عبدالرحمن رجب a ، علیرضا عبداللهی b ، کریم رجب c هورست تریبلمایر d,
- a گروه مدیریت و حقوق، دانشکده اقتصاد، دانشگاه رم Tor Vergata، Via Columbia, 2, Rome 00133, Italy
- b گروه مدیریت بازرگانی، دانشکده مدیریت، دانشگاه خوارزمی، 1599964511 تهران، ایران
- c دانشکده علوم بیزرته، دانشگاه کارتاژ، زرزونا، 7021 بیزرته، تونس
- d دانشکده مدیریت بین المللی، دانشگاه مدول وین، آم کالنبرگ 1، 1190 وین، اتریش
اطلاعات مقاله | چکیده |
کلید واژه ها: هواپیماهای بدون سرنشین UAV کشاورزی دقیق اینترنت از چیزهایی کتاب سنجی | هواپیماهای بدون سرنشین که به آنها وسایل نقلیه هوایی بدون سرنشین (UAV) نیز گفته می شود، در دهه های اخیر شاهد پیشرفت قابل توجهی بوده اند. در کشاورزی، آنها شیوه های کشاورزی را با ارائه به کشاورزان صرفه جویی قابل توجهی در هزینه ها تغییر داده اند. بهره وری عملیاتی و سودآوری بهتر در دهه های گذشته موضوع پهپادهای کشاورزی مطرح شده است توجه دانشگاهی قابل توجهی را به خود جلب کرد. بنابراین ما یک بررسی جامع بر اساس کتاب سنجی انجام می دهیم خلاصه کردن و ساختار ادبیات دانشگاهی موجود و آشکار کردن روندهای تحقیقاتی و نقاط داغ. ما استفاده از تکنیک های کتاب سنجی و تجزیه و تحلیل ادبیات پیرامون پهپادهای کشاورزی برای خلاصه کردن و ارزیابی تحقیقات قبلی تجزیه و تحلیل ما نشان می دهد که سنجش از دور، کشاورزی دقیق، یادگیری عمیق، یادگیری ماشینی و اینترنت اشیا موضوعات مهمی هستند که در ارتباط با هواپیماهای بدون سرنشین کشاورزی هستند. استناد مشترک تجزیه و تحلیل شش خوشه تحقیقاتی گسترده را در ادبیات نشان می دهد. این مطالعه یکی از اولین تلاشها برای خلاصه کردن تحقیقات پهپادها در کشاورزی و پیشنهاد مسیرهای تحقیقاتی آینده است. |
معرفی
کشاورزی منبع غذایی اولیه جهان است (فریها و همکاران، 2021)، و به دلیل
افزایش تقاضا برای محصولات غذایی، ایمنی مواد غذایی و نگرانی های امنیتی و همچنین درخواست برای حفاظت از محیط زیست، حفظ آب، و
پایداری (Inoue، 2020). پیشبینی میشود که این توسعه ادامه یابد، زیرا تخمین زده میشود که جمعیت جهان تا سال 9.7 به 2050 میلیارد نفر برسد.
(2019). از آنجایی که کشاورزی برجسته ترین نمونه مصرف آب در سطح جهان است، انتظار می رود که تقاضای غذا و آب
مصرف در آینده قابل پیش بینی به طور چشمگیری افزایش خواهد یافت. علاوه بر این، افزایش مصرف کودها و سموم دفع آفات
همراه با تشدید فعالیت های کشاورزی می تواند به چالش های زیست محیطی آینده منجر شود. به طور مشابه، زمین های قابل کشت محدود است، و
تعداد کشاورزان در سراسر جهان در حال کاهش است. این چالش ها نیاز به راه حل های کشاورزی نوآورانه و پایدار را برجسته می کند (الیجا
و همکاران، 2018; فریها و همکاران، 2021; Inoue، 2020; تزونیس و همکاران، 2017).
ترکیب فناوری های جدید به عنوان یک راه حل امیدوارکننده برای رسیدگی به این چالش ها شناسایی شده است. کشاورزی هوشمند (بروستر و همکاران،
2017; تانگ و همکاران، 2021) و کشاورزی دقیق (فنگ و همکاران، 2019؛ خانا و کائور، 2019) در نتیجه چنین بحث هایی پدید آمده اند. این
اولی یک مفهوم کلی برای پذیرش فناوریهای ارتباطی اطلاعات (ICT) و سایر نوآوریهای پیشرفته در فعالیتهای کشاورزی برای افزایش کارایی و کارایی است (Haque et al., 2021). دومی بر مدیریت خاص سایت متمرکز است که در آن زمین به تقسیم می شود
قطعات همگن، و هر بخش مقدار دقیق ورودی کشاورزی را برای بهینهسازی عملکرد محصول با استفاده از فناوریهای جدید دریافت میکند (فنگ و همکاران، 2019؛ Khanna & Kaur، 2019). فناوریهای برجستهای که توجه محققان را در این زمینه به خود جلب کردهاند شامل شبکههای حسگر بیسیم (WSNs) (J. Zheng & Yang، 2018؛ Y. Zhou et al., 2016)، اینترنت اشیا (IoT) (Gill et al., 2017؛ لیو و همکاران، 2021.
تکنیک های هوش مصنوعی (AI)، از جمله یادگیری ماشینی و یادگیری عمیق (لیاکوس و همکاران، 2018؛ پارسائیان و همکاران، 2020؛ شادرین و همکاران،
2019)، فناوری های محاسباتی (Hsu و همکاران، 2020؛ Jinbo و همکاران، 2019؛ Zamora-Izquierdo و همکاران، 2019)، داده های بزرگ (گیل و همکاران، 2017؛ Tantalaki
و همکاران، 2019)، و زنجیره بلوکی (PW Khan و همکاران، 2020؛ Pincheira و همکاران، 2021).
علاوه بر فناوریهای فوق، سنجش از دور ابزاری فناورانه با پتانسیل بالا برای بهبود در نظر گرفته شده است.
کشاورزی هوشمند و دقیق ماهواره ها، هواپیماهای سرنشین دار انسان و هواپیماهای بدون سرنشین فناوری های سنجش از دور محبوب هستند (Tsouros et al., 2019).
پهپادها که عموماً به عنوان وسایل نقلیه هوایی بدون سرنشین (UAVs)، سیستم های هواپیمای بدون سرنشین (UAS) و هواپیماهای هدایت شونده از راه دور شناخته می شوند، از
اهمیت زیادی دارند زیرا در مقایسه با سایر فناوریهای سنجش از راه دور مزایای متعددی دارند. به عنوان مثال، پهپادها می توانند تحویل دهند
تصاویر با کیفیت و وضوح بالا در روزهای ابری (مانفردا و همکاران، 2018). همچنین، در دسترس بودن و سرعت انتقال آنها نیز از دیگر موارد است
مزایا (رادوگلو-گراماتیکیس و همکاران، 2020). در مقایسه با هواپیماها، پهپادها بسیار مقرون به صرفه هستند و راه اندازی و نگهداری آنها آسان است (Tsouros et al., 2019). علیرغم اینکه هواپیماهای بدون سرنشین در ابتدا عمدتاً برای اهداف نظامی استفاده میشوند، میتوانند از کاربردهای غیرنظامی متعددی بهره ببرند، به عنوان مثال در مدیریت زنجیره تأمین (A. Rejeb, Rejeb, et al., 2021a)، برای اهداف بشردوستانه (A. Rejeb, Rejeb, et al., 2021c)، کشاورزی هوشمند، نقشه برداری و نقشه برداری، مستندسازی میراث فرهنگی، مدیریت بلایا، و حفاظت از جنگل و حیات وحش (Panday, Pratihast, et al., 2020). در کشاورزی، مناطق کاربردی چندگانه پهپادها وجود دارد، زیرا میتوانند با فناوریهای جدید، قابلیتهای محاسباتی و حسگرهای داخلی برای پشتیبانی از مدیریت محصول (مانند نقشهبرداری، نظارت، آبیاری، تشخیص گیاه) ادغام شوند (H. Huang et al., 2021). ، کاهش بلایا، سیستم های هشدار زودهنگام، حفاظت از حیات وحش و جنگل به چند مورد اشاره کنیم (نگاش و همکاران، 2019). به طور مشابه، پهپادها را می توان در چندین فعالیت کشاورزی، از جمله نظارت بر محصول و رشد، تخمین عملکرد، ارزیابی تنش آبی و تشخیص علف های هرز، آفات و بیماری ها (Inoue, 2020؛ Panday, Pratihast, et al., 2020) مورد استفاده قرار داد. پهپادها نه تنها می توانند برای اهداف نظارت، تخمین و تشخیص بر اساس داده های حسی آن ها استفاده شوند، بلکه برای آبیاری دقیق و مدیریت دقیق علف های هرز، آفات و بیماری ها نیز قابل استفاده هستند. به عبارت دیگر، پهپادها بر اساس داده های محیطی قادرند آب و آفت کش ها را در مقادیر دقیق اسپری کنند. مزایای پهپادها در کشاورزی در جدول 1 خلاصه شده است.
مزایای اصلی پهپادها در کشاورزی
سود | منابع) |
افزایش زمانی و مکانی حس کردن قطعنامه ها | (گاگو و همکاران، 2015؛ نیو و همکاران، 2020؛ سریواستاوا و غیره، 2020) |
کشاورزی دقیق را تسهیل کند | (L. Deng et al., 2018; Kalischuk et al., 2019; Maimaitijiang و همکاران، 2017) |
طبقه بندی و پیشاهنگی از محصولات | (Inoue, 2020; Kalischuk et al., 2019؛ Lopez-' گرانادوس و همکاران، 2016; Maimaitijiang و همکاران، 2017; ملویل و همکاران، 2019؛ موهارانا و دوتا، 2016) |
استفاده از کود | (L. Deng et al., 2018; Guan et al., 2019) |
پایش خشکسالی | (فاوست و همکاران، 2020؛ پاندی، پراتیهاست، و همکاران، 2020; سو و همکاران، 2018) |
تخمین زیست توده | (بندیگ و همکاران، 2014) |
تخمین بازده | (اینو، 2020؛ پاندی، شرستا، و همکاران، 2020؛ تائو و غیره، 2020) |
کاهش بلایا | (نگاش و همکاران، 2019) |
حفاظت از حیات وحش و جنگلداری | (نگاش و همکاران، 2019؛ پاندی، پراتیهاست، و همکاران، 2020) |
ارزیابی تنش آبی | (اینو، 2020؛ جی. سو، کومبس، و همکاران، 2018؛ ال. ژانگ و همکاران، 2019) |
آفات، علف های هرز و بیماری کشف | (Gaˇsparovi´c و همکاران، 2020؛ Inoue، 2020؛ J. Su، Liu، و همکاران، 2018; X. Zhang و همکاران، 2019) |
از سوی دیگر، پهپادها نیز با محدودیت هایی مواجه هستند. درگیری خلبان، قدرت موتور، پایداری و قابلیت اطمینان، کیفیت سنسورها به دلیل بار
محدودیت های وزنی، هزینه های اجرا و مقررات حمل و نقل هوایی از جمله آنها هستند (C. Zhang & Kovacs, 2012). کاستی ها را با هم مقایسه می کنیم
از سه فناوری سنجش از دور متحرک در جدول 2. سایر فناوری های سنجش از دور، مانند حسگرهای خاک، فراتر از تمرکز این مطالعه هستند.
کاستی های فن آوری های مختلف سنجش از راه دور موبایل.
سنجش از دور فن آوری | کمبود | منابع |
پهپاد (پهپاد) | مشارکت خلبان؛ تصاویر' کیفیت (متوسط)؛ هزینه های اجرا (متوسط)؛ ثبات، قدرت مانور و قابلیت اطمینان؛ استاندارد سازی؛ قدرت موتور؛ قدرت محدود منابع (طول عمر باتری)؛ مدت زمان محدود پرواز، برخورد و حملات سایبری؛ محدود وزن محموله؛ مجموعه داده های بزرگ و پردازش داده محدود است توانایی ها؛ فقدان مقررات؛ عدم تخصص، ورود بالا موانع دسترسی به پهپادهای کشاورزی; | (باکو و همکاران، 2018؛ داوالیبی و همکاران، 2020; هاردین و هاردین، 2010; هاردین و جنسن، 2011; لاگکاس و همکاران، 2018; Laliberte و همکاران، 2007; Laliberte & Rango، 2011; مانفردا و همکاران، 2018، 2018; نبیکر و همکاران، 2008; پوری و همکاران، 2017; ولوسامی و همکاران، 2022; سی. ژانگ و کواچ، 2012) |
ماهواره ای | پوشش ماهواره ای دوره ای، وضوح طیفی محدود؛ آسیب پذیری نسبت به مسائل دید (به عنوان مثال، ابرها)؛ در دسترس نبودن و سرعت انتقال پایین؛ جهت گیری و خط کشی داده های مکانی پرهزینه را تحت تأثیر قرار می دهد مجموعه؛ کند تحویل داده زمان برای کاربران نهایی | (ابوطالبی و همکاران، 2019؛ سن و همکاران، 2019; چن و همکاران، 2019; نانسن و الیوت، 2016; پاندای، پراتیهاست، و همکاران، 2020; سای واینث و غیره، 2019) |
هواپیما | هزینه بالای پذیرش؛ تنظیم پیچیده؛ هزینه های نگهداری؛ در دسترس نبودن قابل اعتماد هواپیما، هندسه تصاویر؛ داده های غیر عادی تحصیل؛ عدم انعطاف پذیری؛ تصادفات مرگبار؛ داده های حسگر تغییرات ناشی از ارتعاشات؛ مسائل مربوط به ارجاع جغرافیایی | (آرمسترانگ و همکاران، 2011؛ اتکینسون و همکاران، 2018; Barbedo & Koenigkan، 2018; کووالف و وروشیلووا، 2020; Suomalainen و همکاران، 2013; تام و همکاران، 2013) |
به عنوان یک فناوری چند رشته ای و چند منظوره در کشاورزی، پهپادها از دیدگاه های مختلف مورد بررسی قرار گرفته اند. به عنوان مثال، محققان کاربردهای پهپادها را در کشاورزی بررسی کرده اند (Kulbacki et al., 2018; Mogili & Deepak, 2018)، سهم آنها در کشاورزی دقیق (Puri et al., 2017; Tsouros et al., 2019)، مکمل بودن آنها با سایرین. فن آوری های پیشرفته (آل ثانی و همکاران، 2020؛ دوتا و میترا، 2021؛ نایار و همکاران، 2020؛ ساها و همکاران، 2018)، و امکانات پیشرفت قابلیت های ناوبری و سنجش آنها (بارث و همکاران. ، 2015; Suomalainen و همکاران، 2014). از آنجایی که تحقیقات در مورد کاربردهای پهپادها در کشاورزی رایج شده است (Khan et al., 2021))، نیاز به خلاصه کردن ادبیات موجود و آشکار ساختن ساختار فکری حوزه وجود دارد. علاوه بر این، بهعنوان یک زمینه با فناوری پیشرفته با پیشرفتهای مستمر، بررسیهای ساختاری لازم است تا به صورت دورهای متون موجود را خلاصه کرده و شکافهای پژوهشی مهم را شناسایی کنیم. به
در تاریخ، بررسی های کمی وجود دارد که در مورد کاربرد هواپیماهای بدون سرنشین در بخش کشاورزی بحث می کند. به عنوان مثال، Mogili و Deepak (2018) به طور خلاصه مفاهیم پهپادها را برای نظارت بر محصولات و سمپاشی آفت کش ها بررسی کردند. Inoue (2020) بررسی استفاده از ماهواره و پهپاد در سنجش از دور در کشاورزی را انجام می دهد. نویسنده چالش های تکنولوژیکی اتخاذ کشاورزی هوشمند و مشارکت ماهواره ها و هواپیماهای بدون سرنشین را بر اساس مطالعات موردی و بهترین شیوه ها بررسی می کند. تسوروس و همکاران (2019) انواع مختلف هواپیماهای بدون سرنشین و کاربردهای اصلی آنها را در کشاورزی خلاصه می کند و روش های مختلف جمع آوری و پردازش داده ها را برجسته می کند. اخیراً، اصلان و همکاران. (2022) یک بررسی جامع از کاربردهای پهپاد در فعالیت های کشاورزی انجام داد و بر ارتباط محلی سازی و نقشه برداری همزمان برای یک پهپاد در گلخانه تاکید کرد. دیاز گونزالس و همکاران (2022) مطالعات اخیر تولید عملکرد محصول را بر اساس تکنیک های مختلف یادگیری ماشین و از راه دور مرور کرد.
سیستم های حسگر یافتههای آنها نشان داد که پهپادها برای تخمین شاخصهای خاک و عملکرد بهتر از سیستمهای ماهوارهای از نظر تفکیک مکانی، موقتی اطلاعات و انعطافپذیری مفید هستند. بصیری و همکاران (2022) یک بررسی جامع از رویکردها و روشهای مختلف برای غلبه بر چالشهای برنامهریزی مسیر برای پهپادهای چند روتوری در زمینه کشاورزی دقیق انجام داد. علاوه بر این، آویس و همکاران. (2022) کاربرد دادههای سنجش از دور پهپاد در محصولات کشاورزی را برای تخمین وضعیت آب خلاصه کرد و یک ترکیب عمیق از ظرفیت آیندهنگر سنجش از دور پهپاد برای اعمال تنش زباله ارائه کرد. در نهایت، آکویلانی و همکاران. (2022) فناوریهای کشاورزی پیشبینی بکار رفته در سیستمهای دام مبتنی بر مرتع را بررسی کرد و نتیجه گرفت که سنجش از راه دور فعال شده توسط پهپادها برای ارزیابی زیست توده و مدیریت گله مفید است.
همچنین اخیراً تلاش هایی برای استفاده از پهپاد در نظارت، ردیابی و جمع آوری دام گزارش شده است.
اگرچه این بررسیها بینشهای جدید و مهمی را به دست میدهند، هیچ بررسی جامع و بهروزی بر اساس کتابسنجی را نمیتوان در ادبیات پیدا کرد، که شکاف دانشی واضحی را نشان میدهد. علاوه بر این، بیان شده است که وقتی تولیدات علمی در یک حوزه علمی رشد میکند، برای محققان استفاده از رویکردهای مرور کمی برای درک ساختار دانش حوزه حیاتی میشود (ریورا و پیزام، 2015). به طور مشابه، فریرا و همکاران. (2014) استدلال کرد که همانطور که زمینه های تحقیقاتی بالغ می شوند و پیچیده می شوند، محققان باید هدفشان این باشد که گهگاه دانش تولید شده و انباشته شده را برای آشکار ساختن مشارکت های جدید، گرفتن سنت ها و گرایش های پژوهشی، شناسایی موضوعات مورد مطالعه، و کاوش در ساختار دانش بکوشند. زمینه و جهت های پژوهشی بالقوه در حالی که Raparelli و Bajocco (2019) یک تجزیه و تحلیل کتاب سنجی برای بررسی حوزه دانش کاربردهای پهپادها در کشاورزی و جنگلداری انجام دادند، مطالعه آنها فقط تحقیقات علمی منتشر شده بین سال های 1995 و 2017 را در نظر می گیرد، که پویایی این منطقه در حال حرکت را نشان نمی دهد. علاوه بر این، نویسندگان تلاشی برای شناسایی تاثیرگذارترین مشارکتها در این زمینه، خوشهبندی ادبیات، و ارزیابی ساختار فکری با استفاده از تحلیل همنقلی نکردند. در نتیجه، لازم است ادبیات را خلاصه کنیم تا کانونها، گرایشها و کانونهای تحقیقاتی فعلی را آشکار کنیم.
برای پر کردن این شکاف دانش، از روششناسی کمی و روشهای کتابسنجی دقیق برای بررسی وضعیت فعلی تحقیق در تقاطع هواپیماهای بدون سرنشین و کشاورزی استفاده میکنیم. ما استدلال می کنیم که مطالعه حاضر با بررسی یک فناوری نوظهور که در کشاورزی بسیار مورد نیاز است، کمک های زیادی به ادبیات موجود می کند زیرا پتانسیل فوق العاده ای را برای تغییر چندین جنبه در این بخش فراهم می کند. با توجه به دانش پراکنده و تکه تکه شده در مورد هواپیماهای بدون سرنشین در زمینه کشاورزی، نیاز به تجزیه و تحلیل کتاب سنجی پهپادهای کشاورزی حتی بیشتر احساس می شود. به طور مشابه، ادبیات مربوط به هواپیماهای بدون سرنشین کشاورزی با توجه به تأثیرگذارترین مطالعاتی که پایه و اساس این زمینه تحقیقاتی را میسازد، باید بهطور سیستماتیک خوشهبندی شوند. شایستگی در تجزیه و تحلیل همچنین شامل روشن شدن مضامین اصلی تحقیق ارائه شده در ادبیات است. با توجه به پتانسیل تحولآفرین این فناوری، ما فرض میکنیم که یک تحلیل عمیق شبکه با تعیین آثار تأثیرگذار و آشکار کردن مضامین مربوط به پتانسیل پهپادها برای کشاورزی، بینشهای جدیدی به دست میدهد.
بنابراین ما در تلاش برای دستیابی به اهداف تحقیقاتی زیر هستیم:
- شناسایی نشریات تأثیرگذار با مشارکت برجسته در کاربردهای پهپاد در حوزه کشاورزی.
- خوشهبندی ادبیات، شناسایی کانونهای تحقیق و ترسیم مطالعات «ساختار فکری» اصلی بر اساس شباهت معنایی با استفاده از تحلیل هماستنادی.
- درک تکامل پیوندها و شبکه های استنادی در طول زمان در میان نشریات مختلف در این زمینه و شناسایی جهت گیری های تحقیقاتی آینده و موضوعات داغ.
ساختار بقیه مقاله به شرح زیر است: بخش 2 روش شناسی و مراحل جمع آوری داده ها را تشریح می کند. بخش 3 نتایج تجزیه و تحلیل ها را ارائه می دهد. و بخش 4 یافتهها را مورد بحث قرار میدهد و با مشارکتهای پژوهشی، پیامدها و جهتگیریهای آینده به پایان میرسد.
روش شناسی
در این مطالعه تحقیقاتی کنونی، ما یک تحلیل کتابسنجی برای کشف کاربردهای پهپاد در کشاورزی انجام میدهیم. این رویکرد کمی ساختار فکری حوزه دانش (آرورا و چاکرابورتی، 2021) و وضعیت فعلی، موضوعات داغ و جهتگیریهای تحقیقاتی آتی را نشان میدهد که میتوان با استفاده از این روش بررسی کرد (کاپور و همکاران، 2018؛ میشرا و همکاران. , 2017; A. Rejeb, et al., 2021b., 2021; به طور کلی، یک تحلیل کتاب سنجی ادبیات موجود را برای خلاصه کردن و کشف الگوهای پنهان ارتباطات نوشتاری و تکامل رشته بر اساس آمار و روش های ریاضی بررسی می کند و برای مجموعه داده های بزرگ اعمال می شود (پریتچارد، 2020؛ اسمال، 1969؛ تاهای و ریگزبی). ، 1999). با استفاده از کتاب سنجی، ما آرزوی درک بهتر پارادایم ها و کانون های تحقیقاتی موجود را داریم که بر اساس شباهت به حوزه کمک می کنند (Thelwall، 1998). کتابسنجی بینشهای جدیدی را ارائه میکند که توسط قدرت کمی عینی روششناسی پشتیبانی میشود (کاسیلاس و آسدو، 2008). محققان متعددی قبلاً مطالعات کتابسنجی در حوزههای مرتبط، از جمله کشاورزی، سنجش از دور، و تحول دیجیتال انجام دادهاند (Armenta-Medina و همکاران، 2007؛ Bouzembrak و همکاران، 2020؛ A. Rejeb، Treiblmaier، و همکاران، 2019؛ Wamba. & Queiroz، 2021؛ وانگ و همکاران، 2021).
