Abderahman Rejeb a , Alireza Abdollahi b , Karim Rejeb c , Horst Treiblmaier d,
- a Hallinto- ja oikeustieteen laitos, taloustieteellinen tiedekunta, Rooman yliopisto Tor Vergata, Via Columbia, 2, Rooma 00133, Italia
- b Liiketalouden laitos, Johtamisen tiedekunta, Kharazmi University, 1599964511 Teheran, Iran
- c Bizerten tiedekunta, Carthagen yliopisto, Zarzouna, 7021 Bizerte, Tunisia
- d School of International Management, Modul University Wien, Am Kahlenberg 1, 1190 Wien, Itävalta
ARTIKKELIN TIEDOT | TIIVISTELMÄ |
Avainsanat: Drones UAV Tarkkuusviljely Esineiden internet Bibliometriikka | Droonit, joita kutsutaan myös miehittämättömiksi lentokoneiksi (UAV), ovat todistaneet merkittävää kehitystä viime vuosikymmeninä. Maataloudessa he ovat muuttaneet viljelykäytäntöjä tarjoamalla viljelijöille huomattavia kustannussäästöjä, kasvaneet toiminnan tehokkuutta ja parempaa kannattavuutta. Viime vuosikymmeninä maatalouden drone-aihe on ollut herätti huomattavaa akateemista huomiota. Siksi teemme kattavan katsauksen bibliometriaan perustuen tiivistää ja jäsentää olemassa olevaa akateemista kirjallisuutta ja paljastaa nykyiset tutkimustrendit ja hotspotit. Me soveltaa bibliometrisiä tekniikoita ja analysoida maatalousdroneja koskevaa kirjallisuutta yhteenvedon tekemiseksi ja arvioida aikaisempia tutkimuksia. Analyysimme osoittaa, että kaukokartoitus, tarkkuusmaatalous, syväoppiminen, koneoppiminen ja esineiden internet ovat kriittisiä aiheita maatalouden droneissa. Yhteisviittaus analyysi paljastaa kuusi laajaa tutkimusklusteria kirjallisuudessa. Tämä tutkimus on yksi ensimmäisistä yrityksistä tehdä yhteenveto maatalouden dronetutkimuksesta ja ehdottaa tulevaisuuden tutkimussuuntia. |
esittely
Maatalous on maailman tärkein ravinnonlähde (Friha et al., 2021), ja se on kohdannut vakavia haasteita.
elintarvikkeiden kasvava kysyntä, elintarviketurvallisuus ja turvallisuuskysymykset sekä vaatimukset ympäristönsuojelusta, vesien suojelusta ja
kestävyys (Inoue, 2020). Tämän kehityksen ennustetaan jatkuvan, sillä maailman väestön arvioidaan nousevan 9.7 miljardiin vuoteen 2050 mennessä
(2019). Koska maatalous on merkittävin esimerkki vedenkulutuksesta maailmanlaajuisesti, on odotettavissa, että ruoan kysyntä ja vesi
kulutus kasvaa dramaattisesti lähitulevaisuudessa. Lisäksi lannoitteiden ja torjunta-aineiden kulutus lisääntyy
yhdessä viljelytoiminnan tehostamisen kanssa voisi johtaa tuleviin ympäristöhaasteisiin. Samoin peltomaa on rajoitettu, ja
maanviljelijöiden määrä vähenee maailmanlaajuisesti. Nämä haasteet korostavat tarvetta innovatiivisille ja kestäville viljelyratkaisuille (Elijah
et ai., 2018; Friha et ai., 2021; Inoue, 2020; Tzounis et ai., 2017).
Uusien teknologioiden sisällyttäminen on tunnistettu lupaavaksi ratkaisuksi näihin haasteisiin vastaamiseksi. Älykäs viljely (Brewster et al.,
2017; Tang et al., 2021) ja tarkkuusmaatalous (Feng et al., 2019; Khanna & Kaur, 2019) ovat nousseet tällaisten keskustelujen tuloksena. The
entinen on yleinen käsite tietoliikenneteknologian (ICT) ja muiden huippuinnovaatioiden käyttöönotosta maataloudessa tehokkuuden ja vaikuttavuuden lisäämiseksi (Haque et al., 2021). Jälkimmäinen keskittyy paikkakohtaiseen hoitoon, jossa maa on jaettu
homogeeniset osat, ja jokainen osa saa tarkan määrän maatalouden panosta sadon optimointiin uusien teknologioiden avulla (Feng et al., 2019; Khanna & Kaur, 2019). Huomattavia teknologioita, jotka ovat herättäneet tutkijoiden huomion tällä alalla, ovat langattomat anturiverkot (WSN) (J. Zheng & Yang, 2018; Y. Zhou et al., 2016), esineiden internet (IoT) (Gill et al., 2017; He ym., 2021; Liu ym., 2019),
tekoälytekniikat, mukaan lukien koneoppiminen ja syväoppiminen (Liakos et al., 2018; Parsaeian et al., 2020; Shadrin et al.,
2019), laskentateknologiat (Hsu ym., 2020; Jinbo ym., 2019; Zamora-Izquierdo ym., 2019), big data (Gill ym., 2017; Tantalaki
et ai., 2019) ja lohkoketju (PW Khan et ai., 2020; Pincheira et al., 2021).
Edellä mainittujen teknologioiden lisäksi kaukokartoitusta on pidetty teknologisena työkaluna, jolla on hyvät kehitysmahdollisuudet
älykästä ja tarkkaa maataloutta. Satelliitit, miehistölliset lentokoneet ja droonit ovat suosittuja kaukokartoitustekniikoita (Tsouros et al., 2019).
Droonit, jotka tunnetaan yleisesti nimellä miehittämättömät ilma-alukset (UAV), miehittämättömät ilma-alukset (UAS) ja kauko-ohjattavat lentokoneet, ovat
suuri merkitys, koska niillä on useita etuja muihin kaukokartoitustekniikoihin verrattuna. Esimerkiksi droonit voivat toimittaa
korkealaatuisia ja korkearesoluutioisia kuvia pilvisinä päivinä (Manfreda et al., 2018). Myös niiden saatavuus ja siirtonopeus ovat muuta
hyödyt (Radoglou-Grammatikis et al., 2020). Verrattuna lentokoneisiin droonit ovat erittäin kustannustehokkaita ja helppoja asentaa ja ylläpitää (Tsouros et al., 2019). Vaikka droneja käytettiin alun perin pääasiassa sotilaallisiin tarkoituksiin, niistä voi olla hyötyä lukuisissa siviilisovelluksissa, esimerkiksi toimitusketjun hallinnassa (A. Rejeb, Rejeb, et al., 2021a), humanitaarisiin tarkoituksiin (A. Rejeb, Rejeb, et al., 2021c), älykäs maatalous, maanmittaus ja kartoitus, kulttuuriperinnön dokumentointi, katastrofien hallinta sekä metsien ja villieläinten suojelu (Panday, Pratihast et al., 2020). Maataloudessa droonien sovellusalueita on monia, koska ne voidaan integroida uusiin teknologioihin, laskentaominaisuuksiin ja sisäisiin antureisiin, jotka tukevat sadonhallintaa (esim. kartoitus, seuranta, kastelu, kasvien diagnosointi) (H. Huang et al., 2021) , katastrofien vähentäminen, varhaisvaroitusjärjestelmät, villieläinten ja metsätalouden suojelu muutamia mainitakseni (Negash et al., 2019). Samoin droneja voitaisiin hyödyntää useissa maataloustoiminnoissa, kuten sadon ja kasvun seurannassa, sadon arvioinnissa, vesistressin arvioinnissa sekä rikkakasvien, tuholaisten ja tautien havaitsemisessa (Inoue, 2020; Panday, Pratihast, et al., 2020). Droneja voidaan käyttää aistitietoihinsa perustuvien valvonta-, arviointi- ja havaitsemistarkoituksiin, mutta myös tarkkuuskasteluun ja täsmälliseen rikkakasvien, tuholaisten ja tautien hallintaan. Toisin sanoen droonit pystyvät ruiskuttamaan vettä ja torjunta-aineita tarkkoja määriä ympäristötietojen perusteella. Taulukossa 1 on yhteenveto droonien hyödyistä maataloudessa.
Droonien tärkeimmät edut maataloudessa.
Hyödyttää | Viite(t) |
Paranna ajallista ja spatiaalista aistii päätöslauselmat | (Gago ym., 2015; Niu ym., 2020; Srivastava et ai., 2020) |
Helpottaa tarkkuusmaataloutta | (L. Deng et ai., 2018; Kalischuk et ai., 2019; Maimaitijiang et al., 2017) |
Luokittelu ja partio viljelykasvien | (Inoue, 2020; Kalischuk et al., 2019; Lopez-´ Granados et ai., 2016; Maimaitijiang et ai., 2017; Melville et ai., 2019; Moharana & Dutta, 2016) |
Lannoitteen käyttö | (L. Deng ym., 2018; Guan ym., 2019) |
Kuivuuden seuranta | (Fawcett et al., 2020; Panday, Pratihast ym., 2020; Su ym., 2018) |
Biomassan arvio | (Bendig ym., 2014) |
Tuottoarvio | (Inoue, 2020; Panday, Shrestha ym., 2020; Tao et ai., 2020) |
Katastrofien vähentäminen | (Negash ym., 2019) |
Villieläinten suojelu ja metsänhoito | (Negash et al., 2019; Panday, Pratihast ym., 2020) |
Vesistressin arviointi | (Inoue, 2020; J. Su, Coombes, et ai., 2018; L. Zhang ym., 2019) |
Tuholaiset, rikkaruohot ja sairaudet havaitseminen | (Gaˇsparovi´c et ai., 2020; Inoue, 2020; J. Su, Liu, et ai., 2018; X. Zhang et al., 2019) |
Toisaalta droneilla on myös rajoituksia. Lentäjän osallistuminen, moottorin teho, vakaus ja luotettavuus, anturien laatu hyötykuorman ansiosta
painorajoitukset, toteutuskustannukset ja ilmailusäännökset ovat yksi niistä (C. Zhang & Kovacs, 2012). Vertaamme puutteita
Taulukon 2 kolmesta mobiilikaukokartoitustekniikasta. Muut kaukokartoitustekniikat, kuten maaperän anturit, eivät ole tämän tutkimuksen kohteena.
Erilaisten mobiilikaukokartoitustekniikoiden puutteet.
Kaukokartoitus teknologiat | puutteet | Viitteet |
Drone (UAV) | Pilottien osallistuminen; kuvat' laatu (keskiarvo); toteutuskustannukset (keskimääräiset); vakaus, ohjattavuus ja luotettavuus; standardointi; moottorin teho; rajoitettu teho lähteet (akun pitkäikäisyys); rajoitettu lennon kesto, törmäys ja kyberhyökkäykset; rajoitettu hyötykuorman paino; suuria tietojoukkoja ja rajoitettu tietojenkäsittely valmiudet; sääntelyn puute; asiantuntemuksen puute, korkea pääsy pääsyn esteitä maatalouden droonit; | (Bacco et ai., 2018; Dawaliby et ai., 2020; Hardin & Hardin, 2010; Hardin & Jensen, 2011; Lagkas et ai., 2018; Laliberte et ai., 2007; Laliberte & Rango, 2011; Manfreda et ai., 2018, 2018; Nebiker et ai., 2008; Puri et ai., 2017; Velusamy et ai., 2022; C. Zhang ja Kovacs, 2012) |
Satelliitti | säännöllinen satelliittipeitto, rajoitettu spektriresoluutio; alttius näkyvyysongelmille (esim. pilvet); Käytettävyys ja alhainen siirtonopeus; orientaatio ja vinjetointi aiheuttaa kalliita paikkatietotietoja kokoelma; hidas tiedonsiirto aika loppukäyttäjille | (Aboutalebi et ai., 2019; Cen et ai., 2019; Chen et ai., 2019; Nansen & Elliott, 2016; Panday, Pratihast, et ai., 2020; Sai Vineeth et ai., 2019) |
Lentokone | Korkeat adoptiokustannukset; monimutkainen asennus; ylläpito kulut; luotettavuuden saatavuus lentokoneet, geometria kuvat; epäsäännölliset tiedot hankinta; joustavuuden puute; tappavat onnettomuudet; anturin tiedot tärinästä johtuvat vaihtelut; georeferenssiongelmia | (Armstrong et ai., 2011; Atkinson et ai., 2018; Barbedo & Koenigkan, 2018; Kovalev & Voroshilova, 2020; Suomalainen ym. 2013; Tham et al., 2013) |
Monitieteisenä ja monikäyttöisenä teknologiana maataloudessa droneja on tutkittu eri näkökulmista. Tutkijat ovat esimerkiksi tutkineet drone-sovelluksia maataloudessa (Kulbacki et al., 2018; Mogili & Deepak, 2018), niiden panosta tarkkuusmaatalouteen (Puri et al., 2017; Tsouros ym., 2019), niiden täydentävyyttä muiden kanssa. huipputeknologiat (Al-Thani ym., 2020; Dutta & Mitra, 2021; Nayyar et al., 2020; Saha ym., 2018) ja mahdollisuudet kehittää niiden navigointi- ja tunnistuskykyä (Bareth et al. , 2015; Suomalainen ym., 2014). Koska drone-sovellusten tutkimus on yleistynyt maataloudessa (Khan et al., 2021), on olemassa tarve tehdä yhteenveto olemassa olevasta kirjallisuudesta ja paljastaa alueen älyllinen rakenne. Lisäksi, koska korkean teknologian ala, jolla on jatkuvasti parannuksia, on tehtävä jäsenneltyjä katsauksia olemassa olevan kirjallisuuden tiivistämiseksi säännöllisesti ja tärkeiden tutkimuspuutteiden tunnistamiseksi. Vastaanottaja
päivämäärään mennessä on vain vähän arvosteluja, joissa käsitellään drone-sovelluksia maatalousalalla. Esimerkiksi Mogili ja Deepak (2018) tarkastelevat lyhyesti droonien vaikutuksia viljelykasvien seurantaan ja torjunta-aineiden ruiskutukseen. Inoue (2020) tekee katsauksen satelliittien ja droonien käytöstä maatalouden kaukokartoituksissa. Kirjoittaja tutkii älykkään maatalouden käyttöönoton teknologisia haasteita sekä satelliittien ja droonien panosta tapaustutkimusten ja parhaiden käytäntöjen perusteella. Tsouros et ai. (2019) tiivistää erilaisia dronetyyppejä ja niiden pääsovelluksia maataloudessa korostaen erilaisia tiedonhankinta- ja käsittelymenetelmiä. Viime aikoina Aslan et ai. (2022) teki kattavan katsauksen UAV-sovelluksista maataloustoiminnassa ja korosti samanaikaisen paikantamisen ja kartoituksen merkitystä kasvihuoneessa oleville UAV:ille. Diaz-Gonzalez et ai. (2022) tarkasteli viimeaikaisia tutkimuksia sadontuotannosta erilaisiin koneoppimistekniikoihin ja etäkäyttöön perustuen
anturijärjestelmät. Heidän havainnot osoittivat, että UAV:t ovat hyödyllisiä arvioitaessa maaperän indikaattoreita ja ylittävät satelliittijärjestelmät alueellisen resoluution, tiedon ajallisuuden ja joustavuuden suhteen. Basiri et ai. (2022) teki kattavan katsauksen erilaisista lähestymistavoista ja menetelmistä moniroottoristen UAV-laitteiden polkusuunnittelun haasteiden voittamiseksi tarkkuusmaatalouden yhteydessä. Lisäksi Awais et ai. (2022) teki yhteenvedon UAV-kaukokartoitustietojen soveltamisesta viljelykasveissa veden tilan arvioimiseksi ja antoi syvällisen synteesin UAV-kaukokartoituksen mahdollisesta kapasiteetista tuhlaava stressisovelluksessa. Lopuksi Aquilani et ai. (2022) tarkastelivat laitumelle perustuvissa karjankasvatusjärjestelmissä sovellettavia ennakkoviljelytekniikoita ja päättelivät, että UAV:iden mahdollistama kaukokartoitus on edullinen biomassan arvioinnissa ja karjan hallinnassa.
Viime aikoina on myös raportoitu pyrkimyksistä käyttää UAV-laitteita karjan tarkkailuun, seurantaan ja keräämiseen.
Vaikka nämä katsaukset tuovat uusia ja tärkeitä oivalluksia, kirjallisuudesta ei löydy kattavaa ja ajan tasalla olevaa bibliometriaan perustuvaa katsausta, mikä on selkeä tietovaje. Lisäksi on todettu, että kun tieteellinen tuotanto kasvaa tieteellisellä alueella, on tutkijoille elintärkeää käyttää kvantitatiivisia tarkastelumenetelmiä alan tietorakenteen ymmärtämiseksi (Rivera & Pizam, 2015). Samoin Ferreira et ai. (2014) väitti, että kun tutkimusalat kypsyvät ja muuttuvat monimutkaisiksi, tutkijoiden tulisi pyrkiä ajoittain ymmärtämään luotua ja kerättyä tietoa uusien panosten paljastamiseksi, tutkimusperinteiden ja -trendien vangitsemiseksi, tutkittavien aiheiden tunnistamiseksi ja tutkijoiden tietorakenteen syventämiseksi. ala ja mahdolliset tutkimussuunnat. Vaikka Raparelli ja Bajocco (2019) tekivät bibliometrisen analyysin tutkiakseen drone-sovellusten tietoaluetta maa- ja metsätaloudessa, heidän tutkimuksessaan otetaan huomioon vain vuosina 1995–2017 julkaistu tieteelliset tutkimukset, jotka eivät heijasta tämän nopeasti muuttuvan alueen dynamiikkaa. Lisäksi kirjoittajat eivät yrittäneet tunnistaa alan vaikutusvaltaisimpia panoksia, ryhmitellä kirjallisuutta ja arvioida älyllistä rakennetta yhteisviittausanalyysin avulla. Tästä johtuen on välttämätöntä tehdä yhteenveto kirjallisuudesta, jotta voidaan paljastaa ajankohtaiset tutkimuskeskukset, suuntaukset ja hotspotit.
Tämän tietovajeen täyttämiseksi hyödynnämme kvantitatiivista metodologiaa ja tiukkoja bibliometrisiä menetelmiä tutkiaksemme nykyistä tutkimustilaa droonien ja maatalouden risteyksessä. Väitämme, että nykyinen tutkimus antaa useita lisäyksiä olemassa olevaan kirjallisuuteen tarkastelemalla uutta teknologiaa, jota maataloudessa tarvitaan erittäin paljon, koska se tarjoaa valtavan potentiaalin muuttaa useita tämän alan näkökohtia. Maatalouden droonien bibliometrisen analyysin tarve tunnetaan entistä enemmän, kun otetaan huomioon hajallaan oleva ja hajanainen tieto droneista maatalouden kontekstissa. Samoin maatalouden droneja koskevaa kirjallisuutta on ryhmiteltävä systemaattisesti ottaen huomioon tämän tutkimusalan perustan rakentavat vaikutusvaltaisimmat tutkimukset. Analyysin ansioihin kuuluu myös kirjallisuudessa edustettuina olevien keskeisten tutkimusteemojen selventäminen. Ottaen huomioon teknologian muutoksenmahdollisuudet, oletamme, että syvällinen verkkoanalyysi antaa uusia oivalluksia määrittämällä vaikuttavia teoksia ja paljastamalla teemoja droonien potentiaalista maataloudessa.
Siksi pyrimme saavuttamaan seuraavat tutkimustavoitteet:
- Vaikuttavien julkaisujen tunnistaminen, joilla on merkittävä panos drone-sovelluksiin maatalouden alalla.
- Kirjallisuuden klusterointi, tutkimuskohteiden tunnistaminen ja keskeisten "älyllisen rakenteen" tutkimusten kartoittaminen semanttiseen samankaltaisuuteen perustuen rinnakkaisviittausanalyysiin.
- Alan eri julkaisujen välisten linkkien ja viittausverkostojen kehittymisen ymmärtäminen ajan mittaan sekä tulevien tutkimussuuntien ja kuumien aiheiden tunnistaminen.
Loppuosa julkaisusta on rakenteeltaan seuraava: osassa 2 kuvataan metodologia ja tiedonkeruun vaiheet; jaksossa 3 esitetään analyysien tulokset; ja osa 4 käsittelee tuloksia ja päättyy tutkimuspanoksiin, vaikutuksiin ja tulevaisuuden suuntiin.
Metodologia
Tässä nykyisessä tutkimuksessa teemme bibliometrisen analyysin tutkiaksemme drone-sovelluksia maataloudessa. Tämä kvantitatiivinen lähestymistapa paljastaa tietoalueen älyllisen rakenteen (Arora & Chakraborty, 2021) ja nykytilan, kuumat aiheet ja tulevaisuuden tutkimussuunnat, joita voidaan tutkia tätä menetelmää soveltamalla (Kapoor et al., 2018; Mishra et al. , 2017; A. Rejeb, Rejeb ym., 2021b; A. Rejeb et ai., 2021d; MA Rejeb et ai., 2020). Yleensä bibliometrinen analyysi tutkii olemassa olevaa kirjallisuutta tiivistääkseen ja paljastaakseen piilotettuja kirjallisen viestinnän malleja ja tieteenalan kehitystä tilastojen ja matemaattisten menetelmien perusteella, ja se koskee suuria tietojoukkoja (Pritchard, 1969; Small, 1999; Tahai & Rigsby , 1998). Bibliometriikkaa käyttämällä pyrimme ymmärtämään paremmin olemassa olevia paradigmoja ja tutkimuskeskuksia, jotka edistävät samankaltaisuuteen perustuvaa aluetta (Thelwall, 2008). Bibliometriikka tarjoaa uusia oivalluksia metodologian objektiivisen kvantitatiivisen vahvuuden tukemana (Casillas & Acedo, 2007). Lukuisat tutkijat ovat aiemmin tehneet bibliometrisiä tutkimuksia asiaan liittyvillä aloilla, mukaan lukien maatalous, kaukokartoitus ja digitaalinen transformaatio (Armenta-Medina et al., 2020; Bouzembrak et al., 2019; A. Rejeb, Treiblmaier, et al., 2021; Wamba & Queiroz, 2021; Wang et ai., 2019).
