Abderahman Rejeb a , Alireza Abdollahi b , Karim Rejeb c , Horst Treiblmaier d,
- a Institut for Ledelse og Jura, Det Økonomiske Fakultet, Universitetet i Rom Tor Vergata, Via Columbia, 2, Rom 00133, Italien
- b Institut for Business Administration, Fakultet for Ledelse, Kharazmi University, 1599964511 Teheran, Iran
- c Det Naturvidenskabelige Fakultet i Bizerte, University of Carthage, Zarzouna, 7021 Bizerte, Tunesien
- d School of International Management, Modul University Vienna, Am Kahlenberg 1, 1190 Wien, Østrig
ARTIKEL INFO | ABSTRACT |
nøgleord: Drones UAV Præcisionslandbrug Tingenes internet Bibliometri | Droner, også kaldet Unmanned Aerial Vehicles (UAV), har været vidne til en bemærkelsesværdig udvikling i de seneste årtier. I landbruget har de ændret landbrugspraksis ved at tilbyde landmænd betydelige omkostningsbesparelser, øget driftseffektivitet og bedre rentabilitet. I løbet af de seneste årtier har emnet landbrugsdroner tiltrukket bemærkelsesværdig akademisk opmærksomhed. Vi foretager derfor en omfattende gennemgang baseret på bibliometri at opsummere og strukturere eksisterende akademisk litteratur og afsløre aktuelle forskningstendenser og brændpunkter. Vi anvende bibliometriske teknikker og analysere litteraturen omkring landbrugsdroner for at opsummere og vurdere tidligere forskning. Vores analyse indikerer, at fjernmåling, præcisionslandbrug, deep learning, machine learning og Internet of Things er kritiske emner relateret til landbrugsdroner. Samcitationen analyse afslører seks brede forskningsklynger i litteraturen. Denne undersøgelse er et af de første forsøg på at opsummere droneforskning i landbruget og foreslå fremtidige forskningsretninger. |
Introduktion
Landbrug repræsenterer verdens primære fødevarekilde (Friha et al., 2021), og det har stået over for alvorlige udfordringer pga.
stigende efterspørgsel efter fødevarer, fødevaresikkerhed og sikkerhedsproblemer samt opfordringer til miljøbeskyttelse, vandbevarelse og
bæredygtighed (Inoue, 2020). Denne udvikling forventes at fortsætte, eftersom verdensbefolkningen anslås at nå 9.7 milliarder i 2050
(2019). Da landbruget udgør det mest fremtrædende eksempel på vandforbrug globalt, forventes det, at fødevareefterspørgsel og vand
forbruget vil stige dramatisk i en overskuelig fremtid. Desuden det stigende forbrug af kunstgødning og pesticider
kombineret med intensivering af landbrugsaktiviteter kan føre til fremtidige miljømæssige udfordringer. Tilsvarende er agerjord begrænset, og den
antallet af landmænd er faldende på verdensplan. Disse udfordringer fremhæver behovet for innovative og bæredygtige landbrugsløsninger (Elijah
et al., 2018; Friha et al., 2021; Inoue, 2020; Tzounis et al., 2017).
Inkorporering af nye teknologier er blevet identificeret som en lovende løsning til at løse disse udfordringer. Smart farming (Brewster et al.,
2017; Tang et al., 2021) og præcisionslandbrug (Feng et al., 2019; Khanna & Kaur, 2019) er opstået som et resultat af sådanne debatter. Det
førstnævnte er en generel idé om at anvende informationskommunikationsteknologier (IKT) og andre banebrydende innovationer i landbrugsaktiviteter for at øge effektiviteten og effektiviteten (Haque et al., 2021). Sidstnævnte fokuserer på stedspecifik forvaltning, hvor jorden er opdelt i
homogene dele, og hver del får den nøjagtige mængde landbrugsinput til optimering af afgrødeudbyttet ved hjælp af nye teknologier (Feng et al., 2019; Khanna & Kaur, 2019). Fremtrædende teknologier, der har tiltrukket forskeres opmærksomhed på dette område, omfatter trådløse sensornetværk (WSN'er) (J. Zheng & Yang, 2018; Y. Zhou et al., 2016), tingenes internet (IoT) (Gill et al., 2017; He et al., 2021; Liu et al., 2019),
kunstig intelligens (AI) teknikker, herunder maskinlæring og deep learning (Liakos et al., 2018; Parsaeian et al., 2020; Shadrin et al.,
2019), computerteknologier (Hsu et al., 2020; Jinbo et al., 2019; Zamora-Izquierdo et al., 2019), big data (Gill et al., 2017; Tantalaki
et al., 2019) og blockchain (PW Khan et al., 2020; Pincheira et al., 2021).
Ud over de ovennævnte teknologier er fjernmåling blevet betragtet som et teknologisk værktøj med stort potentiale til at forbedre
smart og præcist landbrug. Satellitter, fly med menneskelig besætning og droner er populære fjernmålingsteknologier (Tsouros et al., 2019).
Droner, populært kendt som Unmanned Aerial Vehicles (UAV'er), Unmanned Aircraft Systems (UAS) og fjernstyrede fly, er af
stor betydning, da de har flere fordele i sammenligning med andre fjernmålingsteknologier. For eksempel kan droner levere
billeder i høj kvalitet og høj opløsning på overskyede dage (Manfreda et al., 2018). Også deres tilgængelighed og overførselshastighed udgør andre
fordele (Radoglou-Grammatikis et al., 2020). Sammenlignet med fly er droner yderst omkostningseffektive og nemme at opsætte og vedligeholde (Tsouros et al., 2019). På trods af at droner i starten hovedsageligt blev brugt til militære formål, kan de gavne adskillige civile applikationer, for eksempel i forsyningskædestyring (A. Rejeb, Rejeb, et al., 2021a), til humanitære formål (A. Rejeb, Rejeb, et al., 2021c), intelligent landbrug, opmåling og kortlægning, dokumentation af kulturarv, katastrofehåndtering og bevarelse af skov og dyreliv (Panday, Pratihast, et al., 2020). I landbruget findes der mange anvendelsesområder for droner, da de kan integreres med nye teknologier, computeregenskaber og indbyggede sensorer for at understøtte afgrødestyring (f.eks. kortlægning, overvågning, kunstvanding, plantediagnose) (H. Huang et al., 2021) , katastrofereduktion, tidlige varslingssystemer, dyreliv og skovbrug for at nævne nogle få (Negash et al., 2019). På samme måde kunne droner udnyttes i adskillige landbrugsaktiviteter, herunder afgrøde- og vækstovervågning, udbytteestimering, vurdering af vandstress og påvisning af ukrudt, skadedyr og sygdom (Inoue, 2020; Panday, Pratihast, et al., 2020). Ikke kun kan droner bruges til overvågning, estimering og detektionsformål baseret på deres sensoriske data, men også til præcisionsvanding og præcisionshåndtering af ukrudt, skadedyr og sygdom. Droner er med andre ord i stand til at sprøjte vand og pesticider i præcise mængder baseret på miljødata. Fordelene ved droner i landbruget er opsummeret i tabel 1.
De vigtigste fordele ved droner i landbruget.
Fordel | Reference (r) |
Forbedre tidsmæssigt og rumligt sansning af opløsninger | (Gago et al., 2015; Niu et al., 2020; Srivastava et al., 2020) |
Facilitere præcisionslandbrug | (L. Deng et al., 2018; Kalischuk et al., 2019; Maimaitijiang et al., 2017) |
Klassificering og scouting af afgrøder | (Inoue, 2020; Kalischuk et al., 2019; Lopez-´ Granados et al., 2016; Maimaitijiang et al., 2017; Melville et al., 2019; Moharana & Dutta, 2016) |
Brug af gødning | (L. Deng et al., 2018; Guan et al., 2019) |
Overvågning af tørke | (Fawcett et al., 2020; Panday, Pratihast, et al., 2020; Su et al., 2018) |
Biomasse estimering | (Bendig et al., 2014) |
Udbyttevurdering | (Inoue, 2020; Panday, Shrestha, et al., 2020; Tao et al., 2020) |
Katastrofereduktion | (Negash et al., 2019) |
Bevaring af dyreliv og skovbrug | (Negash et al., 2019; Panday, Pratihast, et al., 2020) |
Vurdering af vandstress | (Inoue, 2020; J. Su, Coombes, et al., 2018; L. Zhang et al., 2019) |
Skadedyr, ukrudt og sygdomme afsløring | (Gaˇsparovi´c et al., 2020; Inoue, 2020; J. Su, Liu, et al., 2018; X. Zhang et al., 2019) |
På den anden side står droner også over for begrænsninger. Pilotinddragelse, motorkraft, stabilitet og pålidelighed, sensorernes kvalitet på grund af nyttelast
vægtbegrænsninger, implementeringsomkostninger og luftfartsregulering er blandt dem (C. Zhang & Kovacs, 2012). Vi sammenligner manglerne
af de tre mobile fjernmålingsteknologier i tabel 2. Andre fjernmålingsteknologier, såsom jordsensorer, er uden for fokus i denne undersøgelse.
Mangler ved forskellige mobile fjernmålingsteknologier.
Fjernmåling | mangler | Referencer |
Drone (UAV) | Pilotinddragelse; billeder' kvalitet (gennemsnit); implementeringsomkostninger (gennemsnit); stabilitet, manøvredygtighed og pålidelighed; standardisering; motorkraft; begrænset magt kilder (batteriets levetid); begrænset flyvevarighed, kollision og cyberangreb; begrænset nyttelast vægt; store datasæt og begrænset databehandling kapaciteter; mangel på regulering; mangel på ekspertise, høj adgang barrierer for adgangen til landbrugsdroner; | (Bacco et al., 2018; Dawaliby et al., 2020; Hardin & Hardin, 2010; Hardin & Jensen, 2011; Lagkas et al., 2018; Laliberte et al., 2007; Laliberte & Rango, 2011; Manfreda et al., 2018, 2018; Nebiker et al., 2008; Puri et al., 2017; Velusamy et al., 2022; C. Zhang & Kovacs, 2012) |
Satellit | Periodisk satellitdækning, begrænset spektral opløsning; sårbarhed over for synlighedsproblemer (fx skyer); Utilgængelighed og lav overførselshastighed; orientering og vignettering påvirker dyre rumlige data kollektion; langsom datalevering tid til slutbrugere | (Aboutalebi et al., 2019; Cen et al., 2019; Chen et al., 2019; Nansen & Elliott, 2016; Panday, Pratihast, et al., 2020; Sai Vineeth et al., 2019) |
Aircraft | Høje adoptionsomkostninger; kompliceret opsætning; vedligeholdelsesomkostninger; manglende tilgængelighed af pålidelige flyvemaskiner, geometri af billeder; ikke-regelmæssige data erhvervelse; mangel på fleksibilitet; dødelige ulykker; sensordata variationer på grund af vibrationer; georeferencing spørgsmål | (Armstrong et al., 2011; Atkinson et al., 2018; Barbedo & Koenigkan, 2018; Kovalev og Voroshilova, 2020; Suomalainen et al., 2013; Thamm et al., 2013) |
Som en multidisciplinær og multifunktionel teknologi i landbruget er droner blevet undersøgt fra forskellige perspektiver. For eksempel har forskere undersøgt droneapplikationer i landbruget (Kulbacki et al., 2018; Mogili & Deepak, 2018), deres bidrag til præcisionslandbrug (Puri et al., 2017; Tsouros et al., 2019), deres komplementaritet med andre banebrydende teknologier (Al-Thani et al., 2020; Dutta & Mitra, 2021; Nayyar et al., 2020; Saha et al., 2018) og mulighederne for at fremme deres navigations- og sanseevner (Bareth et al. , 2015; Suomalainen et al., 2014). Siden forskning i droneapplikationer i landbruget er blevet udbredt (Khan et al., 2021)), er der behov for at opsummere den eksisterende litteratur og afsløre domænets intellektuelle struktur. Som et højteknologisk felt med løbende forbedringer skal der desuden gennemføres strukturerede anmeldelser for med jævne mellemrum at opsummere den eksisterende litteratur og identificere vigtige forskningshuller. Til
dato, er der få anmeldelser, der diskuterer droneapplikationer i landbrugssektoren. For eksempel gennemgår Mogili og Deepak (2018) kort droners implikationer for afgrødeovervågning og sprøjtning af pesticider. Inoue (2020) foretager en gennemgang af satellit- og dronebrug i fjernmåling i landbruget. Forfatteren udforsker de teknologiske udfordringer ved at adoptere smart farming og bidragene fra satellitter og droner baseret på casestudier og bedste praksis. Tsouros et al. (2019) opsummerer forskellige typer droner og deres vigtigste anvendelser i landbruget, og fremhæver forskellige dataindsamlings- og behandlingsmetoder. For nylig har Aslan et al. (2022) gennemførte en omfattende gennemgang af UAV-anvendelser i landbrugsaktiviteter og understregede relevansen af samtidig lokalisering og kortlægning for en UAV i drivhuset. Diaz-Gonzalez et al. (2022) gennemgik nyere undersøgelser af afgrødeudbytteproduktion baseret på forskellige maskinlæringsteknikker og fjernbetjening
sansesystemer. Deres resultater indikerede, at UAV'er er nyttige til at estimere jordbundsindikatorer og udkonkurrere satellitsystemer med hensyn til rumlig opløsning, informationstid og fleksibilitet. Basiri et al. (2022) lavede en udtømmende gennemgang af de forskellige tilgange og metoder til at overvinde stiplanlægningsudfordringer for multi-rotor UAV'er i forbindelse med præcisionslandbrug. Desuden har Awais et al. (2022) opsummerede anvendelsen af UAV-fjernmålingsdata i afgrøder for at estimere vandstatus og leverede en dybdegående syntese af den potentielle kapacitet af UAV-fjernmåling til anvendelse af spildstress. Endelig har Aquilani et al. (2022) gennemgik forudgående landbrugsteknologier anvendt i græsbaserede husdyrsystemer og udledte, at fjernmåling aktiveret af UAV'er er fordelagtigt til biomassevurdering og besætningsstyring.
Også bestræbelser på at bruge UAV'er til overvågning, sporing og mønstring af husdyr er blevet rapporteret for nylig.
Selvom disse anmeldelser giver ny og vigtig indsigt, kan der ikke findes nogen omfattende og opdateret gennemgang baseret på bibliometri i litteraturen, som præsenterer et klart vidensgab. Desuden er det blevet fastslået, at når videnskabelig produktion vokser i et videnskabeligt domæne, bliver det afgørende for forskere at anvende kvantitative review-tilgange til at forstå domænets videnstruktur (Rivera & Pizam, 2015). Tilsvarende har Ferreira et al. (2014) hævdede, at efterhånden som forskningsfelter modnes og bliver indviklede, bør forskere sigte mod lejlighedsvis at få mening i den viden, der genereres og opsamles for at afsløre nye bidrag, fange forskningstraditioner og -tendenser, identificere hvilke emner, der studeres, og dykke ned i videnstrukturen i feltet og de potentielle forskningsretninger. Mens Raparelli og Bajocco (2019) udførte en bibliometrisk analyse for at undersøge videndomænet for droneapplikationer i landbrug og skovbrug, tager deres undersøgelse kun hensyn til videnskabelig forskning offentliggjort mellem 1995 og 2017, som ikke afspejler dynamikken i dette område i hurtig bevægelse. Yderligere forsøgte forfatterne ikke at identificere de mest indflydelsesrige bidrag på området, gruppere litteraturen og evaluere den intellektuelle struktur ved hjælp af co-citationsanalyse. Som følge heraf er det nødvendigt at opsummere litteraturen for at afsløre aktuelle forskningsfokus, tendenser og hotspots.
For at udfylde dette videnshul udnytter vi kvantitativ metodologi og strenge bibliometriske metoder til at undersøge den aktuelle forskningstilstand i skæringspunktet mellem droner og landbrug. Vi hævder, at den nuværende undersøgelse giver flere bidrag til den eksisterende litteratur ved at undersøge en ny teknologi, som er stærkt nødvendig i landbruget, da den giver et enormt potentiale til at ændre flere aspekter i denne sektor. Behovet for en bibliometrisk analyse af landbrugets droner fornemmes endnu mere i betragtning af den spredte og fragmenterede viden om droner inden for landbrugssammenhæng. Tilsvarende kræves det, at litteraturen vedrørende landbrugsdroner systematisk samles, i betragtning af de mest indflydelsesrige undersøgelser, der bygger grundlaget for dette forskningsfelt. Fortjenesten i analysen omfatter også afklaring af hovedforskningstemaer repræsenteret i litteraturen. I betragtning af teknologiens transformationspotentiale antager vi, at en dybdegående netværksanalyse giver ny indsigt ved at bestemme indflydelsesrige værker og afsløre temaer vedrørende droners potentiale for landbruget.
Vi bestræber os derfor på at nå følgende forskningsmål:
- Identifikation af indflydelsesrige publikationer med fremragende bidrag til droneapplikationer inden for landbrugsområdet.
- Klyngning af litteraturen, identifikation af forskningsfokus og kortlægning af de vigtigste 'intellektuelle struktur' undersøgelser baseret på semantisk lighed ved brug af co-citationsanalyse.
- Forståelse af udviklingen af koblinger og citationsnetværk over tid blandt forskellige publikationer på området og identifikation af fremtidige forskningsretninger og varme emner.
Resten af papiret er struktureret som følger: afsnit 2 skitserer metoden og dataindsamlingstrinene; afsnit 3 giver resultaterne af analyserne; og afsnit 4 diskuterer resultaterne og afsluttes med forskningsbidrag, implikationer og fremtidige retninger.
Metode
I denne aktuelle forskningsundersøgelse udfører vi en bibliometrisk analyse for at udforske droneapplikationer i landbruget. Denne kvantitative tilgang afslører den intellektuelle struktur af videndomænet (Arora & Chakraborty, 2021) og den nuværende status, varme emner og fremtidige forskningsretninger, der kan undersøges ved at anvende denne metode (Kapoor et al., 2018; Mishra et al. , 2017; A. Rejeb, Rejeb, et al., 2021b; A. Rejeb et al., 2021d; MA Rejeb et al., 2020). Generelt undersøger en bibliometrisk analyse den eksisterende litteratur for at opsummere og afdække skjulte mønstre for skriftlig kommunikation og udviklingen af disciplinen baseret på statistik og matematiske metoder, og den gælder for store datasæt (Pritchard, 1969; Small, 1999; Tahai & Rigsby , 1998). Ved at bruge bibliometri stræber vi efter bedre at forstå de eksisterende paradigmer og forskningsfokus, der bidrager til domænet baseret på lighed (Thelwall, 2008). Bibliometri giver ny indsigt bakket op af metodikkens objektive kvantitative styrke (Casillas & Acedo, 2007). Adskillige forskere har tidligere udført bibliometriske undersøgelser inden for relaterede domæner, herunder landbrug, fjernmåling og digital transformation (Armenta-Medina et al., 2020; Bouzembrak et al., 2019; A. Rejeb, Treiblmaier, et al., 2021; Wamba. & Queiroz, 2021; Wang et al., 2019).
Citationsanalyse
Citationsanalyse afslører forskellige indsigter i et givet forskningsfelt. Først og fremmest er det med til at afsløre de mest indflydelsesrige forfattere og publikationer, der bidrager til et givent forskningsfelt og gør en betydelig gennemslagskraft (Gundolf & Filser, 2013). For det andet kan videnstrømmen og kommunikationsforbindelserne mellem forfattere afdækkes. Endelig kan man ved at spore forbindelserne mellem citerede og citerende værker udforske ændringerne og udviklingen af et videndomæne over tid (Pournader
et al., 2020). Høje citattal af en publikation afspejler dens relevans og væsentlige bidrag til forskningsdomænet (Baldi, 1998; Gundolf & Filser, 2013; Marinko, 1998). Citationsanalyse af publikationer hjælper også med at identificere relevante værker og spore deres popularitet og fremskridt over tid.
