Abderahman Rejeb a Ali Rıza Abdullahi b , Karim Rejeb c Horst Treiblmaier d,
- a Yönetim ve Hukuk Bölümü, İktisat Fakültesi, Roma Tor Vergata Üniversitesi, Via Columbia, 2, Roma 00133, İtalya
- b İşletme Bölümü, İşletme Fakültesi, Kharazmi Üniversitesi, 1599964511 Tahran, İran
- c Bizerte Bilim Fakültesi, Kartaca Üniversitesi, Zarzouna, 7021 Bizerte, Tunus
- d Uluslararası Yönetim Okulu, Modul Üniversitesi Viyana, Am Kahlenberg 1, 1190 Viyana, Avusturya
MAKALE BİLGİSİ | ÖZET |
Anahtar Kelimeler: Drones İHA Hassas tarım Şeylerin İnternet bibliyometri | İnsansız Hava Araçları (İHA) olarak da adlandırılan drone'lar, son yıllarda dikkat çekici bir gelişmeye sahne oldu. Tarımda, çiftçilere önemli maliyet tasarrufları sunarak çiftçilik uygulamalarını değiştirdiler. Operasyonel verimlilik ve daha iyi karlılık. Geçtiğimiz on yıllarda tarımsal dronlar konusu gündeme geldi. olağanüstü akademik ilgi gördü. Bu nedenle bibliyometriye dayalı kapsamlı bir inceleme yürütüyoruz Mevcut akademik literatürü özetlemek ve yapılandırmak ve mevcut araştırma eğilimlerini ve sıcak noktalarını ortaya çıkarmak. Biz Bibliyometrik teknikleri uygulamak ve tarımsal drone'ları çevreleyen literatürü özetlemek ve analiz etmek için analiz etmek Önceki araştırmaları değerlendirin. Analizimiz, uzaktan algılama, hassas tarım, derin öğrenme, makine öğrenimi ve Nesnelerin İnterneti'nin tarımsal drone'larla ilgili kritik konular olduğunu gösteriyor. Ortak alıntı Analiz, literatürde altı geniş araştırma kümesini ortaya çıkarmaktadır. Bu çalışma, tarımdaki drone araştırmalarını özetlemeye ve gelecekteki araştırmalara yön vermeye yönelik ilk girişimlerden biridir. |
Giriş
Tarım, dünyanın birincil gıda kaynağını temsil etmektedir (Friha ve diğerleri, 2021) ve
Gıda ürünlerine olan talebin artması, gıda güvenliği ve güvenlik kaygılarının yanı sıra çevrenin korunması, suyun muhafaza edilmesi ve
sürdürülebilirlik (Inoue, 2020). Dünya nüfusunun 9.7 yılında 2050 milyara ulaşacağı tahmin edildiğinden bu gelişmenin devam edeceği öngörülüyor.
(2019). Tarım, küresel ölçekte su tüketiminin en belirgin örneğini oluşturduğundan, gıda talebinin ve suyun
tüketim yakın gelecekte önemli ölçüde artacaktır. Ayrıca artan gübre ve tarım ilacı tüketimi
Çiftçilik faaliyetlerinin yoğunlaşmasıyla birlikte gelecekte çevresel zorluklara yol açabilir. Benzer şekilde ekilebilir araziler sınırlıdır ve
Dünya çapında çiftçi sayısı azalıyor. Bu zorluklar, yenilikçi ve sürdürülebilir tarım çözümlerine olan ihtiyacı vurgulamaktadır (Elijah
ve diğerleri, 2018; Friha ve diğerleri, 2021; Inoue, 2020; Tzounis ve diğerleri, 2017).
Yeni teknolojilerin dahil edilmesi, bu zorlukların üstesinden gelmek için umut verici bir çözüm olarak tanımlandı. Akıllı tarım (Brewster ve diğerleri,
2017; Tang ve diğerleri, 2021) ve hassas tarım (Feng ve diğerleri, 2019; Khanna ve Kaur, 2019) bu tür tartışmaların bir sonucu olarak ortaya çıkmıştır.
birincisi, verimliliği ve etkinliği artırmak için tarım faaliyetlerinde bilgi iletişim teknolojilerinin (BİT) ve diğer ileri yeniliklerin benimsenmesine yönelik genel bir kavramdır (Haque ve diğerleri, 2021). İkincisi, arazinin bölümlere ayrıldığı sahaya özgü yönetime odaklanır.
homojen parçalar vardır ve her parça, yeni teknolojiler aracılığıyla mahsul verimi optimizasyonu için tam miktarda tarımsal girdi alır (Feng ve diğerleri, 2019; Khanna ve Kaur, 2019). Bu alanda akademisyenlerin dikkatini çeken öne çıkan teknolojiler arasında Kablosuz Sensör Ağları (WSN'ler) (J. Zheng ve Yang, 2018; Y. Zhou ve diğerleri, 2016), Nesnelerin İnterneti (IoT) (Gill ve diğerleri, 2017; He ve diğerleri, 2021; Liu ve diğerleri, 2019),
makine öğrenimi ve derin öğrenmeyi içeren yapay zeka (AI) teknikleri (Liakos ve diğerleri, 2018; Parsaeian ve diğerleri, 2020; Shadrin ve diğerleri,
2019), bilgi işlem teknolojileri (Hsu vd., 2020; Jinbo vd., 2019; Zamora-Izquierdo vd., 2019), büyük veri (Gill vd., 2017; Tantalaki)
ve diğerleri, 2019) ve blockchain (PW Khan ve diğerleri, 2020; Pincheira ve diğerleri, 2021).
Yukarıda belirtilen teknolojilere ek olarak uzaktan algılama, iyileştirme potansiyeli yüksek bir teknolojik araç olarak değerlendirilmektedir.
akıllı ve hassas tarım. Uydular, insan mürettebatlı uçaklar ve dronlar popüler uzaktan algılama teknolojileridir (Tsouros ve diğerleri, 2019).