Lainausanalyysi
Lainausanalyysi paljastaa erilaisia näkemyksiä tietystä tutkimusalasta. Ensinnäkin se auttaa paljastamaan vaikutusvaltaisimmat kirjailijat ja julkaisut, jotka edistävät tiettyä tutkimusalaa ja vaikuttavat merkittävästi (Gundolf & Filser, 2013). Toiseksi tietovirta ja tekijöiden väliset viestintäyhteydet voidaan paljastaa. Lopuksi, jäljittämällä siteerattujen ja siteerattujen teosten välisiä linkkejä, voidaan tutkia tietoalueen muutoksia ja kehitystä ajan myötä (Pournader
et ai., 2020). Julkaisun korkeat viittausmäärät heijastavat sen merkitystä ja merkittävää panosta tutkimusalalle (Baldi, 1998; Gundolf & Filser, 2013; Marinko, 1998). Julkaisujen lainausanalyysi auttaa myös tunnistamaan relevantteja teoksia ja seuraamaan niiden suosiota ja edistymistä ajan myötä.
Asiakirjan yhteisviittausanalyysi
Yhteisviittausanalyysi on arvokas menetelmä julkaisujen välisten suhteiden tutkimiseen ja alan henkisen rakenteen kuvaamiseen (Nerur et al., 2008). Toisin sanoen tunnistamalla eniten siteeratut julkaisut ja niiden yhteydet menetelmä ryhmittelee julkaisut erillisiksi tutkimusklusteriksi, joissa klusterin julkaisut jakavat säännöllisesti samanlaisia ajatuksia (McCain, 1990; Small, 1973). On tärkeää mainita, että samankaltaisuus ei tarkoita, että julkaisujen havainnot olisivat
yhtenäisiä ja samaa mieltä keskenään; julkaisut kuuluvat samaan klusteriin aiheiden samankaltaisuuden vuoksi, mutta niillä voi olla ristiriitaisia näkökulmia.
Tietojen keruu ja analysointi
Whiten ja Griffithin (1981) ehdottaman metodologian mukaisesti suoritimme kattavan aikakauslehtiartikkelien haun, joka kattaa koko maatalouden drone-sovellusten tutkimusalueen, ja suoritimme seuraavat viisi vaihetta:
- Ensimmäinen askel oli tiedonkeruu. Scopus valittiin yhdeksi kattavimmista ja luotettavimmista tietokannoista standardoiduilla tuloksilla. Kaikkiin maatalouden drone-sovelluksiin liittyvien julkaisujen metatiedot haettiin. Sitten analysoimme valitut artikkelit ja poistimme analyysistä aiheen ulkopuoliset artikkelit.
- Analysoimme kirjallisuutta ja tunnistimme tärkeimmät tutkimusalueella käytetyt avainsanat.
- Viittausanalyysin avulla tutkimme tekijöiden ja asiakirjojen välistä yhteyttä paljastaaksemme taustalla olevat viittausmallit. Tunnistamme myös vaikutusvaltaisimmat kirjailijat ja julkaisut, joilla on merkittävä panos maatalouden droonien alalla.
- Teimme yhteisviittausanalyysin ryhmitelläksemme samankaltaisia julkaisuja klustereihin.
- Lopuksi analysoimme maiden, instituutioiden ja lehtien välisiä yhteyksiä yhteistyöverkoston kuvaamiseksi.
Sopivien hakutermien tunnistaminen
Käytimme seuraavia hakumerkkijonoja tietojen yhdistämiseen: (drone* TAI "miehittämätön lentokone" TAI uav* TAI "miehittämätön lentokonejärjestelmä”TAI uas TAI "etäohjattu lentokone”) JA (maatalous TAI maatalous TAI maanviljely TAI maanviljelijä). Haku tehtiin syyskuussa 2021. Droneilla on useita nimityksiä, mukaan lukien UAV, UAS ja etäohjatut lentokoneet (Sah et al., 2021). Tarkat maatalouteen liittyvät hakusanat tunnistettiin Abdollahin et al. (2021). Selvyyden ja läpinäkyvyyden vuoksi käyttämämme tarkka kysely on annettu liitteessä 1. Tietojen puhdistusprosessin jälkeen loimme tekstitiedoston, joka ladattiin myöhemmin BibExceliin, joka on yleinen viittaus- ja rinnakkaisviitausten analysointityökalu. Tämä työkalu tarjoaa myös yksinkertaisen vuorovaikutuksen muiden ohjelmistojen kanssa ja tarjoaa huomattavan vapauden tietojen käsittelyssä ja analysoinnissa. Löydösten visualisointiin ja bibliometristen verkkojen luomiseen käytettiin VOSviewerin versiota 1.6.16 (Eck & Waltman, 2009). VOSviewer tarjoaa valikoiman intuitiivista visualisointia, erityisesti bibliometristen karttojen analysointiin (Geng et al., 2020). Lisäksi se auttaa tarjoamaan selkeitä visuaalisia tuloksia, jotka auttavat ymmärtämään tuloksia paremmin (Abdollahi et al., 2021). Käyttämällä yllä mainittuja hakusarjoja keräsimme ja tallensimme kaikki asiaankuuluvat julkaisut. Ensimmäiset hakutulokset tuottivat yhteensä 5,085 4,700 asiakirjaa. Valitun otoksen laadun varmistamiseksi tutkimuksessa huomioitiin vain vertaisarvioituja lehtiartikkeleita, jolloin muut asiakirjatyypit, kuten kirjat, luvut, konferenssijulkaisut ja toimitukselliset huomautukset, jätettiin pois. Seulontaprosessin aikana suodatettiin pois epäolennaiset (eli tämän työn ulkopuolelle jääneet), ylimääräiset (ts. kaksoisindeksistä peräisin olevat kaksoiskappaleet) ja ei-englanninkieliset julkaisut. Tämä prosessi johti XNUMX XNUMX asiakirjan sisällyttämiseen lopulliseen analyysiin.
Havaintoja ja keskustelua
Aluksi analysoimme julkaisutuotannon kehitystä nykyisessä maatalousdrooneja koskevassa kirjallisuudessa. Tieteellisen tutkimuksen ajallinen jakautuminen on esitetty kuvassa 1. Näemme julkaisujen nopean kasvun vuodesta 2011 (30 julkaisua) eteenpäin; siksi päätimme jakaa analyysijakson kahteen eri vaiheeseen. Vuodet 1990–2010 kutsumme rakentamisvaiheeksi, jossa julkaistiin noin seitsemän julkaisua vuosittain. Vuoden 2010 jälkeistä ajanjaksoa on kutsuttu kasvuvaiheeksi, koska maatalouden drone-sovelluksia koskeva tutkimus kasvoi tänä aikana eksponentiaalisesti. Vuoden 2010 jälkeen lisääntynyt julkaisujen määrä vahvistaa tutkijoiden kasvavaa kiinnostusta, mikä heijastaa myös sitä, että droneja on sovellettu kaukokartoitukseen ja käytetty tarkkuusmaataloudessa (Deng et al., 2018; Maes & Steppe, 2019; Messina & Modica, 2020 ). Tarkemmin sanottuna julkaisujen määrä nousi 108:sta vuonna 2013 498:aan vuonna 2018 ja oli huippunsa 1,275 2020:ssä vuonna 935. Vuoden 2021 tammikuun ja syyskuun puolivälin välisenä aikana julkaistiin yhteensä XNUMX artikkelia. Tämän jälkeen päätimme keskittyä analyysissämme enemmän kasvuvaiheeseen. koska tämä ajanjakso heijastaa maatalousdroneiden uusimpia ja tärkeimpiä hienouksia.
Avainsanojen analyysi
Avainsanoilla, jotka kirjoittajat valitsevat julkaisulle, on ratkaiseva vaikutus siihen, miten artikkeli esitetään ja miten sitä viestitään tiedeyhteisöissä. Ne tunnistavat tutkimuksen avainkohteet ja määrittävät sen potentiaalin kukoistaa tai epäonnistua (Day & Gastel, 1998; Kim et al., 2016; Uddin et al., 2015). Avainsanaanalyysi, työkalu laajempien tutkimustrendien ja -suuntien paljastamiseen, viittaa kaikkien aiheeseen liittyvien julkaisujen avainsanojen kokoamiseen tietyllä alalla (Dixit & Jakhar, 2021). Tässä tutkimuksessa jaoimme kootut avainsanat kahteen ryhmään (eli vuoteen 2010 ja 2011–2021 asti) tutkiaksemme suosituimpia aiheita. Näin voimme jäljittää molempien ryhmien keskeiset avainsanat ja varmistaa, että olemme keränneet kaikki tarvittavat tiedot. Jokaisen sarjan kymmenen suosituinta avainsanaa on esitetty taulukossa 3. Poistimme epäjohdonmukaisuudet yhdistämällä semanttisesti identtiset avainsanat, kuten "drone" ja "drones" tai vastaavasti "esineiden internet" ja "IoT".
Taulukko 3 osoittaa, että "miehittämätön ilma-alus" on useammin käytetty avainsana kuin "drone" ja "miehittämätön ilmajärjestelmä" molemmilla ajanjaksoilla. Myös "etäkartoitus", "tarkkuusmaatalous" ja "maatalous" ovat korkealla sijalla molemmilla ajanjaksoilla. Ensimmäisellä jaksolla "tarkkuusmaatalous" sijoittui viidenneksi ja toisella jaksolla toiseksi, mikä havainnollistaa, kuinka droonit ovat yhä tärkeämpiä tarkkuusmaatalouden saavuttamisessa, koska ne voivat valvoa,
havaitsemis- ja arviointikäytännöt ovat nopeampia, halvempia ja helpompia suorittaa verrattuna muihin kaukokartoitus- ja maapohjaisiin järjestelmiin. Ne voivat myös ruiskuttaa tarkan määrän syötettä (esim. vettä tai torjunta-aineita) tarvittaessa (Guo et al., 2020; Inoue, 2020; Panday, Pratihast, et al., 2020).
Luettelo useimmin käytetyistä avainsanoista.
arvo | 1990-2010 | Nro esiintymät | 2011-2021 | Nro esiintymät |
1 | miehittämätön antenni ajoneuvo | 28 | miehittämätön ilma-alus | 1628 |
2 | kaukokartoitus | 7 | tarkkuus maatalous | 489 |
3 | maatalous | 4 | kaukokartoitus | 399 |
4 | ilmassa | 4 | kuhnuri | 374 |
5 | tarkkuus maatalous | 4 | miehittämätön ilmajärjestelmä | 271 |
6 | miehittämätön antenni | 4 | maatalous | 177 |
7 | hyperspektraalinen anturi | 3 | syvä oppiminen | 151 |
8 | keinotekoinen hermo verkot | 2 | kone oppiminen | 149 |
9 | autonominen lento | 2 | kasvillisuus indeksi | 142 |
10 | kahvi | 2 | Internet Asiat | 124 |
Toinen mielenkiintoinen piirre on täydentävien tekniikoiden läsnäolo. Ensimmäisessä vaiheessa "hyperspektrianturi" ja "keinotekoiset hermoverkot" (ANN) ovat kymmenen parhaan avainsanan joukossa. Hyperspektrikuvaus mullisti perinteisen kuvantamisen keräämällä valtavan määrän kuvia eri aallonpituuksilla. Näin anturit voivat samanaikaisesti kerätä parempaa spatiaalista ja spektritietoa verrattuna monispektrikuvaukseen, spektroskopiaan ja RGB-kuviin (Adao ˜ et al.,
2017). "ANN":n esiintyminen ensimmäisessä vaiheessa ja "deep learning" (DL) ja "koneoppiminen" (ML) toisessa tarkoittavat, että suurin osa julkaistuista teoksista keskittyi tutkimaan tekoälytekniikoiden mahdollisuuksia drone- pohjautuvaa maataloutta. Vaikka droonit pystyvät lentämään itsenäisesti, ne edellyttävät silti lentäjän osallistumista, mikä tarkoittaa alhaista laitteen älykkyyttä. Tämä ongelma voidaan kuitenkin ratkaista AI-tekniikoiden edistymisen ansiosta, mikä voi tarjota paremman tilannetietoisuuden ja itsenäisen päätöksentuen. Tekoälyllä varustetut droonit voivat välttää törmäyksiä navigoinnin aikana, parantaa maaperän ja sadonhoitoa (Inoue, 2020) ja vähentää ihmisten työvoimaa ja stressiä (BK Sharma et al., 2019).
Joustavuuden ja kykynsä käsitellä valtavia määriä epälineaarista dataa, tekoälytekniikat ovat sopivia menetelmiä analysoida droonien ja muiden kaukokartoitus- ja maanpäällisten järjestelmien välittämää dataa ennustamiseen ja päätöksentekoon (Ali et al., 2015; Inoue, 2020). Lisäksi "IoT":n läsnäolo toisella kaudella osoittaa sen nousevan roolin maataloudessa. IoT mullistaa maatalouden yhdistämällä toisiinsa muita teknologioita, kuten droneja, ML-, DL-, WSN-verkkoja ja big dataa. Yksi IoT:n käyttöönoton tärkeimmistä eduista on sen kyky yhdistää tehokkaasti erilaisia tehtäviä (tiedonhankinta, tiedon analysointi ja käsittely, päätöksenteko ja toteutus) lähes reaaliajassa (Elijah et al., 2018; Feng et al. , 2019; Muangprathub et ai., 2019). Lisäksi droneja pidetään tehokkaina työkaluina kasvillisuuden elinvoimaisuuden ja kasvillisuuden ominaisuuksien laskemiseen tarvittavan tiedon keräämiseen (Candiago et al., 2015). Kuvat 2a ja 2b havainnollistavat avainsanojen yhteisesiintymisverkkoja molemmilla aikajaksoilla.
Vaikuttavat kirjailijat
Tässä osiossa määritämme vaikutusvaltaiset kirjailijat ja tutkimme, kuinka kirjailijaviittausverkostot voivat visualisoida ja järjestää nykyisen kirjallisuuden. Kuvassa 3 on kronologinen peittokuva kaikista eniten lainauksia saaneista tutkijoista. Väriasteikko heijastaa kirjoittajien viittausten vuosittaista vaihtelua. Tarkastelemme maatalousdroneista tutkimuksia julkaisneiden tutkijoiden viittausrakennetta käyttämällä vähintään 50 viittauksen ja kymmenen julkaisun kynnystä. Out of
12,891 115 kirjoittajaa, joista vain 4 täytti tämän ehdon. Taulukossa 1,963 on listattu kymmenen eniten vaikuttanutta kirjoittajaa lainausten enimmäismäärän mukaan lajiteltuina. Lopez-Granados F. johtaa listaa 1,909 XNUMX viittauksella, jota seuraa Zarco-Tejada PJ XNUMX XNUMX viittauksella.
Luettelo eniten siteeratuista kirjoittajista.
Sijoitus | kirjailija | Lainaukset |
1 | Lopez-Granados ´F. | 1,963 |
2 | Zarco-Tejada PJ | 1,909 |
3 | Pena ˜ JM | 1,644 |
4 | Torres-S' anchez J. | 1,576 |
5 | Fereres E | 1,339 |
6 | Remondino F | 1,235 |
7 | Bolten A | 1,160 |
8 | Bareth G | 1,155 |
9 | Berni JA | 1,132 |
10 | de Castro AI | 1,036 |
Yksittäisten julkaisujen osalta Zhangin ja Kovacsin (2012) artikkeli on ollut eniten siteerattu Precision Agriculture -lehdessä julkaistu tutkimus. Tässä kirjoittajat tarkastelivat ammattikorkeakoulun soveltamista tarkkuusmaataloudessa. Heidän tutkimuksensa tulokset viittaavat siihen, että alustan suunnittelua, tuotantoa, kuvien georeferenssien standardointia ja tiedonhaun työnkulkua on edistettävä luotettavien lopputuotteiden tarjoamiseksi viljelijöille. Lisäksi he suosittelevat maanviljelijän ottamista tiiviimmin mukaan erityisesti peltosuunnitteluun, kuvien ottamiseen sekä tietojen tulkintaan ja analysointiin. Tärkeää on, että tämä tutkimus osoitti ensimmäisten joukossa UAV:n merkityksen peltokartoituksissa, elinvoiman kartoituksessa, kemikaalipitoisuuden mittaamisessa, kasvillisuuden stressin seurannassa ja lannoitteiden vaikutusten arvioinnissa kasvien kasvuun. Teknologiaan liittyviä haasteita ovat myös kohtuuttomat kustannukset, anturikapasiteetti, alustan vakaus ja luotettavuus, standardoinnin puute ja johdonmukainen menettely valtavien tietomäärien analysointiin.
Lainausanalyysi
Lainausanalyysi edustaa artikkelien vaikutuksen tutkimusta, vaikkakin altis virralle (esim. viittausharha, itseviittaus), sitä pidetään yhtenä vaikutustenarvioinnin vakioinstrumenteista (Osareh, 1996; A. Rejeb et al., 2022; Sarli et ai., 2010). Lainaukset heijastavat myös julkaisujen merkitystä ja elinvoimaisuutta tiettyä aihetta käsittelevässä kirjallisuudessa (R. Sharma et al., 2022). Teimme lainausanalyysin määrittääksemme vaikutusvaltaisimmat tutkimukset maatalouden droneista ja tiivistimme niiden sisällöstä. Taulukossa 5 on listattu viidestätoista vaikuttavimmasta lehdestä vuosilta 1990–2010 ja 2011–2021. Bernin et al. (2009)b ja Austin (2010) ovat olleet eniten lainattuja vuosina 1990 ja 2010, vastaavasti 831 ja 498 lainauksella. Berni et ai. (2009)b havainnollistaa mahdollisuuksia kehittää kvantitatiivisia kaukokartoitustuotteita helikopteripohjaisen UAV:n kautta, joka on varustettu edullisilla lämpö- ja kapeakaistaisilla monispektrisillä kuvantamisantureilla. Perinteisiin miehitettyihin ilmaantureihin verrattuna edullinen maatalouden UAV-järjestelmä pystyy saamaan vertailukelpoisia arvioita viljelykasvien biofysikaalisista parametreista, ellei jopa parempia. Kohtuuhintaiset kustannukset ja toiminnan joustavuus sekä korkeat spektri-, tila- ja aikaresoluutiot, jotka ovat saatavilla nopealla läpimenoajalla, tekevät UAV:ista sopivia erilaisiin sovelluksiin, jotka vaativat aikakriittistä hallintaa, mukaan lukien kastelun ajoitus ja tarkkuusviljely. Bernin et ai. (2009)b mainitaan paljon, koska se integroi tehokkaasti miehittämättömän pyörivän siipialustan ja digitaaliset ja lämpöanturit tarvittaviin kalibrointimekanismeihin maataloussovelluksiin. Toiseksi lainatuin julkaisu on Austinin (2010) kirjoittama kirja, joka käsitteli UAV:ita suunnittelun, kehityksen ja käyttöönoton näkökulmasta. Maataloudessa UAV:t tukevat sadon seurantaa havaitsemalla taudit varhaisessa vaiheessa sadon värin muutoksilla, helpottamalla sadon kylvöä ja ruiskutusta sekä valvomalla ja ajamalla karjaa.
Sullivanin et al. (2007), Lumme et ai. (2008) ja Gokto ¨ ǧan et ai. (2010) viimeistelee viidentoista eniten lainatun artikkelin listan. Nämä artikkelit havainnollistavat UAV-pohjaisten järjestelmien kehittämistä maatalouden tukemiseksi. Ne tarjoavat ratkaisuja erilaisiin ongelmiin, kuten sadon seurantaan ja skannaukseen, rikkakasvien valvontaan ja hallintaan sekä päätöksentekoon. He myös ehdottavat ja keskustelevat UAV:n kyvystä lisätä näytteenottotehokkuutta ja auttaa viljelijöitä suunnittelemaan tarkkoja ja tehokkaita
istutusstrategiat. Berni on kirjoittanut kaksi artikkelia (Berni et al., 2009b; Berni et al., 2009a), jotka korostavat hänen merkittävää vaikutusta maatalouden droneihin liittyvään tutkimukseen. Zarco-Tejadan et ai. (2014) on ollut yksi uraauurtavista tutkimuksista, jotka havainnollistavat tarvetta käyttää edullisia UAV-kuvia puiden korkeuden kvantifiointiin.