Dokumenter co-citationsanalyse
Co-citationsanalyse er en værdifuld metode til at udforske forhold mellem publikationer og skildre den intellektuelle struktur af et felt (Nerur et al., 2008). Med andre ord, ved at identificere de mest citerede publikationer og deres forbindelser grupperer metoden publikationer i adskilte forskningsklynger, hvor publikationer i en klynge regelmæssigt deler lignende ideer (McCain, 1990; Small, 1973). Det er afgørende at nævne, at lighed ikke betyder, at resultaterne af publikationerne er
sammenhængende og enige med hinanden; publikationer tilhører den samme klynge på grund af emnelighed, men de kan have modstridende synspunkter.
Dataindsamling og analyse
Efter metoden foreslået af White og Griffith (1981), udførte vi en omfattende søgning af tidsskriftsartikler for at dække hele forskningsdomænet for droneapplikationer i landbruget, og forfulgte følgende fem trin:
- Det første skridt var dataindsamling. Scopus blev udvalgt som en af de mest omfattende og troværdige databaser med standardiserede resultater. Metadata fra publikationer relateret til alle droneapplikationer i landbruget blev hentet. Derefter analyserede vi de udvalgte artikler og fjernede off-topic artikler fra analysen.
- Vi analyserede litteraturen og identificerede de vigtigste søgeord, der blev brugt i forskningsområdet.
- Ved hjælp af citationsanalyse undersøgte vi sammenhængen mellem forfattere og dokumenter for at afsløre underliggende citationsmønstre. Vi identificerede også de mest indflydelsesrige forfattere og publikationer med betydelige bidrag til feltet for landbrugsdroner.
- Vi udførte en co-citationsanalyse for at gruppere lignende publikationer i klynger.
- Til sidst analyserede vi forbindelserne og forbindelserne mellem lande, institutioner og tidsskrifter for at skildre samarbejdsnetværket.
Identifikation af passende søgetermer
Vi anvendte følgende søgestrenge til dataaggregering: (drone* OR "ubemandet aerial vehicle" OR uav* OR "unmanned aircraf system”ELLER uas ELLER "fjernstyrede fly”) OG (landbrug ELLER landbrug ELLER landbrug ELLER landmand). Eftersøgningen blev gennemført i september 2021. Droner har flere betegnelser, herunder UAV, UAS og fjernstyrede fly (Sah et al., 2021). De specifikke søgetermer relateret til landbrug blev identificeret på baggrund af undersøgelsen af Abdollahi et al. (2021). For overskuelighedens og transparensens skyld er den nøjagtige forespørgsel, vi brugte, angivet i bilag 1. Efter en datarensningsproces oprettede vi en tekstfil, som efterfølgende blev indlæst i BibExcel, et fælles værktøj til citations- og co-citationsanalyse. Dette værktøj tilbyder også enkel interaktion med anden software og giver en betydelig grad af frihed i datahåndtering og analyse. VOSviewer version 1.6.16 blev brugt til at visualisere resultaterne og generere de bibliometriske netværk (Eck & Waltman, 2009). VOSviewer tilbyder en række intuitiv visualisering, især til analyse af bibliometriske kort (Geng et al., 2020). Desuden hjælper det med at give klare visuelle resultater, der hjælper med at forstå resultaterne bedre (Abdollahi et al., 2021). Ved at anvende søgestrengene som angivet ovenfor, indsamlede og opbevarede vi alle relevante publikationer. De første søgeresultater gav i alt 5,085 dokumenter. For at sikre kvaliteten af den udvalgte stikprøve blev kun peer-reviewede tidsskriftsartikler taget i betragtning i forskningen, hvilket resulterede i udelukkelse af andre dokumenttyper, såsom bøger, kapitler, konferenceartikler og redaktionelle noter. Under en screeningsproces blev irrelevante (dvs. uden for rammerne af dette arbejde), overflødige (dvs. dubletter stammende fra dobbeltindeksering) og ikke-engelsktalende publikationer frafiltreret. Denne proces resulterede i, at 4,700 dokumenter blev inkluderet i den endelige analyse.
Fund og diskussion
Til at starte med analyserede vi udviklingen i publikationsoutput i den aktuelle litteratur om landbrugsdroner. Den tidsmæssige fordeling af videnskabelig forskning er vist i fig. 1. Vi ser en hurtig stigning i publikationer fra år 2011 (30 publikationer) og frem; derfor besluttede vi at opdele analyseperioden i to forskellige faser. Vi omtaler perioden mellem 1990 og 2010 som opbygningsstadiet, der havde omkring syv artikler udgivet årligt. Perioden efter 2010 er blevet kaldt vækststadiet, da forskning i droneanvendelser i landbruget oplevede en eksponentiel stigning i denne periode. Efter 2010 bekræfter det stigende antal publikationer den stigende interesse blandt forskere, hvilket også afspejler, at droner er blevet anvendt til fjernmåling og brugt i præcisionslandbrug (Deng et al., 2018; Maes & Steppe, 2019; Messina & Modica, 2020 ). Konkret steg antallet af publikationer fra 108 i 2013 til 498 i 2018 og toppede med 1,275 i 2020. I alt blev der publiceret 935 artikler mellem januar og midten af september 2021. Efterfølgende valgte vi at fokusere vores analyse mere på vækststadiet da denne periode afspejler de seneste og vigtige finesser ved landbrugsdroner.
Nøgleordsanalyse
De søgeord, forfatterne vælger til en publikation, har en afgørende indflydelse på, hvordan papiret er repræsenteret, og hvordan det formidles i videnskabelige miljøer. De identificerer forskningens nøgleemner og bestemmer dens potentiale til at blomstre eller fejle (Day & Gastel, 1998.; Kim et al., 2016; Uddin et al., 2015). Nøgleordsanalyse, et værktøj til at afsløre bredere forskningstendenser og retninger, refererer til kompileringen af nøgleordene for alle relaterede publikationer i et domæne (Dixit & Jakhar, 2021). I den aktuelle undersøgelse opdelte vi de samlede søgeord i to sæt (dvs. indtil 2010 og 2011-2021) for at udforske de mest populære emner. Ved at gøre dette kan vi spore de afgørende nøgleord i begge sæt og sikre, at vi har fanget alle de nødvendige data. For hvert sæt er de ti bedste søgeord præsenteret i tabel 3. Vi eliminerede uoverensstemmelser ved at sammenlægge semantisk identiske søgeord, såsom "drone" og "droner" eller på samme måde "Internet of Things" og "IoT".
Tabel 3 viser, at "ubemandet luftfartøj" er et hyppigere brugt nøgleord sammenlignet med "drone" og "ubemandet luftfartøj" i begge tidsperioder. Også "fjernmåling", "præcisionslandbrug" og "landbrug" er højt rangeret i begge perioder. I den første periode var "præcisionslandbrug" nummer fem, og det blev nummer to i anden periode, hvilket illustrerer, hvordan droner bliver stadig vigtigere for at opnå præcisionslandbrug, da de kan lave overvågning,
detektions- og estimeringspraksis hurtigere, billigere og nemmere at udføre sammenlignet med andre fjernmåling og jordbaserede systemer. De kan også sprøjte den præcise mængde input (f.eks. vand eller pesticider), når det er nødvendigt (Guo et al., 2020; Inoue, 2020; Panday, Pratihast, et al., 2020).
Liste over oftest brugte søgeord.
Rang (Kolonne) | 1990-2010 | Antal forekomster | 2011-2021 | Antal forekomster |
1 | ubemandet antenne køretøj | 28 | ubemandet luftfartøj | 1628 |
2 | remote sensing | 7 | præcision Landbrug | 489 |
3 | Landbrug | 4 | remote sensing | 399 |
4 | luftbårne | 4 | drone | 374 |
5 | præcision Landbrug | 4 | ubemandet luftsystem | 271 |
6 | ubemandet antenne | 4 | Landbrug | 177 |
7 | hyperspektral sensor | 3 | dyb læring | 151 |
8 | kunstig neural net | 2 | maskine læring | 149 |
9 | autonom flyvning | 2 | vegetation Indeks | 142 |
10 | kaffe | 2 | Internet af Ting | 124 |
En anden interessant funktion er tilstedeværelsen af komplementære teknologier. I første fase er "Hyperspektral Sensor" og "kunstige neurale netværk" (ANN) blandt de ti bedste søgeord. Hyperspektral billeddannelse revolutionerede traditionel billeddannelse ved at indsamle et stort antal billeder ved forskellige bølgelængder. Ved at gøre dette kan sensorerne samtidig indsamle bedre rumlig og spektral information sammenlignet med multispektral billeddannelse, spektroskopi og RGB-billeder (Adao ˜ et al.,
2017). Forekomsten af "ANN" i den første fase og "deep learning" (DL) og "machine learning" (ML) i den anden indebærer, at de fleste af de publicerede værker fokuserede på undersøgelsen af potentialet af AI-teknikker til drone- baseret landbrug. Selvom droner er i stand til at flyve autonomt, kræver de stadig involvering af en pilot, hvilket indebærer et lavt niveau af enhedsintelligens. Dette problem kan dog løses på grund af udviklingen af AI-teknikker, som kan give bedre situationsfornemmelse og autonom beslutningsstøtte. Udstyret med kunstig intelligens kan droner undgå kollisioner under navigation, forbedre jord- og afgrødehåndtering (Inoue, 2020) og reducere arbejdskraft og stress for mennesker (BK Sharma et al., 2019).
På grund af deres fleksibilitet og evne til at håndtere store mængder ikke-lineære data, er AI-teknikker egnede metoder til at analysere data transmitteret af droner og andre fjernmåling og jordbaserede systemer til forudsigelse og beslutningstagning (Ali et al., 2015; Inoue, 2020). Desuden indikerer tilstedeværelsen af "IoT" i den anden periode dets nye rolle i landbruget. IoT revolutionerer landbruget ved at forbinde andre teknologier, herunder droner, ML, DL, WSN'er og big data. En af de vigtigste fordele ved at implementere IoT er dens evne til effektivt og effektivt at fusionere forskellige opgaver (dataindsamling, dataanalyse og -behandling, beslutningstagning og implementering) i næsten realtid (Elijah et al., 2018; Feng et al. , 2019; Muangprathub et al., 2019). Ydermere anses droner for at være effektive værktøjer til at indfange de data, der er nødvendige for at beregne vegetationens kraft og vegetationsegenskaber (Candiago et al., 2015). Fig. 2a og 2b illustrerer nøgleordet co-ccurrence netværk for begge tidsperioder.
Indflydelsesrige forfattere
I dette afsnit fastlægger vi de indflydelsesrige forfattere og undersøger, hvordan forfattercitationsnetværk kan visualisere og organisere den aktuelle litteratur. Fig. 3 viser den kronologiske overlejring af alle forskere med det højeste antal citater. Farveskalaen afspejler den årlige variation af forfatternes citater. Vi undersøger citationsstrukturen for forskere, der har offentliggjort undersøgelser af landbrugsdroner ved at bruge en tærskel på minimum 50 citater og ti publikationer. Ud af
12,891 forfattere, kun 115 opfyldte denne betingelse. Tabel 4 viser de ti mest indflydelsesrige forfattere, sorteret efter det maksimale antal citater. Lopez- Granados F. fører listen med 1,963 citater, efterfulgt af Zarco-Tejada PJ med 1,909 citater.
Liste over mest citerede forfattere.
Ranking | Forfatter | Citater |
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 |
Når det kommer til individuelle publikationer, har Zhang og Kovacs' (2012) artikel været den mest citerede undersøgelse offentliggjort i Precision Agriculture. Heri gennemgik forfatterne anvendelsen af UAS i præcisionslandbrug. Resultaterne af deres forskning tyder på, at der er et behov for at fremme platformdesign, produktion, standardisering af billedgeoreferencing og informationssøgning for at give landmændene pålidelige slutprodukter. Derudover anbefaler de at engagere landmanden stærkere, især i markplanlægning, billedoptagelse samt datafortolkning og analyse. Det er vigtigt, at denne undersøgelse var blandt de første til at vise betydningen af UAV i feltkortlægning, kraftkortlægning, måling af kemisk indhold, overvågning af vegetationsstress og evaluering af gødningsvirkninger på plantevækst. Udfordringerne relateret til teknologien omfatter også uoverkommelige omkostninger, sensorkapacitet, platformstabilitet og pålidelighed, manglende standardisering og ensartet procedure til at analysere enorme mængder data.
Citationsanalyse
Citationsanalyse repræsenterer undersøgelsen af artiklers indflydelse, omend tilbøjelige til flows (f.eks. citationsbias, selvcitering) betragtes som et af standardinstrumenterne til effektevaluering (Osareh, 1996; A. Rejeb et al., 2022; Sarli et al., 2010). Citater afspejler også vigtigheden og vitaliteten af artiklernes bidrag til litteraturen om et specifikt emne (R. Sharma et al., 2022). Vi gennemførte en citationsanalyse for at bestemme de mest indflydelsesrige undersøgelser af landbrugsdroner og opsummerede indholdet. Tabel 5 viser listen over de femten mest indflydelsesrige artikler for perioderne 1990-2010 og 2011-2021. Artiklerne af Berni et al. (2009)b og Austin (2010) har været de mest citerede i løbet af 1990 og 2010 med henholdsvis 831 og 498 citater. Berni et al. (2009)b illustrerede potentialet for at udvikle kvantitative fjernmålingsprodukter via en helikopterbaseret UAV udstyret med overkommelige termiske og smalbånds multispektrale billedsensorer. Sammenlignet med traditionelle bemandede luftbårne sensorer er et billigt UAV-system til landbrug i stand til at opnå sammenlignelige estimeringer af biofysiske parametre for afgrøder, hvis ikke bedre. De overkommelige omkostninger og driftsfleksibilitet, sammen med de høje spektrale, rumlige og tidsmæssige opløsninger, der er tilgængelige på en hurtig ekspeditionstid, gør UAV'er velegnede til en række applikationer, der kræver tidskritisk styring, herunder kunstvandingsplanlægning og præcisionslandbrug. Papiret fra Berni et al. (2009)b er meget citeret, fordi den effektivt integrerede en ubemandet roterende vingeplatform og digitale og termiske sensorer med de nødvendige kalibreringsmekanismer til landbrugsapplikationer. Den næstmest citerede publikation er en bog forfattet af Austin (2010), som diskuterede UAV'er fra design-, udviklings- og implementeringsperspektiver. I landbruget understøtter UAV'er afgrødeovervågning ved at opdage sygdomme tidligt gennem afgrødefarveændringer, lette såning og sprøjtning af afgrøder og overvåge og drive besætninger.
Studierne af Sullivan et al. (2007), Lumme et al. (2008), og Gokto ¨ ǧan et al. (2010) afslutter listen over de femten mest citerede artikler. Disse artikler illustrerer udviklingen af UAV-baserede systemer til støtte for landbruget. De tilbyder løsninger på forskellige problemer, såsom afgrødeovervågning og -scanning, ukrudtsovervågning og -håndtering og beslutningsstøtte. De foreslår og diskuterer også UAV's evne til at øge prøveudtagningseffektiviteten og hjælpe landmændene med at udtænke nøjagtige og effektive
plantestrategier. To artikler blev forfattet af Berni (Berni et al., 2009b; Berni et al., 2009a), der understreger hans betydelige indflydelse på landbrugsdronerelateret forskning. Papiret fra Zarco-Tejada et al. (2014) har været blandt de banebrydende undersøgelser for at illustrere behovet for at bruge billige UAV-billeder i træhøjdekvantificering.
Liste over mest citerede publikationer.
Rang (Kolonne) | Fra 1990 til 2010 | Fra 2011 til 2021 | ||
Dokument | Citation | Dokument | Citation | |
1 | (Berni et al., 2009b) | 831 | (C. Zhang & Kovacs, 2012) | 967 |
2 | (Austin, 2010) | 498 | (Nex & Remondino, 2014) | 893 |
3 | (Hunt et al., 2010) | 331 | (Floreano & Wood, 2015) | 552 |
4 | (SR Herwitz et al., 2004) | 285 | (Hossein Motlagh et al., 2016) | 391 |
5 | (CCD Lelong et al., 2008) | 272 | (Shakhatreh et al., 2019) | 383 |
6 | (Berni et al., 2009b) | 250 | (Ma et al., 2017) | 373 |
7 | (Grenzdorffer ¨ et al., 2008) | 198 | (Bendig et al., 2014) | 360 |
8 | (Hrabar et al., 2005) | 175 | (Zarco-Tejada et al., 2014) | 347 |
9 | (Y. Huang et al., 2009) | 129 | (Ad˜ ao et al., 2017) | 335 |
10 | (Schmale III et al., 2008) | 119 | (Honkavaara et al., 2013) | 331 |
11 | (Abd-Elrahman et al., 2005) | 79 | (Candiago et al., 2015) | 327 |
12 | (Techy et al., 2010) | 69 | (Xiang & Tian, 2011) | 307 |
13 | (Sullivan et al., 2007) | 51 | (Matese et al., 2015) | 303 |
14 | (Lumme et al., 2008) | 42 | (Gago et al., 2015) | 275 |
15 | (Gokto ¨ ǧan et al., 2010) | 40 | (Aasen et al., 2015a) | 269 |
I den anden periode (2011-2021) resulterede Zhang og Kovacs (2012) og Nex og Remondinos (2014) forskning i de hyppigst citerede publikationer. Zhang og Kovacs (2012) hævder, at præcisionslandbrug kunne drage fordel af at implementere geospatiale teknikker og sensorer, såsom geografiske informationssystemer, GPS og fjernmåling, for at fange variationer i marken og håndtere dem ved at anvende alternative strategier. Som en game-changer inden for præcisionslandbrug har adoptionen af droner indvarslet en ny tidsalder inden for fjernmåling, forenkling af luftobservation, indfangning af afgrødevækstdata, jordbundsforhold og sprøjteområder. Gennemgangen af Zhang og Kovacs (2012) er afgørende, da den giver indsigt i UAV'er ved at afsløre eksisterende anvendelser og udfordringer af disse enheder i miljøovervågning og præcisionslandbrug, såsom platform- og kamerabegrænsninger, databehandlingsudfordringer, landmandsengagement og luftfartsbestemmelser . Sekundet
mest citerede undersøgelse fra Nex og Remondino (2014) gennemgik det nyeste inden for UAV'er til optagelse, behandling og analyse af jordbilleder.
Deres arbejde præsenterede også en oversigt over adskillige UAV-platforme, applikationer og use cases, der viste de nyeste fremskridt inden for UAV-billedbehandling. I landbruget kunne landmænd bruge UAV'er til at træffe effektive beslutninger for at opnå omkostnings- og tidsbesparelser, modtage en hurtig og præcis registrering af skader og forudse mulige problemer. I modsætning til konventionelle luftplatforme kan UAV'er skære ned på driftsomkostningerne og mindske faren for adgang på barske steder, mens de stadig bevarer et højt præcisionspotentiale. Deres papir opsummerer forskellige fordele ved UAV'er, især med hensyn til nøjagtighed og opløsning.
