Abderahman Rejeb a , Alireza Abdollahi b , Karim Rejeb c , Horst Treiblmaier d,
- a Katedra managementu a práva, Ekonomická fakulta, Univerzita v Římě Tor Vergata, Via Columbia, 2, Řím 00133, Itálie
- b Katedra podnikového hospodářství, Fakulta managementu, Univerzita Kharazmi, 1599964511 Teherán, Írán
- c Přírodovědecká fakulta Bizerte, Univerzita v Kartágu, Zarzouna, 7021 Bizerte, Tunisko
- d School of International Management, Modul University Vienna, Am Kahlenberg 1, 1190 Vienna, Austria
INFO K ČLÁNKU | Abstrakt |
Klíčová slova: trubci UAV Přesné zemědělství Internet věcí Bibliometrie | Drony, nazývané také bezpilotní letouny (UAV), zaznamenaly v posledních desetiletích pozoruhodný vývoj. V zemědělství změnili zemědělské postupy tím, že nabídli zemědělcům podstatné úspory nákladů, zvýšili se provozní efektivitu a lepší ziskovost. V posledních desetiletích se téma zemědělských dronů rozšířilo přitahoval pozoruhodnou akademickou pozornost. Provádíme proto komplexní přehled založený na bibliometrii shrnout a strukturovat existující akademickou literaturu a odhalit současné výzkumné trendy a hotspoty. My aplikujte bibliometrické techniky a analyzujte literaturu týkající se zemědělských dronů, abyste shrnuli a posoudit předchozí výzkum. Naše analýza ukazuje, že dálkový průzkum Země, přesné zemědělství, hluboké učení, strojové učení a internet věcí jsou kritická témata související se zemědělskými drony. Společná citace analýza odhaluje šest širokých výzkumných skupin v literatuře. Tato studie je jedním z prvních pokusů shrnout výzkum dronů v zemědělství a navrhnout budoucí směry výzkumu. |
Úvod
Zemědělství představuje primární zdroj potravy na světě (Friha et al., 2021) a čelí vážným problémům kvůli
zvyšující se poptávka po potravinářských produktech, bezpečnost potravin a bezpečnostní otázky, stejně jako požadavky na ochranu životního prostředí, zachování vody a
udržitelnost (Inoue, 2020). Předpokládá se, že tento vývoj bude pokračovat, protože se odhaduje, že světová populace dosáhne do roku 9.7 2050 miliardy
(2019). Vzhledem k tomu, že zemědělství představuje celosvětově nejvýznamnější příklad spotřeby vody, očekává se, že poptávka po potravinách a vodě
spotřeba v dohledné době dramaticky vzroste. Dále rostoucí spotřeba hnojiv a pesticidů
ve spojení s intenzifikací zemědělských činností by mohly vést k budoucím environmentálním problémům. Podobně je omezena orná půda a
počet farmářů celosvětově klesá. Tyto výzvy zdůrazňují potřebu inovativních a udržitelných zemědělských řešení (Elijah
a kol., 2018; Friha a kol., 2021; Inoue, 2020; Tzounis a kol., 2017).
Začlenění nových technologií bylo identifikováno jako slibné řešení pro řešení těchto problémů. Chytré zemědělství (Brewster et al.,
2017; Tang a kol., 2021) a přesné zemědělství (Feng a kol., 2019; Khanna & Kaur, 2019) se objevily jako výsledek takových debat. The
První z nich je obecný pojem pro přijímání informačních komunikačních technologií (ICT) a dalších špičkových inovací v zemědělských činnostech za účelem zvýšení účinnosti a efektivity (Haque et al., 2021). Ten se zaměřuje na site-specific management, na který je půda rozdělena
homogenní části a každá část získá přesné množství zemědělského vstupu pro optimalizaci výnosu plodin pomocí nových technologií (Feng et al., 2019; Khanna & Kaur, 2019). Mezi prominentní technologie, které přitáhly pozornost vědců v této oblasti, patří bezdrátové senzorové sítě (WSN) (J. Zheng & Yang, 2018; Y. Zhou et al., 2016), internet věcí (IoT) (Gill et al., 2017; He a kol., 2021; Liu a kol., 2019),
techniky umělé inteligence (AI), včetně strojového učení a hlubokého učení (Liakos et al., 2018; Parsaeian et al., 2020; Shadrin et al.,
2019), výpočetní technologie (Hsu et al., 2020; Jinbo et al., 2019; Zamora-Izquierdo et al., 2019), velká data (Gill et al., 2017; Tantalaki
et al., 2019) a blockchain (PW Khan et al., 2020; Pincheira et al., 2021).
Kromě výše uvedených technologií je dálkový průzkum Země považován za technologický nástroj s velkým potenciálem ke zlepšení
chytré a precizní zemědělství. Satelity, letadla s lidskou posádkou a drony jsou populární technologie dálkového průzkumu (Tsouros et al., 2019).
Drony, populárně známé jako bezpilotní letadla (UAV), bezpilotní letecké systémy (UAS) a dálkově řízená letadla, jsou
velký význam, protože mají mnoho výhod ve srovnání s jinými technologiemi dálkového průzkumu. Doručovat mohou například drony
vysoce kvalitní snímky s vysokým rozlišením v zatažených dnech (Manfreda et al., 2018). Jiná je také jejich dostupnost a přenosová rychlost
výhody (Radoglou-Grammatikis et al., 2020). Ve srovnání s letadly jsou drony vysoce nákladově efektivní a snadno se nastavují a udržují (Tsouros et al., 2019). Navzdory tomu, že byly původně používány hlavně pro vojenské účely, mohou drony využívat četné civilní aplikace, například při řízení dodavatelského řetězce (A. Rejeb, Rejeb, et al., 2021a), pro humanitární účely (A. Rejeb, Rejeb a kol., 2021c), chytré zemědělství, průzkum a mapování, dokumentace kulturního dědictví, zvládání katastrof a ochrana lesů a divoké zvěře (Panday, Pratihast, et al., 2020). V zemědělství existuje mnoho oblastí použití dronů, protože je lze integrovat s novými technologiemi, výpočetními schopnostmi a palubními senzory pro podporu hospodaření s plodinami (např. mapování, monitorování, zavlažování, diagnostika rostlin) (H. Huang et al., 2021). , snižování katastrof, systémy včasného varování, ochrana divoké zvěře a lesnictví, abychom jmenovali alespoň některé (Negash et al., 2019). Podobně by drony mohly být využity v několika zemědělských činnostech, včetně monitorování plodin a růstu, odhadu výnosů, hodnocení vodního stresu a detekce plevelů, škůdců a chorob (Inoue, 2020; Panday, Pratihast a kol., 2020). Drony mohou být použity nejen pro účely monitorování, odhadování a detekce na základě jejich senzorických dat, ale také pro přesné zavlažování a precizní zvládání plevelů, škůdců a chorob. Jinými slovy, drony jsou schopny rozprašovat vodu a pesticidy v přesných množstvích na základě údajů o životním prostředí. Výhody dronů v zemědělství shrnuje tabulka 1.
Hlavní výhody dronů v zemědělství.
Prospěch | Reference) |
Vylepšete časové a prostorové rozlišení snímání | (Gago et al., 2015; Niu et al., 2020; Srivastava et al., 2020) |
Usnadnit přesné zemědělství | (L. Deng a kol., 2018; Kalischuk a kol., 2019; Maimaitijiang a kol., 2017) |
Klasifikace a vyhledávání plodiny | (Inoue, 2020; Kalischuk et al., 2019; Lopez-' Granados a kol., 2016; Maimaitijiang a kol., 2017; Melville a kol., 2019; Moharana & Dutta, 2016) |
Použití hnojiva | (L. Deng a kol., 2018; Guan a kol., 2019) |
Monitoring sucha | (Fawcett a kol., 2020; Panday, Pratihast, a kol., 2020; Su a kol., 2018) |
Odhad biomasy | (Bendig a kol., 2014) |
Odhad výnosu | (Inoue, 2020; Panday, Shrestha a kol., 2020; Tao et al., 2020) |
Redukce katastrof | (Negash a kol., 2019) |
Ochrana divoké zvěře a lesnictví | (Negash a kol., 2019; Panday, Pratihast, a kol., 2020) |
Hodnocení vodního stresu | (Inoue, 2020; J. Su, Coombes a kol., 2018; L. Zhang a kol., 2019) |
Škůdci, plevel a nemoci zjištění | (Gasparovi´c et al., 2020; Inoue, 2020; J. Su, Liu, a kol., 2018; X. Zhang a kol., 2019) |
Na druhou stranu drony čelí také omezením. Zapojení pilota, výkon motoru, stabilita a spolehlivost, kvalita senzorů vzhledem k užitečnému zatížení
hmotnostní omezení, implementační náklady a regulace letectví jsou mezi nimi (C. Zhang & Kovacs, 2012). Porovnáváme nedostatky
ze tří mobilních technologií dálkového průzkumu Země v tabulce 2. Jiné technologie dálkového průzkumu Země, jako jsou například půdní senzory, jsou mimo zaměření této studie.
Nedostatky různých mobilních technologií dálkového průzkumu Země.
Dálkové snímání technologie | Nedostatky | Reference |
Dron (UAV) | zapojení pilotů; snímky' kvalita (průměr); náklady na realizaci (průměr); stabilita, ovladatelnost a spolehlivost; standardizace; Výkon motoru; omezený výkon zdroje (životnost baterie); omezená doba letu, kolize a kybernetické útoky; omezený hmotnost užitečného zatížení; velké datové sady a omezené zpracování dat schopnosti; nedostatek regulace; nedostatek odbornosti, vysoký vstup překážky v přístupu zemědělské drony; | (Bacco a kol., 2018; Dawaliby a kol., 2020; Hardin & Hardin, 2010; Hardin & Jensen, 2011; Lagkas a kol., 2018; Laliberte a kol., 2007; Laliberte & Rango, 2011; Manfreda a kol., 2018, 2018; Nebiker a kol., 2008; Puri a kol., 2017; Velusamy a kol., 2022; C. Zhang & Kovacs, 2012) |
Satelit | pravidelné satelitní pokrytí, omezené spektrální rozlišení; zranitelnost vůči problémům s viditelností (např. mraky); Nedostupnost a nízká přenosová rychlost; orientace a vinětace ovlivňuje nákladná prostorová data sbírka; pomalé doručování dat čas pro koncové uživatele | (Aboutalebi et al., 2019; Cen et al., 2019; Chen a kol., 2019; Nansen & Elliott, 2016; Panday, Pratihast, a kol., 2020; Sai Vineeth et al., 2019) |
Letadlo | Vysoké náklady na adopci; složité nastavení; náklady na údržbu; nedostupnost spolehlivých letadla, geometrie snímky; nepravidelná data získávání; nedostatek flexibility; smrtelné nehody; údaje snímače změny způsobené vibracemi; problémy s georeferencováním | (Armstrong a kol., 2011; Atkinson a kol., 2018; Barbedo & Koenigkan, 2018; Kovalev & Vorošilova, 2020; Suomalainen a kol., 2013; Thamm a kol., 2013) |
Jako multidisciplinární a víceúčelová technologie v zemědělství byly drony zkoumány z různých hledisek. Vědci například zkoumali aplikace dronů v zemědělství (Kulbacki et al., 2018; Mogili & Deepak, 2018), jejich přínos k preciznímu zemědělství (Puri et al., 2017; Tsouros et al., 2019), jejich komplementaritu s jinými špičkové technologie (Al-Thani et al., 2020; Dutta & Mitra, 2021; Nayyar et al., 2020; Saha et al., 2018) a možnosti rozvoje jejich navigačních a snímacích schopností (Bareth et al. , 2015; Suomalainen a kol., 2014). Vzhledem k tomu, že výzkum aplikací dronů v zemědělství převládl (Khan et al., 2021)), je potřeba shrnout existující literaturu a odhalit intelektuální strukturu domény. Vzhledem k tomu, že jde o technologicky vyspělý obor s neustálým zlepšováním, je třeba provádět strukturované přehledy, aby se periodicky shrnula existující literatura a určily se důležité mezery ve výzkumu. Na
K dnešnímu dni existuje jen málo recenzí, které pojednávají o aplikacích dronů v zemědělském sektoru. Například Mogili a Deepak (2018) stručně shrnují důsledky dronů pro monitorování plodin a postřiky pesticidy. Inoue (2020) provádí přehled využití satelitů a dronů při dálkovém průzkumu Země v zemědělství. Autor zkoumá technologické výzvy zavádění chytrého zemědělství a přínos satelitů a dronů na základě případových studií a osvědčených postupů. Tsouros a kol. (2019) shrnují různé typy dronů a jejich hlavní aplikace v zemědělství, zdůrazňují různé metody získávání a zpracování dat. Nedávno Aslan a kol. (2022) provedli komplexní přehled aplikací UAV v zemědělských činnostech a zdůraznili význam současné lokalizace a mapování pro UAV ve skleníku. Diaz-Gonzalez a kol. (2022) zhodnotili nedávné studie produkce plodin založené na různých technikách strojového učení a na dálku
snímacích systémů. Jejich zjištění ukázala, že UAV jsou užitečné pro odhad půdních indikátorů a překonávají satelitní systémy z hlediska prostorového rozlišení, dočasnosti informací a flexibility. Basiri a kol. (2022) provedli vyčerpávající přehled různých přístupů a metod k překonání problémů s plánováním trasy pro vícerotorové UAV v kontextu přesného zemědělství. Navíc Awais a kol. (2022) shrnul použití dat dálkového průzkumu UAV v plodinách k odhadu stavu vody a poskytl hloubkovou syntézu prospektivní kapacity dálkového průzkumu UAV pro aplikaci stresu z odpadů. Konečně Aquilani a kol. (2022) zhodnotili technologie předběžného zemědělství používané v systémech chovu dobytka na pastvinách a vyvodili, že dálkové snímání pomocí UAV je výhodné pro hodnocení biomasy a řízení stád.
Nedávno byly také hlášeny snahy o použití UAV při monitorování, sledování a shromažďování hospodářských zvířat.
Přestože tyto přehledy přinášejí nové a důležité poznatky, v literatuře nelze nalézt žádný komplexní a aktuální přehled založený na bibliometrii, což představuje jasnou mezeru ve znalostech. Navíc bylo konstatováno, že když vědecká produkce roste ve vědecké oblasti, je pro výzkumníky životně důležité používat přístupy kvantitativního hodnocení k pochopení struktury znalostí v této oblasti (Rivera & Pizam, 2015). Podobně Ferreira et al. (2014) tvrdili, že jak výzkumné obory dozrávají a stávají se složitými, měli by se vědci snažit občas porozumět vytvořeným a shromážděným znalostem, aby odhalili nové příspěvky, zachytili výzkumné tradice a trendy, určili, která témata jsou studována, a ponořili se do znalostní struktury obor a potenciální směry výzkumu. Zatímco Raparelli a Bajocco (2019) provedli bibliometrickou analýzu, aby prozkoumali znalostní doménu aplikací dronů v zemědělství a lesnictví, jejich studie bere v úvahu pouze vědecký výzkum publikovaný v letech 1995 až 2017, který neodráží dynamiku této rychle se měnící oblasti. Dále se autoři nepokoušeli identifikovat nejvlivnější příspěvky v oboru, seskupovat literaturu a hodnotit intelektuální strukturu pomocí kocitační analýzy. V důsledku toho je nutné shrnout literaturu, abychom odhalili aktuální výzkumná ohniska, trendy a ohniska.
Abychom zaplnili tuto mezeru ve znalostech, využíváme kvantitativní metodologii a přísné bibliometrické metody ke zkoumání současného stavu výzkumu na křižovatce dronů a zemědělství. Tvrdíme, že současná studie přináší několik příspěvků do existující literatury tím, že zkoumá nově vznikající technologii, která je v zemědělství velmi potřebná, protože poskytuje obrovský potenciál změnit několik aspektů v tomto sektoru. Potřeba bibliometrické analýzy zemědělských dronů je pociťována ještě více vzhledem k rozptýleným a roztříštěným znalostem o dronech v kontextu zemědělství. Podobně se vyžaduje, aby literatura týkající se zemědělských dronů byla systematicky seskupována s ohledem na nejvlivnější studie, které staví základy této výzkumné oblasti. Podstatou analýzy je také objasnění hlavních výzkumných témat zastoupených v literatuře. S ohledem na transformační potenciál této technologie předpokládáme, že hloubková analýza sítě přináší nové poznatky tím, že určuje vlivná díla a odhaluje témata týkající se potenciálu dronů pro zemědělství.
Proto se snažíme dosáhnout následujících výzkumných cílů:
- Identifikace vlivných publikací s mimořádnými příspěvky k aplikacím dronů v oblasti zemědělství.
- Seskupování literatury, identifikace výzkumných ohnisek a mapování hlavních studií „intelektuální struktury“ na základě sémantické podobnosti pomocí analýzy kocitací.
- Pochopení vývoje vazeb a citačních sítí v průběhu času mezi různými publikacemi v oboru a identifikace budoucích směrů výzkumu a horkých témat.
Zbytek článku je strukturován takto: část 2 nastiňuje metodologii a kroky sběru dat; část 3 uvádí výsledky analýz; a oddíl 4 pojednává o zjištěních a uzavírá výzkumné příspěvky, důsledky a budoucí směry.
Metodologie
V této aktuální výzkumné studii provádíme bibliometrickou analýzu, abychom prozkoumali aplikace dronů v zemědělství. Tento kvantitativní přístup odhaluje intelektuální strukturu znalostní domény (Arora & Chakraborty, 2021) a současný stav, žhavá témata a budoucí směry výzkumu, které lze zkoumat aplikací této metody (Kapoor et al., 2018; Mishra et al. , 2017; A. Rejeb, Rejeb a kol., 2021b; A. Rejeb a kol., 2021d; MA Rejeb a kol., 2020). Obecně platí, že bibliometrická analýza zkoumá existující literaturu, aby shrnula a odhalila skryté vzorce písemné komunikace a vývoj disciplíny založené na statistice a matematických metodách, a vztahuje se na velké soubory dat (Pritchard, 1969; Small, 1999; Tahai & Rigsby , 1998). Používáním bibliometrie se snažíme lépe porozumět existujícím paradigmatům a výzkumným ohniskům, které přispívají k doméně založené na podobnosti (Thelwall, 2008). Bibliometrics poskytuje nové poznatky podpořené objektivní kvantitativní silou metodologie (Casillas & Acedo, 2007). Řada vědců již dříve provedla bibliometrické studie v souvisejících oblastech, včetně zemědělství, dálkového průzkumu Země a digitální transformace (Armenta-Medina et al., 2020; Bouzembrak et al., 2019; A. Rejeb, Treiblmaier, et al., 2021; Wamba & Queiroz, 2021; Wang a kol., 2019).
Citační analýza
Citační analýza odhaluje různé pohledy na danou oblast výzkumu. Především pomáhá odhalit nejvlivnější autory a publikace, které přispívají k danému výzkumnému oboru a významně ovlivňují (Gundolf & Filser, 2013). Za druhé, lze odhalit tok znalostí a komunikační vazby mezi autory. Konečně, sledováním vazeb mezi citovanými a citovanými díly lze prozkoumat změny a vývoj znalostní domény v průběhu času (Pournader
a kol., 2020). Vysoká citovanost publikace odráží její relevanci a podstatný přínos pro výzkumnou doménu (Baldi, 1998; Gundolf & Filser, 2013; Marinko, 1998). Citační analýza publikací také pomáhá identifikovat relevantní díla a sledovat jejich popularitu a pokrok v čase.