تحلیل استنادی
تحلیل استنادی بینش های مختلفی را در مورد یک زمینه تحقیقاتی مشخص نشان می دهد. اول از همه، به آشکار کردن تأثیرگذارترین نویسندگان و انتشاراتی که به یک زمینه تحقیقاتی خاص کمک می کنند و تأثیر قابل توجهی می گذارند، کمک می کند (Gundolf & Filser, 2013). ثانیاً، جریان دانش و پیوندهای ارتباطی بین نویسندگان را می توان کشف کرد. در نهایت، با ردیابی پیوند بین آثار استناد شده و استنادی، می توان تغییرات و تحولات یک حوزه دانش را در طول زمان کشف کرد (پورنادر
و همکاران، 2020). تعداد بالای استناد یک نشریه نشان دهنده ارتباط و مشارکت قابل توجه آن در حوزه تحقیق است (بالدی، 1998؛ گاندولف و فیلسر، 2013؛ مارینکو، 1998). تحلیل استنادی نشریات همچنین به شناسایی آثار مرتبط و پیگیری محبوبیت و پیشرفت آنها در طول زمان کمک می کند.
تحلیل هماستنادی سند
تحلیل هماستنادی روشی ارزشمند برای کشف روابط بین انتشارات و به تصویر کشیدن ساختار فکری یک حوزه است (Nerur et al., 2008). به عبارت دیگر، با شناسایی انتشارات پراستناد و ارتباطات آنها، این روش، نشریات را در خوشه های تحقیقاتی مجزا دسته بندی می کند که در آن انتشارات در یک خوشه به طور منظم ایده های مشابهی را به اشتراک می گذارند (مک کین، 1990؛ اسمال، 1973). ذکر این نکته ضروری است که شباهت به این معنا نیست که یافته های انتشارات هستند
منسجم و موافق با یکدیگر؛ انتشارات به دلیل شباهت موضوعی به یک خوشه تعلق دارند، اما می توانند دیدگاه های متناقضی داشته باشند.
جمع آوری و تجزیه و تحلیل داده ها
با پیروی از روش پیشنهادی وایت و گریفیث (1981)، ما جستجوی جامع مقالات مجلات را برای پوشش کل حوزه تحقیقاتی کاربردهای پهپادها در کشاورزی انجام دادیم و پنج مرحله زیر را دنبال کردیم:
- مرحله اول جمع آوری داده ها بود. اسکوپوس به عنوان یکی از جامع ترین و قابل اعتمادترین پایگاه های داده با نتایج استاندارد انتخاب شد. فراداده انتشارات مربوط به تمام کاربردهای پهپاد در کشاورزی بازیابی شد. سپس مقالات انتخاب شده را تجزیه و تحلیل کردیم و مقالات خارج از موضوع را از تحلیل حذف کردیم.
- ما ادبیات را تجزیه و تحلیل کردیم و مهمترین کلمات کلیدی مورد استفاده در حوزه تحقیق را شناسایی کردیم.
- با استفاده از تجزیه و تحلیل استناد، ما ارتباط بین نویسندگان و اسناد را بررسی کردیم تا الگوهای استنادی اساسی را آشکار کنیم. ما همچنین تأثیرگذارترین نویسندگان و انتشاراتی را که سهم قابل توجهی در زمینه پهپادهای کشاورزی داشتند، شناسایی کردیم.
- ما یک تحلیل هماستنادی برای گروهبندی نشریات مشابه در خوشهها انجام دادیم.
- در نهایت، ما ارتباطات و پیوندهای بین کشورها، مؤسسات و مجلات را تجزیه و تحلیل کردیم تا شبکه همکاری را به تصویر بکشیم.
شناسایی عبارات جستجوی مناسب
ما رشتههای جستجوی زیر را برای تجمیع دادهها اعمال کردیم: (پهپاد* یا "وسیله هوایی بدون سرنشین" یا uav* یا "سیستم هواپیمای بدون سرنشین"” یا uas یا «هواپیمای خلبانی از راه دور”) و (کشاورزی یا کشاورزی یا کشاورزی یا کشاورز). جستجو در سپتامبر 2021 انجام شد. پهپادها دارای چندین نام هستند، از جمله پهپاد، پهپاد، و هواپیماهای هدایت شونده از راه دور (ساه و همکاران، 2021). عبارات جستجوی خاص مرتبط با کشاورزی بر اساس مطالعه عبدالهی و همکاران شناسایی شدند. (2021). برای وضوح و شفافیت، پرس و جوی دقیقی که استفاده کردیم در ضمیمه 1 آورده شده است. پس از یک فرآیند پاکسازی داده، یک فایل متنی ایجاد کردیم که متعاقباً در BibExcel، ابزاری رایج برای تحلیل استناد و استناد مشترک، بارگذاری شد. این ابزار همچنین تعامل ساده ای با سایر نرم افزارها ارائه می دهد و درجه آزادی قابل توجهی در مدیریت و تجزیه و تحلیل داده ها ارائه می دهد. VOSviewer نسخه 1.6.16 برای تجسم یافته ها و ایجاد شبکه های کتاب سنجی استفاده شد (Eck & Waltman, 2009). VOSviewer طیف وسیعی از تجسم بصری را ارائه می دهد، به ویژه برای تجزیه و تحلیل نقشه های کتاب سنجی (Geng et al., 2020). علاوه بر این، به ارائه نتایج بصری ساده کمک می کند که به درک بهتر نتایج کمک می کند (عبداللهی و همکاران، 2021). با استفاده از رشته های جستجو همانطور که در بالا ذکر شد، همه نشریات مربوطه را جمع آوری و ذخیره کردیم. اولین نتایج جستجو در مجموع 5,085 سند به دست آمد. برای اطمینان از کیفیت نمونه انتخابی، تنها مقالات مجلات بررسی شده در پژوهش در نظر گرفته شد که در نتیجه انواع اسناد دیگر مانند کتاب، فصل، مجموعه مقالات کنفرانس و یادداشت های سرمقاله حذف شدند. در طی یک فرآیند غربالگری، نشریات نامربوط (یعنی خارج از محدوده این کار)، اضافی (یعنی موارد تکراری ناشی از نمایه سازی مضاعف) و غیر انگلیسی زبان فیلتر شدند. این فرآیند منجر به گنجاندن 4,700 سند در تحلیل نهایی شد.
یافته ها و بحث
برای شروع، ما تحولات در خروجی انتشار در ادبیات فعلی در مورد هواپیماهای بدون سرنشین کشاورزی را تحلیل کردیم. توزیع زمانی تحقیقات علمی در شکل 1 نشان داده شده است. ما شاهد افزایش سریع انتشارات از سال 2011 (30 نشریه) به بعد هستیم. بنابراین، تصمیم گرفتیم که دوره تحلیل را به دو مرحله مختلف تقسیم کنیم. ما به دوره بین 1990 و 2010 به عنوان مرحله ساخت اشاره می کنیم که تقریباً هفت مقاله سالانه منتشر می شد. دوره پس از 2010 مرحله رشد نامیده می شود زیرا تحقیقات در مورد کاربردهای پهپادها در کشاورزی شاهد افزایش نمایی در این دوره بود. پس از سال 2010، افزایش تعداد انتشارات، علاقه رو به رشد در میان محققان را تأیید می کند، که همچنین نشان می دهد که پهپادها برای سنجش از دور و در کشاورزی دقیق مورد استفاده قرار گرفته اند (Deng et al., 2018; Maes & Steppe, 2019; Messina & Modica, 2020). ). به طور خاص، تعداد انتشارات از 108 در سال 2013 به 498 در سال 2018 رسید و در سال 1,275 به 2020 مقاله رسید. در مجموع 935 مقاله بین ژانویه تا اواسط سپتامبر 2021 منتشر شد. پس از آن، ما تصمیم گرفتیم تحلیل خود را بیشتر بر مرحله رشد متمرکز کنیم. از آنجایی که این دوره منعکس کننده جدیدترین و مهم ترین ظرافت های پهپادهای کشاورزی است.
تجزیه و تحلیل کلمات کلیدی
کلمات کلیدی که نویسندگان برای انتشار انتخاب میکنند تأثیر مهمی بر نحوه نمایش مقاله و نحوه ارتباط آن در جوامع علمی دارند. آنها موضوعات کلیدی تحقیق را شناسایی می کنند و پتانسیل آن را برای شکوفایی یا شکست تعیین می کنند (دی و گاستل، 1998؛ کیم و همکاران، 2016؛ اودین و همکاران، 2015). تجزیه و تحلیل کلمات کلیدی، ابزاری برای آشکار کردن روندها و جهت گیری های تحقیقاتی گسترده تر، به گردآوری کلمات کلیدی همه انتشارات مرتبط در یک حوزه اشاره دارد (Dixit & Jakhar, 2021). در مطالعه حاضر، ما کلمات کلیدی را به دو مجموعه تقسیم کردیم (یعنی تا سال 2010 و 2011-2021) تا محبوب ترین موضوعات را بررسی کنیم. با انجام این کار، می توانیم کلمات کلیدی مهم را در هر دو مجموعه ردیابی کنیم و اطمینان حاصل کنیم که تمام داده های لازم را گرفته ایم. برای هر مجموعه، ده کلمه کلیدی برتر در جدول 3 ارائه شده است. ما با ادغام کلیدواژه های معنایی یکسان، مانند "پهپاد" و "پهپاد" یا، به طور مشابه، "اینترنت اشیا" و "IoT."، ناسازگاری ها را حذف کردیم.
جدول 3 نشان می دهد که "وسیله هوایی بدون سرنشین" در مقایسه با "پهپاد" و "سیستم هوایی بدون سرنشین" در هر دو دوره زمانی، کلمه کلیدی پرکاربردتری است. همچنین، « سنجش از دور»، «کشاورزی دقیق» و «کشاورزی» در هر دو دوره رتبه بالایی دارند. در دوره اول، "کشاورزی دقیق" در رتبه پنجم قرار گرفت و در دوره دوم در رتبه دوم قرار گرفت، که نشان می دهد چگونه پهپادها در دستیابی به کشاورزی دقیق اهمیت فزاینده ای پیدا می کنند زیرا می توانند نظارت کنند.
روشهای تشخیص و تخمین سریعتر، ارزانتر و آسانتر در مقایسه با سایر سیستمهای سنجش از دور و زمینی انجام میشوند. همچنین، آنها می توانند مقدار دقیق ورودی (مانند آب یا آفت کش ها) را در صورت نیاز اسپری کنند (Guo et al., 2020; Inoue, 2020; Panday, Pratihast, et al., 2020).
فهرست پرکاربردترین کلمات کلیدی
رتبه | 1990-2010 | شماره از ظهور | 2011-2021 | شماره از ظهور |
1 | هواپیمای بدون سرنشین وسیله نقلیه | 28 | بدون سرنشین وسیله نقلیه هوایی | 1628 |
2 | سنجش از دور | 7 | دقت کشاورزی | 489 |
3 | کشاورزی | 4 | سنجش از دور | 399 |
4 | هوا برد | 4 | وزوز | 374 |
5 | دقت کشاورزی | 4 | بدون سرنشین سیستم هوایی | 271 |
6 | هواپیمای بدون سرنشین | 4 | کشاورزی | 177 |
7 | فراطیفی حسی | 3 | یادگیری عمیق | 151 |
8 | عصبی مصنوعی شبکه | 2 | دستگاه یادگیری | 149 |
9 | پرواز خودمختار | 2 | زندگی گیاهی شاخص | 142 |
10 | قهوه | 2 | اینترنت از اشیاء | 124 |
یکی دیگر از ویژگی های جالب وجود فناوری های مکمل است. در مرحله اول، «حسگر فراطیفی» و «شبکههای عصبی مصنوعی» (ANN) جزو ده کلیدواژه برتر هستند. تصویربرداری فراطیفی با جمع آوری تعداد زیادی عکس در طول موج های مختلف، تصویربرداری سنتی را متحول کرد. با انجام این کار، حسگرها می توانند به طور همزمان اطلاعات فضایی و طیفی بهتری را در مقایسه با تصویربرداری چند طیفی، طیف سنجی و تصاویر RGB جمع آوری کنند (Adao ˜ et al.,
2017). وقوع «ANN» در مرحله اول و «یادگیری عمیق» (DL) و «یادگیری ماشینی» (ML) در مرحله دوم نشان میدهد که بیشتر آثار منتشر شده بر بررسی پتانسیل تکنیکهای هوش مصنوعی برای پهپادها متمرکز شدهاند. کشاورزی مبتنی بر اگرچه پهپادها قادر به پرواز مستقل هستند، اما همچنان به دخالت خلبان نیاز دارند که به معنای سطح پایینی از هوش دستگاه است. با این حال، این مشکل به دلیل پیشرفت تکنیکهای هوش مصنوعی قابل حل است که میتواند آگاهی موقعیتی بهتر و پشتیبانی تصمیمگیری مستقل را فراهم کند. پهپادهای مجهز به هوش مصنوعی می توانند از برخورد در حین ناوبری جلوگیری کنند، مدیریت خاک و محصول را بهبود بخشند (Inoue, 2020) و نیروی کار و استرس را برای انسان کاهش دهند (BK Sharma et al., 2019).
تکنیکهای هوش مصنوعی به دلیل انعطافپذیری و توانایی آنها در مدیریت حجم وسیعی از دادههای غیرخطی، روشهای مناسبی برای تجزیه و تحلیل دادههای ارسال شده توسط پهپادها و سایر سیستمهای سنجش از دور و زمینی برای پیشبینی و تصمیمگیری هستند (Ali et al., 2015; اینو، 2020). علاوه بر این، حضور «IoT» در دوره دوم نشاندهنده نقش نوظهور آن در کشاورزی است. اینترنت اشیا با به هم پیوستن فناوریهای دیگر، از جمله پهپادها، ML، DL، WSN و کلان داده، کشاورزی را متحول میکند. یکی از مزایای کلیدی پیادهسازی اینترنت اشیا، توانایی آن در ادغام کارآمد و مؤثر وظایف مختلف (اکتساب داده، تجزیه و تحلیل و پردازش دادهها، تصمیمگیری و پیادهسازی) در زمان واقعی است (الیجا و همکاران، 2018؛ فنگ و همکاران). ، 2019؛ Muangprathub و همکاران، 2019). علاوه بر این، هواپیماهای بدون سرنشین ابزارهای کارآمدی برای گرفتن داده های لازم برای محاسبه قدرت و ویژگی های پوشش گیاهی در نظر گرفته می شوند (Candiago et al., 2015). شکل 2a و 2b شبکه های همزمانی کلمه کلیدی را برای هر دو دوره زمانی نشان می دهد.
نویسندگان تاثیرگذار
در این بخش، نویسندگان تأثیرگذار را تعیین میکنیم و بررسی میکنیم که چگونه شبکههای استناد نویسنده میتوانند ادبیات جاری را تجسم و سازماندهی کنند. شکل 3 همپوشانی زمانی همه محققان با بیشترین تعداد استناد را نشان می دهد. مقیاس رنگ منعکس کننده تغییرات سالانه استنادهای نویسندگان است. ما ساختار استناد محققانی را که مطالعاتی را در مورد پهپادهای کشاورزی منتشر کردهاند، با استفاده از آستانه حداقل 50 استناد و XNUMX انتشار بررسی میکنیم. بیرون از
12,891 نویسنده، فقط 115 این شرایط را داشتند. جدول 4 ده نویسنده تاثیرگذار برتر را که بر اساس حداکثر تعداد استناد مرتب شده اند فهرست می کند. Lopez-Granados F. با 1,963 استناد در صدر فهرست قرار دارد و پس از آن Zarco-Tejada PJ با 1,909 استناد قرار دارد.
فهرست نویسندگان پراستناد
رتبه بندی | نویسنده | استناد |
1 | لوپز-گرانادوس اف. | 1,963 |
2 | Zarco-Tejada PJ | 1,909 |
3 | پنا ˜ JM | 1,644 |
4 | تورس-اس آنچز جی. | 1,576 |
5 | فررس ای | 1,339 |
6 | رموندینو اف | 1,235 |
7 | بولتن A | 1,160 |
8 | بارت جی | 1,155 |
9 | برنی جی | 1,132 |
10 | هوش مصنوعی د کاسترو | 1,036 |
وقتی صحبت از انتشارات فردی به میان میآید، مقاله ژانگ و کوواکس (2012) بیشترین استناد در مطالعه منتشر شده در Precision Agriculture بوده است. در اینجا، نویسندگان کاربرد UAS را در کشاورزی دقیق بررسی کردند. یافتههای تحقیق آنها نشان میدهد که برای ارائه محصولات نهایی قابل اعتماد به کشاورزان، نیاز به پیشبرد طراحی پلت فرم، تولید، استانداردسازی ارجاع جغرافیایی تصویر و گردش کار بازیابی اطلاعات وجود دارد. بهعلاوه، آنها مشارکت بیشتر کشاورز را بهویژه در برنامهریزی مزرعه، ضبط تصویر، و همچنین تفسیر و تحلیل دادهها توصیه میکنند. نکته مهم این است که این مطالعه از جمله اولین مطالعاتی بود که اهمیت پهپاد را در نقشه برداری مزرعه، نقشه برداری بنیه، اندازه گیری محتوای شیمیایی، پایش تنش گیاهی و ارزیابی اثرات کودها بر رشد گیاه نشان داد. چالشهای مرتبط با این فناوری همچنین شامل هزینههای گزاف، قابلیت حسگر، پایداری و قابلیت اطمینان پلتفرم، عدم استانداردسازی و رویههای سازگار برای تجزیه و تحلیل حجم عظیمی از دادهها است.
تحلیل استنادی
تجزیه و تحلیل استناد نشان دهنده مطالعه تأثیر مقالات است، هر چند مستعد جریان (به عنوان مثال، سوگیری استنادی، خود استنادی) یکی از ابزارهای استاندارد برای ارزیابی تأثیر در نظر گرفته می شود (Osareh, 1996; A. Rejeb et al., 2022; سارلی و همکاران، 2010). نقلقولها همچنین نشاندهنده اهمیت و حیاتی مشارکتهای مقالات در ادبیات موضوعی خاص است (R. Sharma et al., 2022). ما یک تحلیل استنادی برای تعیین تأثیرگذارترین مطالعات روی هواپیماهای بدون سرنشین کشاورزی انجام دادیم و مطالب را خلاصه کردیم. جدول 5 فهرستی از پانزده مقاله تاثیرگذار را برای دوره های 1990-2010 و 2011-2021 نشان می دهد. مقالات برنی و همکاران. (2009)b و آستین (2010) به ترتیب با 1990 و 2010 استناد در سالهای 831 و 498 بیشترین استناد را داشته اند. برنی و همکاران (2009)b پتانسیل توسعه محصولات سنجش از دور کمی را از طریق یک پهپاد مبتنی بر هلیکوپتر مجهز به سنسورهای تصویربرداری چندطیفی حرارتی و باند باریک مقرون به صرفه نشان داد. در مقایسه با سنسورهای هوابرد سرنشین دار سنتی، یک سیستم پهپاد ارزان قیمت برای کشاورزی می تواند به تخمین های قابل مقایسه ای از پارامترهای بیوفیزیکی محصولات دست یابد، اگر بهتر نباشد. هزینه مقرون به صرفه و انعطاف پذیری عملیاتی، در کنار رزولوشن های طیفی، مکانی و زمانی بالا که در یک زمان چرخش سریع در دسترس هستند، پهپادها را برای طیف وسیعی از کاربردهایی که نیاز به مدیریت بحرانی زمانی دارند، از جمله برنامه ریزی آبیاری و کشاورزی دقیق، مناسب می کند. مقاله برنی و همکاران. (2009)b بسیار مورد استناد قرار گرفته است زیرا به طور موثر یک پلت فرم بدون سرنشین بال چرخشی و حسگرهای دیجیتال و حرارتی را با مکانیسم های کالیبراسیون لازم برای کاربردهای کشاورزی یکپارچه می کند. دومین نشریه پر استناد، کتابی است که توسط آستین (2010) نوشته شده است، که پهپادها را از دیدگاه طراحی، توسعه و استقرار مورد بحث قرار داده است. در کشاورزی، پهپادها با تشخیص زودهنگام بیماری ها از طریق تغییر رنگ محصول، تسهیل کاشت و سمپاشی محصول، و نظارت و راندن گله ها، از نظارت بر محصول پشتیبانی می کنند.
مطالعات سالیوان و همکاران. (2007)، لوم و همکاران. (2008) و Gokto ¨ ǧan et al. (2010) فهرست پانزده مقاله برتر را به پایان رساند. این مقالات توسعه سیستم های مبتنی بر پهپاد برای حمایت از کشاورزی را نشان می دهد. آنها راه حل هایی را برای مشکلات مختلف، مانند نظارت و اسکن محصول، نظارت و مدیریت علف های هرز، و پشتیبانی تصمیم ارائه می دهند. آنها همچنین توانایی پهپاد برای افزایش کارایی نمونه برداری و کمک به کشاورزان در ابداع دقیق و موثر را پیشنهاد و بحث می کنند.
استراتژی های کاشت دو مقاله توسط برنی (Berni et al., 2009b; Berni et al., 2009 a) تالیف شد که بر تأثیر قابل توجه او بر تحقیقات مربوط به پهپادهای کشاورزی تأکید می کند. مقاله از Zarco-Tejada و همکاران. (2014) یکی از مطالعات پیشگام برای نشان دادن نیاز به استفاده از تصاویر پهپاد ارزان قیمت در تعیین کمیت ارتفاع درخت بوده است.
فهرست نشریات پر استناد.
رتبه | از 1990 به 2010 | از 2011 به 2021 | ||
سند | نقل قول | سند | نقل قول | |
1 | (برنی و همکاران، 2009b) | 831 | (سی. ژانگ و کواچ، 2012) | 967 |
2 | (آستین، 2010) | 498 | (نکس و ریموندینو، 2014) | 893 |
3 | (هانت و همکاران، 2010) | 331 | (فلورانو و چوب، 2015) | 552 |
4 | (SR Herwitz و همکاران، 2004) | 285 | (حسین مطلق و همکاران، 2016) | 391 |
5 | (CCD Lelong و همکاران، 2008) | 272 | (شخاتره و همکاران، 2019) | 383 |
6 | (برنی و همکاران، 2009b) | 250 | (ما و همکاران، 2017) | 373 |
7 | (گرنزدورف ¨ و همکاران، 2008) | 198 | (بندیگ و همکاران، 2014) | 360 |
8 | (هرابار و همکاران، 2005) | 175 | (زارکو-تجادا و همکاران، 2014) | 347 |
9 | (ی. هوانگ و همکاران، 2009) | 129 | (آگهی ao و همکاران، 2017) | 335 |
10 | (اشمال III و همکاران، 2008) | 119 | (هونکاوارا و همکاران، 2013a) | 331 |
11 | (عبد الرحمن و دیگران، 2005) | 79 | (کاندیاگو و همکاران، 2015) | 327 |
12 | (Techy و همکاران، 2010) | 69 | (Xiang & Tian، 2011) | 307 |
13 | (سالیوان و همکاران، 2007) | 51 | (Matese و همکاران، 2015) | 303 |
14 | (لوم و همکاران، 2008) | 42 | (گاگو و همکاران، 2015) | 275 |
15 | (Gokto ¨ ǧan و همکاران، 2010) | 40 | (Aasen et al., 2015a) | 269 |
در دوره دوم (2011-2021)، تحقیقات Zhang و Kovacs (2012) و Nex و Remondino (2014) منجر به انتشارات پر استناد شد. Zhang و Kovacs (2012) استدلال میکنند که کشاورزی دقیق میتواند از پیادهسازی تکنیکها و حسگرهای جغرافیایی، مانند سیستمهای اطلاعات جغرافیایی، GPS و سنجش از دور، برای ثبت تغییرات در زمینه و مدیریت آنها با استفاده از استراتژیهای جایگزین سود ببرد. به عنوان تغییر دهنده بازی در کشاورزی دقیق، استفاده از هواپیماهای بدون سرنشین نوید عصر جدیدی در سنجش از دور، سادهسازی مشاهدات هوایی، گرفتن دادههای رشد محصول، شرایط خاک و مناطق سمپاشی شده است. بررسی Zhang و Kovacs (2012) بسیار مهم است زیرا با آشکار کردن کاربردها و چالشهای موجود این دستگاهها در نظارت بر محیط زیست و کشاورزی دقیق، مانند محدودیتهای پلت فرم و دوربین، چالشهای پردازش دادهها، مشارکت کشاورزان، و مقررات هوانوردی، بینشهایی در مورد پهپادها ارائه میکند. . دومین
بیشترین استناد از Nex و Remondino (2014) وضعیت هنر پهپادها را برای گرفتن، پردازش و تجزیه و تحلیل تصاویر زمین بررسی کرد.
