Bildveraarbechtung a kënschtlechen neuralen Netzwierk. J. Am. Ueleg
Chemiker Soc. 97 (7), 691-702.
Pena, JM, Torres-S'anchez, J., de Castro, AI, Kelly, M., Lopez-Granados, 'F., Suarez, O. vun
onbemannt Loftfaart (UAV) Biller. PLoS ONE 8 (10), e77151.
Pérez-Ortiz, M., Pena, ˜JM, Guti´errez, PA, Torres-S´anchez, J., Herv´as-Martínez, C.
Lopez-Granados, 'F., 2015. E semi-iwwerwaachte System fir Onkrautkartéierung an Sonneblummenkulturen mat onbemannte Loftfahrzeugen an enger Erntereienerkennungsmethod. 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. Kosteneffektiv IoT-Geräter als zouverléisseg Datequellen fir e Blockchain-baséiert Waassermanagementsystem an der Präzisiounslandwirtschaft. Berechnen. Elektron. Agric. 180, 105889.
Popescu, D., Stoican, F., Stamatescu, G., Ichim, L., Dragana, C., 2020. Advanced UAV–WSN System fir intelligent Iwwerwaachung an der Präzisiounslandwirtschaft. Sensoren 20 (3), https://doi.org/10.3390/s20030817.
Pournader, M., Shi, Y., Seuring, S., Koh, SL, 2020. Blockchain Uwendungen an Versuergungsketten, Transport a Logistik: eng systematesch Iwwerpréiwung vun der Literatur. Int. J. Prod. Res. 58 (7), 2063–2081.
Primicerio, J., Di Gennaro, SF, Fiorillo, E., Genesio, L., Lugato, E., Matese, A., Vaccari, FP, 2012. E flexibel onbemannt Loftfaart fir Präzisiounslandwirtschaft.
Präzis. Agric. 13 (4), 517–523. https://doi.org/10.1007/s11119-012-9257-6.
Pritchard, A., 1969. Statistesch Bibliographie oder Bibliometrie. J. Dokument. 25 (4), 348–349.
Pudelko, R., Stuczynski, T., Borzecka-Walker, M., 2012. D'Suitability vun engem onbemannte Loftfaart (UAV) fir d'Evaluatioun vun experimentellen Felder a Kulturen. Landwirtschaft 99 (4), 431-436.
Puri, V., Nayyar, A., Raja, L., 2017. Landwirtschaft Dronen: e modernen Duerchbroch an der Präzisiounslandwirtschaft. J. Stats. Manag. Syst. 20 (4), 507–518.
Radoglou-Grammatikis, P., Sarigiannidis, P., Lagkas, T., Moscholios, I., 2020. Eng Kompilatioun vun UAV Uwendungen fir Präzisiounslandwirtschaft. Berechnen. Netw. 172,
107148 https://doi.org/10.1016/j.comnet.2020.107148.
Ramesh, KV, Rakesh, V., Prakasa Rao, EVS, 2020. Uwendung vu Big Data Analytics a kënschtlech Intelligenz an der agronomescher Fuerschung. Indeschen J. Agron. 65 (4), 383–395.
Raparelli, E., Bajocco, S., 2019. Eng bibliometresch Analyse iwwer d'Benotzung vun onbemannte Loftfahrzeuge bei landwirtschaftlechen a Bëschstudien. 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.
Potenziell Notzung vu klenge onbemannte Fligersystemer (UAS) an Onkrautfuerschung. Onkraut Res. 53 (4), 242–248.
Rasmussen, J., Ntakos, G., Nielsen, J., Svensgaard, J., Poulsen, RN, Christensen, S.
UAVs genuch zouverlässeg fir experimentell Plots ze bewäerten? 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. Digitaliséierung an de Liewensmëttelversuergungsketten: eng bibliometresch Iwwerpréiwung a Schlësselroute Haaptwee
Analyse. Nohaltegkeet 14 (1), 83. https://doi.org/10.3390/su14010083.
Rejeb A, Rejeb K, Simske SJ, Treiblmaier H, 2021a. Dronen fir Versuergungskettenmanagement a Logistik: eng Iwwerpréiwung a Fuerschungsagenda. Int. J. Logist. Res. Appl.
1-24. https://doi.org/10.1080/13675567.2021.1981273.