Blandt de resterende tretten mest citerede publikationer mellem 2011 og 2021 bemærkede vi en større koncentration om forskning i forbindelse med droneapplikationer i billedmissioner (Bendig et al., 2014; Ma et al., 2017; Zarco-Tejada et al., 2014) , præcisionslandbrug (Candiago et al., 2015; Honkavaara et al., 2013a), præcisionsvinavl (Matese et al., 2015), vurdering af vandstress (Gago et al., 2015) og vegetationsovervågning (Aasen et al. , 2015a). I de første år fokuserede forskerne
mere om udvikling af billige, lette og præcise UAV-baserede systemer til landbruget; nyere forskning har fokuseret mere på anmeldelser af UAV-ansøgninger til landbrug og markmåling. Sammenfattende afslører denne analyse, at de indflydelsesrige publikationer for det meste har givet anmeldelser af tidligere undersøgelser for at evaluere UAV'ers nuværende videnskabelige og teknologiske status og udviklet UAV-systemer til at understøtte præcisionslandbrug. Interessant nok fandt vi ikke undersøgelser, der brugte empiri
metoder eller beskrivende casestudier, hvilket udgør et betydeligt vidensgab og kræver mere forskning om dette emne.
Samcitationsanalyse
Ifølge Gmür (2006) identificerer co-citationsanalyse lignende publikationer og grupperer dem. En omhyggelig undersøgelse af en klynge kan afsløre et fælles forskningsfelt blandt publikationerne. Vi undersøger samciteringen af litteraturen vedrørende landbrugsdroner for at illustrere beslægtede emneområder og opdage publikationers intellektuelle mønstre. I denne henseende anbefalede Small (1973) brugen af cocitationsanalyse til at studere den mest indflydelsesrige og skelsættende forskning
inden for en disciplin. For at begrænse sættet til de mest skelsættende artikler (Goyal & Kumar, 2021) satte vi en tærskel for co-citation på 25, hvilket betyder, at to artikler skal være citeret sammen i referencelisterne med 25 eller flere forskellige publikationer. Klyngningen blev også udført med en minimum klyngestørrelse 1 og uden nogen metode til at fusionere mindre klynger med større. Som et resultat blev seks klynger genereret baseret på ligheden mellem undersøgelser og deres intellektuelle struktur. Tabel 6 viser fordelingen af publikationer i hver klynge.
Klynge 1: Denne klynge indeholder atten dokumenter udgivet efter Publikationerne i denne klynge diskuterer dronernes rolle i at understøtte miljøovervågning, afgrødehåndtering og ukrudtshåndtering. For eksempel har Manfreda et al. (2018) giver et overblik over den aktuelle forskning og implementeringer af UAV i overvågning af naturlige landbrugsøkosystemer og argumenterer for, at teknologien tilbyder et enormt potentiale til drastisk at forbedre miljøovervågning og reducere
den eksisterende kløft mellem feltobservation og konventionel luft- og rumbåren fjernmåling. Dette kan gøres ved at tilbyde ny kapacitet til forbedret tidsmæssig genfinding og rumlig indsigt i store områder på en overkommelig måde. UAV'er kan konstant sanse miljøet og sende de resulterende data til intelligente, centraliserede/decentraliserede enheder, der kontrollerer sensorer for at identificere eventuelle problemer, såsom mangel på sygdom eller vanddetektion (Padua et al., 2017). Adao ˜ et al. (2017) hævder, at UAV'er er ideelle til at vurdere planters forhold ved at indfange en stor mængde rådata relateret til vandstatus, biomasseestimering og energivurdering. UAV-monterede sensorer kan også straks udrulles under korrekte miljøforhold for at muliggøre rettidig opsamling af fjernmålingsdata (Von Bueren et al., 2015). Ved hjælp af UAV'er er landmændene i stand til at udføre indendørs landbrugsaktiviteter ved at indhente målinger fra praktisk talt ethvert sted i det tredimensionelle rum i indendørs landbrugsmiljøer (f.eks. drivhuse), og derved sikre lokal klimakontrol og planteovervågning (Roldan ´ et al. ., 2015). I forbindelse med præcision
landbrug, afgrødeforvaltningsbeslutninger nødvendiggør nøjagtige, pålidelige afgrødedata med en passende tidsmæssig og rumlig opløsning (Gebbers & Adamchuk, 2010; Gevaert et al., 2015; Maes & Steppe, 2019). Af denne grund har Agüera Vega et al. (2015) brugte et UAV-monteret multispektralt sensorsystem til at tage billeder af en solsikkeafgrøde i vækstsæsonen. Tilsvarende har Huang et al. (2009) bemærker, at fjernmåling baseret på UAV'er kunne lette måling af afgrøder og jord fra de indsamlede spektrale data. Verger et al. (2014) udviklede og testede en teknik til at estimere et grønt områdeindeks (GAI) fra UAV-reflektansmålinger i præcisionslandbrugsapplikationer med fokus på hvede- og rapsafgrøder. Derfor giver droner nye muligheder for at hente oplysninger om afgrødetilstand med hyppige genbesøg og høj rumlig opløsning (Dong et al., 2019; Garzonio et al., 2017; H. Zheng et al., 2016).
Klynger af indflydelsesrige publikationer om landbrugsdroner.
Cluster | Bredt tema | Referencer |
1 | Miljøovervågning, afgrøde forvaltning, ukrudtsbekæmpelse | (Ad˜ ao et al., 2017; Agüera Vega et al., 2015; de Castro et al., 2018; Gomez-Cand ´ on ´ et al., 2014; YB Huang et al., 2013; Khanal et al., 2017; Lopez-Granados, ´ 2011; Manfreda et al., 2018; P´ adua et al., 2017; Pena ˜ et al., 2013; P´erez-Ortiz et al., 2015; Rasmussen et al., 2013, 2016; Torres-S´ anchez et al., 2014; Torres-Sanchez, ´ Lopez-Granados, ´ & Pena, ~ 2015; Verger et al., 2014; Von Bueren et al., 2015; C. Zhang & Kovacs, 2012) |
2 | Fjernfænotypning, udbytte estimering, afgrødeoverflademodel, optælling af planter | (Bendig et al., 2013, 2014; Geipel et al., 2014; Gnadinger ¨ & Schmidhalter, 2017; Haghighattalab et al., 2016; Holman et al., 2016; Jin et al., 2017; W. Li et al., 2016; Maimaitijiang et al., 2017; Sankaran et al., 2015; Schirrmann et al., 2016; Shi et al., 2016; Yue et al., 2017; X. Zhou et al., 2017) |
3 | Termisk billeddannelse for vand, multispektral billeddannelse | (Baluja et al., 2012; Berni et al., 2009b; Berni et al., 2009a; Candiago et al., 2015; Gago et al., 2015; Gonzalez-Dugo et al., 2013, 2014; Grenzdorffer ¨ et al., 2008; Khaliq et al., 2019; Matese et al., 2015; Ribeiro-Gomes et al., 2017; Santesteban et al., 2017; Uto et al., 2013) |
4 | Hypersektral billeddannelse, spektral imaging | (Aasen et al., 2015a; Bareth et al., 2015; Hakala et al., 2013; Honkavaara et al., 2013a; Lucieer et al., 2014; Saari et al., 2011; Suomalainen et al., 2014) |
5 | 3D-mapping applikationer | (Jim'enez-Brenes et al., 2017; Nex & Remondino, 2014; Salami et al., 2014; Torres-S´ anchez, Lopez-´ Granados, Serrano, et al., 2015; Zahawi et al., 2015; Zarco-Tejada et al., 2014) |
6 | Landbrugsovervågning | (SR Herwitz et al., 2004; Hunt et al., 2010; CCD Lelong et al., 2008; Primicerio et al., 2012; Xiang & Tian, 2011) |
Desuden er droner nyttige til udfordrende opgaver i landbruget, herunder ukrudtskortlægning. Billeder taget af enhederne har bevist deres anvendelighed til tidlig påvisning af ukrudt i marker (de Castro et al., 2018; Jim'enez-Brenes et al., 2017; Lam et al., 2021; Lopez-Granados ´ et al., 2016; Rozenberg et al., 2021). I denne henseende har de Castro et al. (2018) hævder, at sammensmeltningen af UAV-billeder og objektbaseret billedanalyse (OBIA) har gjort det muligt for praktiserende læger at overvinde problemet med at automatisere tidlig detektion i græsmarksafgrøder i den tidlige sæson, hvilket er et stort skridt fremad inden for ukrudtsforskning. Ligeledes har Pena ˜ et al. (2013) påpeger, at brugen af ultra-høj rumlig opløsningsbilleder fra UAV i forbindelse med en OBIA-procedure gør det muligt at generere ukrudtskort i tidlige majsafgrøder, som kan bruges til at planlægge implementeringen af ukrudtsbekæmpelsesforanstaltninger i sæsonen, en opgave ud over evnen til satellit- og traditionelle luftbårne billeder. Sammenlignet med billedklassificering eller objektdetekteringsalgoritmer er semantiske segmenteringsteknikker mere effektive til ukrudtskortlægningsopgaver (J. Deng et al., 2020), hvilket gør det muligt for landmænd at detektere markforhold, mindske tab og forbedre udbyttet gennem hele vækstsæsonen (Ramesh et al., 2020). Dyb læringsbaseret semantisk segmentering kan også give en nøjagtig måling af vegetationsdækning fra luftbilleder i høj opløsning (Ramesh et al., 2020; A. Zheng et al., 2022). På trods af deres potentiale for fjernbetjening
sensing af pixelklassificering kræver semantiske segmenteringsteknikker betydelig beregning og en uoverkommelig høj GPU-hukommelse (J. Deng et al., 2020).
Baseret på maskinlæring og UAV, P´erez-Ortiz et al. (2015) foreslog en tilgang til kortlægning af ukrudt for at give stedspecifikke strategier til bekæmpelse af ukrudt, når landmænd anvender ukrudtsbekæmpelse tidligt efter fremspiring. Endelig har Rasmussen et al. (2013) fremhævede, at droner giver billig sansning med stor rumlig opløsningsfleksibilitet. Overordnet set fokuserer publikationerne i denne klynge på at udforske potentialerne af UAV'er til at understøtte fjernmåling, afgrødeovervågning og ukrudtskortlægning. Yderligere dybdegående forskning er nødvendig for yderligere at undersøge, hvordan droneapplikationer inden for miljøovervågning, afgrødeforvaltning og kortlægning af ukrudt kan opnå mere bæredygtigt landbrug (Chamuah & Singh, 2019; Islam et al., 2021; Popescu et al., 2020; J. Su, Liu, et al., 2018) og behandler forvaltningsspørgsmål af denne teknologi i afgrødeforsikringsapplikationer (Basnet & Bang, 2018; Chamuah & Singh, 2019, 2022; Meinen & Robinson, 2021). Forskere bør koncentrere sig om at validere UAV-indsamlede målinger med effektive behandlingsteknikker for at forbedre den ultimative kvalitet af behandlede data (Manfreda et al., 2018). Ydermere er der behov for udvikling af passende algoritmer, der genkender pixels, der viser ukrudt i de digitale billeder og eliminerer irrelevant baggrund under UAV-ukrudtskortlægning (Gaˇsparovi´c et al., 2020; Hamylton et al., 2020; H. Huang et al. , 2018, 2020; Lopez-´ Granados et al., 2016). Yderligere forskning i brugen af semantiske segmenteringsteknikker i plantegenkendelse, bladklassificering og sygdomskortlægning er velkommen (Fuentes-Pacheco et al., 2019; Kerkech et al., 2020).
Klynge 2. Publikationerne i denne klynge fokuserede på flere aspekter af landbrugsdroner. Relateret til fjernfænotypning, Sankaran et al. (2015) gennemgik potentialet ved at bruge luftafbildning i lav højde med høj opløsning med UAV'er til hurtig fænotypebestemmelse af afgrøder i marken, og de argumenterer for, at sammenlignet med jordbaserede sensingplatforme tilbyder små UAV'er med passende sensorer flere fordele , såsom lettere adgang til marken, højopløsningsdata, effektiv dataindsamling,
hurtige vurderinger af markens vækstbetingelser og lave driftsomkostninger. Forfatterne bemærker dog også, at den effektive anvendelse af UAV til feltfænotypning er afhængig af to grundlæggende elementer, nemlig UAV-egenskaber (f.eks. sikkerhed, stabilitet, positionering, autonomi) og sensorkarakteristika (f.eks. opløsning, vægt, spektrale bølgelængder, felt). af udsigt). Haghighattalab et al. (2016) foreslog en semi-automatiseret billedbehandlingspipeline til at hente data på plot-niveau fra UAV-billeder og fremskynde avlsprocessen. Holman et al. (2016) udviklede en høj
gennemstrømningsfeltfænotypingssystem og fremhævede, at UAV er i stand til at indsamle kvalitets, voluminøse, feltbaserede fænotypiske data, og at enheden er effektiv til store områder og på tværs af forskellige feltlokationer.
Da udbytteestimering er en utrolig vigtig information, især når den er tilgængelig til tiden, er der et potentiale for UAV'er til at levere alle feltmålinger og effektivt erhverve data af høj kvalitet (Daakir et al., 2017; Demir et al., 2018 ; Enciso et al., 2019; Kulbacki et al., 2018; Pudelko et al., 2012). I denne henseende har Jin et al. (2017) udnyttede de højopløselige billeder opnået af UAV'er i meget lave højder til at udvikle og vurdere en metode til at estimere hvedeplantetæthed på fremkomststadiet. Ifølge forfatterne overvinder UAV'er begrænsningerne ved roversystemer udstyret med kameraer og repræsenterer en ikke-invasiv metode til at estimere plantetæthed i afgrøder, hvilket gør det muligt for landmænd at opnå den høje gennemstrømning, der er nødvendig for markfænotyping uafhængigt af jordens trafikabilitet. Li et al. (2016) indsamlede hundredvis af stereobilleder med ekstrem høj opløsning ved hjælp af et UAV-baseret system til at estimere majsparametre, herunder baldakinhøjde og overjordisk biomasse. Endelig har Yue et al. (2017) fandt ud af, at afgrødehøjden bestemt ud fra UAV'er kunne forbedre estimeringen af overjordisk biomasse (AGB).
En tilgang til at overvåge afgrødevækst er ideen om at udvikle afgrødeoverflademodeller (Bendig et al., 2014, 2015; Holman et al., 2016; Panday, Shrestha, et al., 2020; Sumesh et al., 2021). Adskillige undersøgelser fremhævede gennemførligheden af billeder taget fra UAV for at fange planters højde og overvåge deres vækst. For eksempel har Bendig et al. (2013) beskrev udviklingen af multi-temporale afgrødeoverflademodeller med en meget høj opløsning på mindre end 0.05 m ved hjælp af UAV. De havde til formål at opdage afgrøde
vækstvariabilitet og dens afhængighed af afgrødebehandling, kultivar og stress. Bendig et al. (2014) brugte UAV'er til at estimere frisk og tør biomasse baseret på plantehøjde udvundet fra afgrødeoverflademodeller og fandt ud af, at i modsætning til luftbårne platforme og terrestrisk laserscanning kan højopløsningsbillederne fra UAV'er øge nøjagtigheden af plantehøjdemodellering for forskellig vækst markant. niveauer. På samme måde har Geipel et al. (2014) brugte UAV'er i deres forskning til at erhverve billeder
Datasæt til forudsigelse af majskornudbytte ved tre forskellige vækstfaser fra tidlig til midtsæson og konkluderede, at kombinationen af spektral og rumlig modellering baseret på luftbilleder og afgrødeoverflademodeller er en velegnet metode til at forudsige midtsæsonens majsudbytte. Endelig undersøgte Gnadinger ¨ og Schmidhalter (2017) nytten af UAV i præcisionsfænotypning og fremhævede, at brugen af denne teknologi kunne forbedre bedriftsledelsen og muliggøre felteksperimenter til avl og agronomiske formål. Samlet set observerer vi, at publikationerne i klynge 2 fokuserer på de vigtigste fordele ved UAV'er i fjerntliggende
fænotypning, udbytteestimering, afgrødeoverflademodellering og plantetælling. Fremtidige undersøgelser kan grave dybere ved at udvikle nye metoder til fjernfænotypning, der kan automatisere og optimere behandlingen af fjernregistrerede data (Barabaschi et al., 2016; Liebisch et al., 2015; Mochida et al., 2015; S. Zhou et al. ., 2021). Derudover skal ydeevnen af IoT-sensorer monteret på UAV'er og afvejningen mellem deres omkostninger, arbejdskraft og præcision af udbytteestimering undersøges i
fremtid (Ju & Son, 2018a, 2018b; Xie & Yang, 2020; Yue et al., 2018). I sidste ende er der behov for at udvikle effektive billedbehandlingsmetoder, der kan generere pålidelig information, maksimere effektiviteten i landbrugsproduktionen og minimere landmændenes manuelle tællearbejde (RU Khan et al., 2021; Koh et al., 2021; Lin & Guo, 2020; C. Zhang et al., 2020).
Klynge 3. Publikationerne i denne klynge diskuterer de forskellige typer billeddannelsessystemer til fjernmåling af landbrugsressourcer, der anvendes på UAV-platforme. I denne henseende tillader termisk billeddannelse overvågning af overfladetemperaturer for at forhindre afgrødeskader og opdage tørkestress tidligt (Awais et al., 2022; García-Tejero et al., 2018; Sankaran et al., 2015; Santesteban et al., 2017; Yeom, 2021). Baluja et al. (2012) hævdede, at brugen af multispektrale og termiske kameraer ombord på
UAV gjorde det muligt for forskere at få billeder i høj opløsning og vurdere vinens vandstatus. Dette kunne være nyttigt til at udvikle nye vandplanlægningsmodeller ved hjælp af fjernmålingsdata (Baluja et al., 2012). På grund af
begrænset lastekapacitet af UAV'er, Ribeiro-Gomes et al. (2017) overvejede integrationen af ukølede termiske kameraer i UAVS for at bestemme vandstress i planterne, hvilket gør denne type UAV'er mere effektive og levedygtige end traditionel satellitbaseret fjernmåling og UAV'er udstyret med afkølede termiske kameraer. Ifølge forfatterne er ukølede termiske kameraer lettere end afkølede kameraer, hvilket kræver passende kalibrering. Gonzalez-Dugo et al. (2014) viste, at termiske billeder effektivt genererer rumlige kort over afgrøders vandstressindekser til vurdering af vandstatus og kvantificering af vandstress blandt og inden for citrusplantager. Gonzalez-Dugo et al. (2013) og Santesteban et al. (2017) undersøgte brugen af UAV-termiske billeder i høj opløsning til at estimere vandstatusvariationerne for en kommerciel frugthave og en vingård.
Multispektral billeddannelse kunne give massive data i sammenligning med traditionelle RGB-billeder (rød, grøn og blå) (Ad˜ ao et al., 2017; Navia et al., 2016). Disse spektrale data kan sammen med rumlige data hjælpe med klassificering, kortlægning, prognose, forudsigelse og detektionsformål (Berni et al., 2009b). Ifølge Candiago et al. (2015), UAV-baseret multispektral billeddannelse kunne bidrage massivt til afgrødevurdering og præcist landbrug som en pålidelig og effektiv ressource. Også,
Khaliq et al. (2019) lavede en sammenligning mellem satellit- og UAV-baseret multispektral billeddannelse. De UAV-baserede billeder resulterede i en mere præcis beskrivelse af vingårdsvariabiliteten såvel som kraftkort til at repræsentere afgrødekroner. I en nøddeskal diskuterer artikler i denne klynge inkorporeringen af termiske og multispektrale billedsensorer i landbrugs-UAV'er. Derfor er der behov for mere forskning for at forstå, hvordan termisk og multispektral billeddannelse kan integreres med kunstig intelligens
teknikker (f.eks. dyb læring) til at detektere plantestress (Ampatzidis et al., 2020; Ampatzidis & Partel, 2019; Jung et al., 2021; Santesteban et al., 2017; Syeda et al., 2021). Sådanne indsigter vil hjælpe med at sikre mere effektiv og præcis detektion samt overvågning af plantevækst, stress og fænologi (Buters et al., 2019; Cao et al., 2020; Neupane & BaysalGurel, 2021; L. Zhou et al., 2020).