Halk arasında İnsansız Hava Araçları (İHA), İnsansız Hava Aracı Sistemleri (UAS) ve uzaktan kumandalı hava araçları olarak bilinen drone'lar,
Diğer uzaktan algılama teknolojileriyle karşılaştırıldığında birçok avantaja sahip olması nedeniyle büyük önem taşımaktadır. Örneğin, dronlar teslimat yapabilir
Bulutlu günlerde yüksek kaliteli ve yüksek çözünürlüklü görüntüler (Manfreda vd., 2018). Ayrıca kullanılabilirliği ve aktarım hızları da diğer faktörlerdir.
faydalar (Radoglou-Grammatikis ve diğerleri, 2020). Uçaklarla karşılaştırıldığında, dronlar oldukça uygun maliyetlidir ve kurulumu ve bakımı kolaydır (Tsouros ve diğerleri, 2019). Başlangıçta ağırlıklı olarak askeri amaçlarla kullanılmasına rağmen, drone'lar tedarik zinciri yönetimi (A. Rejeb, Rejeb, vd., 2021a) ve insani amaçlar (A. Rejeb, Rejeb, vd., 2021c), akıllı tarım, araştırma ve haritalama, kültürel miras belgeleme, afet yönetimi ve orman ve yaban hayatının korunması (Panday, Pratihast, vd., 2020). Tarımda, mahsul yönetimini (örneğin haritalama, izleme, sulama, bitki teşhisi) desteklemek için yeni teknolojiler, bilgi işlem yetenekleri ve yerleşik sensörlerle entegre edilebildiklerinden drone'ların çok çeşitli uygulama alanları mevcuttur (H. Huang ve diğerleri, 2021) , afet azaltma, erken uyarı sistemleri, yaban hayatı ve ormancılığın korunması bunlardan birkaçıdır (Negash ve diğerleri, 2019). Benzer şekilde, dronlardan mahsul ve büyüme izleme, verim tahmini, su stresi değerlendirmesi ve yabani ot, haşere ve hastalık tespiti dahil olmak üzere çeşitli tarımsal faaliyetlerde yararlanılabilir (Inoue, 2020; Panday, Pratihast ve diğerleri, 2020). Drone'lar yalnızca duyusal verilere dayalı olarak izleme, tahmin ve tespit amacıyla değil, aynı zamanda hassas sulama ve hassas yabani ot, haşere ve hastalık yönetimi için de kullanılabilir. Yani dronelar çevresel verilere dayanarak kesin miktarlarda su ve tarım ilacı püskürtebiliyor. Drone'ların tarımdaki faydaları Tablo 1'de özetlenmiştir.
Tarımda drone'ların temel faydaları.
Yarar | Referanslar) |
Zamansal ve mekansal iyileştirme algılama çözünürlükleri | (Gago ve diğerleri, 2015; Niu ve diğerleri, 2020; Srivastava ve arkadaşları, 2020) |
Hassas tarımı kolaylaştırın | (L. Deng ve diğerleri, 2018; Kalischuk ve diğerleri, 2019; Maimaitijiang ve diğerleri, 2017) |
Sınıflandırma ve keşif bitkiler | (Inoue, 2020; Kalischuk ve diğerleri, 2019; Lopez- ` Granados ve diğerleri, 2016; Maimaitijiang ve diğerleri, 2017; Melville ve diğerleri, 2019; Moharana ve Dutta, 2016) |
Gübre kullanımı | (L. Deng ve diğerleri, 2018; Guan ve diğerleri, 2019) |
Kuraklığın izlenmesi | (Fawcett ve diğerleri, 2020; Panday, Pratihast ve diğerleri, 2020; Su ve diğerleri, 2018) |
Biyokütle tahmini | (Bendig ve diğerleri, 2014) |
Verim tahmini | (Inoue, 2020; Panday, Shrestha ve diğerleri, 2020; Tao ve arkadaşları, 2020) |
Afet azaltma | (Negash ve diğerleri, 2019) |
Yaban hayatının korunması ve ormancılık | (Negash ve diğerleri, 2019; Panday, Pratihast ve diğerleri, 2020) |
Su stresinin değerlendirilmesi | (Inoue, 2020; J. Su, Coombes ve diğerleri, 2018; L. Zhang ve diğerleri, 2019) |
Zararlılar, yabani otlar ve hastalıklar bulma | (Gaˇsparovi'c ve diğerleri, 2020; Inoue, 2020; J. Su, Liu, ve diğerleri, 2018; X. Zhang ve diğerleri, 2019) |
Öte yandan dronlar da sınırlamalarla karşı karşıyadır. Pilot katılımı, motor gücü, stabilite ve güvenilirlik, yüke bağlı olarak sensörlerin kalitesi
ağırlık sınırlamaları, uygulama maliyetleri ve havacılık düzenlemeleri bunların arasında yer almaktadır (C. Zhang ve Kovacs, 2012). Eksiklikleri karşılaştırıyoruz
Tablo 2'deki üç mobil uzaktan algılama teknolojisinden biridir. Toprak sensörleri gibi diğer uzaktan algılama teknolojileri bu çalışmanın odağının dışındadır.
Çeşitli mobil uzaktan algılama teknolojilerinin eksiklikleri.