Rejeb, A., Rejeb, K., Simske, S., Treiblmaier, H., 2021. Blockchain Technologien an der Logistik a Versuergungskettenmanagement: eng bibliometresch Iwwerpréiwung. Logistik 5 (4), 72.
https://doi.org/10.3390/logistics5040072.
Rejeb, A., Rejeb, K., Simske, S., Treiblmaier, H., 2021c. Humanitär Dronen: eng Iwwerpréiwung a Fuerschungsagenda. Internet of Things 16, 100434. https://doi.org/10.1016/j.
iot.2021.100434.
Rejeb, A., Treiblmaier, H., Rejeb, K., Zailani, S., 2021. Blockchain Fuerschung an der Gesondheetsariichtung: eng bibliometresch Iwwerpréiwung an aktuell Fuerschungstrends. J. vun Daten, Inf. an
Manag. 3 (2), 109–124.
Rejeb, A., Simske, S., Rejeb, K., Treiblmaier, H., Zailani, S., 2020. Internet of Things Research in Supply Chain Management and Logistics: A Bibliometric Analysis. Internet
vun Saachen 12, 100318.
ReportLinker, 2021. Globale Landwirtschaft Drone Maart fir US $ 15.2 Milliarde vum Joer z'erreechenGlobeNewswire 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- Joer-2027.html.
Ribeiro-Gomes, K., Hernandez-L' opez, 'D., Ortega, JF, Ballesteros, R., Poblete, T., Moreno, MA, 2017.
Photogrammetry Prozess fir UAV Uwendungen an der Landwirtschaft. Sensoren (Schwäiz) 17 (10). https://doi.org/10.3390/s17102173.
Rivera, MA, Pizam, A., 2015. Fortschrëtter an Gaaschtfrëndlechkeet Fuerschung: "Vun Rodney Dangerfield zu Aretha Franklin". Int. J. Contempor. Spidol. 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. Sensoren 15 (2), 3334-3350. https://doi.org/10.3390/s150203334.
Rozenberg, G., Kent, R., Blank, L., 2021. Consumer-grade UAV benotzt fir Spéit-Saison Onkraut raimlech Verdeelungsmuster an kommerziellen Zwiebelfelder z'entdecken an ze analyséieren. Präzis. 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. Unmanned. Loftfaart (UAV) operéiert Spektralkamera System fir Bësch- a Landwirtschaft Uwendungen. Fuert weider. SPIE – Int. Soc. Opt. Eng. 8174 https://doi.org/10.1117/12.897585.
Sah, B., Gupta, R., Bani-Hani, D., 2021. Analyse vu Barrièren fir Drone Logistik ëmzesetzen. 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-baséiert Drone fir d'Verbesserung vun der Erntequalitéit am landwirtschaftleche Feld. An SH
N. Chakrabarti S. (Ed.), 2018 IEEE 8th Annual Computing and Communication Workshop and Conference, CCWC 2018 (Vols. 2018-Januar, S. 612-615). Institut
vun Elektresch an Electronics Engineers Inc.. doi: 10.1109 / CCWC.2018.8301662.
Sai Vineeth, KV, Vara Prasad, YR, Dubey, SR, Venkataraman, H., 2019. LEDCOM: eng nei an effizient LED-baséiert Kommunikatioun fir Präzisiounslandwirtschaft. IEEE Conf. Info. Commun. Technol. 2019, 1-5. https://doi.org/10.1109/CICT48419.2019.9066177.
Salamí, E., Barrado, C., Pastor, E., 2014. UAV Fluch Experimenter applizéiert op d'Fernsense vu vegetéierte Gebidder. 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.
Niddereg Héicht, Héichopléisende Loftbildsystemer fir Zeil- a Feldkulturfenotyping: eng Iwwerpréiwung. 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. Héichopléisende UAV-baséiert thermesch Imaging
Momentaner a saisonal Variabilitéit vum Planzewaasserstatus bannent engem Wéngert. Agric. Waasser Manag. 183, 49–59. https://doi.org/10.1016/j.agwat.2016.08.026.
Sarli, CC, Dubinsky, EK, Holmes, KL, 2010. Beyond Citation Analysis: E Model for Assessment of Research Impact. J. Med. Bibliothéik Assoc. : JMLA 98 (1), 17–23. https://doi.org/10.3163/1536-5050.98.1.008.
Schaepman, ME, Ustin, SL, Plaza, AJ, Painter, TH, Verrelst, J., Liang, S., 2009. Earth System Science Related Imaging Spectroscopy-an Assessment. Remote Sens. Ëmgéigend. 113, S123–S137.