کار آنها همچنین مروری بر چندین پلتفرم، برنامهها و موارد استفاده پهپاد ارائه میکند که جدیدترین پیشرفتها در پردازش تصویر پهپاد را به نمایش میگذارد. در کشاورزی، کشاورزان می توانند از پهپادها برای اتخاذ تصمیمات موثر برای دستیابی به صرفه جویی در هزینه و زمان، دریافت ثبت سریع و دقیق خسارت ها و پیش بینی مشکلات احتمالی استفاده کنند. برخلاف سکوهای هوایی معمولی، پهپادها میتوانند هزینههای عملیاتی را کاهش داده و خطر دسترسی در مکانهای سخت را کاهش دهند و در عین حال پتانسیل دقت بالایی را حفظ کنند. مقاله آنها مزایای مختلف پهپادها را به ویژه از نظر دقت و وضوح خلاصه می کند.
در میان سیزده نشریه باقیمانده بین سالهای 2011 تا 2021، ما متوجه تمرکز بیشتری بر روی تحقیقات مرتبط با برنامههای پهپاد در ماموریتهای تصویربرداری شدیم (Bendig et al., 2014; Ma et al., 2017; Zarco-Tejada et al., 2014). کشاورزی دقیق (Candiago et al., 2015; Honkavaara et al., 2013a)، کشت انگور دقیق (Matese et al., 2015)، ارزیابی تنش آبی (Gago et al., 2015) و پایش پوشش گیاهی (Aasen et al. ، 2015 a). در سال های اولیه، محققان تمرکز کردند
بیشتر در مورد توسعه سیستم های کم هزینه، سبک و دقیق مبتنی بر پهپاد برای کشاورزی؛ تحقیقات اخیر بیشتر بر بررسی کاربردهای پهپاد برای کشاورزی و نقشه برداری میدانی متمرکز شده است. به طور خلاصه، این تجزیه و تحلیل نشان میدهد که نشریات تأثیرگذار بیشتر بررسیهای مطالعات قبلی را برای ارزیابی وضعیت علمی و فناوری فعلی پهپادها و سیستمهای پهپاد توسعهیافته برای حمایت از کشاورزی دقیق ارائه کردهاند. جالب است که ما مطالعاتی که تجربی را به کار گرفته باشد، پیدا نکردیم
روش شناسی یا مطالعات موردی توصیفی، که شکاف دانشی قابل توجهی را تشکیل می دهد و نیاز به تحقیقات بیشتر در مورد این موضوع دارد.
تحلیل هم استنادی
به گفته Gmür (2006)، تحلیل هماستنادی، انتشارات مشابه را شناسایی و آنها را خوشهبندی میکند. بررسی دقیق یک خوشه می تواند زمینه تحقیقاتی مشترکی را در میان نشریات نشان دهد. ما استناد مشترک ادبیات مربوط به هواپیماهای بدون سرنشین کشاورزی را بررسی میکنیم تا زمینههای موضوعی مرتبط را نشان دهیم و الگوهای فکری انتشارات را شناسایی کنیم. در این راستا، اسمال (1973) استفاده از تحلیل همبستگی را برای مطالعه تأثیرگذارترین و مهم ترین تحقیقات توصیه کرد.
در یک رشته برای محدود کردن مجموعه به مهمترین مقالات (گویال و کومار، 2021)، یک آستانه استناد مشترک 25 تعیین کردیم، به این معنی که دو مقاله باید با هم در فهرستهای مرجع 25 یا بیشتر انتشارات مختلف ذکر شده باشند. خوشهبندی نیز با حداقل اندازه خوشه 1 و بدون هیچ روشی برای ادغام خوشههای کوچکتر با خوشههای بزرگتر انجام شد. در نتیجه، شش خوشه بر اساس شباهت مطالعات و ساختار فکری آنها ایجاد شد. جدول 6 توزیع نشریات را در هر خوشه نشان می دهد.
خوشه 1: این خوشه شامل هجده سند است که پس از انتشار منتشر شده است. انتشارات این خوشه در مورد نقش هواپیماهای بدون سرنشین در حمایت از نظارت بر محیط زیست، مدیریت محصول و مدیریت علف های هرز بحث می کنند. برای مثال، مانفردا و همکاران. (2018) یک نمای کلی از تحقیقات و پیاده سازی های فعلی پهپاد در نظارت بر اکوسیستم کشاورزی طبیعی ارائه می دهد و استدلال می کند که این فناوری پتانسیل فوق العاده ای برای افزایش چشمگیر نظارت بر محیط زیست و کاهش
شکاف موجود بین مشاهدات میدانی و سنجش از دور معمولی هوا و فضا. این را می توان با ارائه ظرفیت جدید برای بهبود بازیابی زمانی و بینش مکانی در مناطق بزرگ به روشی مقرون به صرفه انجام داد. پهپادها میتوانند دائماً محیط را حس کنند و دادههای حاصل را به نهادهای هوشمند، متمرکز/غیرمتمرکز که حسگرها را برای شناسایی مشکلات احتمالی، مانند فقدان بیماری یا تشخیص آب، کنترل میکنند، ارسال کنند (پادوآ و همکاران، 2017). آدائو و همکاران (2017) فرض می کند که پهپادها برای ارزیابی شرایط گیاهان با گرفتن حجم وسیعی از داده های خام مربوط به وضعیت آب، تخمین زیست توده و ارزیابی بنیه ایده آل هستند. حسگرهای نصب شده بر روی پهپاد همچنین می توانند به سرعت در شرایط محیطی مناسب مستقر شوند تا امکان ضبط به موقع داده های سنجش از راه دور را فراهم کنند (فون بورن و همکاران، 2015). با استفاده از پهپاد، کشاورزان می توانند با اندازه گیری عملاً از هر مکانی در فضای سه بعدی محیط های کشاورزی داخلی (به عنوان مثال، گلخانه ها)، فعالیت های کشاورزی داخلی را انجام دهند، در نتیجه از کنترل آب و هوای محلی و نظارت بر گیاهان اطمینان حاصل می کنند (رولدان و همکاران .، 2015). در زمینه دقت
کشاورزی، تصمیمات مدیریت محصول مستلزم داده های دقیق و قابل اعتماد محصول با وضوح زمانی و مکانی مناسب است (Gebbers & Adamchuk، 2010؛ Gevaert و همکاران، 2015؛ Maes & Steppe، 2019). به همین دلیل، Agüera Vega و همکاران. (2015) از یک سیستم حسگر چند طیفی نصب شده بر روی پهپاد برای به دست آوردن تصاویری از یک محصول آفتابگردان در طول فصل رشد استفاده کرد. به طور مشابه، هوانگ و همکاران. (2009) توجه داشته باشید که سنجش از دور بر اساس پهپادها می تواند اندازه گیری محصولات و خاک را از داده های طیفی جمع آوری شده تسهیل کند. ورگر و همکاران (2014) تکنیکی را برای تخمین شاخص منطقه سبز (GAI) از اندازهگیریهای بازتاب پهپاد در کاربردهای کشاورزی دقیق، با تمرکز بر محصولات گندم و کلزا، توسعه و آزمایش کرد. بنابراین، هواپیماهای بدون سرنشین امکانات جدیدی را برای بازیابی اطلاعات وضعیت محصول با بازدیدهای مکرر و وضوح فضایی بالا فراهم میکنند (دونگ و همکاران، 2019؛ گارزونیو و همکاران، 2017؛ اچ ژنگ و همکاران، 2016).
خوشه بندی نشریات تاثیرگذار در پهپادهای کشاورزی.
خوشه | موضوع گسترده | منابع |
1 | پایش محیط زیست، محصول مدیریت، مدیریت علف های هرز | (آگهی ao و همکاران، 2017; آگوئرا وگا و همکاران، 2015; د کاسترو و همکاران، 2018; گومز-کاند در و همکاران، 2014; YB هوانگ و همکاران، 2013; خانال و همکاران، 2017; لوپز-گرانادوس، ´ 2011; مانفردا و همکاران، 2018; پ adua و همکاران، 2017; پنا ˜ و همکاران، 2013; پرز-اورتیز و همکاران، 2015; راسموسن و همکاران، 2013، 2016; تورس-اس آنچز و همکاران، 2014; تورس سانچز، لوپز گرانادوس، و پنا، ˜ 2015; ورگر و همکاران، 2014; فون بوئرن و همکاران، 2015; سی. ژانگ و کواچ، 2012) |
2 | فنوتیپ از راه دور، عملکرد تخمین، مدل سطح محصول، شمارش گیاهان | (بندیگ و همکاران، 2013، 2014؛ گایپل و همکاران، 2014; گنادینگر ¨ و اشمیدهالتر، 2017; حقیقت طلب و همکاران، 2016; هولمن و همکاران، 2016; جین و همکاران، 2017; W. Li et al., 2016; Maimaitijiang و همکاران، 2017; سنکران و همکاران، 2015; Schirrmann و همکاران، 2016; شی و همکاران، 2016; یو و همکاران، 2017; ایکس. ژو و همکاران، 2017) |
3 | تصویربرداری حرارتی برای آب، تصویربرداری چند طیفی | (بالوجا و همکاران، 2012؛ برنی و همکاران، 2009b; برنی و همکاران، 2009a; کاندیاگو و همکاران، 2015; گاگو و همکاران، 2015; Gonzalez-Dugo et al., 2013, 2014; Grenzdorffer ¨ et al., 2008; خالق و همکاران، 2019; Matese و همکاران، 2015; Ribeiro-Gomes و همکاران، 2017; Santesteban و همکاران، 2017; یوتو و همکاران، 2013) |
4 | تصویربرداری هایپرسکتال، طیفی تصویربرداری | (Aasen et al., 2015a; Bareth et al., 2015; هاکالا و همکاران، 2013; Honkavaara et al., 2013a; لوسیر و همکاران، 2014; ساری و همکاران، 2011; Suomalainen و همکاران، 2014) |
5 | برنامه های 3D-Mapping | (Jim'enez-Brenes et al., 2017; Nex & Remondino، 2014; سلامی و همکاران، 2014; تورس-اس آنچز، لوپز- ´ گرانادوس، سرانو و همکاران، 2015; زهاوی و همکاران، 2015; زارکو-تجادا و غیره، 2014) |
6 | نظارت بر کشاورزی | (SR Herwitz و همکاران، 2004؛ هانت و همکاران، 2010; CCD Lelong و همکاران، 2008; Primicerio و همکاران، 2012; شیانگ و تیان، 2011) |
علاوه بر این، پهپادها برای کارهای چالش برانگیز در کشاورزی از جمله نقشه برداری علف های هرز مفید هستند. تصاویر گرفته شده توسط دستگاه ها سودمندی خود را برای تشخیص زودهنگام علف های هرز در مزارع ثابت کرده اند (د کاسترو و همکاران، 2018؛ جیمنز-برنز و همکاران، 2017؛ لام و همکاران، 2021؛ لوپز-گرانادوس و همکاران، 2016; روزنبرگ و همکاران، 2021). در این رابطه دی کاسترو و همکاران. (2018) فرض میکند که ادغام تصاویر پهپاد و تجزیه و تحلیل تصویر مبتنی بر شی (OBIA) به پزشکان این امکان را میدهد که بر مسئله تشخیص زودهنگام خودکار در محصولات مرتع اولیه فصل غلبه کنند، که گام بزرگی در تحقیقات علفهای هرز است. به همین ترتیب، Pena ˜ et al. (2013) اشاره می کند که استفاده از تصاویر با وضوح بسیار بالا از پهپاد در ارتباط با روش OBIA امکان تولید نقشه های علف های هرز در محصولات اولیه ذرت را فراهم می کند که می تواند در برنامه ریزی اجرای اقدامات کنترل علف های هرز در فصل استفاده شود. کاری فراتر از توانایی تصاویر ماهواره ای و سنتی هوابرد. در مقایسه با طبقهبندی تصویر یا الگوریتمهای تشخیص اشیا، تکنیکهای تقسیمبندی معنایی در کارهای نقشهبرداری علفهای هرز مؤثرتر هستند (J. Deng et al., 2020)، بنابراین کشاورزان را قادر میسازد تا شرایط مزرعه را شناسایی کنند، تلفات را کاهش دهند و عملکرد را در طول فصل رشد بهبود بخشند (رامش). و همکاران، 2020). تقسیمبندی معنایی مبتنی بر یادگیری عمیق همچنین میتواند اندازهگیری دقیق پوشش گیاهی را از تصاویر هوایی با وضوح بالا ارائه دهد (رامش و همکاران، 2020؛ A. Zheng و همکاران، 2022). با وجود پتانسیل آنها برای از راه دور
طبقهبندی پیکسلهای سنجش، تکنیکهای تقسیمبندی معنایی به محاسبات قابل توجه و حافظه GPU بسیار بالا نیاز دارند (J. Deng et al., 2020).
P´erez-Ortiz و همکاران بر اساس یادگیری ماشین و پهپاد. (2015) یک رویکرد نقشه برداری علف های هرز را برای ارائه استراتژی های کنترل علف های هرز خاص در زمانی که کشاورزان کنترل علف های هرز زود هنگام پس از سبز شدن را اتخاذ می کنند، پیشنهاد کردند. در نهایت راسموسن و همکاران. (2013) تاکید کرد که پهپادها حسگر ارزان قیمت را با انعطاف پذیری تفکیک فضایی عالی ارائه می دهند. به طور کلی، نشریات این خوشه بر کاوش پتانسیل پهپادها برای پشتیبانی از سنجش از راه دور، پایش محصول و نقشه برداری علف های هرز تمرکز دارند. تحقیقات عمیق بیشتری برای بررسی بیشتر اینکه چگونه کاربردهای پهپادها در پایش محیطی، مدیریت محصول و نقشه برداری علف های هرز می تواند به کشاورزی پایدارتر دست یابد، مورد نیاز است (Chamuah & Singh, 2019; Islam et al., 2021; Popescu et al., 2020; J. سو، لیو، و همکاران، 2018) و به مسائل حاکمیتی این فناوری در کاربردهای بیمه محصولات کشاورزی می پردازند (Basnet & Bang, 2018؛ Chamuah & Singh, 2019, 2022؛ Meinen & Robinson, 2021). محققان باید روی اعتبارسنجی اندازهگیریهای جمعآوریشده پهپاد با تکنیکهای پردازش کارآمد تمرکز کنند تا کیفیت نهایی دادههای پردازش شده را افزایش دهند (مانفردا و همکاران، 2018). علاوه بر این، توسعه الگوریتمهای مناسب برای شناسایی پیکسلهایی که علفهای هرز را در تصاویر دیجیتالی نمایش میدهند و پسزمینه نامربوط را در طول نقشهبرداری علفهای هرز از بین میبرند، مورد نیاز است (Gaˇsparovi´c et al., 2020; Hamylton et al., 2020; H. Huang et al. ، 2018، 2020؛ Lopez-' Granados et al., 2016). تحقیقات اضافی در مورد پذیرش تکنیکهای تقسیمبندی معنایی در شناسایی گیاهان، طبقهبندی برگها و نقشهبرداری بیماری مورد استقبال قرار میگیرد (Fuentes-Pacheco et al., 2019؛ Kerkech et al., 2020).
خوشه 2. انتشارات این خوشه بر چندین جنبه از هواپیماهای بدون سرنشین کشاورزی متمرکز شده است. مربوط به فنوتیپ از راه دور، Sankaran et al. (2015) پتانسیل استفاده از تصویربرداری هوایی با وضوح بالا و ارتفاع کم با پهپادها را برای فنوتیپ سریع محصولات در مزرعه بررسی کردند و آنها استدلال کردند که در مقایسه با سکوهای سنجش زمینی، پهپادهای کوچک با حسگرهای کافی چندین مزیت را ارائه می دهند. مانند دسترسی آسان تر به میدان، داده های با وضوح بالا، جمع آوری کارآمد داده ها،
ارزیابی سریع شرایط رشد مزرعه و هزینه های عملیاتی کم. با این حال، نویسندگان همچنین خاطرنشان میکنند که کاربرد مؤثر پهپاد برای فنوتیپ میدانی به دو عنصر اساسی، یعنی ویژگیهای پهپاد (مانند ایمنی، پایداری، موقعیتیابی، استقلال) و ویژگیهای حسگر (مانند وضوح، وزن، طولموجهای طیفی، میدان) متکی است. از دید). حقیقت طلب و همکاران. (2016) یک خط لوله پردازش تصویر نیمه خودکار را برای بازیابی داده های سطح نمودار از تصاویر پهپاد و تسریع روند تولید پیشنهاد کرد. هولمن و همکاران (2016) بالا بود
سیستم فنوتیپ میدان توان عملیاتی و تاکید کرد که پهپاد قادر به جمعآوری دادههای فنوتیپی با کیفیت، حجیم و میدانی است و این دستگاه برای مناطق بزرگ و در مکانهای مختلف میدان مؤثر است.
از آنجایی که تخمین بازده یک قطعه اطلاعات فوقالعاده حیاتی است، بهویژه زمانی که به موقع در دسترس هستند، پهپادها میتوانند تمام اندازهگیریهای میدانی را ارائه کنند و دادههای باکیفیت را به طور کارآمد به دست آورند (Daakir et al., 2017; Demir et al., 2018). انسیسو و همکاران، 2019؛ پودلکو و همکاران در این رابطه جین و همکاران. (2018) از تصاویر با وضوح بالا به دست آمده توسط پهپادها در ارتفاعات بسیار پایین برای توسعه و ارزیابی روشی برای تخمین تراکم بوته گندم در مرحله ظهور استفاده کرد. به گفته نویسندگان، پهپادها بر محدودیتهای سیستمهای مریخ نورد مجهز به دوربین غلبه میکنند و یک روش غیرتهاجمی برای تخمین تراکم گیاه در محصولات را نشان میدهند و به کشاورزان این امکان را میدهند تا به توان بالای لازم برای فنوتیپسازی مزرعه مستقل از قابلیت تردد خاک دست یابند. لی و همکاران (2012) صدها تصویر استریو را با وضوح بسیار بالا با استفاده از یک سیستم مبتنی بر پهپاد برای تخمین پارامترهای ذرت، از جمله ارتفاع تاج پوشش و زیست توده بالای زمین، جمع آوری کرد. در نهایت، یو و همکاران. (2017) دریافتند که ارتفاع محصول تعیین شده از پهپادها می تواند تخمین زیست توده بالای زمین (AGB) را افزایش دهد.
یک رویکرد برای نظارت بر رشد محصول، ایده توسعه مدلهای سطح محصول است (بندیگ و همکاران، 2014، 2015؛ هولمن و همکاران، 2016؛ پاندی، شرستا، و همکاران، 2020؛ سامش و همکاران، 2021). مطالعات متعددی امکان سنجی تصاویر گرفته شده از پهپاد برای ثبت ارتفاع گیاهان و نظارت بر رشد آنها را برجسته کرده است. به عنوان مثال، Bendig و همکاران. (2013) توسعه مدلهای سطح محصول چند زمانی را با وضوح بسیار بالا کمتر از 0.05 متر با استفاده از پهپاد توصیف کرد. هدف آنها شناسایی محصول بود
تنوع رشد و وابستگی آن به تیمار محصول، رقم و تنش بندیگ و همکاران (2014) از پهپادها برای تخمین بیومس تازه و خشک بر اساس ارتفاع گیاه استخراج شده از مدلهای سطح محصول استفاده کردند و دریافتند که برخلاف سکوهای هوا و اسکن لیزری زمینی، تصاویر با وضوح بالا از پهپادها میتوانند دقت مدلسازی ارتفاع گیاه را برای رشد مختلف به طور قابل توجهی افزایش دهند. مراحل در همین راستا، گایپل و همکاران. (2014) از پهپادها در تحقیقات خود برای به دست آوردن تصاویر استفاده کردند
مجموعه دادهها برای پیشبینی عملکرد دانه ذرت در سه مرحله رشد مختلف از اوایل تا اواسط فصل و به این نتیجه رسیدند که ترکیب مدلسازی طیفی و فضایی بر اساس تصاویر هوایی و مدلهای سطح محصول، روش مناسبی برای پیشبینی عملکرد ذرت در اواسط فصل است. در نهایت، Gnadinger ¨ و Schmidhalter (2017) کاربرد پهپاد در فنوتیپ سازی دقیق را بررسی کردند و تأکید کردند که استفاده از این فناوری می تواند مدیریت مزرعه را بهبود بخشد و آزمایش مزرعه را برای اهداف اصلاحی و زراعی امکان پذیر کند. به طور کلی، مشاهده می کنیم که انتشارات در خوشه 2 بر مزایای اصلی پهپادها در راه دور تمرکز دارند.
فنوتیپ، تخمین عملکرد، مدلسازی سطح محصول و شمارش گیاه. مطالعات آینده می تواند با توسعه روش های جدید برای فنوتیپ از راه دور که می تواند پردازش داده های سنجش از دور را خودکار و بهینه کند عمیق تر کند (باراباسچی و همکاران، 2016؛ لیبیش و همکاران، 2015؛ موچیدا و همکاران، 2015؛ اس. ژو و همکاران .، 2021). علاوه بر این، عملکرد حسگرهای اینترنت اشیاء نصب شده بر روی پهپادها و مبادله بین هزینهها، نیروی کار و دقت تخمین بازده باید در
آینده (Ju & Son, 2018a, 2018b؛ Xie & Yang, 2020؛ Yue et al., 2018). در نهایت، نیاز به توسعه روشهای کارآمد پردازش تصویر وجود دارد که بتواند اطلاعات قابل اعتماد تولید کند، کارایی را در تولید کشاورزی به حداکثر برساند و کار شمارش دستی کشاورزان را به حداقل برساند (RU Khan و همکاران، 2021؛ Koh et al., 2021؛ Lin. و گوو، 2020؛ سی. ژانگ و همکاران، 2020).
خوشه 3. انتشارات این خوشه انواع مختلف سیستم های تصویربرداری برای سنجش از راه دور منابع کشاورزی مورد استفاده در سکوهای پهپاد را مورد بحث قرار می دهند. در این راستا، تصویربرداری حرارتی امکان نظارت بر دمای سطح را برای جلوگیری از آسیب به محصول و تشخیص زودهنگام تنش خشکی فراهم می کند (Awais et al., 2022; García-Tejero et al., 2018; Sankaran et al., 2015; Santesteban et al., 2017; Yeom، 2021). بالوجا و همکاران (2012) اظهار داشت که استفاده از دوربین های چندطیفی و حرارتی روی
پهپاد محققان را قادر ساخت تا تصاویری با وضوح بالا به دست آورند و وضعیت آب تاک را ارزیابی کنند. این می تواند برای توسعه مدل های جدید برنامه ریزی آب با استفاده از داده های سنجش از دور مفید باشد (Baluja et al., 2012). به دلیل
ظرفیت بار محدود پهپادها، Ribeiro-Gomes و همکاران. (2017) ادغام دوربینهای حرارتی خنکنشده در پهپادها را برای تعیین تنش آبی در نیروگاهها در نظر گرفت که این نوع پهپادها را نسبت به سنجش از دور مبتنی بر ماهوارهای سنتی و پهپادهای مجهز به دوربینهای حرارتی خنکشده کارآمدتر و قابل دوامتر میکند. به گفته نویسندگان، دوربینهای حرارتی خنکنشده سبکتر از دوربینهای خنکشده هستند و به کالیبراسیون مناسب نیاز دارند. گونزالس-دوگو و همکاران. (2014) نشان داد که تصاویر حرارتی به طور موثر نقشههای فضایی شاخصهای تنش آبی محصول را برای ارزیابی وضعیت آب و کمی کردن تنش آبی در میان و درون باغهای مرکبات تولید میکند. گونزالس-دوگو و همکاران. (2013) و Santesteban و همکاران. (2017) استفاده از تصاویر حرارتی پهپاد با وضوح بالا را برای تخمین تغییر وضعیت آب یک باغ تجاری و یک تاکستان بررسی کرد.