Klynge 4. Denne klynge består af syv artikler, der kredser om den afgørende rolle, som spektral billeddannelse og hyperspektral billeddannelse spiller for at understøtte landbrugspraksis. Hyperspektral billeddannelse har etableret sig som en fjernmålingsmetode, der muliggør kvantitativ vurdering af jordsystemet (Schaepman et al., 2009). For at være mere præcis muliggør den identifikation af overfladematerialer, kvantificering af (relative) koncentrationer og tildelingen af overfladekomponentproportioner
inden for blandede pixels (Kirsch et al., 2018; Zhao et al., 2022). Med andre ord muliggør den højere spektrale opløsning, som hyperspektrale systemer giver, mere nøjagtige estimeringer af forskellige parametre, såsom vegetariske egenskaber eller bladvandindhold (Suomalainen et al., 2014). Forskerne i denne klynge undersøgte forskellige aspekter af sådanne systemer. Blandt andre Aasen et al. (2015b) tilbød en unik tilgang til at udlede tredimensionel hyperspektral information fra letvægts
snapshot-kameraer brugt på UAV'er til vegetationsovervågning. Lucieer et al. (2014) diskuterede design, udvikling og luftoperationer af en ny hyperspektral UAS samt kalibrering, analyse og fortolkning af billeddataene indsamlet med det. Endelig har Honkavaara et al. (2013b) udviklede en omfattende behandlingstilgang til FabryPerot interferometer-baserede spektrale billeder og viste dens anvendelse i en biomasseestimatprocedure til præcisionslandbrug. Potentielle fremtidige veje for denne nuværende klynge omfatter at understrege behovet for tekniske forbedringer i sensorteknologier (Aasen et al., 2015b) samt behovet for at inkorporere og forbedre komplementære teknologier, specifikt big data og analytics (Ang & Seng, 2021; Radoglou -Grammatikis et al., 2020; Shakoor et al., 2019). Sidstnævnte stammer hovedsageligt fra de stadigt voksende data genereret af forskellige sensorer implementeret i smart landbrug (C. Li & Niu, 2020; A. Rejeb et al., 2022; Y. Su & Wang, 2021).
Klynge 5. Publikationerne i denne klynge undersøgte droner-baserede 3Dmapping-applikationer. Brug af droner til 3D-kortlægning kan afhjælpe det komplekse feltarbejde og øge effektiviteten væsentligt (Torres-Sanchez et al., 2015). De fem artikler i klyngen fokuserede hovedsageligt på planteovervågningsapplikationer. For at indhente tredimensionelle data om kroneareal, træhøjde og kronevolumen har Torres-Sanchez ´ et al. (2015) brugte UAV-teknologi til at generere digitale overflademodeller og derefter objektbaserede billedanalyse (OBIA) tilgange. Yderligere har Zarco-Tejada et al. (2014) kvantificerede træhøjden ved at integrere UAV-teknologi og tredimensionelle foto-rekonstruktionsmetoder. Jim'enez-Brenes Lopez-Granados, 'De Castro, et al. (2017) demonstrerede en ny proces til multi-temporal 3D-overvågning af snesevis af oliventræer ved at integrere UAV-teknologi med avanceret OBIA-metode. Interessante veje for fremtidige værker i denne klynge omfatter enten forbedring af nuværende
metoder (Zarco-Tejada et al., 2014) til digital overflademodellering (Ajayi et al., 2017; Jaud et al., 2016), såsom OBIA (de Castro et al., 2018, 2020; Ventura et al. , 2018), og fotorekonstruktion eller udvikling af nye metoder (Díaz-Varela et al., 2015; Torres-S´anchez et al., 2015).
Klynge 6. Denne klynge diskuterer dronernes rolle i landbrugsovervågning. UAV'er kunne supplere og overvinde manglerne ved satellit- og flybilleddannelse. For eksempel kunne de give høj opløsning nær realtidsbilleddannelse med mindre brændstof eller pilotudfordringer, hvilket resulterer i konstant og realtidsovervågning og forbedringer i beslutningstagning (S. Herwitz et al., 2004). Et andet vigtigt bidrag fra UAV'er er deres evne til at levere stedspecifikke data til præcisionslandbrug eller stedspecifikt landbrug, da deres høje opløsning, detaljerede data om forskellige parametre gør det muligt for landmænd at opdele jorden i homogene dele og behandle dem i overensstemmelse hermed (Hunt et al. , 2010; CC Lelong et al., 2008; Primicerio et al., 2012). Sådan UAV-baseret landbrugsovervågning kan understøtte fødevaresikkerhedsovervågning og beslutningstagning (SR Herwitz et al., 2004). For at fremme forskning inden for landbrugsovervågning er der ikke kun behov for forbedringer i sensorer, UAV'er og andre relaterede teknologier og deres kommunikations- og dataoverførselsmetoder (Ewing et al., 2020; Shuai et al., 2019), men også integration af droner med forskellige teknologier til optimering af forskellige opgaver i relation til smart landbrug, såsom overvågning, landbrugsovervågning og beslutningstagning, er et højpotentielt forskningsområde (Alsamhi et al., 2021; Popescu et al., 2020; Vuran et al., 2018). I denne henseende tilbyder IoT, WSN'er og big data interessante komplementære muligheder (van der Merwe et al., 2020). Implementeringsomkostninger, omkostningsbesparelser, energieffektivitet og datasikkerhed er blandt de underforskede områder for sådan integration (Masroor et al., 2021).
Lande og akademiske institutioner
Det sidste trin omfattede undersøgelsen af oprindelseslandet og forfatternes akademiske tilhørsforhold. Gennem denne analyse sigter vi mod bedre at forstå den geografiske fordeling af forskere, der bidrager til anvendelsen af droner i landbruget. Det er bemærkelsesværdigt at bemærke mangfoldigheden af lande og akademiske institutioner. Fra et landeperspektiv ligger USA, Kina, Indien og Italien øverst på listen med hensyn til antallet af publikationer (tabel 7). Den nuværende
forskning i landbrugsdroner er stort set centreret i nordamerikanske og asiatiske lande, hovedsageligt på grund af deres høje engagement i præcisionslandbrugsapplikationer. For eksempel i USA blev markedet for landbrugsdroner anslået til 841.9 millioner USD i år 2020, hvilket svarer til cirka 30 % af den globale markedsandel (ReportLinker, 2021). Kina, der er placeret som verdens største økonomi, forventes at nå en omtrentlig markedsstørrelse på 2.6 milliarder USD i år 2027. Dette land appellerer til landbrugsdroner for at overvinde produktivitetsproblemer og opnå bedre udbytte, lettelse af arbejdskraft og mindre produktionsinput. Indførelsen af teknologien i Kina er dog også drevet af faktorer som befolkningsstørrelsen og behovet for at innovere og forbedre eksisterende afgrødeforvaltningspraksis.
Top mest produktive lande og universiteter/organisationer, der bidrager til
landbrugs drone-relateret forskning.
Rang (Kolonne) | Lande |
1 | USA |
2 | Kina |
3 | Indien |
4 | Italiensk vin |
5 | Spanien |
6 | Tyskland |
7 | Brasilien |
8 | Australien |
9 | Japan |
10 | Storbritannien |
Rang (Kolonne) | Universiteter/organisationer |
1 | Chinese Academy of Sciences |
2 | Folkerepublikken Kinas landbrugsministerium |
3 | Overordnet råd for videnskabelige undersøgelser |
4 | Texas A & M University |
5 | Kina Landbrugsuniversitet |
6 | USDA Agricultural Research Service |
7 | CSIC – Instituto de Agricultura Sostenible IAS |
8 | Purdue University |
9 | Consiglio Nazionale delle Ricerche |
10 | Sydkines landbrugsuniversitet |
Fra et universitets- og organisatorisk perspektiv topper det kinesiske videnskabsakademi listen med hensyn til antallet af publikationer, efterfulgt af Folkerepublikken Kinas landbrugsministerium og Consejo Superior de Investigaciones Científicas. Chinese Academy of Sciences er repræsenteret af forfatterne Liao Xiaohan og Li Jun; Han Wenting repræsenterer ministeriet for landbrug i Folkerepublikken Kina; og Consejo Superior de Investigaciones Científicas er repræsenteret af Lopez-Granados, ´ F. og Pena, ˜ Jos´e María S. Fra USA finder universiteter som Texas A&M University og Purdue University deres
nævne. Universiteterne med det højeste antal publikationer og deres forbindelser er vist i fig. 4. Derudover inkluderer denne liste institutioner såsom Consiglio Nazionale delle Ricerche og Consejo Superior de Investigaciones Científicas, der er aktive inden for videnskabelig forskning, men som ikke er akademiske institutioner .
Vores udvalg omfattede en bred vifte af tidsskrifter, omfattende stort set alle tilgængelige data. Som det fremgår af tabel 8, rangerer fjernmåling med 258 artikler i toppen, efterfulgt af Journal of Intelligent and Robotic Systems: Theory and Applications med 126 og Computers and Electronics in Agriculture med 98 artikler. Mens Remote Sensing hovedsageligt er fokuseret på anvendelse og udvikling af droner, dækker computere og elektronik i landbruget hovedsageligt fremskridt inden for computerhardware, software, elektronik og kontrolsystemer i landbruget. Forretninger på tværs af områder, såsom IEEE Robotics and Automation Letters med 87 publikationer og IEEE Access med 34 publikationer, er også førende forretninger på området. De femten bedste forretninger har bidraget til litteraturen med 959 dokumenter, hvilket er cirka 20.40 % af alle publikationer. En tidsskriftssamcitationsanalyse gør os i stand til at undersøge vigtigheden og ligheden mellem publikationer. Samcitationsanalysen giver tre klynger, som vist i fig. 5. Den røde klynge består af tidsskrifter som Remote Sensing, Computer and Electronics in Agriculture, Sensors,
og International Journal of Remote Sensing. Alle disse forretninger er meget velrenommerede tidsskrifter inden for områderne fjernmåling og præcisionslandbrug. Den grønne klynge indeholder tidsskrifter, der beskæftiger sig med robotteknologi, såsom Journal of Intelligent and Robotic Systems: Theory and Applications, IEEE Robotics and Automation Letters, IEEE Access og Drones. Disse forretninger udgiver for det meste papirer om automatisering og er nyttige for landbrugsingeniører. Den endelige klynge er dannet af tidsskrifter relateret til agronomy og landbrugsteknik, som Agronomy og International Journal of Agricultural and Biological Engineering.
Top 15 tidsskrifter inden for landbrugsdronerelateret forskning.
Rang (Kolonne) | tidsskrift | Tælle |
1 | Fjernfølelse | 258 |
2 | Journal of Intelligent and Robotic Systems: Theory and Applikationer | 126 |
3 | Computere og elektronik i landbruget | 98 |
4 | IEEE Robotics and Automation Letters | 87 |
5 | Sensorer | 73 |
6 | International Journal of Remote Sensing | 42 |
7 | Præcisionslandbrug | 41 |
8 | Drones | 40 |
9 | Agronomi | 34 |
10 | IEEE-adgang | 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 | Biosystemteknik | 23 |
Konklusion
Resumé
I denne undersøgelse opsummerede og analyserede vi eksisterende forskning om landbrugsdroner. Ved at anvende forskellige bibliometriske teknikker stræbte vi efter at opnå en bedre forståelse af den intellektuelle struktur af landbrugsdronerelateret forskning. Sammenfattende tilbyder vores gennemgang adskillige bidrag ved at identificere og diskutere nøgleord i litteraturen, afsløre videnklynger, mens de danner semantisk lignende fællesskaber inden for droner, skitserer tidligere forskning og foreslår fremtidige forskningsretninger. Nedenfor skitserer vi de vigtigste resultater af gennemgangen om udviklingen af landbrugsdroner:
• Den overordnede litteratur er vokset hurtigt og har tiltrukket sig enorm opmærksomhed i løbet af det sidste årti, hvilket fremgår af stigningen i antallet af artikler efter 2012. Selvom dette vidensfelt endnu ikke har nået sin fulde modenhed (Barrientos et al., 2011; Maes & Steppe, 2019), er flere spørgsmål stadig ubesvarede. For eksempel er nytten af droner i indendørs landbrug stadig åben for debat (Aslan et al., 2022; Krul et al., 2021; Rold´an et al., 2015). Kompleksiteten af feltscener og de forskellige billeddannelsesforhold (f.eks. skygger og belysning) kan resultere i en højere spektral varians i klassen (Yao et al., 2019). Selv i de senere forskningsfaser er forskere blevet udfordret til at bestemme optimale flyveplaner i henhold til bestemte scenarier og påkrævet billedkvalitet (Soares et al., 2021; Tu et al.,
2020).
• Vi bemærker, at feltet har udviklet sig fra at udvikle effektive UAV-systemer til at inkorporere AI-teknikker, såsom maskinlæring og deep learning i design af landbrugsdroner (Bah et al., 2018; Kitano et al., 2019; Maimaitijiang et al. , 2020; Mazzia et al., 2020; Tetila et al., 2020).
• Forskning i landbrugsdroner diskuterede overvejende fjernmåling ved at udforske teknologiens potentialer inden for miljøovervågning, afgrødehåndtering og ukrudtshåndtering (klynge 1) samt fjernfænotyping og udbytteestimering (klynge 2). Et sæt indflydelsesrige undersøgelser af landbrugsdroner omfatter Austin (2010), Berni et al. (2009)a, Herwitz et al. (2004), Nex og Remondino (2014) og Zhang og Kovacs (2012). Disse undersøgelser udviklede det konceptuelle grundlag for drone-relateret forskning i landbrugssammenhæng.
• I forbindelse med metodologien observerede vi, at det meste af den forskning, der er udført indtil nu, havde været sammensat af enten systemdesign, konceptuelle eller review-baserede undersøgelser (Inoue, 2020; Nex & Remondino, 2014; P´erez-Ortiz et al. , 2015; Yao et al., 2019). Vi bemærker også en mangel på empiriske, kvalitative og case-studie-baserede metoder i arbejdet med at undersøge landbrugsdroner.
• For nylig har emner relateret til præcisionslandbrug, AI-teknikker, præcisionsvinavl og vurdering af vandstress tiltrukket sig betydelig opmærksomhed (Espinoza et al., 2017; Gomez-Cand ´ on ´ et al., 2016; Matese et al., 2015; Matese & Di Gennaro, 2018, 2021; Z. Zhou et al., 2021). Omhyggelig undersøgelse af forskningsklynger i to separate epoker, 1990-2010 og 2011-2021, afslører fremskridtene i domænets intellektuelle struktur. Perioden fra 1990 til 2010 udgjorde opbygningen af centrale forestillinger og begreberne droner, hvilket er indlysende fra diskussionen om UAV-design, udvikling og implementering. I den anden æra udvider forskningsfokuset sig på tidligere undersøgelser og gør en indsats for at syntetisere UAV-brugssager i landbruget. Vi fandt også adskillige undersøgelser, der diskuterer droneapplikationer i billeddannelsesopgaver og præcisionslandbrug.
Rang (Kolonne) | tidsskrift | Tælle |
1 | Fjernfølelse | 258 |
2 | Journal of Intelligent and Robotic Systems: Theory and | 126 |
Applikationer | ||
3 | Computere og elektronik i landbruget | 98 |
4 | IEEE Robotics and Automation Letters | 87 |
5 | Sensorer | 73 |
6 | International Journal of Remote Sensing | 42 |
7 | Præcisionslandbrug | 41 |
8 | Drones | 40 |
9 | Agronomi | 34 |
10 | IEEE-adgang | 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 | Biosystemteknik | 22 |
Konsekvenser
Vores bibliometriske gennemgang blev designet og udført med forskere, landmænd, landbrugseksperter, afgrødekonsulenter og UAV-systemdesignere i tankerne. Så vidt forfatterne ved, er dette en af de første originale anmeldelser, der har foretaget en dybdegående bibliometrisk analyse af
droneapplikationer i landbruget. Vi har foretaget en omfattende gennemgang af dette vidensorgan ved at anvende citations- og co-citationsanalyser af publikationer. Vores forsøg på at beskrive droneforskningens intellektuelle struktur giver også ny indsigt for akademikere. En omhyggelig gennemgang af de anvendte søgeord over tid afslører hotspots og fokusområder i den drone-relaterede litteratur. Desuden præsenterer vi en liste over de mest citerede undersøgelser for at identificere de mest virkningsfulde forskningsarbejder, der er gennemført på området. Identifikationen af artikler og søgeord kunne derfor give et solidt udgangspunkt for at afdække flere veje til fremtidige undersøgelser.
Det er vigtigt, at vi afslørede klynger, der klassificerer sammenlignelige værker og uddybede resultaterne. Studierne klassificeret i klynger hjælper med at forstå den intellektuelle struktur af UAV-forskning. Især opdagede vi en mangel på undersøgelser, der undersøger droners adoptionsfaktorer
og barrierer i landbrugsaktiviteter (se tabel 9). Fremtidige forskere kunne løse dette potentielle hul ved at udføre empiriske undersøgelser, der evaluerer droners adoptionsfaktorer i forskellige landbrugsaktiviteter og klimatiske forhold. Desuden bør casestudie-baseret forskning vedrørende effektiviteten af droner understøttes med reelle data fra feltet. Også at involvere landmænd og ledere i akademisk forskning ville være fordelagtigt for både den teoretiske og praktiske udvikling af droneforskning. Vi var også i stand til at identificere de mest fremtrædende forskere og deres bidrag, hvilket er værdifuldt, fordi bevidsthed om nyere banebrydende værker kan give en vis vejledning til fremtidige akademiske bestræbelser.
Tabel 9
UAV-adoptionsbarrierer.
Barrier | Beskrivelse |
Datasikkerhed | Cybersikkerhed er en stor udfordring at implementere IoT-løsninger (Masroor et al., 2021). |
Interoperabilitet og integration | Forskellige teknologier såsom UAV, WSN, IoT osv. skal integreres og overføre data, som øge kompleksitetsniveauet (Alsamhi et al., 2021; Popescu et al., 2020; Vuran et al., 2018). |
Implementeringsomkostninger | Dette er specifikt tilfældet for små landmænd og for integration af forskellige banebrydende teknologier ( Masroor et al., 2021). |
Arbejdskendskab og ekspertise | Dygtige dronepiloter er nødvendige for at betjene UAV'er. Også implementering af forskellige banebrydende teknologier kræver faglærte arbejdere (YB Huang et al., 2013; Tsouros et al., 2019). |
Motorkraft og flyvning varighed | Droner kan ikke betjenes i lange timer og dækker store områder (Hardin & Hardin, 2010; Laliberte et al., 2007). |
Stabilitet, pålidelighed og manøvredygtighed | Droner er ikke stabile under dårlige vejrforhold (Hardin & Hardin, 2010; Laliberte et al., 2007). |
Nyttelast begrænsninger og sensorernes kvalitet | Droner kan kun bære begrænsede belastninger fører til mulighed for at indlæse sensorer af lavere kvalitet (Nebiker et al., 2008). |
Regulering | Da droner også kan være farlige, er der alvorlige regler på nogle områder (Hardin & Jensen, 2011; Laliberte & Rango, 2011). |
Landmændenes viden og interesse | Som andre banebrydende teknologier er dronerne vellykket implementering kræver ekspertise og også ledsaget af usikkerheder (Fisher et al., 2009; Lambert et al., 2004; Stafford, 2000). |
Da der er et konstant behov for effektivt at bruge tilgængelige ressourcer til at maksimere udbyttet, kan landmænd drage fordel af droner for at sikre hurtig, nøjagtig og omkostningseffektiv scanning af deres marker. Teknologien kan hjælpe landmænd med at bestemme deres afgrøders tilstand og vurdere vandstatus, modningsstadiet, insektangreb og ernæringsbehov. Drones fjernmålingsevner kan give landmænd vigtige data til at forudse problemer på et tidligt tidspunkt og straks foretage passende indgreb. Fordelene ved teknologien kan dog kun realiseres, hvis udfordringerne løses ordentligt. I lyset af
nuværende problemer vedrørende datasikkerhed, sensorteknologiske problemer (f.eks. pålideligheden eller nøjagtigheden af målinger), kompleksiteten af integration og betydelige implementeringsomkostninger, skal fremtidige undersøgelser også undersøge den tekniske, økonomiske og operationelle gennemførlighed af at integrere landbrugsdroner og andre skære- kantteknologier.