Analýza spolucitování dokumentu
Kocitační analýza je cennou metodou k prozkoumání vztahů mezi publikacemi a zobrazení intelektuální struktury oboru (Nerur et al., 2008). Jinými slovy, identifikací nejcitovanějších publikací a jejich spojení metoda seskupuje publikace do odlišných výzkumných shluků, přičemž publikace v seskupení pravidelně sdílejí podobné myšlenky (McCain, 1990; Small, 1973). Je důležité zmínit, že podobnost neznamená, že nálezy publikací jsou
soudržné a vzájemně se dohodnout; publikace patří do stejného shluku kvůli podobnosti témat, ale mohou mít protichůdná stanoviska.
Sběr a analýza dat
Podle metodiky navržené Whitem a Griffithem (1981) jsme provedli komplexní rešerši článků v časopisech, abychom pokryli celou oblast výzkumu aplikací dronů v zemědělství, a to v následujících pěti krocích:
- Prvním krokem byl sběr dat. Scopus byl vybrán jako jedna z nejkomplexnějších a nejdůvěryhodnějších databází se standardizovanými výsledky. Byla získána metadata publikací souvisejících se všemi aplikacemi dronů v zemědělství. Poté jsme analyzovali vybrané články a z analýzy jsme odstranili články mimo téma.
- Analyzovali jsme literaturu a identifikovali nejdůležitější klíčová slova používaná v oblasti výzkumu.
- Pomocí citační analýzy jsme prozkoumali spojení mezi autory a dokumenty, abychom odhalili základní citační vzorce. Identifikovali jsme také nejvlivnější autory a publikace s významným přínosem v oblasti zemědělských dronů.
- Provedli jsme analýzu společného citování, abychom seskupili podobné publikace do shluků.
- Nakonec jsme analyzovali spojení a vazby mezi zeměmi, institucemi a časopisy, abychom zobrazili síť spolupráce.
Identifikace vhodných hledaných výrazů
Pro agregaci dat jsme použili následující vyhledávací řetězce: (dron* NEBO „bezpilotní vzdušný prostředek“ NEBO uav* NEBO „systém bezpilotního letadla“NEBO uas NEBO „dálkově řízené letadlo“) A (zemědělství NEBO zemědělství NEBO zemědělství NEBO zemědělec). Pátrání proběhlo v září 2021. Drony mají několik označení, včetně UAV, UAS a dálkově řízených letadel (Sah et al., 2021). Konkrétní hledané výrazy související se zemědělstvím byly identifikovány na základě studie Abdollahiho et al. (2021). Z důvodu srozumitelnosti a transparentnosti je přesný dotaz, který jsme použili, uveden v příloze 1. Po vyčištění dat jsme vytvořili textový soubor, který byl následně načten do BibExcelu, běžného nástroje pro analýzu citací a spolucitací. Tento nástroj také nabízí jednoduchou interakci s jiným softwarem a nabízí značnou míru svobody při manipulaci a analýze dat. K vizualizaci nálezů a generování bibliometrických sítí byl použit VOSviewer verze 1.6.16 (Eck & Waltman, 2009). VOSviewer nabízí řadu intuitivní vizualizace, zejména pro analýzu bibliometrických map (Geng et al., 2020). Kromě toho pomáhá při poskytování jasných vizuálních výsledků, které pomáhají lépe porozumět výsledkům (Abdollahi et al., 2021). Použitím vyhledávacích řetězců, jak je uvedeno výše, jsme shromáždili a uložili všechny relevantní publikace. První výsledky vyhledávání přinesly celkem 5,085 4,700 dokumentů. Aby byla zajištěna kvalita vybraného vzorku, byly ve výzkumu zohledněny pouze recenzované články v časopisech, což vedlo k vyloučení jiných typů dokumentů, jako jsou knihy, kapitoly, sborníky z konferencí a redakční poznámky. Během procesu prověřování byly odfiltrovány irelevantní (tj. přesahující rámec této práce), nadbytečné (tj. duplikáty pocházející z dvojitého indexování) a neanglicky mluvící publikace. Výsledkem tohoto procesu bylo zahrnutí XNUMX XNUMX dokumentů do konečné analýzy.
Zjištění a diskuse
Nejprve jsme analyzovali vývoj publikační produkce v současné literatuře o zemědělských dronech. Časové rozložení vědeckého výzkumu je znázorněno na obr. 1. Od roku 2011 (30 publikací) vidíme rychlý nárůst publikací; proto jsme se rozhodli rozdělit období analýzy do dvou různých fází. Období mezi lety 1990 a 2010 označujeme jako fázi budování, kdy bylo ročně publikováno zhruba sedm prací. Období po roce 2010 bylo nazýváno fází růstu, protože výzkum aplikací dronů v zemědělství byl v tomto období svědkem exponenciálního nárůstu. Po roce 2010 rostoucí počet publikací potvrzuje rostoucí zájem mezi výzkumníky, což také odráží, že drony byly aplikovány na dálkový průzkum Země a používány v přesném zemědělství (Deng et al., 2018; Maes & Steppe, 2019; Messina & Modica, 2020 ). Konkrétně počet publikací vzrostl ze 108 v roce 2013 na 498 v roce 2018 a dosáhl vrcholu na 1,275 2020 v roce 935. Od ledna do poloviny září 2021 bylo publikováno celkem XNUMX článků. Následně jsme se rozhodli zaměřit naši analýzu více na fázi růstu protože toto období odráží nejnovější a důležité jemnosti zemědělských dronů.
Analýza klíčových slov
Klíčová slova, která autoři zvolí pro publikaci, mají zásadní vliv na to, jak je článek reprezentován a jak je komunikován ve vědeckých komunitách. Identifikují klíčové subjekty výzkumu a určují jeho potenciál vzkvétat nebo selhat (Day & Gastel, 1998; Kim et al., 2016; Uddin et al., 2015). Analýza klíčových slov, nástroj k odhalení širších výzkumných trendů a směrů, se týká sestavení klíčových slov všech souvisejících publikací v doméně (Dixit & Jakhar, 2021). V aktuální studii jsme rozdělili agregovaná klíčová slova do dvou sad (tj. do roku 2010 a 2011–2021), abychom prozkoumali nejoblíbenější témata. Tímto způsobem můžeme vysledovat klíčová slova v obou sadách a zajistit, že jsme zachytili všechna potřebná data. Pro každou sadu je v tabulce 3 uvedeno deset nejlepších klíčových slov. Nekonzistence jsme odstranili sloučením sémanticky identických klíčových slov, jako je „dron“ a „drones“ nebo podobně „Internet of Things“ a „IoT.“.
Tabulka 3 ukazuje, že „bezpilotní vzdušný prostředek“ je častěji používaným klíčovým slovem ve srovnání s „dronem“ a „bezpilotním vzdušným systémem“ v obou časových obdobích. Také „dálkové snímání“, „přesné zemědělství“ a „zemědělství“ jsou vysoce hodnoceny v obou obdobích. V prvním období se „přesné zemědělství“ umístilo na pátém místě a ve druhém období na druhém místě, což ilustruje, jak jsou drony stále důležitější při dosahování přesného zemědělství, protože mohou provádět monitorování,
detekce a odhady jsou rychlejší, levnější a snadněji proveditelné ve srovnání s jinými systémy dálkového průzkumu a pozemními systémy. V případě potřeby mohou také postřikovat přesné množství vstupní látky (např. vody nebo pesticidů) (Guo a kol., 2020; Inoue, 2020; Panday, Pratihast a kol., 2020).
Seznam nejčastěji používaných klíčových slov.
Hodnost | 1990-2010 | Počet výskytů | 2011-2021 | Počet výskytů |
1 | bezpilotní anténa vozidlo | 28 | bez posádky letecké vozidlo | 1628 |
2 | dálkové snímání | 7 | přesnost zemědělství | 489 |
3 | zemědělství | 4 | dálkové snímání | 399 |
4 | ve vzduchu | 4 | trubec | 374 |
5 | přesnost zemědělství | 4 | bez posádky vzdušný systém | 271 |
6 | bezpilotní anténa | 4 | zemědělství | 177 |
7 | hyperspektrální senzor | 3 | hluboké učení | 151 |
8 | umělý neurální sítě | 2 | stroj studium | 149 |
9 | autonomní let | 2 | vegetace index | 142 |
10 | káva | 2 | Internet of Věci | 124 |
Další zajímavostí je přítomnost doplňkových technologií. V první fázi patří mezi deset nejlepších klíčových slov „hyperspektrální senzor“ a „umělé neuronové sítě“ (ANN). Hyperspektrální zobrazování způsobilo revoluci v tradičním zobrazování tím, že shromáždilo obrovské množství obrazů na různých vlnových délkách. Přitom mohou senzory současně shromažďovat lepší prostorové a spektrální informace ve srovnání s multispektrálním zobrazováním, spektroskopií a RGB zobrazováním (Adao ˜ et al.,
2017). Výskyt „ANN“ v první fázi a „hlubokého učení“ (DL) a „strojového učení“ (ML) ve druhé naznačuje, že většina publikovaných prací byla zaměřena na zkoumání potenciálu technik umělé inteligence pro drony. založené zemědělství. Přestože jsou drony schopny létat autonomně, stále vyžadují zapojení pilota, což znamená nízkou úroveň inteligence zařízení. Tento problém však lze vyřešit díky pokroku v technikách AI, které mohou poskytnout lepší situační povědomí a podporu autonomního rozhodování. Drony vybavené umělou inteligencí mohou zabránit kolizím během navigace, zlepšit hospodaření s půdou a plodinami (Inoue, 2020) a snížit práci a stres pro lidské bytosti (BK Sharma et al., 2019).
Díky své flexibilitě a schopnosti zpracovávat obrovské množství nelineárních dat jsou techniky umělé inteligence vhodnými metodami pro analýzu dat přenášených drony a dalšími systémy dálkového průzkumu a pozemními systémy pro predikci a rozhodování (Ali et al., 2015; Inoue, 2020). Přítomnost „IoT“ ve druhém období navíc naznačuje jeho vznikající roli v zemědělství. IoT přináší revoluci do zemědělství tím, že propojuje další technologie, včetně dronů, ML, DL, WSN a velkých dat. Jednou z klíčových výhod implementace IoT je její schopnost efektivně a efektivně sloučit různé úkoly (sběr dat, analýza a zpracování dat, rozhodování a implementace) téměř v reálném čase (Elijah et al., 2018; Feng et al. , 2019; Muangprathub et al., 2019). Kromě toho jsou drony považovány za účinné nástroje pro sběr dat nezbytných pro výpočet vitality a vlastností vegetace (Candiago et al., 2015). Obr. 2a a 2b znázorňují sítě společného výskytu klíčových slov pro obě časová období.
Vlivní autoři
V této části určíme vlivné autory a prozkoumáme, jak mohou sítě citací autorů vizualizovat a organizovat současnou literaturu. Na obr. 3 je chronologický překryv všech badatelů s nejvyšším počtem citací. Barevná škála odráží meziroční kolísání citací autorů. Zkoumáme citační strukturu výzkumníků, kteří publikovali studie o zemědělských dronech, pomocí prahu minimálně 50 citací a deseti publikací. Mimo
12,891 115 autorů, pouze 4 tuto podmínku splnilo. Tabulka 1,963 uvádí deset nejvýznamnějších autorů seřazených podle maximálního počtu citací. Lopez-Granados F. vede žebříček s 1,909 XNUMX citacemi, následovaný Zarco-Tejada PJ s XNUMX XNUMX citacemi.
Seznam nejcitovanějších autorů.
Žebříček | Autor | Citace |
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 |
Pokud jde o jednotlivé publikace, článek Zhanga a Kovacse (2012) byl nejcitovanější studií publikovanou v Precision Agriculture. Zde autoři zhodnotili aplikaci UAS v precizním zemědělství. Zjištění jejich výzkumu naznačují, že je potřeba posunout design platforem, produkci, standardizaci georeferencování obrázků a pracovní postup vyhledávání informací, aby zemědělci měli spolehlivé konečné produkty. Kromě toho doporučují intenzivněji zapojit zemědělce, zejména do plánování pole, pořizování snímků a také do interpretace a analýzy dat. Důležité je, že tato studie byla mezi prvními, které ukázaly význam UAV v terénním mapování, vigor mapování, měření chemického obsahu, monitorování vegetačního stresu a hodnocení účinků hnojiv na růst rostlin. Výzvy související s technologií také zahrnují neúměrné náklady, schopnost senzorů, stabilitu a spolehlivost platformy, nedostatek standardizace a konzistentní postupy pro analýzu velkého množství dat.
Citační analýza
Citační analýza představuje studium vlivu článků, byť náchylných k tokům (např. citační zkreslení, autocitace), je považováno za jeden ze standardních nástrojů hodnocení dopadu (Osareh, 1996; A. Rejeb et al., 2022; Sarli a kol., 2010). Citace také odrážejí důležitost a vitalitu příspěvků příspěvků do literatury na konkrétní téma (R. Sharma et al., 2022). Provedli jsme citační analýzu, abychom určili nejvlivnější studie o zemědělských dronech a shrnuli obsah. Tabulka 5 uvádí seznam patnácti nejvlivnějších článků za období 1990–2010 a 2011–2021. Články Berniho a kol. (2009)b a Austin (2010) byly nejcitovanější v letech 1990 a 2010 s 831 a 498 citacemi. Berni a kol. (2009)b ilustroval potenciál vyvinout produkty kvantitativního dálkového snímání prostřednictvím vrtulníkového UAV vybaveného cenově dostupnými termálními a úzkopásmovými multispektrálními zobrazovacími senzory. Ve srovnání s tradičními vzduchovými senzory s lidskou posádkou je levný systém UAV pro zemědělství schopen dosáhnout srovnatelných odhadů biofyzikálních parametrů plodin, ne-li lepších. Dostupné náklady a provozní flexibilita spolu s vysokým spektrálním, prostorovým a časovým rozlišením dostupným v rychlém čase činí UAV vhodnými pro řadu aplikací, které vyžadují časově kritické řízení, včetně plánování zavlažování a přesného zemědělství. Práce od Berni et al. (2009)b je vysoce citován, protože účinně integroval bezpilotní platformu s rotačním křídlem a digitální a tepelné senzory s nezbytnými kalibračními mechanismy pro zemědělské aplikace. Druhou nejcitovanější publikací je kniha, jejímž autorem je Austin (2010), který pojednával o UAV z hlediska návrhu, vývoje a nasazení. V zemědělství podporují UAV monitorování plodin včasnou detekcí chorob prostřednictvím změn barvy plodin, usnadněním setí plodin a postřiků a monitorováním a řízením stád.
Studie Sullivana a kol. (2007), Lumme a kol. (2008) a Gokto ¨ ǧan et al. (2010) uzavírá seznam prvních patnácti nejcitovanějších článků. Tyto články ilustrují vývoj systémů založených na UAV na podporu zemědělství. Nabízejí řešení různých problémů, jako je monitorování a skenování plodin, sledování a řízení plevele a podpora rozhodování. Rovněž navrhují a diskutují o schopnosti UAV zvýšit efektivitu odběru vzorků a pomáhají zemědělcům navrhovat přesné a efektivní
strategie výsadby. Berni napsal dva články (Berni et al., 2009b; Berni et al., 2009a), které podtrhují jeho významný vliv na výzkum týkající se zemědělských dronů. Práce od Zarco-Tejada et al. (2014) patří mezi průkopnické studie, které ilustrují potřebu používat nízkonákladové UAV snímky při kvantifikaci výšky stromu.
Seznam nejcitovanějších publikací.
Hodnost | Od 1990 na 2010 | Od 2011 na 2021 | ||
Dokument | Citace | Dokument | Citace | |
1 | (Berni a kol., 2009b) | 831 | (C. Zhang & Kovacs, 2012) | 967 |
2 | (Austin, 2010) | 498 | (Nex & Remondino, 2014) | 893 |
3 | (Hunt a kol., 2010) | 331 | (Floreano a dřevo, 2015) | 552 |
4 | (SR Herwitz a kol., 2004) | 285 | (Hossein Motlagh a kol., 2016) | 391 |
5 | (CCD Lelong a kol., 2008) | 272 | (Shakhatreh a kol., 2019) | 383 |
6 | (Berni a kol., 2009b) | 250 | (Ma a kol., 2017) | 373 |
7 | (Grenzdorffer ¨ a kol., 2008) | 198 | (Bendig a kol., 2014) | 360 |
8 | (Hrabar et al., 2005) | 175 | (Zarco-Tejada a kol., 2014) | 347 |
9 | (Y. Huang a kol., 2009) | 129 | (Inzerát ao a kol., 2017) | 335 |
10 | (Schmale III a kol., 2008) | 119 | (Honkavaara a kol., 2013a) | 331 |
11 | (Abd-Elrahman a kol., 2005) | 79 | (Candiago et al., 2015) | 327 |
12 | (Techy a kol., 2010) | 69 | (Xiang & Tian, 2011) | 307 |
13 | (Sullivan et al., 2007) | 51 | (Matese a kol., 2015) | 303 |
14 | (Lumme a kol., 2008) | 42 | (Gago et al., 2015) | 275 |
15 | (Gokto ¨ ǧan et al., 2010) | 40 | (Aasen a kol., 2015a) | 269 |
Ve druhém období (2011–2021) byly nejčastěji citované publikace výsledkem výzkumu Zhanga a Kovacse (2012) a Nexe a Remondina (2014). Zhang a Kovacs (2012) tvrdí, že precizní zemědělství by mohlo těžit z implementace geoprostorových technik a senzorů, jako jsou geografické informační systémy, GPS a dálkový průzkum, k zachycení variací na poli a jejich zvládnutí využitím alternativních strategií. Zavedení dronů, které mění hru v přesném zemědělství, předznamenalo nový věk v oblasti dálkového průzkumu, zjednodušuje letecké pozorování, zachycuje údaje o růstu plodin, půdních podmínkách a postřikových plochách. Recenze Zhang a Kovacs (2012) je klíčová, protože nabízí pohled na UAV tím, že odhaluje stávající použití a výzvy těchto zařízení v monitorování životního prostředí a přesném zemědělství, jako jsou omezení platformy a kamery, problémy se zpracováním dat, zapojení farmářů a letecké předpisy. . Druhý
nejcitovanější studie od Nex a Remondino (2014) zhodnotila stav techniky UAV pro pořizování, zpracování a analýzu snímků Země.
Jejich práce také představila přehled několika platforem UAV, aplikací a případů použití, a představila nejnovější pokroky ve zpracování obrazu UAV. V zemědělství by zemědělci mohli bezpilotní prostředky používat k efektivním rozhodnutím, aby dosáhli úspory nákladů a času, získali rychlý a přesný záznam škod a předvídali možné problémy. Na rozdíl od konvenčních leteckých platforem mohou UAV snížit provozní náklady a snížit nebezpečí přístupu v drsných místech, přičemž si stále zachovávají vysoký potenciál přesnosti. Jejich článek shrnuje různé výhody UAV, zejména pokud jde o přesnost a rozlišení.