تصویربرداری چند طیفی می تواند داده های عظیمی را در مقایسه با تصاویر سنتی RGB (قرمز، سبز و آبی) ارائه دهد (Ad˜ ao et al., 2017؛ Navia et al., 2016). این دادههای طیفی، همراه با دادههای مکانی، میتوانند به اهداف طبقهبندی، نقشهبرداری، پیشبینی، پیشبینی و تشخیص کمک کنند (Berni et al., 2009b). با توجه به Candiago و همکاران. (2015)، تصویربرداری چندطیفی مبتنی بر پهپاد میتواند بهعنوان یک منبع قابل اعتماد و کارآمد به ارزیابی محصول و کشاورزی دقیق کمک کند. همچنین،
خلیق و همکاران (2019) مقایسه ای بین تصویربرداری چند طیفی مبتنی بر ماهواره و پهپاد انجام داد. تصاویر مبتنی بر پهپاد منجر به دقیقتر شدن در توصیف تنوع تاکستان و همچنین نقشههای قدرت برای نشان دادن سایبانهای محصول شد. به طور خلاصه، مقالات این خوشه در مورد ادغام حسگرهای تصویربرداری حرارتی و چندطیفی در پهپادهای کشاورزی بحث می کنند. بر این اساس، تحقیقات بیشتری برای درک چگونگی ادغام تصویربرداری حرارتی و چندطیفی با هوش مصنوعی مورد نیاز است
تکنیکها (مانند یادگیری عمیق) برای تشخیص تنش گیاهی (Ampatzidis و همکاران، 2020؛ Ampatzidis و Partel، 2019؛ Jung و همکاران، 2021؛ Santesteban و همکاران، 2017؛ سیدا و همکاران، 2021). چنین بینش هایی به اطمینان از تشخیص کارآمدتر و دقیق تر و همچنین نظارت بر رشد، تنش و فنولوژی گیاه کمک می کند (Buters et al., 2019; Cao et al., 2020; Neupane & BaysalGurel, 2021; L. Zhou et al., 2020).
خوشه 4. این خوشه شامل هفت مقاله است که حول نقش حیاتی تصویربرداری طیفی و تصویربرداری فراطیفی در حمایت از شیوه های کشاورزی می چرخد. تصویربرداری فراطیفی خود را به عنوان یک روش سنجش از دور تثبیت کرده است که ارزیابی کمی از سیستم زمین را امکان پذیر می کند (Schaepman et al., 2009). به بیان دقیق تر، شناسایی مواد سطحی، کمی سازی غلظت (نسبی) و تخصیص نسبت اجزای سطح
در پیکسل های مختلط (Kirsch et al., 2018; Zhao et al., 2022). به عبارت دیگر، وضوح طیفی بالاتر ارائه شده توسط سیستم های ابرطیفی، تخمین دقیق تری از پارامترهای مختلف، مانند خواص گیاهخواری یا محتوای آب برگ را ممکن می سازد (Suomalainen et al., 2014). محققان در این خوشه جنبه های مختلف چنین سیستم هایی را بررسی کردند. از جمله، Aasen et al. (2015b) یک رویکرد منحصر به فرد برای استخراج اطلاعات ابرطیفی سه بعدی از سبک وزن ارائه کرد.
دوربین های عکس فوری مورد استفاده در پهپادها برای نظارت بر پوشش گیاهی. لوسییر و همکاران (2014) در مورد طراحی، توسعه و عملیات هوایی یک UAS ابرطیفی جدید و همچنین کالیبراسیون، تجزیه و تحلیل و تفسیر داده های تصویری جمع آوری شده با آن بحث کرد. در نهایت، هونکاوارا و همکاران. (2013b) یک رویکرد پردازش جامع برای تصاویر طیفی مبتنی بر تداخل سنج FabryPero ایجاد کرد و استفاده از آن را در یک روش تخمین زیست توده برای کشاورزی دقیق نشان داد. مسیرهای بالقوه آینده برای این خوشه فعلی شامل تأکید بر نیاز به بهبودهای فنی در فناوری های حسگر (Aasen et al., 2015b) و همچنین نیاز به ترکیب و تقویت فناوری های مکمل، به ویژه داده های بزرگ و تجزیه و تحلیل است (Ang & Seng, 2021; Radoglou -Grammatikis et al., 2020; Shakoor et al., 2019). مورد دوم عمدتاً از دادههای رو به رشد تولید شده توسط حسگرهای مختلف در کشاورزی هوشمند ناشی میشود (C. Li & Niu، 2020؛ A. Rejeb و همکاران، 2022؛ Y. Su & Wang، 2021).
خوشه 5. نشریات در این خوشه برنامه های 3Dmapping مبتنی بر هواپیماهای بدون سرنشین را بررسی کردند. استفاده از هواپیماهای بدون سرنشین برای نقشه برداری سه بعدی می تواند کار میدانی پیچیده را کاهش دهد و کارایی را به طور قابل ملاحظه ای افزایش دهد (تورس-سانچز و همکاران، 3). پنج مقاله در این خوشه عمدتاً بر برنامه های نظارت بر گیاهان متمرکز بودند. به عنوان مثال، برای به دست آوردن داده های سه بعدی در مورد مساحت تاج، ارتفاع درخت، و حجم تاج، تورس-سانچز و همکاران. (2015) از فناوری پهپاد برای تولید مدلهای سطح دیجیتال و سپس رویکردهای تحلیل تصویر مبتنی بر شی (OBIA) استفاده کرد. علاوه بر این، زارکو-تجادا و همکاران. (2015) ارتفاع درخت را با ادغام فناوری پهپاد و روش های بازسازی عکس سه بعدی اندازه گیری کرد. Jim'enez-Brenes Lopez-Granados، 'De Castro, et al. (2014) با ادغام فناوری پهپاد با متدولوژی پیشرفته OBIA، فرآیند جدیدی را برای نظارت چند زمانی و سه بعدی بر ده ها درخت زیتون نشان داد. مسیرهای جالب برای کارهای آینده در این خوشه شامل بهبود جریان است
روششناسی (Zarco-Tejada و همکاران، 2014) برای اهداف مدلسازی سطح دیجیتال (Ajayi و همکاران، 2017؛ Jaud و همکاران، 2016)، مانند OBIA (de Castro et al., 2018، 2020؛ Ventura et al. ، 2018)، و بازسازی عکس یا توسعه روش های جدید (دیاز-وارلا و همکاران، 2015؛ Torres-S´ anchez و همکاران، 2015).
خوشه 6. این خوشه نقش هواپیماهای بدون سرنشین در نظارت کشاورزی را مورد بحث قرار می دهد. پهپادها می توانند کاستی های تصویربرداری ماهواره ای و هواپیما را تکمیل و برطرف کنند. به عنوان مثال، آنها می توانند تصویربرداری نزدیک به زمان واقعی را با وضوح بالا و با سوخت کمتر یا چالش های خلبانی ارائه دهند، که منجر به نظارت مداوم و بلادرنگ و بهبود در تصمیم گیری می شود (S. Herwitz et al., 2004). یکی دیگر از سهمهای کلیدی پهپادها، توانایی آنها در ارائه دادههای مربوط به مکان برای کشاورزی دقیق یا کشاورزی خاص مکان است، زیرا وضوح بالا، دادههای دقیق در مورد پارامترهای مختلف، کشاورزان را قادر میسازد زمین را به بخشهای همگن تقسیم کرده و بر اساس آن رفتار کنند (Hunt et al. , 2010 ; CC Lelong et al., 2008 ; چنین نظارت کشاورزی مبتنی بر پهپاد می تواند از نظارت و تصمیم گیری امنیت غذایی حمایت کند (SR Herwitz et al., 2012). برای پیشبرد تحقیقات در نظارت کشاورزی، نه تنها به بهبود حسگرها، پهپادها و سایر فناوریهای مرتبط و روشهای ارتباطی و انتقال دادههای آنها نیاز است (Ewing et al., 2004; Shuai et al., 2020)، بلکه ادغام پهپادها با انواع مختلف فنآوریها برای بهینهسازی وظایف مختلف در رابطه با کشاورزی هوشمند، مانند نظارت، نظارت کشاورزی و تصمیمگیری، یک حوزه تحقیقاتی با پتانسیل بالایی است (آلسامهی و همکاران، 2019؛ پوپسکو و همکاران، 2021؛ ووران و همکاران، 2020). در این راستا، اینترنت اشیا، WSN ها و کلان داده قابلیت های مکمل جالبی را ارائه می دهند (ون در مروی و همکاران، 2018). هزینههای پیادهسازی، صرفهجویی در هزینه، بهرهوری انرژی و امنیت دادهها از جمله حوزههایی هستند که برای چنین یکپارچهسازی مورد بررسی قرار نگرفتهاند (Masroor et al., 2020).
کشورها و موسسات دانشگاهی
مرحله نهایی شامل بررسی کشور مبدأ و وابستگی های علمی نویسندگان بود. از طریق این تجزیه و تحلیل، هدف ما درک بهتر توزیع جغرافیایی دانشمندانی است که در کاربرد هواپیماهای بدون سرنشین در کشاورزی مشارکت دارند. توجه به تنوع کشورها و موسسات دانشگاهی قابل توجه است. از منظر کشور، ایالات متحده آمریکا، چین، هند و ایتالیا از نظر تعداد انتشارات در صدر فهرست قرار دارند (جدول 7). جاری
تحقیقات در مورد پهپادهای کشاورزی عمدتاً در کشورهای آمریکای شمالی و آسیایی متمرکز است که عمدتاً به دلیل مشارکت بالای آنها در کاربردهای کشاورزی دقیق است. به عنوان مثال، در ایالات متحده آمریکا، بازار پهپادهای کشاورزی در سال 841.9 حدود 2020 میلیون دلار برآورد شده است که تقریباً 30 درصد از سهم بازار جهانی را به خود اختصاص داده است (ReportLinker, 2021). چین به عنوان بزرگترین اقتصاد جهان، پیش بینی می شود که در سال 2.6 به اندازه بازار تقریبی 2027 میلیارد دلار برسد. این کشور برای غلبه بر مشکلات بهره وری و دستیابی به بازدهی بهتر، کاهش نیروی کار و نهاده های تولید کمتر، به پهپادهای کشاورزی علاقه مند است. با این حال، پذیرش فناوری در چین نیز تحت تأثیر عواملی مانند اندازه جمعیت و نیاز به نوآوری و بهبود شیوههای مدیریت محصول موجود است.
مولدترین کشورها و دانشگاه ها/سازمان هایی که به آن کمک می کنند
تحقیقات مرتبط با پهپادهای کشاورزی
رتبه | کشورها |
1 | ایالات متحده |
2 | چین |
3 | هندوستان |
4 | ایتالیا |
5 | اسپانیا |
6 | آلمان |
7 | برزیل |
8 | استرالیا |
9 | ژاپن |
10 | انگلستان |
رتبه | دانشگاه ها / سازمان ها |
1 | آکادمی علوم چین |
2 | وزارت کشاورزی جمهوری خلق چین |
3 | Consejo Superior de Investigaciones Científicas |
4 | تگزاس A & M دانشگاه |
5 | دانشگاه کشاورزی چین |
6 | USDA خدمات تحقیقات کشاورزی |
7 | CSIC – Instituto de Agricultura Sostenible IAS |
8 | دانشگاه پوردو |
9 | Consiglio Nazionale delle Ricerche |
10 | دانشگاه کشاورزی چین جنوبی |
از نظر دانشگاهی و سازمانی، آکادمی علوم چین از نظر تعداد انتشارات در صدر فهرست قرار دارد و پس از آن وزارت کشاورزی جمهوری خلق چین و Consejo Superior de Investigaciones Científicas قرار دارند. آکادمی علوم چین توسط نویسندگان Liao Xiaohan و Li Jun ارائه شده است. هان ونتینگ نماینده وزارت کشاورزی جمهوری خلق چین است. و Consejo Superior de Investigaciones Científicas توسط Lopez-Granados، 'F. and Pena, ˜ Jos'e María S. از ایالات متحده آمریکا، دانشگاه هایی مانند دانشگاه A&M تگزاس و دانشگاه پوردو نشان داده شده اند.
اشاره. دانشگاه هایی با بیشترین تعداد انتشارات و ارتباطات آنها در شکل 4 نشان داده شده است. علاوه بر این، این فهرست شامل موسساتی مانند Consiglio Nazionale delle Ricerche و Consejo Superior de Investigaciones Científicas است که در تحقیقات علمی فعال هستند، اما مؤسسات دانشگاهی نیستند. .
انتخاب ما شامل طیف گسترده ای از مجلات بود که تقریباً تمام داده های موجود را در بر می گرفت. همانطور که در جدول 8 نشان داده شده است، سنجش از دور با 258 مقاله در رتبه های برتر قرار دارد و پس از آن مجله سیستم های هوشمند و رباتیک: تئوری و کاربردها با 126 و کامپیوتر و الکترونیک در کشاورزی با 98 مقاله قرار دارند. در حالی که سنجش از دور بیشتر بر روی کاربرد و توسعه پهپادها متمرکز است، رایانهها و الکترونیک در کشاورزی عمدتاً پیشرفتها در سختافزار رایانه، نرمافزار، الکترونیک و سیستمهای کنترل در کشاورزی را پوشش میدهند. رسانههای بینمنطقهای، مانند IEEE Robotics and Automation Letters با 87 نشریه و IEEE Access با 34 نشریه، نیز رسانههای برتر در این زمینه هستند. پانزده رسانه برتر با 959 سند، که تقریباً 20.40٪ از کل انتشارات را تشکیل می دهد، به ادبیات کمک کرده اند. تجزیه و تحلیل استنادی مجلات ما را قادر می سازد تا اهمیت و شباهت بین انتشارات را بررسی کنیم. همانطور که در شکل 5 نشان داده شده است، تجزیه و تحلیل مشترک استنادی سه خوشه به دست می دهد. خوشه قرمز متشکل از مجلاتی مانند سنجش از دور، کامپیوتر و الکترونیک در کشاورزی، حسگرها،
و مجله بین المللی سنجش از دور. همه این رسانه ها مجلات بسیار معتبری در زمینه سنجش از دور و کشاورزی دقیق هستند. خوشه سبز شامل مجلاتی است که با رباتیک سروکار دارند، مانند Journal of Intelligent and Robotic Systems: Theory and Applications، IEEE Robotics and Automation Letters، IEEE Access و Drones. این رسانه ها بیشتر مقالاتی در مورد اتوماسیون منتشر می کنند و برای مهندسان کشاورزی مفید هستند. خوشه نهایی توسط مجلات مرتبط با زراعت و مهندسی کشاورزی، مانند Agronomy و International Journal of Agricultural and Biological Engineering تشکیل شده است.
15 مجله برتر در تحقیقات مربوط به پهپادهای کشاورزی
رتبه | روزنامه | شمردن |
1 | سنجش از دور | 258 |
2 | مجله سیستم های هوشمند و رباتیک: نظریه و اپلیکیشنها | 126 |
3 | کامپیوتر و الکترونیک در کشاورزی | 98 |
4 | نامه های رباتیک و اتوماسیون IEEE | 87 |
5 | سنسور | 73 |
6 | مجله بین المللی سنجش از دور | 42 |
7 | کشاورزی دقیق | 41 |
8 | هواپیماهای بدون سرنشین | 40 |
9 | زراعت | 34 |
10 | دسترسی IEEE | 34 |
11 | مجله بین المللی سیستم های رباتیک پیشرفته | 31 |
12 | مجله بین المللی مهندسی کشاورزی و بیولوژیکی | 25 |
13 | پلاس وان | 25 |
14 | مجله رباتیک میدانی | 23 |
15 | مهندسی بیسیم سیستم | 23 |
نتیجه
خلاصه
در این مطالعه، ما تحقیقات موجود در مورد پهپادهای کشاورزی را خلاصه و تحلیل کردیم. با استفاده از تکنیکهای کتابسنجی مختلف، تلاش کردیم تا درک بهتری از ساختار فکری تحقیقات مربوط به پهپادهای کشاورزی به دست آوریم. در مجموع، بررسی ما با شناسایی و بحث در مورد کلمات کلیدی در ادبیات، آشکارسازی خوشههای دانش در حین تشکیل جوامع معنایی مشابه در زمینه هواپیماهای بدون سرنشین، تشریح تحقیقات قبلی، و پیشنهاد جهتهای تحقیقاتی آینده، کمکهای متعددی را ارائه میدهد. در زیر، یافتههای اصلی بررسی در مورد توسعه پهپادهای کشاورزی را بیان میکنیم:
• ادبیات کلی به سرعت رشد کرده و توجه زیادی را در دهه گذشته به خود جلب کرده است، همانطور که با افزایش تعداد مقالات پس از سال 2012 نشان داده شده است. حتی اگر این حوزه دانش هنوز به بلوغ کامل خود نرسیده است (بارینتوس و همکاران، 2011؛ میس). و استپ، 2019)، چندین سوال هنوز بی پاسخ هستند. به عنوان مثال، کاربرد هواپیماهای بدون سرنشین در کشاورزی داخلی هنوز برای بحث باز است (آسلان و همکاران، 2022؛ کرول و همکاران، 2021؛ رولد و همکاران، 2015). پیچیدگی صحنههای میدان و شرایط مختلف تصویربرداری (به عنوان مثال، سایهها و روشنایی) میتواند منجر به واریانس طیفی بالاتر در کلاس شود (Yao et al., 2019). حتی در مراحل بعدی تحقیقات، محققان برای تعیین برنامه های پروازی بهینه با توجه به سناریوهای خاص و کیفیت تصویر مورد نیاز به چالش کشیده شده اند (Soares et al., 2021; Tu et al.,
2020).
• ما متوجه شدیم که این زمینه از توسعه سیستمهای پهپاد کارآمد به ترکیب تکنیکهای هوش مصنوعی، مانند یادگیری ماشینی و یادگیری عمیق در طراحی پهپادهای کشاورزی پیشرفت کرده است (Bah et al., 2018; Kitano et al., 2019; Maimaitijiang et al. ، 2020؛ مازیا و همکاران، 2020.
• تحقیقات روی هواپیماهای بدون سرنشین کشاورزی عمدتاً سنجش از دور را با بررسی پتانسیلهای فناوری در پایش محیطی، مدیریت محصول، و مدیریت علفهای هرز (خوشه 1) و همچنین فنوتیپسازی از راه دور و تخمین عملکرد (خوشه 2) مورد بحث قرار میدهد. مجموعه ای از مطالعات تأثیرگذار بر روی هواپیماهای بدون سرنشین کشاورزی عبارتند از: آستین (2010)، برنی و همکاران. (2009)، هرویتز و همکاران. (2004)، نکس و رموندینو (2014)، و ژانگ و کواچ (2012). این مطالعات مبنای مفهومی تحقیقات مرتبط با هواپیماهای بدون سرنشین را در زمینه کشاورزی توسعه دادند.
• در رابطه با روش شناسی، مشاهده کردیم که اکثر تحقیقات انجام شده تاکنون از طراحی سیستم، مطالعات مفهومی یا مطالعات مبتنی بر مرور تشکیل شده است (Inoue، 2020؛ Nex & Remondino، 2014؛ P´erez-Ortiz et al. ، 2015؛ یائو و همکاران، 2019). ما همچنین متوجه کمبود روشهای تجربی، کیفی و مبتنی بر مطالعه موردی در بررسی پهپادهای کشاورزی هستیم.
• اخیراً موضوعات مربوط به کشاورزی دقیق، تکنیکهای هوش مصنوعی، کشت انگور دقیق و ارزیابی تنش آب توجه قابل توجهی را به خود جلب کرده است (اسپینوزا و همکاران، 2017؛ گومز-کاند در و همکاران، 2016؛ ماتس و همکاران، 2015؛ Matese & Di Gennaro، 2018، 2021. Z. Zhou و همکاران، 2021). بررسی دقیق خوشه های تحقیقاتی در دو دوره مجزا، 1990-2010 و 2011-2021، پیشرفت ساختار فکری حوزه را نشان می دهد. دوره بین سالهای 1990 تا 2010 شامل مفاهیم محوری و مفاهیم هواپیماهای بدون سرنشین بود که از بحث طراحی، توسعه و پیادهسازی پهپاد آشکار است. در دوره دوم، تمرکز تحقیقات بر روی مطالعات قبلی گسترش مییابد و تلاشی برای سنتز موارد استفاده از پهپاد در کشاورزی انجام میشود. ما همچنین مطالعات متعددی پیدا کردیم که کاربردهای پهپادها را در وظایف تصویربرداری و کشاورزی دقیق مورد بحث قرار میدهند.
رتبه | روزنامه | شمردن |
1 | سنجش از دور | 258 |
2 | مجله سیستم های هوشمند و رباتیک: نظریه و | 126 |
اپلیکیشنها | ||
3 | کامپیوتر و الکترونیک در کشاورزی | 98 |
4 | نامه های رباتیک و اتوماسیون IEEE | 87 |
5 | سنسور | 73 |
6 | مجله بین المللی سنجش از دور | 42 |
7 | کشاورزی دقیق | 41 |
8 | هواپیماهای بدون سرنشین | 40 |
9 | زراعت | 34 |
10 | دسترسی IEEE | 34 |
11 | مجله بین المللی سیستم های رباتیک پیشرفته | 31 |
12 | مجله بین المللی مهندسی کشاورزی و بیولوژیکی | 25 |
13 | پلاس وان | 25 |
14 | مجله رباتیک میدانی | 23 |
15 | مهندسی بیسیم سیستم | 22 |
پیامدهای
بررسی کتاب سنجی ما با در نظر گرفتن دانشمندان، کشاورزان، کارشناسان کشاورزی، مشاوران محصولات زراعی و طراحان سیستم پهپاد طراحی و انجام شد. به بهترین دانش نویسندگان، این یکی از اولین بررسی های اصلی است که تجزیه و تحلیل کتاب سنجی عمیقی را انجام داده است.
کاربرد پهپادها در کشاورزی ما یک بررسی جامع از این بدنه دانش را با استفاده از استنادات و تحلیلهای استنادی مشترک از انتشارات انجام دادهایم. تلاشهای ما برای توصیف ساختار فکری تحقیقات هواپیماهای بدون سرنشین نیز بینشهای جدیدی را برای دانشگاهیان ارائه میکند. بررسی دقیق کلمات کلیدی مورد استفاده در طول زمان، نقاط داغ و حوزههای تحقیقاتی کانونی را در ادبیات مرتبط با هواپیماهای بدون سرنشین نشان میدهد. علاوه بر این، ما فهرستی از بیشترین استنادها را برای شناسایی تأثیرگذارترین کارهای تحقیقاتی تکمیل شده در این زمینه ارائه می کنیم. شناسایی مقالات و کلمات کلیدی در نتیجه می تواند نقطه شروع محکمی برای کشف چندین راه برای مطالعات آینده باشد.
مهمتر از همه، ما خوشه هایی را نشان دادیم که آثار قابل مقایسه را طبقه بندی می کنند و نتایج را به تفصیل توضیح می دهیم. مطالعات طبقه بندی شده در خوشه ها به درک ساختار فکری تحقیقات پهپاد کمک می کند. قابل توجه است که ما تعداد کمی از مطالعات را کشف کردیم که عوامل پذیرش هواپیماهای بدون سرنشین را بررسی میکنند
و موانع در فعالیت های کشاورزی (جدول 9 را ببینید). محققان آینده می توانند این شکاف بالقوه را با انجام تحقیقات تجربی که فاکتورهای پذیرش پهپادها را در فعالیت های مختلف کشاورزی و شرایط آب و هوایی ارزیابی می کند، برطرف کنند. علاوه بر این، تحقیقات مبتنی بر مطالعه موردی در مورد اثربخشی هواپیماهای بدون سرنشین باید با دادههای واقعی از میدان پشتیبانی شود. همچنین، مشارکت کشاورزان و مدیران در تحقیقات دانشگاهی برای پیشرفت نظری و عملی تحقیقات پهپاد مفید خواهد بود. ما همچنین توانستیم برجستهترین محققان و مشارکتهای آنها را شناسایی کنیم، که این ارزشمند است زیرا آگاهی از کارهای مهم اخیر میتواند راهنماییهایی برای تلاشهای آکادمیک آینده باشد.