Luettelo eniten siteeratuista julkaisuista.
arvo | Vuodesta 1990 ja 2010 | Vuodesta 2011 ja 2021 | ||
Asiakirja | Lainaus | Asiakirja | Lainaus | |
1 | (Berni ym., 2009b) | 831 | (C. Zhang & Kovacs, 2012) | 967 |
2 | (Austin, 2010) | 498 | (Nex & Remondino, 2014) | 893 |
3 | (Hunt ym., 2010) | 331 | (Floreano & Wood, 2015) | 552 |
4 | (SR Herwitz et ai., 2004) | 285 | (Hossein Motlagh et ai., 2016) | 391 |
5 | (CCD Lelong et ai., 2008) | 272 | (Shakhatreh et ai., 2019) | 383 |
6 | (Berni ym., 2009b) | 250 | (Ma ym., 2017) | 373 |
7 | (Grenzdorffer ¨ et ai., 2008) | 198 | (Bendig ym., 2014) | 360 |
8 | (Hrabar ym., 2005) | 175 | (Zarco-Tejada et ai., 2014) | 347 |
9 | (Y. Huang et ai., 2009) | 129 | (Ilmoitus ao et al., 2017) | 335 |
10 | (Schmale III et ai., 2008) | 119 | (Honkavaara ym., 2013) | 331 |
11 | (Abd-Elrahman ym., 2005) | 79 | (Candiago ym., 2015) | 327 |
12 | (Techy ym., 2010) | 69 | (Xiang & Tian, 2011) | 307 |
13 | (Sullivan ym., 2007) | 51 | (Matese ym., 2015) | 303 |
14 | (Lumme ym., 2008) | 42 | (Gago ym., 2015) | 275 |
15 | (Gokto ¨ ǧan et al., 2010) | 40 | (Aasen ym., 2015a) | 269 |
Toisella jaksolla (2011–2021) Zhangin ja Kovacsin (2012) sekä Nexin ja Remondinon (2014) tutkimukset johtivat eniten siteerattuihin julkaisuihin. Zhang ja Kovacs (2012) väittävät, että tarkkuusmaatalous voisi hyötyä geospatiaalisten tekniikoiden ja antureiden, kuten maantieteellisten tietojärjestelmien, GPS:n ja kaukokartoituksen, käyttöönotosta kentän vaihteluiden vangitsemiseksi ja niiden käsittelemiseksi vaihtoehtoisten strategioiden avulla. Tarkkuusmaatalouden pelin muuttajana droonien käyttöönotto on merkinnyt uutta aikakautta kaukokartoituksessa, mikä yksinkertaistaa ilmahavainnointia, tallentaa sadon kasvutietoja, maaperän olosuhteita ja ruiskutusalueita. Zhangin ja Kovacsin (2012) katsaus on tärkeä, koska se tarjoaa näkemyksiä UAV-laitteista paljastamalla näiden laitteiden olemassa olevat käyttötarkoitukset ja haasteet ympäristön seurannassa ja tarkkuusmaataloudessa, kuten alustan ja kameran rajoitukset, tietojenkäsittelyn haasteet, viljelijöiden sitoutuminen ja ilmailusäännökset. . Toinen
eniten siteerattu Nexin ja Remondinon tutkimus (2014) tarkasteli UAV-laitteiden uusinta tasoa maakuvien kaappaamiseen, käsittelyyn ja analysointiin.
Heidän työnsä esittelivät myös yleiskatsauksen useista UAV-alustoista, sovelluksista ja käyttötapauksista, esitellen uusimpia edistysaskeleita UAV-kuvankäsittelyssä. Maataloudessa viljelijät voisivat käyttää UAV-laitteita tehdäkseen tehokkaita päätöksiä kustannus- ja ajansäästöjen saavuttamiseksi, saada nopeat ja tarkat tiedot vahingoista ja ennakoida mahdollisia ongelmia. Toisin kuin perinteiset lentolavat, UAV:t voivat leikata käyttökustannuksia ja vähentää pääsyn vaaraa ankarissa paikoissa säilyttäen silti korkean tarkkuuspotentiaalin. Heidän artikkelissaan on yhteenveto UAV:iden erilaisista eduista, erityisesti tarkkuuden ja resoluution suhteen.
Jäljelle jääneiden 2011 eniten siteeratun julkaisun joukossa vuosina 2021–2014 havaitsimme keskittyneen enemmän tutkimukseen, joka liittyy drone-sovelluksiin kuvantamistehtävissä (Bendig et al., 2017; Ma et al., 2014; Zarco-Tejada et al., 2015). , tarkkuusviljely (Candiago ym., 2013; Honkavaara ym., 2015a), tarkkuusviininviljely (Matese et al., 2015), vesistressiarviointi (Gago et al., 2015) ja kasvillisuuden seuranta (Aasen et al. , XNUMXa). Alkuvuosina tutkijat keskittyivät
lisää edullisien, kevyiden ja tarkkojen UAV-pohjaisten järjestelmien kehittämisestä maataloudelle; uudempi tutkimus on keskittynyt enemmän maatalouden ja peltomittauksen UAV-sovellusten katsauksiin. Yhteenvetona voidaan todeta, että tämä analyysi paljastaa, että vaikutusvaltaiset julkaisut ovat enimmäkseen tarjonneet katsauksia aikaisemmista tutkimuksista UAV:iden nykyisen tieteellisen ja teknologisen tilan arvioimiseksi ja kehittäneet UAV-järjestelmiä tukemaan tarkkuusmaataloutta. Mielenkiintoista on, ettemme löytäneet empiirisiä tutkimuksia
menetelmiä tai kuvailevia tapaustutkimuksia, mikä muodostaa merkittävän tietovajeen ja vaatii lisää tutkimusta aiheesta.
Yhteisviittausanalyysi
Gmürin (2006) mukaan yhteisviittausanalyysi tunnistaa samankaltaisia julkaisuja ja klusteroi ne. Klusterin huolellinen tarkastelu voi paljastaa julkaisujen joukossa yhteisen tutkimusalueen. Tutkimme maatalouden droneihin liittyvän kirjallisuuden rinnakkaisviittausta havainnollistaaksemme aihealueita ja havainnoidaksemme julkaisujen älyllisiä malleja. Tässä suhteessa Small (1973) suositteli kositaatioanalyysin käyttöä vaikutusvaltaisimman ja merkittävimmän tutkimuksen tutkimiseen.
tieteenalan sisällä. Rajataksemme joukon merkittävimpiin artikkeleihin (Goyal & Kumar, 2021), asetimme yhteisviitauksen kynnysarvoksi 25, mikä tarkoittaa, että kaksi artikkelia on täytynyt olla yhdessä lainattu 25 tai useamman eri julkaisun viiteluetteloissa. Klusterointi tehtiin myös klusterin minimikoolla 1 ja ilman menetelmää pienempien klustereiden yhdistämiseksi suurempiin. Tuloksena syntyi kuusi klusteria tutkimusten samankaltaisuuden ja niiden henkisen rakenteen perusteella. Taulukossa 6 on esitetty julkaisujen jakautuminen kussakin klusterissa.
Klusteri 1: Tämä klusteri sisältää kahdeksantoista dokumenttia, jotka on julkaistu sen jälkeen. Tämän klusterin julkaisut käsittelevät droonien roolia ympäristön seurannan, sadonhallinnan ja rikkakasvien hallinnan tukemisessa. Esimerkiksi Manfreda et ai. (2018) antavat yleiskatsauksen UAV:n nykyiseen tutkimukseen ja toteutuksiin luonnollisessa maatalouden ekosysteemien seurannassa ja väittävät, että teknologia tarjoaa valtavan potentiaalin parantaa merkittävästi ympäristön seurantaa ja vähentää
olemassa oleva kuilu kenttähavainnoinnin ja tavanomaisen ilmassa ja avaruudessa tapahtuvan kaukokartoituksen välillä. Tämä voidaan tehdä tarjoamalla uutta kapasiteettia paremman ajallisen haun ja avaruudellisen näkemyksen saamiseksi suurille alueille edullisella tavalla. UAV:t voivat jatkuvasti havaita ympäristön ja lähettää tuloksena saadut tiedot älykkäille, keskitetyille/hajautetuille yksiköille, jotka ohjaavat antureita tunnistaakseen mahdolliset ongelmat, kuten taudin tai veden havaitsemisen puutteen (Padua ´ et al., 2017). Adao ˜ et ai. (2017) väittävät, että UAV:t ovat ihanteellisia kasvien olosuhteiden arvioimiseen keräämällä valtava määrä raakadataa liittyen veden tilaan, biomassan arviointiin ja elinvoiman arviointiin. UAV-asennetut anturit voitaisiin myös ottaa nopeasti käyttöön oikeissa ympäristöolosuhteissa, jotta kaukokartoitusdata voidaan kerätä ajoissa (Von Bueren et al., 2015). UAV:iden avulla maanviljelijät voivat harjoittaa sisäviljelytoimintaa hankkimalla mittauksia käytännössä mistä tahansa paikasta sisäviljelyympäristöjen (esim. kasvihuoneiden) kolmiulotteisessa tilassa, mikä varmistaa paikallisen ilmastonhallinnan ja kasvien seurannan (Roldan ´ et al. ., 2015). Tarkkuuden yhteydessä
maatalous, sadonhoitopäätökset edellyttävät tarkkoja, luotettavia satotietoja, joissa on asianmukainen ajallinen ja alueellinen resoluutio (Gebbers & Adamchuk, 2010; Gevaert et al., 2015; Maes & Steppe, 2019). Tästä syystä Agüera Vega et ai. (2015) käytti UAV-asennettua monispektristä anturijärjestelmää saadakseen kuvia auringonkukasadosta kasvukauden aikana. Vastaavasti Huang et ai. (2009) huomauttavat, että UAV:iin perustuva kaukokartoitus voisi helpottaa sadon ja maaperän mittaamista kerätyistä spektritiedoista. Verger et ai. (2014) kehittivät ja testasivat tekniikkaa viheralueindeksin (GAI) arvioimiseksi UAV-heijastusmittauksista tarkkuusmaatalouden sovelluksissa keskittyen vehnä- ja rypsikasveihin. Siksi droonit tarjoavat uusia mahdollisuuksia sadon tilatietojen hakemiseen toistuvin uudelleenkäynnein ja korkealla tilaresoluutiolla (Dong et al., 2019; Garzonio et al., 2017; H. Zheng et al., 2016).
Maatalouden droneja koskevien vaikutusvaltaisten julkaisujen klusterointi.
Cluster | Laaja teema | Viitteet |
1 | Ympäristön seuranta, sato hoito, rikkakasvien hallinta | (Ilmoitus ao et ai., 2017; Agüera Vega et ai., 2015; de Castro et ai., 2018; Gomez-Cand ´on ´ et ai., 2014; YB Huang et ai., 2013; Khanal et ai., 2017; Lopez-Granados, ´2011; Manfreda et ai., 2018; P' adua et al., 2017; Pena ˜ et ai., 2013; P´erez-Ortiz et ai., 2015; Rasmussen ym., 2013, 2016; Torres-S' anchez et ai., 2014; Torres-Sanchez, ´ Lopez-Granados, ´ & Pena, ~ 2015; Verger et ai., 2014; Von Bueren et ai., 2015; C. Zhang & Kovacs, 2012) |
2 | Etäfenotyypitys, tuotto arvio, sadon pintamalli, kasvien laskeminen | (Bendig ym., 2013, 2014; Geipel et ai., 2014; Gnadinger ¨ & Schmidhalter, 2017; Haghighattalab et ai., 2016; Holman et ai., 2016; Jin et ai., 2017; W. Li et ai., 2016; Maimaitijiang et ai., 2017; Sankaran et ai., 2015; Schirrmann et ai., 2016; Shi et ai., 2016; Yue et ai., 2017; X. Zhou ym., 2017) |
3 | Veden lämpökuvaus, monispektrinen kuvantaminen | (Baluja ym., 2012; Berni et al., 2009b; Berni et ai., 2009a; Candiago et ai., 2015; Gago et ai., 2015; Gonzalez-Dugo et ai., 2013, 2014; Grenzdorffer ¨ et ai., 2008; Khaliq et ai., 2019; Matese et ai., 2015; Ribeiro-Gomes et ai., 2017; Santesteban et ai., 2017; Uto et ai., 2013) |
4 | Hypersektraalinen kuvantaminen, spektraalinen kuvantaminen | (Aasen et al., 2015a; Bareth et al., 2015; Hakala et ai., 2013; Honkavaara et ai., 2013a; Lucieer et ai., 2014; Saari et ai., 2011; Suomalainen ym., 2014) |
5 | 3D-kartoitussovellukset | (Jim'enez-Brenes ym., 2017; Nex & Remondino, 2014; Salamí et ai., 2014; Torres-S' anchez, Lopez-´ Granados, Serrano et ai., 2015; Zahawi et ai., 2015; Zarco-Tejada et ai., 2014) |
6 | Maatalouden valvonta | (SR Herwitz et ai., 2004; Hunt et ai., 2010; CCD Lelong et ai., 2008; Primicerio et ai., 2012; Xiang ja Tian, 2011) |
Lisäksi droneista on hyötyä maatalouden haastavissa tehtävissä, mukaan lukien rikkakasvien kartoituksessa. Laitteilla otetut kuvat ovat osoittautuneet hyödyllisiksi rikkakasvien varhaisessa havaitsemisessa pelloilla (de Castro et al., 2018; Jim´enez-Brenes et al., 2017; Lam et al., 2021; Lopez-Granados ´ et al., 2016; Rozenberg et ai., 2021). Tässä suhteessa de Castro et ai. (2018) väittävät, että UAV-kuvien ja Object-Based Image Analysis (OBIA) -kuvien yhdistäminen on auttanut alan ammattilaisia voittamaan ongelman automatisoida varhainen havaitseminen varhaisen kauden nurmikasveissa, mikä on iso askel eteenpäin rikkakasvien tutkimuksessa. Samoin Pena ˜ et ai. (2013) huomauttavat, että UAV:n ultrakorkean spatiaalisen resoluution kuvien käyttö yhdessä OBIA-menettelyn kanssa mahdollistaa rikkakasvien karttojen luomisen varhaismaississa, joita voidaan käyttää kauden aikana toteutettavien rikkakasvien torjuntatoimenpiteiden suunnittelussa. tehtävä, joka ylittää satelliitti- ja perinteisten ilmakuvien kyvyn. Kuvien luokittelu- tai objektintunnistusalgoritmeihin verrattuna semanttiset segmentointitekniikat ovat tehokkaampia rikkakasvien kartoitustehtävissä (J. Deng et al., 2020), jolloin viljelijät voivat havaita pelto-olosuhteet, lieventää häviöitä ja parantaa satoa koko kasvukauden ajan (Ramesh). et ai., 2020). Syväoppimiseen perustuva semanttinen segmentointi voi myös antaa tarkan mittauksen kasvillisuuden peitosta korkearesoluutioisista ilmakuvista (Ramesh et al., 2020; A. Zheng et al., 2022). Huolimatta heidän mahdollisuuksistaan etäkäyttöön
Sensing pikseliluokitus, semanttiset segmentointitekniikat vaativat huomattavaa laskentaa ja kohtuuttoman suurta GPU-muistia (J. Deng et al., 2020).
Koneoppimiseen ja UAV:hen perustuen P´erez-Ortiz et al. (2015) ehdottivat rikkakasvien kartoitusmenetelmää paikkakohtaisten rikkakasvien torjuntastrategioiden tarjoamiseksi, kun viljelijät ottavat käyttöön varhaisen itämisen jälkeisen rikkakasvien torjuntaan. Lopuksi Rasmussen et ai. (2013) korostivat, että droonit tarjoavat edullisia tunnistusta suurella spatiaalisen resoluution joustavuudella. Kaiken kaikkiaan tämän klusterin julkaisut keskittyvät tutkimaan UAV:iden mahdollisuuksia tukea kaukokartoitusta, sadon seurantaa ja rikkakasvien kartoitusta. Lisätutkimusta tarvitaan, jotta voidaan selvittää, kuinka drone-sovellukset ympäristön seurannassa, viljelykasvien hallinnassa ja rikkakasvien kartoituksessa voivat saavuttaa kestävämmän maatalouden (Chamuah & Singh, 2019; Islam et al., 2021; Popescu et al., 2020; J Su, Liu et al., 2018) ja käsittelevät tämän teknologian hallintoon liittyviä kysymyksiä satovakuutussovelluksissa (Basnet & Bang, 2018; Chamuah & Singh, 2019, 2022; Meinen & Robinson, 2021). Tutkijoiden tulisi keskittyä UAV-kerättyjen mittausten validointiin tehokkailla prosessointitekniikoilla parantaakseen käsiteltyjen tietojen lopullista laatua (Manfreda et al., 2018). Lisäksi on kehitettävä sopivia algoritmeja, jotka tunnistavat pikseleitä, jotka näyttävät rikkaruohoja digitaalisissa kuvissa ja eliminoivat epäolennaisen taustan UAV-rikkakasvien kartoituksen aikana (Gaˇsparovi´c et al., 2020; Hamylton et al., 2020; H. Huang et al. , 2018, 2020; Lopez-´ Granados et ai., 2016). Lisätutkimus semanttisten segmentointitekniikoiden käyttöönotosta kasvien tunnistamisessa, lehtien luokittelussa ja tautien kartoituksessa on tervetullut (Fuentes-Pacheco et al., 2019; Kerkech et al., 2020).
Klusteri 2. Tämän klusterin julkaisut keskittyivät useisiin maatalouden droneihin. Etäfenotyypitykseen liittyen Sankaran et al. (2015) tarkastelivat mahdollisuuksia käyttää matalalla korkearesoluutioisia ilmakuvausta UAV-laitteilla viljelykasvien nopeaan fenotyypitykseen ja väittävät, että pienet UAV:t, joissa on riittävät anturit, tarjoavat useita etuja verrattuna maassa oleviin anturialustoihin. , kuten helpompi pääsy kentälle, korkearesoluutioinen data, tehokas tiedonkeruu,
nopeat arviot kentän kasvuolosuhteista ja alhaiset käyttökustannukset. Kirjoittajat kuitenkin huomauttavat myös, että UAV:n tehokas soveltaminen kenttäfenotyypitykseen perustuu kahteen peruselementtiin, nimittäin UAV:n ominaisuuksiin (esim. turvallisuus, vakaus, paikannus, autonomia) ja anturiominaisuuksiin (esim. resoluutio, paino, spektriaallonpituudet, kenttä näkökulmasta). Haghighattalab et ai. (2016) ehdotti puoliautomaattista kuvankäsittelyputkea tonttitason datan hakemiseksi UAV-kuvista ja kasvatusprosessin nopeuttamiseksi. Holman et ai. (2016) saavutti huippunsa
läpimenokentän fenotyyppijärjestelmä ja korosti, että UAV pystyy keräämään laadukasta, laajaa, kenttäpohjaista fenotyyppidataa ja että laite on tehokas suurilla alueilla ja eri kenttäpaikoissa.
Koska tuottoarvio on uskomattoman tärkeä tieto, varsinkin kun ne ovat saatavilla ajoissa, UAV:t voivat tarjota kaikki kenttämittaukset ja hankkia tehokkaasti korkealaatuista dataa (Daakir ym., 2017; Demir et al., 2018). Enciso et ai., 2019; Kulbacki ym., 2018; Pudelko ym., 2012). Tässä suhteessa Jin et ai. (2017) käytti hyväkseen UAV:iden erittäin matalilla korkeuksilla saamia korkearesoluutioisia kuvia kehittääkseen ja arvioidakseen menetelmää vehnäkasvien tiheyden arvioimiseksi itämisvaiheessa. Kirjoittajien mukaan UAV:t ylittävät kameroilla varustettujen rover-järjestelmien rajoitukset ja edustavat ei-invasiivista menetelmää kasvien tiheyden arvioimiseen viljelykasveissa, jolloin viljelijät voivat saavuttaa pellon fenotyypitykseen tarvittavan korkean suorituskyvyn maaperän liikenteestä riippumatta. Li et ai. (2016) keräsivät satoja erittäin korkearesoluutioisia stereokuvia käyttämällä UAV-pohjaista järjestelmää maissin parametrien arvioimiseksi, mukaan lukien latvuskorkeus ja maanpäällinen biomassa. Lopuksi Yue et ai. (2017) havaitsivat, että UAV-laitteista määritetty sadonkorkeus voisi parantaa maanpäällisen biomassan (AGB) arviota.
Yksi lähestymistapa sadon kasvun seurantaan on ajatus viljelykasvien pintamallien kehittämisestä (Bendig ym., 2014, 2015; Holman et al., 2016; Panday, Shrestha, et al., 2020; Sumesh ym., 2021). Useat tutkimukset korostivat UAV:sta otettujen kuvien toteutettavuutta kasvien korkeuden tallentamiseen ja niiden kasvun seuraamiseen. Esimerkiksi Bendig et ai. (2013) kuvasivat moniaikaisten viljelypintamallien kehittämistä erittäin korkealla, alle 0.05 m:n resoluutiolla UAV:lla. Niiden tarkoituksena oli havaita sato
kasvun vaihtelu ja sen riippuvuus viljelykasvien käsittelystä, lajikkeesta ja stressistä. Bendig et ai. (2014) käyttivät UAV:ita arvioimaan tuoretta ja kuivaa biomassaa sadon pintamalleista erotettujen kasvien korkeuden perusteella ja havaitsivat, että toisin kuin ilma-alustat ja maanpäällinen laserskannaus, UAV-laitteiden korkearesoluutioiset kuvat voivat merkittävästi parantaa kasvien korkeuden mallinnuksen tarkkuutta eri kasvua varten. Tasot. Samaan tapaan Geipel et ai. (2014) käyttivät UAV:ita tutkimuksessaan kuvien hankkimiseen
tietojoukot maissin jyvän sadon ennustamiseen kolmessa eri kasvuvaiheessa kauden alkupuolelta puoliväliin ja päättelivät, että ilmakuviin ja sadon pintamalleihin perustuva spektri- ja spatiaalimallinnuksen yhdistelmä on sopiva menetelmä maissin puolivälin sadon ennustamiseen. Lopuksi Gnadinger ¨ ja Schmidhalter (2017) tarkastelivat UAV:n käyttökelpoisuutta tarkkuusfenotyyppien määrittämisessä ja korostivat, että tämän tekniikan käyttö voisi tehostaa maatilan hallintaa ja mahdollistaa kenttäkokeita jalostus- ja agronomisissa tarkoituksissa. Kaiken kaikkiaan havaitsemme, että klusterin 2 julkaisut keskittyvät etäkäyttöön tarkoitettujen UAV-laitteiden tärkeimpiin etuihin
fenotyyppi, sadon arviointi, sadon pinnan mallinnus ja kasvien laskenta. Tulevat tutkimukset voivat kaivaa syvemmälle kehittämällä uusia menetelmiä etäfenotyypitykseen, jotka voivat automatisoida ja optimoida etähavaitun datan käsittelyn (Barabaschi et al., 2016; Liebisch et al., 2015; Mochida et al., 2015; S. Zhou et al. ., 2021). Lisäksi UAV:iin asennettujen IoT-anturien suorituskykyä ja niiden kustannusten, työvoiman ja tuottoarvion tarkkuuden välistä kompromissia on tutkittava.
tulevaisuus (Ju & Son, 2018a, 2018b; Xie & Yang, 2020; Yue et al., 2018). Viime kädessä on tarpeen kehittää tehokkaita kuvankäsittelymenetelmiä, jotka voivat tuottaa luotettavaa tietoa, maksimoida maataloustuotannon tehokkuuden ja minimoida viljelijöiden manuaalisen laskentatyön (RU Khan et al., 2021; Koh et al., 2021; Lin) & Guo, 2020; C. Zhang et ai., 2020).