Mezi zbývajícími třinácti nejcitovanějšími publikacemi v letech 2011 až 2021 jsme zaznamenali větší koncentraci na výzkum spojený s aplikacemi dronů v zobrazovacích misích (Bendig et al., 2014; Ma et al., 2017; Zarco-Tejada et al., 2014) , precizní zemědělství (Candiago et al., 2015; Honkavaara et al., 2013a), precizní vinohradnictví (Matese et al., 2015), hodnocení vodního stresu (Gago et al., 2015) a monitoring vegetace (Aasen et al. , 2015a). V prvních letech se výzkumníci zaměřili
více o vývoji nízkonákladových, lehkých a přesných systémů založených na UAV pro zemědělství; novější výzkum se zaměřil více na přehledy aplikací UAV pro zemědělství a terénní průzkum. Stručně řečeno, tato analýza odhaluje, že vlivné publikace většinou poskytly přehledy předchozích studií k vyhodnocení současného vědeckého a technologického stavu UAV a vyvinuté systémy UAV na podporu precizního zemědělství. Je zajímavé, že jsme nenašli studie, které by využívaly empirické údaje
metodologií nebo deskriptivních případových studií, což představuje významnou mezeru ve znalostech a vyžaduje další výzkum na toto téma.
Analýza společné citace
Podle Gmüra (2006) analýza společné citace identifikuje podobné publikace a shlukuje je. Pečlivé zkoumání shluku může odhalit společné pole výzkumu mezi publikacemi. Zkoumáme společné citování literatury týkající se zemědělských dronů, abychom ilustrovali související tematické oblasti a odhalili intelektuální vzorce publikací. V tomto ohledu Small (1973) doporučil použití kocitační analýzy ke studiu nejvlivnějších a klíčových výzkumů.
v rámci disciplíny. Abychom omezili soubor na nejdůležitější články (Goyal & Kumar, 2021), stanovili jsme práh spolucitace 25, což znamená, že dva články musely být citovány společně v referenčních seznamech 25 nebo více různých publikací. Shlukování bylo také prováděno s minimální velikostí shluků 1 a bez jakékoli metody pro slučování menších shluků s většími. V důsledku toho bylo vytvořeno šest shluků na základě podobnosti studií a jejich intelektuální struktury. Tabulka 6 ukazuje rozložení publikací v každém shluku.
Seskupení 1: Tento seskupení obsahuje osmnáct dokumentů zveřejněných po roce Publikace v tomto seskupení pojednávají o úloze dronů při podpoře monitorování životního prostředí, managementu plodin a plevele. Například Manfreda a kol. (2018) poskytují přehled o současném výzkumu a implementacích UAV v monitorování přírodních zemědělských ekosystémů a tvrdí, že tato technologie nabízí obrovský potenciál k drastickému posílení monitorování životního prostředí a snížení
existující mezera mezi pozorováním v terénu a konvenčním dálkovým průzkumem ve vzduchu a ve vesmíru. Toho lze dosáhnout nabídkou nové kapacity pro zlepšené časové vyhledávání a prostorové nahlédnutí do velkých oblastí cenově dostupným způsobem. Bezpilotní prostředky mohou neustále snímat prostředí a posílat výsledná data inteligentním, centralizovaným/decentralizovaným entitám, které řídí senzory, aby identifikovaly případné problémy, jako je nedostatek nemocí nebo detekce vody (Padua ´ et al., 2017). Adao ˜ a kol. (2017) předpokládají, že UAV jsou ideální pro hodnocení podmínek rostlin tím, že zachycují obrovské množství surových dat týkajících se stavu vody, odhadu biomasy a hodnocení síly. Senzory namontované na UAV by také mohly být okamžitě nasazeny ve správných podmínkách prostředí, aby bylo možné včas zachytit data dálkového průzkumu (Von Bueren et al., 2015). Pomocí UAV jsou zemědělci schopni provádět indoorové zemědělské činnosti získáváním měření prakticky z libovolného místa v trojrozměrném prostoru vnitřního zemědělského prostředí (např. skleníky), čímž je zajištěna místní kontrola klimatu a monitorování rostlin (Roldan ´ et al. ., 2015). V kontextu přesnosti
zemědělství vyžaduje rozhodnutí o hospodaření s plodinami přesná a spolehlivá data o plodinách s vhodným časovým a prostorovým rozlišením (Gebbers & Adamchuk, 2010; Gevaert et al., 2015; Maes & Steppe, 2019). Z tohoto důvodu Agüera Vega a kol. (2015) použili multispektrální senzorový systém namontovaný na UAV k pořízení snímků plodiny slunečnice během vegetačního období. Podobně Huang a kol. (2009) poznamenávají, že dálkové snímání založené na UAV by mohlo usnadnit měření plodin a půdy ze shromážděných spektrálních dat. Verger a kol. (2014) vyvinuli a otestovali techniku pro odhad indexu zelené plochy (GAI) z měření odrazivosti UAV v aplikacích precizního zemědělství se zaměřením na plodiny pšenice a řepky. Drony proto poskytují nové možnosti pro získávání informací o stavu plodin s častými opakovanými návštěvami a vysokým prostorovým rozlišením (Dong et al., 2019; Garzonio et al., 2017; H. Zheng et al., 2016).
Seskupování vlivných publikací o zemědělských dronech.
Shluk | Široké téma | Reference |
1 | Monitoring životního prostředí, plodina management, management plevele | (Inzerát ao et al., 2017; Agüera Vega a kol., 2015; de Castro a kol., 2018; Gomez-Cand ' on ' et al., 2014; YB Huang a kol., 2013; Khanal a kol., 2017; Lopez-Granados, ´ 2011; Manfreda a kol., 2018; P' adua a spol., 2017; Pena ˜ et al., 2013; P'erez-Ortiz a kol., 2015; Rasmussen a kol., 2013, 2016; Torres-S' anchez a kol., 2014; Torres-Sanchez, ´Lopez-Granados´ a Pena, ~ 2015; Verger a kol., 2014; Von Bueren a kol., 2015; C. Zhang & Kovács, 2012) |
2 | Vzdálená fenotypizace, výnos odhad, model povrchu plodiny, počítání rostlin | (Bendig a kol., 2013, 2014; Geipel a kol., 2014; Gnadinger ¨ & Schmidhalter, 2017; Haghighattalab a kol., 2016; Holman a kol., 2016; Jin a kol., 2017; W. Li a kol., 2016; Maimaitijiang a kol., 2017; Sankaran a kol., 2015; Schirrmann et al., 2016; Shi a kol., 2016; Yue a kol., 2017; X. Zhou a kol., 2017) |
3 | termovize pro vodu, multispektrální zobrazování | (Baluja et al., 2012; Berni et al., 2009b; Berni a kol., 2009a; Candiago a kol., 2015; Gago a kol., 2015; Gonzalez-Dugo a kol., 2013, 2014; Grenzdorffer ¨ a kol., 2008; Khaliq et al., 2019; Matese a kol., 2015; Ribeiro-Gomes et al., 2017; Santesteban et al., 2017; Uto a spol., 2013) |
4 | Hypersektrální zobrazování, spektrální zobrazovací | (Aasen et al., 2015a; Bareth et al., 2015; Hakala a kol., 2013; Honkavaara a kol., 2013a; Lucieer a kol., 2014; Saari a kol., 2011; Suomalainen a kol., 2014) |
5 | Aplikace pro 3D mapování | (Jim´enez-Brenes et al., 2017; Nex & Remondino, 2014; Salamí a spol., 2014; Torres-S' anchez, Lopez-' Granados, Serrano a kol., 2015; Zahawi a kol., 2015; Zarco-Tejada et al., 2014) |
6 | Dohled nad zemědělstvím | (SR Herwitz a kol., 2004; Hunt a kol., 2010; CCD Lelong a kol., 2008; Primicerio a kol., 2012; Xiang & Tian, 2011) |
Kromě toho jsou drony užitečné pro náročné úkoly v zemědělství, včetně mapování plevele. Snímky zachycené zařízeními prokázaly svou užitečnost pro včasnou detekci plevele na polích (de Castro et al., 2018; Jim´enez-Brenes et al., 2017; Lam et al., 2021; Lopez-Granados ´ et al., 2016; Rozenberg a kol., 2021). V tomto ohledu de Castro a kol. (2018) předpokládají, že spojení UAV snímků a Object-Based Image Analysis (OBIA) umožnilo odborníkům překonat problém automatizace včasné detekce v rané sezóně travních plodin, což je velký krok vpřed ve výzkumu plevelů. Podobně Pena ˜ et al. (2013) poukazují na to, že použití snímků s ultravysokým prostorovým rozlišením z UAV ve spojení s postupem OBIA umožňuje generovat mapy plevelů v raných kulturách kukuřice, které by mohly být použity při plánování implementace opatření na kontrolu plevele v sezóně, úkol přesahující možnosti satelitních a tradičních leteckých snímků. Ve srovnání s algoritmy klasifikace obrazu nebo detekce objektů jsou techniky sémantické segmentace efektivnější při mapování plevele (J. Deng et al., 2020), což umožňuje zemědělcům detekovat podmínky na poli, zmírňovat ztráty a zlepšovat výnosy během vegetačního období (Ramesh a kol., 2020). Sémantická segmentace založená na hlubokém učení může také poskytnout přesné měření vegetačního pokryvu z leteckých snímků s vysokým rozlišením (Ramesh et al., 2020; A. Zheng et al., 2022). Navzdory jejich potenciálu na dálku
klasifikace snímacích pixelů, techniky sémantické segmentace vyžadují značné výpočty a neúměrně vysokou paměť GPU (J. Deng et al., 2020).
Na základě strojového učení a UAV P´erez-Ortiz et al. (2015) navrhli přístup k mapování plevelů, aby se zajistily místně specifické strategie kontroly plevele, když zemědělci přijmou včasnou a postemergentní kontrolu plevele. Nakonec Rasmussen a kol. (2013) zdůraznili, že drony poskytují levné snímání s velkou flexibilitou prostorového rozlišení. Celkově se publikace v tomto seskupení zaměřují na zkoumání potenciálu UAV pro podporu dálkového průzkumu, monitorování plodin a mapování plevele. Je zapotřebí další hloubkový výzkum, abychom dále prozkoumali, jak mohou aplikace dronů při monitorování životního prostředí, hospodaření s plodinami a mapování plevele dosáhnout udržitelnějšího zemědělství (Chamuah & Singh, 2019; Islam a kol., 2021; Popescu a kol., 2020; J Su, Liu a kol., 2018) a zabývají se otázkami správy této technologie v aplikacích pojištění plodin (Basnet & Bang, 2018; Chamuah & Singh, 2019, 2022; Meinen & Robinson, 2021). Výzkumníci by se měli soustředit na validaci měření shromážděných UAV pomocí účinných technik zpracování, aby se zvýšila konečná kvalita zpracovaných dat (Manfreda et al., 2018). Dále je zapotřebí vývoj vhodných algoritmů, které rozpoznávají pixely zobrazující plevel v digitálních obrázcích a eliminují irelevantní pozadí během mapování plevele UAV (Gasparovi´c et al., 2020; Hamylton et al., 2020; H. Huang et al. , 2018, 2020; Lopez-' Granados et al., 2016). Další výzkum osvojení technik sémantické segmentace při rozpoznávání rostlin, klasifikaci listů a mapování chorob je vítán (Fuentes-Pacheco et al., 2019; Kerkech et al., 2020).
Seskupení 2. Publikace v tomto seskupení se zaměřily na několik aspektů zemědělských dronů. V souvislosti se vzdáleným fenotypováním Sankaran et al. (2015) přezkoumali potenciál použití leteckého snímkování v nízké nadmořské výšce s vysokým rozlišením s UAV pro rychlou fenotypizaci plodin na poli a tvrdí, že ve srovnání s pozemními snímacími platformami nabízejí malé UAV s adekvátními senzory několik výhod. , jako je snadnější přístup do terénu, data s vysokým rozlišením, efektivní sběr dat,
rychlé vyhodnocení podmínek růstu na poli a nízké provozní náklady. Autoři však také poznamenávají, že efektivní aplikace UAV pro fenotypování pole závisí na dvou základních prvcích, a to na vlastnostech UAV (např. bezpečnost, stabilita, polohování, autonomie) a charakteristikách senzoru (např. rozlišení, hmotnost, spektrální vlnové délky, pole). pohledu). Haghighattalab a kol. (2016) navrhli poloautomatický proces zpracování obrazu pro získávání dat na úrovni grafu ze snímků UAV a urychlení procesu šlechtění. Holman a kol. (2016) vyvinula vysokou
propustný polní fenotypový systém a zdůraznil, že UAV je schopno shromažďovat kvalitní, objemná fenotypová data založená na poli a že zařízení je účinné pro velké oblasti a v různých místech pole.
Vzhledem k tomu, že odhad výnosu je neuvěřitelně životně důležitá informace, zejména pokud je k dispozici včas, existuje potenciál, aby UAV poskytovaly všechna měření v terénu a efektivně získávaly vysoce kvalitní data (Daakir et al., 2017; Demir et al., 2018 Enciso a kol., 2019; Kulbacki a kol., 2018; Pudelko a kol., 2012). V tomto ohledu Jin a kol. (2017) využili snímky s vysokým rozlišením získané UAV ve velmi nízkých nadmořských výškách k vývoji a posouzení metody pro odhad hustoty rostlin pšenice ve fázi vzcházení. Podle autorů UAV překonávají omezení systémů roverů vybavených kamerami a představují neinvazivní metodu odhadu hustoty rostlin v plodinách, což umožňuje zemědělcům dosáhnout vysoké propustnosti nezbytné pro fenotypizaci pole nezávisle na průchodnosti půdy. Li a kol. (2016) shromáždili stovky stereosnímků s extrémně vysokým rozlišením pomocí systému založeného na UAV k odhadu parametrů kukuřice, včetně výšky koruny a nadzemní biomasy. Konečně Yue a kol. (2017) zjistili, že výška plodin určená z UAV by mohla zlepšit odhad nadzemní biomasy (AGB).
Přístupem ke sledování růstu plodin je myšlenka vývoje modelů povrchu plodin (Bendig et al., 2014, 2015; Holman et al., 2016; Panday, Shrestha, et al., 2020; Sumesh et al., 2021). Několik studií zdůraznilo proveditelnost snímků pořízených z UAV pro zachycení výšky rostlin a sledování jejich růstu. Například Bendig a kol. (2013) popsali vývoj multitemporálních modelů povrchu plodin s velmi vysokým rozlišením menším než 0.05 m pomocí UAV. Jejich cílem bylo odhalit úrodu
variabilita růstu a její závislost na ošetřování plodin, kultivaru a stresu. Bendig a kol. (2014) použili UAV k odhadu čerstvé a suché biomasy na základě výšky rostlin extrahované z modelů povrchu plodin a zjistili, že na rozdíl od leteckých platforem a pozemního laserového skenování mohou snímky s vysokým rozlišením z UAV výrazně zvýšit přesnost modelování výšky rostlin pro různé druhy růstu. etapy. Ve stejném duchu Geipel et al. (2014) použili UAV ve svém výzkumu k získání snímků
datové sady pro predikci výnosu kukuřičného zrna ve třech různých fázích růstu od začátku do poloviny sezóny a dospěli k závěru, že kombinace spektrálního a prostorového modelování na základě leteckých snímků a modelů povrchu plodin je vhodnou metodou pro predikci výnosu kukuřice v polovině sezóny. Nakonec Gnadinger ¨ a Schmidhalter (2017) zkoumali užitečnost UAV při přesném fenotypování a zdůraznili, že použití této technologie by mohlo zlepšit řízení farmy a umožnit polní experimenty pro šlechtitelské a agronomické účely. Celkově pozorujeme, že publikace v clusteru 2 se zaměřují na hlavní výhody UAV na dálku
fenotypování, odhad výnosů, modelování povrchu plodin a počítání rostlin. Budoucí studie mohou jít hlouběji vývojem nových metod pro vzdálené fenotypování, které dokážou automatizovat a optimalizovat zpracování dat z dálkového snímání (Barabaschi et al., 2016; Liebisch et al., 2015; Mochida et al., 2015; S. Zhou et al. ., 2021). Kromě toho je třeba prozkoumat výkon senzorů IoT namontovaných na UAV a kompromis mezi jejich náklady, prací a přesností odhadu výnosu.
budoucnost (Ju & Son, 2018a, 2018b; Xie & Yang, 2020; Yue et al., 2018). Nakonec je potřeba vyvinout účinné metody zpracování obrazu, které dokážou generovat spolehlivé informace, maximalizovat efektivitu zemědělské produkce a minimalizovat ruční počítání zemědělců (RU Khan a kol., 2021; Koh a kol., 2021; Lin & Guo, 2020; C. Zhang a kol., 2020).
Seskupení 3. Publikace v tomto seskupení pojednávají o různých typech zobrazovacích systémů pro dálkové snímání zemědělských zdrojů používaných na platformách UAV. V tomto ohledu termovize umožňuje sledování povrchových teplot, aby se předešlo poškození plodin a včasné odhalení stresu ze sucha (Awais et al., 2022; García-Tejero et al., 2018; Sankaran et al., 2015; Santesteban et al., 2017; Yeom, 2021). Baluja a kol. (2012) tvrdili, že použití multispektrálních a termokamer na palubě
UAV umožnilo výzkumníkům získat snímky s vysokým rozlišením a posoudit stav vody révy. To by mohlo být užitečné pro vývoj nových modelů plánování vody pomocí dat dálkového průzkumu (Baluja et al., 2012). Kvůli
omezená nosnost UAV, Ribeiro-Gomes et al. (2017) zvažovali integraci nechlazených termokamer do UAVS k určení vodního stresu v rostlinách, což činí tento typ UAV účinnějším a životaschopnějším než tradiční satelitní dálkové snímání a UAV vybavené chlazenými termokamerami. Nechlazené termokamery jsou podle autorů lehčí než chlazené kamery, vyžadují odpovídající kalibraci. Gonzalez-Dugo a kol. (2014) ukázali, že termokamery efektivně generují prostorové mapy indexů vodního stresu plodin pro hodnocení stavu vody a kvantifikaci vodního stresu mezi citrusovými sady a uvnitř nich. Gonzalez-Dugo a kol. (2013) a Santesteban et al. (2017) zkoumali využití UAV termokamery s vysokým rozlišením k odhadu variability vodního stavu komerčního sadu a vinice.
Multispektrální zobrazování by mohlo poskytnout masivní data ve srovnání s tradičními snímky RGB (červená, zelená a modrá) (Ad˜ ao et al., 2017; Navia et al., 2016). Tato spektrální data spolu s prostorovými daty by mohla pomoci při klasifikaci, mapování, prognózování, predikci a detekčním účelům (Berni et al., 2009b). Podle Candiago et al. (2015), multispektrální zobrazování založené na UAV by mohlo masivně přispět k hodnocení plodin a přesnému zemědělství jako spolehlivý a účinný zdroj. Taky,
Khaliq a kol. (2019) provedli srovnání mezi satelitním a multispektrálním zobrazováním založeným na UAV. Snímky založené na UAV vedly k přesnějšímu popisu variability vinic a také mapám síly pro reprezentaci korun plodin. Stručně řečeno, články v tomto clusteru pojednávají o začlenění tepelných a multispektrálních zobrazovacích senzorů do zemědělských UAV. V souladu s tím je zapotřebí více výzkumu, abychom pochopili, jak lze tepelné a multispektrální zobrazování integrovat s AI
techniky (např. hluboké učení) k detekci stresu rostlin (Ampatzidis a kol., 2020; Ampatzidis & Partel, 2019; Jung a kol., 2021; Santesteban a kol., 2017; Syeda a kol., 2021). Takové poznatky pomohou zajistit účinnější a přesnější detekci a také sledování růstu rostlin, stresu a fenologie (Buters et al., 2019; Cao et al., 2020; Neupane & BaysalGurel, 2021; L. Zhou et al., 2020).