جدول 9
موانع پذیرش پهپاد
سد | توضیحات: |
امنیت داده ها | امنیت سایبری یک چالش بزرگ برای پیاده سازی است راه حل های اینترنت اشیا (مسرور و همکاران، 2021). |
قابلیت همکاری و ادغام | فناوری های مختلفی مانند پهپاد، WSN، اینترنت اشیا و غیره. باید یکپارچه شده و داده ها را انتقال دهد که افزایش سطح پیچیدگی (Alsamhi et al., 2021; پوپسکو و همکاران، 2020؛ Vuran و همکاران، 2018). |
هزینه های اجرا | این به طور خاص برای کشاورزان کوچک و برای ادغام فناوری های مختلف پیشرفته ( مسرور و همکاران، 2021). |
دانش کار و تخصص | برای کار با پهپاد به خلبانان ماهر پهپاد نیاز است. همچنین اجرای انواع پیشرفته فن آوری ها به کارگران ماهر نیاز دارد (YB Huang و همکاران، 2013; تسوروس و همکاران، 2019). |
قدرت موتور و پرواز مدت | پهپادها را نمی توان برای ساعات طولانی کار کرد و پوشش داد مناطق بزرگ (Hardin & Hardin, 2010; Laliberte et al., 2007). |
ثبات، قابلیت اطمینان و مانور | پهپادها در شرایط بد آب و هوایی پایدار نیستند (Hardin & Hardin, 2010; Laliberte et al., 2007). |
محدودیت های بار و کیفیت سنسورها | پهپادها فقط می توانند بارهای محدودی را حمل کنند قابلیت بارگذاری سنسورهای با کیفیت پایین تر (Nebiker و همکاران ، 2008). |
تنظیم | از آنجایی که پهپادها می توانند خطرناک باشند، موارد شدیدی نیز وجود دارد مقررات در برخی زمینه ها (Hardin & Jensen, 2011; لالیبرته و رانگو، 2011). |
دانش کشاورزان و علاقه | به عنوان سایر فناوری های پیشرفته، پهپادها اجرای موفق نیاز به تخصص و همچنین همراه با عدم قطعیت (فیشر و همکاران، 2009; لامبرت و همکاران، 2004; استافورد، 2000). |
از آنجایی که نیاز دائمی به استفاده کارآمد از منابع موجود برای به حداکثر رساندن محصول وجود دارد، کشاورزان می توانند از پهپادها برای اطمینان از اسکن سریع، دقیق و مقرون به صرفه مزارع خود استفاده کنند. این فناوری میتواند از کشاورزان برای تعیین وضعیت محصولات و ارزیابی وضعیت آب، مرحله رسیدن، هجوم حشرات و نیازهای غذایی حمایت کند. قابلیتهای سنجش از دور پهپادها میتواند دادههای حیاتی را برای پیشبینی مشکلات در مراحل اولیه و انجام سریع مداخلات مناسب در اختیار کشاورزان قرار دهد. با این حال، مزایای این فناوری تنها در صورتی قابل تحقق است که چالش ها به درستی مورد توجه قرار گیرند. در پرتو
مشکلات فعلی در مورد امنیت داده ها، مسائل مربوط به فناوری حسگر (به عنوان مثال، قابلیت اطمینان یا دقت اندازه گیری ها)، پیچیدگی یکپارچه سازی، و هزینه های اجرایی قابل توجه، مطالعات آینده باید امکان سنجی فنی، اقتصادی و عملیاتی یکپارچه سازی پهپادهای کشاورزی و سایر برش ها را بررسی کند. تکنولوژی های لبه
محدودیت ها
مطالعه ما چندین محدودیت دارد. ابتدا، یافته ها توسط انتشاراتی که برای تحلیل نهایی انتخاب شده اند، تعیین می شوند. ثبت همه مطالعات مرتبط با پهپادهای کشاورزی، به ویژه آنهایی که در پایگاه داده اسکوپوس نمایه نشده اند، چالش برانگیز است. علاوه بر این، فرآیند جمعآوری دادهها به تنظیم کلمات کلیدی جستجو محدود میشود، که ممکن است فراگیر نباشند و به یافتههای غیرقطعی منجر شوند. بنابراین، مطالعات آینده نیاز به توجه بیشتر به موضوع اساسی جمع آوری داده ها دارد
نتایج قابل اعتماد تر محدودیت دیگر مربوط به انتشارات جدید با تعداد کم استناد است. تجزیه و تحلیل کتاب سنجی نسبت به انتشارات قبلی تعصب دارد زیرا آنها تمایل دارند در طول سال ها استنادهای بیشتری دریافت کنند. مطالعات اخیر به زمان معینی برای جلب توجه و جمع آوری استناد نیاز دارند. در نتیجه، مطالعات اخیر که یک تغییر پارادایم ایجاد میکنند، در ده اثر تأثیرگذار برتر قرار نمیگیرند. این محدودیت در بررسی حوزه های تحقیقاتی به سرعت در حال ظهور مانند هواپیماهای بدون سرنشین کشاورزی رایج است. همانطور که ما برای مطالعه ادبیات این کار از Scopus مشورت کرده ایم، محققان آینده می توانند موارد متفاوتی را در نظر بگیرند
پایگاه های داده مانند Web of Science و IEEE Xplore برای گسترش افق و ارتقای ساختار تحقیق.
مطالعات کتابسنجی بالقوه ممکن است سایر منابع دانش حیاتی مانند مقالات کنفرانس، فصلها و کتابها را برای ایجاد بینشهای جدید در نظر بگیرد. علیرغم نقشه برداری و بررسی نشریات جهانی در مورد پهپادهای کشاورزی، یافته های ما دلایل پشت سر خروجی های علمی دانشگاه ها را آشکار نکرد. این امر راه را برای حوزه جدیدی از تحقیقات در توضیح کیفی این موضوع هموار میکند که چرا برخی از دانشگاهها نسبت به سایرین بازدهی بیشتری در زمینه تحقیقات کشاورزی دارند.
هواپیماهای بدون سرنشین علاوه بر این، مطالعات آتی میتواند بینشهایی در مورد پتانسیل پهپادها برای افزایش پایداری کشاورزی به روشهای مختلفی مانند نظارت بر محیطزیست، مدیریت محصول، و نقشهبرداری علفهای هرز، همانطور که توسط چندین محقق نشان داده شده است، ارائه دهد (Chamuah & Singh, 2019; Islam et al., 2021; پوپسکو و همکاران، 2020؛ جی. سو، لیو، و همکاران، 2018b). از آنجایی که تجزیه و تحلیل متن به دلیل تعداد بالای مقالات انتخابی امکان پذیر نبود، نیاز به بررسی سیستماتیک ادبیات وجود دارد که
روش های تحقیق مورد استفاده و مشارکت کشاورزان در مطالعات قبلی. به طور خلاصه، تجزیه و تحلیل ما از تحقیقات هواپیماهای بدون سرنشین، پیوندهای نامرئی این بدنه دانش را آشکار می کند. بنابراین، این بررسی به کشف روابط بین انتشارات کمک می کند و ساختار فکری حوزه تحقیق را بررسی می کند. همچنین پیوندهای بین جنبه های مختلف ادبیات، مانند کلمات کلیدی نویسندگان، وابستگی ها و کشورها را به تصویر می کشد.
اعلامیه منافع رقابتی
نویسندگان اظهار داشتند که هیچ منافع مالی یا روابط شخصی رقابتی مشخصی ندارند که به نظر برسد می تواند بر کار گزارش شده در این مقاله تأثیر بگذارد.
ضمیمه 1
TITLE-ABS-KEY (((پهپاد* یا "وسیله هوایی بدون سرنشین" یا uav* یا "سیستم هواپیمای بدون سرنشین” یا uas یا «هواپیمای خلبانی از راه دور”) و (کشاورزی یا کشاورزی یا کشاورزی یا کشاورز))) AND (EXCLUDE (PUBYEAR، 2022)) و (LIMIT-TO (زبان، "انگلیسی")).
منابع
Aasen, H., Burkart, A., Bolten, A., Bareth, G., 2015. تولید اطلاعات ابرطیفی سه بعدی با دوربین های عکس فوری پهپاد سبک وزن برای نظارت بر پوشش گیاهی: از
کالیبراسیون دوربین برای تضمین کیفیت 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. توسعه الگوریتم تشخیص الگو برای تشخیص خودکار پرنده از تصاویر وسایل نقلیه هوایی بدون سرنشین.
نظر سنجی. زمین اطلاع دهید. علمی 65 (1)، 37-45.
عبداللهی، ع.، رجب، ک.، رجب، ع.، مصطفی، م.م، زیلانی، س.، 2021. شبکه های حسگر بی سیم در کشاورزی: بینش هایی از تحلیل کتاب سنجی. پایداری 13 (21)،
12011.
ابوطالبی، م.، تورس روآ، AF، کوستاس، WP، نیتو، اچ، کوپمنز، سی، مک کی، م.، ارزیابی روش های مختلف برای تشخیص سایه در تصاویر نوری با وضوح بالا و ارزیابی تاثیر سایه بر محاسبه NDVI، و تبخیر و تعرق. آبیاری علمی 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. تصویربرداری فراطیفی: مروری بر حسگرهای مبتنی بر پهپاد، داده ها پردازش و
برنامه های کاربردی برای کشاورزی و جنگلداری سنجش از دور 9 (11). https://doi.org/ 10.3390/rs9111110.
Agüera Vega, F., Ramírez, FC, Saiz, MP, Rosúa, FO, 2015. تصویربرداری چند زمانی با استفاده از یک وسیله نقلیه هوایی بدون سرنشین برای نظارت بر محصول آفتابگردان. Biosyst. مهندس
132, 19–27. https://doi.org/10.1016/j.biosystemseng.2015.01.008.
Ajayi, OG, Salubi, AA, Angbas, AF, Odigure, MG, 2017. تولید مدلهای ارتفاع دیجیتال دقیق از پهپاد، تصاویر همپوشانی با درصد پایین به دست آورد. بین المللی
J. Remote Sens. 38 (8-10)، 3113-3134. https://doi.org/10.1080/ 01431161.2017.1285085.
علی، آی.، گریفندر، ف.، استامنکوویچ، جی.، نیومن، م.، نوتارنیکولا، سی، 2015. بررسی رویکردهای یادگیری ماشین برای بازیابی زیست توده و رطوبت خاک از داده های سنجش از دور. سنجش از دور 7 (12)، 16398-16421.
Alsamhi, SH, Afghah, F., Sahal, R., Hawbani, A., Al-qaness, MAA, Lee, B., Guizani, M., اینترنت سبز اشیا با استفاده از پهپادها در شبکه های B5G: مروری بر کاربردها
و استراتژی ها آگهی. هک شبکه 117، 102505 https://doi.org/10.1016/j. adhoc.2021.102505.
Al-Thani, N., Albuainain, A., Alnaimi, F., Zorba, N., 2020. هواپیماهای بدون سرنشین برای نظارت بر دام گوسفند. در: بیستمین کنفرانس الکتروتکنیکال مدیترانه IEEE. https://doi.
org/10.1109/MELECON48756.2020.9140588.
Ampatzidis, Y., Partel, V., 2019. فنوتیپ توان عملیاتی بالا مبتنی بر پهپاد در مرکبات با استفاده از تصویربرداری چند طیفی و هوش مصنوعی. سنجش از دور 11 (4)، https://doi.org/10.3390/rs11040410.
Ampatzidis, Y., Partel, V., Costa, L., 2020. Agroview: برنامه مبتنی بر ابر برای پردازش، تجزیه و تحلیل و تجسم داده های جمع آوری شده توسط پهپاد برای کاربردهای کشاورزی دقیق با استفاده از هوش مصنوعی. محاسبه کنید. الکترون. کشاورزی 174, 105457 https://doi. org/10.1016/j.compag.2020.105457.
Ang، K.-L.-M.، Seng، JKP، 2021. داده های بزرگ و یادگیری ماشین با اطلاعات فراطیفی در کشاورزی. دسترسی IEEE 9، 36699–36718. https://doi.org/10.1109/
ACCESS.2021.3051196.
Aquilani, C., Confessore, A., Bozzi, R., Sirtori, F., Pugliese, C., 2022. بررسی: فناوریهای دقیق کشاورزی دام در سیستمهای دامی مبتنی بر مرتع. Animal 16 (1)، https://doi.org/10.1016/j.animal.2021.100429.
Armenta-Medina، D.، Ramirez-Delreal، TA، Villanueva-Vasquez، ´ D.، Mejia-Aguirre، C.، روندها در فناوری های اطلاعات و ارتباطات پیشرفته برای
بهبود بهره وری کشاورزی: تحلیل کتاب سنجی زراعت 10 (12)، ماده 12. https://doi.org/10.3390/agronomy10121989.
آرمسترانگ، آی.، پیررون-بروس، ام.، اسمیت، آ.، جادود، م.، 2011. گاتور پرنده: به سمت رباتیک هوایی در occam-π. اشتراک. معمار فرآیند. 2011، 329-340. https://doi. org/10.3233/978-1-60750-774-1-329.
Arora، SD، Chakraborty، A.، 2021. تحقیق ساختار فکری رفتار شکایت مصرف کننده (CCB): تحلیل کتاب سنجی. J. Business Res. 122، 60-74.
اصلان، MF، دوردو، A.، Sabanci، K.، Ropelewska، E.، Gültekin، SS، 2022.
بررسی جامع مطالعات اخیر با پهپاد برای کشاورزی دقیق در مزارع باز و گلخانه ها Appl. علمی 12 (3)، 1047. https://doi.org/10.3390/
app12031047.
اتکینسون، جی، جکسون، آر جی، بنتلی، آر، اوبر، ای.، و ولز، دیام (2018). فنوتیپ میدانی برای آینده در Annual Plant Reviews آنلاین (ص. 719-736). جان
Wiley & Sons, Ltd. doi: 10.1002/9781119312994.apr0651.
آستین، آر.، 2010. سیستم های هواپیمای بدون سرنشین: طراحی، توسعه و استقرار پهپاد. در: سیستم های هواپیمای بدون سرنشین: طراحی، توسعه پهپاد و
گسترش. جان وایلی و پسران https://doi.org/10.1002/9780470664797.
آویس، م.، لی، دبلیو، چیما، ام جی ام، زمان، کیو، شاهین، ع.، اسلم، ب.، ژو، و.، اجمل، م.، فهیم، م.، حسین، س.، ندیم، AA, Afzal, MM, Liu, C., 2022. سنجش از دور مبتنی بر پهپاد در تنش گیاه استفاده از حسگر حرارتی با وضوح بالا را برای شیوههای کشاورزی دیجیتال تصور کنید: یک بررسی متا. بین المللی جی. محیط زیست. علمی تکنولوژی https://doi.
org/10.1007/s13762-021-03801-5.
باکو، ام.، برتون، آ.، فرو، ای.، جنارو، سی.، گوتا، آ.، ماتئولی، اس.، پائونسا، اف.، روگری، ام.، ویرونه، جی.، زانلا، آ.، 2018. کشاورزی هوشمند: فرصت ها، چالش ها
و توانمندسازهای فناوری 2018 اینترنت اشیا عمودی و. اجلاس سران در مورد کشاورزی - توسکانی (IOT Tuscany) 1-6. https://doi.org/10.1109/IOTTUSCANY.2018.8373043.
Bah, MD, Hafiane, A., Canals, R., 2018. یادگیری عمیق با برچسب گذاری داده های بدون نظارت برای تشخیص علف های هرز در محصولات لاین در تصاویر پهپاد. سنجش از دور 10 (11)، 1690.
https://doi.org/10.3390/rs10111690.
بالدی، س.، 1998. فرآیندهای هنجاری در مقابل ساختگرایی اجتماعی در تخصیص استنادها: یک مدل شبکهای-تحلیلی. صبح. اجتماعی مکاشفه 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. ارزیابی تغییرپذیری وضعیت آب تاکستان توسط حرارتی و چندطیفی
تصویربرداری با استفاده از هواپیمای بدون سرنشین (UAV). آبیاری علمی 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.، اصلاح نسل بعدی. علوم گیاهی 242، 3-13. https://doi.org/10.1016/j.
plantsci.2015.07.010.
Barbedo, JGA, Koenigkan, LV, 2018. دیدگاه های استفاده از سیستم های هوایی بدون سرنشین برای نظارت بر گاو. 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. فراطیفی کم وزن و مبتنی بر پهپاد دوربین های فول فریم
برای نظارت بر محصولات: مقایسه طیفی با اندازهگیریهای اسپکترورادیومتر قابل حمل. 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., سنجش از دور هوایی در کشاورزی: یک رویکرد عملی برای پوشش منطقه
و برنامه ریزی مسیر برای ناوگان ربات های هوایی کوچک. جی فیلد راب. 28 (5)، 667-689. https://doi.org/10.1002/rob.20403.
بصیری، ع.، ماریان، وی، سیلانو، جی، عاطف، م.، ایانلی، ال.، گلیلمو، ال.، 2022. بررسی کاربرد الگوریتم های برنامه ریزی مسیر برای پهپادهای چند روتوری در دقت
کشاورزی. جی. ناویگ. 75 (2)، 364-383.
Basnet، B.، Bang، J.، 2018. آخرین هنر کشاورزی مبتنی بر دانش: مروری بر سیستم های سنجش کاربردی و تجزیه و تحلیل داده ها. J. Sens. 2018، 1-13.
Bendig, J., Bolten, A., Bareth, G., 2013. تصویربرداری مبتنی بر پهپاد برای مدلهای سطح محصول چندزمانی و با وضوح بسیار بالا برای نظارت بر تنوع رشد محصول. 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. تخمین زیست توده جو با استفاده از مدل های سطح محصول (CSMs) مشتق شده از تصویربرداری RGB مبتنی بر پهپاد. سنجش از دور 6 (11)، 10395-10412.
Bendig, J., Yu, K., Aasen, H., Bolten, A., Bennertz, S., Broscheit, J., Gnyp, ML, Bareth, G., 2015. ترکیب ارتفاع گیاه مبتنی بر پهپاد از سطح محصول مدل ها،
شاخصهای پوشش گیاهی قابل مشاهده و نزدیک به مادون قرمز برای پایش زیست توده در جو. بین المللی J. Appl. زمین 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. نقشه کشی تاج پوشش و CWSI در باغ های زیتون با استفاده از وضوح بالا
تصاویر سنجش از راه دور حرارتی سنسور از راه دور محیط. 113 (11)، 2380-2388. https://doi.org/10.1016/j.rse.2009.06.018.
برنی، جی، زارکو-تجادا، پی جی، سوارز، ال.، فررس، ای.، 2009b. سنجش از دور چند طیفی حرارتی و باریک برای پایش پوشش گیاهی از یک وسیله نقلیه هوایی بدون سرنشین. IEEE Trans. Geosci. Remote Sens. 47 (3)، 722-738.
Bouzembrak, Y., Klüche, M., Gavai, A., Marvin, HJP, 2019. اینترنت اشیا در ایمنی مواد غذایی: بررسی ادبیات و تحلیل کتاب سنجی. Trends Food Sci. تکنولوژی 94,54،64-10.1016. https://doi.org/2019.11.002/j.tifs.XNUMX.
Brewster, C., Roussaki, I., Kalatzis, N., Doolin, K., Ellis, K., 2017. IoT in agriculture: طراحی یک پایلوت در مقیاس بزرگ در سطح اروپا. IEEE Commun. Mag. 55 (9)، 26-33.
Buters, TM, Belton, D., Cross, AT, 2019. ردیابی پهپاد چند سنسوری تک تک نهالها و جوامع نهال با دقت میلیمتری. هواپیماهای بدون سرنشین 3 (4)، 81.
https://doi.org/10.3390/drones3040081.
Candiago, S., Remondino, F., De Giglio, M., Dubbini, M., Gattelli, M., 2015. ارزیابی تصاویر چندطیفی و شاخص های گیاهی برای کاربردهای کشاورزی دقیق از تصاویر پهپاد. سنجش از دور 7 (4)، 4026-4047. https://doi.org/10.3390/rs70404026.
Cao, Y., Li, GL, Luo, YK, Pan, Q., Zhang, SY, 2020. پایش شاخص های رشد چغندرقند با استفاده از شاخص پوشش گیاهی دامنه دینامیکی گسترده (WDRVI) مشتق شده از پهپاد
تصاویر چند طیفی محاسبه کنید. الکترون. کشاورزی 171، 105331 https://doi.org/10.1016/j.compag.2020.105331.
Casillas, J., Acedo, F., 2007. تکامل ساختار فکری ادبیات کسب و کار خانوادگی: مطالعه کتاب سنجی FBR. Family Business Rev. 20 (2)، 141-162.
Cen، H.، Wan، L.، Zhu، J.، Li، Y.، Li، X.، Zhu، Y.، Weng، H.، Wu، W.، Yin، W.، Xu، C.، Bao, Y., Feng, L., Shou, J., He, Y., 2019. پایش دینامیکی زیست توده برنج تحت
درمان های مختلف نیتروژن با استفاده از یک پهپاد سبک وزن با دوربین های عکس فوری قاب تصویر دوگانه. روشهای گیاهی 15 (1)، 32. https://doi.org/10.1186/s13007-019-
0418 8.
Chamuah، A.، Singh، R.، 2019. تضمین پایداری در کشاورزی هند از طریق پهپاد غیرنظامی: دیدگاه نوآوری مسئولانه. SN Appl. علمی 2 (1)، 106. https://
doi.org/10.1007/s42452-019-1901-6.
Chamuah، A.، Singh، R.، 2022. مدیریت مسئول نوآوری های وسایل نقلیه هوایی بدون سرنشین غیرنظامی (UAV) برای برنامه های کاربردی بیمه محصولات هندی. J. مسئول
تکنولوژی 9, 100025 https://doi.org/10.1016/j.jrt.2022.100025.
Chen, A., Orlov-Levin, V., Meron, M., 2019. استفاده از تصویربرداری هوایی با کانال مرئی با وضوح بالا از تاج پوشش گیاهی برای مدیریت آبیاری دقیق. کشاورزی اب
مدیریت 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. پهپاد سبک وزن با فتوگرامتری روی برد و موقعیت یابی GPS تک فرکانس برای کاربردهای مترولوژی ISPRS J. Photogramm. Remote Sens. 127, 115-126. https://doi.org/10.1016/j.isprsjprs.2016.12.007.
Dawaliby, S., Aberkane, A., Bradai, A., 2020. پلت فرم اینترنت اشیا مبتنی بر بلاک چین برای مدیریت عملیات پهپادهای بدون سرنشین مستقل. در: مجموعه مقالات 2nd ACM
کارگاه آموزشی MobiCom در مورد ارتباطات بی سیم به کمک هواپیماهای بدون سرنشین برای 5G و فراتر از آن، صفحات 31-36. https://doi.org/10.1145/3414045.3415939.
دی، ره، گاستل، ب.، 1998. نحوه نگارش و انتشار مقاله علمی. انتشارات دانشگاه کمبریج. de Castro, AI, Pena, ˜ JM, Torres-Sanchez, ´ J., Jim´enez-Brenes, FM, ValenciaGredilla, F., Recasens, J., Lopez-Granados, ´ F., 2020. نقشه برداری هجوم به داکتیلون سینودون محصولات را با روش درخت تصمیم گیری خودکار-OBIA و تصاویر پهپاد برای کشت انگور دقیق پوشش دهید. سنجش از دور 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. الگوریتم تصادفی جنگل-OBIA برای نقشه برداری اولیه علف های هرز بین و درون ردیف های محصول با استفاده از تصاویر پهپاد. سنجش از دور 10 (2). https://doi.org/10.3390/rs10020285.
Demir, N., Sonmez, ¨ NK, Akar, T., Ünal, S., 2018. اندازه گیری خودکار ارتفاع بوته ژنوتیپ های گندم با استفاده از DSM برگرفته از تصاویر پهپاد. مجموعه مقالات 2 (7)، 350. https://doi.org/10.3390/ecrs-2-05163.