Uzaktan Algılama teknolojileri | eksiklikleri | Referanslar |
Drone (İHA) | Pilot katılımı; Görüntüler' kalite (ortalama); uygulama maliyetleri (ortalama); stabilite, manevra kabiliyeti ve güvenilirlik; standardizasyon; motor gücü; sınırlı güç kaynaklar (pil ömrü); sınırlı uçuş süresi, çarpışma ve siber saldırılar; sınırlı yük ağırlığı; büyük veri kümeleri ve sınırlı veri işleme yetenekler; düzenleme eksikliği; uzmanlık eksikliği, yüksek giriş erişim engelleri tarımsal dronlar; | (Bacco ve diğerleri, 2018; Dawaliby ve diğerleri, 2020; Hardin ve Hardin, 2010; Hardin ve Jensen, 2011; Lagkas ve diğerleri, 2018; Laliberte ve diğerleri, 2007; Laliberte ve Rango, 2011; Manfreda ve diğerleri, 2018, 2018; Nebiker ve diğerleri, 2008; Puri ve diğerleri, 2017; Velusamy ve diğerleri, 2022; C.Zhang ve Kovacs, 2012) |
Uydu | Periyodik uydu kapsama alanı, sınırlı spektral çözünürlük; görünürlük sorunlarına karşı güvenlik açığı (örneğin bulutlar); Kullanılamazlık ve düşük aktarım hızı; yönlendirme ve ayrıntılandırma maliyetli mekansal verileri etkiler Toplamak; yavaş veri iletimi son kullanıcılara ulaşma zamanı | (Aboutalebi ve diğerleri, 2019; Cen ve diğerleri, 2019; Chen ve diğerleri, 2019; Nansen ve Elliott, 2016; Panday, Pratihast, ve diğerleri, 2020; Sai Vineeth ve arkadaşları, 2019) |
Uçak | Yüksek benimseme maliyetleri; karmaşık kurulum; bakım maliyetleri; güvenilir bulunmaması uçaklar, geometri Görüntüler; düzenli olmayan veriler kazanma; esneklik eksikliği; ölümcül kazalar; sensör verileri titreşimlerden kaynaklanan değişiklikler; coğrafi referans sorunları | (Armstrong ve diğerleri, 2011; Atkinson ve diğerleri, 2018; Barbedo ve Koenigkan, 2018; Kovalev ve Voroşilova, 2020; Suomalainen ve diğerleri, 2013; Thamm ve diğerleri, 2013) |
Tarımda multidisipliner ve çok amaçlı bir teknoloji olan drone'lar çeşitli açılardan araştırılmaktadır. Örneğin, bilim adamları tarımdaki drone uygulamalarını (Kulbacki ve diğerleri, 2018; Mogili ve Deepak, 2018), bunların hassas tarıma katkılarını (Puri ve diğerleri, 2017; Tsouros ve diğerleri, 2019), diğerleriyle tamamlayıcılıklarını incelediler. en son teknolojiler (Al-Thani ve diğerleri, 2020; Dutta ve Mitra, 2021; Nayyar ve diğerleri, 2020; Saha ve diğerleri, 2018) ve navigasyon ve algılama yeteneklerini geliştirme olanakları (Bareth ve diğerleri. 2015). , 2014; Suomalainen ve diğerleri, 2021). Tarımda drone uygulamalarına yönelik araştırmalar yaygınlaştığı için (Khan vd., XNUMX) mevcut literatürü özetlemeye ve alanın entelektüel yapısını ortaya çıkarmaya ihtiyaç duyulmaktadır. Ayrıca, sürekli gelişmelere sahip bir yüksek teknoloji alanı olarak, mevcut literatürü periyodik olarak özetlemek ve önemli araştırma boşluklarını belirlemek için yapılandırılmış incelemelerin yapılması gerekmektedir. İle
Bugüne kadar tarım sektöründeki drone uygulamalarını tartışan az sayıda inceleme bulunmaktadır. Örneğin, Mogili ve Deepak (2018), dronların mahsul izleme ve pestisit püskürtme konusundaki etkilerini kısaca gözden geçirdi. Inoue (2020) tarımda uzaktan algılamada uydu ve drone kullanımına ilişkin bir inceleme yürütmektedir. Yazar, örnek olaylara ve en iyi uygulamalara dayanarak akıllı tarımı benimsemenin teknolojik zorluklarını ve uyduların ve dronların katkılarını araştırıyor. Tsouros ve ark. (2019), çeşitli veri toplama ve işleme yöntemlerine dikkat çekerek farklı drone türlerini ve bunların tarımdaki ana uygulamalarını özetlemektedir. Daha yakın zamanlarda Aslan ve ark. (2022), tarımsal faaliyetlerdeki İHA uygulamalarına ilişkin kapsamlı bir inceleme yapmış ve serada bir İHA için eş zamanlı lokalizasyon ve haritalamanın öneminin altını çizmiştir. Diaz-Gonzalez ve ark. (2022), farklı makine öğrenimi tekniklerine ve uzaktan kumandaya dayalı mahsul verimi üretimine ilişkin son çalışmaları gözden geçirdi.
algılama sistemleri. Bulguları, İHA'ların toprak göstergelerini tahmin etmede faydalı olduğunu ve mekansal çözünürlük, bilgi zamansallığı ve esneklik açısından uydu sistemlerinden daha iyi performans gösterdiğini gösterdi. Basiri ve ark. (2022), hassas tarım bağlamında çok rotorlu İHA'lara yönelik yol planlama zorluklarının üstesinden gelmek için çeşitli yaklaşım ve yöntemlerin kapsamlı bir incelemesini yaptı. Ayrıca Awais ve ark. (2022), su durumunu tahmin etmek için mahsullerde İHA uzaktan algılama verilerinin uygulanmasını özetlemiş ve su stresi uygulaması için İHA uzaktan algılamanın olası kapasitesinin derinlemesine bir sentezini sağlamıştır. Son olarak Aquilani ve ark. (2022), mera bazlı hayvancılık sistemlerinde uygulanan öngörü tarım teknolojilerini incelemiş ve İHA'ların sağladığı uzaktan algılamanın biyokütle değerlendirmesi ve sürü yönetimi için avantajlı olduğu sonucuna varmıştır.
Ayrıca son dönemde canlı hayvanların izlenmesi, takibi ve toplanmasında İHA'ların kullanılmasına yönelik çalışmalar yapıldığı bildiriliyor.