Klusteri 3. Tämän klusterin julkaisut käsittelevät UAV-alustoilla käytettäviä erilaisia kuvantamisjärjestelmiä maatalouden resurssien kaukokartoituksessa. Tässä suhteessa lämpökuvauksen avulla voidaan seurata pintalämpötiloja satovaurioiden estämiseksi ja kuivuusstressin havaitsemiseksi varhaisessa vaiheessa (Awais et al., 2022; García-Tejero et al., 2018; Sankaran et al., 2015; Santesteban et al., 2017; Yeom, 2021). Baluja et ai. (2012) väitti, että monispektri- ja lämpökameroiden käyttö aluksella
UAV antoi tutkijoille mahdollisuuden saada korkearesoluutioisia kuvia ja arvioida viiniköynnöksen veden tilaa. Tämä voisi olla hyödyllistä kehitettäessä uusia veden aikataulutusmalleja kaukokartoitusdatan avulla (Baluja et al., 2012). Koska
UAV:iden rajoitettu kuormituskapasiteetti, Ribeiro-Gomes et al. (2017) harkitsivat jäähdyttämättömien lämpökameroiden integrointia UAVS:iin kasvien vesistressin määrittämiseksi, mikä tekee tämän tyyppisistä UAV:ista tehokkaampia ja kannattavampia kuin perinteinen satelliittipohjainen kaukokartoitus ja jäähdytetyillä lämpökameroilla varustetut UAV:t. Kirjoittajien mukaan jäähdyttämättömät lämpökamerat ovat kevyempiä kuin jäähdytetyt kamerat, ja ne vaativat asianmukaista kalibrointia. Gonzalez-Dugo et ai. (2014) osoittivat, että lämpökuvat luovat tehokkaasti spatiaalisia karttoja sadon vesistressi-indekseistä veden tilan arvioimiseksi ja vesistressin kvantifioimiseksi sitrushedelmätarhoissa ja niiden sisällä. Gonzalez-Dugo et ai. (2013) ja Santesteban et al. (2017) tutki korkearesoluutioisten UAV-lämpökuvien käyttöä kaupallisen hedelmätarhan ja viinitarhan veden tilan vaihtelun arvioimiseksi.
Monispektrinen kuvantaminen voisi tarjota valtavaa dataa verrattuna perinteisiin RGB-kuviin (punainen, vihreä ja sininen) (Ad˜ ao et al., 2017; Navia et al., 2016). Tämä spektritieto yhdessä paikkatietojen kanssa voisi auttaa luokittelussa, kartoituksessa, ennustamisessa, ennustamisessa ja havaitsemisessa (Berni et al., 2009b). Candiagon et al. (2015), UAV-pohjainen monispektrikuvaus voisi edistää merkittävästi sadon arviointia ja tarkkaa maataloutta luotettavana ja tehokkaana resurssina. Myös,
Khaliq et ai. (2019) teki vertailun satelliitti- ja UAV-pohjaisen monispektrisen kuvantamisen välillä. UAV-pohjaiset kuvat johtivat tarkempiin kuvaamaan viinitarhojen vaihtelua sekä elinvoimakarttoja sadon latvojen esittämiseen. Lyhyesti sanottuna tämän klusterin artikkelit käsittelevät lämpö- ja monispektristen kuvantamisanturien sisällyttämistä maatalouden UAV:ihin. Tämän vuoksi tarvitaan lisää tutkimusta ymmärtääkseen, kuinka lämpö- ja monispektrikuvaus voidaan integroida tekoälyyn
tekniikoita (esim. syväoppiminen) kasvien stressin havaitsemiseksi (Ampatzidis et al., 2020; Ampatzidis & Partel, 2019; Jung et al., 2021; Santesteban ym., 2017; Syeda et al., 2021). Tällaiset oivallukset auttavat varmistamaan tehokkaamman ja tarkemman havaitsemisen sekä kasvien kasvun, stressin ja fenologian seurannan (Buters et al., 2019; Cao et al., 2020; Neupane & BaysalGurel, 2021; L. Zhou et al., 2020).
Klusteri 4. Tämä klusteri koostuu seitsemästä artikkelista, jotka käsittelevät spektrikuvauksen ja hyperspektrikuvauksen ratkaisevaa roolia maatalouskäytäntöjen tukemisessa. Hyperspektrikuvaus on vakiinnuttanut asemansa kaukokartoitusmenetelmänä, joka mahdollistaa maaperän kvantitatiivisen arvioinnin (Schaepman et al., 2009). Tarkemmin sanottuna se mahdollistaa pintamateriaalien tunnistamisen, (suhteellisten) pitoisuuksien kvantifioinnin sekä pintakomponenttien suhteiden määrittäminen
sekapikseleiden sisällä (Kirsch et al., 2018; Zhao et al., 2022). Toisin sanoen hyperspektristen järjestelmien tarjoama korkeampi spektriresoluutio mahdollistaa tarkemmat arviot eri parametreista, kuten kasvisominaisuuksista tai lehtien vesipitoisuudesta (Suomalainen ym., 2014). Tämän klusterin tutkijat tutkivat tällaisten järjestelmien eri näkökohtia. Muun muassa Aasen et ai. (2015b) tarjosivat ainutlaatuisen lähestymistavan kolmiulotteisen hyperspektriinformaation johtamiseen kevyestä
UAV:issa kasvillisuuden seurantaan käytetyt tilannekuvakamerat. Lucieer et ai. (2014) käsitteli uuden hyperspektrisen UAS:n suunnittelua, kehitystä ja ilmatoimintoja sekä sillä kerätyn kuvadatan kalibrointia, analysointia ja tulkintaa. Lopuksi Honkavaara et ai. (2013b) kehitti kattavan käsittelymenetelmän FabryPerotin interferometripohjaisille spektrikuville ja osoitti sen käytön biomassan estimointimenettelyssä tarkkuusmaataloudessa. Tämän nykyisen klusterin mahdollisia tulevaisuuden polkuja ovat anturiteknologioiden teknisten parannusten tarpeen korostaminen (Aasen et al., 2015b) sekä tarve sisällyttää ja parantaa täydentäviä teknologioita, erityisesti big dataa ja analytiikkaa (Ang & Seng, 2021; Radoglou). -Grammatikis et ai., 2020; Shakoor ym., 2019). Jälkimmäinen johtuu pääasiassa älykkäässä maataloudessa toteutettujen eri antureiden tuottamasta jatkuvasti kasvavasta datasta (C. Li & Niu, 2020; A. Rejeb et al., 2022; Y. Su & Wang, 2021).
Klusteri 5. Tämän klusterin julkaisut tarkastelivat drooniin perustuvia 3D-kartoitussovelluksia. Droonien käyttäminen 3D-kartoinnissa voisi helpottaa monimutkaista kenttätyötä ja lisätä tehokkuutta merkittävästi (Torres-Sanchez ´ et al., 2015). Klusterin viisi artikkelia keskittyivät pääasiassa kasvien seurantasovelluksiin. Esimerkiksi kolmiulotteisen tiedon saamiseksi latvusalasta, puun korkeudesta ja latvustilavuudesta Torres-Sanchez ´ et al. (2015) käytti UAV-tekniikkaa digitaalisten pintamallien luomiseen ja sitten objektipohjaiseen kuva-analyysiin (OBIA). Lisäksi Zarco-Tejada et ai. (2014) kvantifioi puun korkeuden integroimalla UAV-teknologiaa ja kolmiulotteisia valokuvarekonstruktiomenetelmiä. Jim'enez-Brenes Lopez-Granados, ´De Castro, et ai. (2017) osoitti uuden prosessin useiden kymmenien oliivipuiden moniajaiseen, 3D-seurantaan integroimalla UAV-teknologiaa edistyneeseen OBIA-metodologiaan. Mielenkiintoisia polkuja tämän klusterin tuleville töille ovat joko nykyisen parantaminen
menetelmät (Zarco-Tejada et al., 2014) digitaaliseen pintamallinnukseen (Ajayi et al., 2017; Jaud et al., 2016), kuten OBIA (de Castro et al., 2018, 2020; Ventura et al. , 2018), sekä valokuvien rekonstruktio tai uusien menetelmien kehittäminen (Díaz-Varela et al., 2015; Torres-S´anchez et al., 2015).
Klusteri 6. Tämä klusteri käsittelee droonien roolia maatalouden valvonnassa. UAV:t voisivat täydentää ja voittaa satelliitti- ja lentokoneiden kuvantamisen puutteet. Ne voisivat esimerkiksi tarjota korkearesoluutioista lähes reaaliaikaista kuvantamista pienemmällä polttoaine- tai pilotointihaasteella, mikä johtaisi jatkuvaan ja reaaliaikaiseen valvontaan ja parannuksiin päätöksenteossa (S. Herwitz et al., 2004). Toinen UAV-ajoneuvojen keskeinen panos on niiden kyky tarjota paikkakohtaisia tietoja tarkkuusmaatalouteen tai paikkakohtaiseen viljelyyn, sillä niiden korkea resoluutio, yksityiskohtaiset tiedot eri parametreista antavat viljelijöille mahdollisuuden jakaa maan tasalaatuisiin osiin ja käsitellä niitä vastaavasti (Hunt et al. , 2010; CC Lelong et ai., 2008; Primicerio et ai., 2012). Tällainen UAV-pohjainen maatalouden valvonta voi tukea elintarviketurvan seurantaa ja päätöksentekoa (SR Herwitz et al., 2004). Maatalouden valvonnan tutkimuksen edistämiseksi tarvitaan paitsi antureiden, UAV:iden ja muiden niihin liittyvien teknologioiden sekä niiden viestintä- ja tiedonsiirtomenetelmien parannuksia (Ewing et al., 2020; Shuai et al., 2019), vaan myös droonien integrointia erilaisiin teknologiat älykkään maatalouden eri tehtävien, kuten seurannan, maatalouden valvonnan ja päätöksenteon, optimoimiseksi ovat korkeapotentiaalinen tutkimusalue (Alsamhi ym., 2021; Popescu ym., 2020; Vuran ym., 2018). Tässä suhteessa IoT, WSN:t ja big data tarjoavat mielenkiintoisia toisiaan täydentäviä ominaisuuksia (van der Merwe et al., 2020). Käyttöönottokustannukset, kustannussäästöt, energiatehokkuus ja tietoturva ovat alitutkittuja aloja tällaiselle integraatiolle (Masroor et al., 2021).
Maat ja akateemiset laitokset
Viimeiseen vaiheeseen sisältyi alkuperämaan ja tekijöiden akateemisten sidosten tutkiminen. Tämän analyysin avulla pyrimme ymmärtämään paremmin niiden tutkijoiden maantieteellistä jakautumista, jotka osallistuvat droonien käyttöön maataloudessa. On huomionarvoista huomata maiden ja akateemisten laitosten monimuotoisuus. Maan näkökulmasta USA, Kiina, Intia ja Italia ovat listan kärjessä julkaisujen lukumäärällä mitattuna (taulukko 7). Nykyinen
maatalousdroneiden tutkimus keskittyy suurelta osin Pohjois-Amerikan ja Aasian maihin, mikä johtuu pääasiassa niiden suuresta sitoutumisesta tarkkuusmaatalouden sovelluksiin. Esimerkiksi USA:ssa maatalousdroneiden markkinoiden arvoksi arvioitiin 841.9 miljoonaa dollaria vuonna 2020, mikä vastaa noin 30 % maailman markkinaosuudesta (ReportLinker, 2021). Maailman suurimmaksi taloudeksi luokitellun Kiinan ennustetaan saavuttavan likimääräisen 2.6 miljardin Yhdysvaltain dollarin markkinoiden koon vuonna 2027. Tämä maa houkuttelee maatalouden droneja voittamaan tuottavuusongelmat ja saavuttamaan parempia satoja, helpottamaan työvoimaa ja vähentämään tuotantopanoksia. Teknologian käyttöönottoa Kiinassa ohjaavat kuitenkin myös tekijät, kuten väestön koko ja tarve innovoida ja parantaa olemassa olevia sadonhoitokäytäntöjä.
Tuottavimmat maat ja yliopistot/organisaatiot, jotka osallistuvat
maatalouden droneihin liittyvää tutkimusta.
arvo | Maat |
1 | USA |
2 | Kiina |
3 | Intia |
4 | Italia |
5 | Espanja |
6 | Saksa |
7 | Brasilia |
8 | Australia |
9 | Japani |
10 | Yhdistynyt kuningaskunta |
arvo | Yliopistot/ Organisaatiot |
1 | Kiinan tiedeakatemia |
2 | Kiinan kansantasavallan maatalousministeriö |
3 | Ylempi tieteellisten tutkimusten neuvosto |
4 | Texas A&M -yliopisto |
5 | Kiinan maatalousyliopisto |
6 | USDA Agricultural Research Service |
7 | CSIC – Instituto de Agricultura Sostenible IAS |
8 | Purdue University |
9 | Consiglio Nazionale delle Ricerche |
10 | Etelä-Kiinan maatalousyliopisto |
Yliopiston ja organisaation näkökulmasta Kiinan tiedeakatemia on listan kärjessä julkaisujen lukumäärässä, jota seuraa Kiinan kansantasavallan maatalousministeriö ja Consejo Superior de Investigaciones Científicas. Kiinan tiedeakatemiaa edustavat kirjailijat Liao Xiaohan ja Li Jun; Han Wenting edustaa Kiinan kansantasavallan maatalousministeriötä; ja Consejo Superior de Investigaciones Científicasia edustavat Lopez-Granados, ´ F. ja Pena, ˜ Jos´e María S. Yhdysvalloista yliopistot, kuten Texas A&M University ja Purdue University, löytävät
mainita. Eniten julkaisuja saaneet yliopistot ja niiden yhteydet on esitetty kuvassa 4. Listalla on lisäksi instituutioita, kuten Consiglio Nazionale delle Ricerche ja Consejo Superior de Investigaciones Científicas, jotka tekevät tieteellistä tutkimusta, mutta eivät ole akateemisia instituutioita. .
Valikoimamme sisälsi laajan valikoiman aikakauslehtiä, jotka kattavat lähes kaiken saatavilla olevan tiedon. Kuten taulukosta 8 käy ilmi, Remote Sensing 258 artikkelilla on kärjessä, jota seuraa Journal of Intelligent and Robotic Systems: Theory and Applications 126 ja Computers and Electronics in Agriculture 98 artikkelilla. Vaikka Remote Sensing keskittyy enimmäkseen droonien soveltamiseen ja kehittämiseen, Computers and Electronics in Agriculture kattaa pääasiassa maatalouden tietokonelaitteistojen, ohjelmistojen, elektroniikan ja ohjausjärjestelmien edistyksen. Alueiden väliset myyntipisteet, kuten IEEE Robotics and Automation Letters 87 julkaisulla ja IEEE Access 34 julkaisulla, ovat myös alan tärkeimpiä myyntipisteitä. Viisitoista suosituinta julkaisua on lisännyt kirjallisuuteen 959 asiakirjalla, mikä on noin 20.40 % kaikista julkaisuista. Lehden yhteisviittausanalyysin avulla voimme tarkastella julkaisujen merkitystä ja samankaltaisuutta. Yhteisviittausanalyysi tuottaa kolme klusteria, kuten kuvassa 5 näkyy. Punainen klusteri koostuu lehdistä, kuten Remote Sensing, Computer and Electronics in Agriculture, Sensors,
ja International Journal of Remote Sensing. Kaikki nämä myymälät ovat erittäin hyvämaineisia kaukokartoituksen ja tarkkuusmaatalouden alan lehtiä. Vihreä klusteri sisältää robotiikkaa käsitteleviä lehtiä, kuten Journal of Intelligent and Robotic Systems: Theory and Applications, IEEE Robotics and Automation Letters, IEEE Access ja Drones. Nämä myyntipisteet julkaisevat enimmäkseen automaatioon liittyviä papereita ja ovat hyödyllisiä maatalousinsinööreille. Lopullisen klusterin muodostavat agronomiaan ja maataloustekniikkaan liittyvät lehdet, kuten Agronomy ja International Journal of Agricultural and Biological Engineering.
15 parasta lehteä maatalouden droneihin liittyvästä tutkimuksesta.
arvo | Päiväkirja | Laskea |
1 | Kaukokartoitus | 258 |
2 | Journal of Intelligent and Robotic Systems: teoria ja Sovellukset | 126 |
3 | Tietokoneet ja elektroniikka maataloudessa | 98 |
4 | IEEE -robotiikka- ja automaatiokirjeet | 87 |
5 | Anturit | 73 |
6 | Kansainvälinen kaukokartoituslehti | 42 |
7 | Tarkkuusviljely | 41 |
8 | Drones | 40 |
9 | Agronomia | 34 |
10 | IEEE-käyttöoikeus | 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 |
Yhteenveto
Yhteenveto
Tässä tutkimuksessa teimme yhteenvedon ja analysoimme olemassa olevaa maatalousdroone-tutkimusta. Erilaisten bibliometristen tekniikoiden avulla pyrimme saamaan paremman käsityksen maatalouden droneihin liittyvän tutkimuksen henkisestä rakenteesta. Yhteenvetona arviomme tarjoaa useita panoksia tunnistamalla ja keskustelemalla avainsanoja kirjallisuudesta, paljastamalla tietoklustereita ja muodostamalla semanttisesti samanlaisia yhteisöjä droonien alalla, hahmottelemalla aikaisempaa tutkimusta ja ehdottamalla tulevia tutkimussuuntia. Alla hahmotellaan maatalousdroneiden kehitystä koskevan katsauksen tärkeimmät havainnot:
• Yleinen kirjallisuus on kasvanut nopeasti ja saanut valtavasti huomiota viimeisen vuosikymmenen aikana, mistä on osoituksena artikkelien määrän kasvu vuoden 2012 jälkeen. Vaikka tämä tietokenttä on vielä saavuttamatta täyttä kypsyyttään (Barrientos et al., 2011; Maes) & Steppe, 2019), useat kysymykset ovat edelleen vaille vastausta. Esimerkiksi droonien käyttökelpoisuus sisäviljelyssä on edelleen avoin keskustelulle (Aslan ym., 2022; Krul ym., 2021; Rold´an et al., 2015). Kenttäkohtausten monimutkaisuus ja erilaiset kuvausolosuhteet (esim. varjot ja valaistus) voivat johtaa korkeampaan spektrin varianssiin luokassa (Yao et al., 2019). Myös myöhemmissä tutkimusvaiheissa tutkijoita on haastettu määrittämään optimaaliset lentosuunnitelmat tiettyjen skenaarioiden ja vaaditun kuvanlaadun mukaan (Soares et al., 2021; Tu et al.,
2020).
• Havaitsemme, että ala on edennyt tehokkaiden UAV-järjestelmien kehittämisestä tekoälytekniikoiden, kuten koneoppimisen ja syväoppimisen, sisällyttämiseen maatalousdroneiden suunnitteluun (Bah et al., 2018; Kitano et al., 2019; Maimaitijiang et al. , 2020; Mazzia et ai., 2020; Tetila ym., 2020).
• Maatalouden droonien tutkimuksessa käsiteltiin pääasiassa kaukokartoitusta tutkimalla teknologian mahdollisuuksia ympäristön seurannassa, sadonhoidossa ja rikkakasvien hallinnassa (klusteri 1) sekä kaukofenotyypityksen ja sadon arvioinnin (klusteri 2). Joukko vaikuttavia tutkimuksia maatalouden droneista ovat Austin (2010), Berni et al. (2009)a, Herwitz et ai. (2004), Nex ja Remondino (2014) sekä Zhang ja Kovacs (2012). Nämä tutkimukset kehittivät käsitteellistä perustaa droneihin liittyvälle tutkimukselle maatalouden kontekstissa.
• Metodologiaan liittyen havaitsimme, että suurin osa tähän mennessä tehdystä tutkimuksesta oli koostunut joko järjestelmäsuunnittelusta, käsitteellisestä tai tarkastelupohjaisesta tutkimuksesta (Inoue, 2020; Nex & Remondino, 2014; P´erez-Ortiz et al. , 2015; Yao et ai., 2019). Haemme myös empiiristen, laadullisten ja tapaustutkimukseen perustuvien menetelmien puutetta maatalousdroneiden tutkinnassa.