Deng, J., Zhong, Z., Huang, H., Lan, Y., Han, Y., Zhang, Y., 2020. شبکه تقسیم بندی معنایی سبک برای نقشه برداری علف های هرز در زمان واقعی با استفاده از وسایل نقلیه هوایی بدون سرنشین. Appl. علمی 10 (20)، 7132. https://doi.org/10.3390/app10207132.
Deng, L., Mao, Z., Li, X., Hu, Z., Duan, F., Yan, Y., 2018. سنجش از دور چند طیفی مبتنی بر پهپاد برای کشاورزی دقیق: مقایسه بین دوربین های مختلف. ISPRS J. Photogramm. Remote Sens. 146, 124-136.
Diaz-Gonzalez, FA, Vuelvas, J., Correa, CA, Vallejo, VE, Patino, D., 2022. تکنیک های یادگیری ماشینی و سنجش از دور که برای تخمین شاخص های خاک بکار می روند – مرور. Ecol. شماره 135، 108517 https://doi.org/10.1016/j.ecolind.2021.108517.
Díaz-Varela، RA، De la Rosa، R.، Leon، ´ L.، Zarco-Tejada، PJ، 2015. تصاویر پهپاد هوابرد با وضوح بالا برای ارزیابی پارامترهای تاج درخت زیتون با استفاده از عکس سه بعدی
بازسازی: کاربرد در آزمایشات اصلاحی سنجش از دور 7 (4)، 4213-4232. https://doi.org/10.3390/rs70404213.
Dixit, A., Jakhar, SK, 2021. مدیریت ظرفیت فرودگاه: بررسی و تحلیل کتابسنجی. J. Air Transp. مدیریت 91، 102010.
دونگ، تی، شانگ، جی، لیو، جی، کیان، بی، جینگ، کیو، ما، بی، هافمن، تی، گنگ، ایکس، سوو، آ.، شی، ی.، Canisius, F., Jiao, X., Kovacs, JM, Walters, D., Cable, J., Wilson, J., 2019.
استفاده از تصاویر RapidEye برای شناسایی تنوع درون مزرعه رشد و عملکرد محصول در انتاریو، کانادا. کشاورزی دقیق 20 (6)، 1231-1250. https://doi.org/10.1007/
s11119-019-09646-w.
Dutta، PK، Mitra، S.، 2021. کاربرد پهپادهای کشاورزی و iot برای درک زنجیره تامین مواد غذایی در دوران پس از COVID-19. در: Choudhury، A.، Biswas، A.، Prateek، M.،
چاکرابارتی، A. (ویراستار)، انفورماتیک کشاورزی: اتوماسیون با استفاده از اینترنت اشیا و یادگیری ماشین. وایلی، ص 67-87. van Eck, N., Waltman, L., 2009. بررسی نرم افزار: VOSviewer، یک برنامه کامپیوتری برای نقشه برداری کتابسنجی. 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. مروری بر اینترنت اشیا (IoT) و تجزیه و تحلیل داده ها در کشاورزی: مزایا و چالش ها.
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. اعتبارسنجی زراعی پهپاد و میدانی
اندازه گیری برای انواع گوجه فرنگی محاسبه کنید. الکترون. کشاورزی 158، 278-283. https://doi.org/10.1016/j.compag.2019.02.011.
Espinoza, CZ, Khot, LR, Sankaran, S., Jacoby, PW, 2017. ارزیابی تنش آب مبتنی بر سنجش از دور حرارتی و چندطیفی با وضوح بالا در
انگور آبیاری زیرسطحی سنجش از دور 9 (9)، 961. https://doi.org/ 10.3390/rs9090961.
Ewing, J., Oommen, T., Jayakumar, P., Alger, R., 2020. استفاده از سنجش از دور فراطیفی برای درجه بندی خاک. سنجش از دور 12 (20)، 3312. ttps://doi.org/10.3390/
rs12203312.
فاوست، دی.، پانیگادا، سی.، تالیابو، جی.، بوشتی، ام.، سلستی، ام.، اودوکیموف، آ.، بیریوکوا، ک.، کلمبو، آر.، میگلیتا، اف.، راشر، یو.، اندرسون، ک.، 2020. ارزیابی چند مقیاسی بازتاب سطحی چندطیفی مبتنی بر پهپاد و شاخصهای پوشش گیاهی در شرایط عملیاتی. سنجش از دور 12 (3)، 514.
Feng, X., Yan, F., Liu, X., 2019. مطالعه فناوری های ارتباط بی سیم در اینترنت اشیا برای کشاورزی دقیق. بی سیم Pers. اشتراک. 108 (3)
1785 1802.
Ferreira, MP, Pinto, CF, Serra, FR, 2014. تئوری هزینه های مبادله در تحقیقات تجاری بین المللی: مطالعه کتاب سنجی بیش از سه دهه. Scientometrics 98 (3)، 1899-1922. https://doi.org/10.1007/s11192-013-1172-8.
فیشر، پی.، ابوذر، ام.، رب، م.، بهترین، اف.، چاندرا، اس.، 2009. پیشرفت در کشاورزی دقیق در جنوب شرقی استرالیا. I. یک روش رگرسیون برای شبیه سازی
تغییرات مکانی در عملکرد غلات با استفاده از عملکرد باغچههای تاریخی کشاورزان و شاخص گیاهی تفاوت نرمال شده علم مرتع زراعی 60 (9)، 844-858.
Floreano, D., Wood, RJ, 2015. علم، فناوری و آینده پهپادهای کوچک مستقل. Nature 521 (7553)، 460-466. https://doi.org/10.1038/nature14542.
Friha, O., Ferrag, MA, Shu, L., Maglaras, LA, Wang, X., 2021. اینترنت اشیا برای آینده کشاورزی هوشمند: بررسی جامع فناوری های نوظهور. IEEE CAA J. Autom. سینیکا 8 (4)، 718–752.
Fuentes-Pacheco, J., Torres-Olivares, J., Roman-Rangel, E., Cervantes, S., JuarezLopez, P., Hermosillo-Valadez, J., Rendon-Mancha,´ JM, 2019. تقسیم بندی گیاه انجیر از تصاویر هوایی با استفاده از یک شبکه رمزگذار-رمزگشا کانولوشن عمیق. سنجش از دور 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. چالش پهپادها برای ارزیابی تنش آبی برای
کشاورزی پایدار کشاورزی مدیریت آب. 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-Zazo, VH, 2018. تصویربرداری حرارتی در کارخانه
سطح برای ارزیابی وضعیت آب محصول در درختان بادام (ج. گوارا) تحت استراتژی های کم آبیاری. کشاورزی مدیریت آب. 208، 176-186. https://doi.org/10.1016/j.
agwat.2018.06.002.
Garzonio, R., Di Mauro, B., Colombo, R., Cogliati, S., 2017. بازتاب سطحی و اندازهگیریهای طیفسنجی فلورسانس ناشی از آفتاب با استفاده از UAS کوچک ابرطیفی. سنجش از دور 9 (5)، 472. https://doi.org/10.3390/rs9050472. Gaˇsparovi´c, M., Zrinjski, M., Barkovi´c, Đ., Radoˇcaj, D., 2020. یک روش خودکار برای
نقشه برداری علف های هرز در مزارع جو بر اساس تصاویر پهپاد محاسبه کنید. الکترون. کشاورزی
Gebbers, R., Adamchuk, VI, 2010. کشاورزی دقیق و امنیت غذایی. Science 327 (5967), 828-831. https://doi.org/10.1126/science.1183899.
Geipel, J., Link, J., Claupein, W., 2014. مدلسازی ترکیبی طیفی و فضایی عملکرد ذرت بر اساس تصاویر هوایی و مدل های سطح محصول به دست آمده با یک سیستم هواپیمای بدون سرنشین. سنجش از دور 6 (11)، 10335-10355. https://doi.org/10.3390/rs61110335.
Geng, D., Feng, Y., Zhu, Q., 2020. طراحی پایدار برای کاربران: بررسی ادبیات و تجزیه و تحلیل کتاب سنجی. محیط زیست علمی آلودگی Res. 27 (24)، 29824-29836. https://doi. org/10.1007/s11356-020-09283-1.
Gevaert, CM, Suomalainen, J., Tang, J., Kooistra, L., 2015. تولید سطوح پاسخ طیفی زمانی با ترکیب ماهواره چند طیفی و ابرطیفی
تصاویر پهپاد برای کاربردهای کشاورزی دقیق IEEE J. Sel. بالا. Appl. زمین Obs. Remote Sens. 8 (6)، 3140-3146. ttps://doi.org/10.1109/JSTARS.2015.2406339.
Gill, SS, Chana, I., Buyya, R., 2017. کشاورزی مبتنی بر اینترنت اشیا به عنوان یک سرویس ابری و بزرگ داده: آغاز هند دیجیتال. J. Org. و محاسبات کاربر نهایی (JOEUC) 29 (4)،
1 23.
Gmür، M.، 2006. تجزیه و تحلیل استنادی مشترک و جستجو برای کالج های نامرئی: یک ارزیابی روش شناختی. علم سنجی 57 (1)، 27-57. https://doi.org/10.1023/
a:1023619503005.
Gnadinger, ¨ F., Schmidhalter, U., 2017. شمارش دیجیتالی گیاهان ذرت توسط وسایل نقلیه هوایی بدون سرنشین (UAVs). سنجش از دور 9 (6). Https://doi.org/10.3390/rs9060544.
Gokto ¨ ǧan, AH, Sukkarie, S., Bryson, M., Randle, J., Lupton, T., Hung, C., 2010. یک وسیله نقلیه هوایی بدون سرنشین با بال چرخشی برای نظارت بر علف های هرز آبزی و
مدیریت. جی. اینتل. سیستم روباتیک: نظریه. 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. ارزیابی دقت موزاییک از تصاویر وسایل نقلیه هوایی بدون سرنشین (UAV) برای اهداف کشاورزی دقیق در گندم. دقیق کشاورزی 15 (1)، 44-56. https://doi.org/10.1007/s11119-013-9335-4.
Gomez-Cand' on,' D., Virlet, N., Labb'e, S., Jolivot, A., Regnard, J.-L., 2016. فنوتیپ میدانی تنش آب در مقیاس درخت با استفاده از تصاویر حساس به پهپاد : بینش های جدید برای
جذب و کالیبراسیون حرارتی دقیق کشاورزی 17 (6)، 786-800. https://doi.org/10.1007/s11119-016-9449-6.
Gonzalez-Dugo, V., Zarco-Tejada, PJ, Fereres, E., 2014. کاربرد و محدودیت های استفاده از شاخص تنش آبی محصول به عنوان شاخص کمبود آب در باغات مرکبات. کشاورزی برای. هواشناسی 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. استفاده از تصاویر حرارتی پهپاد با وضوح بالا برای
ارزیابی تنوع در وضعیت آب پنج گونه درخت میوه در یک باغ تجاری دقیق کشاورزی 14 (6)، 660-678. https://doi.org/10.1007/s11119-013-9322-9.
گویال، ک.، کومار، اس.، 2021. سواد مالی: بررسی سیستماتیک و تجزیه و تحلیل کتابسنجی. بین المللی J. Consumer Studies 45 (1)، 80-105. https://doi.org/10.1111/
ijcs.12605.
Grenzdorffer, ¨ GJ, Engel, A., Teichert, B., 2008. پتانسیل فتوگرامتری UAVهای ارزان قیمت در جنگلداری و کشاورزی. آرشیو بین المللی فتوگرامتری، سنجش از دور و علوم اطلاعات فضایی – ISPRS آرشیو 37، 1207-1213. https://www.scopus.com/inward/record.uri?eid=2-s2.0-85039543258&partnerI D=40&md5=b4b2d639257e8ddb5a373d15959c4e1e.
گوان، اس.، فوکامی، ک.، ماتسوناکا، اچ، اوکامی، م.، تاناکا، آر.، ناکانو، اچ، ساکای، تی، ناکانو، ک.، اوهدان، اچ، تاکاهاشی، ک.، 2019. ارزیابی همبستگی وضوح بالا
NDVI با سطح مصرف کود و عملکرد محصولات برنج و گندم با استفاده از پهپادهای کوچک. سنجش از دور 11 (2)، 112.
گاندولف، ک.، فیلسر، م.، 2013. پژوهش مدیریت و دین: تحلیل استنادی. اتوبوس جی. اخلاق 112 (1)، 177-185.
Guo, Q., Zhu, Y., Tang, Y., Hou, C., He, Y., Zhuang, J., Zheng, Y., Luo, S., 2020. شبیه سازی CFD و تأیید تجربی فضایی و توزیع های زمانی
جریان هوای downwash یک پهپاد کشاورزی چهار روتور در شناور. محاسبه کنید. الکترون. کشاورزی 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. لهستان، ج.، 2016.
استفاده از سیستم های هوایی بدون سرنشین برای فنوتیپ با توان بالا در نهالستان های بزرگ پرورش گندم. روش های گیاهی 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. تصویربرداری طیفی از پهپادها تحت شرایط مختلف روشنایی . در GG Bill R. (ویرایش)، بایگانی های بین المللی فتوگرامتری، سنجش از دور و علوم اطلاعات فضایی — آرشیو ISPRS (جلد 40، شماره 1W2، صفحات 189-194). انجمن بین المللی فتوگرامتری و سنجش از دور. 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. ارزیابی تکنیکهای نقشه برداری گیاهی جزیره از هواپیماهای بدون سرنشین
تصاویر وسیله نقلیه (UAV): طبقه بندی پیکسل، تفسیر بصری و رویکردهای یادگیری ماشین. بین المللی J. Appl. زمین Obs. Geoinf. 89، 102085 https://doi.org/
10.1016/j.jag.2020.102085.
Haque, A., Islam, N., Samrat, NH, Dey, S., Ray, B., 2021. کشاورزی هوشمند از طریق رهبری مسئولانه در بنگلادش: امکانات، فرصت ها و فراتر از آن.
پایداری 13 (8)، 4511.
Hardin, PJ, Hardin, TJ, 2010. وسایل نقلیه کنترل از راه دور در مقیاس کوچک در تحقیقات محیطی. قطب نما جغرافیا 4 (9)، 1297–1311. ttps://doi.org/10.1111/j.1749-
8198.2010.00381.x
هاردین، پی جی، جنسن، RR، 2011. وسایل نقلیه هوایی بدون سرنشین در مقیاس کوچک در سنجش از دور محیطی: چالش ها و فرصت ها. GISci. Remote Sens. 48 (1)، 99-111. https://doi.org/10.2747/1548-1603.48.1.99.
He, Y., Nie, P., Zhang, Q., Liu, F., 2021. Agricultural Internet of Things: technology and applications, (1st ed. 2021 edition). اسپرینگر.
هرویتز، SR، جانسون، LF، داناگان، SE، هیگینز، RG، سالیوان، دی وی، ژنگ، جی.، لوبیتز، BM، Leung، JG، گالمایر، BA، Aoyagi، M.، Slye، RE، براس، JA، 2004.
تصویربرداری از یک وسیله نقلیه هوایی بدون سرنشین: نظارت کشاورزی و پشتیبانی تصمیم محاسبه کنید. الکترون. کشاورزی 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، فنوتیپ مزرعه با توان بالا ارتفاع و سرعت رشد گیاه گندم در آزمایشهای کرت مزرعه با استفاده از سنجش از دور مبتنی بر پهپاد. سنجش از دور 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. پردازش و ارزیابی تصاویر استریوسکوپی و طیف سنجی جمع آوری شده با استفاده از یک دوربین طیفی پهپاد سبک وزن برای کشاورزی دقیق. سنجش از دور 5 (10)، 5006-5039. https://doi.org/10.3390/rs5105006.
حسین مطلق، ن.، طالب، ت.، اروک، ا.، 2016. خدمات اینترنت اشیا مبتنی بر وسایل نقلیه هوایی بدون سرنشین ارتفاع پایین: بررسی جامع و چشم اندازهای آینده. 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. ترکیبی از جریان نوری و ناوبری مبتنی بر استریو دره های شهری برای یک پهپاد. در: 2005 IEEE/RSJ
کنفرانس بین المللی ربات ها و سیستم های هوشمند، صفحات 3309–3316. https://doi.org/10.1109/IROS.2005.1544998.
Hsu, T.-C., Yang, H., Chung, Y.-C., Hsu, C.-H., 2020. یک پلت فرم کشاورزی خلاقانه IoT برای محاسبات مه ابری. حفظ کنید. محاسبه کنید. Inf. سیستم 28, 100285.
Huang, H., Deng, J., Lan, Y., Yang, A., Deng, X., Zhang, L., Gonzalez-Andujar, JL, 2018. یک شبکه کاملاً پیچیده برای نقشه برداری علف های هرز هواپیمای بدون سرنشین ( پهپاد) تصاویر. PLoS ONE 13 (4)، e0196302.
Huang, H., Lan, Y., Yang, A., Zhang, Y., Wen, S., Deng, J., 2020. یادگیری عمیق در مقابل تجزیه و تحلیل تصویر مبتنی بر شی (OBIA) در نقشه برداری علف های هرز از تصاویر پهپاد. بین المللی جی.
سنسور از راه دور 41 (9)، 3446-3479. https://doi.org/10.1080/01431161.2019.1706112.
هوانگ، اچ، یانگ، آ، تانگ، ی.، ژوانگ، جی.، هو، سی.، تان، زی، دانانجایان، اس.، او، ی.، گوئو، کیو، لو، س.، 2021. کالیبراسیون رنگ عمیق برای تصاویر پهپاد در نظارت بر محصول
با استفاده از انتقال سبک معنایی با توجه محلی به جهانی بین المللی J. Appl. زمین Obs. Geoinf. 104، 102590 https://doi.org/10.1016/j.jag.2021.102590.
Huang, YB, Thomson, SJ, Hoffmann, WC, Lan, YB, Fritz, BK, 2013. توسعه و چشم انداز فناوری های وسایل نقلیه هوایی بدون سرنشین برای تولید کشاورزی
مدیریت. بین المللی جی. آگریک. Biol. مهندس 6 (3)، 1-10. https://doi.org/10.3965/j. ijabe.20130603.001.
Huang, Y., Hoffmann, WC, Lan, Y., Wu, W., Fritz, BK, 2009. توسعه یک سیستم اسپری برای سکوی وسیله نقلیه هوایی بدون سرنشین. Appl. مهندس کشاورزی 25 (6)، 803-809.
Hunt Jr., ER, Dean Hively, W., Fujikawa, SJ, Linden, DS, Daughtry, CST, McCarty, GW, 2010. کسب عکسهای دیجیتال NIR-سبز-آبی از
هواپیمای بدون سرنشین برای نظارت بر محصولات کشاورزی سنجش از دور 2 (1)، 290-305. https://doi. org/10.3390/rs2010290. Inoue, Y., 2020. سنجش از راه دور مبتنی بر ماهواره و پهپاد از محصولات و خاک برای کشاورزی هوشمند - یک بررسی. علم خاک گیاه Nutr. 66 (6)، 798-810. https://doi.org/10.1080/00380768.2020.1738899.
اسلام، ن.، رشید، م.م.، پسندیده، ف.، ری، ب.، مور، س.، کادل، ر.، 2021. مروری بر کاربردها و فناوری های ارتباطی برای اینترنت اشیا (IoT) و
کشاورزی هوشمند پایدار مبتنی بر وسایل نقلیه هوایی بدون سرنشین (UAV). پایداری 13 (4)، 1821. https://doi.org/10.3390/su13041821.
Jaud, M., Passot, S., Le Bivic, R., Delacourt, C., Grandjean, P., Le Dantec, N., 2016. ارزیابی دقت مدلهای سطح دیجیتال با وضوح بالا محاسبه شده توسط
PhotoScan® و MicMac® در شرایط بررسی غیربهینه. سنجش از دور 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. کمی سازی اثرات هرس بر معماری درخت زیتون و سالانه رشد سایبان با استفاده از مدل سازی سه بعدی مبتنی بر پهپاد. روش های گیاهی 3 (13). https://doi.org/1/s10.1186-13007-017-0205.
Jin, X., Liu, S., Baret, F., Hemerl´e, M., Comar, A., 2017. برآوردهای تراکم گیاهی محصولات گندم در هنگام ظهور از تصاویر پهپاد در ارتفاع بسیار پایین. سنسورهای از راه دور
محیط زیست 198، 105-114. https://doi.org/10.1016/j.rse.2017.06.007.
Jinbo, C., Xiangliang, C., Han-Chi, F., Lam, A., 2019. سیستم نظارت بر محصولات کشاورزی که توسط محاسبات ابری پشتیبانی می شود. محاسبات خوشه ای 22 (4)، 8929-8938.
Ju, C., & Son, HI 2018a. ارزیابی عملکرد چندین سیستم پهپاد برای سنجش از دور در کشاورزی مجموعه مقالات کارگاه در مورد چشم انداز رباتیک و عمل در کشاورزی در کنفرانس بین المللی IEEE در مورد رباتیک و اتوماسیون (ICRA)، بریزبن، استرالیا، 21-26.
Ju, C., Son, HI, 2018b. چندین سیستم پهپاد برای کاربردهای کشاورزی: کنترل، اجرا و ارزیابی الکترونیک 7 (9)، 162. https://doi.org/10.3390/
الکترونیک7090162.
Jung, J., Maeda, M., Chang, A., Bhandari, M., Ashapure, A., Landivar-Bowles, J., 2021. پتانسیل سنجش از دور و هوش مصنوعی به عنوان ابزارهایی برای بهبود
تاب آوری سیستم های تولید کشاورزی Curr. نظر. بیوتکنول. 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. یک تکنیک پیشرفته پیشبینی محصول شامل تصویربرداری چندطیفی از محصول بدون سرنشین به کمک وسیلهای هوایی بدون سرنشین در عمل پیشبینی مرسوم برای سوختگی ساقه صمغی در هندوانه. گیاه دیس. 103 (7)، 1642-1650.
Kapoor, KK, Tamilmani, K., Rana, NP, Patil, P., Dwivedi, YK, Nerur, S., 2018. پیشرفت در تحقیقات رسانه های اجتماعی: گذشته، حال و آینده. آگاه کردن. سیستم جلو. 20
(3)، 531-558.
Kerkech, M., Hafiane, A., Canals, R., 2020. VddNet: شبکه تشخیص بیماری انگور بر اساس تصاویر چند طیفی و نقشه عمق. سنجش از دور 12 (20)، 3305. https://doi. org/10.3390/rs12203305.
Khaliq, A., Comba, L., Biglia, A., Ricauda Aimonino, D., Chiaberge, M., Gay, P., 2019. مقایسه تصاویر چند طیفی مبتنی بر ماهواره و پهپاد برای تاکستان
ارزیابی تنوع سنجش از دور 11 (4). https://doi.org/10.3390/rs11040436.
Khan, PW, Byun, Y.-C., Park, N., 2020. IoT-blockchain سیستم منشأ بهینه شده را برای صنایع غذایی 4.0 با استفاده از یادگیری عمیق پیشرفته فعال کرد. سنسورهای 20 (10)، 2990.
Khan, RU, Khan, K., Albattah, W., Qamar, AM, Ullah, F., 2021. تشخیص بیماریهای گیاهی مبتنی بر تصویر: از یادگیری ماشینی کلاسیک تا سفر یادگیری عمیق. ارتباط بی سیم کامپیوتر موبایل. 2021، 1-13.
Khan, S., Tufail, M., Khan, MT, Khan, ZA, Iqbal, J., Alam, M., Le, KNQ, 2021. یک چارچوب جدید نیمه نظارتی برای طبقه بندی محصول/علف هرز مبتنی بر پهپاد. PLoS ONE 16 (5)، e0251008.
Khanal, S., Fulton, J., Shearer, S., 2017. مروری بر کاربردهای فعلی و بالقوه سنجش از دور حرارتی در کشاورزی دقیق. محاسبه کنید. الکترون.
کشاورزی 139، 22-32. https://doi.org/10.1016/j.compag.2017.05.001.