Schirrmann, M., Giebel, A., Gleiniger, F., Pflanz, M., Lentschke, J., Dammer, K.-H., 2016. Monitoring agronomic parameters of winter wheat crops with low-cost UAV
Bildmaterial. Remote Sensing 8 (9). https://doi.org/10.3390/rs8090706.
Schmale III, DG, Dingus, BR, Reinholtz, C., 2008.
landwirtschaftlech Felder. 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.
Erlaabt Präzisiounslandwirtschaft duerch embedded Sensing mat kënschtlecher Intelligenz. IEEE Trans. Instrument. Meas. 69 (7), 4103–4113.
Shakhatreh, H., Sawalmeh, AH, Al-Fuqaha, A., Dou, Z., Almaita, E., Khalil, I.
Othman, NS, Khreishah, A., Guizani, M., 2019. Unmanned Aerial Vehicles (UAVs): eng Ëmfro iwwer zivil Uwendungen a Schlësselfuerschungsfuerderungen. IEEE Access 7,
48572-48634. https://doi.org/10.1109/ACCESS.2019.2909530.
Shakoor, N., Northrup, D., Murray, S., Mockler, TC.
Technologien fir Ernteproduktivitéit ze förderen. Planz Phänomen J. 2 (1), 1-8.
Sharma, BK, Chandra, G., Mishra, VP, 2019. Vergläichend Analyse an Implikatioun vun UAV an AI an Forensic Investigations. In: Proceedings - 2019 Amity International
Konferenz iwwer Kënschtlech Intelligenz. https://doi.org/10.1109/AICAI.2019.8701407.
Sharma, R., Shishodia, A., Gunasekaran, A., Min, H., Munim, ZH, 2022. D'Roll vun der kënschtlecher Intelligenz am Versuergungskettenmanagement: Kartéierung vum Territoire. 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. Unmanned Aerial Vehicles for High-Throughput phenotyping and agronomic research. PLoS ENG
11 (7), e0159781.
Shuai, G., Martinez-Feria, RA, Zhang, J., Li, S., Price, R., Basso, B., 2019.
Gefierer (UAV). Sensoren 19 (20), 4446. https://doi.org/10.3390/s19204446.
Small, H., 1973. Co-Zitatioun an der wëssenschaftlecher Literatur: eng nei Moossnam vun der Relatioun tëscht zwee Dokumenter. J. Am. Soc. Info. Sci. 24 (4), 265–269.
Small, H., Rorvig, ME, Lunin, LF, 1999. Visualizing science by citation mapping. J. Am. Soc. Info. Sci. 50 (9), 799–813.
Soares, VHA, Ponti, MA, Gonçalves, RA, Campello, RJGB, 2021. Ranner zielen an der Wëld mat geolokaliséierte Loftbilder a grousse Weidegebidder. Berechnen. Elektron. Agric. 189, 106354 https://doi.org/10.1016/j.compag.2021.106354.
Srivastava, K., Pandey, PC, Sharma, JK, 2020. Eng Approche fir Streckoptimiséierung an Uwendungen vu Präzisiounslandwirtschaft mat UAVs. Dronen 4 (3), 58. https://doi.org/ 10.3390/drones4030058.
Stafford, JV, 2000. Ëmsetzung vun Präzisioun Landwirtschaft am 21. Joerhonnert. J. Agric. Eng. Res. 76 (3), 267–275.
Su, J., Coombes, M., Liu, C., Guo, L., Chen, W.-H., 2018. Wheat Dréchent Bewäertung duerch Remote Sensing Bildmaterial mat onbemannt Loftfaart. Am 2018 37th Chinese Control Conference (CCC).
Su, J., Liu, C., Coombes, M., Hu, X., Wang, C., Xu, X., Li, Q., Guo, L., Chen, W.-H., 2018. Weess giel Rust Iwwerwaachung andeems Dir vu multispektralen UAV Loftbiller léiert.
Berechnen. Elektron. Agric. 155, 157–166. https://doi.org/10.1016/j. compag.2018.10.017.
Su, Y., Wang, X., 2021. Innovatioun vun der landwirtschaftlecher wirtschaftlecher Gestioun am Prozess fir intelligent Landwirtschaft duerch Big Data ze bauen. Nohalteg Comput. Inf. Syst. 31, 100579 https://doi.org/10.1016/j.suscom.2021.100579.