Bu incelemeler yeni ve önemli bilgiler vermesine rağmen literatürde bibliyometriye dayalı kapsamlı ve güncel bir inceleme bulunamıyor, bu da açık bir bilgi boşluğu ortaya koyuyor. Ayrıca bilimsel bir alanda bilimsel üretim arttığında, araştırmacıların alanın bilgi yapısını kavramak için nicel inceleme yaklaşımlarını kullanmasının hayati önem taşıdığı belirtilmektedir (Rivera ve Pizam, 2015). Benzer şekilde Ferreira ve ark. (2014), araştırma alanları olgunlaştıkça ve karmaşıklaştıkça, akademisyenlerin yeni katkıları ortaya çıkarmak, araştırma geleneklerini ve eğilimlerini yakalamak, hangi konuların çalışıldığını belirlemek ve araştırma alanının bilgi yapısını derinlemesine incelemek için zaman zaman üretilen ve biriktirilen bilgiyi anlamlandırmayı hedeflemesi gerektiğini savundu. alan ve potansiyel araştırma yönleri. Raparelli ve Bajocco (2019), tarım ve ormancılıktaki drone uygulamalarının bilgi alanını incelemek için bibliyometrik bir analiz gerçekleştirirken, çalışmaları yalnızca 1995 ile 2017 arasında yayınlanan ve hızlı hareket eden bu alanın dinamiklerini yansıtmayan bilimsel araştırmaları dikkate almaktadır. Ayrıca yazarlar, ortak alıntı analizi kullanarak alandaki en etkili katkıları belirlemeye, literatürü kümelemeye ve entelektüel yapıyı değerlendirmeye çalışmamışlardır. Sonuç olarak, mevcut araştırma odaklarını, eğilimleri ve sıcak noktaları ortaya çıkarmak için literatürün özetlenmesi gerekmektedir.
Bu bilgi boşluğunu doldurmak amacıyla, insansız hava araçları ve tarımın kesiştiği noktada mevcut araştırma durumunu incelemek için niceliksel metodolojiden ve titiz bibliyometrik yöntemlerden yararlanıyoruz. Mevcut çalışmanın, tarımda oldukça ihtiyaç duyulan ve bu sektördeki çeşitli yönleri değiştirme konusunda muazzam bir potansiyel sağlayan yeni bir teknolojiyi inceleyerek mevcut literatüre çeşitli katkılar sağlayacağını savunuyoruz. Tarım bağlamında dronlara ilişkin dağınık ve parçalı bilgi göz önüne alındığında, tarımsal dronların bibliyometrik analizine olan ihtiyaç daha da fazla hissedilmektedir. Benzer şekilde tarımsal drone'lara ilişkin literatürün, bu araştırma alanının temelini oluşturan en etkili çalışmalar dikkate alınarak sistematik olarak kümelenmesi gerekmektedir. Analizdeki fayda aynı zamanda literatürde temsil edilen ana araştırma temalarının açıklığa kavuşturulmasını da içerir. Teknolojinin dönüşüm potansiyelini göz önünde bulundurarak, derinlemesine bir ağ analizinin, etkili çalışmaları belirleyerek ve drone'ların tarım potansiyeline ilişkin temaları ortaya çıkararak yeni bilgiler ortaya çıkaracağını varsayıyoruz.
Bu nedenle aşağıdaki araştırma hedeflerine ulaşmaya çalışıyoruz:
- Tarım alanındaki drone uygulamalarına olağanüstü katkı sağlayan etkili yayınların belirlenmesi.
- Literatürün kümelenmesi, araştırma odaklarının belirlenmesi ve ortak alıntı analizi kullanılarak anlamsal benzerliğe dayalı ana 'entelektüel yapı' çalışmalarının haritalanması.
- Alandaki çeşitli yayınlar arasındaki bağlantıların ve alıntı ağlarının zaman içindeki gelişiminin anlaşılması ve gelecekteki araştırma yönlerinin ve güncel konuların belirlenmesi.
Makalenin geri kalanı şu şekilde yapılandırılmıştır: 2. bölüm metodolojiyi ve veri toplama adımlarını özetlemektedir; Bölüm 3'te analizlerin sonuçları verilmektedir; ve 4. bölüm bulguları tartışıyor ve araştırma katkıları, çıkarımlar ve geleceğe yönelik talimatlarla sonuçlanıyor.
metodoloji
Bu güncel araştırma çalışmasında, tarımdaki drone uygulamalarını keşfetmek için bibliyometrik bir analiz yapıyoruz. Bu nicel yaklaşım, bilgi alanının entelektüel yapısını (Arora ve Chakraborty, 2021) ve bu yöntemin uygulanmasıyla araştırılabilecek mevcut durumu, gündemdeki konuları ve gelecekteki araştırma yönlerini ortaya koymaktadır (Kapoor vd., 2018; Mishra vd., 2017). , 2021; A. Rejeb, Rejeb ve diğerleri, 2021b; A. Rejeb ve diğerleri, 2020d; MA Rejeb ve diğerleri, 1969). Genel olarak bibliyometrik analiz, yazılı iletişimin gizli kalıplarını ve istatistik ve matematiksel yöntemlere dayalı disiplinin gelişimini özetlemek ve ortaya çıkarmak için mevcut literatürü inceler ve büyük veri kümelerine uygulanır (Pritchard, 1999; Small, 1998; Tahai & Rigsby). , 2008). Bibliyometriyi kullanarak, benzerliğe dayalı olarak alana katkıda bulunan mevcut paradigmaları ve araştırma odaklarını daha iyi anlamayı amaçlıyoruz (Thelwall, 2007). Bibliyometri, metodolojinin nesnel niceliksel gücüyle desteklenen yeni bilgiler sağlar (Casillas ve Acedo, 2020). Çok sayıda bilim insanı daha önce tarım, uzaktan algılama ve dijital dönüşüm dahil olmak üzere ilgili alanlarda bibliyometrik çalışmalar yürütmüştür (Armenta-Medina ve diğerleri, 2019; Bouzembrak ve diğerleri, 2021; A. Rejeb, Treiblmaier, ve diğerleri, 2021; Wamba) ve Queiroz, 2019; Wang ve diğerleri, XNUMX).