Begrænsninger
Vores undersøgelse har flere begrænsninger. For det første bestemmes resultaterne af de publikationer, der er udvalgt til den endelige analyse. Det er udfordrende at fange alle relevante undersøgelser relateret til landbrugsdroner, især dem der ikke er indekseret i Scopus-databasen. Yderligere er dataindsamlingsprocessen begrænset til indstillingen af søgeord, som muligvis ikke er inkluderende og fører til inkonklusive resultater. Derfor skal fremtidige undersøgelser være mere opmærksomme på det underliggende spørgsmål om dataindsamling at foretage
mere pålidelige konklusioner. En anden begrænsning vedrører nye publikationer med et lavt antal citater. Den bibliometriske analyse er forudindtaget i forhold til tidligere publikationer, da de har tendens til at modtage flere citater gennem årene. Nyere undersøgelser har brug for en vis mængde tid for at tiltrække opmærksomhed og akkumulere citater. Som følge heraf vil nyere undersøgelser, der bringer et paradigmeskifte, ikke placeres blandt de ti mest indflydelsesrige værker. Denne begrænsning er fremherskende i undersøgelsen af hurtigt fremvoksende forskningsdomæner som landbrugsdroner. Da vi har konsulteret Scopus for at studere litteraturen til dette arbejde, kunne fremtidige forskere overveje anderledes
databaser, såsom Web of Science og IEEE Xplore, for at udvide horisonten og forbedre forskningsstrukturen.
Potentielle bibliometriske undersøgelser kan overveje andre vitale videnkilder såsom konferenceartikler, kapitler og bøger for at generere ny indsigt. På trods af kortlægning og undersøgelse af globale publikationer om landbrugsdroner afslørede vores resultater ikke årsagerne bag universiteternes videnskabelige resultater. Dette baner vejen for et nyt forskningsområde i kvalitativt at forklare, hvorfor nogle universiteter er mere produktive end andre, når det kommer til forskning om landbrug.
droner. Derudover kan fremtidige undersøgelser give indsigt i droners potentiale til at øge landbrugets bæredygtighed på flere måder, såsom miljøovervågning, afgrødehåndtering og kortlægning af ukrudt som angivet af flere forskere (Chamuah & Singh, 2019; Islam et al., 2021; Popescu et al., 2020; J. Su, Liu, et al., 2018b). Da tekstanalysen ikke var mulig på grund af det høje antal udvalgte artikler, er der behov for systematiske litteraturgennemgange, der undersøger
anvendte forskningsmetoder og inddragelse af landmænd i tidligere undersøgelser. Kort sagt, vores analyse af droneforskning afslører de usynlige forbindelser i denne vidensinstans. Denne gennemgang hjælper derfor med at afdække relationerne mellem publikationer og udforsker forskningsfeltets intellektuelle struktur. Den skildrer også sammenhængene mellem de forskellige aspekter af litteraturen, såsom forfatternes søgeord, tilhørsforhold og lande.
Erklæring om konkurrerende interesse
Forfatterne erklærer, at de ikke har nogen kendte konkurrerende økonomiske interesser eller personlige forhold, der kunne have set ud til at påvirke det arbejde, der er rapporteret i denne artikel.
Tillæg 1
TITLE-ABS-KEY (((drone* ELLER "ubemandet luftfartøj" ELLER uav* ELLER "ubemandet flysystem”ELLER uas ELLER "fjernstyrede fly”) OG (landbrug ELLER landbrug ELLER landbrug ELLER landmand))) OG (EXKLUDERE (PUBYEAR, 2022)) OG (LIMIT-TO (SPROG, "engelsk")).
Referencer
Aasen, H., Burkart, A., Bolten, A., Bareth, G., 2015. Generering af 3D hyperspektral information med letvægts UAV snapshot-kameraer til vegetationsovervågning: fra
kamerakalibrering til kvalitetssikring. 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. Udvikling af mønstergenkendelsesalgoritme til automatisk fugledetektion fra ubemandede luftfartøjsbilleder.
Undersøgelse. Land Informer. Sci. 65 (1), 37-45.
Abdollahi, A., Rejeb, K., Rejeb, A., Mostafa, MM, Zailani, S., 2021. Trådløse sensornetværk i landbruget: indsigt fra bibliometrisk analyse. Bæredygtighed 13 (21),
12011.
Aboutalebi, M., Torres-Rua, AF, Kustas, WP, Nieto, H., Coopmans, C., McKee, M., Vurdering af forskellige metoder til skyggedetektion i højopløselige optiske billeder og evaluering af skyggepåvirkning på beregning af NDVI og evapotranspiration. Irrig. Sci. 37 (3), 407-429. https://doi.org/10.1007/s00271-018-0613-9.
Adao, ˜ T., Hruˇska, J., Padua, ´ L., Bessa, J., Peres, E., Morais, R., Sousa, JJ, 2017. Hyperspektral billeddannelse: en gennemgang af UAV-baserede sensorer, data forarbejdning og
ansøgninger til landbrug og skovbrug. Fjernmåling 9 (11). https://doi.org/ 10.3390/rs9111110.
Agüera Vega, F., Ramírez, FC, Saiz, MP, Rosúa, FO, 2015. Multi-temporal billeddannelse ved hjælp af et ubemandet luftfartøj til overvågning af en solsikkeafgrøde. Biosyst. Eng.
132, 19–27. https://doi.org/10.1016/j.biosystemseng.2015.01.008.
Ajayi, OG, Salubi, AA, Angbas, AF, Odigure, MG, 2017. Generering af nøjagtige digitale højdemodeller fra UAV opnåede lav procentdel overlappende billeder. 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. Gennemgang af maskinlæringstilgange til biomasse- og jordfugtighedshentninger fra fjernmålingsdata. Fjernmåling 7 (12), 16398–16421.
Alsamhi, SH, Afghah, F., Sahal, R., Hawbani, A., Al-qaness, MAA, Lee, B., Guizani, M., Green internet of things ved hjælp af UAV'er i B5G-netværk: En gennemgang af applikationer
og strategier. Ad. Hoc. Netw. 117, 102505 https://doi.org/10.1016/j. adhoc.2021.102505.
Al-Thani, N., Albuainain, A., Alnaimi, F., Zorba, N., 2020. Droner til overvågning af fårekvæg. I: 20. IEEE Mediterranean Electrotechnical Conference. https://doi.
org/10.1109/MELECON48756.2020.9140588.
Ampatzidis, Y., Partel, V., 2019. UAV-baseret high throughput fænotyping i citrus ved hjælp af multispektral billeddannelse og kunstig intelligens. Fjernmåling 11 (4), https://doi.org/10.3390/rs11040410.
Ampatzidis, Y., Partel, V., Costa, L., 2020. Agroview: Cloud-baseret applikation til at behandle, analysere og visualisere UAV-opsamlede data til præcisionslandbrugsapplikationer, der udnytter kunstig intelligens. Comput. Elektron. Agric. 174, 105457 https://doi. org/10.1016/j.compag.2020.105457.
Ang, K.-L.-M., Seng, JKP, 2021. Big data og maskinlæring med hyperspektral information i landbruget. IEEE Access 9, 36699–36718. https://doi.org/10.1109/
ADGANG.2021.3051196.
Aquilani, C., Confessore, A., Bozzi, R., Sirtori, F., Pugliese, C., 2022. Gennemgang: præcisionsteknologier til husdyrbrug i græsningsbaserede husdyrsystemer. Dyr 16 (1), https://doi.org/10.1016/j.animal.2021.100429.
Armenta-Medina, D., Ramirez-Delreal, TA, Villanueva-Vasquez, ´D., Mejia-Aguirre, C., Trends om avancerede informations- og kommunikationsteknologier for
forbedring af landbrugets produktivitet: en bibliometrisk analyse. Agronomi 10 (12), artikel 12. https://doi.org/10.3390/agronomy10121989.
Armstrong, I., Pirrone-Brusse, M., Smith, A., Jadud, M., 2011. Den flyvende gator: mod luftrobotik i occam-π. Commun. Proces arkitekt. 2011, 329-340. https://doi. org/10.3233/978-1-60750-774-1-329.
Arora, SD, Chakraborty, A., 2021. Intellektuel struktur af forbrugerklageadfærd (CCB) forskning: En bibliometrisk analyse. J. Business Res. 122, 60-74.
Aslan, MF, Durdu, A., Sabanci, K., Ropelewska, E., Gültekin, SS, 2022.
En omfattende undersøgelse af de seneste undersøgelser med UAV til præcisionslandbrug i åbne marker og drivhuse. Appl. Sci. 12 (3), 1047. https://doi.org/10.3390/
app12031047.
Atkinson, JA, Jackson, RJ, Bentley, AR, Ober, E., & Wells, DM (2018). Feltfænotyping for fremtiden. I årlige planteanmeldelser online (s. 719–736). John
Wiley & Sons, Ltd. doi: 10.1002/9781119312994.apr0651.
Austin, R., 2010. Ubemandede flysystemer: UAVS-design, udvikling og implementering. I: Unmanned Aircraft Systems: UAVS Design, Development and
Implementering. John Wiley og sønner. https://doi.org/10.1002/9780470664797.
Awais, M., Li, W., Cheema, MJM, Zaman, QU, Shaheen, A., Aslam, B., Zhu, W., Ajmal, M., Faheem, M., Hussain, S., Nadeem, AA, Afzal, MM, Liu, C., 2022. UAV-baseret fjernmåling i plantestress forestil dig at bruge højopløsnings termisk sensor til digital landbrugspraksis: en meta-gennemgang. Int. J. Environ. Sci. Teknol. https://doi.
org/10.1007/s13762-021-03801-5.
Bacco, M., Berton, A., Ferro, E., Gennaro, C., Gotta, A., Matteoli, S., Paonessa, F., Ruggeri, M., Virone, G., Zanella, A., 2018. Smart farming: Muligheder, udfordringer
og teknologiske midler. 2018 IoT Vertikal og. Aktuelt topmøde om landbrug -Toscana (IOT Toscana) 1-6. https://doi.org/10.1109/IOTTUSCANY.2018.8373043.
Bah, MD, Hafiane, A., Canals, R., 2018. Dyb læring med uovervåget datamærkning til ukrudtsdetektion i linjeafgrøder i UAV-billeder. Fjernmåling 10 (11), 1690.
https://doi.org/10.3390/rs10111690.
Baldi, S., 1998. Normative versus socialkonstruktivistiske processer i allokering af citater: en netværksanalytisk model. Er. Sociol. Åb. 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. Vurdering af variabilitet i vingårdens vandstatus ved termisk og multispektral
billeder ved hjælp af et ubemandet luftfartøj (UAV). Irrig. Sci. 30 (6), 511-522. https://doi.org/10.1007/s00271-012-0382-9.
Barabaschi, D., Tondelli, A., Desiderio, F., Volante, A., Vaccino, P., Val`e, G., Cattivelli, L., Næste generations avl. Plant Sci. 242, 3-13. https://doi.org/10.1016/j.
plantsci.2015.07.010.
Barbedo, JGA, Koenigkan, LV, 2018. Perspektiver på brugen af ubemandede luftsystemer til at overvåge kvæg. 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. Lavvægts- og UAV-baseret hyperspektral fuld-frame kameraer
til overvågning af afgrøder: Spektral sammenligning med bærbare spektroradiometermålinger. Photogrammetrie, Fernerkundung, Geoinformation 2015 (1), 69–79.
https://doi.org/10.1127/pfg/2015/0256.
Barrientos, A., Colorado, J., del Cerro, J., Martinez, A., Rossi, C., Sanz, D., Valente, J., Aerial remote sensing in agriculture: En praktisk tilgang til områdedækning
og stiplanlægning for flåder af mini-luftrobotter. 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. En undersøgelse om anvendelsen af sti-planlægningsalgoritmer for multi-rotor UAV'er i præcision
landbrug. J. Navig. 75 (2), 364-383.
Basnet, B., Bang, J., 2018. The state-of-the-art af videnintensivt landbrug: en gennemgang af anvendte sansesystemer og dataanalyse. J. Sens. 2018, 1-13.
Bendig, J., Bolten, A., Bareth, G., 2013. UAV-baseret billeddannelse til multi-temporale, meget høj opløsning afgrødeoverflademodeller til overvågning af afgrødevækstvariabilitet. Photogrammetrie, Fernerkundung, Geoinformation 2013 (6), 551–562. https://doi. org/10.1127/1432-8364/2013/0200.
Bendig, J., Bolten, A., Bennertz, S., Broscheit, J., Eichfuss, S., Bareth, G., 2014. Estimering af biomasse af byg ved hjælp af afgrødeoverflademodeller (CSM'er) afledt af UAV-baseret RGB-billeddannelse. Fjernmåling 6 (11), 10395–10412.
Bendig, J., Yu, K., Aasen, H., Bolten, A., Bennertz, S., Broscheit, J., Gnyp, ML, Bareth, G., 2015. Kombination af UAV-baseret plantehøjde fra afgrødeoverfladen modeller,
synlige og nær infrarøde vegetationsindekser til biomasseovervågning i byg. 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. Kortlægning af canopy conductance og CWSI i olivenplantager ved hjælp af høj opløsning
termisk fjernmålingsbilleder. 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. Termisk og smalbåndet multispektral fjernmåling til vegetationsovervågning fra et ubemandet luftfartøj. IEEE Trans. Geosci. Remote Sens. 47 (3), 722–738.
Bouzembrak, Y., Klüche, M., Gavai, A., Marvin, HJP, 2019. Internet of Things in food safety: Literature review and a bibliometric analysis. Trends Food Sci. Teknol. 94,54-64. https://doi.org/10.1016/j.tifs.2019.11.002.
Brewster, C., Roussaki, I., Kalatzis, N., Doolin, K., Ellis, K., 2017. IoT in agriculture: Designing a Europe-wide large-scale pilot. IEEE Commun. Mag. 55 (9), 26-33.
Buters, TM, Belton, D., Cross, AT, 2019. Multi-sensor UAV sporing af individuelle frøplanter og frøplantesamfund med millimeter nøjagtighed. Droner 3 (4), 81.
https://doi.org/10.3390/drones3040081.
Candiago, S., Remondino, F., De Giglio, M., Dubbini, M., Gattelli, M., 2015. Evaluering af multispektrale billeder og vegetationsindekser til præcisionslandbrugsapplikationer fra UAV-billeder. Fjernmåling 7 (4), 4026–4047. https://doi.org/10.3390/rs70404026.
Cao, Y., Li, GL, Luo, YK, Pan, Q., Zhang, SY, 2020. Overvågning af sukkerroevækstindikatorer ved hjælp af wide-dynamic-range vegetation index (WDRVI) afledt af UAV
multispektrale billeder. Comput. Elektron. Agric. 171, 105331 https://doi.org/10.1016/j.compag.2020.105331.
Casillas, J., Acedo, F., 2007. Udvikling af den intellektuelle struktur af familievirksomhedslitteratur: en bibliometrisk undersøgelse af FBR. Familievirksomhed 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. Dynamisk overvågning af biomasse af ris under
forskellige nitrogenbehandlinger ved hjælp af en let UAV med dobbelt billedramme snapshot-kameraer. Plant Methods 15 (1), 32. https://doi.org/10.1186/s13007-019-
0418-8.
Chamuah, A., Singh, R., 2019. Sikring af bæredygtighed i indisk landbrug gennem civil UAV: et ansvarligt innovationsperspektiv. SN Appl. Sci. 2 (1), 106. https://
doi.org/10.1007/s42452-019-1901-6.
Chamuah, A., Singh, R., 2022. Ansvarlig styring af civile ubemandede luftfartøjer (UAV) innovationer til indiske afgrødeforsikringsapplikationer. J. Ansvarlig
Teknol. 9, 100025 https://doi.org/10.1016/j.jrt.2022.100025.
Chen, A., Orlov-Levin, V., Meron, M., 2019. Anvendelse af højopløsningsbilleddannelse fra luften med synlig kanal af afgrødekroner til præcisionsvandingsstyring. Agric. Vand
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. Letvægts-UAV med indbygget fotogrammetri og enkeltfrekvens GPS-positionering til metrologiapplikationer. ISPRS J. Photogramm. Fjernsensorer 127, 115–126. https://doi.org/10.1016/j.isprsjprs.2016.12.007.
Dawaliby, S., Aberkane, A., Bradai, A., 2020. Blockchain-baseret IoT-platform til autonom dronedriftsstyring. I: Proceedings of the 2nd ACM
MobiCom Workshop om Drone Assisted Wireless Communications for 5G and Beyond, s. 31–36. https://doi.org/10.1145/3414045.3415939.
Day, RA, Gastel, B., 1998. Hvordan man skriver og udgiver en videnskabelig artikel. Cambridge University Press. de Castro, AI, Pena, ˜ JM, Torres-Sanchez, ´J., Jim´enez-Brenes, FM, ValenciaGredilla, F., Recasens, J., Lopez-Granados, ´F., 2020. Kortlægning af cynodon dactylon-angreb dækafgrøder med en automatisk beslutningstræ-OBIA-procedure og UAV-billeder til præcisionsvindyrkning. Fjernmåling 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. En automatisk tilfældig skov-OBIA-algoritme for tidlig kortlægning af ukrudt mellem og inden for afgrøderækker ved hjælp af UAV-billeder. Fjernmåling 10 (2). https://doi.org/10.3390/rs10020285.
Demir, N., Sonmez, ¨ NK, Akar, T., Ünal, S., 2018. Automatiseret måling af plantehøjde af hvede-genotyper ved hjælp af en DSM afledt af UAV-billeder. 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. Letvægts semantisk segmenteringsnetværk til ukrudtskortlægning i realtid ved hjælp af ubemandede luftfartøjer. Appl. Sci. 10 (20), 7132. https://doi.org/10.3390/app10207132.
Deng, L., Mao, Z., Li, X., Hu, Z., Duan, F., Yan, Y., 2018. UAV-baseret multispektral fjernmåling til præcisionslandbrug: en sammenligning mellem forskellige kameraer. ISPRS J. Photogramm. Fjernsensorer 146, 124–136.
Diaz-Gonzalez, FA, Vuelvas, J., Correa, CA, Vallejo, VE, Patino, D., 2022. Maskinlæring og fjernmålingsteknikker anvendt til at estimere jordindikatorer – gennemgang. 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. Højopløselige luftbårne UAV-billeder til vurdering af oliventræets kroneparametre ved hjælp af 3D-foto
rekonstruktion: anvendelse i avlsforsøg. Fjernmåling 7 (4), 4213–4232. https://doi.org/10.3390/rs70404213.
Dixit, A., Jakhar, SK, 2021. Lufthavnskapacitetsstyring: en gennemgang og bibliometrisk analyse. J. Air Transp. Manag. 91, 102010.
Dong, T., Shang, J., Liu, J., Qian, B., Jing, Q., Ma, B., Huffman, T., Geng, X., Sow, A., Shi, Y., Canisius, F., Jiao, X., Kovacs, JM, Walters, D., Cable, J., Wilson, J., 2019.