Sullivan, DG, Fulton, JP, Shaw, JN, Bland, GL. Trans. ASABE 2007 (50), 6–1955.
Sumesh, KC, Ninsawat, S., Som-ard, J., 2021. Integratioun vun RGB-baséiert Vegetatioun Index, Ernteg Uewerfläch Modell an Objet-baséiert Bild Analyse Approche fir Zockercane nozeginn Schätzung benotzt onbemannt Loftfaart Gefier. Berechnen. 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. A light-weight hyperspectral mapping system for
onbemannt Loftfaart - déi éischt Resultater. An: 2013 5. Workshop iwwer Hyperspektral Bild a Signalveraarbechtung: Evolutioun am Remote Sensing (WHISPERS), S. 1-4. https://doi.org/10.1109/WHISPERS.2013.8080721.
Suomalainen, J., Anders, N., Iqbal, S., Roerink, G., Franke, J., Wenting, P., Hünniger, D., Bartholomeus, H., Becker, R., Kooistra, L. 2014. Eng liicht hyperspektral
Kartéierungssystem a photogrammetresch Veraarbechtungskette fir onbemannt Loftfaart. Remote Sensing 6 (11), 11013–11030. https://doi.org/10.3390/
rs61111013.
Syeda, IH, Alam, MM, Illahi, U., Su'ud, MM, 2021. Advance Kontrollstrategien mat Bildveraarbechtung, UAV an AI an der Landwirtschaft: Eng Iwwerpréiwung. World J. Eng. 18 (4),
579–589. https://doi.org/10.1108/WJE-09-2020-0459.
Tahai, A., Rigsby, JT, 1998. Informatiounsveraarbechtung andeems Dir Zitater benotzt fir den Afloss vum Journal an der Comptabilitéit z'ënnersichen. Inf. Prozess. Verwalten. 34 (2–3), 341–359.
Tang, Y., Dananjayan, S., Hou, C., Guo, Q., Luo, S., He, Y., 2021. Eng Ëmfro iwwer de 5G-Netz an hiren Impakt op d'Landwirtschaft: Erausfuerderungen a Chancen. Berechnen.
Elektron. Agric. 180, 105895 https://doi.org/10.1016/j.compag.2020.105895.
Tantalaki, N., Souravlas, S., Roumeliotis, M., 2019. Date-driven Entscheedungsprozess an der Präzisiounslandwirtschaft: d'Erhéijung vu Big Data an landwirtschaftleche Systemer. J. Agric. Liewensmëttel Info.
20 (4), 344–380.
Tao, H., Feng, H., Xu, L., Miao, M., Yang, G., Yang, X., Fan, L., 2020. Schätzung vun der Ausbezuelung an der Planzehöhe vu Wanterweizen mat UAV- baséiert hyperspektral Biller.
Sensoren 20 (4), 1231.
Techy, L., Schmale III, DG, Woolsey, CA, 2010. Koordinéiert aerobiologesch Probe vun engem Planzepathogen an der ënneschter Atmosphär mat zwee autonom onbemannt Loftfaart. 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.
mat UAV Biller. Berechnen. Elektron. Agric. 179, 105836.
Thamm, H.-P., Menz, G., Becker, M., Kuria, DN, Misana, S., Kohn, D., 2013. The Use of Uas for Assessing Agricultural Systems in AN Wetland in Tanzania in the— A WetSeason fir nohalteg Landwirtschaft a Ground Truth fir Terra-Sar X Daten ze bidden. In: ISPRS – International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, S. 401–406. https://doi.org/10.5194/isprsarchivesXL-1-W2-401-2013.
Thelwall, M., 2008. Bibliometrie zu Webometrie. J. Info. Sci. 34 (4), 605–621.
Torres-Sanchez, 'J., Lopez-Granados, 'F., Pena, ~ JM, 2015. Eng automatesch Objekt-baséiert Method fir optimal Schwellung an UAV Biller: Uwendung fir Vegetatiounserkennung an Kraiderkulturen. Berechnen. 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. Unmanned Aerial Vehicle (UAV) Technologie. PLoS ONE 3 (10), e6.
Torres-Sanchez, 'J., Pena, ~ JM, de Castro, AI, Lopez-Granados, 'F., 2014. Multi-temporal Mapping vun der Vegetatioun Fraktioun an fréi Saison Weess Felder benotzt Biller vun UAV. Berechnen. Elektron. Agric. 103, 104–113. https://doi.org/10.1016/j. compag.2014.02.009.