• Viime aikoina tarkkuusmaatalouteen, tekoälytekniikoihin, tarkkuusviininviljelyyn ja vesistressin arviointiin liittyvät aiheet ovat herättäneet paljon huomiota (Espinoza et al., 2017; Gomez-Cand ´ on ´ et al., 2016; Matese ym., 2015; Matese & Di Gennaro, 2018, 2021; Z. Zhou et ai., 2021). Tutkimusklustereiden huolellinen tarkastelu kahdella eri aikakaudella, 1990–2010 ja 2011–2021, paljastaa alan henkisen rakenteen edistymisen. Vuodet 1990–2010 muodostivat keskeisten käsitteiden ja droonien käsitteiden rakentamisen, mikä käy ilmi UAV-suunnittelusta, -kehityksestä ja -toteutuksesta käydyn keskustelun perusteella. Toisella aikakaudella tutkimuksen painopiste laajenee aikaisempiin tutkimuksiin pyrkien syntetisoimaan UAV-käyttötapauksia maataloudessa. Löysimme myös lukuisia tutkimuksia, joissa käsitellään drone-sovelluksia kuvantamistehtävissä ja tarkkuusmaataloudessa.
arvo | Päiväkirja | Laskea |
1 | Kaukokartoitus | 258 |
2 | Journal of Intelligent and Robotic Systems: teoria ja | 126 |
Sovellukset | ||
3 | Tietokoneet ja elektroniikka maataloudessa | 98 |
4 | IEEE -robotiikka- ja automaatiokirjeet | 87 |
5 | Anturit | 73 |
6 | Kansainvälinen kaukokartoituslehti | 42 |
7 | Tarkkuusviljely | 41 |
8 | Drones | 40 |
9 | Agronomia | 34 |
10 | IEEE-käyttöoikeus | 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 |
Vaikutukset
Bibliometrinen katsaus on suunniteltu ja toteutettu tutkijoita, maanviljelijöitä, maatalousasiantuntijoita, satokonsultteja ja UAV-järjestelmien suunnittelijoita ajatellen. Kirjoittajien parhaan tiedon mukaan tämä on yksi ensimmäisistä alkuperäisistä katsauksista, jossa on tehty syvällinen bibliometrinen analyysi
drone-sovelluksia maataloudessa. Olemme tehneet tämän tietokokonaisuuden kattavan katsauksen käyttämällä julkaisujen viittaus- ja yhteisviittausanalyysejä. Yrityksemme kuvata drone-tutkimuksen älyllistä rakennetta tarjoavat myös uusia oivalluksia tutkijoille. Ajan mittaan käytettyjen avainsanojen huolellinen tarkastelu paljastaa droneihin liittyvän kirjallisuuden hotspotit ja painopisteet. Lisäksi esittelemme listan eniten siteeratuista tutkimuksista tunnistaaksemme vaikuttavimmat alalla tehdyt tutkimustyöt. Artikkelien ja avainsanojen tunnistaminen voisi näin ollen tarjota vankan lähtökohdan useiden tulevien tutkimusten löytämiselle.
Tärkeää on, että paljastimme klustereita, jotka luokittelevat vertailukelpoisia teoksia ja tarkennamme tuloksia. Klustereihin luokitellut tutkimukset auttavat ymmärtämään UAV-tutkimuksen henkistä rakennetta. Huomasimme erityisesti, että löysimme niukasti tutkimuksia, jotka tutkivat droonien käyttöönottotekijöitä
ja maatalouden esteet (ks. taulukko 9). Tulevat tutkijat voisivat korjata tämän mahdollisen aukon suorittamalla empiirisiä tutkimuksia, joissa arvioidaan droonien käyttöönottotekijöitä erilaisissa viljelytoiminnoissa ja ilmasto-olosuhteissa. Lisäksi tapaustutkimuksiin perustuvaa droonien tehokkuutta koskevaa tutkimusta tulisi tukea todellisella alan tiedolla. Myös maanviljelijöiden ja johtajien osallistuminen akateemiseen tutkimukseen olisi edullista sekä dronetutkimuksen teoreettisen että käytännön edistämisen kannalta. Pystyimme myös tunnistamaan merkittävimmät tutkijat ja heidän panoksensa, mikä on arvokasta, koska tietoisuus viimeaikaisista merkittävistä töistä voi tarjota opastusta tuleviin akateemisiin pyrkimyksiin.
Taulukko 9
UAV:n käyttöönoton esteet.
Este | Kuvaus |
Tietoturva | Kyberturvallisuus on suuri haaste toteuttamiselle IoT-ratkaisut (Masroor et al., 2021). |
Yhteentoimivuus ja integraatio | Erilaisia teknologioita, kuten UAV, WSN, IoT jne. olisi integroitava ja siirrettävä tietoja, jotka lisää monimutkaisuutta (Alsamhi et al., 2021; Popescu et ai., 2020; Vuran et ai., 2018). |
Toteutuskustannukset | Tämä koskee erityisesti pienviljelijöitä ja integroimalla erilaisia huipputeknologioita ( Masroor et al., 2021). |
Työtietoa ja asiantuntemus | UAV-lentokoneiden ohjaamiseen tarvitaan taitavia drone-lentäjiä. Lisäksi toteuttaa erilaisia huippuluokan teknologia vaatii ammattitaitoisia työntekijöitä (YB Huang et ai., 2013; Tsouros et ai., 2019). |
Moottorin teho ja lento kesto | Droneja ei voi käyttää pitkiä tunteja ja peittää suuret alueet (Hardin & Hardin, 2010; Laliberte et al., 2007). |
Vakaus, luotettavuus ja ohjattavuus | Droonit eivät ole vakaita huonoissa sääolosuhteissa (Hardin & Hardin, 2010; Laliberte et ai., 2007). |
Hyötykuormarajoitukset ja antureiden laatu | Droonit voivat kuljettaa vain rajoitettuja kuormia kyky ladata huonompilaatuisia antureita (Nebiker et ai., 2008). |
Asetus | Koska droonit voivat olla myös vaarallisia, on olemassa vakavia määräyksiä joillakin alueilla (Hardin & Jensen, 2011; Laliberte & Rango, 2011). |
Viljelijöiden tietämys ja korko | Kuten muutkin huipputeknologiat, droonit onnistunut toteutus vaatii asiantuntemusta ja myös mukana epävarmuustekijöitä (Fisher et al., 2009; Lambert et ai., 2004; Stafford, 2000). |
Koska käytettävissä olevia resursseja on jatkuvasti käytettävä tehokkaasti sadon maksimoimiseksi, viljelijät voivat hyödyntää droneja varmistaakseen peltojensa nopean, tarkan ja kustannustehokkaan skannauksen. Teknologia voi auttaa viljelijöitä määrittämään sadon kunnon ja arvioimaan veden tilan, kypsymisasteen, hyönteistartuntoja ja ravitsemustarpeita. Droonien kaukokartoitusominaisuudet voivat tarjota maanviljelijöille tärkeitä tietoja, jotta he voivat ennakoida ongelmat varhaisessa vaiheessa ja ryhtyä nopeasti sopiviin toimenpiteisiin. Teknologian edut voidaan kuitenkin saavuttaa vain, jos haasteisiin vastataan asianmukaisesti. valossa
Nykyisissä tietoturvaongelmissa, anturiteknologiaan liittyvissä kysymyksissä (esim. mittausten luotettavuus tai tarkkuus), integroinnin monimutkaisuus ja huomattavia toteutuskustannuksia, tulevissa tutkimuksissa on myös tarkasteltava teknistä, taloudellista ja toiminnallista toteutettavuutta maatalouden droonien ja muiden leikkauslaitteiden integroinnissa. huipputeknologioita.
Rajoitukset
Tutkimuksemme sisältää useita rajoituksia. Ensinnäkin havainnot määrittävät lopulliseen analyysiin valitut julkaisut. On haastavaa taltioida kaikki asiaankuuluvat maatalouden droneihin liittyvät tutkimukset, erityisesti sellaiset, joita ei ole indeksoitu Scopus-tietokantaan. Lisäksi tiedonkeruuprosessi rajoittuu hakusanojen asettamiseen, jotka eivät välttämättä ole kattavat ja johtavat epäselviin tuloksiin. Siksi tulevissa tutkimuksissa on kiinnitettävä enemmän huomiota tiedonkeruun taustalla olevaan kysymykseen
luotettavampia johtopäätöksiä. Toinen rajoitus koskee uusia julkaisuja, joissa on vähän viittauksia. Bibliometrinen analyysi on puolueellinen aikaisempien julkaisujen suhteen, koska ne saavat yleensä enemmän lainauksia vuosien varrella. Viimeaikaiset tutkimukset vaativat tietyn ajan herättääkseen huomiota ja kerätäkseen viittauksia. Näin ollen viimeaikaiset paradigman muutoksen tuovat tutkimukset eivät sijoittuisi kymmenen vaikuttavimman teoksen joukkoon. Tämä rajoitus on vallitseva tutkittaessa nopeasti nousevia tutkimusaloja, kuten maatalousdroneita. Koska olemme konsultoineet Scopusa tutkiaksemme kirjallisuutta tätä työtä varten, tulevat tutkijat voisivat harkita toisin
tietokannat, kuten Web of Science ja IEEE Xplore, laajentaakseen horisonttia ja parantaakseen tutkimusrakennetta.
Mahdolliset bibliometriset tutkimukset voivat ottaa huomioon muita tärkeitä tietolähteitä, kuten konferenssipapereita, lukuja ja kirjoja, luodakseen uusia oivalluksia. Huolimatta maatalouden droneja koskevien maailmanlaajuisten julkaisujen kartoituksesta ja tutkimisesta, löydöksemme eivät paljastaneet yliopistojen tieteellisten tulosten taustalla olevia syitä. Tämä tasoittaa tietä uudelle tutkimusalueelle, joka selittää laadullisesti, miksi jotkut yliopistot ovat tuottavampia kuin toiset, kun on kyse maataloustutkimuksesta.
droneja. Lisäksi tulevat tutkimukset voisivat tarjota näkemyksiä droonien mahdollisuuksista lisätä viljelyn kestävyyttä useilla tavoilla, kuten ympäristön seurannalla, sadonhoidolla ja rikkakasvien kartoituksella, kuten useat tutkijat ovat osoittaneet (Chamuah & Singh, 2019; Islam et al., 2021; Popescu et ai., 2020; J. Su, Liu, et ai., 2018b). Koska tekstianalyysi ei ollut mahdollista valittujen julkaisujen suuren määrän vuoksi, tarvitaan systemaattisia kirjallisuuskatsauksia, joissa tarkastellaan
käytetyt tutkimusmenetelmät ja viljelijöiden osallistuminen aikaisempiin tutkimuksiin. Lyhyesti sanottuna, analyysimme drone-tutkimuksesta paljastaa tämän tietokappaleen näkymättömät yhteydet. Tämä katsaus auttaa siis paljastamaan julkaisujen välisiä suhteita ja tutkii tutkimuskentän henkistä rakennetta. Se kuvaa myös yhteyksiä kirjallisuuden eri näkökohtien, kuten tekijöiden avainsanojen, sidosryhmien ja maiden, välillä.
Julistus kilpailevasta kiinnostuksesta
Kirjoittajat ilmoittavat, että heillä ei ole tunnettuja kilpailevia taloudellisia etuja tai henkilökohtaisia suhteita, jotka olisivat voineet vaikuttaa vaikuttavan tässä artikkelissa raportoituun työhön.
Liite 1
TITLE-ABS-KEY (((drone* TAI "miehittämätön ilma-alus" TAI uav* TAI "miehittämätön lentokonejärjestelmä”TAI uas TAI "etäohjattu lentokone”) JA (maatalous TAI maatalous TAI maanviljely TAI maanviljelijä))) JA (POISSA (PUBYVUOSI, 2022)) AND (RAJAA (KIELI, "englanti").
Viitteet
Aasen, H., Burkart, A., Bolten, A., Bareth, G., 2015. 3D-hyperspektrisen tiedon luominen kevyillä UAV-tilannekuvakameroilla kasvillisuuden seurantaan: alkaen
kameran kalibrointi laadunvarmistukseen. 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. Mallintunnistusalgoritmin kehittäminen automaattista lintujen havaitsemista varten miehittämättömistä ilma-alusten kuvista.
Kysely. Land Inform. Sci. 65 (1), 37–45.
Abdollahi, A., Rejeb, K., Rejeb, A., Mostafa, MM, Zailani, S., 2021. Langattomat anturiverkot maataloudessa: näkemyksiä bibliometrisesta analyysistä. Kestävyys 13 (21),
12011.
Aboutalebi, M., Torres-Rua, AF, Kustas, WP, Nieto, H., Coopmans, C., McKee, M., Varjon havaitsemismenetelmien arviointi korkearesoluutioisissa optisissa kuvissa ja varjon vaikutuksen arviointi laskentaan NDVI ja evapotranspiraatio. 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. Hyperspektraalinen kuvantaminen: katsaus UAV-pohjaisiin sensoreihin, data käsittely ja
maa- ja metsätaloussovelluksia. Kaukotunnistus 9 (11). https://doi.org/ 10.3390/rs9111110.
Agüera Vega, F., Ramírez, FC, Saiz, MP, Rosúa, FO, 2015. Multi-temporaalinen kuvantaminen miehittämättömällä ilma-aluksella auringonkukan sadon tarkkailuun. Biosyst. Eng.
132, 19–27. https://doi.org/10.1016/j.biosystemseng.2015.01.008.
Ajayi, OG, Salubi, AA, Angbas, AF, Odigure, MG, 2017. Tarkkojen digitaalisten korkeusmallien luominen UAV:sta sai vähän päällekkäisiä kuvia. 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. Katsaus koneoppimismenetelmiin biomassan ja maaperän kosteuden hakuun kaukokartoitusdatasta. Remote Sensing 7 (12), 16398–16421.
Alsamhi, SH, Afghah, F., Sahal, R., Hawbani, A., Al-qaness, MAA, Lee, B., Guizani, M., Vihreä esineiden internet käyttäen UAV:ita B5G-verkoissa: Sovellusten katsaus
ja strategioita. Ilmoitus. Hoc. Netw. 117, 102505 https://doi.org/10.1016/j. adhoc.2021.102505.
Al-Thani, N., Albuainain, A., Alnaimi, F., Zorba, N., 2020. Drones for Sheep Livestock Monitoring. Julkaisussa: 20th IEEE Mediterranean Electrotechnical Conference. https://doi.
org/10.1109/MELECON48756.2020.9140588.
Ampatzidis, Y., Partel, V., 2019. UAV-pohjainen korkean suorituskyvyn fenotyypitys sitrushedelmissä käyttämällä monispektristä kuvantamista ja tekoälyä. Remote Sensing 11 (4), https://doi.org/10.3390/rs11040410.
Ampatzidis, Y., Partel, V., Costa, L., 2020. Agroview: Pilvipohjainen sovellus UAV-kerätyn tiedon käsittelemiseen, analysoimiseen ja visualisoimiseen tekoälyä hyödyntäviin tarkkuusmaatalouden sovelluksiin. Comput. Elektroni. Agric. 174, 105457 https://doi. org/10.1016/j.compag.2020.105457.
Ang, K.-L.-M., Seng, JKP, 2021. Big data ja koneoppiminen hyperspektrisen tiedon avulla maataloudessa. IEEE Access 9, 36699–36718. https://doi.org/10.1109/
ACCESS.2021.3051196.
Aquilani, C., Confessore, A., Bozzi, R., Sirtori, F., Pugliese, C., 2022. Katsaus: tarkkuuseläinviljelyteknologiat laidunpohjaisissa kotieläinjärjestelmissä. Animal 16 (1), https://doi.org/10.1016/j.animal.2021.100429.
Armenta-Medina, D., Ramirez-Delreal, TA, Villanueva-Vasquez, ´ D., Mejia-Aguirre, C., Kehittyneiden tieto- ja viestintätekniikoiden trendit
maatalouden tuottavuuden parantaminen: bibliometrinen analyysi. Agronomy 10 (12), artikla 12. https://doi.org/10.3390/agronomy10121989.
Armstrong, I., Pirrone-Brusse, M., Smith, A., Jadud, M., 2011. Lentävä gator: kohti ilmarobotiikkaa occam-π:ssä. Commun. Prosessiarkkitehti. 2011, 329–340. https://doi. org/10.3233/978-1-60750-774-1-329.
Arora, SD, Chakraborty, A., 2021. Kuluttajien valituskäyttäytymisen älyllinen rakenne (CCB) tutkimus: bibliometrinen analyysi. J. Business Res. 122, 60–74.
Aslan, MF, Durdu, A., Sabanci, K., Ropelewska, E., Gültekin, SS, 2022.
Kattava selvitys viimeaikaisista UAV-tutkimuksista tarkkuusviljelyssä avopelloilla ja kasvihuoneissa. Appl. Sci. 12 (3), 1047. https://doi.org/10.3390/
app12031047.
Atkinson, JA, Jackson, RJ, Bentley, AR, Ober, E. ja Wells, DM (2018). Field Fenotyping for the Future. Vuosittaisessa kasvikatsauksessa verkossa (s. 719–736). John
Wiley & Sons, Ltd.: 10.1002/9781119312994.apr0651.
Austin, R., 2010. Miehittämättömät ilma-alukset: UAVS-suunnittelu, -kehitys ja -käyttöönotto. Julkaisussa: Miehittämättömät ilma-alukset: UAVS Design, Development and
Käyttöönotto. John Wiley ja pojat. 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-pohjainen kaukokartoitus kasvien rasituksessa. Kuvittele korkearesoluutioisen lämpösensorin käyttämistä digitaalisiin maatalouskäytäntöihin: meta-katsaus. Int. J. Environ. Sci. Technol. https://doi.
org/10.1007/s13762-021-03801-5.
Bacco, M., Berton, A., Ferro, E., Gennaro, C., Gotta, A., Matteoli, S., Paonessa, F., Ruggeri, M., Virone, G., Zanella, A., 2018. Älykäs viljely: mahdollisuuksia, haasteita
ja teknologian mahdollistajat. 2018 IoT Vertical ja. Ajankohtaista maataloutta käsittelevä huippukokous - Toscana (IOT Toscana) 1.–6. https://doi.org/10.1109/IOTTUSCANY.2018.8373043.
Bah, MD, Hafiane, A., Canals, R., 2018. Syvä oppiminen valvomattomalla datamerkinnällä rikkakasvien havaitsemiseksi linjakasveissa UAV-kuvissa. Kaukokartoitus 10 (11), 1690.
https://doi.org/10.3390/rs10111690.
Baldi, S., 1998. Normatiiviset versus sosiaalikonstruktivistiset prosessit lainausten allokoinnissa: verkkoanalyyttinen malli. Olen. Sociol. Rev. 63 (6), 829–846. https://doi.
org / 10.2307 / 2657504.
Baluja, J., Diago, MP, Balda, P., Zorer, R., Meggio, F., Morales, F., Tardaguila, J., 2012. Assessment of vineyard water status variability by the term and multispectral
kuvat miehittämättömällä ilma-aluksella (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., Seuraava sukupolvi jalostus. Plant Sci. 242, 3–13. https://doi.org/10.1016/j.
plantci.2015.07.010.
Barbedo, JGA, Koenigkan, LV, 2018. Näkökulmat miehittämättömien ilmajärjestelmien käyttöön nautaeläinten tarkkailuun. Outlook Agric. 47 (3), 214–222. https://doi.org/10.1177/0030727018781876.
Bareth, G., Aasen, H., Bendig, J., Gnyp, ML, Bolten, A., Jung, A., Michels, R., Soukkamaki, ¨ J., 2015. Low-weight and UAV-based hyperspectral täysikokoiset kamerat
viljelykasvien seurantaan: Spektrivertailu kannettavaan spektroradiometrimittaukseen. 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 kaukokartoitus maataloudessa: Käytännön lähestymistapa alueen peittoon
ja reittisuunnittelu mini-ilmaroboteille. 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. Tutkimus polkusuunnittelualgoritmien soveltamisesta moniroottorisille UAV:ille tarkasti
maataloudessa. J. Navig. 75 (2), 364–383.
Basnet, B., Bang, J., 2018. Tietointensiivisen maatalouden huipputekniikka: katsaus sovellettuihin anturijärjestelmiin ja data-analytiikkaan. J. Sens. 2018, 1–13.
Bendig, J., Bolten, A., Bareth, G., 2013. UAV-pohjainen kuvantaminen moniaikaisiin, erittäin korkearesoluutioisiin sadon pintamalleihin sadon kasvun vaihtelun seuraamiseksi. 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. Ohran biomassan arviointi käyttäen UAV-pohjaisesta RGB-kuvauksesta saatuja viljelypintamalleja (CSM). Remote Sensing 6 (11), 10395–10412.
Bendig, J., Yu, K., Aasen, H., Bolten, A., Bennertz, S., Broscheit, J., Gnyp, ML, Bareth, G., 2015. UAV-pohjaisen kasvin korkeuden yhdistäminen sadon pinnalta mallit,
näkyvät ja lähellä infrapunaa osoittavat kasvillisuuden indeksit ohran biomassan seurantaan. Int. J. Appl. Earth Obs. Geoinf. 39, 79–87. https://doi.org/10.1016/j.jag.2015.02.012.
Berni, JA, Zarco-Tejada, PJ, Sepulcre-Canto, ´G., Fereres, E., Villalobos, F., 2009a. Katoksen johtavuuden ja CWSI:n kartoittaminen oliivitarhoissa korkealla resoluutiolla
lämpökaukokartoituskuvia. Kaukosäädinympäristö. 113 (11), 2380–2388. https://doi.org/10.1016/j.rse.2009.06.018.
Berni, JA, Zarco-Tejada, PJ, Suarez, ´L., Fereres, E., 2009b. Lämpö- ja kapeakaistainen monispektrinen kaukokartoitus kasvillisuuden seurantaan miehittämättömästä ilma-aluksesta. 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 maataloudessa: Euroopan laajuisen laajamittaisen pilotin suunnittelu. IEEE Commun. Mag. 55 (9), 26–33.
Buters, TM, Belton, D., Cross, AT, 2019. Yksittäisten taimien ja taimiyhteisöjen monisensorinen UAV-seuranta millimetrin tarkkuudella. Droonit 3 (4), 81.
https://doi.org/10.3390/drones3040081.
Candiago, S., Remondino, F., De Giglio, M., Dubbini, M., Gattelli, M., 2015. Monispektrikuvien ja kasvillisuusindeksien arviointi tarkkuusviljelysovelluksiin UAV-kuvista. Kaukokartoitus 7 (4), 4026–4047. https://doi.org/10.3390/rs70404026.