Brug af RapidEye-billeder til at identificere variationer inden for marken af afgrødevækst og -udbytte i Ontario, Canada. Precision Agric. 20 (6), 1231-1250. https://doi.org/10.1007/
s11119-019-09646-w.
Dutta, PK, Mitra, S., 2021. Anvendelse af landbrugsdroner og idiot til at forstå fødevareforsyningskæden under post COVID-19. I: Choudhury, A., Biswas, A., Prateek, M.,
Chakrabarti, A. (red.), Agricultural Informatics: Automation Using the IoT and Machine Learning. Wiley, s. 67-87. van Eck, N., Waltman, L., 2009. Softwareundersøgelse: VOSviewer, et computerprogram til bibliometrisk kortlægning. Scientometrics 84 (2), 523-538. https://doi.org/10.1007/s11192-009-0146-3.
Elijah, O., Rahman, TA, Orikumhi, I., Leow, CY, Hindia, MN, 2018. En oversigt over Internet of Things (IoT) og dataanalyse i landbruget: fordele og udfordringer.
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. Validering af agronomisk UAV og felt
mål for tomatsorter. Comput. Elektron. Agric. 158, 278-283. https:// doi.org/10.1016/j.compag.2019.02.011.
Espinoza, CZ, Khot, LR, Sankaran, S., Jacoby, PW, 2017. Multispektral og termisk fjernmåling baseret på vandstressvurdering i høj opløsning i
underjordiske vandede vinstokke. Fjernmåling 9 (9), 961. https://doi.org/ 10.3390/rs9090961.
Ewing, J., Oommen, T., Jayakumar, P., Alger, R., 2020. Anvendelse af hyperspektral fjernmåling til jordgradering. Fjernmåling 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. Multiskala-evaluering af drone-baseret multispektral overfladereflektans og vegetationsindekser under driftsforhold. Fjernmåling 12 (3), 514.
Feng, X., Yan, F., Liu, X., 2019. Undersøgelse af trådløse kommunikationsteknologier på Internet of Things til præcisionslandbrug. Trådløs Pers. Commun. 108 (3),
1785-1802.
Ferreira, MP, Pinto, CF, Serra, FR, 2014. Transaktionsomkostningsteorien i international virksomhedsforskning: en bibliometrisk undersøgelse over tre årtier. Scientometrics 98 (3), 1899–1922. https://doi.org/10.1007/s11192-013-1172-8.
Fisher, P., Abuzar, M., Rab, M., Best, F., Chandra, S., 2009. Fremskridt inden for præcisionslandbrug i det sydøstlige Australien. I. en regressionsmetode til at simulere
rumlig variation i kornudbytte ved hjælp af landmænds historiske foldudbytte og normaliserede forskel vegetationsindeks. Afgrøde Græsgang Sci. 60 (9), 844-858.
Floreano, D., Wood, RJ, 2015. Videnskab, teknologi og fremtiden for små autonome droner. Nature 521 (7553), 460–466. https://doi.org/10.1038/nature14542.
Friha, O., Ferrag, MA, Shu, L., Maglaras, LA, Wang, X., 2021. Internet of things for the future of smart agriculture: a comprehensive survey of emerging technologys. 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. Figenplantesegmentering fra luftbilleder ved hjælp af et dybt foldet encoder-decoder-netværk. Fjernmåling 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. UAV'er udfordrer til at vurdere vandstress for
bæredygtigt landbrug. Agric. Vandstyring. 153, 9-19. https://doi.org/10.1016/j. agwat.2015.01.020.
García-Tejero, IF, Rubio, AE, Vinuela, ~I., Hern'andez, A., Guti'errez-Gordillo, S., Rodríguez-Pleguezuelo, CR, Dur'an-Zuazo, VH, 2018. Termisk billeddannelse ved anlægget
niveau for at vurdere afgrødens vandstatus i mandeltræer (cv. Guara) under underskudsvandingsstrategier. Agric. Vandstyring. 208, 176-186. https://doi.org/10.1016/j.
agwat.2018.06.002.
Garzonio, R., Di Mauro, B., Colombo, R., Cogliati, S., 2017. Målinger af overfladereflektans og solinduceret fluorescensspektroskopi ved hjælp af en lille hyperspektral UAS. Fjernmåling 9 (5), 472. https://doi.org/10.3390/rs9050472. Gaˇsparovi´c, M., Zrinjski, M., Barkovi´c, Đ., Radoˇcaj, D., 2020. En automatisk metode til
ukrudtskortlægning i havremarker baseret på UAV-billeder. Comput. Elektron. Agric.
Gebbers, R., Adamchuk, VI, 2010. Præcisionslandbrug og fødevaresikkerhed. Science 327 (5967), 828-831. https://doi.org/10.1126/science.1183899.
Geipel, J., Link, J., Claupein, W., 2014. Kombineret spektral og rumlig modellering af majsudbytte baseret på luftbilleder og afgrødeoverflademodeller erhvervet med et ubemandet flysystem. Fjernmåling 6 (11), 10335–10355. https://doi.org/10.3390/rs61110335.
Geng, D., Feng, Y., Zhu, Q., 2020. Bæredygtigt design for brugere: en litteraturgennemgang og bibliometrisk analyse. Environ. Sci. Forurene. Res. 27 (24), 29824-29836. https://doi. org/10.1007/s11356-020-09283-1.
Gevaert, CM, Suomalainen, J., Tang, J., Kooistra, L., 2015. Generering af spektraltemporale responsoverflader ved at kombinere multispektral satellit og hyperspektral
UAV-billeder til præcisionslandbrugsapplikationer. IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens. 8 (6), 3140–3146. ttps://doi.org/10.1109/JSTARS.2015.2406339.
Gill, SS, Chana, I., Buyya, R., 2017. IoT-baseret landbrug som en cloud- og big dataservice: begyndelsen på det digitale Indien. J. Org. og slutbrugercomputer. (JOEUC) 29 (4),
1-23.
Gmür, M., 2006. Samcitationsanalyse og søgen efter usynlige kollegier: en metodisk evaluering. Scientometrics 57 (1), 27–57. https://doi.org/10.1023/
a:1023619503005.
Gnadinger, ¨ F., Schmidhalter, U., 2017. Digitale tællinger af majsplanter af ubemandede luftfartøjer (UAV'er). Fjernmåling 9 (6). Https://doi.org/10.3390/rs9060544.
Gokto ¨ ǧan, AH, Sukkarieh, S., Bryson, M., Randle, J., Lupton, T., Hung, C., 2010. Et roterende-vinget ubemandet luftfartøj til overvågning af akvatisk ukrudt og
ledelse. J. Intell. Robotsystem: 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. Vurdering af nøjagtigheden af mosaikker fra billeder fra ubemandede luftfartøjer (UAV) til præcisionslandbrugsformål i hvede. Præcis. Agric. 15 (1), 44-56. https://doi.org/10.1007/s11119-013-9335-4.
Gomez-Cand ´ on, ´ D., Virlet, N., Labbe, S., Jolivot, A., Regnard, J.-L., 2016. Feltfænotypning af vandstress i træskala ved UAV-sensede billeder : ny indsigt til
termisk opsamling og kalibrering. Præcis. Agric. 17 (6), 786-800. https://doi.org/10.1007/s11119-016-9449-6.
Gonzalez-Dugo, V., Zarco-Tejada, PJ, Fereres, E., 2014. Anvendelse og begrænsninger ved at bruge afgrødens vandstressindeks som en indikator for vandmangel i citrusplantager. Agric. Til. 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. Brug af UAV-termiske billeder i høj opløsning til at
vurdere variabiliteten i vandtilstanden for fem frugttræarter inden for en kommerciel frugtplantage. Præcis. Agric. 14 (6), 660-678. https://doi.org/10.1007/s11119-013-9322-9.
Goyal, K., Kumar, S., 2021. Finansiel forståelse: En systematisk gennemgang og bibliometrisk analyse. Int. J. Consumer Studies 45 (1), 80–105. https://doi.org/10.1111/
ijcs.12605.
Grenzdorffer, ¨ GJ, Engel, A., Teichert, B., 2008. Det fotogrammetriske potentiale af lavpris-uavs i skovbrug og landbrug. Internationale arkiver for fotogrammetri, fjernmåling og rumlig informationsvidenskab – 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. Vurdering af sammenhæng mellem høj opløsning
NDVI med gødningspåføringsniveau og udbytte af ris- og hvedeafgrøder ved brug af små UAV'er. Fjernmåling 11 (2), 112.
Gundolf, K., Filser, M., 2013. Ledelsesforskning og religion: en citationsanalyse. J. Bus. Etik 112 (1), 177–185.
Guo, Q., Zhu, Y., Tang, Y., Hou, C., He, Y., Zhuang, J., Zheng, Y., Luo, S., 2020. CFD-simulering og eksperimentel verifikation af det rumlige og tidsmæssige fordelinger af
downwash-luftstrømmen af en quad-rotor landbrugs-UAV i svævning. Comput. Elektron. Agric. 172, 105343 https://doi.org/10.1016/j.compag.2020.105343.
Haghighattalab, A., Gonz' alez P'erez, L., Mondal, S., Singh, D., Schinstock, D., Rutkoski, J., Ortiz-Monasterio, I., Singh, RP, Goodin, D. , Polen, J., 2016.
Anvendelse af ubemandede luftsystemer til fænotypning med høj gennemstrømning af store hvedeavlsgartnerier. Plantemetoder 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. Spektral billeddannelse fra UAV'er under varierende belysningsforhold . I GG Bill R. (Ed.), International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences—ISPRS Archives (Vol. 40, Issue 1W2, pp. 189–194). International Society for Photogrammetri and Remote Sensing. https://www.scopus.com/inward/record.uri?eid=2-s2.0-848875632.
Hamylton, SM, Morris, RH, Carvalho, RC, Roder, N., Barlow, P., Mills, K., Wang, L. Evaluering af teknikker til kortlægning af ø-vegetation fra ubemandet luft
køretøjsbilleder (UAV): Pixelklassificering, visuel fortolkning og maskinlæringstilgange. 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. Smart farming gennem ansvarlig ledelse i bangladesh: muligheder, muligheder og videre.
Sustainability 13 (8), 4511.
Hardin, PJ, Hardin, TJ, 2010. Småskala fjernstyrede køretøjer i miljøforskning. Geografikompas 4 (9), 1297–1311. ttps://doi.org/10.1111/j.1749-
8198.2010.00381.x.
Hardin, PJ, Jensen, RR, 2011. Småskala ubemandede luftfartøjer i miljøfjernmåling: udfordringer og muligheder. GISci. Remote Sens. 48 (1), 99-111. https://doi.org/10.2747/1548-1603.48.1.99.
He, Y., Nie, P., Zhang, Q., Liu, F., 2021. Agricultural Internet of Things: technologys and applications, (1. udgave 2021-udgaven). 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.
Billeddannelse fra et ubemandet luftfartøj: landbrugsovervågning og beslutningsstøtte. Comput. 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, High throughput feltfænotyping af hvedeplantehøjde og væksthastighed i markplotforsøg ved brug af UAV-baseret fjernmåling. Fjernmåling 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. Bearbejdning og vurdering af spektrometriske, stereoskopiske billeder indsamlet ved hjælp af et letvægts UAV-spektralkamera til præcisionslandbrug. Fjernmåling 5 (10), 5006–5039. https://doi.org/10.3390/rs5105006.
Hossein Motlagh, N., Taleb, T., Arouk, O., 2016. Ubemandede luftfartøjer i lav højde baseret på tingenes internettjenester: omfattende undersøgelse og fremtidsperspektiver. 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. Kombineret optisk flow og stereobaseret navigation af urbane kløfter til en UAV. I: 2005 IEEE/RSJ
International konference om intelligente robotter og systemer, s. 3309–3316. https://doi.org/10.1109/IROS.2005.1544998.
Hsu, T.-C., Yang, H., Chung, Y.-C., Hsu, C.-H., 2020. En kreativ IoT-landbrugsplatform til cloud fog computing. Oprethold. Comput. Inf. Syst. 28, 100285.
Huang, H., Deng, J., Lan, Y., Yang, A., Deng, X., Zhang, L., Gonzalez-Andujar, JL, 2018. Et fuldt foldet netværk til ukrudtskortlægning af ubemandet luftfartøj ( UAV) billeder. PLoS ONE 13 (4), e0196302.
Huang, H., Lan, Y., Yang, A., Zhang, Y., Wen, S., Deng, J., 2020. Dyb læring versus objektbaseret billedanalyse (OBIA) i ukrudtskortlægning af UAV-billeder. 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. Dyb farvekalibrering til UAV-billeder i afgrødeovervågning
ved hjælp af semantisk stiloverførsel med lokal til global opmærksomhed. 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. Udvikling og udsigt til ubemandede luftfartøjsteknologier til landbrugsproduktion
ledelse. Int. J. Agric. Biol. Eng. 6 (3), 1-10. https://doi.org/10.3965/j. ijabe.20130603.001.
Huang, Y., Hoffmann, WC, Lan, Y., Wu, W., Fritz, BK, 2009. Udvikling af et sprøjtesystem til en ubemandet luftfartøjsplatform. Appl. Eng. Agric. 25 (6), 803-809.
Hunt Jr., ER, Dean Hively, W., Fujikawa, SJ, Linden, DS, Daughtry, CST, McCarty, GW, 2010. Anskaffelse af NIR-grøn-blå digitale fotografier fra
ubemandede fly til afgrødeovervågning. Fjernmåling 2 (1), 290–305. https://doi. org/10.3390/rs2010290. Inoue, Y., 2020. Satellit- og dronebaseret fjernmåling af afgrøder og jord til smart landbrug – en gennemgang. Jord Sci. Plante 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. En gennemgang af applikationer og kommunikationsteknologier til Internet of Things (IoT) og
Unmanned Aerial Vehicle (UAV) baseret bæredygtigt smart landbrug. Sustainability 13 (4), 1821. https://doi.org/10.3390/su13041821.
Jaud, M., Passot, S., Le Bivic, R., Delacourt, C., Grandjean, P., Le Dantec, N., 2016. Vurdering af nøjagtigheden af digitale overflademodeller med høj opløsning beregnet af
PhotoScan® og MicMac® under suboptimale opmålingsforhold. Fjernmåling 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. Kvantificering af beskæringspåvirkninger på oliventræets arkitektur og årlige baldakinvækst ved at bruge UAV-baseret 3D-modellering. Plantemetoder 13 (1). https://doi.org/10.1186/s13007-017-0205-3.
Jin, X., Liu, S., Baret, F., Hemerl´e, M., Comar, A., 2017. Estimater af plantetæthed af hvedeafgrøder ved fremkomst fra UAV-billeder i meget lav højde. Fjernsensorer.
Environ. 198, 105-114. https://doi.org/10.1016/j.rse.2017.06.007.
Jinbo, C., Xiangliang, C., Han-Chi, F., Lam, A., 2019. Landbrugsproduktovervågningssystem understøttet af cloud computing. Cluster Comput. 22 (4), 8929-8938.
Ju, C., & Son, HI 2018a. Ydeevneevaluering af flere UAV-systemer til fjernmåling i landbruget. Proceedings of the Workshop on Robotic Vision and Action in Agriculture på IEEE International Conference on Robotics and Automation (ICRA), Brisbane, Australien, 21.–26.
Ju, C., Son, HI, 2018b. Flere UAV-systemer til landbrugsapplikationer: kontrol, implementering og evaluering. Electronics 7 (9), 162. https://doi.org/10.3390/
elektronik7090162.
Jung, J., Maeda, M., Chang, A., Bhandari, M., Ashapure, A., Landivar-Bowles, J., 2021. Potentialet ved fjernmåling og kunstig intelligens som værktøjer til at forbedre
modstandsdygtighed i landbrugets produktionssystemer. 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. En forbedret afgrødespejderteknik, der inkorporerer ubemandet luftfartøjsassisteret multispektral afgrødebilleddannelse i konventionel spejderpraksis for gummistængelskimmel i vandmelon. Plant Dis. 103 (7), 1642-1650.
Kapoor, KK, Tamilmani, K., Rana, NP, Patil, P., Dwivedi, YK, Nerur, S., 2018. Fremskridt inden for forskning i sociale medier: fortid, nutid og fremtid. Meddele. Syst. Foran. 20
(3), 531-558.
Kerkech, M., Hafiane, A., Canals, R., 2020. VddNet: netværk til påvisning af vinsygdomme baseret på multispektrale billeder og dybdekort. Fjernmåling 12 (20), 3305. https://doi. org/10.3390/rs12203305.
Khaliq, A., Comba, L., Biglia, A., Ricauda Aimonino, D., Chiaberge, M., Gay, P., 2019. Sammenligning af satellit- og UAV-baserede multispektrale billeder til vingård
variabilitetsvurdering. Fjernmåling 11 (4). https://doi.org/10.3390/rs11040436.
Khan, PW, Byun, Y.-C., Park, N., 2020. IoT-blockchain aktiveret optimeret herkomstsystem til fødevareindustrien 4.0 ved hjælp af avanceret deep learning. Sensorer 20 (10), 2990.
Khan, RU, Khan, K., Albattah, W., Qamar, AM, Ullah, F., 2021. Billedbaseret påvisning af plantesygdomme: fra klassisk maskinlæring til dyb læringsrejse. Trådløs kommun. Mobil computer. 2021, 1-13.
Khan, S., Tufail, M., Khan, MT, Khan, ZA, Iqbal, J., Alam, M., Le, KNQ, 2021. En ny semi-overvåget ramme for UAV-baseret afgrøde/ukrudtsklassificering. PLoS ONE 16 (5), e0251008.
Khanal, S., Fulton, J., Shearer, S., 2017. En oversigt over aktuelle og potentielle anvendelser af termisk fjernmåling i præcisionslandbrug. Comput. Elektron.
Agric. 139, 22-32. https://doi.org/10.1016/j.compag.2017.05.001.
Khanna, A., Kaur, S., 2019. Evolution of Internet of Things (IoT) og dens betydelige indflydelse inden for præcisionslandbrug. Comput. Elektron. Agric. 157, 218-231.
Kim, W., Khan, GF, Wood, J., Mahmood, MT, 2016. Medarbejderengagement for bæredygtige organisationer: søgeordsanalyse ved hjælp af social netværksanalyse og burst
detektionstilgang. Sustainability 8 (7), 631.
Kirsch, M., Lorenz, S., Zimmermann, R., Tusa, L., Mockel, ¨ R., Hodl, ¨ P., Booysen, R., Khodadadzadeh, M., Gloaguen, R., 2018. Integration af terrestriske og dronebårne
hyperspektrale og fotogrammetriske registreringsmetoder til kortlægning af udforskning og minedrift. Fjernmåling 10 (9), 1366. https://doi.org/10.3390/
rs10091366.
Kitano, BT, Mendes, CCT, Geus, AR, Oliveira, HC, Souza, JR, 2019. Optælling af majsplanter ved hjælp af deep learning og UAV-billeder. IEEE Geosci. Fjernsensorer Lett. 1-5 https://doi.org/10.1109/LGRS.2019.2930549.
Koh, JCO, Spangenberg, G., Kant, S., 2021. Automatiseret maskinlæring til highthroughput billedbaseret plantefænotyping. Fjernmåling 13 (5), 858. https://
doi.org/10.3390/rs13050858.
Kovalev, IV, Voroshilova, AA, 2020. Moderne teknologiske tendenser i udviklingen af økosystemet af last-UAV'er. J. Phys. Konf. Ser. 1515 (5), 052068 https://doi. org/10.1088/1742-6596/1515/5/052068.
Krul, S., Pantos, C., Frangulea, M., Valente, J., 2021. Visuel SLAM for indendørs husdyr og landbrug ved hjælp af en lille drone med et monokulært kamera: en forundersøgelse.