Tsouros, DC, Bibi, S., Sarigiannidis, PG, 2019. Eng Iwwerpréiwung iwwer UAV-baséiert Uwendungen fir Präzisiounslandwirtschaft. Informatiounen (Schwäiz) 10 (11). https://doi.org/10.3390/info10110349.
Tu, Y.-H., Phinn, S., Johansen, K., Robson, A., Wu, D., 2020. ISPRS J. Photogramm.
Remote Sens. 160, 83-96. https://doi.org/10.1016/j.isprsjprs.2019.12.006
Tzounis, A., Katsoulas, N., Bartzanas, T., Kittas, C., 2017. Internet of Things an der Landwirtschaft, rezent Fortschrëtter an zukünfteg Erausfuerderungen. Biosystem. Eng. 164, 31–48.
https://doi.org/10.1016/j.biosystemseng.2017.09.007.
Uddin, A., Singh, VK, Pinto, D., Olmos, I., 2015. Scientometric Mapping of Computer Science Research in Mexico. Scientometrics 105 (1), 97-114.
UN., 2019. Weltbevëlkerungsperspektiven 2019. https://population.un.org/wpp/ (Zougänglech op 15/04/2022).
Uto, K., Seki, H., Saito, G., Kosugi, Y., 2013. Charakteriséierung vu Reispaddies duerch e UAVmounted Miniatur Hyperspektral Sensor System. IEEE J. Sel. Top. Appl. Äerd 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.
Landwirtschaft. Adv. Agron. 162, 1–30.
Velusamy, P., Rajendran, S., Mahendran, RK, Naseer, S., Shafiq, M., Choi, J.-G., 2022.
Unmanned Aerial Vehicles (UAV) an der Präzisiounslandwirtschaft: Uwendungen an Erausfuerderungen. Energies 15 (1), 217. https://doi.org/10.3390/en15010217.
Ventura, D., Bonifazi, A., Gravina, MF, Belluscio, A., Ardizzone, G., 2018.
Gefier (UAV) Bildmaterial an Objekt-baséiert Bild Analyse (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. Green area index from an unmanned aerial system over wheat and rapseed crops. . Remote Sens. Ëmgéigend. 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. Deploying four optical UAV-based sensors over grassland: challenges and
Aschränkungen. Biogeosciences 12 (1), 163–175. https://doi.org/10.5194/bg-12-163-2015.
Vuran, MC, Salam, A., Wong, R., Irmak, S., 2018. Internet vun ënnerierdesche Saachen an der Präzisiounslandwirtschaft: Architektur an Technologie Aspekter. Ad Hoc Netw. 81,
160-173. https://doi.org/10.1016/j.adhoc.2018.07.017.
Wamba, SF, Queiroz, MM, 2021. Verantwortlech kënschtlech Intelligenz als geheime Zutat fir digital Gesondheet: bibliometresch Analyse, Abléck a Fuerschungsrichtungen.
Info. Syst. Front. 1-16.
Wang, L., Zhang, G., Wang, Z., Liu, J., Shang, J., Liang, L., 2019. Bibliometresch Analyse vu Remote Sensing Research Trend an der Erntewachstum Iwwerwaachung: Eng Fallstudie a China. Remote Sensing 11 (7). https://doi.org/10.3390/rs11070809.
White, HD, Griffith, BC, 1981. Auteur cocitation: A Literatur Moossnam vun intellektuell Struktur. J. Am. Soc. Info. Sci. 32 (3), 163–171.
Xiang, H., Tian, L., 2011. Entwécklung vun engem Low-Cost landwirtschaftlech Fernsensorsystem baséiert op engem autonomen onbemannte Loftfaart (UAV). Biosystem. Eng. 108 (2), 174–190. https://doi.org/10.1016/j.biosystemseng.2010.11.010.
Xie, C., Yang, C., 2020. Eng Iwwerpréiwung iwwer Planz High-Throughput Phenotyping-Charakteristiken mat UAV-baséierte Sensoren. Berechnen. Elektron. Agric. 178, 105731 https://doi.org/10.1016/j.
compag.2020.105731.
Yao, H., Qin, R., Chen, X., 2019. Onbemannt Loftfaart fir Remote Sensing Uwendungen - eng Iwwerpréiwung. Remote Sensing 11 (12). https://doi.org/10.3390/
rs11121443.