Shluk 4. Tento shluk se skládá ze sedmi článků, které se točí kolem klíčové role spektrálního zobrazování a hyperspektrálního zobrazování při podpoře zemědělských postupů. Hyperspektrální zobrazování se etablovalo jako metoda dálkového průzkumu, která umožňuje kvantitativní hodnocení zemského systému (Schaepman et al., 2009). Přesněji řečeno, umožňuje identifikaci povrchových materiálů, kvantifikaci (relativních) koncentrací a přiřazení proporcí povrchových složek
ve smíšených pixelech (Kirsch et al., 2018; Zhao et al., 2022). Jinými slovy, vyšší spektrální rozlišení poskytované hyperspektrálními systémy umožňuje přesnější odhady různých parametrů, jako jsou vegetariánské vlastnosti nebo obsah vody v listech (Suomalainen et al., 2014). Výzkumníci v tomto klastru zkoumali různé aspekty takových systémů. Mimo jiné Aasen et al. (2015b) nabídl jedinečný přístup k odvození trojrozměrných hyperspektrálních informací z lehkého materiálu
snímky používané na UAV pro monitorování vegetace. Lucieer a kol. (2014) diskutovali o návrhu, vývoji a vzdušných operacích nového hyperspektrálního UAS a také o kalibraci, analýze a interpretaci obrazových dat shromážděných s ním. Nakonec Honkavaara a kol. (2013b) vyvinuli komplexní přístup ke zpracování spektrálních snímků založených na interferometru FabryPerot a ukázali jeho použití v postupu odhadu biomasy pro přesné zemědělství. Potenciální budoucí cesty pro tento současný klastr zahrnují zdůraznění potřeby technických vylepšení senzorových technologií (Aasen et al., 2015b) a také potřebu začlenění a vylepšení doplňkových technologií, konkrétně velkých dat a analytiky (Ang & Seng, 2021; Radoglou -Grammatikis a kol., 2020; Shakoor a kol., 2019). Ten pramení především ze stále rostoucích dat generovaných různými senzory implementovanými v chytrém zemědělství (C. Li & Niu, 2020; A. Rejeb et al., 2022; Y. Su & Wang, 2021).
Cluster 5. Publikace v tomto klastru zkoumaly aplikace 3Dmappingu založené na dronech. Použití dronů pro 3D mapování by mohlo zmírnit složitou práci v terénu a podstatně zvýšit efektivitu (Torres-Sanchez ´ et al., 2015). Pět článků v klastru se zaměřilo především na aplikace pro monitorování rostlin. Například pro získání trojrozměrných dat o ploše koruny, výšce stromu a objemu koruny Torres-Sanchez ´ et al. (2015) použili technologii UAV ke generování digitálních povrchových modelů a poté přístupy k analýze obrazu na základě objektů (OBIA). Dále Zarco-Tejada et al. (2014) kvantifikovali výšku stromu integrací technologie UAV a metod trojrozměrné fotorekonstrukce. Jim´enez-Brenes Lopez-Granados, ´De Castro a kol. (2017) demonstroval nový proces pro multitemporální, 3D monitorování desítek olivovníků integrací technologie UAV s pokročilou metodikou OBIA. Zajímavé cesty pro budoucí práce v tomto klastru zahrnují buď zlepšení proudu
metodiky (Zarco-Tejada et al., 2014) pro účely digitálního modelování povrchu (Ajayi et al., 2017; Jaud et al., 2016), jako je OBIA (de Castro et al., 2018, 2020; Ventura et al., 2018). , 2015) a rekonstrukci fotografií nebo vývoj nových metod (Díaz-Varela et al., 2015; Torres-S' anchez et al., XNUMX).
Skupina 6. Tato skupina pojednává o úloze dronů v zemědělském dohledu. UAV by mohly doplňovat a překonávat nedostatky satelitního a leteckého snímkování. Mohly by například poskytovat zobrazování ve vysokém rozlišení téměř v reálném čase s menším množstvím paliva nebo pilotních problémů, což by mělo za následek neustálé sledování v reálném čase a zlepšení v rozhodování (S. Herwitz et al., 2004). Dalším klíčovým přínosem UAV je jejich schopnost poskytovat místně specifická data pro přesné zemědělství nebo site-specific zemědělství, protože jejich vysoké rozlišení, podrobné údaje o různých parametrech umožňují zemědělcům rozdělit půdu na homogenní části a podle toho s nimi zacházet (Hunt et al. , 2010; CC Lelong a kol., 2008; Primicerio a kol., 2012). Takový zemědělský dohled založený na UAV může podporovat monitorování potravinové bezpečnosti a rozhodování (SR Herwitz et al., 2004). Pro pokrok ve výzkumu v oblasti zemědělského dohledu je zapotřebí nejen zlepšení senzorů, UAV a dalších souvisejících technologií a jejich způsobů komunikace a přenosu dat (Ewing et al., 2020; Shuai et al., 2019), ale také integrace dronů s různými technologie pro optimalizaci různých úkolů ve vztahu k chytrému zemědělství, jako je monitorování, zemědělský dohled a rozhodování, je oblast výzkumu s vysokým potenciálem (Alsamhi et al., 2021; Popescu et al., 2020; Vuran et al., 2018). V tomto ohledu IoT, WSN a velká data nabízejí zajímavé doplňkové schopnosti (van der Merwe et al., 2020). Implementační náklady, úspory nákladů, energetická účinnost a bezpečnost dat patří mezi oblasti, které jsou pro takovou integraci nedostatečně prozkoumané (Masroor et al., 2021).
Země a akademické instituce
Posledním krokem bylo šetření země původu a akademické příslušnosti autorů. Prostřednictvím této analýzy se snažíme lépe porozumět geografickému rozložení vědců, kteří přispívají k aplikacím dronů v zemědělství. Je pozoruhodné si všimnout rozmanitosti zemí a akademických institucí. Z pohledu jednotlivých zemí se USA, Čína, Indie a Itálie řadí na přední místa v počtu publikací (tabulka 7). Proud
výzkum zemědělských dronů se z velké části soustředí v severoamerických a asijských zemích, a to především kvůli jejich vysokému zapojení do aplikací v přesném zemědělství. Například v USA byl trh se zemědělskými drony v roce 841.9 odhadován na 2020 milionů USD, což představuje přibližně 30 % podílu na celosvětovém trhu (ReportLinker, 2021). Očekává se, že Čína, která je největší světovou ekonomikou, dosáhne v roce 2.6 velikosti trhu přibližně 2027 miliardy USD. Tato země apeluje na zemědělské drony, aby překonala problémy s produktivitou a dosáhla lepších výnosů, snížení pracovní síly a nižších výrobních vstupů. Přijetí technologie v Číně je však také řízeno faktory, jako je velikost populace a potřeba inovovat a zlepšovat stávající postupy hospodaření s plodinami.
Nejlepší nejproduktivnější země a univerzity/organizace, které přispívají
výzkum související se zemědělskými drony.
Hodnost | země |
1 | Spojené státy americké |
2 | Čína |
3 | Indie |
4 | Itálie |
5 | Španělsko |
6 | Německo |
7 | Brazílie |
8 | Austrálie |
9 | Japonsko |
10 | Velká Británie |
Hodnost | Univerzity/ organizace |
1 | Čínské akademie věd |
2 | Ministerstvo zemědělství Čínské lidové republiky |
3 | Vyšší rada pro vědecký výzkum |
4 | Texas A&M University |
5 | Čínská zemědělská univerzita |
6 | Služba zemědělského výzkumu USDA |
7 | CSIC – Instituto de Agricultura Sostenible IAS |
8 | Purdue University |
9 | Národní rada pro výzkum |
10 | Jihočínská zemědělská univerzita |
Z univerzitního a organizačního hlediska je na prvním místě v počtu publikací Čínská akademie věd, následovaná Ministerstvem zemědělství Čínské lidové republiky a Consejo Superior de Investigaciones Científicas. Čínskou akademii věd zastupují autoři Liao Xiaohan a Li Jun; Han Weting zastupuje Ministerstvo zemědělství Čínské lidové republiky; a Consejo Superior de Investigaciones Científicas zastupují Lopez-Granados, ´ F. a Pena, ˜ Jos´e María S. Z USA najdou své univerzity jako Texas A&M University a Purdue University
zmínit se. Univerzity s nejvyšším počtem publikací a jejich propojení jsou znázorněny na obr. 4. Kromě toho tento seznam zahrnuje instituce jako Consiglio Nazionale delle Ricerche a Consejo Superior de Investigaciones Científicas, které jsou aktivní ve vědeckém výzkumu, ale nejsou akademickými institucemi. .
Náš výběr zahrnoval širokou škálu časopisů, které zahrnovaly prakticky všechna dostupná data. Jak je uvedeno v tabulce 8, dálkový průzkum Země s 258 články je na prvním místě, následuje Journal of Intelligent and Robotic Systems: Theory and Applications se 126 a Počítače a elektronika v zemědělství s 98 články. Zatímco dálkový průzkum Země se většinou zaměřuje na aplikaci a vývoj dronů, Počítače a elektronika v zemědělství pokrývá především pokroky v počítačovém hardwaru, softwaru, elektronice a řídicích systémech v zemědělství. Mezi přední prodejny v této oblasti patří také prodejny napříč oblastmi, jako jsou IEEE Robotics and Automation Letters s 87 publikacemi a IEEE Access s 34 publikacemi. Prvních patnáct prodejních míst přispělo do literatury 959 dokumenty, což je přibližně 20.40 % všech publikací. Analýza společné citace časopisů nám umožňuje prozkoumat důležitost a podobnost mezi publikacemi. Analýza společné citace poskytuje tři shluky, jak ukazuje obr. 5. Červený shluk se skládá z časopisů jako Remote Sensing, Computer and Electronics in Agriculture, Sensors,
a International Journal of Remote Sensing. Všechny tyto výstupy jsou vysoce uznávanými časopisy v oblasti dálkového průzkumu Země a precizního zemědělství. Zelený cluster obsahuje časopisy, které se zabývají robotikou, jako je Journal of Intelligent and Robotic Systems: Theory and Applications, IEEE Robotics and Automation Letters, IEEE Access a Drones. Tyto prodejny většinou publikují články o automatizaci a jsou užitečné pro zemědělské inženýry. Poslední klastr tvoří časopisy související s agronomií a zemědělským inženýrstvím, jako je Agronomy a International Journal of Agricultural and Biological Engineering.
15 nejlepších časopisů ve výzkumu souvisejícím se zemědělskými drony.
Hodnost | Časopis | Počítat |
1 | Dálkové snímání | 258 |
2 | Journal of Intelligent and Robotic Systems: Theory and Aplikace | 126 |
3 | Počítače a elektronika v zemědělství | 98 |
4 | IEEE Robotics and Automation Letters | 87 |
5 | Senzory | 73 |
6 | International Journal of Remote Sensing | 42 |
7 | Přesné zemědělství | 41 |
8 | trubci | 40 |
9 | Agronomie | 34 |
10 | Přístup IEEE | 34 |
11 | International Journal of Advanced Robotic Systems | 31 |
12 | International Journal of Agricultural and Biological Engineering | 25 |
13 | PLoS ONE | 25 |
14 | Journal of Field Robotics | 23 |
15 | Biosystems Engineering | 23 |
Proč investovat do čističky vzduchu?
Shrnutí
V této studii jsme shrnuli a analyzovali stávající výzkum zemědělských dronů. Pomocí různých bibliometrických technik jsme se snažili lépe porozumět intelektuální struktuře výzkumu souvisejícího se zemědělskými drony. Stručně řečeno, naše recenze nabízí několik příspěvků tím, že identifikuje a diskutuje klíčová slova v literatuře, odhaluje shluky znalostí a zároveň vytváří sémanticky podobné komunity v oblasti dronů, nastiňuje dřívější výzkum a navrhuje budoucí směry výzkumu. Níže uvádíme hlavní zjištění přehledu o vývoji zemědělských dronů:
• Celková literatura v posledním desetiletí rychle rostla a přitahovala obrovskou pozornost, jak naznačuje nárůst počtu článků po roce 2012. I když tato znalostní oblast ještě nedosáhla své plné zralosti (Barrientos et al., 2011; Maes & Steppe, 2019), několik otázek je stále nezodpovězeno. Například užitečnost dronů v indoor farmingu je stále otevřená k diskusi (Aslan et al., 2022; Krul et al., 2021; Rold' an et al., 2015). Složitost scén polí a různé zobrazovací okolnosti (např. stíny a osvětlení) by mohly vést k vyššímu spektrálnímu rozptylu ve třídě (Yao et al., 2019). I v pozdějších fázích výzkumu byli výzkumníci vyzváni, aby určili optimální letové plány podle konkrétních scénářů a požadované kvality obrazu (Soares et al., 2021; Tu et al.,
2020).
• Všimli jsme si, že tato oblast pokročila od vývoje účinných systémů UAV k začlenění technik umělé inteligence, jako je strojové učení a hluboké učení při navrhování zemědělských dronů (Bah et al., 2018; Kitano et al., 2019; Maimaitijiang et al. , 2020; Mazzia a kol., 2020; Tetila a kol., 2020).
• Výzkum zemědělských bezpilotních letounů se zabýval především dálkovým průzkumem zkoumáním potenciálu technologie v oblasti monitorování životního prostředí, hospodaření s plodinami a plevele (skupina 1), jakož i vzdáleného fenotypování a odhadu výnosů (skupina 2). Soubor vlivných studií o zemědělských dronech zahrnuje Austin (2010), Berni et al. (2009)a, Herwitz a kol. (2004), Nex a Remondino (2014) a Zhang a Kovacs (2012). Tyto studie rozvinuly koncepční základ výzkumu souvisejícího s drony v kontextu zemědělství.
• Pokud jde o metodologii, zjistili jsme, že většina dosud provedených výzkumů se skládala buď ze studií návrhu systému, koncepčních studií nebo studií založených na přehledu (Inoue, 2020; Nex & Remondino, 2014; P'erez-Ortiz et al. , 2015; Yao a kol., 2019). Všímáme si také nedostatku empirických, kvalitativních metod a metod založených na případových studiích při práci při vyšetřování zemědělských dronů.
• Témata související s precizním zemědělstvím, technikami umělé inteligence, precizním vinařstvím a hodnocením vodního stresu v poslední době přitahují značnou pozornost (Espinoza et al., 2017; Gomez-Cand „on“ et al., 2016; Matese et al., 2015; Matese & Di Gennaro, 2018, 2021; Z. Zhou a kol., 2021). Pečlivé zkoumání výzkumných klastrů ve dvou samostatných obdobích, 1990–2010 a 2011–2021, odhaluje pokrok intelektuální struktury domény. Období od roku 1990 do roku 2010 představovalo budování ústředních pojmů a konceptů dronů, což je zřejmé z diskuse o návrhu, vývoji a implementaci UAV. Ve druhé éře se výzkumné zaměření rozšiřuje na předchozí studie a snaží se syntetizovat případy použití UAV v zemědělství. Našli jsme také četné studie, které pojednávají o aplikacích dronů v zobrazovacích úlohách a přesném zemědělství.
Hodnost | Časopis | Počítat |
1 | Dálkové snímání | 258 |
2 | Journal of Intelligent and Robotic Systems: Theory and | 126 |
Aplikace | ||
3 | Počítače a elektronika v zemědělství | 98 |
4 | IEEE Robotics and Automation Letters | 87 |
5 | Senzory | 73 |
6 | International Journal of Remote Sensing | 42 |
7 | Přesné zemědělství | 41 |
8 | trubci | 40 |
9 | Agronomie | 34 |
10 | Přístup IEEE | 34 |
11 | International Journal of Advanced Robotic Systems | 31 |
12 | International Journal of Agricultural and Biological Engineering | 25 |
13 | PLoS ONE | 25 |
14 | Journal of Field Robotics | 23 |
15 | Biosystems Engineering | 22 |
Důsledky
Náš bibliometrický přehled byl navržen a proveden s ohledem na vědce, farmáře, zemědělské odborníky, konzultanty pro plodiny a návrháře systémů UAV. Podle nejlepšího vědomí autorů se jedná o jednu z prvních původních recenzí, která provedla hloubkovou bibliometrickou analýzu
aplikace dronů v zemědělství. Provedli jsme komplexní revizi tohoto znalostního orgánu s využitím citačních a kocitačních analýz publikací. Naše pokusy popsat intelektuální strukturu výzkumu dronů také nabízejí nové poznatky pro akademiky. Pečlivý přehled použitých klíčových slov v průběhu času odhaluje ohniska a hlavní oblasti výzkumu v literatuře související s drony. Dále uvádíme seznam nejcitovanějších studií, abychom identifikovali nejpůsobivější výzkumné práce dokončené v této oblasti. Identifikace článků a klíčových slov by následně mohla poskytnout solidní výchozí bod k odhalení několika cest pro budoucí studie.
Důležité je, že jsme odhalili shluky, které klasifikují srovnatelné práce, a zpracovali výsledky. Studie klasifikované v klastrech pomáhají pochopit intelektuální strukturu výzkumu UAV. Zejména jsme objevili nedostatek studií, které zkoumají faktory přijetí dronů
a překážky v zemědělských činnostech (viz tabulka 9). Budoucí výzkumníci by mohli tuto potenciální mezeru řešit prováděním empirických výzkumů, které hodnotí faktory přijetí dronů v různých zemědělských činnostech a klimatických podmínkách. Kromě toho by měl být výzkum založený na případových studiích ohledně účinnosti dronů podpořen skutečnými daty z terénu. Také zapojení farmářů a manažerů do akademického výzkumu by bylo výhodné pro teoretický i praktický pokrok výzkumu dronů. Podařilo se nám také identifikovat nejvýznamnější výzkumné pracovníky a jejich příspěvky, což je cenné, protože povědomí o nedávných klíčových pracích může poskytnout určité vodítko pro budoucí akademické úsilí.
Tabulka 9
Překážky přijetí UAV.