Khanna، A.، Kaur، S.، 2019. تکامل اینترنت اشیا (IoT) و تأثیر قابل توجه آن در زمینه کشاورزی دقیق. محاسبه کنید. الکترون. کشاورزی 157، 218-231.
Kim, W., Khan, GF, Wood, J., Mahmood, MT, 2016. تعامل کارکنان برای سازمانهای پایدار: تجزیه و تحلیل کلمات کلیدی با استفاده از تجزیه و تحلیل شبکه اجتماعی و انفجار
رویکرد تشخیص پایداری 8 (7)، 631.
Kirsch, M., Lorenz, S., Zimmermann, R., Tusa, L., Mockel, ¨ R., Hodl, ¨ P., Booysen, R., Khodadadzadeh, M., Gloaguen, R., 2018. ادغام زمینی و هواپیمای بدون سرنشین
روش های سنجش فراطیفی و فتوگرامتری برای نقشه برداری اکتشافی و نظارت بر معدن. سنجش از دور 10 (9)، 1366. https://doi.org/10.3390/
rs10091366.
Kitano، BT، Mendes، CCT، Geus، AR، Oliveira، HC، Souza، JR، 2019. شمارش گیاه ذرت با استفاده از یادگیری عمیق و تصاویر پهپاد. IEEE Geosci. سنسور از راه دور Lett. 1–5 https://doi.org/10.1109/LGRS.2019.2930549.
Koh, JCO, Spangenberg, G., Kant, S., 2021. یادگیری ماشین خودکار برای فنوتیپ گیاهی مبتنی بر تصویر با توان بالا. سنجش از دور 13 (5)، 858. https://
doi.org/10.3390/rs13050858.
Kovalev، IV، Voroshilova، AA، 2020. روندهای فن آوری مدرن در توسعه اکوسیستم پهپادهای باری. J. Phys. Conf. سر. 1515 (5)، 052068 https://doi. org/10.1088/1742-6596/1515/5/052068.
Krul, S., Pantos, C., Frangulea, M., Valente, J., 2021. SLAM تصویری برای دام و کشاورزی داخلی با استفاده از پهپاد کوچک با دوربین تک چشمی: مطالعه امکان سنجی.
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. بررسی پهپادها برای اتوماسیون کشاورزی از کاشت تا
محصول. در: INES 2018 – IEEE 22nd International Conference on Intelligent Engineering Systems, pp. 000353–358. https://doi.org/10.1109/INES.2018.8523943.
Lagkas, T., Argyriou, V., Bibi, S., Sarigiannidis, P., 2018. دیدگاه ها و چالش های چارچوب IoT پهپاد: به سمت محافظت از هواپیماهای بدون سرنشین به عنوان "چیز". Sensors 18 (11), 4015. https://doi.org/10.3390/s18114015.
Laliberte، AS، Rango، A.، 2011. روشهای پردازش و طبقه بندی تصویر برای تجزیه و تحلیل تصاویر زیر دسی متری به دست آمده با هواپیمای بدون سرنشین در حالت خشک
مراتع GISci. سنسور از راه دور 48 (1)، 4-23. https://doi.org/10.2747/1548-1603.48.1.4.
Laliberte, AS, Rango, A., Herrick, JE, 2007. هواپیماهای بدون سرنشین برای نقشه برداری و پایش مراتع: مقایسه دو سیستم. مجموعه مقالات کنفرانس سالانه ASPRS.
Lam, OHY, Dogotari, M., Prüm, M., Vithlani, HN, Roers, C., Melville, B., Zimmer, F., Becker, R., 2021. یک گردش کار منبع باز برای نقشه برداری علف های هرز در علفزارهای بومی
استفاده از هواپیمای بدون سرنشین: استفاده از Rumex obtusifolius به عنوان مطالعه موردی. یورو 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. پذیرش، سودآوری و استفاده بهتر از داده های کشاورزی دقیق.
کاغذ کار. دانشگاه پوردو. https://doi.org/10.22004/ag.econ.28615.
Lelong, CCD, Burger, P., Jubelin, G., Roux, B., Labb'e, S., Baret, F., 2008. ارزیابی تصاویر هواپیماهای بدون سرنشین برای نظارت کمی بر محصول گندم در قطعات کوچک. سنسورهای 8 (5)، 3557-3585. https://doi.org/10.3390/s8053557.
Li, C., Niu, B., 2020. طراحی کشاورزی هوشمند مبتنی بر داده های بزرگ و اینترنت اشیا. بین المللی 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. تخمین از راه دور ارتفاع تاج و بیومس بالای زمینی ذرت با استفاده از تصاویر استریو با وضوح بالا از یک سیستم هواپیمای بدون سرنشین کم هزینه 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. یادگیری ماشینی در کشاورزی: بررسی. سنسورهای 18 (8)، 2674.
Liebisch, F., Kirchgessner, N., Schneider, D., Walter, A., Hund, A., 2015. فنوتیپ هوایی از راه دور صفات ذرت با رویکرد چند حسگر متحرک. روش های گیاهی 11 (1)، 9. https://doi.org/10.1186/s13007-015-0048-8.
Lin, Z., Guo, W., 2020. تشخیص و شمارش پانیکول سورگوم با استفاده از تصاویر سیستم هوایی بدون سرنشین و یادگیری عمیق. جلو. علوم گیاهی 11.
Liu, S., Guo, L., Webb, H., Ya, X., Chang, X., 2019. اینترنت اشیا سیستم نظارت بر اکو-کشاورزی مدرن مبتنی بر محاسبات ابری. IEEE Access 7، 37050–37058.
Lopez-Granados, 'F., 2011. تشخیص علف های هرز برای مدیریت علف های هرز خاص سایت: نقشه برداری و رویکردهای زمان واقعی. Weed Res. 51 (1)، 1-11. https://doi.org/10.1111/j.1365-3180.2010.00829.x.
لوپز-گرانادوس، ´ف.، تورس-سانچز، ´ جی.، دی کاسترو، A.-I.، سرانو-پرز، A.، MesasCarrascosa، F.-J.، Pena، ˜ J.-M. ، 2016. نظارت اولیه مبتنی بر شیء یک علف هرز علف هرز در یک محصول چمن با استفاده از تصاویر پهپاد با وضوح بالا. آگرون. حفظ کنید. توسعه دهنده 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. نقشه برداری علف های هرز اوایل فصل در آفتابگردان با استفاده از فناوری پهپاد: تنوع نقشه های تیمار علف کش در برابر آستانه علف های هرز دقیق کشاورزی 17 (2)، 183-199.
Lucieer, A., Malenovský, Z., Veness, T., Wallace, L., 2014. HyperUAS - طیف سنجی تصویربرداری از یک سیستم هواپیمای بدون سرنشین چند روتور. جی فیلد راب. 31 (4)
571–590. https://doi.org/10.1002/rob.21508.
Lumme, J., Karjalainen, M., Kaartine, H., Kukko, A., Hyyppa, ¨ J., Hyypp¨ a, H., Jaakkola, A., & Kleemola, J., 2008. اسکن لیزری زمینی محصولات کشاورزی در JJ
چن جی. ماس H–G. (ویرایش)، آرشیو بین المللی فتوگرامتری، سنجش از دور و علوم اطلاعات فضایی - آرشیو ISPRS (جلد 37، صفحات 563-566).
انجمن بین المللی فتوگرامتری و سنجش از دور. 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. مروری بر طبقه بندی تصویر پوشش زمینی مبتنی بر شیء نظارت شده. ISPRS J. Photogramm. سنسور از راه دور 130،
277-293. https://doi.org/10.1016/j.isprsjprs.2017.06.001.
Maes، WH، Steppe، K.، 2019. چشم اندازهای سنجش از راه دور با وسایل نقلیه هوایی بدون سرنشین در کشاورزی دقیق. 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., بورکن، جی.، فریچی، اف.، 2017.
فنوتیپ کردن دانه سویا مبتنی بر سیستم هوایی بدون سرنشین (UAS) با استفاده از همجوشی داده های چند سنسوری و ماشین یادگیری افراطی. ISPRS J. Photogramm. Remote Sens. 134, 43-58. https://doi.org/10.1016/j.isprsjprs.2017.10.011. Maimaitijiang، M.، Sagan، V.، Sidike، P.، Daloye، AM، Erkbol، H.، Fritschi، FB، 2020.
نظارت بر محصول با استفاده از تلفیق داده های ماهواره ای/پهپاد و یادگیری ماشینی. سنجش از دور 12 (9)، 1357. https://doi.org/10.3390/rs12091357.
مانفردا، اس.، مک کیب، ام.، میلر، پی، لوکاس، آر.، پاجوئلو مادریگال، وی.، مالینیس، جی.، بن دور، ای.، هلمن، دی، استس، ال.، سیرائولو، جی. .، مولروا، ´ جی.، تائورو، اف.، دی لیما، ام.، د
لیما، جی.، مالتی، آ.، فرانسیس، اف.، کایلور، ک.، کوهو، ام.، پرکس، ام.، رویز-پرز، جی.، سو، زی، ویکو، جی.، توث , B., 2018. در مورد استفاده از سیستم های هوایی بدون سرنشین برای
نظارت بر محیط زیست سنجش از دور 10 (4)، 641.
Marinko، RA، 1998. استناد به مجلات مطالعات زنان در پایان نامه ها، 1989 و The Serials Librarian 35 (1-2)، 29-44. https://doi.org/10.1300/J123v35n01_
03.
مسرور، ر.، نعیم، م.، اعجاز، دبلیو، 2021. مدیریت منابع در شبکه های بی سیم به کمک پهپاد: دیدگاه بهینه سازی. Ad Hoc Netw. 121، 102596 https://doi.org/10.1016/j.adhoc.2021.102596.
Matese, A., Di Gennaro, SF, 2018. کاربردهای عملی یک پلت فرم پهپاد چندحسگر مبتنی بر تصاویر چندطیفی، حرارتی و RGB با وضوح بالا با دقت
انگورکاری کشاورزی 8 (7)، 116. https://doi.org/10.3390/agriculture8070116.
Matese, A., Di Gennaro, SF, 2021. فراتر از شاخص سنتی NDVI به عنوان یک عامل کلیدی برای جریان اصلی استفاده از پهپاد در کشت انگور دقیق. علمی شماره 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 مقایسه بین پهپاد، هواپیما
و سکوهای سنجش از دور ماهواره ای برای کشت انگور دقیق. سنجش از دور 7 (3)، 2971-2990. https://doi.org/10.3390/rs70302971.
Mazzia, V., Comba, L., Khaliq, A., Chiaberge, M., Gay, P., 2020. پهپاد و پالایش مبتنی بر یادگیری ماشینی شاخص گیاهی مبتنی بر ماهواره برای دقت
کشاورزی. Sensors 20 (9), 2530. https://doi.org/10.3390/s20092530.
مک کین، KW، 1990. نقشه برداری از نویسندگان در فضای فکری: مروری فنی. مربا. Soc. اطلاعات علمی 41 (6)، 433-443.
Meinen، BU، Robinson، DT، 2021. مدلسازی فرسایش کشاورزی: ارزیابی تخمینهای فرسایش در مقیاس میدانی USLE و WEPP با استفاده از دادههای سری زمانی پهپاد. محیط زیست مدل نرم افزار 137, 104962. https://doi.org/10.1016/j.envsoft.2021.104962.
Melville, B., Lucieer, A., Aryal, J., 2019. طبقه بندی جوامع مرتع بومی دشت با استفاده از تصاویر سیستم هواپیمای بدون سرنشین فراطیفی (UAS) در
سرزمین های میانی تاسمانی هواپیماهای بدون سرنشین 3 (1)، 5.
Messina, G., Modica, G., 2020. کاربردهای تصویربرداری حرارتی پهپاد در کشاورزی دقیق: وضعیت هنر و چشم انداز تحقیقات آینده. سنجش از دور 12 (9)، https://doi.org/10.3390/rs12091491.
Mishra, D., Luo, Z., Jiang, S., Papadopoulos, T., Dubey, R., 2017. مطالعه کتابشناختی روی داده های بزرگ: مفاهیم، روندها و چالش ها. مدیریت فرآیند کسب و کار J. 23 (3)،
555 573.
Mochida، K.، Saisho، D.، Hirayama، T.، 2015. بهبود محصول با استفاده از مجموعه داده های چرخه زندگی به دست آمده در شرایط مزرعه. جلو. علوم گیاهی 6 https://doi.org/10.3389/
fpls.2015.00740.
Mogili, UM.R., Deepak, BBVL, 2018. بررسی کاربرد سامانه های پهپادی در کشاورزی دقیق. Procedia Comput. علمی 133، 502-509.
Moharana, S., Dutta, S., 2016. تغییرپذیری فضایی محتوای کلروفیل و نیتروژن برنج از تصاویر فراطیفی. ISPRS J. Photogramm. Remote Sens. 122, 17-29.
Muangprathub، J.، Boonnam، N.، Kajornkasirat، S.، Lekbangpong، N.، Wanichsombat، A.،
Nillaor, P., 2019. IoT و تجزیه و تحلیل داده های کشاورزی برای مزرعه هوشمند. محاسبه کنید. الکترون. کشاورزی 156، 467-474.
Nansen, C., Elliott, N., 2016. سنجش از دور و پروفایل بازتابی در حشره شناسی. آنو. کشیش انتومول. 61 (1)، 139-158. https://doi.org/10.1146/annurev-ento010715-023834.
Navia, J., Mondragon, I., Patino, D., Colorado, J., 2016. نقشه برداری چندطیفی در کشاورزی: موزاییک زمین با استفاده از پهپاد کوادکوپتر خودمختار. بین المللی Conf.
سیستم هواپیمای بدون سرنشین (ICUAS) 2016، 1351-1358. https://doi.org/10.1109/ ICUAS.2016.7502606.
Nayyar, A., Nguyen, B.-L., Nguyen, NG, 2020. اینترنت چیزهای بدون سرنشین (Iodt): چشم انداز آینده پهپادهای هوشمند. Adv. هوشمند سیستم محاسبه کنید. 1045، 563-580. https://doi.org/10.1007/978-981-15-0029-9_45.
Nebiker, S., Annen, A., Scherr, M., Oesch, D., 2008. یک حسگر چند طیفی سبک وزن برای پهپادهای کوچک - فرصت هایی برای سنجش از راه دور هوابرد با وضوح بسیار بالا. بین المللی قوس. فتوگرام حسگر از راه دور اسپات. Inf. Sci 37 (B1)، 1193-1200.
Negash, L., Kim, H.-Y., Choi, H.-L., 2019. کاربردهای در حال ظهور پهپاد در کشاورزی. در: 2019 هفتمین کنفرانس بین المللی فناوری هوش ربات و
برنامه های کاربردی (RiTA)، صص 254-257. https://doi.org/10.1109/RITAPP.2019.8932853.
Nerur, SP, Rasheed, AA, Natarajan, V., 2008. ساختار فکری حوزه مدیریت استراتژیک: یک تحلیل استنادی نویسنده. استراتژی مدیریت J. 29 (3)،
319 336.
Neupane، K.، Baysal-Gurel، F.، 2021. شناسایی و نظارت خودکار بیماری های گیاهی با استفاده از وسایل نقلیه هوایی بدون سرنشین: یک بررسی. سنجش از دور 13 (19)، 3841. https://doi.org/10.3390/rs13193841.
Nex, F., Remondino, F., 2014. پهپاد برای برنامه های نقشه برداری سه بعدی: بررسی. Appl. ژئوماتیک 3 (6)، 1-1. https://doi.org/15/s10.1007-12518-013-x.
Niu, H., Hollenbeck, D., Zhao, T., Wang, D., Chen, Y., 2020. تخمین تبخیر و تعرق با پهپادهای کوچک در کشاورزی دقیق. Sensors 20 (22), 6427. https://
doi.org/10.3390/s20226427.
اساره، ف.، 1996. کتاب سنجی، تحلیل استنادی و تحلیل استنادی. مروری بر ادبیات 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, حسگرها و پردازش داده در کشاورزی جنگلی: مروری بر کاربردهای عملی بین المللی J. Remote Sens. 38 (8-10)، 2349-2391. https://doi.org/10.1080/01431161.2017.1297548.
Panday، ایالات متحده، Pratihast، AK، Aryal، J.، Kayastha، RB، 2020. مروری بر راه حل های داده مبتنی بر هواپیماهای بدون سرنشین برای محصولات غلات. هواپیماهای بدون سرنشین 4 (3)، 1-29. https://doi.org/10.3390/
هواپیماهای بدون سرنشین4030041.
پارسائیان، م.، شهابی، م.، حسن پور، ح.، 2020. برآورد میزان روغن و پروتئین دانه کنجد با استفاده از پردازش تصویر و شبکه عصبی مصنوعی. مربا. روغن
انجمن شیمیدانان 97 (7)، 691-702.
Pena, ˜ JM, Torres-S´anchez, J., de Castro, AI, Kelly, M., Lopez-Granados, ´ F., Suarez, O., نقشه برداری علف های هرز در مزارع ذرت در اوایل فصل با استفاده از تجزیه و تحلیل مبتنی بر شی از
تصاویر هواپیمای بدون سرنشین (UAV) PLoS ONE 8 (10)، e77151.
پرز-اورتیز، ام.، پنا، ˜ جی ام، گوتیرز، پی.ای.، تورس-اس آنچز، جی.، هروآس مارتینز، سی.،
Lopez-Granados, 'F., 2015. یک سیستم نیمه نظارت شده برای نقشه برداری علف های هرز در محصولات آفتابگردان با استفاده از وسایل نقلیه هوایی بدون سرنشین و یک روش تشخیص ردیف محصول. Appl. محاسبات نرم. J. 37, 533-544. https://doi.org/10.1016/j.asoc.2015.08.027.
Pincheira, M., Vecchio, M., Giaffreda, R., Kanhere, SS, 2021. دستگاه های مقرون به صرفه اینترنت اشیا به عنوان منابع داده قابل اعتماد برای یک سیستم مدیریت آب مبتنی بر بلاک چین در کشاورزی دقیق. محاسبه کنید. الکترون. کشاورزی 180, 105889.
Popescu, D., Stoican, F., Stamatescu, G., Ichim, L., Dragana, C., 2020. سیستم پیشرفته پهپاد-WSN برای نظارت هوشمند در کشاورزی دقیق. Sensors 20 (3)، https://doi.org/10.3390/s20030817.
Pournader, M., Shi, Y., Seuring, S., Koh, SL, 2020. کاربردهای بلاک چین در زنجیره تامین، حمل و نقل و تدارکات: بررسی سیستماتیک ادبیات. بین المللی J. Prod. Res. 58 (7)، 2063-2081.
Primicerio, J., Di Gennaro, SF, Fiorillo, E., Genesio, L., Lugato, E., Matese, A., Vaccari, FP, 2012. یک وسیله نقلیه هوایی بدون سرنشین انعطاف پذیر برای کشاورزی دقیق.
دقیق کشاورزی 13 (4)، 517-523. https://doi.org/10.1007/s11119-012-9257-6.
Pritchard, A., 1969. کتابشناسی آماری یا کتابشناسی. J. سند. 25 (4)، 348-349.
Pudelko, R., Stuczynski, T., Borzecka-Walker, M., 2012. مناسب بودن یک وسیله نقلیه هوایی بدون سرنشین (UAV) برای ارزیابی مزارع آزمایشی و محصولات زراعی. کشاورزی 99 (4)، 431-436.
Puri, V., Nayyar, A., Raja, L., 2017. پهپادهای کشاورزی: یک پیشرفت مدرن در کشاورزی دقیق. جی. استاتیس. مدیریت سیستم 20 (4)، 507-518.
Radoglou-Grammatikis, P., Sarigiannidis, P., Lagkas, T., Moscholios, I., 2020. مجموعه ای از کاربردهای پهپاد برای کشاورزی دقیق. محاسبه کنید. شبکه 172،
107148 https://doi.org/10.1016/j.comnet.2020.107148.
Ramesh, KV, Rakesh, V., Prakasa Rao, EVS, 2020. کاربرد تجزیه و تحلیل داده های بزرگ و هوش مصنوعی در تحقیقات کشاورزی. هندی جی آگرون. 65 (4)، 383-395.
Raparelli, E., Bajocco, S., 2019. تحلیل کتاب سنجی در مورد استفاده از وسایل نقلیه هوایی بدون سرنشین در مطالعات کشاورزی و جنگلداری. بین المللی J. Remote Sens. 40 (24)،
9070-9083. https://doi.org/10.1080/01431161.2019.1569793.
راسموسن، جی.، نیلسن، جی.، گارسیا-روئیز، اف.، کریستنسن، اس.، استریبیگ، جی سی، لوتز، بی.، 2013.
کاربردهای بالقوه سیستم های هواپیمای بدون سرنشین کوچک (UAS) در تحقیقات علف های هرز Weed Res. 53 (4)، 242-248.
Rasmussen, J., Ntakos, G., Nielsen, J., Svensgaard, J., Poulsen, RN, Christensen, S. آیا شاخص های پوشش گیاهی از دوربین های درجه مصرف کننده نصب شده اند
پهپادها به اندازه کافی برای ارزیابی نقشه های آزمایشی قابل اعتماد هستند؟ یورو جی. آگرون. 74، 75-92. https://doi.org/10.1016/j.eja.2015.11.026.
رجب، ع.، رجب، ک.، عبداللهی، ع.، زایلانی، س.، ایرانمنش، م.، قباخلو، م.، 2022. دیجیتالی شدن در زنجیره تامین مواد غذایی: یک بررسی کتاب سنجی و مسیر اصلی مسیر کلیدی
تحلیل و بررسی. پایداری 14 (1)، 83. https://doi.org/10.3390/su14010083.
Rejeb, A., Rejeb, K., Simske, SJ, Treiblmaier, H., 2021a. هواپیماهای بدون سرنشین برای مدیریت زنجیره تامین و تدارکات: دستور کار بررسی و تحقیق بین المللی J. Logist. Res. Appl.
1-24. https://doi.org/10.1080/13675567.2021.1981273.
Rejeb, A., Rejeb, K., Simske, S., Treiblmaier, H., 2021b. فن آوری های بلاک چین در لجستیک و مدیریت زنجیره تامین: بررسی کتاب سنجی لجستیک 5 (4)، 72.
https://doi.org/10.3390/logistics5040072.
Rejeb, A., Rejeb, K., Simske, S., Treiblmaier, H., 2021c. هواپیماهای بدون سرنشین بشردوستانه: دستور کار بررسی و تحقیق اینترنت اشیا 16, 100434. https://doi.org/10.1016/j.
iot.2021.100434.
Rejeb, A., Treiblmaier, H., Rejeb, K., Zailani, S., 2021d. تحقیق بلاک چین در مراقبت های بهداشتی: بررسی کتاب سنجی و روندهای تحقیقاتی فعلی J. از داده، Inf. و
مدیریت 3 (2)، 109-124.
Rejeb, A., Simske, S., Rejeb, K., Treiblmaier, H., Zailani, S., 2020. تحقیق اینترنت اشیا در مدیریت زنجیره تامین و تدارکات: یک تحلیل کتاب سنجی. اینترنت
از چیزها 12، 100318.
ReportLinker، 2021. بازار جهانی پهپادهای کشاورزی تا سال به 15.2 میلیارد دلار خواهد رسید اتاق خبری GlobeNewswire. https://www.globenewswire.com/news-release/2021/08/10/2277986/0/fa/Global-Agriculture-Drones-Market-to-Reach-US-15-2-Billion-by-the- سال-2027.html.
Ribeiro-Gomes, K., Hernandez-L' opez, ´ D., Ortega, JF, Ballesteros, R., Poblete, T., Moreno, MA, 2017. کالیبراسیون دوربین حرارتی خنک نشده و بهینه سازی
فرآیند فتوگرامتری برای کاربردهای پهپاد در کشاورزی سنسورها (سوئیس) 17 (10). https://doi.org/10.3390/s17102173.
Rivera، MA، Pizam، A.، 2015. پیشرفت ها در تحقیقات هتلداری: "از رادنی دانگرفیلد تا آرتا فرانکلین". بین المللی J. Contempor. بیمارستان. مدیریت 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. سیستم حسی مبتنی بر مینی پهپاد برای اندازه گیری متغیرهای محیطی در گلخانه ها. سنسورهای 15 (2)، 3334-3350. https://doi.org/10.3390/s150203334.