Drones 5 (2), 41. https://doi.org/10.3390/drones5020041.
Kulbacki, M., Segen, J., Knie´c, W., Klempous, R., Kluwak, K., Nikodem, J., Kulbacka, J., Serester, A., 2018. Undersøgelse af droner til landbrugsautomatisering fra plantning til
høst. I: INES 2018 – IEEE 22nd International Conference on Intelligent Engineering Systems, s. 000353–358. https://doi.org/10.1109/INES.2018.8523943.
Lagkas, T., Argyriou, V., Bibi, S., Sarigiannidis, P., 2018. UAV IoT-rammesynspunkter og udfordringer: mod at beskytte droner som "ting". Sensorer 18 (11), 4015. https://doi.org/10.3390/s18114015.
Laliberte, AS, Rango, A., 2011. Billedbehandlings- og klassificeringsprocedurer til analyse af sub-decimeterbilleder erhvervet med et ubemandet fly over tørt
rangelands. GISci. Remote Sens. 48 (1), 4–23. https://doi.org/10.2747/1548-1603.48.1.4.
Laliberte, AS, Rango, A., Herrick, JE, 2007. Ubemandede luftfartøjer til kortlægning og overvågning af landområder: en sammenligning af to systemer. ASPRS årlige konferenceforhandlinger.
Lam, OHY, Dogotari, M., Prüm, M., Vithlani, HN, Roers, C., Melville, B., Zimmer, F., Becker, R., 2021. En open source-arbejdsgang til ukrudtskortlægning i indfødte græsarealer
ved hjælp af ubemandet luftfartøj: Brug af Rumex obtusifolius som et casestudie. 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. Adoption, rentabilitet og bedre brug af præcisionslandbrugsdata.
Arbejdspapir. Purdue Universitet. https://doi.org/10.22004/ag.econ.28615.
Lelong, CCD, Burger, P., Jubelin, G., Roux, B., Labbe, S., Baret, F., 2008. Vurdering af billeder af ubemandede luftfartøjer til kvantitativ overvågning af hvedeafgrøder i små parceller. Sensorer 8 (5), 3557–3585. https://doi.org/10.3390/s8053557.
Li, C., Niu, B., 2020. Design af smart landbrug baseret på big data og Internet of things. 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. Fjernestimering af kronehøjde og overjordisk biomasse af majs ved hjælp af højopløselige stereobilleder fra en lavpris ubemandet luftfartøjssystem. Ecol. Ind. 67, 637-648. https://doi.org/10.1016/j.ecolind.2016.03.036.
Liakos, KG, Busato, P., Moshou, D., Pearson, S., Bochtis, D., 2018. Machine learning in agriculture: a review. Sensorer 18 (8), 2674.
Liebisch, F., Kirchgessner, N., Schneider, D., Walter, A., Hund, A., 2015. Fjern, luftfænotypning af majsegenskaber med en mobil multisensortilgang. Plantemetoder 11 (1), 9. https://doi.org/10.1186/s13007-015-0048-8.
Lin, Z., Guo, W., 2020. Sorghum panikdetektion og tælling ved hjælp af ubemandede luftsystemer og dyb læring. Foran. Plant Sci. 11.
Liu, S., Guo, L., Webb, H., Ya, X., Chang, X., 2019. Internet of Things overvågningssystem for moderne øko-landbrug baseret på cloud computing. IEEE Access 7, 37050–37058.
Lopez-Granados, ´ F., 2011. Ukrudtsdetektion til stedsspecifik ukrudtshåndtering: kortlægning og realtidstilgange. 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. Objektbaseret tidlig overvågning af et græsukrudt i en græsafgrøde ved hjælp af UAV-billeder i høj opløsning. Agron. Oprethold. 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. Tidlig sæson ukrudtskortlægning i solsikke ved hjælp af UAV-teknologi: variabilitet af herbicidbehandlingskort mod ukrudtstærskler. Præcis. Agric. 17 (2), 183-199.
Lucieer, A., Malenovský, Z., Veness, T., Wallace, L., 2014. HyperUAS – billeddannelsesspektroskopi fra et multirotor ubemandet flysystem. 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. Terrestrisk laserscanning af landbrugsafgrøder. I JJ
Chen J. Maas H–G. (Red.), International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences—ISPRS Archives (Vol. 37, pp. 563–566).
International Society for Photogrammetri and Remote Sensing. https://www.scopus .com/inward/record.uri?eid=2-s2.0-84919356328&partnerID=40&md5=574
b802131a99d16318ce619a01ca1bf.
Ma, L., Li, M., Ma, X., Cheng, L., Du, P., Liu, Y., 2017. En gennemgang af klassificering af overvåget objektbaseret landdækkebillede. ISPRS J. Photogramm. Remote Sens. 130,
277-293. https://doi.org/10.1016/j.isprsjprs.2017.06.001.
Maes, WH, Steppe, K., 2019. Perspektiver til fjernmåling med ubemandede luftfartøjer i præcisionslandbrug. 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.
Ubemandet luftsystem (UAS)-baseret fænotypning af sojabønner ved hjælp af multi-sensor datafusion og ekstrem indlæringsmaskine. ISPRS J. Photogramm. Fjernsensorer 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.
Afgrødeovervågning ved hjælp af satellit/UAV-datafusion og maskinlæring. Fjernmåling 12 (9), 1357. https://doi.org/10.3390/rs12091357.
Manfreda, S., McCabe, M., Miller, P., Lucas, R., Pajuelo Madrigal, V., Mallinis, G., Ben Dor, E., Helman, D., Estes, L., Ciraolo, G. ., Müllerova, 'J., Tauro, F., de Lima, M., de
Lima, J., Maltese, A., Frances, F., Caylor, K., Kohv, M., Perks, M., Ruiz-P´erez, G., Su, Z., Vico, G., Toth. , B., 2018. Om brugen af ubemandede luftsystemer til
miljøovervågning. Fjernmåling 10 (4), 641.
Marinko, RA, 1998. Citater til kvindestudietidsskrifter i afhandlinger, 1989 og The Serials Librarian 35 (1–2), 29–44. https://doi.org/10.1300/J123v35n01_
03.
Masroor, R., Naeem, M., Ejaz, W., 2021. Ressourcestyring i UAV-assisterede trådløse netværk: et optimeringsperspektiv. Ad Hoc Netw. 121, 102596 https://doi.org/10.1016/j.adhoc.2021.102596.
Matese, A., Di Gennaro, SF, 2018. Praktiske anvendelser af en multisensor UAV-platform baseret på multispektrale, termiske og RGB-billeder i høj opløsning i præcision
vindyrkning. Agriculture 8 (7), 116. https://doi.org/10.3390/agriculture8070116.
Matese, A., Di Gennaro, SF, 2021. Ud over det traditionelle NDVI-indeks som en nøglefaktor for at mainstreame brugen af UAV i præcisionsvinavl. 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 Indbyrdes sammenligning af UAV, fly
og satellit-fjernmålingsplatforme til præcisionsvindyrkning. Fjernmåling 7 (3), 2971–2990. https://doi.org/10.3390/rs70302971.
Mazzia, V., Comba, L., Khaliq, A., Chiaberge, M., Gay, P., 2020. UAV- og maskinlæringsbaseret forfining af et satellitdrevet vegetationsindeks for præcision
landbrug. Sensorer 20 (9), 2530. https://doi.org/10.3390/s20092530.
McCain, KW, 1990. Kortlægning af forfattere i det intellektuelle rum: et teknisk overblik. J. Am. Soc. Info. Sci. 41 (6), 433-443.
Meinen, BU, Robinson, DT, 2021. Landbrugserosionsmodellering: evaluering af USLE og WEPP feltskala erosionsestimater ved hjælp af UAV-tidsseriedata. Environ. Model. Software 137, 104962. https://doi.org/10.1016/j.envsoft.2021.104962.
Melville, B., Lucieer, A., Aryal, J., 2019. Klassificering af lavlandssamfund på græsarealer ved hjælp af hyperspektralt ubemandet flysystem (UAS)-billeder i
Tasmanske midtland. Droner 3 (1), 5.
Messina, G., Modica, G., 2020. Anvendelser af UAV-termiske billeder i præcisionslandbrug: state of the art og fremtidig forskningsudsigt. Fjernmåling 12 (9), https://doi.org/10.3390/rs12091491.
Mishra, D., Luo, Z., Jiang, S., Papadopoulos, T., Dubey, R., 2017. En bibliografisk undersøgelse af big data: koncepter, tendenser og udfordringer. Forretningsprocesstyring. J. 23 (3),
555-573.
Mochida, K., Saisho, D., Hirayama, T., 2015. Afgrødeforbedring ved hjælp af livscyklusdatasæt erhvervet under markforhold. Foran. Plant Sci. 6 https://doi.org/10.3389/
fpls.2015.00740.
Mogili, UM.R., Deepak, BBVL, 2018. Gennemgang af anvendelse af dronesystemer i præcisionslandbrug. Procedia Comput. Sci. 133, 502-509.
Moharana, S., Dutta, S., 2016. Rumlig variabilitet af klorofyl- og nitrogenindhold i ris fra hyperspektrale billeder. ISPRS J. Photogramm. Fjernsensorer 122, 17–29.
Muangprathub, J., Boonnam, N., Kajornkasirat, S., Lekbangpong, N., Wanichsombat, A.,
Nillaor, P., 2019. IoT og landbrugsdataanalyse til smart farm. Comput. Elektron. Agric. 156, 467-474.
Nansen, C., Elliott, N., 2016. Fjernmåling og reflektansprofilering i entomologi. Annu. Rev. Entomol. 61 (1), 139-158. https://doi.org/10.1146/annurev-ento010715-023834.
Navia, J., Mondragon, I., Patino, D., Colorado, J., 2016. Multispektral kortlægning i landbruget: terrænmosaik ved hjælp af en autonom quadcopter-UAV. Int. Konf.
Ubemandet Aircraft Syst. (ICUAS) 2016, 1351-1358. https://doi.org/10.1109/ ICUAS.2016.7502606.
Nayyar, A., Nguyen, B.-L., Nguyen, NG, 2020. Drone-tingenes internet (Iodt): fremtidsforestilling om smarte droner. Adv. Intell. Syst. Comput. 1045, 563-580. https://doi.org/10.1007/978-981-15-0029-9_45.
Nebiker, S., Annen, A., Scherrer, M., Oesch, D., 2008. En letvægts multispektral sensor til mikro-UAV – muligheder for luftbåren fjernmåling med meget høj opløsning. Int. Arch. Fotogram. Fjernsensorer Spat. Inf. Sci 37 (B1), 1193-1200.
Negash, L., Kim, H.-Y., Choi, H.-L., 2019. Emerging UAV applications in agriculture. I: 2019 7th International Conference on Robot Intelligence Technology and
Applications (RiTA), s. 254–257. https://doi.org/10.1109/RITAPP.2019.8932853.
Nerur, SP, Rasheed, AA, Natarajan, V., 2008. Den intellektuelle struktur af det strategiske ledelsesfelt: en forfattersamcitationsanalyse. Strateg. Manag. J. 29 (3),
319-336.
Neupane, K., Baysal-Gurel, F., 2021. Automatisk identifikation og overvågning af plantesygdomme ved hjælp af ubemandede luftfartøjer: en gennemgang. Fjernmåling 13 (19), 3841. https://doi.org/10.3390/rs13193841.
Nex, F., Remondino, F., 2014. UAV til 3D-kortlægningsapplikationer: en anmeldelse. Appl. Geomatics 6 (1), 1–15. https://doi.org/10.1007/s12518-013-0120-x.
Niu, H., Hollenbeck, D., Zhao, T., Wang, D., Chen, Y., 2020. Evapotranspirationsestimation med små UAV'er i præcisionslandbrug. Sensorer 20 (22), 6427. https://
doi.org/10.3390/s20226427.
Osareh, F., 1996. Bibliometri, Citationsanalyse og Co-Citationsanalyse. En gennemgang af litteraturen I 46 (3), 149–158. https://doi.org/10.1515/libr.1996.46.3.149.
P´adua, L., Vanko, J., Hruˇska, J., Ad˜ ao, T., Sousa, JJ, Peres, E., Morais, R., 2017. UAS, sensorer og databehandling i agroforestry: en gennemgang af praktiske anvendelser. 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. En gennemgang af dronebaserede dataløsninger til kornafgrøder. Droner 4 (3), 1-29. https://doi.org/10.3390/
droner4030041.
Parsaeian, M., Shahabi, M., Hassanpour, H., 2020. Estimering af olie- og proteinindhold i sesamfrø ved hjælp af billedbehandling og kunstigt neuralt netværk. J. Am. Olie
Chemists' Soc. 97 (7), 691-702.
Pena, ˜ JM, Torres-S´anchez, J., de Castro, AI, Kelly, M., Lopez-Granados, ´F., Suarez, O., Ukrudtskortlægning i tidlige sæson-majsmarker ved hjælp af objektbaseret analyse af
billeder af ubemandet luftfartøj (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. Et semi-overvåget system til ukrudtskortlægning i solsikkeafgrøder ved hjælp af ubemandede luftfartøjer og en metode til registrering af afgrøderækker. Appl. Soft Comput. J. 37, 533-544. https://doi.org/10.1016/j.asoc.2015.08.027.
Pincheira, M., Vecchio, M., Giaffreda, R., Kanhere, SS, 2021. Omkostningseffektive IoT-enheder som pålidelige datakilder til et blockchain-baseret vandstyringssystem i præcisionslandbrug. Comput. Elektron. Agric. 180, 105889.
Popescu, D., Stoican, F., Stamatescu, G., Ichim, L., Dragana, C., 2020. Avanceret UAV–WSN-system til intelligent overvågning i præcisionslandbrug. Sensorer 20 (3), https://doi.org/10.3390/s20030817.
Pournader, M., Shi, Y., Seuring, S., Koh, SL, 2020. Blockchain-applikationer i forsyningskæder, transport og logistik: en systematisk gennemgang af litteraturen. Int. J. Prod. Res. 58 (7), 2063-2081.
Primicerio, J., Di Gennaro, SF, Fiorillo, E., Genesio, L., Lugato, E., Matese, A., Vaccari, FP, 2012. Et fleksibelt ubemandet luftfartøj til præcisionslandbrug.
Præcis. Agric. 13 (4), 517-523. https://doi.org/10.1007/s11119-012-9257-6.
Pritchard, A., 1969. Statistisk bibliografi eller bibliometri. J. Dokument. 25 (4), 348-349.
Pudelko, R., Stuczynski, T., Borzecka-Walker, M., 2012. Egnetheden af et ubemandet luftfartøj (UAV) til evaluering af forsøgsmarker og afgrøder. Landbrug 99 (4), 431–436.
Puri, V., Nayyar, A., Raja, L., 2017. Landbrugsdroner: et moderne gennembrud inden for præcisionslandbrug. J. Statis. Manag. Syst. 20 (4), 507-518.
Radoglou-Grammatikis, P., Sarigiannidis, P., Lagkas, T., Moscholios, I., 2020. En samling af UAV-applikationer til præcisionslandbrug. Comput. Netw. 172,
107148 https://doi.org/10.1016/j.comnet.2020.107148.
Ramesh, KV, Rakesh, V., Prakasa Rao, EVS, 2020. Anvendelse af big data-analyse og kunstig intelligens i agronomisk forskning. indiske J. Agron. 65 (4), 383-395.
Raparelli, E., Bajocco, S., 2019. En bibliometrisk analyse af brugen af ubemandede luftfartøjer i landbrugs- og skovbrugsstudier. 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.
Potentielle anvendelser af små ubemandede flysystemer (UAS) i ukrudtsforskning. Weed Res. 53 (4), 242-248.
Rasmussen, J., Ntakos, G., Nielsen, J., Svensgaard, J., Poulsen, RN, Christensen, S., Er vegetationsindekser afledt af forbrugerkvalitetskameraer monteret på
UAV'er tilstrækkelig pålidelige til at vurdere eksperimentelle plots? 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. Digitalization in food supply chains: a bibliometric review and key-route main path
analyse. Sustainability 14 (1), 83. https://doi.org/10.3390/su14010083.
Rejeb, A., Rejeb, K., Simske, SJ, Treiblmaier, H., 2021a. Droner til supply chain management og logistik: en gennemgang og forskningsdagsorden. Int. J. Logist. Res. Appl.
1-24. https://doi.org/10.1080/13675567.2021.1981273.
Rejeb, A., Rejeb, K., Simske, S., Treiblmaier, H., 2021b. Blockchain-teknologier i logistik og supply chain management: en bibliometrisk gennemgang. Logistik 5 (4), 72.
https://doi.org/10.3390/logistics5040072.
Rejeb, A., Rejeb, K., Simske, S., Treiblmaier, H., 2021c. Humanitære droner: en revisions- og forskningsdagsorden. Internet of Things 16, 100434. https://doi.org/10.1016/j.
iot.2021.100434.
Rejeb, A., Treiblmaier, H., Rejeb, K., Zailani, S., 2021d. Blockchain-forskning i sundhedsvæsenet: en bibliometrisk gennemgang og aktuelle forskningstendenser. J. af Data, Inf. og
Manag. 3 (2), 109-124.
Rejeb, A., Simske, S., Rejeb, K., Treiblmaier, H., Zailani, S., 2020. Internet of Things research in supply chain management and logistics: a bibliometric analysis. Internettet
of Things 12, 100318.
ReportLinker, 2021. Globalt marked for landbrugsdroner når op på 15.2 milliarder USD pr. årGlobeNewswire 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- År-2027.html.
Ribeiro-Gomes, K., Hernandez-L ´ opez, ´ D., Ortega, JF, Ballesteros, R., Poblete, T., Moreno, MA, 2017. Kalibrering og optimering af ukølet termisk kamera
fotogrammetriproces til UAV-applikationer i landbruget. Sensorer (Schweiz) 17 (10). https://doi.org/10.3390/s17102173.
Rivera, MA, Pizam, A., 2015. Fremskridt inden for gæstfrihedsforskning: "Fra Rodney Dangerfield til Aretha Franklin". Int. J. Contempor. Hospital. Manag. 27 (3),
362–378. https://doi.org/10.1108/IJCHM-03-2014-0146.
Roldan, ´ JJ, Joossen, G., Sanz, D., Del Cerro, J., Barrientos, A., 2015. Mini-UAV baseret sensorisk system til måling af miljøvariabler i drivhuse. Sensorer 15 (2), 3334–3350. https://doi.org/10.3390/s150203334.
Rozenberg, G., Kent, R., Blank, L., 2021. UAV af forbrugerkvalitet, der anvendes til at detektere og analysere rumlige ukrudtsfordelingsmønstre i sensæsonen i kommercielle løgmarker. Præcis. 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. Ubemandet aerial vehicle (UAV) drevet spektralkamerasystem til skov- og landbrugsanvendelser. Fortsæt. SPIE – Int. Soc. Opt. Eng. 8174 https://doi.org/10.1117/12.897585.
Sah, B., Gupta, R., Bani-Hani, D., 2021. Analyse af barrierer for at implementere dronelogistik. Int. J. Logist. Res. Appl. 24 (6), 531-550. https://doi.org/10.1080/
13675567.2020.1782862.
Saha, AK, Saha, J., Ray, R., Sircar, S., Dutta, S., Chattopadhyay, SP, & Saha, HN, IOT-baseret drone til forbedring af afgrødekvaliteten på landbrugsområdet. I SH
N. Chakrabarti S. (Ed.), 2018 IEEE 8th Annual Computing and Communication Workshop and Conference, CCWC 2018 (bind. 2018-januar, s. 612–615). Institut
of Electrical and Electronics Engineers Inc. doi: 10.1109/CCWC.2018.8301662.