Bariéra | Popis |
Bezpečnost dat | Kybernetická bezpečnost je velkou výzvou pro implementaci Řešení IoT (Masroor et al., 2021). |
Interoperabilita a integrace | Různé technologie jako UAV, WSN, IoT atd. by měly být integrovány a přenášet data, která zvýšit úroveň složitosti (Alsamhi et al., 2021; Popescu a kol., 2020; Vuran et al., 2018). |
Náklady na realizaci | To platí zejména pro malé zemědělce a pro integrace různých špičkových technologií ( Masroor a kol., 2021). |
Pracovní znalosti a odbornost | K ovládání UAV jsou potřeba kvalifikovaní piloti dronů. Také implementace různých špičkových technologie vyžadují kvalifikované pracovníky (YB Huang a kol., 2013; Tsouros a kol., 2019). |
Výkon motoru a let trvání | Drony nelze provozovat dlouhé hodiny a krýt velké oblasti (Hardin & Hardin, 2010; Laliberte et al., 2007). |
Stabilita, spolehlivost a ovladatelnost | Drony nejsou stabilní za špatných povětrnostních podmínek (Hardin & Hardin, 2010; Laliberte et al., 2007). |
Omezení užitečného zatížení a kvalita senzorů | Drony mohou nést pouze omezený náklad vedení možnost načítání méně kvalitních senzorů (Nebiker a kol., 2008). |
Nařízení | Protože drony mohou být také nebezpečné, existují závažné předpisy v některých oblastech (Hardin & Jensen, 2011; Laliberte & Rango, 2011). |
Znalosti zemědělců a zájem | Stejně jako další špičkové technologie, drony úspěšná implementace vyžaduje odborné znalosti a také doprovázené nejistotami (Fisher et al., 2009; Lambert a kol., 2004; Stafford, 2000). |
Vzhledem k tomu, že existuje neustálá potřeba efektivně využívat dostupné zdroje k maximalizaci výnosů, mohou zemědělci využívat drony k zajištění rychlého, přesného a nákladově efektivního skenování svých polí. Tato technologie může zemědělcům pomoci určit stav jejich plodin a posoudit stav vody, fázi zrání, napadení hmyzem a nutriční potřeby. Schopnosti dálkového průzkumu dronů mohou zemědělcům poskytnout klíčová data, aby mohli včas předvídat problémy a rychle provést vhodné zásahy. Výhody této technologie však lze realizovat pouze tehdy, pokud jsou výzvy náležitě řešeny. Ve světle
současné problémy týkající se bezpečnosti dat, problémů s technologií senzorů (např. spolehlivost nebo přesnost měření), složitosti integrace a značných nákladů na implementaci, budoucí studie musí také zkoumat technickou, ekonomickou a provozní proveditelnost integrace zemědělských dronů a dalších okrajové technologie.
Omezení
Naše studie má několik omezení. Za prvé, zjištění jsou určena publikacemi vybranými pro konečnou analýzu. Je náročné zachytit všechny relevantní studie týkající se zemědělských dronů, zejména těch, které nejsou indexovány v databázi Scopus. Dále je proces sběru dat omezen na nastavení klíčových slov pro vyhledávání, která nemusí být inkluzivní a vést k neprůkazným zjištěním. Budoucí studie proto musí věnovat více pozornosti základnímu problému sběru dat
spolehlivější závěry. Další omezení se týká nových publikací s nízkým počtem citací. Bibliometrická analýza je zaujatá vůči dřívějším publikacím, protože v průběhu let mají tendenci dostávat více citací. Nedávné studie potřebují určitý čas, aby upoutaly pozornost a shromáždily citace. Nedávné studie, které přinášejí změnu paradigmatu, by se proto nezařadily do první desítky nejvlivnějších děl. Toto omezení převládá při zkoumání rychle se objevujících oblastí výzkumu, jako jsou zemědělské drony. Protože jsme se Scopusem konzultovali prostudování literatury pro tuto práci, budoucí výzkumníci by mohli uvažovat jinak
databáze, jako je Web of Science a IEEE Xplore, k rozšíření obzoru a posílení struktury výzkumu.
Potenciální bibliometrické studie mohou vzít v úvahu další důležité zdroje znalostí, jako jsou konferenční příspěvky, kapitoly a knihy, aby generovaly nové poznatky. Navzdory mapování a zkoumání globálních publikací o zemědělských dronech naše zjištění neodhalila důvody vědeckých výstupů univerzit. To otevírá cestu k nové oblasti výzkumu v kvalitativním vysvětlení, proč jsou některé univerzity produktivnější než jiné, pokud jde o výzkum v oblasti zemědělství.
drony. Kromě toho by budoucí studie mohly poskytnout pohled na potenciál dronů zvýšit udržitelnost zemědělství několika způsoby, jako je monitorování životního prostředí, řízení plodin a mapování plevele, jak naznačilo několik výzkumníků (Chamuah & Singh, 2019; Islam et al., 2021; Popescu a kol., 2020; J. Su, Liu a kol., 2018b). Vzhledem k tomu, že textová analýza nebyla možná kvůli vysokému počtu vybraných článků, je potřeba systematických přehledů literatury, které by zkoumaly
použité výzkumné metody a zapojení zemědělců do předchozích studií. Stručně řečeno, naše analýza výzkumu dronů odhaluje neviditelné vazby tohoto znalostního těla. Tento přehled tak pomáhá odhalit vztahy mezi publikacemi a zkoumá intelektuální strukturu výzkumného pole. Také zobrazuje vazby mezi různými aspekty literatury, jako jsou klíčová slova autorů, afiliace a země.
Prohlášení o konkurenčním zájmu
Autoři prohlašují, že nemají žádné známé konkurenční finanční zájmy ani osobní vztahy, které by mohly ovlivnit práci uvedenou v tomto příspěvku.
Příloha 1
TITLE-ABS-KEY ((dron* OR „bezpilotní vzdušný prostředek“ OR uav* OR „systém bezpilotního letadla“NEBO uas NEBO „dálkově řízené letadlo“) A (zemědělství NEBO zemědělství NEBO zemědělství NEBO zemědělec))) A (VYLOUČIT (PUBYEAR, 2022)) A (LIMIT-TO (LANGUAGE, „angličtina“)).
Reference
Aasen, H., Burkart, A., Bolten, A., Bareth, G., 2015. Generování 3D hyperspektrálních informací pomocí lehkých UAV snapshot kamer pro monitorování vegetace: od
kalibrace fotoaparátu pro zajištění kvality. 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. Vývoj algoritmu rozpoznávání vzorů pro automatickou detekci ptáků ze snímků bezpilotních vzdušných prostředků.
Průzkum. Land Inform. Sci. 65 (1), 37–45.
Abdollahi, A., Rejeb, K., Rejeb, A., Mostafa, MM, Zailani, S., 2021. Bezdrátové senzorové sítě v zemědělství: poznatky z bibliometrické analýzy. Udržitelnost 13 (21),
12011.
Aboutalebi, M., Torres-Rua, AF, Kustas, WP, Nieto, H., Coopmans, C., McKee, M., Posouzení různých metod detekce stínu v optickém zobrazení s vysokým rozlišením a vyhodnocení vlivu stínu na výpočet NDVI a evapotranspirace. Zavlažovat. Sci. 37 (3), 407–429. https://doi.org/10.1007/s00271-018-0613-9.
Adao, ˜ T., Hruška, J., Padova, ´ L., Bessa, J., Peres, E., Morais, R., Sousa, JJ, 2017. Hyperspektrální zobrazování: přehled senzorů založených na UAV, data zpracování a
aplikace pro zemědělství a lesnictví. Dálkový průzkum Země 9 (11). https://doi.org/ 10.3390/rs9111110.
Agüera Vega, F., Ramírez, FC, Saiz, MP, Rosúa, FO, 2015. Vícečasové snímkování pomocí bezpilotního letounu pro sledování úrody slunečnice. Biosyst. Ing.
132, 19–27. https://doi.org/10.1016/j.biosystemseng.2015.01.008.
Ajayi, OG, Salubi, AA, Angbas, AF, Odigure, MG, 2017. Generování přesných digitálních výškových modelů z UAV získalo nízké procento překrývajících se snímků. 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. Přehled přístupů strojového učení pro získávání biomasy a vlhkosti půdy z dat dálkového průzkumu Země. Dálkový průzkum Země 7 (12), 16398–16421.
Alsamhi, SH, Afghah, F., Sahal, R., Hawbani, A., Al-qaness, MAA, Lee, B., Guizani, M., Zelený internet věcí pomocí UAV v sítích B5G: Přehled aplikací
a strategie. Inzerát. 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. In: 20. středomořská elektrotechnická konference IEEE. https://doi.
org/10.1109/MELECON48756.2020.9140588.
Ampatzidis, Y., Partel, V., 2019. Vysokovýkonné fenotypování citrusů založené na UAV s využitím multispektrálního zobrazování a umělé inteligence. Dálkový průzkum Země 11 (4), https://doi.org/10.3390/rs11040410.
Ampatzidis, Y., Partel, V., Costa, L., 2020. Agroview: Cloudová aplikace pro zpracování, analýzu a vizualizaci dat shromážděných UAV pro aplikace v přesném zemědělství využívající umělou inteligenci. Počítat. Elektron. Agric. 174, 105457 https://doi. org/10.1016/j.compag.2020.105457.
Ang, K.-L.-M., Seng, JKP, 2021. Velká data a strojové učení s hyperspektrálními informacemi v zemědělství. IEEE Access 9, 36699–36718. https://doi.org/10.1109/
PŘÍSTUP.2021.3051196.
Aquilani, C., Confessore, A., Bozzi, R., Sirtori, F., Pugliese, C., 2022. Recenze: technologie precizního chovu dobytka v systémech chovu dobytka na pastvinách. Zvíře 16 (1), https://doi.org/10.1016/j.animal.2021.100429.
Armenta-Medina, D., Ramirez-Delreal, TA, Villanueva-Vasquez, ´ D., Mejia-Aguirre, C., Trendy pokročilých informačních a komunikačních technologií pro
zlepšení zemědělské produktivity: bibliometrická analýza. Agronomie 10 (12), článek 12. https://doi.org/10.3390/agronomy10121989.
Armstrong, I., Pirrone-Brusse, M., Smith, A., Jadud, M., 2011. Létající aligátor: směrem k letecké robotice v occam-π. Commun. Procesní architekt. 2011, 329–340. https://doi. org/10.3233/978-1-60750-774-1-329.
Arora, SD, Chakraborty, A., 2021. Výzkum intelektuální struktury spotřebitelského stěžujícího si chování (CCB): bibliometrická analýza. J. Business Res. 122, 60–74.
Aslan, MF, Durdu, A., Sabanci, K., Ropelewska, E., Gültekin, SS, 2022.
Komplexní přehled nedávných studií s UAV pro přesné zemědělství na otevřených polích a ve sklenících. Appl. Sci. 12 (3), 1047. https://doi.org/10.3390/
app12031047.
Atkinson, JA, Jackson, RJ, Bentley, AR, Ober, E., & Wells, DM (2018). Terénní fenotypování pro budoucnost. In Annual Plant Reviews online (str. 719–736). John
Wiley & Sons, Ltd. doi: 10.1002/9781119312994.apr0651.
Austin, R., 2010. Bezpilotní letecké systémy: Návrh, vývoj a nasazení UAVS. In: Bezpilotní letecké systémy: Návrh, vývoj a vývoj UAVS
Rozvinutí. John Wiley a synové. 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. Dálkové snímání založené na UAV ve stresu rostlin si představte použití tepelného senzoru s vysokým rozlišením pro digitální zemědělské postupy: metarecenze. 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. Chytré zemědělství: Příležitosti, výzvy
a technologické prostředky. Vertikální IoT 2018 a. Aktuální summit o zemědělství – Toskánsko (IOT Toskánsko) 1.–6. https://doi.org/10.1109/IOTTUSCANY.2018.8373043.
Bah, MD, Hafiane, A., Canals, R., 2018. Hluboké učení se značením dat bez dozoru pro detekci plevele v liniových plodinách na snímcích UAV. Dálkový průzkum Země 10 (11), 1690.
https://doi.org/10.3390/rs10111690.
Baldi, S., 1998. Normativní versus sociálně konstruktivistické procesy při přidělování citací: síťově analytický model. Dopoledne. 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. Posouzení variability stavu vody ve vinicích termálními a multispektrálními
snímky pomocí bezpilotního letounu (UAV). Zavlažovat. 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., Chov příští generace. Plant Sci. 242, 3–13. https://doi.org/10.1016/j.
plantsci.2015.07.010.
Barbedo, JGA, Koenigkan, LV, 2018. Pohledy na využití bezpilotních vzdušných systémů pro sledování dobytka. 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. Nízká hmotnost a hyperspektrální UAV full-frame fotoaparáty
pro monitorování plodin: Spektrální srovnání s měřením přenosným spektroradiometrem. Fotogrammetrie, Fernerkundung, Geoinformace 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., Letecký dálkový průzkum Země v zemědělství: Praktický přístup k pokrytí území
a plánování cest pro flotily mini vzdušných robotů. 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. Průzkum o aplikaci algoritmů plánování cesty pro vícerotorové UAV v přesnosti
zemědělství. J. Navig. 75 (2), 364–383.
Basnet, B., Bang, J., 2018. Nejmodernější znalostně náročné zemědělství: přehled aplikovaných snímacích systémů a datové analytiky. J. Sens. 2018, 1.–13.
Bendig, J., Bolten, A., Bareth, G., 2013. Zobrazování založené na UAV pro multitemporální modely povrchu plodin s velmi vysokým rozlišením pro sledování variability růstu plodin. Fotogrammetrie, 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. Odhad biomasy ječmene pomocí modelů povrchu plodin (CSM) odvozených z UAV based RGB imaging. Dálkový průzkum Země 6 (11), 10395–10412.
Bendig, J., Yu, K., Aasen, H., Bolten, A., Bennertz, S., Broscheit, J., Gnyp, ML, Bareth, G., 2015. Kombinace výšky rostlin na bázi UAV z povrchu plodiny modely,
viditelné a blízké infračervené vegetační indexy pro monitorování biomasy ječmene. 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. Mapování vodivosti koruny a CWSI v olivových sadech pomocí vysokého rozlišení
termální snímky dálkového průzkumu Země. Remote Sens. Environ. 113 (11), 2380–2388. https://doi.org/10.1016/j.rse.2009.06.018.
Berni, JA, Zarco-Tejada, PJ, Suarez, ´L., Fereres, E., 2009b. Tepelné a úzkopásmové multispektrální dálkové snímání pro monitorování vegetace z bezpilotního letounu. IEEE Trans. Geosci. Remote Sens. 47 (3), 722–738.
Bouzembrak, Y., Klüche, M., Gavai, A., Marvin, HJP, 2019. Internet věcí v bezpečnosti potravin: Přehled literatury a bibliometrická analýza. 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 v zemědělství: Navrhování celoevropského pilotního projektu ve velkém měřítku. IEEE Commun. Mag. 55 (9), 26–33.
Buters, TM, Belton, D., Cross, AT, 2019. Multisenzorové UAV sledování jednotlivých sazenic a společenstev sazenic s milimetrovou přesností. Drony 3 (4), 81.
https://doi.org/10.3390/drones3040081.
Candiago, S., Remondino, F., De Giglio, M., Dubbini, M., Gattelli, M., 2015. Vyhodnocování multispektrálních snímků a vegetačních indexů pro aplikace precizního zemědělství ze snímků UAV. Dálkový průzkum Země 7 (4), 4026–4047. https://doi.org/10.3390/rs70404026.
Cao, Y., Li, GL, Luo, YK, Pan, Q., Zhang, SY, 2020. Sledování ukazatelů růstu cukrové řepy pomocí indexu vegetace širokého dynamického rozsahu (WDRVI) odvozeného z UAV
multispektrální obrazy. Počítat. Elektron. Agric. 171, 105331 https://doi.org/10.1016/j.compag.2020.105331.
Casillas, J., Acedo, F., 2007. Evoluce intelektuální struktury literatury rodinného podnikání: bibliometrická studie FBR. Rodinný podnik 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. Dynamické monitorování biomasy rýže pod
různé úpravy dusíkem pomocí lehkého UAV s kamerami se dvěma snímky. Plant Methods 15 (1), 32. https://doi.org/10.1186/s13007-019-
0418-8.
Chamuah, A., Singh, R., 2019. Zajištění udržitelnosti v indickém zemědělství prostřednictvím civilního UAV: perspektiva odpovědné inovace. SN Appl. Sci. 2 (1), 106. https://
doi.org/10.1007/s42452-019-1901-6.
Chamuah, A., Singh, R., 2022. Odpovědné řízení inovací civilních bezpilotních letounů (UAV) pro aplikace pojištění úrody v Indii. J. Zodpovědný
Technol. 9, 100025 https://doi.org/10.1016/j.jrt.2022.100025.
Chen, A., Orlov-Levin, V., Meron, M., 2019. Aplikace leteckého snímkování vrchlíku plodin s vysokým rozlišením na viditelném kanálu na přesné řízení zavlažování. Agric. Voda
Manag. 216, 196–205. https://doi.org/10.1016/j.agwat.2019.02.017.
Daakir, M., Pierrot-Deseilligny, M., Bosser, P., Pichard, F., Thom, C., Rabot, Y., Martin, O., 2017. Lehký UAV s palubní fotogrammetrií a jednofrekvenčním GPS určováním polohy pro metrologické aplikace. 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. Platforma IoT založená na blockchainu pro řízení provozu autonomních dronů. In: Sborník příspěvků 2. ACM
Workshop MobiCom o bezdrátové komunikaci asistované dronem pro 5G a další, str. 31–36. https://doi.org/10.1145/3414045.3415939.
Day, RA, Gastel, B., 1998. Jak napsat a publikovat vědeckou práci. Cambridge University Press. de Castro, AI, Pena, ˜ JM, Torres-Sanchez, ´ J., Jim´enez-Brenes, FM, ValenciaGredilla, F., Recasens, J., Lopez-Granados, ´ F., 2020. Mapování zamoření cynodonem dactylonem krycí plodiny s automatickým rozhodovacím stromem-OBIA procedurou a UAV snímky pro přesné vinařství. Dálkový průzkum Země 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. Algoritmus automatického náhodného lesa-OBIA pro rané mapování plevele mezi řádky plodin a v nich pomocí snímků UAV. Dálkový průzkum Země 10 (2). https://doi.org/10.3390/rs10020285.
Demir, N., Sonmez, ¨ NK, Akar, T., Ünal, S., 2018. Automatizované měření rostlinné výšky genotypů pšenice pomocí DSM odvozeného z UAV snímků. 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. Lehká sémantická segmentační síť pro mapování plevele v reálném čase pomocí bezpilotních vzdušných prostředků. Appl. Sci. 10 (20), 7132. https://doi.org/10.3390/app10207132.
Deng, L., Mao, Z., Li, X., Hu, Z., Duan, F., Yan, Y., 2018. Multispektrální dálkový průzkum založený na UAV pro přesné zemědělství: srovnání mezi různými kamerami. ISPRS J. Photogramm. Remote Sens. 146, 124–136.
Diaz-Gonzalez, FA, Vuelvas, J., Correa, CA, Vallejo, VE, Patino, D., 2022. Techniky strojového učení a dálkového průzkumu Země aplikované k odhadu půdních indikátorů – přehled. 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. Snímky vzdušného UAV s vysokým rozlišením pro posouzení parametrů koruny olivovníků pomocí 3D fotografie
rekonstrukce: uplatnění v chovných zkouškách. Dálkový průzkum Země 7 (4), 4213–4232. https://doi.org/10.3390/rs70404213.
Dixit, A., Jakhar, SK, 2021. Řízení kapacity letiště: přehled a bibliometrická analýza. 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.
Použití snímků RapidEye k identifikaci variability růstu plodin a výnosu v rámci pole v Ontariu v Kanadě. Přesné zemědělství. 20 (6), 1231–1250. https://doi.org/10.1007/
s11119-019-09646-w.