Alıntı analizi
Atıf analizi, belirli bir araştırma alanına ilişkin çeşitli bilgileri ortaya çıkarır. Her şeyden önce, belirli bir araştırma alanına katkıda bulunan ve önemli bir etki yaratan en etkili yazarların ve yayınların ortaya çıkarılmasına yardımcı olur (Gundolf ve Filser, 2013). İkinci olarak yazarlar arasındaki bilgi akışı ve iletişim bağlantıları ortaya çıkarılabilir. Son olarak, alıntı yapılan ve alıntı yapılan çalışmalar arasındaki bağlantıların izini sürerek, bir bilgi alanının zaman içindeki değişimleri ve evrimi keşfedilebilir (Pournader).
ve diğerleri, 2020). Bir yayının yüksek alıntı sayıları, onun araştırma alanına olan ilgisini ve önemli katkılarını yansıtmaktadır (Baldi, 1998; Gundolf & Filser, 2013; Marinko, 1998). Yayınların alıntı analizi aynı zamanda ilgili çalışmaların belirlenmesine ve bunların popülerliğinin ve zaman içindeki ilerlemesinin izlenmesine de yardımcı olur.
Belge ortak alıntı analizi
Ortak atıf analizi, yayınlar arasındaki ilişkileri araştırmak ve bir alanın entelektüel yapısını tasvir etmek için değerli bir yöntemdir (Nerur vd., 2008). Başka bir deyişle, en çok alıntı yapılan yayınları ve bunların bağlantılarını belirleyerek yöntem, yayınları farklı araştırma kümeleri halinde gruplandırır; burada bir kümedeki yayınlar düzenli olarak benzer fikirleri paylaşır (McCain, 1990; Small, 1973). Benzerliğin, yayınlardaki bulguların aynı olduğu anlamına gelmediğini belirtmek çok önemlidir.
uyumlu ve birbirleriyle aynı fikirde; yayınlar konu benzerliği nedeniyle aynı kümeye aittir ancak birbiriyle çelişen bakış açılarına sahip olabilirler.
Veri toplama ve analiz
White ve Griffith (1981) tarafından önerilen metodolojiyi takip ederek, aşağıdaki beş adımı takip ederek tarımdaki drone uygulamalarının tüm araştırma alanını kapsayacak kapsamlı bir dergi makaleleri araştırması gerçekleştirdik:
- İlk adım veri toplamaktı. Scopus, standartlaştırılmış sonuçlara sahip en kapsamlı ve güvenilir veritabanlarından biri olarak seçildi. Tarımdaki tüm drone uygulamalarına ilişkin yayınların meta verilerine ulaşıldı. Daha sonra seçilen makaleleri analiz ettik ve konu dışı makaleleri analizden çıkardık.
- Literatürü analiz ettik ve araştırma alanında kullanılan en önemli anahtar kelimeleri belirledik.
- Alıntı analizini kullanarak, altta yatan alıntı kalıplarını ortaya çıkarmak için yazarlar ve belgeler arasındaki bağlantıyı araştırdık. Ayrıca tarımsal drone alanına önemli katkıları olan en etkili yazarları ve yayınları da belirledik.
- Benzer yayınları kümeler halinde gruplandırmak için ortak atıf analizi yaptık.
- Son olarak işbirliği ağını tasvir etmek için ülkeler, kurumlar ve dergiler arasındaki bağlantıları ve bağlantıları analiz ettik.
Uygun arama terimlerinin belirlenmesi
Veri toplama için aşağıdaki arama dizelerini uyguladık: (drone* VEYA “insansız hava aracı” VEYA uav* VEYA “insansız uçak sistemi)” VEYA VEYA “uzaktan kumandalı uçak”) VE (tarım VEYA tarım VEYA çiftçilik VEYA çiftçi). Arama Eylül 2021'de gerçekleştirildi. Drone'ların İHA, UAS ve uzaktan kumandalı uçaklar dahil olmak üzere çeşitli isimleri vardır (Sah ve diğerleri, 2021). Tarımla ilgili spesifik arama terimleri Abdollahi ve arkadaşlarının çalışmasına dayanarak belirlendi. (2021). Açıklık ve şeffaflık adına, kullandığımız sorgunun tamamı Ek 1'de verilmiştir. Bir veri temizleme sürecinin ardından, daha sonra alıntı ve ortak alıntı analizi için yaygın bir araç olan BibExcel'e yüklenen bir metin dosyası oluşturduk. Bu araç aynı zamanda diğer yazılımlarla basit etkileşim sunar ve veri işleme ve analizde önemli derecede özgürlük sunar. Bulguları görselleştirmek ve bibliyometrik ağları oluşturmak için VOSviewer sürüm 1.6.16 kullanıldı (Eck ve Waltman, 2009). VOSviewer, özellikle bibliyometrik haritaların analizi için bir dizi sezgisel görselleştirme sunar (Geng ve diğerleri, 2020). Ayrıca sonuçların daha iyi anlaşılmasına yardımcı olan sade görsel sonuçların sağlanmasına yardımcı olur (Abdollahi ve diğerleri, 2021). Arama dizelerini yukarıda belirtildiği gibi uygulayarak ilgili tüm yayınları topladık ve sakladık. İlk arama sonuçlarında toplam 5,085 belge bulundu. Seçilen örneğin kalitesini sağlamak için araştırmada yalnızca hakemli dergi makaleleri dikkate alındı; bu da kitaplar, bölümler, konferans bildirileri ve editoryal notlar gibi diğer belge türlerinin hariç tutulmasıyla sonuçlandı. Tarama sürecinde ilgisiz (yani bu çalışmanın kapsamı dışında), gereksiz (yani çift indekslemeden kaynaklanan kopyalar) ve İngilizce konuşulmayan yayınlar filtrelendi. Bu süreç, 4,700 belgenin nihai analize dahil edilmesiyle sonuçlandı.