Rozenberg, G., Kent, R., Blank, L., 2021. پهپاد درجه یک مصرف کننده برای تشخیص و تجزیه و تحلیل الگوهای توزیع فضایی علف های هرز اواخر فصل در مزارع پیاز تجاری استفاده می شود. دقیق کشاورزی 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. بدون سرنشین سیستم دوربین طیفی با وسیله نقلیه هوایی (UAV) برای کاربردهای جنگلی و کشاورزی. ادامه دهید. SPIE - بین المللی Soc. انتخاب کنید مهندس 8174 https://doi.org/10.1117/12.897585.
Sah, B., Gupta, R., Bani-Hani, D., 2021. تجزیه و تحلیل موانع برای اجرای لجستیک هواپیماهای بدون سرنشین. بین المللی J. Logist. Res. Appl. 24 (6)، 531-550. https://doi.org/10.1080/
13675567.2020.1782862.
ساها، AK، ساها، جی.، ری، آر، سیرکار، اس.، دوتا، اس.، چاتوپادهای، SP، و ساها، HN، مبتنی بر IOT برای بهبود کیفیت محصول در زمینه کشاورزی. در SH
N. Chakrabarti S. (ویرایش)، هشتمین کارگاه و کنفرانس سالانه محاسبات و ارتباطات IEEE، CCWC 2018 (جلد 8-ژانویه، صفحات 2018-2018). موسسه
شرکت مهندسین برق و الکترونیک doi: 10.1109/CCWC.2018.8301662.
Sai Vineeth, KV, Vara Prasad, YR, Dubey, SR, Venkataraman, H., 2019. LEDCOM: یک ارتباط جدید و کارآمد مبتنی بر LED برای کشاورزی دقیق. IEEE Conf. اطلاعات اشتراک. تکنولوژی 2019، 1–5. https://doi.org/10.1109/CICT48419.2019.9066177.
Salami, E., Barrado, C., Pastor, E., 2014. آزمایشات پرواز پهپاد برای سنجش از دور مناطق پوشش گیاهی اعمال شده است. سنجش از دور 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.
سیستمهای تصویربرداری هوایی در ارتفاع پایین و با وضوح بالا برای فنوتیپسازی محصول ردیفی و مزرعه: بررسی یورو جی. آگرون. 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. تصویربرداری حرارتی مبتنی بر پهپاد با وضوح بالا برای تخمین
تغییر لحظه ای و فصلی وضعیت آب گیاه در یک تاکستان کشاورزی مدیریت آب. 183، 49-59. https://doi.org/10.1016/j.agwat.2016.08.026.
Sarli, CC, Dubinsky, EK, Holmes, KL, 2010. فراتر از تحلیل استنادی: مدلی برای ارزیابی تأثیر پژوهش. جی. مد. دانشیار کتابخانه : 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. طیف سنجی تصویربرداری مرتبط با علم سیستم زمین – یک ارزیابی. سنسور از راه دور محیط. 113, S123–S137.
Schirrmann, M., Giebel, A., Gleiniger, F., Pflanz, M., Lentschke, J., Dammer, K.-H., 2016. پایش پارامترهای زراعی محصولات گندم زمستانه با پهپاد کم هزینه
تصویرسازی. سنجش از دور 8 (9). https://doi.org/10.3390/rs8090706.
Schmale III, DG, Dingus, BR, Reinholtz, C., 2008. توسعه و کاربرد یک وسیله نقلیه هوایی بدون سرنشین خودمختار برای نمونه برداری دقیق هوازی در بالا
مزارع کشاورزی جی فیلد راب. 25 (3)، 133-147. https://doi.org/10.1002/rob.20232.
شادرین، د.، منشچیکوف، آ.، سوموف، ا.، بورنمن، جی.، هاوسلاگ، ج.، فدوروف، م.،
فعال کردن کشاورزی دقیق از طریق سنجش تعبیه شده با هوش مصنوعی. IEEE Trans. ساز. Meas. 69 (7)، 4103-4113.
شاختره، ح، صوالمه، ق، الفقها، ع، دو، ز، المیتا، ا.، خلیل، ط،
عثمان، NS، خریشا، ع.، گیزانی، م.، 2019. وسایل نقلیه هوایی بدون سرنشین (پهپاد): بررسی کاربردهای غیرنظامی و چالش های کلیدی تحقیقاتی. IEEE Access 7،
48572–48634. https://doi.org/10.1109/ACCESS.2019.2909530.
Shakoor, N., Northrup, D., Murray, S., Mockler, TC, 2019. کشاورزی مبتنی بر داده های بزرگ: تجزیه و تحلیل داده های بزرگ در اصلاح نباتات، ژنومیک و استفاده از سنجش از دور
فن آوری برای ارتقای بهره وری محصول پدیده گیاهی J. 2 (1)، 1-8.
Sharma, BK, Chandra, G., Mishra, VP, 2019. تحلیل مقایسه ای و مفهوم پهپاد و هوش مصنوعی در تحقیقات پزشکی قانونی. در: مجموعه مقالات – 2019 Amity International
کنفرانس هوش مصنوعی https://doi.org/10.1109/AICAI.2019.8701407.
Sharma, R., Shishodia, A., Gunasekaran, A., Min, H., Munim, ZH, 2022. نقش هوش مصنوعی در مدیریت زنجیره تامین: نقشه برداری قلمرو. بین المللی جی.
تولید Res. 1-24. https://doi.org/10.1080/00207543.2022.2029611.
شی، ی.، توماسسون، جی، موری، اس سی، پوگ، NA، رونی، دبلیو ال، شفیان، اس.، راجان، ن.، روزه، جی.، مورگان، سی. ، MV،
هنریکسون، جی.، باودن، ای.، والاسک، جی.، اولسنهولر، جی.، اسقف، نماینده مجلس، شریدان، آر.، پوتمن، ای بی، پوپسکو، اس.، بورکز، تی.، کوپ، دی، ابراهیم، A.، McCutchen، BF،
Baltensperger, DD, Avant, RV, Vidrine, M., Yang, C., Zhang, J., 2016. وسایل نقلیه هوایی بدون سرنشین برای فنوتیپینگ با توان بالا و تحقیقات زراعی. PLoS ONE
11 (7), e0159781.
Shuai, G., Martinez-Feria, RA, Zhang, J., Li, S., Price, R., Basso, B., 2019. گرفتن ناهمگونی توده ذرت در مناطق پایدار عملکرد با استفاده از هواپیمای بدون سرنشین
وسایل نقلیه (UAV). Sensors 19 (20), 4446. https://doi.org/10.3390/s19204446.
اسمال، اچ.، 1973. استناد مشترک در ادبیات علمی: معیار جدیدی از رابطه بین دو سند. مربا. Soc. اطلاعات علمی 24 (4)، 265-269.
Small, H., Rorvig, ME, Lunin, LF, 1999. تجسم علم با استفاده از نقشه استنادی. مربا. Soc. اطلاعات علمی 50 (9)، 799-813.
Soares، VHA، Ponti، MA، Gonçalves، RA، Campello، RJGB، 2021. شمارش گاو در طبیعت با تصاویر هوایی جغرافیایی در مناطق بزرگ مراتع. محاسبه کنید. الکترون. کشاورزی 189، 106354 https://doi.org/10.1016/j.compag.2021.106354.
Srivastava، K.، Pandey، PC، Sharma، JK، 2020. رویکردی برای بهینه سازی مسیر در کاربردهای کشاورزی دقیق با استفاده از پهپاد. Drones 4 (3), 58. https://doi.org/ 10.3390/drones4030058.
Stafford، JV، 2000. اجرای کشاورزی دقیق در قرن 21. جی. آگریک. مهندس Res. 76 (3)، 267-275.
Su, J., Coombes, M., Liu, C., Guo, L., Chen, W.-H., 2018. ارزیابی خشکسالی گندم با تصاویر سنجش از دور با استفاده از هواپیمای بدون سرنشین. در سال 2018 سی و هفتمین کنفرانس کنترل چین (CCC).
سو، جی.، لیو، سی.، کومبز، ام.، هو، ایکس.، وانگ، سی.، ژو، ایکس.، لی، کیو، گوئو، ال.، چن، دبلیو.-اچ.، 2018. پایش زنگ زرد گندم با یادگیری از تصاویر هوایی پهپاد چندطیفی.
محاسبه کنید. الکترون. کشاورزی 155، 157-166. https://doi.org/10.1016/j. compag.2018.10.017.
Su, Y., Wang, X., 2021. نوآوری مدیریت اقتصادی کشاورزی در فرآیند ساخت کشاورزی هوشمند توسط داده های بزرگ. محاسبات پایدار Inf. سیستم 31، 100579 https://doi.org/10.1016/j.suscom.2021.100579.
Sullivan, DG, Fulton, JP, Shaw, JN, Bland, GL, 2007. ارزیابی حساسیت یک سیستم هوایی مادون قرمز حرارتی بدون سرنشین برای تشخیص تنش آب در سایبان پنبه. ترانس. ASABE 50 (6)، 1955-1962.
Sumesh، KC، Ninsawat، S.، Som-ard، J.، 2021. ادغام شاخص پوشش گیاهی مبتنی بر RGB، مدل سطح محصول و رویکرد تجزیه و تحلیل تصویر مبتنی بر شی برای تخمین عملکرد نیشکر با استفاده از هواپیمای بدون سرنشین. محاسبه کنید. الکترون. کشاورزی 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. یک سیستم نقشه برداری ابرطیفی سبک وزن برای
وسایل نقلیه هوایی بدون سرنشین - اولین نتایج در: 2013 پنجمین کارگاه آموزشی تصویر فراطیفی و پردازش سیگنال: تکامل در سنجش از دور (WHISPERS)، صفحات 5-1. https://doi.org/4/WHISPERS.10.1109.
Suomalainen, J., Anders, N., Iqbal, S., Roerink, G., Franke, J., Wenting, P., Hünniger, D., Bartholomeus, H., Becker, R., Kooistra, L., 2014. یک ابر طیفی سبک وزن
سیستم نقشه برداری و زنجیره پردازش فتوگرامتری برای وسایل نقلیه هوایی بدون سرنشین. سنجش از دور 6 (11)، 11013-11030. https://doi.org/10.3390/
rs61111013.
Syeda, IH, Alam, MM, Illahi, U., Suud, MM, 2021. استراتژی های کنترل پیشرفته با استفاده از پردازش تصویر، پهپاد و هوش مصنوعی در کشاورزی: مروری. جهانی J. Eng. 18 (4)
579–589. https://doi.org/10.1108/WJE-09-2020-0459.
Tahai, A., Rigsby, JT, 1998. پردازش اطلاعات با استفاده از استنادها برای بررسی تأثیر مجلات در حسابداری. Inf. روند. مدیریت کنید. 34 (2-3)، 341-359.
Tang, Y., Dananjayan, S., Hou, C., Guo, Q., Luo, S., He, Y., 2021. نظرسنجی در مورد شبکه 5G و تأثیر آن بر کشاورزی: چالش ها و فرصت ها. محاسبه کنید.
الکترون. کشاورزی 180، 105895 https://doi.org/10.1016/j.compag.2020.105895.
Tantalaki, N., Souravlas, S., Romeliotis, M., 2019. تصمیم گیری مبتنی بر داده در کشاورزی دقیق: ظهور کلان داده در سیستم های کشاورزی. جی. آگریک. اطلاعات غذا
20 (4) ، 344–380.
Tao, H., Feng, H., Xu, L., Miao, M., Yang, G., Yang, X., Fan, L., 2020. برآورد عملکرد و ارتفاع بوته گندم زمستانه با استفاده از پهپاد- تصاویر فراطیفی مبتنی بر
سنسورها 20 (4)، 1231.
Techy، L.، Schmale III، DG، Woolsey، CA، 2010. نمونه برداری هوازی هماهنگ از یک پاتوژن گیاهی در اتمسفر پایین با استفاده از دو وسیله نقلیه هوایی بدون سرنشین مستقل. جی فیلد راب. 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. تشخیص و طبقه بندی آفات سویا با استفاده از یادگیری عمیق
با تصاویر پهپاد محاسبه کنید. الکترون. کشاورزی 179, 105836.
Thamm, H.-P., Menz, G., Becker, M., Kuria, DN, Misana, S., Kohn, D., 2013. استفاده از UAS برای ارزیابی سیستم های کشاورزی در تالاب AN در تانزانیا در- و WetSeason برای کشاورزی پایدار و ارائه حقیقت پایه برای داده های Terra-Sar X. در: ISPRS – آرشیو بین المللی فتوگرامتری، سنجش از دور و علوم اطلاعات فضایی، صفحات 401–406. https://doi.org/10.5194/isprsarchivesXL-1-W2-401-2013.
Thelwall, M., 2008. کتاب سنجی تا وب سنجی. J. اطلاعات. علمی 34 (4)، 605-621.
Torres-Sanchez, ' J., Lopez-Granados, ' F., Pena, ~ JM, 2015. یک روش خودکار مبتنی بر شی برای آستانه گذاری بهینه در تصاویر پهپاد: کاربرد برای تشخیص پوشش گیاهی در محصولات علفی. محاسبه کنید. الکترون. کشاورزی 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. نظارت 3 بعدی با توان بالا مزارع درختان کشاورزی با فناوری وسایل نقلیه هوایی بدون سرنشین (UAV). PLoS ONE 10 (6)، e0130479.
Torres-Sanchez, ' J., Pena, ~ JM, de Castro, AI, Lopez-Granados, ' F., 2014. نقشه برداری چند زمانی از کسر پوشش گیاهی در مزارع گندم در اوایل فصل با استفاده از تصاویر از پهپاد. محاسبه کنید. الکترون. کشاورزی 103، 104-113. https://doi.org/10.1016/j. compag.2014.02.009.
Tsouros, DC, Bibi, S., Sarigiannidis, PG, 2019. مروری بر کاربردهای مبتنی بر پهپاد برای کشاورزی دقیق. اطلاعات (سوئیس) 10 (11). https://doi.org/10.3390/info10110349.
Tu, Y.-H., Phinn, S., Johansen, K., Robson, A., Wu, D., 2020. بهینه سازی برنامه ریزی پرواز هواپیماهای بدون سرنشین برای اندازه گیری ساختار محصول درختان باغبانی. ISPRS J. Photogramm.
Remote Sens. 160, 83-96. https://doi.org/10.1016/j.isprsjprs.2019.12.006
Tzounis, A., Katsoulas, N., Bartzanas, T., Kittas, C., 2017. اینترنت اشیا در کشاورزی، پیشرفت های اخیر و چالش های آینده. Biosyst. مهندس 164، 31-48.
https://doi.org/10.1016/j.biosystemseng.2017.09.007.
Uddin, A., Singh, VK, Pinto, D., Olmos, I., 2015. نقشه برداری علم سنجی تحقیقات علوم کامپیوتر در مکزیک. Scientometrics 105 (1)، 97-114.
UN., 2019. چشم انداز جمعیت جهان 2019. https://population.un.org/wpp/ (دسترسی در 15/04/2022).
Uto, K., Seki, H., Saito, G., Kosugi, Y., 2013. خصوصیات شالیزارهای برنج توسط یک سیستم حسگر فراطیفی مینیاتوری نصب شده با پهپاد. IEEE J. Sel. بالا. Appl. زمین 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. هواپیماهای بدون سرنشین در
کشاورزی. Adv. آگرون. 162، 1-30.
ولوسامی، پی، راجندران، س.، ماهندران، ر.ک.، نصیر، س.، شفیق، م.، چوی، ج.-جی.، 2022.
وسایل نقلیه هوایی بدون سرنشین (UAV) در کشاورزی دقیق: کاربردها و چالش ها انرژی ها 15 (1)، 217. https://doi.org/10.3390/en15010217.
Ventura, D., Bonifazi, A., Gravina, MF, Belluscio, A., Ardizzone, G., 2018. نقشه برداری و طبقه بندی زیستگاه های دریایی حساس از نظر اکولوژیکی با استفاده از هواپیماهای بدون سرنشین
تصاویر خودرو (UAV) و تجزیه و تحلیل تصویر مبتنی بر شی (OBIA). سنجش از دور 10 (9)، 1331. https://doi.org/10.3390/rs10091331.
Verger, A., Vigneau, N., Ch´eron, C., Gilliot, J.-M., Comar, A., Baret, F., 2014. شاخص منطقه سبز از یک سیستم هوایی بدون سرنشین بر روی محصولات گندم و کلزا . سنسور از راه دور محیط. 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. استقرار چهار حسگر مبتنی بر پهپاد نوری بر روی علفزار: چالش ها و
محدودیت ها. Biogeosciences 12 (1)، 163-175. https://doi.org/10.5194/bg-12-163-2015.
Vuran, MC, Salam, A., Wong, R., Irmak, S., 2018. اینترنت چیزهای زیرزمینی در کشاورزی دقیق: جنبه های معماری و فناوری. Ad Hoc Netw. 81،
160-173. https://doi.org/10.1016/j.adhoc.2018.07.017.
Wamba، SF، Queiroz، MM، 2021. هوش مصنوعی مسئول به عنوان یک عنصر مخفی برای سلامت دیجیتال: تجزیه و تحلیل کتاب سنجی، بینش، و جهت های تحقیقاتی.
اطلاعات سیستم جلو. 1-16.
Wang, L., Zhang, G., Wang, Z., Liu, J., Shang, J., Liang, L., 2019. تجزیه و تحلیل کتابسنجی روند تحقیقات سنجش از دور در نظارت بر رشد محصول: مطالعه موردی در چین. سنجش از دور 11 (7). https://doi.org/10.3390/rs11070809.
White, HD, Griffith, BC, 1981. همخوانی نویسنده: معیار ادبیات ساختار فکری. مربا. Soc. اطلاعات علمی 32 (3)، 163-171.
Xiang، H.، Tian، L.، 2011. توسعه یک سیستم سنجش از راه دور کشاورزی کم هزینه بر اساس یک وسیله نقلیه هوایی بدون سرنشین خودران (UAV). Biosyst. مهندس 108 (2)، 174-190. https://doi.org/10.1016/j.biosystemseng.2010.11.010.
Xie, C., Yang, C., 2020. مروری بر صفات فنوتیپینگ با توان عملیاتی بالا با استفاده از حسگرهای مبتنی بر پهپاد. محاسبه کنید. الکترون. کشاورزی 178، 105731 https://doi.org/10.1016/j.
compag.2020.105731.
Yao, H., Qin, R., Chen, X., 2019. هواپیمای بدون سرنشین برای کاربردهای سنجش از راه دور - یک بررسی. سنجش از دور 11 (12). https://doi.org/10.3390/
rs11121443.
Yeom, S., 2021. ردیابی افراد متحرک و حذف مسیر نادرست با تصویربرداری حرارتی مادون قرمز توسط مولتی روتور. 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. مقایسه تخمین پارامترهای محصول با استفاده از تصاویر از پهپاد نصب شده
سنسور فراطیفی عکس فوری و دوربین دیجیتال با کیفیت بالا. سنجش از دور 10 (7)، 1138. https://doi.org/10.3390/rs10071138.
Yue, J., Yang, G., Li, C., Li, Z., Wang, Y., Feng, H., Xu, B., 2017. تخمین زیست توده گندم زمستانه روی زمین با استفاده از وسیله نقلیه هوایی بدون سرنشین- عکس فوری مبتنی بر
مدلهای بهبود یافته حسگر فراطیفی و ارتفاع محصول. سنجش از دور 9 (7). https://doi.org/10.3390/rs9070708.
Zahawi, RA, Dandois, JP, Holl, KD, Nadwodny, D., Reid, JL, Ellis, EC, 2015. استفاده از وسایل نقلیه هوایی بدون سرنشین سبک وزن برای نظارت بر بازیابی جنگل های استوایی. Biol.
حفظ کنید. 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.
پلت فرم IoT کشاورزی هوشمند مبتنی بر لبه و رایانش ابری. Biosyst. مهندس 177،
4 17.
Zarco-Tejada, PJ, Diaz-Varela, R., Angileri, V., Loudjani, P., 2014. تعیین کمیت ارتفاع درخت با استفاده از تصاویر با وضوح بسیار بالا به دست آمده از یک هواپیمای بدون سرنشین
وسیله نقلیه (پهپاد) و روش های بازسازی عکس سه بعدی خودکار. یورو جی. آگرون. 3، 55-89. https://doi.org/99/j.eja.10.1016.
Zhang, C., Craine, WA, McGee, RJ, Vandemark, GJ, Davis, JB, Brown, J., Hulbert, SH, Sankaran, S., 2020. فنوتیپ مبتنی بر تصویر از شدت گلدهی در محصولات فصل سرد. Sensors 20 (5), 1450. https://doi.org/10.3390/s20051450.
Zhang, C., Kovacs, JM, 2012. کاربرد سیستم های هوایی بدون سرنشین کوچک برای کشاورزی دقیق: بررسی. دقیق کشاورزی 13 (6)، 693-712. https://doi.org/
10.1007/s11119-012-9274-5.
Zhang, L., Zhang, H., Niu, Y., Han, W., 2019. نقشه برداری تنش آب ذرت بر اساس سنجش از دور چند طیفی پهپاد. سنجش از دور 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. یک رویکرد مبتنی بر یادگیری عمیق برای زنگ زرد خودکار
تشخیص بیماری از تصاویر پهپاد فراطیفی با وضوح بالا سنجش از دور 11 (13)، 1554.
Zhao, X., Zhang, J., Huang, Y., Tian, Y., Yuan, L., 2022. تشخیص و تمایز بیماری و استرس حشرات گیاهان چای با استفاده از تصویربرداری فراطیفی همراه با تجزیه و تحلیل موجک. محاسبه کنید. الکترون. کشاورزی 193، 106717 https://doi.org/10.1016/j. compag.2022.106717.
Zheng, A., Wang, M., Li, C., Tang, J., Luo, B., 2022. انطباق دامنه خصمانه هدایت شده توسط آنتروپی برای تقسیم بندی معنایی تصویر هوایی. IEEE Trans. جی
Zheng, H., Cheng, T., Yao, X., Deng, X., Tian, Y., Cao, W., Zhu, Y., 2016. تشخیص فنولوژی برنج از طریق تجزیه و تحلیل سری های زمانی طیفی زمینی داده های شاخص Field Crops Res. 198، 131-139. https://doi.org/10.1016/j.fcr.2016.08.027.
Zheng, J., Yang, W., 2018. طراحی سیستم کاشت نشت کشاورزی دقیق بر اساس حسگرهای بی سیم. بین المللی J. مهندس آنلاین 14 (05)، 184.
Zhou, L., Gu, X., Cheng, S., Yang, G., Shu, M., Sun, Q., 2020. تجزیه و تحلیل تغییرات ارتفاع گیاه ذرت ذخیره شده با استفاده از داده های UAV-LiDAR. کشاورزی 10 (5)، 146. https://
doi.org/10.3390/agriculture10050146.
Zhou, S., Chai, X., Yang, Z., Wang, H., Yang, C., Sun, T., 2021. Maize-IAS: یک نرم افزار تجزیه و تحلیل تصویر ذرت با استفاده از یادگیری عمیق برای فنوتیپ کردن گیاهان با کارایی بالا . روش های گیاهی 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. پیش بینی عملکرد دانه در برنج با استفاده از پوشش گیاهی چند زمانی
شاخص هایی از تصاویر چندطیفی و دیجیتال مبتنی بر پهپاد. 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. شبیه سازی فناوری هسته یک سیستم نظارت بر گلخانه مبتنی بر شبکه حسگر بی سیم. بین المللی J. مهندس آنلاین 12 (05),
43.
Zhou، Z.، Majeed، Y.، Diverres Naranjo، G.، Gambacorta، EMT، 2021. ارزیابی تنش آبی محصول با تصاویر حرارتی مادون قرمز در کشاورزی دقیق: یک بررسی
و چشم اندازهای آینده برای کاربردهای یادگیری عمیق. محاسبه کنید. الکترون. کشاورزی 182، 106019 https://doi.org/10.1016/j.compag.2021.106019.