Dutta, PK, Mitra, S., 2021. Aplikace zemědělských dronů a iot k pochopení potravinového dodavatelského řetězce v období po COVID-19. In: Choudhury, A., Biswas, A., Prateek, M.,
Chakrabarti, A. (eds.), Zemědělská informatika: Automatizace pomocí internetu věcí a strojového učení. Wiley, s. 67–87. van Eck, N., Waltman, L., 2009. Softwarový průzkum: VOSviewer, počítačový program pro bibliometrické mapování. Scientometrie 84 (2), 523–538. https://doi.org/10.1007/s11192-009-0146-3.
Elijah, O., Rahman, TA, Orikumhi, I., Leow, CY, Hindia, MN, 2018. Přehled internetu věcí (IoT) a datové analýzy v zemědělství: výhody a výzvy.
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. Validace agronomického UAV a pole
měření pro odrůdy rajčat. Počítat. Elektron. Agric. 158, 278–283. https://doi.org/10.1016/j.compag.2019.02.011.
Espinoza, CZ, Khot, LR, Sankaran, S., Jacoby, PW, 2017. Hodnocení vodního stresu s vysokým rozlišením na základě multispektrálního a tepelného dálkového průzkumu Země v
podpovrchové zavlažované vinné révy. Dálkový průzkum Země 9 (9), 961. https://doi.org/ 10.3390/rs9090961.
Ewing, J., Oommen, T., Jayakumar, P., Alger, R., 2020. Využití hyperspektrálního dálkového průzkumu Země pro gradaci půdy. Dálkový průzkum Země 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. Víceškálové hodnocení multispektrální povrchové odrazivosti a vegetačních indexů na bázi dronů v provozních podmínkách. Dálkový průzkum Země 12 (3), 514.
Feng, X., Yan, F., Liu, X., 2019. Studium bezdrátových komunikačních technologií na internetu věcí pro precizní zemědělství. Bezdrátové os. Commun. 108 (3),
1785-1802.
Ferreira, MP, Pinto, CF, Serra, FR, 2014. Teorie transakčních nákladů v mezinárodním obchodním výzkumu: bibliometrická studie za tři desetiletí. Scientometrie 98 (3), 1899–1922. https://doi.org/10.1007/s11192-013-1172-8.
Fisher, P., Abuzar, M., Rab, M., Best, F., Chandra, S., 2009. Pokroky v precizním zemědělství v jihovýchodní Austrálii. I. regresní metodologie k simulaci
prostorové variace ve výnosech obilovin s použitím historických výnosů farmářů z výběhu a normalizovaného rozdílového vegetačního indexu. Crop Pasture Sci. 60 (9), 844–858.
Floreano, D., Wood, RJ, 2015. Věda, technologie a budoucnost malých autonomních dronů. Příroda 521 (7553), 460–466. https://doi.org/10.1038/nature14542.
Friha, O., Ferrag, MA, Shu, L., Maglaras, LA, Wang, X., 2021. Internet věcí pro budoucnost chytrého zemědělství: komplexní přehled nově vznikajících technologií. 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. Segmentace rostlin fíkových z leteckých snímků pomocí hluboké konvoluční sítě kodér-dekodér. Dálkový průzkum Země 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. Výzva UAV k posouzení vodního stresu pro
udržitelné zemědělství. Agric. Vodní hospodářství. 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, ČR, Dur' an-Zuazo, VH, 2018. Termální zobrazování v závodě
úroveň pro posouzení stavu plodiny a vody v mandlovnách (kultivar Guara) v rámci strategií deficitního zavlažování. Agric. Vodní hospodářství. 208, 176–186. https://doi.org/10.1016/j.
agwat.2018.06.002.
Garzonio, R., Di Mauro, B., Colombo, R., Cogliati, S., 2017. Měření povrchové odrazivosti a sluncem indukované fluorescenční spektroskopie pomocí malého hyperspektrálního UAS. Dálkový průzkum Země 9 (5), 472. https://doi.org/10.3390/rs9050472. Gaˇsparovi´c, M., Zrinjski, M., Barkovi´c, Đ., Radoˇcaj, D., 2020. Automatická metoda pro
mapování plevele na polích ovsa na základě snímků UAV. Počítat. Elektron. Agric.
Gebbers, R., Adamchuk, VI, 2010. Precizní zemědělství a potravinová bezpečnost. Science 327 (5967), 828–831. https://doi.org/10.1126/science.1183899.
Geipel, J., Link, J., Claupein, W., 2014. Kombinované spektrální a prostorové modelování výnosu kukuřice na základě leteckých snímků a modelů povrchu plodin pořízených systémem bezpilotního letadla. Dálkový průzkum Země 6 (11), 10335–10355. https://doi.org/10.3390/rs61110335.
Geng, D., Feng, Y., Zhu, Q., 2020. Udržitelný design pro uživatele: přehled literatury a bibliometrická analýza. Environ. Sci. Pollut. Res. 27 (24), 29824–29836. https://doi. org/10.1007/s11356-020-09283-1.
Gevaert, CM, Suomalainen, J., Tang, J., Kooistra, L., 2015. Generování spektrálních časových reakčních povrchů kombinací multispektrálních družicových a hyperspektrálních
Snímky UAV pro aplikace v přesném zemědělství. IEEE J. Sel. Horní. Appl. Earth Obs. Remote Sens. 8 (6), 3140–3146. ttps://doi.org/10.1109/JSTARS.2015.2406339.
Gill, SS, Chana, I., Buyya, R., 2017. Zemědělství založené na internetu věcí jako cloud a velká datová služba: začátek digitální Indie. J. Org. a Výpočet koncového uživatele. (JOEUC) 29 (4),
1-23.
Gmür, M., 2006. Kocitační analýza a hledání neviditelných kolejí: metodologické hodnocení. Scientometrie 57 (1), 27–57. https://doi.org/10.1023/
a:1023619503005.
Gnadinger, ¨ F., Schmidhalter, U., 2017. Digitální počty rostlin kukuřice pomocí bezpilotních letounů (UAV). Dálkový průzkum Země 9 (6). Https://doi.org/10.3390/rs9060544.
Gokto ¨ ǧan, AH, Sukkarieh, S., Bryson, M., Randle, J., Lupton, T., Hung, C., 2010. Bezpilotní letadlo s rotačním křídlem pro sledování vodních plevelů a
řízení. J. Intell. Robotický systém: Teor. 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. Posouzení přesnosti mozaiky ze snímků bezpilotních letounů (UAV) pro účely precizního zemědělství v pšenici. Konspekt. 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. Terénní fenotypování vodního stresu ve stromovém měřítku pomocí snímků snímaných UAV : nové poznatky pro
tepelné získávání a kalibrace. Konspekt. Agric. 17 (6), 786–800. https://doi.org/10.1007/s11119-016-9449-6.
Gonzalez-Dugo, V., Zarco-Tejada, PJ, Fereres, E., 2014. Použitelnost a omezení použití indexu vodního stresu plodin jako indikátoru deficitu vody v citrusových sadech. Agric. Pro. 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. Použití UAV termokamery s vysokým rozlišením k
posoudit variabilitu vodního stavu pěti druhů ovocných stromů v rámci komerčního sadu. Konspekt. Agric. 14 (6), 660–678. https://doi.org/10.1007/s11119-013-9322-9.
Goyal, K., Kumar, S., 2021. Finanční gramotnost: Systematický přehled a bibliometrická analýza. Int. J. Consumer Studies 45 (1), 80–105. https://doi.org/10.1111/
ijcs.12605.
Grenzdorffer, ¨ GJ, Engel, A., Teichert, B., 2008. Fotogrammetrický potenciál nízkonákladových UAV v lesnictví a zemědělství. Mezinárodní archivy fotogrammetrie, dálkového průzkumu Země a prostorových informačních věd – 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. Posouzení korelace vysokého rozlišení
NDVI s úrovní aplikace hnojiva a výnosem rýže a pšenice pomocí malých UAV. Dálkový průzkum Země 11 (2), 112.
Gundolf, K., Filser, M., 2013. Manažerský výzkum a náboženství: citační analýza. J. Bus. Etika 112 (1), 177–185.
Guo, Q., Zhu, Y., Tang, Y., Hou, C., He, Y., Zhuang, J., Zheng, Y., Luo, S., 2020. CFD simulace a experimentální ověření prostorového a časová distribuce
proudění vzduchu ze čtyřrotorového zemědělského UAV ve visu. Počítat. Elektron. Agric. 172, 105343 https://doi.org/10.1016/j.compag.2020.105343.
Haghighattalab, A., Gonz'alez P'erez, L., Mondal, S., Singh, D., Schinstock, D., Rutkoski, J., Ortiz-Monasterio, I., Singh, RP, Goodin, D. , Polsko, J., 2016.
Aplikace bezpilotních vzdušných systémů pro vysoce výkonnou fenotypizaci velkých pěstitelských školek pšenice. Rostlinné metody 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. Spektrální zobrazování z UAV za různých podmínek osvětlení . In GG Bill R. (Ed.), Mezinárodní archiv fotogrammetrie, dálkového průzkumu Země a prostorových informačních věd – archiv ISPRS (svazek 40, vydání 1W2, s. 189–194). Mezinárodní společnost pro fotogrammetrii a dálkový průzkum Země. 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. Vyhodnocovací techniky pro mapování ostrovní vegetace z bezpilotních letadel
obrázky vozidel (UAV): klasifikace pixelů, vizuální interpretace a přístupy strojového učení. 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. Chytré zemědělství prostřednictvím odpovědného vedení v Bangladéši: možnosti, příležitosti a další.
Udržitelnost 13 (8), 4511.
Hardin, PJ, Hardin, TJ, 2010. Malá dálkově řízená vozidla v environmentálním výzkumu. Geografický kompas 4 (9), 1297–1311. ttps://doi.org/10.1111/j.1749-
8198.2010.00381.x
Hardin, PJ, Jensen, RR, 2011. Malé bezpilotní letouny v environmentálním dálkovém průzkumu: výzvy a příležitosti. 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. Zemědělský internet věcí: technologie a aplikace, (1. vydání z roku 2021). 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.
Snímání z bezpilotního vzdušného prostředku: zemědělský dohled a podpora rozhodování. Počítat. Elektron. Agric. 44 (1), 49–61. https://doi.org/10.1016/j.
compag.2004.02.006.
Holman, FH, Riche, AB, Michalski, A., Castle, M., Wooster, MJ, Hawkesford, MJ, Vysokovýkonné pole fenotypování výšky rostlin pšenice a rychlosti růstu v polních pokusech pomocí dálkového průzkumu založeného na UAV. Dálkový průzkum Země 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. Zpracování a hodnocení spektrometrických, stereoskopických snímků shromážděných pomocí lehké spektrální kamery UAV pro přesné zemědělství. Dálkový průzkum Země 5 (10), 5006–5039. https://doi.org/10.3390/rs5105006.
Hossein Motlagh, N., Taleb, T., Arouk, O., 2016. Služby internetu věcí založené na bezpilotních vzdušných dopravních prostředcích v malých výškách: komplexní průzkum a budoucí perspektivy. 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. Kombinovaná navigace městských kaňonů na bázi optického toku a stereo pro UAV. V roce: 2005 IEEE/RSJ
Mezinárodní konference o inteligentních robotech a systémech, s. 3309–3316. https://doi.org/10.1109/IROS.2005.1544998.
Hsu, T.-C., Yang, H., Chung, Y.-C., Hsu, C.-H., 2020. Kreativní zemědělská platforma IoT pro cloud fog computing. Udržet. Počítat. Inf. Syst. 28, 100285.
Huang, H., Deng, J., Lan, Y., Yang, A., Deng, X., Zhang, L., Gonzalez-Andujar, JL, 2018. Plně konvoluční síť pro mapování plevele bezpilotního leteckého prostředku ( UAV) snímky. PLoS ONE 13 (4), e0196302.
Huang, H., Lan, Y., Yang, A., Zhang, Y., Wen, S., Deng, J., 2020. Hluboké učení versus objektově založená obrazová analýza (OBIA) v mapování plevele na snímcích UAV. Int. J.
Remote Sens. 41 (9), 3446–3479. https://doi.org/10.1080/01431161.2019.1706112.
Huang, H., Yang, A., Tang, Y., Zhuang, J., Hou, C., Tan, Z., Dananjayan, S., He, Y., Guo, Q., Luo, S., 2021. Kalibrace hlubokých barev pro snímky UAV při sledování plodin
pomocí přenosu sémantického stylu s lokální až globální pozorností. 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. Vývoj a perspektiva technologií bezpilotních letounů pro zemědělskou výrobu
řízení. Int. J. Agric. Biol. Ing. 6 (3), 1–10. https://doi.org/10.3965/j. ijabe.20130603.001.
Huang, Y., Hoffmann, WC, Lan, Y., Wu, W., Fritz, BK, 2009. Vývoj sprejového systému pro platformu bezpilotního letounu. Appl. Ing. Agric. 25 (6), 803-809.
Hunt Jr., ER, Dean Hively, W., Fujikawa, SJ, Linden, DS, Daughtry, CST, McCarty, GW, 2010. Pořízení digitálních fotografií NIR-zeleno-modré z
bezpilotní letadla pro sledování plodin. Dálkový průzkum Země 2 (1), 290–305. https://doi. org/10.3390/rs2010290. Inoue, Y., 2020. Satelitní a dronové dálkové snímání plodin a půdy pro chytré zemědělství – přehled. 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. Přehled aplikací a komunikačních technologií pro Internet věcí (IoT) a
Udržitelné chytré zemědělství založené na bezpilotních letounech (UAV). Udržitelnost 13 (4), 1821. https://doi.org/10.3390/su13041821.
Jaud, M., Passot, S., Le Bivic, R., Delacourt, C., Grandjean, P., Le Dantec, N., 2016. Posouzení přesnosti digitálních povrchových modelů s vysokým rozlišením vypočítaných
PhotoScan® a MicMac® v suboptimálních podmínkách průzkumu. Dálkový průzkum Země 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. Kvantifikace dopadů prořezávání na architekturu olivovníků a roční růst vrchlíku pomocí 3D modelování založeného na UAV. Rostlinné metody 13 (1). https://doi.org/10.1186/s13007-017-0205-3.
Jin, X., Liu, S., Baret, F., Hemerl´e, M., Comar, A., 2017. Odhady hustoty rostlin pšenice při vzejití ze snímků UAV ve velmi nízké výšce. Remote Sens.
Environ. 198, 105–114. https://doi.org/10.1016/j.rse.2017.06.007.
Jinbo, C., Xiangliang, C., Han-Chi, F., Lam, A., 2019. Systém monitorování zemědělských produktů podporovaný cloud computingem. Cluster Computing. 22 (4), 8929-8938.
Ju, C., & Son, HI 2018a. Hodnocení výkonnosti více UAV systémů pro dálkový průzkum Země v zemědělství. Sborník příspěvků z Workshopu o robotické vizi a akci v zemědělství na mezinárodní konferenci IEEE o robotice a automatizaci (ICRA), Brisbane, Austrálie, 21.–26.
Ju, C., Syn, HI, 2018b. Více UAV systémů pro zemědělské aplikace: kontrola, implementace a vyhodnocení. Elektronika 7 (9), 162. https://doi.org/10.3390/
elektronika7090162.
Jung, J., Maeda, M., Chang, A., Bhandari, M., Ashapure, A., Landivar-Bowles, J., 2021. Potenciál dálkového průzkumu Země a umělé inteligence jako nástroje ke zlepšení
odolnost systémů zemědělské výroby. 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. Vylepšená technika vyhledávání plodin zahrnující multispektrální snímkování plodin bezpilotním vzdušným prostředkem do konvenční praxe vyhledávání plísně melounu. Plant Dis. 103 (7), 1642–1650.
Kapoor, KK, Tamilmani, K., Rana, NP, Patil, P., Dwivedi, YK, Nerur, S., 2018. Pokroky ve výzkumu sociálních médií: minulost, přítomnost a budoucnost. Informovat. Syst. Přední. 20
(3), 531-558.
Kerkech, M., Hafiane, A., Canals, R., 2020. VddNet: síť pro detekci chorob révy založená na multispektrálních snímcích a hloubkové mapě. Dálkový průzkum Země 12 (20), 3305. https://doi. org/10.3390/rs12203305.
Khaliq, A., Comba, L., Biglia, A., Ricauda Aimonino, D., Chiaberge, M., Gay, P., 2019. Srovnání satelitních a UAV multispektrálních snímků pro vinice
posouzení variability. Dálkový průzkum Země 11 (4). https://doi.org/10.3390/rs11040436.
Khan, PW, Byun, Y.-C., Park, N., 2020. IoT-blockchain umožnil optimalizovaný provenienční systém pro potravinářský průmysl 4.0 pomocí pokročilého hlubokého učení. Senzory 20 (10), 2990.
Khan, RU, Khan, K., Albattah, W., Qamar, AM, Ullah, F., 2021. Obrazová detekce chorob rostlin: od klasického strojového učení po cestu hlubokého učení. Bezdrátová komunikace. Mobilní počítač. 2021, 1.–13.
Khan, S., Tufail, M., Khan, MT, Khan, ZA, Iqbal, J., Alam, M., Le, KNQ, 2021. Nový semi-dozorovaný rámec pro klasifikaci plodin/plevelů na základě UAV. PLoS ONE 16 (5), e0251008.
Khanal, S., Fulton, J., Shearer, S., 2017. Přehled současných a potenciálních aplikací tepelného dálkového průzkumu Země v precizním zemědělství. Počítat. Elektron.
Agric. 139, 22–32. https://doi.org/10.1016/j.compag.2017.05.001.
Khanna, A., Kaur, S., 2019. Evoluce internetu věcí (IoT) a jeho významný dopad v oblasti precizního zemědělství. Počítat. Elektron. Agric. 157, 218–231.
Kim, W., Khan, GF, Wood, J., Mahmood, MT, 2016. Zapojení zaměstnanců pro udržitelné organizace: analýza klíčových slov pomocí analýzy sociálních sítí a burst
detekční přístup. Udržitelnost 8 (7), 631.
Kirsch, M., Lorenz, S., Zimmermann, R., Tusa, L., Mockel, ¨ R., Hodl, ¨ P., Booysen, R., Khodadadzadeh, M., Gloaguen, R., 2018. Integrace pozemních a dronových
hyperspektrální a fotogrammetrické metody snímání pro mapování průzkumu a monitorování těžby. Dálkový průzkum Země 10 (9), 1366. https://doi.org/10.3390/
rs10091366.
Kitano, BT, Mendes, CCT, Geus, AR, Oliveira, HC, Souza, JR, 2019. Počítání rostlin kukuřice pomocí deep learning a UAV obrázků. IEEE Geosci. Remote Sens. Lett. 1–5 https://doi.org/10.1109/LGRS.2019.2930549.
Koh, JCO, Spangenberg, G., Kant, S., 2021. Automatizované strojové učení pro vysoce výkonné obrazové fenotypování rostlin. Dálkový průzkum Země 13 (5), 858. https://
doi.org/10.3390/rs13050858.
Kovalev, IV, Voroshilova, AA, 2020. Moderní technologické trendy ve vývoji ekosystému nákladních UAV. 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. Vizuální SLAM pro chov hospodářských zvířat v hale a chov pomocí malého dronu s monokulární kamerou: studie proveditelnosti.
Drony 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. Průzkum dronů pro automatizaci zemědělství od výsadby do
sklizeň. In: 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. Rámcové názory a výzvy UAV IoT: k ochraně dronů jako „věcí“. Senzory 18 (11), 4015. https://doi.org/10.3390/s18114015.