Cao, Y., Li, GL, Luo, YK, Pan, Q., Zhang, SY, 2020. Sokerijuurikkaan kasvuindikaattoreiden seuranta käyttämällä UAV:sta johdettua laajan dynaamisen alueen kasvillisuusindeksiä (WDRVI)
monispektrisiä kuvia. Comput. Elektroni. Agric. 171, 105331 https://doi.org/10.1016/j.compag.2020.105331.
Casillas, J., Acedo, F., 2007. Perheyrityskirjallisuuden älyllisen rakenteen kehitys: FBR:n bibliometrinen tutkimus. Perheyritys 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. Dynaaminen riisin biomassan seuranta
erilaisia typpikäsittelyjä käyttämällä kevyttä UAV:ta, jossa on kaksoiskuvakehyksiset valokuvakamerat. Plant Methods 15 (1), 32. https://doi.org/10.1186/s13007-019-
0418-8.
Chamuah, A., Singh, R., 2019. Kestävän kehityksen turvaaminen Intian maataloudessa siviili-UAV:n avulla: vastuullinen innovaationäkökulma. SN Appl. Sci. 2 (1), 106. https://
doi.org/10.1007/s42452-019-1901-6.
Chamuah, A., Singh, R., 2022. Siviili-miehittämättömien ilma-ajoneuvojen (UAV) innovaatioiden vastuullinen hallinto Intian satovakuutussovelluksiin. J. Vastuuhenkilö
Technol. 9, 100025 https://doi.org/10.1016/j.jrt.2022.100025.
Chen, A., Orlov-Levin, V., Meron, M., 2019. Korkearesoluutioisen näkyvän kanavan ilmakuvauksen soveltaminen sadon katoksen tarkkuuskastelun hallintaan. Agric. Vesi
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. Kevyt UAV, jossa on sisäänrakennettu fotogrammetria ja yksitaajuinen GPS-paikannus metrologisiin sovelluksiin. 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-pohjainen IoT-alusta autonomiseen drone-toimintojen hallintaan. Julkaisussa: Proceedings of the 2nd ACM
MobiCom-työpaja Drone Assisted Wireless Communications for 5G and Beyond, s. 31–36. https://doi.org/10.1145/3414045.3415939.
Day, RA, Gastel, B., 1998. Kuinka kirjoittaa ja julkaista tieteellinen artikkeli. 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 peittää kasveja automaattisella päätöspuu-OBIA-menettelyllä ja UAV-kuvilla tarkkuusviininviljelyyn. 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. Automaattinen satunnainen metsä-OBIA-algoritmi for varhainen rikkakasvien kartoitus rajausrivien välillä ja sisällä UAV-kuvien avulla. Kaukotunnistus 10 (2). https://doi.org/10.3390/rs10020285.
Demir, N., Sonmez, ¨ NK, Akar, T., Ünal, S., 2018. Automated Measurement of Plant Height of Wheat Genotypes using a DSM Derived from 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. Kevyt semanttinen segmentointiverkko reaaliaikaiseen rikkakasvien kartoitukseen miehittämättömien ilma-alusten avulla. 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-based multispectral remote sensing for precision Agriculture: a vertailu eri kameroiden välillä. ISPRS J. Photogramm. Remote Sens. 146, 124–136.
Diaz-Gonzalez, FA, Vuelvas, J., Correa, CA, Vallejo, VE, Patino, D., 2022. Koneoppimis- ja kaukokartoitustekniikat, joita sovelletaan maaperän indikaattoreiden arvioimiseen – katsaus. Ecol. Ind. 135, 108517 https://doi.org/10.1016/j.ecolind.2021.108517.
Díaz-Varela, RA, De la Rosa, R., Leon, ´ L., Zarco-Tejada, PJ, 2015. Korkearesoluutioisia UAV-kuvia ilmassa oliivipuun latvusparametrien arvioimiseksi 3D-valokuvan avulla
rekonstruktio: käyttö jalostuskokeissa. Kaukokartoitus 7 (4), 4213–4232. https://doi.org/10.3390/rs70404213.
Dixit, A., Jakhar, SK, 2021. Lentokentän kapasiteetin hallinta: katsaus ja bibliometrinen analyysi. J. Air Transp. Manag. 91, 102010.
Dong, T., Shang, J., Liu, J., Qian, B., Jing, Q., Ma, B., Huffman, T., Geng, X., Sow, A., Shi, Y., Canisius, F., Jiao, X., Kovacs, JM, Walters, D., Cable, J., Wilson, J., 2019.
RapidEye-kuvien käyttäminen sadon kasvun ja sadon vaihtelun tunnistamiseen pellolla Ontariossa, Kanadassa. Precision Agric. 20 (6), 1231–1250. https://doi.org/10.1007/
s11119-019-09646-w.
Dutta, PK, Mitra, S., 2021. Maatalouden droonien ja muiden käyttö elintarvikeketjun ymmärtämiseksi COVID-19:n jälkeisenä aikana. Julkaisussa: Choudhury, A., Biswas, A., Prateek, M.,
Chakrabarti, A. (Toim.), Agricultural Informatics: Automation using the IoT and Machine Learning. Wiley, s. 67–87. van Eck, N., Waltman, L., 2009. Ohjelmistotutkimus: VOSviewer, tietokoneohjelma bibliometriseen kartoitukseen. 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. Yleiskatsaus esineiden Internetiin (IoT) ja data-analytiikkaan maataloudessa: hyödyt ja haasteet.
IEEE Internet Things J. 5 (5), 3758–3773.
Enciso, J., Avila, CA, Jung, J., Elsayed-Farag, S., Chang, A., Yeom, J., Landivar, J., Maeda, M., Chavez, JC, 2019. Validation of Agronomic UAV ja kenttä
tomaattilajikkeiden mitat. Comput. Elektroni. Agric. 158, 278–283. https:// doi.org/10.1016/j.compag.2019.02.011.
Espinoza, CZ, Khot, LR, Sankaran, S., Jacoby, PW, 2017. Korkean resoluution monispektri- ja lämpökaukokartoituspohjainen vesistressiarviointi
maanalaisia kasteltuja viiniköynnöksiä. Remote Sensing 9 (9), 961. https://doi.org/ 10.3390/rs9090961.
Ewing, J., Oommen, T., Jayakumar, P., Alger, R., 2020. Hyperspektrisen kaukokartoituksen hyödyntäminen maaperän gradaatiossa. 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. Drone-pohjaisen monispektrisen pintaheijastuskyvyn ja kasvillisuusindeksien moniasteinen arviointi käyttöolosuhteissa. Kaukotunnistus 12 (3), 514.
Feng, X., Yan, F., Liu, X., 2019. Tutkimus langattomista viestintätekniikoista on Internet of Things for precision Agriculture. Langaton henkilö. Commun. 108 (3),
1785-1802.
Ferreira, MP, Pinto, CF, Serra, FR, 2014. Transaktiokustannusteoria kansainvälisessä yritystutkimuksessa: bibliometrinen tutkimus kolmen vuosikymmenen ajalta. 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. Advances in Precision Agriculture in Southeastern Australia. I. regressiomenetelmä simuloitavaksi
viljasatojen alueellinen vaihtelu käyttämällä viljelijöiden historiallisia varikoissatoja ja normalisoitua kasvillisuusindeksiä. Crop Pasture Sci. 60 (9), 844–858.
Floreano, D., Wood, RJ, 2015. Tiede, teknologia ja pienten autonomisten droonien tulevaisuus. Nature 521 (7553), 460–466. https://doi.org/10.1038/nature14542.
Friha, O., Ferrag, MA, Shu, L., Maglaras, LA, Wang, X., 2021. Esineiden internet älykkään maatalouden tulevaisuutta varten: kattava kysely uusista teknologioista. 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. Viikunakasvien segmentointi ilmakuvista käyttämällä syväkonvoluutiokooderi-dekooderiverkkoa. 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 haaste arvioida vesistressiä
kestävä maatalous. Agric. Vesimies. 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. Lämpökuvaus tehtaalla
taso mantelipuiden sadon ja veden tilan arvioimiseksi (Cv. Guara) puutteellisen kastelustrategioiden mukaisesti. Agric. Vesimies. 208, 176–186. https://doi.org/10.1016/j.
agwat.2018.06.002.
Garzonio, R., Di Mauro, B., Colombo, R., Cogliati, S., 2017. Pintaheijastuksen ja auringon aiheuttaman fluoresenssispektroskopian mittaukset käyttäen pientä hyperspektristä UAS:ta. Remote Sensing 9 (5), 472. https://doi.org/10.3390/rs9050472. Gaˇsparovi´c, M., Zrinjski, M., Barkovi´c, Đ., Radoˇcaj, D., 2020. Automaattinen menetelmä
UAV-kuviin perustuva rikkakasvien kartoitus kaurapelloilla. Comput. Elektroni. Agric.
Gebbers, R., Adamchuk, VI, 2010. Tarkkuusmaatalous ja elintarviketurva. Science 327 (5967), 828-831. https://doi.org/10.1126/science.1183899.
Geipel, J., Link, J., Claupein, W., 2014. Yhdistetty maissisadon spektri- ja spatiaalinen mallinnus miehittämättömällä lentokonejärjestelmällä hankittujen ilmakuvien ja viljelypintamallien perusteella. Remote Sensing 6 (11), 10335–10355. https://doi.org/10.3390/rs61110335.
Geng, D., Feng, Y., Zhu, Q., 2020. Kestävä suunnittelu käyttäjille: kirjallisuuskatsaus ja bibliometrinen analyysi. Ympäristö. Sci. Saastuta. Res. 27 (24), 29824–29836. https://doi. org/10.1007/s11356-020-09283-1.
Gevaert, CM, Suomalainen, J., Tang, J., Kooistra, L., 2015. Spektraltemporaalisten vastepintojen generointi yhdistämällä multispektrisatelliitti ja hyperspektri
UAV-kuvat tarkkuusmaatalouden sovelluksiin. IEEE J. Sel. Yläosa. Appl. Earth Obs. Remote Sens. 8 (6), 3140–3146. ttps://doi.org/10.1109/JSTARS.2015.2406339.
Gill, SS, Chana, I., Buyya, R., 2017. IoT-pohjainen maatalous pilvenä ja isona datapalveluna: digitaalisen Intian alku. J. Org. ja End User Comput. (JOEUC) 29 (4),
1-23.
Gmür, M., 2006. Yhteisviittausanalyysi ja näkymättömien korkeakoulujen etsiminen: metodologinen arviointi. Scientometrics 57 (1), 27–57. https://doi.org/10.1023/
a:1023619503005.
Gnadinger, ¨ F., Schmidhalter, U., 2017. Unmanned Aerial Vehicles (UAV) maissikasvien digitaaliset laskennat. Kaukotunnistus 9 (6). Https://doi.org/10.3390/rs9060544.
Gokto ¨ ǧan, AH, Sukkarieh, S., Bryson, M., Randle, J., Lupton, T., Hung, C., 2010. Pyöriväsiipinen miehittämätön lentokone vesieläinten rikkakasvien valvontaan ja
hallinta. J. Intell. Robotic Syst.: Theor. Appl. 57 (1–4), 467–484. https://doi. org/10.1007/s10846-009-9371-5.
Gomez-Cand ´ on, ´ D., De Castro, AI, Lopez-Granados, ´ F., 2014. Miehittämättömien ilma-alusten (UAV) kuvien mosaiikkien tarkkuuden arviointi tarkkuusviljelytarkoituksiin vehnässä. Precis. Agric. 15 (1), 44–56. https://doi.org/10.1007/s11119-013-9335-4.
Gomez-Cand ´ on, ´ D., Virlet, N., Labb´e, S., Jolivot, A., Regnard, J.-L., 2016. Field phenotyping of water stress at tree scale by UAV-sensed imagery : uusia oivalluksia kohteelle
lämmön talteenotto ja kalibrointi. Precis. Agric. 17 (6), 786–800. https://doi.org/10.1007/s11119-016-9449-6.
Gonzalez-Dugo, V., Zarco-Tejada, PJ, Fereres, E., 2014. Sadon vesistressiindeksin käyttökelpoisuus ja rajoitukset sitrushedelmätarhojen vesivajeen indikaattorina. Agric. varten. 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. Käyttämällä korkearesoluutioisia UAV-lämpökuvia
arvioida viiden hedelmäpuulajin veden tilan vaihtelua kaupallisessa hedelmätarhassa. Precis. Agric. 14 (6), 660–678. https://doi.org/10.1007/s11119-013-9322-9.
Goyal, K., Kumar, S., 2021. Talouslukutaito: Systemaattinen katsaus ja bibliometrinen analyysi. Int. J. Consumer Studies 45 (1), 80–105. https://doi.org/10.1111/
ijcs.12605.
Grenzdorffer, ¨ GJ, Engel, A., Teichert, B., 2008. Edullisten ilma-alusten fotogrammetrinen potentiaali metsätaloudessa ja maataloudessa. Kansainvälinen fotogrammetrian, kaukokartoituksen ja paikkatietotieteiden arkisto – 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. Korkean resoluution korrelaation arviointi
NDVI lannoitteen levitystasolla ja riisin ja vehnän sadoilla pienillä UAV:illa. Kaukotunnistus 11 (2), 112.
Gundolf, K., Filser, M., 2013. Johtamistutkimus ja uskonto: lainausanalyysi. J. Bussi. Etiikka 112 (1), 177–185.
Guo, Q., Zhu, Y., Tang, Y., Hou, C., He, Y., Zhuang, J., Zheng, Y., Luo, S., 2020. Spatiaalisen CFD-simulaatio ja kokeellinen verifiointi ja ajalliset jakaumat
neliroottorisen maatalous-UAV:n alahuuhteluilmavirta leijumassa. Comput. Elektroni. 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. , Puola, J., 2016.
Miehittämättömien ilmajärjestelmien käyttö suurten vehnänjalostustarhojen suuren suorituskyvyn fenotyypitykseen. Plant Methods 12 (1). https://doi.org/10.1186/s13007-
016-0134-6.
Hakala, T., Honkavaara, E., Saari, H., Makynen, ¨ J., Kaivosoja, J., Pesonen, L., & Pol ¨onen, ¨I., 2013. Spectral imaging from UAVs under variing Illumination conditions . Teoksessa GG Bill R. (Toim.), International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences – 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. Arviointitekniikat saaren kasvillisuuden kartoittamiseksi miehittämättömästä ilmasta
ajoneuvokuvat (UAV): Pikseliluokitus, visuaalinen tulkinta ja koneoppimislähestymistavat. Int. J. Appl. Earth Obs. Geoinf. 89, 102085 https://doi.org/
10.1016/j.jag.2020.102085.
Haque, A., Islam, N., Samrat, NH, Dey, S., Ray, B., 2021. Älykäs viljely vastuullisen johtajuuden kautta Bangladeshissa: mahdollisuuksia, mahdollisuuksia ja muutakin.
Kestävä kehitys 13 (8), 4511.
Hardin, PJ, Hardin, TJ, 2010. Pienimuotoiset etäohjatut ajoneuvot ympäristötutkimuksessa. Maantieteellinen kompassi 4 (9), 1297–1311. ttps://doi.org/10.1111/j.1749-
8198.2010.00381.x.
Hardin, PJ, Jensen, RR, 2011. Pienen mittakaavan miehittämättömät ilma-alukset ympäristön kaukokartoituksessa: haasteita ja mahdollisuuksia. GISci. Remote Sens. 48 (1), 99–111. https://doi.org/10.2747/1548-1603.48.1.99.
He, Y., Nie, P., Zhang, Q., Liu, F., 2021. Agricultural Internet of Things: technology and applications, (1. painos 2021, painos). 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.
Kuvaus miehittämättömästä ilma-aluksesta: maatalouden valvonta ja päätöksenteon tuki. Comput. Elektroni. 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, Vehnäkasvien korkeuden ja kasvunopeuden korkean suorituskyvyn kenttäfenotyypitys peltoaluekokeissa käyttäen UAV-pohjaista kaukokartoitusta. Kaukotunnistus 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. Käsittely ja arviointi spektrometrisiä, stereoskooppisia kuvia, jotka on kerätty kevyellä UAV-spektrikameralla tarkkuusviljelyä varten. Kaukokartoitus 5 (10), 5006–5039. https://doi.org/10.3390/rs5105006.
Hossein Motlagh, N., Taleb, T., Arouk, O., 2016. Matalalla korkeudella miehittämättömiin lentokoneisiin perustuvat esineiden internetpalvelut: kattava tutkimus ja tulevaisuuden näkymät. IEEE Internet Things J. 3 (6), 899–922. https://doi.org/10.1109/JIOT.2016.2612119.
Hrabar, S., Sukhatme, GS, Corke, P., Usher, K., Roberts, J., 2005. Yhdistetty optinen virtaus ja stereopohjainen navigointi kaupunkien kanjoneissa UAV:lle. Julkaisussa: 2005 IEEE/RSJ
Kansainvälinen konferenssi älykkäistä roboteista ja järjestelmistä, s. 3309–3316. https://doi.org/10.1109/IROS.2005.1544998.
Hsu, T.-C., Yang, H., Chung, Y.-C., Hsu, C.-H., 2020. Creative IoT Agriculture -alusta pilvisumulaskentaan. Kestää. Comput. Inf. Syst. 28, 100285.
Huang, H., Deng, J., Lan, Y., Yang, A., Deng, X., Zhang, L., Gonzalez-Andujar, JL, 2018. Täysin konvoluutioverkko miehittämättömien ilma-alusten rikkakasvien kartoittamiseen ( UAV) kuvia. 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) UAV-kuvien rikkakasvien kartoituksessa. 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. Syvä värikalibrointi UAV-kuville sadon valvonnassa
käyttämällä semanttista tyylin siirtoa paikallisen globaalin huomion kanssa. Int. J. Appl. Earth Obs. Geoinf. 104, 102590 https://doi.org/10.1016/j.jag.2021.102590.
Huang, YB, Thomson, SJ, Hoffmann, WC, Lan, YB, Fritz, BK, 2013. Miehittämättömien ilma-ajoneuvojen teknologioiden kehitys ja tulevaisuudennäkymät maataloustuotantoon
hallinta. 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. Suihkutusjärjestelmän kehittäminen miehittämättömälle ilma-alustalle. Appl. Eng. Agric. 25 (6), 803–809.
Hunt Jr., ER, Dean Hively, W., Fujikawa, SJ, Linden, DS, Daughtry, CST, McCarty, GW, 2010. NIR-vihreänsinisten digitaalisten valokuvien hankinta
miehittämättömät lentokoneet sadon seurantaan. Kaukokartoitus 2 (1), 290–305. https://doi. org/10.3390/rs2010290. Inoue, Y., 2020. Satelliitti- ja drone-pohjainen viljelykasvien ja maaperän kaukokartoitus älykkääseen viljelyyn – katsaus. Soil Sci. Plant Nutr. 66 (6), 798–810. https://doi.org/10.1080/00380768.2020.1738899.
Islam, N., Rashid, MM, Pasandideh, F., Ray, B., Moore, S., Kadel, R., 2021. Katsaus sovellusten ja viestintätekniikoiden Internet of Things (IoT) ja
Miehittämättömään lentokoneeseen (UAV) perustuva kestävä älykäs viljely. Sustainability 13 (4), 1821. https://doi.org/10.3390/su13041821.
Jaud, M., Passot, S., Le Bivic, R., Delacourt, C., Grandjean, P., Le Dantec, N., 2016. Korkearesoluutioisten digitaalisten pintamallien tarkkuuden arvioiminen
PhotoScan® ja MicMac® epäoptimaalisissa mittausolosuhteissa. 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. Kvantifiointi karsimisen vaikutuksista oliivipuun arkkitehtuuriin ja vuosittaiseen katoksen kasvu UAV-pohjaisella 3D-mallinnuksella. Plant Methods 13 (1). https://doi.org/10.1186/s13007-017-0205-3.
Jin, X., Liu, S., Baret, F., Hemerl´e, M., Comar, A., 2017. Estimates of plant density of wheat crops at syntyessä erittäin matalan korkeuden UAV-kuvista. Remote Sens.
Ympäristö. 198, 105–114. https://doi.org/10.1016/j.rse.2017.06.007.
Jinbo, C., Xiangliang, C., Han-Chi, F., Lam, A., 2019. Pilvipalvelun tukema maataloustuotteiden seurantajärjestelmä. Cluster Comput. 22 (4), 8929–8938.
Ju, C., & Son, HI 2018a. Useiden UAV-järjestelmien suorituskyvyn arviointi maatalouden kaukokartoitusta varten. Proceedings of Workshop on Robotic Vision and Action in Agriculture IEEE International Conference on Robotics and Automation (ICRA), Brisbane, Australia, 21.–26.
Ju, C., Poika, HI, 2018b. Useita UAV-järjestelmiä maataloussovelluksiin: ohjaus, toteutus ja arviointi. Electronics 7 (9), 162. https://doi.org/10.3390/
elektroniikka7090162.
Jung, J., Maeda, M., Chang, A., Bhandari, M., Ashapure, A., Landivar-Bowles, J., 2021. Kaukokartoituksen ja tekoälyn mahdollisuudet työkaluna parantaa
maatalouden tuotantojärjestelmien joustavuus. 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. Parannettu sadontutkimustekniikka, joka sisältää miehittämättömän ilma-aluksen avustetun monispektrisen viljelykasvien kuvantamisen tavanomaiseen tutkimuskäytäntöön vesimelonin kumimaisen varren ruttoa vastaan. Plant Dis. 103 (7), 1642–1650.
Kapoor, KK, Tamilmani, K., Rana, NP, Patil, P., Dwivedi, YK, Nerur, S., 2018. Sosiaalisen median tutkimuksen edistysaskel: menneisyys, nykyisyys ja tulevaisuus. Ilmoita. Syst. Edessä. 20
(3), 531-558.