Sai Vineeth, KV, Vara Prasad, YR, Dubey, SR, Venkataraman, H., 2019. LEDCOM: en ny og effektiv LED-baseret kommunikation til præcisionslandbrug. IEEE Konf. Info. Commun. Teknol. 2019, 1-5. https://doi.org/10.1109/CICT48419.2019.9066177.
Salamí, E., Barrado, C., Pastor, E., 2014. UAV-flyvningsforsøg anvendt til fjernmåling af vegeterede områder. Fjernmåling 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.
Luftafbildningssystemer i lav højde med høj opløsning til fænotypning af række- og markafgrøder: en gennemgang. 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. UAV-baseret termisk billeddannelse i høj opløsning for at estimere
øjeblikkelig og sæsonbestemt variation af plantevandsstatus inden for en vingård. Agric. Vandstyring. 183, 49-59. https://doi.org/10.1016/j.agwat.2016.08.026.
Sarli, CC, Dubinsky, EK, Holmes, KL, 2010. Beyond citation analysis: A model for assessment of research impact. J. Med. Bibliotek Assoc. : JMLA 98 (1), 17-23. https://doi.org/10.3163/1536-5050.98.1.008.
Schaepman, ME, Ustin, SL, Plaza, AJ, Painter, TH, Verrelst, J., Liang, S., 2009. Jordsystemvidenskabsrelateret billeddannelsesspektroskopi – en vurdering. Remote Sens. Environ. 113, S123-S137.
Schirrmann, M., Giebel, A., Gleiniger, F., Pflanz, M., Lentschke, J., Dammer, K.-H., 2016. Overvågning af agronomiske parametre for vinterhvedeafgrøder med lavpris UAV
billedsprog. Fjernmåling 8 (9). https://doi.org/10.3390/rs8090706.
Schmale III, DG, Dingus, BR, Reinholtz, C., 2008. Udvikling og anvendelse af et autonomt ubemandet luftfartøj til præcis aerobiologisk prøvetagning ovenfor
landbrugsmarker. 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.,
Muliggør præcisionslandbrug gennem indlejret sansning med kunstig intelligens. IEEE Trans. Instrument. Meas. 69 (7), 4103-4113.
Shakhatreh, H., Sawalmeh, AH, Al-Fuqaha, A., Dou, Z., Almaita, E., Khalil, I.,
Othman, NS, Khreishah, A., Guizani, M., 2019. Unmanned Aerial Vehicles (UAV'er): en undersøgelse om civile applikationer og centrale forskningsudfordringer. IEEE Access 7,
48572-48634. https://doi.org/10.1109/ACCESS.2019.2909530.
Shakoor, N., Northrup, D., Murray, S., Mockler, TC, 2019. Big data drives agriculture: big data analytics in planteavl, genomics, and the use of remote sensing
teknologier til at fremme afgrødeproduktiviteten. Plantefænomen J. 2 (1), 1–8.
Sharma, BK, Chandra, G., Mishra, VP, 2019. Sammenlignende analyse og implikation af UAV og AI i retsmedicinske undersøgelser. I: Proceedings – 2019 Amity International
Konference om kunstig intelligens. https://doi.org/10.1109/AICAI.2019.8701407.
Sharma, R., Shishodia, A., Gunasekaran, A., Min, H., Munim, ZH, 2022. Kunstig intelligenss rolle i supply chain management: kortlægning af territoriet. Int. J.
Prod. Res. 1-24. https://doi.org/10.1080/00207543.2022.2029611.
Shi, Y., Thomasson, JA, Murray, SC, Pugh, NA, Rooney, WL, Shafian, S., Rajan, N., Rouze, G., Morgan, CLS, Neely, HL, Rana, A., Bagavathiannan , MV,
Henrickson, J., Bowden, E., Valasek, J., Olsenholler, J., Bishop, MP, Sheridan, R., Putman, EB, Popescu, S., Burks, T., Cope, D., Ibrahim, A., McCutchen, BF,
Baltensperger, DD, Avant, RV, Vidrine, M., Yang, C., Zhang, J., 2016. Ubemandede luftfartøjer til high-throughput fænotyping og agronomisk forskning. PLoS ONE
11 (7), e0159781.
Shuai, G., Martinez-Feria, RA, Zhang, J., Li, S., Price, R., Basso, B., 2019. Fangst heterogenitet af majsbevoksninger på tværs af udbyttestabilitetszoner ved hjælp af Unmanned Aerial
Køretøjer (UAV). Sensorer 19 (20), 4446. https://doi.org/10.3390/s19204446.
Small, H., 1973. Samcitation i den videnskabelige litteratur: et nyt mål for forholdet mellem to dokumenter. J. Am. Soc. Info. Sci. 24 (4), 265-269.
Small, H., Rorvig, ME, Lunin, LF, 1999. Visualisering af videnskab ved citationskortlægning. J. Am. Soc. Info. Sci. 50 (9), 799-813.
Soares, VHA, Ponti, MA, Gonçalves, RA, Campello, RJGB, 2021. Kvægtælling i naturen med geolokaliserede luftbilleder i store græsarealer. Comput. Elektron. Agric. 189, 106354 https://doi.org/10.1016/j.compag.2021.106354.
Srivastava, K., Pandey, PC, Sharma, JK, 2020. En tilgang til ruteoptimering i anvendelser af præcisionslandbrug ved hjælp af UAV'er. Drones 4 (3), 58. https://doi.org/ 10.3390/drones4030058.
Stafford, JV, 2000. Implementering af præcisionslandbrug i det 21. århundrede. J. Agric. Eng. Res. 76 (3), 267-275.
Su, J., Coombes, M., Liu, C., Guo, L., Chen, W.-H., 2018. Vurdering af hvedetørke ved fjernmålingsbilleder ved hjælp af ubemandet luftfartøj. I 2018 37. kinesisk kontrolkonference (CCC).
Su, J., Liu, C., Coombes, M., Hu, X., Wang, C., Xu, X., Li, Q., Guo, L., Chen, W.-H., 2018. Overvågning af gul rust af hvede ved at lære af multispektrale UAV-luftbilleder.
Comput. Elektron. Agric. 155, 157-166. https://doi.org/10.1016/j. compag.2018.10.017.
Su, Y., Wang, X., 2021. Innovation af landbrugsøkonomisk ledelse i færd med at konstruere smart landbrug ved hjælp af big data. Bæredygtig computer. Inf. Syst. 31, 100579 https://doi.org/10.1016/j.suscom.2021.100579.
Sullivan, DG, Fulton, JP, Shaw, JN, Bland, GL, 2007. Evaluering af følsomheden af et ubemandet termisk infrarødt luftsystem til at detektere vandstress i en bomuldshage. Trans. ASABE 50 (6), 1955-1962.
Sumesh, KC, Ninsawat, S., Som-ard, J., 2021. Integration af RGB-baseret vegetationsindeks, afgrødeoverflademodel og objektbaseret billedanalysetilgang til estimering af sukkerrørsudbytte ved hjælp af ubemandet luftfartøj. Comput. 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. Et letvægts hyperspektralt kortlægningssystem til
ubemandede luftfartøjer - de første resultater. I: 2013 5th Workshop on Hyperspectral Image and Signal Processing: Evolution in Remote Sensing (WHISPERS), s. 1-4. https://doi.org/10.1109/WHISPERS.2013.8080721.
Suomalainen, J., Anders, N., Iqbal, S., Roerink, G., Franke, J., Wenting, P., Hünniger, D., Bartholomeus, H., Becker, R., Kooistra, L., 2014. En letvægts hyperspektral
kortlægningssystem og fotogrammetrisk behandlingskæde for ubemandede luftfartøjer. Fjernmåling 6 (11), 11013–11030. https://doi.org/10.3390/
rs61111013.
Syeda, IH, Alam, MM, Illahi, U., Su'ud, MM, 2021. Avancerede kontrolstrategier ved hjælp af billedbehandling, UAV og AI i landbruget: En gennemgang. World J. Eng. 18 (4),
579–589. https://doi.org/10.1108/WJE-09-2020-0459.
Tahai, A., Rigsby, JT, 1998. Informationsbehandling ved hjælp af citater til at undersøge tidsskriftets indflydelse i regnskabet. Inf. Behandle. Styre. 34 (2-3), 341-359.
Tang, Y., Dananjayan, S., Hou, C., Guo, Q., Luo, S., He, Y., 2021. En undersøgelse om 5G-netværket og dets indvirkning på landbruget: udfordringer og muligheder. Comput.
Elektron. Agric. 180, 105895 https://doi.org/10.1016/j.compag.2020.105895.
Tantalaki, N., Souravlas, S., Roumeliotis, M., 2019. Datadrevet beslutningstagning i præcisionslandbrug: stigningen i big data i landbrugssystemer. J. Agric. Mad info.
20 (4), 344-380.
Tao, H., Feng, H., Xu, L., Miao, M., Yang, G., Yang, X., Fan, L., 2020. Estimering af udbytte og plantehøjde af vinterhvede ved hjælp af UAV- baseret hyperspektrale billeder.
Sensorer 20 (4), 1231.
Techy, L., Schmale III, DG, Woolsey, CA, 2010. Koordineret aerobiologisk prøveudtagning af et plantepatogen i den lavere atmosfære ved hjælp af to autonome ubemandede luftfartøjer. 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. Påvisning og klassificering af sojabønneskadedyr ved hjælp af dyb læring
med UAV-billeder. Comput. 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— Og WetSeason for Sustainable Agriculture and Providing Ground Truth for Terra-Sar X-data. I: 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. Bibliometri til webometri. J. Info. Sci. 34 (4), 605-621.
Torres-Sanchez, ´ J., Lopez-Granados, ´ F., Pena, ˜ JM, 2015. En automatisk objektbaseret metode til optimal tærskelværdi i UAV-billeder: applikation til vegetationsdetektion i urteagtige afgrøder. Comput. 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. High-throughput 3-D overvågning af landbrugs-træplantager med Unmanned Aerial Vehicle (UAV) teknologi. PLoS ONE 10 (6), e0130479.
Torres-Sanchez, ´ J., Pena, ˜ JM, de Castro, AI, Lopez-Granados, ´ F., 2014. Multi-temporal kortlægning af vegetationsfraktionen i hvedemarker i tidlig sæson ved hjælp af billeder fra UAV. Comput. Elektron. Agric. 103, 104-113. https://doi.org/10.1016/j. compag.2014.02.009.
Tsouros, DC, Bibi, S., Sarigiannidis, PG, 2019. En gennemgang af UAV-baserede applikationer til præcisionslandbrug. Information (Schweiz) 10 (11). https://doi.org/10.3390/info10110349.
Tu, Y.-H., Phinn, S., Johansen, K., Robson, A., Wu, D., 2020. Optimering af droneflyveplanlægning til måling af struktur af gartneritræafgrøder. ISPRS J. Photogramm.
Fjernsensorer 160, 83–96. https://doi.org/10.1016/j.isprsjprs.2019.12.006
Tzounis, A., Katsoulas, N., Bartzanas, T., Kittas, C., 2017. Internet of Things i landbruget, seneste fremskridt og fremtidige udfordringer. Biosyst. Eng. 164, 31-48.
https://doi.org/10.1016/j.biosystemseng.2017.09.007.
Uddin, A., Singh, VK, Pinto, D., Olmos, I., 2015. Scientometrisk kortlægning af datalogisk forskning i Mexico. Scientometrics 105 (1), 97-114.
UN., 2019. Verdens befolkningsudsigter 2019. https://population.un.org/wpp/ (Få adgang den 15/04/2022).
Uto, K., Seki, H., Saito, G., Kosugi, Y., 2013. Karakterisering af rismarker ved et UAV-monteret miniature hyperspektralt sensorsystem. IEEE J. Sel. Top. Appl. Earth Obs.
Remote Sens. 6 (2), 851–860. https://doi.org/10.1109/JSTARS.2013.2250921. van der Merwe, D., Burchfield, DR, Witt, TD, Price, KP, Sharda, A., 2020. Droner i
landbrug. Adv. Agron. 162, 1-30.
Velusamy, P., Rajendran, S., Mahendran, RK, Naseer, S., Shafiq, M., Choi, J.-G., 2022.
Unmanned Aerial Vehicles (UAV) i præcisionslandbrug: applikationer og udfordringer. Energies 15 (1), 217. https://doi.org/10.3390/en15010217.
Ventura, D., Bonifazi, A., Gravina, MF, Belluscio, A., Ardizzone, G., 2018. Kortlægning og klassificering af økologisk følsomme marine habitater ved hjælp af ubemandet luft
Bilbilleder (UAV) og objektbaseret billedanalyse (OBIA). Fjernmåling 10 (9), 1331. https://doi.org/10.3390/rs10091331.
Verger, A., Vigneau, N., Ch´eron, C., Gilliot, J.-M., Comar, A., Baret, F., 2014. Grønt områdeindeks fra et ubemandet luftsystem over hvede- og rapsafgrøder . 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. Deployering af fire optiske UAV-baserede sensorer over græsarealer: udfordringer og
begrænsninger. Biogeosciences 12 (1), 163-175. https://doi.org/10.5194/bg-12-163-2015.
Vuran, MC, Salam, A., Wong, R., Irmak, S., 2018. Internet af underjordiske ting i præcisionslandbrug: arkitektur og teknologiske aspekter. Ad Hoc Netw. 81,
160-173. https://doi.org/10.1016/j.adhoc.2018.07.017.
Wamba, SF, Queiroz, MM, 2021. Ansvarlig kunstig intelligens som en hemmelig ingrediens for digital sundhed: bibliometrisk analyse, indsigt og forskningsvejledning.
Info. Syst. Foran. 1-16.
Wang, L., Zhang, G., Wang, Z., Liu, J., Shang, J., Liang, L., 2019. Bibliometrisk analyse af fjernmålingsforskningstrend i overvågning af afgrødevækst: Et casestudie i Kina. Fjernmåling 11 (7). https://doi.org/10.3390/rs11070809.
White, HD, Griffith, BC, 1981. Forfattercocitation: Et litteraturmål for intellektuel struktur. J. Am. Soc. Info. Sci. 32 (3), 163-171.
Xiang, H., Tian, L., 2011. Udvikling af et lavpris landbrugs-fjernmålingssystem baseret på et autonomt ubemandet luftfartøj (UAV). Biosyst. Eng. 108 (2), 174-190. https://doi.org/10.1016/j.biosystemseng.2010.11.010.
Xie, C., Yang, C., 2020. En gennemgang af planters højkapacitetsfænotypningsegenskaber ved hjælp af UAV-baserede sensorer. Comput. Elektron. Agric. 178, 105731 https://doi.org/10.1016/j.
compag.2020.105731.
Yao, H., Qin, R., Chen, X., 2019. Ubemandet luftfartøj til fjernmålingsapplikationer – en anmeldelse. Fjernmåling 11 (12). https://doi.org/10.3390/
rs11121443.
Yeom, S., 2021. Sporing af mennesker og fjernelse af falske spor med infrarød termisk billeddannelse ved hjælp af en multirotor. Drones 5 (3), 65. https://doi.org/10.3390/drones5030065.
Yue, J., Feng, H., Jin, X., Yuan, H., Li, Z., Zhou, C., Yang, G., Tian, Q., 2018. En sammenligning af estimering af afgrødeparametre ved hjælp af billeder fra UAV-monteret
snapshot hyperspektral sensor og high-definition digitalkamera. Fjernmåling 10 (7), 1138. https://doi.org/10.3390/rs10071138.
Yue, J., Yang, G., Li, C., Li, Z., Wang, Y., Feng, H., Xu, B., 2017. Estimering af vinterhvede overjordisk biomasse ved hjælp af ubemandet luftfartøj- baseret øjebliksbillede
hyperspektral sensor og forbedrede afgrødehøjde modeller. Fjernmåling 9 (7). https://doi.org/10.3390/rs9070708.
Zahawi, RA, Dandois, JP, Holl, KD, Nadwodny, D., Reid, JL, Ellis, EC, 2015. Brug af lette ubemandede luftfartøjer til at overvåge genopretning af tropisk skov. Biol.
Conserv. 186, 287-295. https://doi.org/10.1016/j.biocon.2015.03.031. Zamora-Izquierdo, MA, Santa, J., Martínez, JA, Martínez, V., Skarmeta, AF, 2019.
Smart farming IoT-platform baseret på edge og cloud computing. Biosyst. Eng. 177,
4-17.
Zarco-Tejada, PJ, Diaz-Varela, R., Angileri, V., Loudjani, P., 2014. Træhøjdekvantificering ved hjælp af billeder i meget høj opløsning hentet fra en ubemandet antenne
køretøj (UAV) og automatiske 3D foto-rekonstruktionsmetoder. 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. Billedbaseret fænotypning af blomstringsintensitet i kølige sæsonafgrøder. Sensorer 20 (5), 1450. https://doi.org/10.3390/s20051450.
Zhang, C., Kovacs, JM, 2012. Anvendelsen af små ubemandede luftsystemer til præcisionslandbrug: en gennemgang. Præcis. Agric. 13 (6), 693-712. https://doi.org/
10.1007/s11119-012-9274-5.
Zhang, L., Zhang, H., Niu, Y., Han, W., 2019. Kortlægning af majsvandstress baseret på UAV multispektral fjernmåling. Fjernmåling 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. En dyb læringsbaseret tilgang til automatiseret gulrust
sygdomsdetektion fra højopløselige hyperspektrale UAV-billeder. Fjernmåling 11 (13), 1554.
Zhao, X., Zhang, J., Huang, Y., Tian, Y., Yuan, L., 2022. Påvisning og diskrimination af sygdom og insektstress hos teplanter ved hjælp af hyperspektral billeddannelse kombineret med wavelet-analyse. Comput. Elektron. Agric. 193, 106717 https://doi.org/10.1016/j. compag.2022.106717.
Zheng, A., Wang, M., Li, C., Tang, J., Luo, B., 2022. Entropistyret modstridende domænetilpasning til semantisk segmentering af luftbilleder. IEEE Trans. G
Zheng, H., Cheng, T., Yao, X., Deng, X., Tian, Y., Cao, W., Zhu, Y., 2016. Påvisning af risfænologi gennem tidsserieanalyse af jordbaseret spektral indeksdata. Markafgrøder Res. 198, 131-139. https://doi.org/10.1016/j.fcr.2016.08.027.
Zheng, J., Yang, W., 2018. Design af et præcisionslandbrugslækagesåningssystem baseret på trådløse sensorer. Int. J. Online Eng. 14 (05), 184.
Zhou, L., Gu, X., Cheng, S., Yang, G., Shu, M., Sun, Q., 2020. Analyse af plantehøjdeændringer af indlagt majs ved hjælp af UAV-LiDAR-data. Landbrug 10 (5), 146. https://
doi.org/10.3390/agriculture10050146.
Zhou, S., Chai, X., Yang, Z., Wang, H., Yang, C., Sun, T., 2021. Majs-IAS: En majs-billedanalysesoftware, der bruger dyb læring til høj-throughput plantefænotyping . 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. Forudsigelse af kornudbytte i ris ved hjælp af multi-temporal vegetation
indekser fra UAV-baserede multispektrale og digitale billeder. 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. Simulering af kerneteknologien i et drivhusovervågningssystem baseret på et trådløst sensornetværk. Int. J. Online Eng. 12 (05),
43.
Zhou, Z., Majeed, Y., Diverres Naranjo, G., Gambacorta, EMT, 2021. Vurdering for afgrødes vandstress med infrarøde termiske billeder i præcisionslandbrug: en gennemgang
og fremtidsudsigter for deep learning-applikationer. Comput. Elektron. Agric. 182, 106019 https://doi.org/10.1016/j.compag.2021.106019.