Laliberte, AS, Rango, A., 2011. Zpracování snímků a klasifikační postupy pro analýzu sub-decimetrových snímků pořízených bezpilotním letadlem nad aridním
pastviny. GISci. Dálkové čidlo 48 (1), 4–23. https://doi.org/10.2747/1548-1603.48.1.4.
Laliberte, AS, Rango, A., Herrick, JE, 2007. Bezpilotní letouny pro mapování a monitorování pastvin: srovnání dvou systémů. Sborník výroční konference ASPRS.
Lam, OHY, Dogotari, M., Prüm, M., Vithlani, HN, Roers, C., Melville, B., Zimmer, F., Becker, R., 2021. Pracovní postup s otevřeným zdrojovým kódem pro mapování plevele v původních pastvinách
použití bezpilotního prostředku: Použití Rumex obtusifolius jako případové studie. Eur. J.Remote Sens. 54 (sup1), 71–88. https://doi.org/10.1080/22797254.2020.1793687.
Lambert, DM, Lowenberg-DeBoer, J., Griffin, TW, Peone, J., Payne, T., Daberkow, SG, 2004. Přijetí, ziskovost a lepší využití dat precizního zemědělství.
Pracovní papír. Purdue University. https://doi.org/10.22004/ag.econ.28615.
Lelong, CCD, Burger, P., Jubelin, G., Roux, B., Labb´e, S., Baret, F., 2008. Hodnocení snímků bezpilotních letadel pro kvantitativní sledování úrody pšenice na malých pozemcích. Senzory 8 (5), 3557–3585. https://doi.org/10.3390/s8053557.
Li, C., Niu, B., 2020. Návrh chytrého zemědělství založeného na velkých datech a internetu věcí. 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. Dálkový odhad výšky koruny a nadzemní biomasy kukuřice pomocí stereosnímků s vysokým rozlišením nízkonákladový systém bezpilotních letadel. 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. Strojové učení v zemědělství: přehled. Senzory 18 (8), 2674.
Liebisch, F., Kirchgessner, N., Schneider, D., Walter, A., Hund, A., 2015. Vzdálená, letecká fenotypizace znaků kukuřice s mobilním multisenzorovým přístupem. Plant Methods 11 (1), 9. https://doi.org/10.1186/s13007-015-0048-8.
Lin, Z., Guo, W., 2020. Detekce a počítání laty čiroku pomocí snímků bezpilotních vzdušných systémů a hlubokého učení. Přední. Plant Sci. 11.
Liu, S., Guo, L., Webb, H., Ya, X., Chang, X., 2019. Monitorovací systém internetu věcí moderního eko-zemědělství založený na cloud computingu. IEEE Access 7, 37050–37058.
Lopez-Granados, ´ F., 2011. Detekce plevele pro místně specifickou péči o plevel: mapování a přístupy v reálném čase. 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. Objektově založené včasné monitorování travního plevele v travní plodině pomocí snímků UAV s vysokým rozlišením. Agron. Udržet. 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. Časné mapování plevelů ve slunečnici pomocí technologie UAV: variabilita herbicidních map ošetření proti plevelným prahům. Konspekt. Agric. 17 (2), 183–199.
Lucieer, A., Malenovský, Z., Veness, T., Wallace, L., 2014. HyperUAS – zobrazovací spektroskopie z vícerotorového systému bezpilotního letadla. 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. Terestrické laserové skenování zemědělské plodiny. V JJ
Chen J. Maas H–G. (Ed.), International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences – Archives ISPRS (Vol. 37, pp. 563–566).
Mezinárodní společnost pro fotogrammetrii a dálkový průzkum Země. 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. Přehled supervidované klasifikace snímků krajinného pokryvu na základě objektů. ISPRS J. Photogramm. Dálkový senzor 130,
277–293. https://doi.org/10.1016/j.isprsjprs.2017.06.001.
Maes, WH, Steppe, K., 2019. Perspektivy dálkového průzkumu s bezpilotními vzdušnými prostředky v precizním zemědělství. 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.
Fenotypování sójových bobů pomocí bezpilotního leteckého systému (UAS) pomocí multisenzorové fúze dat a stroje pro extrémní učení. 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.
Monitorování plodin pomocí fúze dat ze satelitu/UAV a strojového učení. Dálkový průzkum Země 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 ., Müllerová, ´ J., Tauro, F., de Lima, M., de
Lima, J., maltština, A., Frances, F., Caylor, K., Kohv, M., Perks, M., Ruiz-P´erez, G., Su, Z., Vico, G., Toth , B., 2018. K využití bezpilotních vzdušných systémů pro
monitorování životního prostředí. Dálkový průzkum Země 10 (4), 641.
Marinko, RA, 1998. Citace časopisů o ženských studiích v disertačních pracích, 1989 a The Serials Librarian 35 (1–2), 29–44. https://doi.org/10.1300/J123v35n01_
03.
Masroor, R., Naeem, M., Ejaz, W., 2021. Správa zdrojů v bezdrátových sítích s podporou UAV: perspektiva optimalizace. Ad Hoc Netw. 121, 102596 https://doi.org/10.1016/j.adhoc.2021.102596.
Matese, A., Di Gennaro, SF, 2018. Praktické aplikace multisenzorové UAV platformy založené na multispektrálních, termálních a RGB snímcích s vysokým rozlišením v přesnosti
vinařství. Zemědělství 8 (7), 116. https://doi.org/10.3390/agriculture8070116.
Matese, A., Di Gennaro, SF, 2021. Kromě tradičního indexu NDVI jako klíčového faktoru pro mainstreaming používání UAV v přesném vinařství. 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 Vzájemné srovnání UAV, letadla
a satelitní platformy dálkového průzkumu pro přesné vinařství. Dálkový průzkum Země 7 (3), 2971–2990. https://doi.org/10.3390/rs70302971.
Mazzia, V., Comba, L., Khaliq, A., Chiaberge, M., Gay, P., 2020. UAV a strojové učení založené na zdokonalení satelitem řízeného vegetačního indexu pro přesnost
zemědělství. Senzory 20 (9), 2530. https://doi.org/10.3390/s20092530.
McCain, KW, 1990. Mapování autorů v intelektuálním prostoru: technický přehled. J. Am. Soc. Info. Sci. 41 (6), 433–443.
Meinen, BU, Robinson, DT, 2021. Modelování zemědělské eroze: vyhodnocování odhadů eroze v poli USLE a WEPP pomocí časových řad UAV. Environ. Modell. Software 137, 104962. https://doi.org/10.1016/j.envsoft.2021.104962.
Melville, B., Lucieer, A., Aryal, J., 2019. Klasifikace nížinných původních travnatých společenstev pomocí hyperspektrálních snímků bezpilotního letadla (UAS) v
Tasmánské středohoří. Drony 3 (1), 5.
Messina, G., Modica, G., 2020. Aplikace UAV termokamery v přesném zemědělství: současný stav a výhled budoucího výzkumu. Dálkový průzkum Země 12 (9), https://doi.org/10.3390/rs12091491.
Mishra, D., Luo, Z., Jiang, S., Papadopoulos, T., Dubey, R., 2017. Bibliografická studie o velkých datech: koncepty, trendy a výzvy. Business Process Management. J. 23 (3),
555-573.
Mochida, K., Saisho, D., Hirayama, T., 2015. Zlepšení plodin pomocí datových sad životního cyklu získaných v polních podmínkách. Přední. Plant Sci. 6 https://doi.org/10.3389/
fpls.2015.00740.
Mogili, UM.R., Deepak, BBVL, 2018. Přehled o aplikaci systémů dronů v přesném zemědělství. Procedia Comp. Sci. 133, 502–509.
Moharana, S., Dutta, S., 2016. Prostorová variabilita obsahu chlorofylu a dusíku v rýži z hyperspektrálních snímků. ISPRS J. Photogramm. Dálkový senzor 122, 17–29.
Muangprathub, J., Boonnam, N., Kajornkasirat, S., Lekbangpong, N., Wanichsombat, A.,
Nillaor, P., 2019. Analýza dat IoT a zemědělství pro chytrou farmu. Počítat. Elektron. Agric. 156, 467–474.
Nansen, C., Elliott, N., 2016. Dálkový průzkum Země a profilování reflektance v entomologii. Annu. Entomol. 61 (1), 139–158. https://doi.org/10.1146/annurev-ento010715-023834.
Navia, J., Mondragon, I., Patino, D., Colorado, J., 2016. Multispektrální mapování v zemědělství: terénní mozaika pomocí autonomní kvadrokoptéry UAV. Int. Conf.
Systém bezpilotního letadla. (ICUAS) 2016, 1351–1358. https://doi.org/10.1109/ ICUAS.2016.7502606.
Nayyar, A., Nguyen, B.-L., Nguyen, NG, 2020. Internet věcí dronů (Iodt): budoucí představa chytrých dronů. Adv. Intell. Syst. Počítat. 1045, 563–580. https://doi.org/10.1007/978-981-15-0029-9_45.
Nebiker, S., Annen, A., Scherrer, M., Oesch, D., 2008. Lehký multispektrální senzor pro mikro UAV – možnosti pro letecký dálkový průzkum s velmi vysokým rozlišením. Int. Oblouk. Photogramm. Dálkové čidlo Spat. Inf. Sci 37 (B1), 1193–1200.
Negash, L., Kim, H.-Y., Choi, H.-L., 2019. Vznikající aplikace UAV v zemědělství. In: 2019 7th International Conference on Robot Intelligence Technology and
Aplikace (RiTA), s. 254–257. https://doi.org/10.1109/RITAPP.2019.8932853.
Nerur, SP, Rasheed, AA, Natarajan, V., 2008. Intelektuální struktura oboru strategického řízení: analýza spolucitování autorů. Strateg. Manag. J. 29 (3),
319-336.
Neupane, K., Baysal-Gurel, F., 2021. Automatická identifikace a monitorování chorob rostlin pomocí bezpilotních vzdušných prostředků: přehled. Dálkový průzkum Země 13 (19), 3841. https://doi.org/10.3390/rs13193841.
Nex, F., Remondino, F., 2014. UAV pro aplikace 3D mapování: recenze. Appl. Geomatika 6 (1), 1–15. https://doi.org/10.1007/s12518-013-0120-x.
Niu, H., Hollenbeck, D., Zhao, T., Wang, D., Chen, Y., 2020. Odhad evapotranspirace s malými UAV v přesném zemědělství. Senzory 20 (22), 6427. https://
doi.org/10.3390/s20226427.
Osareh, F., 1996. Bibliometrie, citační analýza a kocitační analýza. Přehled literatury I 46 (3), 149–158. https://doi.org/10.1515/libr.1996.46.3.149.
P´ adua, L., Vanko, J., Hruška, J., Ad˜ ao, T., Sousa, JJ, Peres, E., Morais, R., 2017. UAS, senzory a zpracování dat v agrolesnictví: revize směrem k praktickým aplikacím. 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. Přehled datových řešení založených na dronech pro obilniny. Drony 4 (3), 1–29. https://doi.org/10.3390/
drony4030041.
Parsaeian, M., Shahabi, M., Hassanpour, H., 2020. Odhad obsahu oleje a bílkovin v sezamových semínkách pomocí zpracování obrazu a umělé neuronové sítě. J. Am. Olej
Chemici Soc. 97 (7), 691–702.
Pena, ˜ JM, Torres-S´anchez, J., de Castro, AI, Kelly, M., Lopez-Granados, ´ F., Suarez, O., Mapování plevele na polích rané sezóny kukuřice pomocí objektové analýzy z
Snímky bezpilotních letounů (UAV). PLoS ONE 8 (10), e77151.
P'erez-Ortiz, M., Pena, ˜ JM, Guti'errez, PA, Torres-S' anchez, J., Herv' as-Martínez, C.,
Lopez-Granados, ´ F., 2015. Polořízený systém pro mapování plevelů v porostech slunečnice pomocí bezpilotních letadel a metody detekce řádků plodin. Appl. Měkký výpočet. J. 37, 533-544. https://doi.org/10.1016/j.asoc.2015.08.027.
Pincheira, M., Vecchio, M., Giaffreda, R., Kanhere, SS, 2021. Nákladově efektivní zařízení IoT jako důvěryhodné zdroje dat pro systém hospodaření s vodou v přesném zemědělství založený na blockchainu. Počítat. Elektron. Agric. 180, 105889.
Popescu, D., Stoican, F., Stamatescu, G., Ichim, L., Dragana, C., 2020. Pokročilý systém UAV–WSN pro inteligentní monitorování v precizním zemědělství. Senzory 20 (3), https://doi.org/10.3390/s20030817.
Pournader, M., Shi, Y., Seuring, S., Koh, SL, 2020. Aplikace blockchainu v dodavatelských řetězcích, dopravě a logistice: systematický přehled literatury. Int. J. Prod. Res. 58 (7), 2063–2081.
Primicerio, J., Di Gennaro, SF, Fiorillo, E., Genesio, L., Lugato, E., Matese, A., Vaccari, FP, 2012. Flexibilní bezpilotní letoun pro přesné zemědělství.
Konspekt. Agric. 13 (4), 517–523. https://doi.org/10.1007/s11119-012-9257-6.
Pritchard, A., 1969. Statistická bibliografie nebo bibliometrie. J. Document. 25 (4), 348–349.
Pudelko, R., Stuczynski, T., Borzecka-Walker, M., 2012. Vhodnost bezpilotního letounu (UAV) pro hodnocení experimentálních polí a plodin. Zemědělství 99 (4), 431–436.
Puri, V., Nayyar, A., Raja, L., 2017. Zemědělské drony: moderní průlom v precizním zemědělství. J. Statis. Manag. Syst. 20 (4), 507–518.
Radoglou-Grammatikis, P., Sarigiannidis, P., Lagkas, T., Moscholios, I., 2020. Kompilace aplikací UAV pro přesné zemědělství. Počítat. Netw. 172,
107148 https://doi.org/10.1016/j.comnet.2020.107148.
Ramesh, KV, Rakesh, V., Prakasa Rao, EVS, 2020. Aplikace analýzy velkých dat a umělé inteligence v agronomickém výzkumu. Ind J. Agron. 65 (4), 383–395.
Raparelli, E., Bajocco, S., 2019. Bibliometrická analýza o použití bezpilotních vzdušných prostředků v zemědělských a lesnických studiích. 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.
Potenciální využití systémů malých bezpilotních letadel (UAS) při výzkumu plevelů. Weed Res. 53 (4), 242–248.
Rasmussen, J., Ntakos, G., Nielsen, J., Svensgaard, J., Poulsen, RN, Christensen, S., Jsou vegetační indexy odvozené od spotřebitelských kamer namontovaných na
UAV dostatečně spolehlivé pro hodnocení experimentálních ploch? Eur. J. Agron. 74, 75–92. https://doi.org/10.1016/j.eja.2015.11.026.
Rejeb, A., Rejeb, K., Abdollahi, A., Zailani, S., Iranmanesh, M., Ghobakhloo, M., 2022. Digitalizace v potravinových dodavatelských řetězcích: bibliometrický přehled a hlavní cesta klíčové cesty
analýza. Udržitelnost 14 (1), 83. https://doi.org/10.3390/su14010083.
Rejeb, A., Rejeb, K., Simske, SJ, Treiblmaier, H., 2021a. Drony pro řízení dodavatelského řetězce a logistiku: program přezkoumání a výzkumu. Int. J. Logista. Res. Appl.
1–24. https://doi.org/10.1080/13675567.2021.1981273.
Rejeb, A., Rejeb, K., Simske, S., Treiblmaier, H., 2021b. Technologie blockchainu v logistice a řízení dodavatelského řetězce: bibliometrický přehled. Logistika 5 (4), 72.
https://doi.org/10.3390/logistics5040072.
Rejeb, A., Rejeb, K., Simske, S., Treiblmaier, H., 2021c. Humanitární drony: program přezkoumání a výzkumu. Internet věcí 16, 100434. https://doi.org/10.1016/j.
iot.2021.100434.
Rejeb, A., Treiblmaier, H., Rejeb, K., Zailani, S., 2021d. Výzkum blockchainu ve zdravotnictví: bibliometrický přehled a současné trendy výzkumu. J. of Data, Inf. a
Manag. 3 (2), 109–124.
Rejeb, A., Simske, S., Rejeb, K., Treiblmaier, H., Zailani, S., 2020. Výzkum internetu věcí v řízení dodavatelského řetězce a logistice: bibliometrická analýza. Internet
věcí 12, 100318.
ReportLinker, 2021. Globální trh s drony v zemědělství dosáhne 15.2 miliardy USD podle YearGlobeNewswire News Room. https://www.globenewswire.com/news-release/2021/08/10/2277986/0/en/Global-Agriculture-Drones-Market-to-Reach-US-15-2-Billion-by-the- Rok-2027.html.
Ribeiro-Gomes, K., Hernandez-L' opez, ' D., Ortega, JF, Ballesteros, R., Poblete, T., Moreno, MA, 2017. Kalibrace a optimalizace nechlazené termokamery
proces fotogrammetrie pro aplikace UAV v zemědělství. Snímače (Švýcarsko) 17 (10). https://doi.org/10.3390/s17102173.
Rivera, MA, Pizam, A., 2015. Pokroky ve výzkumu pohostinství: „Od Rodneyho Dangerfielda k Arethě Franklinové“. Int. J. Contempor. NEMOCNICE. 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. Senzorický systém založený na mini-UAV pro měření proměnných prostředí ve sklenících. Senzory 15 (2), 3334–3350. https://doi.org/10.3390/s150203334.
Rozenberg, G., Kent, R., Blank, L., 2021. Spotřebitelské UAV používané pro detekci a analýzu vzorů prostorového rozložení plevele v pozdní sezóně na komerčních cibulových polích. Konspekt. Agric. 22 (4), 1317–1332. https://doi.org/10.1007/s11119-021-09786-y.
Saari, H., Pellikka, I., Pesonen, L., Tuominen, S., Heikkila, ¨ J., Holmlund, C., Makynen, ¨ J., Ojala, K., Antila, T., 2011. Bez posádky spektrální kamerový systém provozovaný aerial vehicle (UAV) pro lesní a zemědělské aplikace. Pokračovat. SPIE – Int. Soc. Opt. Ing. 8174 https://doi.org/10.1117/12.897585.
Sah, B., Gupta, R., Bani-Hani, D., 2021. Analýza bariér implementace logistiky dronů. Int. J. Logista. 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, dron na bázi IOT pro zlepšení kvality plodin v zemědělství. V SH
N. Chakrabarti S. (Ed.), 2018 IEEE 8th Annual Computing and Communication Workshop and Conference, CCWC 2018 (svazky 2018-leden, s. 612–615). Ústav
of Electrical and Electronics Engineers Inc. doi: 10.1109/CCWC.2018.8301662.
Sai Vineeth, KV, Vara Prasad, YR, Dubey, SR, Venkataraman, H., 2019. LEDCOM: nová a účinná komunikace založená na LED pro přesné zemědělství. IEEE Conf. Info. Commun. Technol. 2019, 1.–5. https://doi.org/10.1109/CICT48419.2019.9066177.
Salamí, E., Barrado, C., Pastor, E., 2014. Letové experimenty UAV aplikované na dálkový průzkum vegetace. Dálkový průzkum Země 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.