Bulgular ve tartışma
Başlangıç olarak tarımsal drone'lara ilişkin mevcut literatürdeki yayın çıktılarındaki gelişmeleri analiz ettik. Bilimsel araştırmaların zamansal dağılımı Şekil 1'de gösterilmektedir. 2011 yılından itibaren (30 yayın) yayınlarda hızlı bir artış görüyoruz; bu nedenle analiz dönemini iki farklı aşamaya ayırmaya karar verdik. Yılda yaklaşık yedi makalenin yayınlandığı 1990 ile 2010 arasındaki dönemi oluşturma aşaması olarak adlandırıyoruz. 2010 sonrası dönem, tarımda drone uygulamalarına yönelik araştırmaların bu dönemde katlanarak artması nedeniyle büyüme aşaması olarak adlandırıldı. 2010'dan sonra artan yayın sayısı, araştırmacılar arasında artan ilgiyi doğruluyor; bu da drone'ların uzaktan algılamaya uygulandığını ve hassas tarımda kullanıldığını yansıtıyor (Deng vd., 2018; Maes & Steppe, 2019; Messina & Modica, 2020). ). Spesifik olarak, yayın sayısı 108'te 2013'den 498'de 2018'e yükseldi ve 1,275'de 2020'e yükseldi. Ocak ile Eylül 935 ortası arasında toplam 2021 makale yayınlandı. Daha sonra analizimizi daha çok büyüme aşamasına odaklamayı tercih ettik. Zira bu dönem tarımsal drone'ların en yeni ve önemli inceliklerini yansıtıyor.
Anahtar kelime analizi
Yazarların bir yayın için seçtiği anahtar kelimeler, makalenin nasıl temsil edildiği ve bilimsel topluluklarda nasıl iletildiği üzerinde çok önemli bir etkiye sahiptir. Araştırmanın temel konularını belirler ve gelişme veya başarısızlık potansiyelini belirler (Day ve Gastel, 1998.; Kim ve diğerleri, 2016; Uddin ve diğerleri, 2015). Daha geniş araştırma eğilimlerini ve yönlerini ortaya çıkarmaya yönelik bir araç olan anahtar kelime analizi, bir alandaki tüm ilgili yayınların anahtar kelimelerinin derlenmesini ifade eder (Dixit ve Jakhar, 2021). Bu çalışmada, en popüler konuları keşfetmek için toplu anahtar kelimeleri iki gruba ayırdık (yani 2010'a ve 2011–2021'e kadar). Bunu yaparak, her iki kümedeki önemli anahtar kelimeleri izleyebilir ve gerekli tüm verileri yakaladığımızdan emin olabiliriz. Her grup için ilk on anahtar kelime Tablo 3'te sunulmaktadır. "drone" ve "drones" veya benzer şekilde "Nesnelerin İnterneti" ve "IoT" gibi anlamsal olarak aynı anahtar kelimeleri birleştirerek tutarsızlıkları ortadan kaldırdık.
Tablo 3, her iki dönemde de “insansız hava aracı”nın “drone” ve “insansız hava sistemi”ne göre daha sık kullanılan bir anahtar kelime olduğunu göstermektedir. Ayrıca “uzaktan algılama”, “hassas tarım” ve “tarım” her iki dönemde de üst sıralarda yer alıyor. İlk dönemde "hassas tarım"ın beşinci, ikinci dönemde ise ikinci sırada yer alması, drone'ların izleme yapabildikleri için hassas tarıma ulaşmada giderek daha önemli hale geldiğini gösteriyor.
diğer uzaktan algılama ve yer tabanlı sistemlerle karşılaştırıldığında tespit ve tahmin uygulamalarının daha hızlı, daha ucuz ve daha kolay gerçekleştirilmesi. Ayrıca gerektiğinde girdi miktarını (örneğin su veya böcek ilacı) püskürtebilirler (Guo ve diğerleri, 2020; Inoue, 2020; Panday, Pratihast ve diğerleri, 2020).
En sık kullanılan anahtar kelimelerin listesi.
SIRALAMA | 1990-2010 | Sayısı olaylar | 2011-2021 | Sayısı olaylar |
1 | insansız hava araç | 28 | insansız hava aracı | 1628 |
2 | uzaktan Algılama | 7 | hassas tarım | 489 |
3 | tarım | 4 | uzaktan Algılama | 399 |
4 | hava indirme | 4 | vızıldamak | 374 |
5 | hassas tarım | 4 | insansız hava sistemi | 271 |
6 | insansız hava | 4 | tarım | 177 |
7 | hiperspektral algılayıcı | 3 | derin öğrenme | 151 |
8 | yapay sinir ağlar | 2 | makine öğrenme | 149 |
9 | otonom uçuş | 2 | bitki örtüsü indeks | 142 |
10 | Kahve | 2 | internet Işler | 124 |
Bir başka ilginç özellik ise tamamlayıcı teknolojilerin varlığıdır. İlk aşamada “Hiperspektral Sensör” ve “yapay sinir ağları” (YSA) ilk on anahtar kelime arasında yer alıyor. Hiperspektral görüntüleme, çeşitli dalga boylarında çok sayıda görüntü toplayarak geleneksel görüntülemede devrim yarattı. Bunu yaparken, sensörler multispektral görüntüleme, spektroskopi ve RGB görüntülerine kıyasla aynı anda daha iyi mekansal ve spektral bilgi toplayabilir (Adao ve ark.,
2017). İlk aşamada “YSA”nın, ikinci aşamada ise “derin öğrenme” (DL) ve “makine öğrenimi”nin (ML) ortaya çıkması, yayınlanan çalışmaların çoğunun yapay zeka tekniklerinin insansız hava araçlarına yönelik potansiyelinin incelenmesine odaklandığını ima etmektedir. dayalı tarım. Her ne kadar dronlar otonom olarak uçabilme yeteneğine sahip olsa da yine de bir pilotun katılımını gerektiriyor, bu da düşük düzeyde bir cihaz zekası anlamına geliyor. Ancak daha iyi durumsal farkındalık ve otonom karar desteği sağlayabilen yapay zeka tekniklerinin ilerlemesi sayesinde bu sorun çözülebilir. Yapay zeka ile donatılmış dronlar, navigasyon sırasında çarpışmaları önleyebilir, toprak ve mahsul yönetimini iyileştirebilir (Inoue, 2020) ve insanlar için iş gücünü ve stresi azaltabilir (BK Sharma ve diğerleri, 2019).