Yeom, S., 2021. Beweegt Leit Tracking a falsch Streck Ewechhuele mat Infrarout thermesch Imaging vun engem Multirotor. Dronen 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. aus UAV-montéiert
Snapshot hyperspektrale Sensor an High-Definition Digital Kamera. 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. baséiert Schnappschëss
Hyperspektral Sensor a Erntehöhe verbessert Modeller. Remote Sensing 9 (7). https://doi.org/10.3390/rs9070708.
Zahawi, RA, Dandois, JP, Holl, KD, Nadwodny, D., Reid, JL. Biol.
Conserv. 186, 287–295. https://doi.org/10.1016/j.biocon.2015.03.031. Zamora-Izquierdo, MA, Santa, J., Martínez, JA, Martínez, V., Skarmeta, AF, 2019.
Smart Landwirtschaft IoT Plattform baséiert op Rand a Cloud Computing. Biosystem. Eng. 177,
4-17.
Zarco-Tejada PJ, Diaz-Varela R., Angileri V., Loudjani P., 2014
Gefier (UAV) an automatesch 3D Foto-Rekonstruktioun Methoden. 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. Sensoren 20 (5), 1450. https://doi.org/10.3390/s20051450.
Zhang, C., Kovacs, JM, 2012. D'Applikatioun vu klenge onbemannte Loftsystemer fir Präzisiounslandwirtschaft: eng Iwwerpréiwung. Präzis. Agric. 13 (6), 693–712. https://doi.org/
10.1007/s11119-012-9274-5.
Zhang, L., Zhang, H., Niu, Y., Han, W., 2019. Mapping Mais Waasser Stress baséiert op UAV multispektral Fernsensing. Remote Sensing 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. Eng déif Léier-baséiert Approche fir automatiséiert giel Rust
Krankheet Detektioun vun héich-Resolutioun hyperspektral UAV Biller. Remote Sensing 11 (13), 1554.
Zhao, X., Zhang, J., Huang, Y., Tian, Y., Yuan, L., 2022. Detektioun an Diskriminatioun vu Krankheeten an Insektstress vun Téipflanzen mat hyperspektralen Imaging kombinéiert mat Wavelet Analyse. Berechnen. Elektron. Agric. 193, 106717 https://doi.org/10.1016/j. compag.2022.106717.
Zheng, A., Wang, M., Li, C., Tang, J., Luo, B., 2022. Entropie guidéiert adversarial Domain Adaptatioun fir Loftbild semantesch Segmentatioun. IEEE Trans. G
Zheng, H., Cheng, T., Yao, X., Deng, X., Tian, Y., Cao, W., Zhu, Y., 2016. Detektioun vu Reisphenologie duerch Zäitserieanalyse vu Buedem-baséiert Spektral. Index Daten. Feldkulturen Res. 198, 131–139. https://doi.org/10.1016/j.fcr.2016.08.027.
Zheng, J., Yang, W., 2018. Design vun engem Präzisioun Landwirtschaft Leckage Seed System baséiert op drahtlose Sensoren. Int. J. Online Eng. 14 (05), 184.
Zhou, L., Gu, X., Cheng, S., Yang, G., Shu, M., Sonn, Q., 2020. Analyse vun Planz Héicht Ännerungen vun lodged Mais benotzt UAV-LiDAR Daten. Landwirtschaft 10 (5), 146. https://
doi.org/10.3390/agriculture10050146.
Zhou, S., Chai, X., Yang, Z., Wang, H., Yang, C., Sun, T., 2021. Mais-IAS: Eng Maisbildanalysesoftware déi Deep Learning fir High-Throughput Plant Phenotyping benotzt . Planz Methoden 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. Rais benotzt multi-temporal Vegetatioun
Indizes aus UAV-baséiert multispektralen an digitale Biller. 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. Simulatioun vun der Kärtechnologie vun engem Treibhausemonitoringsystem baséiert op engem drahtlose Sensornetz. Int. J. Online Eng. 12 (05),
43.
Zhou, Z., Majeed, Y., Diverres Naranjo, G., Gambacorta, EMT, 2021.
an Zukunftsperspektive fir déif Léieren Uwendungen. Berechnen. Elektron. Agric. 182, 106019 https://doi.org/10.1016/j.compag.2021.106019.