Letecké zobrazovací systémy v nízké nadmořské výšce s vysokým rozlišením pro fenotypizaci řádkových a polních plodin: přehled. Eur. J. Agron. 70, 112–123. https://doi.org/10.1016/j.
eja.2015.07.004.
Santesteban, LG, Di Gennaro, SF, Herrero-Langreo, A., Miranda, C., Royo, JB, Matese, A., 2017. Tepelné zobrazování na bázi UAV s vysokým rozlišením pro odhad
okamžitá a sezónní variabilita vodního stavu rostlin ve vinici. Agric. Vodní hospodářství. 183, 49–59. https://doi.org/10.1016/j.agwat.2016.08.026.
Sarli, CC, Dubinsky, EK, Holmes, KL, 2010. Beyond citation analysis: Model for assessment of research impact. J. Med. Knihovna doc. : JMLA 98 (1), 17–23. https://doi.org/10.3163/1536-5050.98.1.008.
Schaepman, ME, Ustin, SL, Plaza, AJ, Painter, TH, Verrelst, J., Liang, S., 2009. Zobrazovací spektroskopie související s vědou o zemském systému – hodnocení. Remote Sens. Environ. 113, S123–S137.
Schirrmann, M., Giebel, A., Gleiniger, F., Pflanz, M., Lentschke, J., Dammer, K.-H., 2016. Sledování agronomických parametrů porostů ozimé pšenice s nízkonákladovým UAV
obraznost. Dálkový průzkum Země 8 (9). https://doi.org/10.3390/rs8090706.
Schmale III, DG, Dingus, BR, Reinholtz, C., 2008. Vývoj a aplikace autonomního bezpilotního prostředku pro přesné aerobologické odběry výše
zemědělská pole. 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.,
Umožnění precizního zemědělství prostřednictvím vestavěného snímání s umělou inteligencí. IEEE Trans. Nástroj. 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. Bezpilotní letouny (UAV): průzkum civilních aplikací a klíčových výzkumných výzev. IEEE Access 7,
48572–48634. https://doi.org/10.1109/ACCESS.2019.2909530.
Shakoor, N., Northrup, D., Murray, S., Mockler, TC, 2019. Zemědělství řízené velkými daty: analýza velkých dat ve šlechtění rostlin, genomice a využití dálkového průzkumu Země
technologie pro zvýšení produktivity plodin. Rostlinný jev J. 2 (1), 1–8.
Sharma, BK, Chandra, G., Mishra, VP, 2019. Komparativní analýza a implikace UAV a AI ve forenzních vyšetřováních. In: Sborník – 2019 Amity International
Konference o umělé inteligenci. https://doi.org/10.1109/AICAI.2019.8701407.
Sharma, R., Shishodia, A., Gunasekaran, A., Min, H., Munim, ZH, 2022. Role umělé inteligence v řízení dodavatelského řetězce: mapování území. Int. J.
Prod. Res. 1–24. https://doi.org/10.1080/00207543.2022.2029611.
Shi, Y., Thomasson, JA, Murray, SC, Pugh, NA, Rooney, WL, Shafian, S., Rajan, N., Rouze, G., Morgan, CLS, Neely, HL, Rana, A., Bagavathiannan , MV,
Henrickson, J., Bowden, E., Valašek, 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. Bezpilotní letouny pro vysokovýkonnou fenotypizaci a agronomický výzkum. PLoS ONE
11 (7), e0159781.
Shuai, G., Martinez-Feria, RA, Zhang, J., Li, S., Price, R., Basso, B., 2019. Zachycení heterogenity porostu kukuřice napříč zónami stability výnosu pomocí bezpilotní letecké techniky
Vozidla (UAV). Senzory 19 (20), 4446. https://doi.org/10.3390/s19204446.
Small, H., 1973. Kocitace ve vědecké literatuře: nové měřítko vztahu mezi dvěma dokumenty. J. Am. Soc. Info. Sci. 24 (4), 265–269.
Small, H., Rorvig, ME, Lunin, LF, 1999. Vizualizace vědy pomocí mapování citací. J. Am. Soc. Info. Sci. 50 (9), 799-813.
Soares, VHA, Ponti, MA, Gonçalves, RA, Campello, RJGB, 2021. Počítání dobytka ve volné přírodě s geolokovanými leteckými snímky na velkých pastvinách. Počítat. Elektron. Agric. 189, 106354 https://doi.org/10.1016/j.compag.2021.106354.
Srivastava, K., Pandey, PC, Sharma, JK, 2020. Přístup k optimalizaci trasy v aplikacích přesného zemědělství pomocí UAV. Drony 4 (3), 58. https://doi.org/ 10.3390/drones4030058.
Stafford, JV, 2000. Zavádění precizního zemědělství v 21. století. J. Agric. Ing. Res. 76 (3), 267–275.
Su, J., Coombes, M., Liu, C., Guo, L., Chen, W.-H., 2018. Hodnocení sucha pšenice pomocí snímků dálkového průzkumu pomocí bezpilotního vzdušného prostředku. V roce 2018 37. čínská kontrolní konference (CCC).
Su, J., Liu, C., Coombes, M., Hu, X., Wang, C., Xu, X., Li, Q., Guo, L., Chen, W.-H., 2018. Monitorování žluté rzi pšenice učením se z multispektrálních leteckých snímků UAV.
Počítat. Elektron. Agric. 155, 157–166. https://doi.org/10.1016/j. compag.2018.10.017.
Su, Y., Wang, X., 2021. Inovace zemědělského ekonomického řízení v procesu budování chytrého zemědělství pomocí velkých dat. Udržitelný počítač. Inf. Syst. 31, 100579 https://doi.org/10.1016/j.suscom.2021.100579.
Sullivan, DG, Fulton, JP, Shaw, JN, Bland, GL, 2007. Hodnocení citlivosti bezpilotního tepelného infračerveného anténního systému pro detekci vodního stresu v bavlněném baldachýnu. Trans. ASABE 50 (6), 1955–1962.
Sumesh, KC, Ninsawat, S., Som-ard, J., 2021. Integrace RGB indexu vegetace, modelu povrchu plodin a objektové analýzy obrazu pro odhad výnosu cukrové třtiny pomocí bezpilotního vzdušného prostředku. Počítat. Elektron. Agric. 180, 105903 https://doi.org/10.1016/j.compag.2020.105903.
Suomalainen, J., Anders, N., Iqbal, S., Franke, J., Wenting, P., Bartholomeus, H., Becker, R., Kooistra, L., 2013. Lehký hyperspektrální mapovací systém pro
bezpilotní prostředky – první výsledky. In: 2013 5. 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. Lehký hyperspektrál
mapovací systém a fotogrammetrický řetězec zpracování pro bezpilotní letouny. Dálkový průzkum Země 6 (11), 11013–11030. https://doi.org/10.3390/
rs61111013.
Syeda, IH, Alam, MM, Illahi, U., Su'ud, MM, 2021. Pokročilé řídicí strategie využívající zpracování obrazu, UAV a AI v zemědělství: Přehled. Svět J. Eng. 18 (4),
579–589. https://doi.org/10.1108/WJE-09-2020-0459.
Tahai, A., Rigsby, JT, 1998. Zpracování informací pomocí citací ke zkoumání vlivu časopisů v účetnictví. Inf. Proces. Spravovat. 34 (2–3), 341–359.
Tang, Y., Dananjayan, S., Hou, C., Guo, Q., Luo, S., He, Y., 2021. Průzkum o síti 5G a jejím dopadu na zemědělství: výzvy a příležitosti. Počítat.
Elektron. Agric. 180, 105895 https://doi.org/10.1016/j.compag.2020.105895.
Tantalaki, N., Souravlas, S., Roumeliotis, M., 2019. Rozhodování řízené daty v precizním zemědělství: vzestup velkých dat v zemědělských systémech. J. Agric. Informace o jídle.
20 (4), 344 - 380.
Tao, H., Feng, H., Xu, L., Miao, M., Yang, G., Yang, X., Fan, L., 2020. Odhad výnosu a výšky rostlin ozimé pšenice pomocí UAV- založené na hyperspektrálních snímcích.
Senzory 20 (4), 1231.
Techy, L., Schmale III, DG, Woolsey, CA, 2010. Koordinovaný aerobologický odběr rostlinného patogenu v nižší atmosféře pomocí dvou autonomních bezpilotních letounů. 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. Detekce a klasifikace škůdců sóji pomocí hlubokého učení
s obrázky UAV. Počítat. Elektron. Agric. 179, 105836.
Thamm, H.-P., Menz, G., Becker, M., Kuria, DN, Misana, S., Kohn, D., 2013. The Use of Uas for Assessing Agricultural Systems in AN Wetland in Tanzania in the— A WetSeason pro udržitelné zemědělství a poskytování základní pravdy pro Terra-Sar X Data. In: ISPRS – International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, s. 401–406. https://doi.org/10.5194/isprsarchivesXL-1-W2-401-2013.
Thelwall, M., 2008. Bibliometrie k webometrii. J. Info. Sci. 34 (4), 605–621.
Torres-Sanchez, ´ J., Lopez-Granados, ´ F., Pena, ˜ JM, 2015. Automatická objektová metoda pro optimální prahování v UAV snímcích: aplikace pro detekci vegetace v bylinných plodinách. Počítat. Elektron. Agric. 114, 43–52. https://doi.org/10.1016/j.compag.2015.03.019.
Torres-Sanchez, ´ J., Lopez-Granados, ´ F., Serrano, N., Arquero, O., Pena, ˜ JM, Hassan, QK, 2015. Vysoce výkonný 3-D monitoring plantáží zemědělských stromů s Technologie bezpilotních letounů (UAV). PLoS ONE 10 (6), e0130479.
Torres-Sanchez, ´ J., Pena, ˜ JM, de Castro, AI, Lopez-Granados, ´ F., 2014. Multičasové mapování vegetační frakce na polích pšenice rané sezóny pomocí snímků z UAV. Počítat. Elektron. Agric. 103, 104–113. https://doi.org/10.1016/j. compag.2014.02.009.
Tsouros, DC, Bibi, S., Sarigiannidis, PG, 2019. Přehled aplikací založených na UAV pro přesné zemědělství. Informace (Švýcarsko) 10 (11). https://doi.org/10.3390/info10110349.
Tu, Y.-H., Phinn, S., Johansen, K., Robson, A., Wu, D., 2020. Optimalizace plánování letu dronu pro měření struktury plodin zahradnických stromů. ISPRS J. Photogramm.
Remote Sens. 160, 83–96. https://doi.org/10.1016/j.isprsjprs.2019.12.006
Tzounis, A., Katsoulas, N., Bartzanas, T., Kittas, C., 2017. Internet věcí v zemědělství, nedávné pokroky a budoucí výzvy. Biosyst. Ing. 164, 31–48.
https://doi.org/10.1016/j.biosystemseng.2017.09.007.
Uddin, A., Singh, VK, Pinto, D., Olmos, I., 2015. Scientometrické mapování výzkumu počítačových věd v Mexiku. Scientometrie 105 (1), 97–114.
OSN., 2019. Vyhlídky světové populace 2019. https://population.un.org/wpp/ (Přístup 15/04/2022).
Uto, K., Seki, H., Saito, G., Kosugi, Y., 2013. Charakterizace rýžových polí pomocí miniaturního hyperspektrálního senzorového systému namontovaného na UAV. IEEE J. Sel. Horní. 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. Drony v
zemědělství. Adv. Agron. 162, 1–30.
Velusamy, P., Rajendran, S., Mahendran, RK, Naseer, S., Shafiq, M., Choi, J.-G., 2022.
Bezpilotní letouny (UAV) v přesném zemědělství: aplikace a výzvy. Energies 15 (1), 217. https://doi.org/10.3390/en15010217.
Ventura, D., Bonifazi, A., Gravina, MF, Belluscio, A., Ardizzone, G., 2018. Mapování a klasifikace ekologicky citlivých mořských biotopů pomocí bezpilotní letecké techniky
Snímky vozidel (UAV) a analýza obrazu podle objektů (OBIA). Dálkový průzkum Země 10 (9), 1331. https://doi.org/10.3390/rs10091331.
Verger, A., Vigneau, N., Ch´eron, C., Gilliot, J.-M., Comar, A., Baret, F., 2014. Index zelené plochy z bezpilotního leteckého systému nad plodinami pšenice a řepky . Remote Sens. Environ. 152, 654–664. https://doi.org/10.1016/j.rse.2014.06.006.
Von Bueren, SK, Burkart, A., Hueni, A., Rascher, U., Tuohy, MP, Yule, IJ, 2015. Nasazení čtyř optických senzorů na bázi UAV na pastvinách: výzvy a
omezení. Biogeosciences 12 (1), 163–175. https://doi.org/10.5194/bg-12-163-2015.
Vuran, MC, Salam, A., Wong, R., Irmak, S., 2018. Internet podzemních věcí v precizním zemědělství: architektura a technologické aspekty. Ad Hoc Netw. 81,
160–173. https://doi.org/10.1016/j.adhoc.2018.07.017.
Wamba, SF, Queiroz, MM, 2021. Odpovědná umělá inteligence jako tajná složka pro digitální zdraví: bibliometrická analýza, postřehy a směry výzkumu.
Info. Syst. Přední. 1–16.
Wang, L., Zhang, G., Wang, Z., Liu, J., Shang, J., Liang, L., 2019. Bibliometrická analýza trendu výzkumu dálkového průzkumu Země v monitorování růstu plodin: Případová studie v Číně. Dálkový průzkum Země 11 (7). https://doi.org/10.3390/rs11070809.
White, HD, Griffith, BC, 1981. Kocitace autora: Literární měřítko intelektuální struktury. J. Am. Soc. Info. Sci. 32 (3), 163–171.
Xiang, H., Tian, L., 2011. Vývoj levného zemědělského systému dálkového průzkumu Země založeného na autonomním bezpilotním prostředku (UAV). Biosyst. Ing. 108 (2), 174–190. https://doi.org/10.1016/j.biosystemseng.2010.11.010.
Xie, C., Yang, C., 2020. Přehled o vlastnostech fenotypizace rostlin s vysokou propustností pomocí senzorů založených na UAV. Počítat. Elektron. Agric. 178, 105731 https://doi.org/10.1016/j.
compag.2020.105731.
Yao, H., Qin, R., Chen, X., 2019. Bezpilotní vzdušný prostředek pro aplikace dálkového průzkumu — recenze. Dálkový průzkum Země 11 (12). https://doi.org/10.3390/
rs11121443.
Yeom, S., 2021. Sledování pohybu osob a odstraňování falešných stop pomocí infračerveného termovize pomocí multirotoru. Drony 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. Srovnání odhadu parametrů plodin pomocí obrázků z UAV namontované
snímek hyperspektrálního snímače a digitálního fotoaparátu s vysokým rozlišením. Dálkový průzkum Země 10 (7), 1138. https://doi.org/10.3390/rs10071138.
Yue, J., Yang, G., Li, C., Li, Z., Wang, Y., Feng, H., Xu, B., 2017. Odhad nadzemní biomasy ozimé pšenice pomocí bezpilotního letounu- založený snímek
hyperspektrální senzor a modely s vylepšenou výškou plodiny. Dálkový průzkum Země 9 (7). https://doi.org/10.3390/rs9070708.
Zahawi, RA, Dandois, JP, Holl, KD, Nadwodny, D., Reid, JL, Ellis, EC, 2015. Použití lehkých bezpilotních letounů k monitorování obnovy tropických pralesů. 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.
Inteligentní farmařská platforma IoT založená na edge a cloud computingu. Biosyst. Ing. 177,
4-17.
Zarco-Tejada, PJ, Diaz-Varela, R., Angileri, V., Loudjani, P., 2014. Kvantifikace výšky stromu pomocí snímků s velmi vysokým rozlišením získaných z bezpilotní antény
vozidla (UAV) a metody automatické 3D fotorekonstrukce. Eur. J. Agron. 55, 89–99. https://doi.org/10.1016/j.eja.2014.01.004.
Zhang, C., Craine, WA, McGee, RJ, Vandemark, GJ, Davis, JB, Brown, J., Hulbert, SH, Sankaran, S., 2020. Obrazová fenotypizace intenzity kvetení u plodin chladné sezóny. Senzory 20 (5), 1450. https://doi.org/10.3390/s20051450.
Zhang, C., Kovacs, JM, 2012. Aplikace malých bezpilotních leteckých systémů pro přesné zemědělství: přehled. Konspekt. Agric. 13 (6), 693–712. https://doi.org/
10.1007/s11119-012-9274-5.
Zhang, L., Zhang, H., Niu, Y., Han, W., 2019. Mapování vodního stresu kukuřice na základě UAV multispektrálního dálkového průzkumu Země. Dálkový průzkum Země 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. Přístup založený na hlubokém učení pro automatizovanou žlutou rez
detekce onemocnění z hyperspektrálních UAV snímků s vysokým rozlišením. Dálkový průzkum Země 11 (13), 1554.
Zhao, X., Zhang, J., Huang, Y., Tian, Y., Yuan, L., 2022. Detekce a diskriminace chorobného a hmyzího stresu čajových rostlin pomocí hyperspektrálního zobrazování kombinovaného s vlnkovou analýzou. Počítat. Elektron. Agric. 193, 106717 https://doi.org/10.1016/j. compag.2022.106717.
Zheng, A., Wang, M., Li, C., Tang, J., Luo, B., 2022. Entropy řízená adversarial domain adaptation for aerial image sémantic segmentation. IEEE Trans. G
Zheng, H., Cheng, T., Yao, X., Deng, X., Tian, Y., Cao, W., Zhu, Y., 2016. Detekce fenologie rýže pomocí analýzy časových řad pozemního spektrálního indexová data. Field Crops Res. 198, 131–139. https://doi.org/10.1016/j.fcr.2016.08.027.
Zheng, J., Yang, W., 2018. Návrh systému přesného výsevu s únikem v zemědělství založeného na bezdrátových senzorech. Int. J. Online Ing. 14 (05), 184.
Zhou, L., Gu, X., Cheng, S., Yang, G., Shu, M., Sun, Q., 2020. Analýza změn výšky rostlin polehlé kukuřice pomocí dat UAV-LiDAR. Zemědělství 10 (5), 146. https://
doi.org/10.3390/agriculture10050146.
Zhou, S., Chai, X., Yang, Z., Wang, H., Yang, C., Sun, T., 2021. Kukuřice-IAS: Software pro analýzu obrazu kukuřice využívající hluboké učení pro vysoce výkonné fenotypování rostlin . 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. Predikce výnosu zrna v rýže využívající multitemporální vegetaci
indexy z multispektrálních a digitálních snímků založených na UAV. ISPRS J. Photogramm. Remote Sens. 130, 246–255. https://doi.org/10.1016/j.isprsjprs.2017.05.003.
Zhou, Y., Xie, Y., Shao, L., 2016. Simulace základní technologie systému monitorování skleníků založeného na bezdrátové senzorové síti. Int. J. Online Ing. 12 (05),
43.
Zhou, Z., Majeed, Y., Diverres Naranjo, G., Gambacorta, EMT, 2021. Posouzení vodního stresu plodin pomocí infračervené tepelné snímky v přesném zemědělství: přehled
a budoucí vyhlídky aplikací hlubokého učení. Počítat. Elektron. Agric. 182, 106019 https://doi.org/10.1016/j.compag.2021.106019.