Yapay zeka teknikleri, esneklikleri ve büyük miktardaki doğrusal olmayan verileri işleme yetenekleri nedeniyle, tahmin ve karar verme amacıyla drone'lar ve diğer uzaktan algılama ve yere dayalı sistemler tarafından iletilen verileri analiz etmek için uygun yöntemlerdir (Ali ve diğerleri, 2015; Inoue, 2020). Ayrıca ikinci dönemde “IoT”nin varlığı onun tarımda ortaya çıkan rolünü gösteriyor. IoT, dronlar, ML, DL, WSN'ler ve büyük veriler dahil olmak üzere diğer teknolojileri birbirine bağlayarak tarımda devrim yaratıyor. IoT uygulamasının en önemli faydalarından biri, çeşitli görevleri (veri toplama, veri analizi ve işleme, karar verme ve uygulama) neredeyse gerçek zamanlı olarak verimli ve etkili bir şekilde birleştirme yeteneğidir (Elijah ve diğerleri, 2018; Feng ve diğerleri. 2019). , 2019; Muangprathub ve diğerleri, 2015). Ayrıca dronlar, bitki örtüsünün canlılığını ve bitki örtüsü özelliklerini hesaplamak için gerekli verileri toplamak için etkili araçlar olarak kabul edilmektedir (Candiago ve diğerleri, 2). Şekil 2a ve XNUMXb, her iki zaman periyodu için anahtar kelime eş-oluşma ağlarını göstermektedir.
Etkili yazarlar
Bu bölümde etkili yazarları belirliyoruz ve yazar alıntı ağlarının mevcut literatürü nasıl görselleştirip düzenleyebileceğini inceliyoruz. Şekil 3, en yüksek sayıda alıntıya sahip tüm araştırmacıların kronolojik sıralamasını göstermektedir. Renk skalası yazarların alıntılarının yıllara göre değişimini yansıtır. Tarımsal dronlar üzerine çalışma yayınlayan araştırmacıların atıf yapısını en az 50 alıntı ve XNUMX yayın eşiği kullanarak inceliyoruz. Dışında
12,891 yazardan yalnızca 115'i bu koşulu karşıladı. Tablo 4, maksimum alıntı sayısına göre sıralanmış, en etkili on yazarı listelemektedir. Lopez- Granados F. 1,963 alıntıyla listenin başında yer alırken onu 1,909 alıntıyla Zarco-Tejada PJ takip ediyor.
En çok alıntı yapılan yazarların listesi.
Sıralaması | Yazar | alıntılar |
1 | Lopez-Granados' F. | 1,963 |
2 | Zarco-Tejada PJ | 1,909 |
3 | Pena ˜ JM | 1,644 |
4 | Torres-S' anchez J. | 1,576 |
5 | Ferres E | 1,339 |
6 | Remondino F | 1,235 |
7 | Cıvata A | 1,160 |
8 | Bareth G | 1,155 |
9 | Berni JA | 1,132 |
10 | de Castro AI | 1,036 |
Bireysel yayınlar söz konusu olduğunda Zhang ve Kovacs'ın (2012) makalesi Precision Tarım dergisinde yayınlanan en çok alıntı yapılan çalışma olmuştur. Burada yazarlar UAS'nin hassas tarımdaki uygulamasını gözden geçirdiler. Araştırmalarının bulguları, çiftçilere güvenilir son ürünler sağlamak için platform tasarımı, üretim, görüntü coğrafi referanslamanın standartlaştırılması ve bilgi alma iş akışının geliştirilmesine ihtiyaç olduğunu göstermektedir. Ek olarak, çiftçinin özellikle saha planlaması, görüntü yakalama, veri yorumlama ve analiz konularında daha güçlü bir şekilde katılımını öneriyorlar. Daha da önemlisi, bu çalışma İHA'nın saha haritalaması, canlılık haritalaması, kimyasal içerik ölçümü, bitki örtüsü stresi izleme ve gübrelerin bitki büyümesi üzerindeki etkilerinin değerlendirilmesindeki önemini gösteren ilk çalışmalar arasında yer aldı. Teknolojiyle ilgili zorluklar arasında fahiş maliyetler, sensör kapasitesi, platform kararlılığı ve güvenilirliği, standardizasyon eksikliği ve büyük miktarlarda veriyi analiz etmek için tutarlı prosedürler de yer alıyor.
Alıntı analizi
Atıf analizi, makalelerin etkisinin incelenmesini temsil eder, ancak akışlara yatkın olsa da (örneğin, alıntı yanlılığı, kendinden alıntı), etki değerlendirmesi için standart araçlardan biri olarak kabul edilir (Osareh, 1996; A. Rejeb ve diğerleri, 2022; Sarlı ve diğerleri, 2010). Atıflar aynı zamanda makalelerin belirli bir konudaki literatüre katkılarının önemini ve canlılığını da yansıtır (R. Sharma ve diğerleri, 2022). Tarımsal drone'larla ilgili en etkili çalışmaları belirlemek için atıf analizi yaptık ve içeriklerini özetledik. Tablo 5, 1990–2010 ve 2011–2021 dönemleri için en etkili on beş makalenin listesini sunmaktadır. Berni ve arkadaşlarının makaleleri. (2009)b ve Austin (2010), 1990 ve 2010 yıllarında sırasıyla 831 ve 498 alıntıyla en çok alıntı yapılanlar olmuştur. Berni ve ark. (2009)b, uygun fiyatlı termal ve dar bantlı multispektral görüntüleme sensörleriyle donatılmış helikopter tabanlı bir İHA aracılığıyla niceliksel uzaktan algılama ürünleri geliştirme potansiyelini gösterdi. Geleneksel insanlı hava sensörleriyle karşılaştırıldığında, tarıma yönelik düşük maliyetli bir İHA sistemi, daha iyi olmasa da, mahsullerin biyofiziksel parametrelerine ilişkin karşılaştırılabilir tahminler elde edebilir. Uygun maliyet ve operasyonel esnekliğin yanı sıra hızlı bir geri dönüş süresinde mevcut olan yüksek spektral, mekansal ve zamansal çözünürlükler, İHA'ları sulama programlaması ve hassas tarım da dahil olmak üzere zaman açısından kritik yönetim gerektiren bir dizi uygulama için uygun hale getirir. Berni ve ark. (2009)b, tarımsal uygulamalar için gerekli kalibrasyon mekanizmalarıyla insansız döner kanatlı bir platformu ve dijital ve termal sensörleri etkili bir şekilde entegre ettiği için çokça alıntılanmıştır. En çok alıntı yapılan ikinci yayın ise Austin (2010) tarafından yazılan ve İHA'ları tasarım, geliştirme ve konuşlandırma perspektiflerinden ele alan bir kitaptır. Tarımda İHA'lar, mahsulün renk değişiklikleri yoluyla hastalıkları erken tespit ederek, mahsul ekimini ve ilaçlamayı kolaylaştırarak ve sürüleri izleyerek ve yönlendirerek mahsul izlemeyi destekler.