Kerkech, M., Hafiane, A., Canals, R., 2020. VddNet: monispektrikuviin ja syvyyskarttaan perustuva viiniköynnöstautien havaitsemisverkosto. 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. Vineyardin satelliitti- ja UAV-pohjaisten monispektrikuvien vertailu
vaihtelevuuden arviointi. Kaukotunnistus 11 (4). https://doi.org/10.3390/rs11040436.
Khan, PW, Byun, Y.-C., Park, N., 2020. IoT-lohkoketjun mahdollistava optimoitu lähtöisyysjärjestelmä elintarviketeollisuudelle 4.0 käyttämällä edistynyttä syväoppimista. Anturit 20 (10), 2990.
Khan, RU, Khan, K., Albattah, W., Qamar, AM, Ullah, F., 2021. Kasvitautien kuvapohjainen havaitseminen: klassisesta koneoppimisesta syvään oppimismatkaan. Langaton kommunikaatio. Mobiili tietokone. 2021, 1–13.
Khan, S., Tufail, M., Khan, MT, Khan, ZA, Iqbal, J., Alam, M., Le, KNQ, 2021. Uusi puolivalvottu kehys UAV-pohjaiseen viljelykasvien/rikkakasvien luokitteluun. PLoS ONE 16 (5), e0251008.
Khanal, S., Fulton, J., Shearer, S., 2017. Yleiskatsaus lämmön kaukokartoituksen nykyisiin ja mahdollisiin sovelluksiin tarkkuusmaataloudessa. Comput. Elektroni.
Agric. 139, 22–32. https://doi.org/10.1016/j.compag.2017.05.001.
Khanna, A., Kaur, S., 2019. Internet of Things (IoT) evoluutio ja sen merkittävä vaikutus tarkkuusmaatalouden alalla. Comput. Elektroni. Agric. 157, 218–231.
Kim, W., Khan, GF, Wood, J., Mahmood, MT, 2016. Työntekijöiden sitoutuminen kestäviin organisaatioihin: avainsanaanalyysi sosiaalisen verkoston analyysin ja purskeen avulla
havaitsemismenetelmä. Kestävä kehitys 8 (7), 631.
Kirsch, M., Lorenz, S., Zimmermann, R., Tusa, L., Mockel, ¨ R., Hodl, ¨ P., Booysen, R., Khodadadzadeh, M., Gloaguen, R., 2018. Integrointi maanpäällisillä ja drone-lennoilla
hyperspektriset ja fotogrammetriset mittausmenetelmät malminetsinnän kartoittamiseen ja kaivosten seurantaan. Remote Sensing 10 (9), 1366. https://doi.org/10.3390/
rs10091366.
Kitano, BT, Mendes, CCT, Geus, AR, Oliveira, HC, Souza, JR, 2019. Maissikasvien laskenta syväoppimisen ja UAV-kuvien avulla. IEEE Geosci. Remote Sens. Lett. 1–5 https://doi.org/10.1109/LGRS.2019.2930549.
Koh, JCO, Spangenberg, G., Kant, S., 2021. Automatisoitu koneoppiminen korkean suorituskyvyn kuvapohjaiseen kasvien fenotyyppiin. Kaukokartoitus 13 (5), 858. https://
doi.org/10.3390/rs13050858.
Kovalev, IV, Voroshilova, AA, 2020. Nykyaikaiset teknologiatrendit rahti-UAV-ekosysteemin kehityksessä. 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. Visual SLAM sisäkarjalle ja maataloudelle käyttämällä pientä droonia monokulaarikameralla: toteutettavuustutkimus.
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 drone for Agriculture Automation istutuksesta asti
sato. Julkaisussa: 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 -kehyksen näkemykset ja haasteet: kohti droonien suojaamista "asioina". Sensors 18 (11), 4015. https://doi.org/10.3390/s18114015.
Laliberte, AS, Rango, A., 2011. Kuvankäsittely- ja luokittelumenettelyt miehittämättömällä lentokoneella kuivalla ilma-aluksella saadun desimetrikuvien analysoimiseksi
karja-alueet. GISci. Remote Sens. 48 (1), 4–23. https://doi.org/10.2747/1548-1603.48.1.4.
Laliberte, AS, Rango, A., Herrick, JE, 2007. Miehittämättömät ilma-alukset karja-alueiden kartoitukseen ja seurantaan: kahden järjestelmän vertailu. ASPRS Annual Conference Proceedings.
Lam, OHY, Dogotari, M., Prüm, M., Vithlani, HN, Roers, C., Melville, B., Zimmer, F., Becker, R., 2021. Avoimen lähdekoodin työnkulku rikkakasvien kartoittamiseen native grasslandissa
miehittämättömän ilma-aluksen käyttäminen: Rumex obtusifoliuksen käyttö tapaustutkimuksena. euroa 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. Tarkkuusviljelydatan omaksuminen, kannattavuus ja parempi hyödyntäminen.
Työpaperi. Purduen yliopisto. https://doi.org/10.22004/ag.econ.28615.
Lelong, CCD, Burger, P., Jubelin, G., Roux, B., Labb´e, S., Baret, F., 2008. Assessment of miehittämättömät ilma-alukset kuvien kvantitatiiviseen seurantaan vehnäsadon pienillä palstoilla. Anturit 8 (5), 3557–3585. https://doi.org/10.3390/s8053557.
Li, C., Niu, B., 2020. Älykkään maatalouden suunnittelu big dataan ja esineiden internetiin perustuen. 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. Maissin latvuskorkeuden ja maanpäällisen biomassan etäarviointi käyttämällä korkearesoluutioisia stereokuvia halpa miehittämätön ilma-alusjärjestelmä. 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. Koneoppiminen maataloudessa: katsaus. Anturit 18 (8), 2674.
Liebisch, F., Kirchgessner, N., Schneider, D., Walter, A., Hund, A., 2015. Maissin piirteiden etä-, ilma-fenotyypitys mobiililla monisensorilla. Plant Methods 11 (1), 9. https://doi.org/10.1186/s13007-015-0048-8.
Lin, Z., Guo, W., 2020. Durran paniiklien havaitseminen ja laskenta miehittämättömien ilmajärjestelmien kuvien ja syväoppimisen avulla. Edessä. Plant Sci. 11.
Liu, S., Guo, L., Webb, H., Ya, X., Chang, X., 2019. Pilvitietoihin perustuva nykyaikaisen ekomaatalouden Internet of Things -valvontajärjestelmä. IEEE Access 7, 37050–37058.
Lopez-Granados, ´ F., 2011. Rikkakasvien havaitseminen paikkakohtaiseen rikkakasvien hallintaan: kartoitus ja reaaliaikaiset lähestymistavat. Weed Res. 51 (1), 1–11. https://doi.org/10.1111/j.1365-3180.2010.00829.x.
Lopez-Granados, ´F., Torres-Sanchez, ´J., De Castro, A.-I., Serrano-P´erez, A., MesasCarrascosa, F.-J., Pena, ˜ J.-M. , 2016. Objektipohjainen ruohorikkaruohojen varhainen seuranta nurmikasvessa käyttämällä korkearesoluutioisia UAV-kuvia. Agron. Kestää. Dev. 36 (4), 1–12
Lopez-Granados, ´F., Torres-S´ anchez, J., Serrano-P´erez, A., de Castro, AI, MesasCarrascosa, F.-J., Pena, ˜ J.-M., 2016. Alkukauden rikkakasvien kartoitus auringonkukassa UAV-teknologialla: rikkakasvien torjunta-aineiden käsittelykarttojen vaihtelevuus rikkakasvien kynnyksiin nähden. Precis. Agric. 17 (2), 183–199.
Lucieer, A., Malenovský, Z., Veness, T., Wallace, L., 2014. HyperUAS – imaging spectroscopy from a multirotor unmanned aircraft system. 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 maatalouskasveja. Kirjassa JJ
Chen J. Maas H–G. (Toim.), 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. Review of supervised objectbased land-cover image classification. ISPRS J. Photogramm. Kaukosäädin 130,
277-293. https://doi.org/10.1016/j.isprsjprs.2017.06.001.
Maes, WH, Steppe, K., 2019. Perspectives for kaukokartoitus miehittämättömillä ilma-aluksilla tarkkuusmaataloudessa. 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.
Miehittämättömään ilmajärjestelmään (UAS) perustuva soijapavun fenotyypitys käyttämällä usean sensorin datafuusiota ja äärimmäistä oppimiskonetta. 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.
Viljan seuranta satelliitti/UAV-datafuusion ja koneoppimisen avulla. Remote Sensing 12 (9), 1357. https://doi.org/10.3390/rs12091357.
Manfreda, S., McCabe, M., Miller, P., Lucas, R., Pajuelo Madrigal, V., Mallinis, G., Ben Dor, E., Helman, D., Estes, L., Ciraolo, G. ., Müllerova, J., Tauro, F., de Lima, M., de
Lima, J., Maltese, A., Frances, F., Caylor, K., Kohv, M., Perks, M., Ruiz-P´erez, G., Su, Z., Vico, G., Toth , B., 2018. Miehittämättömien antennijärjestelmien käytöstä
ympäristön seuranta. Kaukokartoitus 10 (4), 641.
Marinko, RA, 1998. Sitaatit naistutkimuksen aikakauslehtiin väitöskirjoissa, 1989 ja The Serials Librarian 35 (1–2), 29–44. https://doi.org/10.1300/J123v35n01_
03.
Masroor, R., Naeem, M., Ejaz, W., 2021. Resurssienhallinta UAV-avusteisissa langattomissa verkoissa: optimointinäkökulma. Ad Hoc Netw. 121, 102596 https://doi.org/10.1016/j.adhoc.2021.102596.
Matese, A., Di Gennaro, SF, 2018. Monianturi-UAV-alustan käytännön sovelluksia, jotka perustuvat monispektri-, lämpö- ja RGB-korkean resoluution kuviin tarkasti
viininviljely. Agriculture 8 (7), 116. https://doi.org/10.3390/agriculture8070116.
Matese, A., Di Gennaro, SF, 2021. Perinteisen NDVI-indeksin lisäksi avaintekijänä UAV:n käytön valtavirtaistamisessa tarkkuusviininviljelyssä. 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 UAV, lentokoneiden vertailu
ja satelliittikaukokartoitusalustat tarkkuusviininviljelyyn. Remote Sensing 7 (3), 2971–2990. https://doi.org/10.3390/rs70302971.
Mazzia, V., Comba, L., Khaliq, A., Chiaberge, M., Gay, P., 2020. UAV- ja koneoppimiseen perustuva satelliittiohjatun kasvillisuusindeksin tarkennus tarkkuutta varten
maataloudessa. Sensors 20 (9), 2530. https://doi.org/10.3390/s20092530.
McCain, KW, 1990. Tekijöiden kartoittaminen älyllisessä tilassa: tekninen katsaus. J. Am. Soc. Tiedot. Sci. 41 (6), 433–443.
Meinen, BU, Robinson, DT, 2021. Maatalouden eroosiomallinnus: USLE- ja WEPP-kenttämittakaavan eroosioestimaattien arviointi UAV-aikasarjadatan avulla. Ympäristö. Malli. Ohjelmisto 137, 104962. https://doi.org/10.1016/j.envsoft.2021.104962.
Melville, B., Lucieer, A., Aryal, J., 2019. Luokittelu alankomaiden alkuperäisten niittyjen yhteisöistä käyttämällä hyperspektrisiä miehittämättömän lentokonejärjestelmän (UAS) kuvia
Tasmanian keskimaa. Droonit 3 (1), 5.
Messina, G., Modica, G., 2020. UAV-lämpökuvien sovellukset tarkkuusmaataloudessa: tekniikan taso ja tulevaisuuden tutkimusnäkymät. Remote Sensing 12 (9), https://doi.org/10.3390/rs12091491.
Mishra, D., Luo, Z., Jiang, S., Papadopoulos, T., Dubey, R., 2017. Bibliografinen tutkimus big datasta: käsitteitä, trendejä ja haasteita. Liiketoimintaprosessien hallinta. J. 23 (3),
555-573.
Mochida, K., Saisho, D., Hirayama, T., 2015. Sadon parantaminen käyttämällä kenttäolosuhteissa hankittuja elinkaaritietosarjoja. Edessä. Plant Sci. 6 https://doi.org/10.3389/
fpls.2015.00740.
Mogili, UM.R., Deepak, BBVL, 2018. Katsaus dronejärjestelmien soveltamiseen tarkkuusmaataloudessa. Procedia Comput. Sci. 133, 502–509.
Moharana, S., Dutta, S., 2016. Riisin klorofyllin ja typpipitoisuuden spatiaalinen vaihtelevuus hyperspektraalisista kuvista. ISPRS J. Photogramm. Remote Sens. 122, 17–29.
Muangprathub, J., Boonnam, N., Kajornkasirat, S., Lekbangpong, N., Wanichsombat, A.,
Nillaor, P., 2019. IoT ja maatalouden data-analyysi älykkäälle maatilalle. Comput. Elektroni. Agric. 156, 467–474.
Nansen, C., Elliott, N., 2016. Kaukokartoitus ja heijastusprofilointi entomologiassa. Annu. Rev. Entomol. 61 (1), 139–158. https://doi.org/10.1146/annurev-ento010715-023834.
Navia, J., Mondragon, I., Patino, D., Colorado, J., 2016. Monispektrikartoitus maataloudessa: maaston mosaiikki käyttäen autonomista quadcopter UAV:ta. Int. Conf.
Miehittämätön lentokonejärjestelmä. (ICUAS) 2016, 1351–1358. https://doi.org/10.1109/ ICUAS.2016.7502606.
Nayyar, A., Nguyen, B.-L., Nguyen, NG, 2020. Drone-asioiden internet (Iodt): tulevaisuuden visio älykkäistä droneista. Adv. Intell. Syst. Comput. 1045, 563–580. https://doi.org/10.1007/978-981-15-0029-9_45.
Nebiker, S., Annen, A., Scherrer, M., Oesch, D., 2008. Kevyt monispektrianturi mikro-UAV:lle – mahdollisuudet erittäin korkearesoluutioiseen ilmassa tapahtuvaan kaukokartoitukseen. Int. Kaari. Photogramm. Remote Sens. Spat. Inf. Sei 37 (B1), 1193-1200.
Negash, L., Kim, H.-Y., Choi, H.-L., 2019. Emerging UAV Applications in Agriculture. In: 2019 7th International Conference on Robot Intelligence Technology and
Hakemukset (RiTA), s. 254–257. https://doi.org/10.1109/RITAPP.2019.8932853.
Nerur, SP, Rasheed, AA, Natarajan, V., 2008. Strategisen johtamisen kentän henkinen rakenne: tekijän yhteisviittausanalyysi. Strategia. Manag. J. 29 (3),
319-336.
Neupane, K., Baysal-Gurel, F., 2021. Kasvitautien automaattinen tunnistaminen ja seuranta miehittämättömillä ilma-aluksilla: katsaus. Remote Sensing 13 (19), 3841. https://doi.org/10.3390/rs13193841.
Nex, F., Remondino, F., 2014. UAV 3D-kartoitussovelluksiin: arvostelu. Appl. Geomatics 6 (1), 1-15. https://doi.org/10.1007/s12518-013-0120-x.
Niu, H., Hollenbeck, D., Zhao, T., Wang, D., Chen, Y., 2020. Evapotranspiration estimation with small UAVs in Precision Agriculture. Anturit 20 (22), 6427. https://
doi.org/10.3390/s20226427.
Osareh, F., 1996. Bibliometriics, Citation Analysis and Co-Citation Analysis. Kirjallisuuskatsaus 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: tarkastelu käytännön sovelluksiin. Int. J. Remote Sens. 38 (8–10), 2349–2391. https://doi.org/10.1080/01431161.2017.1297548.
Panday, USA, Pratihast, AK, Aryal, J., Kayastha, RB, 2020. Katsaus drone-pohjaisista dataratkaisuista viljakasveille. Droonit 4 (3), 1–29. https://doi.org/10.3390/
drones4030041.
Parsaeian, M., Shahabi, M., Hassanpour, H., 2020. Seesaminsiementen öljy- ja proteiinipitoisuuden arviointi kuvankäsittelyn ja keinotekoisen hermoverkon avulla. J. Am. Öljy
Chemists' Soc. 97 (7), 691–702.
Pena, ˜ JM, Torres-S´anchez, J., de Castro, AI, Kelly, M., Lopez-Granados, ´F., Suarez, O., Rikkakartoitus varhaisen kauden maissipelloilla käyttäen objektipohjaista analyysiä /
miehittämättömät ilma-alukset (UAV) kuvat. PLoS ONE 8 (10), e77151.
P´erez-Ortiz, M., Pena, ˜ JM, Guti´errez, PA, Torres-S´anchez, J., Herv´ as-Martínez, C.,
Lopez-Granados, ´ F., 2015. Puolivalvottu järjestelmä auringonkukkakasvien rikkakasvien kartoitukseen miehittämättömillä ilma-aluksilla ja viljarivien havaitsemismenetelmällä. Appl. Pehmeä tietokone. J. 37, 533–544. https://doi.org/10.1016/j.asoc.2015.08.027.
Pincheira, M., Vecchio, M., Giaffreda, R., Kanhere, SS, 2021. Kustannustehokkaita IoT-laitteita luotettavina tietolähteinä lohkoketjupohjaiseen vedenhallintajärjestelmään tarkkuusmaataloudessa. Comput. Elektroni. Agric. 180, 105889.
Popescu, D., Stoican, F., Stamatescu, G., Ichim, L., Dragana, C., 2020. Edistynyt UAV-WSN-järjestelmä älykkääseen tarkkailuon tarkkuusmaataloudessa. Sensors 20 (3), https://doi.org/10.3390/s20030817.
Pournader, M., Shi, Y., Seuring, S., Koh, SL, 2020. Lohkoketjusovellukset toimitusketjuissa, kuljetuksissa ja logistiikassa: systemaattinen katsaus kirjallisuuteen. Int. J. Prod. Res. 58 (7), 2063–2081.
Primicerio, J., Di Gennaro, SF, Fiorillo, E., Genesio, L., Lugato, E., Matese, A., Vaccari, FP, 2012. Joustava miehittämätön ilma-alus tarkkuusmaatalouteen.
Precis. Agric. 13 (4), 517–523. https://doi.org/10.1007/s11119-012-9257-6.
Pritchard, A., 1969. Tilastollinen bibliografia tai bibliometria. J. Asiakirja. 25 (4), 348–349.
Pudelko, R., Stuczynski, T., Borzecka-Walker, M., 2012. Miehittämättömän lentokoneen (UAV) soveltuvuus koepeltojen ja viljelykasvien arviointiin. Maatalous 99 (4), 431–436.
Puri, V., Nayyar, A., Raja, L., 2017. Maatalousdronit: moderni läpimurto tarkkuusmaataloudessa. J. Statis. Manag. Syst. 20 (4), 507–518.
Radoglou-Grammatikis, P., Sarigiannidis, P., Lagkas, T., Moscholios, I., 2020. Kokoelma UAV-sovelluksista tarkkuusmaatalouteen. Comput. Netw. 172,
107148 https://doi.org/10.1016/j.comnet.2020.107148.
Ramesh, KV, Rakesh, V., Prakasa Rao, EVS, 2020. Big datan analytiikan ja tekoälyn soveltaminen agronomisessa tutkimuksessa. Intialainen J. Agron. 65 (4), 383–395.
Raparelli, E., Bajocco, S., 2019. Bibliometrinen analyysi miehittämättömien ilma-alusten käytöstä maa- ja metsätaloustutkimuksissa. 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.
Pienten miehittämättömien lentokonejärjestelmien (UAS) potentiaaliset käyttömahdollisuudet rikkakasvien tutkimuksessa. Weed Res. 53 (4), 242–248.
Rasmussen, J., Ntakos, G., Nielsen, J., Svensgaard, J., Poulsen, RN, Christensen, S., Onko kasvillisuusindeksit johdettu kuluttajaluokan kameroista, jotka on asennettu
Ovatko UAV:t riittävän luotettavia koepalojen arvioimiseen? euroa 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. Digitalisaatio elintarvikeketjuissa: bibliometrinen katsaus ja avainreitin pääpolku
analyysi. Sustainability 14 (1), 83. https://doi.org/10.3390/su14010083.
Rejeb, A., Rejeb, K., Simske, SJ, Treiblmaier, H., 2021a. Droonit toimitusketjun hallintaan ja logistiikkaan: katsaus ja tutkimusohjelma. Int. J. Logisti. Res. Appl.
1–24. https://doi.org/10.1080/13675567.2021.1981273.
Rejeb, A., Rejeb, K., Simske, S., Treiblmaier, H., 2021b. Lohkoketjuteknologiat logistiikassa ja toimitusketjun hallinnassa: bibliometrinen katsaus. Logistiikka 5 (4), 72.
https://doi.org/10.3390/logistics5040072.
Rejeb, A., Rejeb, K., Simske, S., Treiblmaier, H., 2021c. Humanitaariset droonit: katsaus ja tutkimusohjelma. Internet of Things 16, 100434. https://doi.org/10.1016/j.
iot.2021.100434.
Rejeb, A., Treiblmaier, H., Rejeb, K., Zailani, S., 2021d. Lohkoketjututkimus terveydenhuollossa: bibliometrinen katsaus ja nykyiset tutkimustrendit. J. of Data, Inf. ja
Manag. 3 (2), 109–124.
Rejeb, A., Simske, S., Rejeb, K., Treiblmaier, H., Zailani, S., 2020. Internet of Things -tutkimus toimitusketjun hallinnassa ja logistiikassa: bibliometrinen analyysi. Internet
Asiat 12, 100318.
ReportLinker, 2021. Globaalit maatalousdronimarkkinat saavuttavat 15.2 miljardia dollaria YearGlobeNewswiren uutishuoneen kautta. https://www.globenewswire.com/news-release/2021/08/10/2277986/0/en/Global-Agriculture-Drones-Market-to-Reach-US-15-2-Billion-by-the- Vuosi-2027.html.
Ribeiro-Gomes, K., Hernandez-L ´opez, ´D., Ortega, JF, Ballesteros, R., Poblete, T., Moreno, MA, 2017. Jäähtymättömän lämpökameran kalibrointi ja optimointi
fotogrammetriaprosessi UAV-sovelluksiin maataloudessa. Anturit (Sveitsi) 17 (10). https://doi.org/10.3390/s17102173.
Rivera, MA, Pizam, A., 2015. Advances in Hospitality Research: "From Rodney Dangerfield to Aretha Franklin". Int. J. Contempor. Sairaala. 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. Mini-UAV-pohjainen sensorijärjestelmä ympäristömuuttujien mittaamiseen kasvihuoneissa. Anturit 15 (2), 3334-3350. https://doi.org/10.3390/s150203334.
Rozenberg, G., Kent, R., Blank, L., 2021. Kuluttajalaatuista UAV:ta käytetään havaitsemaan ja analysoimaan myöhäisen kauden rikkakasvien alueellisia jakautumismalleja kaupallisilla sipulipelloilla. Precis. Agric. 22 (4), 1317–1332. https://doi.org/10.1007/s11119-021-09786-y.
Saari, H., Pellikka, I., Pesonen, L., Tuominen, S., Heikkila, ¨ J., Holmlund, C., Makynen, ¨ J., Ojala, K., Antila, T., 2011. Unmanned ilma-aluksella (UAV) toimiva spektrikamerajärjestelmä metsä- ja maataloussovelluksiin. Edetä. SPIE – Int. Soc. Valita. Eng. 8174 https://doi.org/10.1117/12.897585.
Sah, B., Gupta, R., Bani-Hani, D., 2021. Drone-logistiikan toteuttamisen esteiden analyysi. Int. J. Logisti. 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-pohjainen drone sadon laadun parantamiseen maatalouskentillä. SH:ssa
N. Chakrabarti S. (Toim.), 2018 IEEE 8th Annual Computing and Communication Workshop and Conference, CCWC 2018 (Voiteet 2018–tammikuu, s. 612–615). instituutti
of Electrical and Electronics Engineers Inc. doi: 10.1109/CCWC.2018.8301662.
Sai Vineeth, KV, Vara Prasad, YR, Dubey, SR, Venkataraman, H., 2019. LEDCOM: uusi ja tehokas LED-pohjainen viestintä tarkkuusmaataloudelle. IEEE Conf. Tiedot. Commun. Technol. 2019, 1-5. https://doi.org/10.1109/CICT48419.2019.9066177.
Salamí, E., Barrado, C., Pastor, E., 2014. UAV-lentokokeita sovellettu kasvillisuuden alueiden kaukokartoitukseen. 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.
Matalalla korkeudella korkearesoluutioiset ilmakuvausjärjestelmät rivi- ja peltokasvien fenotyyppiin: katsaus. euroa 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. Korkearesoluutioinen UAV-pohjainen lämpökuvaus
kasvien veden tilan hetkellinen ja kausiluonteinen vaihtelu viinitarhassa. Agric. Vesimies. 183, 49–59. https://doi.org/10.1016/j.agwat.2016.08.026.
Sarli, CC, Dubinsky, EK, Holmes, KL, 2010. Beyond citation analysis: Malli tutkimuksen vaikutuksen arvioimiseksi. J. Med. Kirjasto 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. Maasysteemitieteeseen liittyvä kuvantamisspektroskopia – arviointi. Kaukosäädinympäristö. 113, S123–S137.
Schirrmann, M., Giebel, A., Gleiniger, F., Pflanz, M., Lentschke, J., Dammer, K.-H., 2016. Talvivehnäsatojen agronomisten parametrien seuranta edullisen UAV:n avulla
kuvastoa. Kaukotunnistus 8 (9). https://doi.org/10.3390/rs8090706.
Schmale III, DG, Dingus, BR, Reinholtz, C., 2008. Itsenäisen miehittämättömän ilma-ajoneuvon kehittäminen ja soveltaminen tarkkaan aerobiologiseen näytteenottoon edellä
maatalouspellot. 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.,
Mahdollistaa tarkkuusmaatalouden sulautetun aistin avulla tekoälyn avulla. IEEE Trans. Instrum. Meas. 69 (7), 4103–4113.
Shakhatreh, H., Sawalmeh, AH, Al-Fuqaha, A., Dou, Z., Almaita, E., Khalil, I.,
Othman, NS, Khreishah, A., Guizani, M., 2019. Miehittämättömät ilma-ajoneuvot (UAV): kysely siviilisovelluksia ja keskeisiä tutkimushaasteita. IEEE Access 7,
48572–48634. https://doi.org/10.1109/ACCESS.2019.2909530.
Shakoor, N., Northrup, D., Murray, S., Mockler, TC, 2019. Big data driven agriculture: big data analytics in kasvinjalostus, genomiikka ja kaukokartoituksen käyttö
teknologiat sadon tuottavuuden parantamiseksi. Plant Phenome J. 2 (1), 1-8.
Sharma, BK, Chandra, G., Mishra, VP, 2019. UAV:n ja tekoälyn vertaileva analyysi ja vaikutus oikeuslääketieteellisiin tutkimuksiin. Julkaisussa: Proceedings – 2019 Amity International
Konferenssi tekoälystä. https://doi.org/10.1109/AICAI.2019.8701407.
Sharma, R., Shishodia, A., Gunasekaran, A., Min, H., Munim, ZH, 2022. Tekoälyn rooli toimitusketjun hallinnassa: alueen kartoitus. Int. J.
Tuot. 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. Miehittämättömät ilma-alukset korkean suorituskyvyn fenotyypitykseen ja agronomiseen tutkimukseen. PLoS ONE
11 (7), e0159781.
Shuai, G., Martinez-Feria, RA, Zhang, J., Li, S., Price, R., Basso, B., 2019. Maissipuuston heterogeenisyyden kuvaaminen sadonvakausvyöhykkeillä miehittämättömällä ilmalla
Ajoneuvot (UAV). Sensors 19 (20), 4446. https://doi.org/10.3390/s19204446.
Small, H., 1973. Yhteisviittaus tieteellisessä kirjallisuudessa: uusi mitta kahden asiakirjan välisestä suhteesta. J. Am. Soc. Tiedot. Sci. 24 (4), 265–269.
Small, H., Rorvig, ME, Lunin, LF, 1999. Tieteen visualisointi lainauskartoituksen avulla. J. Am. Soc. Tiedot. Sci. 50 (9), 799–813.
Soares, VHA, Ponti, MA, Gonçalves, RA, Campello, RJGB, 2021. Nautakarja laskee luonnossa geolokoiduilla ilmakuvilla suurilla laitumilla. Comput. Elektroni. Agric. 189, 106354 https://doi.org/10.1016/j.compag.2021.106354.
Srivastava, K., Pandey, PC, Sharma, JK, 2020. Lähestymistapa reittien optimointiin tarkkuusmaatalouden sovelluksissa UAV:illa. Drones 4 (3), 58. https://doi.org/ 10.3390/drones4030058.
Stafford, JV, 2000. Tarkkuusmaatalouden toteuttaminen 21-luvulla. J. Agric. Eng. Res. 76 (3), 267–275.
Su, J., Coombes, M., Liu, C., Guo, L., Chen, W.-H., 2018. Vehnän kuivuuden arviointi kaukokartoituksella miehittämättömällä ilma-aluksella. Vuonna 2018 37. Kiinan valvontakonferenssi (CCC).
Su, J., Liu, C., Coombes, M., Hu, X., Wang, C., Xu, X., Li, Q., Guo, L., Chen, W.-H., 2018. Vehnän keltaruosteen seuranta oppimalla monispektrisistä UAV-ilmakuvista.
Comput. Elektroni. Agric. 155, 157–166. https://doi.org/10.1016/j. compag.2018.10.017.
Su, Y., Wang, X., 2021. Maatalouden taloushallinnon innovaatiot älykkään maatalouden rakentamisprosessissa big datan avulla. Kestävä tietotekniikka. Inf. Syst. 31, 100579 https://doi.org/10.1016/j.suscom.2021.100579.
Sullivan, DG, Fulton, JP, Shaw, JN, Bland, GL, 2007. Arvioidaan miehittämättömän lämpö-infrapuna-antennijärjestelmän herkkyyttä vesistressin havaitsemiseksi puuvillakatoksessa. Trans. ASABE 50 (6), 1955–1962.
Sumesh, KC, Ninsawat, S., Som-ard, J., 2021. RGB-pohjaisen kasvillisuusindeksin, sadon pintamallin ja objektipohjaisen kuva-analyysimenetelmän integrointi sokeriruo'on tuoton arviointiin miehittämättömällä ilma-aluksella. Comput. Elektroni. 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. Kevyt hyperspektrikartoitusjärjestelmä
miehittämättömät ilma-alukset – ensimmäiset tulokset. Julkaisussa: 2013 5th Workshop on Hyperspectral Image and Signal Processing: Evolution in 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. Kevyt hyperspektri
karttajärjestelmä ja fotogrammetrinen käsittelyketju miehittämättömille ilma-aluksille. Kaukokartoitus 6 (11), 11013–11030. https://doi.org/10.3390/
rs61111013.
Syeda, IH, Alam, MM, Illahi, U., Su'ud, MM, 2021. Edistykselliset ohjausstrategiat käyttämällä kuvankäsittelyä, UAV:ta ja tekoälyä maataloudessa: Katsaus. World J. Eng. 18 (4),
579–589. https://doi.org/10.1108/WJE-09-2020-0459.
Tahai, A., Rigsby, JT, 1998. Tiedonkäsittely käyttäen viittauksia lehtivaikutusten tutkimiseen kirjanpidossa. Inf. Prosessi. Hallitse. 34 (2–3), 341–359.
Tang, Y., Dananjayan, S., Hou, C., Guo, Q., Luo, S., He, Y., 2021. Tutkimus 5G-verkosta ja sen vaikutuksista maatalouteen: haasteita ja mahdollisuuksia. Comput.
Elektroni. Agric. 180, 105895 https://doi.org/10.1016/j.compag.2020.105895.
Tantalaki, N., Souravlas, S., Roumeliotis, M., 2019. Datalähtöinen päätöksenteko tarkkuusmaataloudessa: big datan nousu maatalousjärjestelmissä. J. Agric. Ruokatiedot.
20 (4), 344 - 380.
Tao, H., Feng, H., Xu, L., Miao, M., Yang, G., Yang, X., Fan, L., 2020. Syysvehnän sadon ja kasvin korkeuden arviointi UAV- perustuvat hyperspektrikuvat.
Anturit 20 (4), 1231.
Techy, L., Schmale III, DG, Woolsey, CA, 2010. Koordinoitu aerobiologinen näytteenotto kasvipatogeenistä alemmassa ilmakehässä käyttämällä kahta autonomista miehittämätöntä ilma-alusta. 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. Soijapaputuholaisten havaitseminen ja luokittelu syväoppimisen avulla
UAV-kuvilla. Comput. Elektroni. 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 Tansania in the— Ja WetSeason kestävälle maataloudelle ja perustotuuden tarjoaminen Terra-Sar X Datalle. Julkaisussa: 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. Bibliometriics to webometrics. J. Info. Sci. 34 (4), 605–621.
Torres-Sanchez, ´ J., Lopez-Granados, ´ F., Pena, ˜ JM, 2015. Automaattinen objektipohjainen menetelmä optimaaliseen kynnykseen UAV-kuvissa: sovellus kasvillisuuden havaitsemiseen ruohomaisissa viljelykasveissa. Comput. Elektroni. 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. High-throughput 3-D monitoring of maatalous-puuviljelmät Miehittämätön Aerial Vehicle (UAV) -tekniikka. PLoS ONE 10 (6), e0130479.
Torres-Sanchez, ´ J., Pena, ˜ JM, de Castro, AI, Lopez-Granados, ´ F., 2014. Kasvillisuuden fraktion moniaikainen kartoitus varhaiskauden vehnäpelloilla UAV-kuvien avulla. Comput. Elektroni. Agric. 103, 104–113. https://doi.org/10.1016/j. compag.2014.02.009.
Tsouros, DC, Bibi, S., Sarigiannidis, PG, 2019. Katsaus UAV-pohjaisiin tarkkuusmaatalouden sovelluksiin. Tiedot (Sveitsi) 10 (11). https://doi.org/10.3390/info10110349.
Tu, Y.-H., Phinn, S., Johansen, K., Robson, A., Wu, D., 2020. Optimizing drone flight design for measuring horticultural tree crop structure. 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. Esineiden internet maataloudessa, viimeaikainen kehitys ja tulevaisuuden haasteet. Biosyst. Eng. 164, 31–48.
https://doi.org/10.1016/j.biosystemseng.2017.09.007.
Uddin, A., Singh, VK, Pinto, D., Olmos, I., 2015. Scientometric mapping of Computer science research in Mexico. Scientometrics 105 (1), 97–114.
UN., 2019. Maailman väestönäkymät 2019. https://population.un.org/wpp/ (Käytetty 15).
Uto, K., Seki, H., Saito, G., Kosugi, Y., 2013. Riisipeltojen karakterisointi UAVmounted miniature hyperspectral sensor system -järjestelmällä. IEEE J. Sel. Yläosa. Appl. Earth Obs.
Remote Sens. 6 (2), 851-860. https://doi.org/10.1109/JSTARS.2013.2250921. van der Merwe, D., Burchfield, DR, Witt, TD, Price, KP, Sharda, A., 2020. Droonit
maataloudessa. Adv. Agron. 162, 1–30.
Velusamy, P., Rajendran, S., Mahendran, RK, Naseer, S., Shafiq, M., Choi, J.-G., 2022.
Miehittämättömät ilma-ajoneuvot (UAV) tarkkuusmaataloudessa: sovelluksia ja haasteita. Energies 15 (1), 217. https://doi.org/10.3390/en15010217.
Ventura, D., Bonifazi, A., Gravina, MF, Belluscio, A., Ardizzone, G., 2018. Ekologisesti herkkien meriympäristöjen kartoitus ja luokittelu miehittämättömällä ilmalla
Vehicle (UAV) -kuvat ja objektipohjainen kuvaanalyysi (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. Vihreä alueindeksi miehittämättömästä ilmajärjestelmästä vehnä- ja rapsiviljelyssä . Kaukosäädinympäristö. 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. Neljän optisen UAV-pohjaisen anturin käyttöönotto nurmikolla: haasteita ja
rajoituksia. Biogeosciences 12 (1), 163-175. https://doi.org/10.5194/bg-12-163-2015.
Vuran, MC, Salam, A., Wong, R., Irmak, S., 2018. Underground things in Precision Agriculture: arkkitehtuuri ja teknologianäkökohdat. Ad Hoc Netw. 81,
160-173. https://doi.org/10.1016/j.adhoc.2018.07.017.
Wamba, SF, Queiroz, MM, 2021. Vastuullinen tekoäly digitaalisen terveyden salaisena ainesosana: bibliometrinen analyysi, oivalluksia ja tutkimussuunnat.
Tiedot. Syst. Edessä. 1–16.
Wang, L., Zhang, G., Wang, Z., Liu, J., Shang, J., Liang, L., 2019. Kaukokartoituksen tutkimustrendin bibliometrinen analyysi viljelykasvien kasvun seurannassa: Tapaustutkimus Kiinassa. Kaukotunnistus 11 (7). https://doi.org/10.3390/rs11070809.
White, HD, Griffith, BC, 1981. Tekijän viittaus: Kirjallisuuden mitta henkisestä rakenteesta. J. Am. Soc. Tiedot. Sci. 32 (3), 163–171.
Xiang, H., Tian, L., 2011. Edullisen maatalouden kaukokartoitusjärjestelmän kehittäminen, joka perustuu autonomiseen miehittämättömään lentokoneeseen (UAV). Biosyst. Eng. 108 (2), 174–190. https://doi.org/10.1016/j.biosystemseng.2010.11.010.
Xie, C., Yang, C., 2020. Katsaus kasvien korkean suorituskyvyn fenotyypitysominaisuuksiin UAV-pohjaisten sensorien avulla. Comput. Elektroni. Agric. 178, 105731 https://doi.org/10.1016/j.
compag.2020.105731.
Yao, H., Qin, R., Chen, X., 2019. Miehittämätön ilma-alus kaukokartoitussovelluksiin – katsaus. Kaukotunnistus 11 (12). https://doi.org/10.3390/
rs11121443.
Yeom, S., 2021. Liikkuvien ihmisten seuranta ja väärän jäljen poisto infrapunalämpökuvauksella multiroottorilla. Drones 5 (3), 65. https://doi.org/10.3390/drones5030065.
Yue, J., Feng, H., Jin, X., Yuan, H., Li, Z., Zhou, C., Yang, G., Tian, Q., 2018. Satoparametrien arvioinnin vertailu kuvien avulla UAV-asennetusta
tilannekuvan hyperspektrianturi ja teräväpiirtodigitaalikamera. 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. Syysvehnän maanpäällisen biomassan arviointi miehittämättömällä ilma-aluksella perustuva tilannekuva
hyperspektrianturi ja satokorkeus parannetut mallit. Kaukotunnistus 9 (7). https://doi.org/10.3390/rs9070708.
Zahawi, RA, Dandois, JP, Holl, KD, Nadwodny, D., Reid, JL, Ellis, EC, 2015. Kevyiden miehittämättömien ilma-alusten käyttäminen trooppisten metsien elpymisen seuraamiseen. 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.
Älykäs maatalouden IoT-alusta, joka perustuu reuna- ja pilvilaskentaan. Biosyst. Eng. 177,
4-17.
Zarco-Tejada, PJ, Diaz-Varela, R., Angileri, V., Loudjani, P., 2014. Puun korkeuden kvantifiointi käyttämällä erittäin korkearesoluutioisia kuvia, jotka on hankittu miehittämättömästä antennista
ajoneuvo (UAV) ja automaattiset 3D-valokuvarekonstruktiot. euroa 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. Kukinnan intensiteetin kuvapohjainen fenotyypitys viileäkauden viljelykasveissa. Sensors 20 (5), 1450. https://doi.org/10.3390/s20051450.
Zhang, C., Kovacs, JM, 2012. Pienten miehittämättömien ilmajärjestelmien soveltaminen tarkkuusmaatalouteen: katsaus. Precis. Agric. 13 (6), 693–712. https://doi.org/
10.1007/s11119-012-9274-5.
Zhang, L., Zhang, H., Niu, Y., Han, W., 2019. Maissin vesistressin kartoitus UAV-monispektrisen kaukokartoituksen perusteella. Kaukotunnistus 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. Syväoppimiseen perustuva lähestymistapa automatisoituun keltaruosteeseen
taudin havaitseminen korkearesoluutioisista hyperspektrisistä UAV-kuvista. Kaukokartoitus 11 (13), 1554.
Zhao, X., Zhang, J., Huang, Y., Tian, Y., Yuan, L., 2022. Teekasvien sairauksien ja hyönteisstressin havaitseminen ja erottelu käyttämällä hyperspektrikuvausta yhdistettynä aallokeanalyysiin. Comput. Elektroni. Agric. 193, 106717 https://doi.org/10.1016/j. compag.2022.106717.
Zheng, A., Wang, M., Li, C., Tang, J., Luo, B., 2022. Entropy guided adversarial domain adaptation for aerial image semanttic segmentation. IEEE Trans. G
Zheng, H., Cheng, T., Yao, X., Deng, X., Tian, Y., Cao, W., Zhu, Y., 2016. Riisin fenologian havaitseminen maapohjaisen spektrin aikasarjaanalyysin avulla indeksitiedot. Field Crops Res. 198, 131-139. https://doi.org/10.1016/j.fcr.2016.08.027.
Zheng, J., Yang, W., 2018. Langattomiin antureihin perustuvan maatalouden tarkkuuskylvöjärjestelmän suunnittelu. Int. J. Online Eng. 14 (05), 184.
Zhou, L., Gu, X., Cheng, S., Yang, G., Shu, M., Sun, Q., 2020. Kasvien korkeusmuutosten analyysi leijutun maissin avulla UAV-LiDAR-datan avulla. Maatalous 10 (5), 146. https://
doi.org/10.3390/agriculture10050146.
Zhou, S., Chai, X., Yang, Z., Wang, H., Yang, C., Sun, T., 2021. Maize-IAS: maissin kuva-analyysiohjelmisto, joka käyttää syväoppimista korkean suorituskyvyn kasvien fenotyypitykseen . Plant Methods 17 (1), 48. https://doi.org/10.1186/s13007-021-00747-0.
Zhou, X., Zheng, HB, Xu, XQ, He, JY, Ge, XK, Yao, X., Cheng, T., Zhu, Y., Cao, WX, Tian, YC, 2017. Viljasadon ennustaminen riisiä käyttämällä moniaikaista kasvillisuutta
indeksit UAV-pohjaisista monispektrisistä ja digitaalisista kuvista. 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. Langattomaan anturiverkkoon perustuvan kasvihuonevalvontajärjestelmän ydinteknologian simulointi. Int. J. Online Eng. 12 (05),
43.
Zhou, Z., Majeed, Y., Diverres Naranjo, G., Gambacorta, EMT, 2021. Kasvien vesistressin arviointi infrapunalämpökuvilla tarkkuusmaataloudessa: arvostelu
ja tulevaisuuden näkymät syvän oppimisen sovelluksille. Comput. Elektroni. Agric. 182, 106019 https://doi.org/10.1016/j.compag.2021.106019.