Sullivan ve ark. (2007), Lumme ve ark. (2008) ve Gokto¨ ǧan ve ark. (2010) en çok alıntı yapılan ilk on beş makalenin listesini tamamlıyor. Bu makaleler tarımı desteklemek için İHA tabanlı sistemlerin gelişimini göstermektedir. Mahsul izleme ve tarama, yabancı ot gözetimi ve yönetimi ve karar desteği gibi çeşitli sorunlara çözümler sunarlar. Ayrıca İHA'nın numune alma verimliliğini artırma ve çiftçilere doğru ve etkili analizler yapma konusunda yardımcı olma yeteneğini de öneriyor ve tartışıyorlar.
ekim stratejileri. Berni tarafından yazılan iki makale (Berni ve diğerleri, 2009b; Berni ve diğerleri, 2009a), tarımsal drone ile ilgili araştırmalar üzerindeki önemli etkisinin altını çizdi. Zarco-Tejada ve ark.'nın makalesi. (2014), ağaç yüksekliği ölçümünde düşük maliyetli İHA görüntülerinin kullanılması ihtiyacını gösteren öncü çalışmalar arasında yer almıştır.
En çok alıntı yapılan yayınların listesi.
SIRALAMA | 1990 itibaren 2010 için | 2011 itibaren 2021 için | ||
belge | Alıntı | belge | Alıntı | |
1 | (Berni ve diğerleri, 2009b) | 831 | (C.Zhang ve Kovacs, 2012) | 967 |
2 | (Austin, 2010) | 498 | (Nex ve Remondino, 2014) | 893 |
3 | (Hunt ve diğerleri, 2010) | 331 | (Floreano ve Wood, 2015) | 552 |
4 | (SR Herwitz ve diğerleri, 2004) | 285 | (Hossein Motlagh ve diğerleri, 2016) | 391 |
5 | (CCD Lelong ve diğerleri, 2008) | 272 | (Shakhatreh ve diğerleri, 2019) | 383 |
6 | (Berni ve diğerleri, 2009b) | 250 | (Ma ve diğerleri, 2017) | 373 |
7 | (Grenzdorffer ve diğerleri, 2008) | 198 | (Bendig ve diğerleri, 2014) | 360 |
8 | (Hrabar ve diğerleri, 2005) | 175 | (Zarco-Tejada ve diğerleri, 2014) | 347 |
9 | (Y. Huang ve diğerleri, 2009) | 129 | (Reklam ao ve diğerleri, 2017) | 335 |
10 | (Schmale III ve diğerleri, 2008) | 119 | (Honkavaara ve diğerleri, 2013a) | 331 |
11 | (Abd-Elrahman ve diğerleri, 2005) | 79 | (Candiago ve diğerleri, 2015) | 327 |
12 | (Techy ve diğerleri, 2010) | 69 | (Xiang ve Tian, 2011) | 307 |
13 | (Sullivan ve diğerleri, 2007) | 51 | (Matese ve diğerleri, 2015) | 303 |
14 | (Lumme ve diğerleri, 2008) | 42 | (Gago ve diğerleri, 2015) | 275 |
15 | (Gökto¨ ǧan ve diğerleri, 2010) | 40 | (Aasen ve diğerleri, 2015a) | 269 |
İkinci dönemde (2011–2021), Zhang ve Kovacs (2012) ile Nex ve Remondino (2014) tarafından yapılan araştırmada en sık alıntı yapılan yayınlar ortaya çıktı. Zhang ve Kovacs (2012), hassas tarımın, sahadaki farklılıkları yakalamak ve alternatif stratejiler kullanarak bunları ele almak için coğrafi bilgi sistemleri, GPS ve uzaktan algılama gibi jeo-uzaysal tekniklerin ve sensörlerin uygulanmasından faydalanabileceğini öne sürüyor. Hassas tarımda ezber bozan bir unsur olarak dronların benimsenmesi, uzaktan algılamada, havadan gözlemin basitleştirilmesinde, mahsul büyüme verilerinin, toprak koşullarının ve ilaçlama alanlarının yakalanmasında yeni bir çağın habercisi oldu. Zhang ve Kovacs'ın (2012) incelemesi, bu cihazların platform ve kamera sınırlamaları, veri işleme zorlukları, çiftçi katılımı ve havacılık düzenlemeleri gibi çevresel izleme ve hassas tarımdaki mevcut kullanımlarını ve zorluklarını ortaya çıkararak İHA'lara ilişkin içgörüler sunduğu için ufuk açıcıdır. . İkinci
Nex ve Remondino'nun (2014) en çok alıntı yapılan çalışması, İHA'ların dünya görüntülerini yakalama, işleme ve analiz etme konusundaki son teknolojilerini inceledi.
Çalışmaları ayrıca çeşitli İHA platformları, uygulamaları ve kullanım senaryolarına genel bir bakış sunarak İHA görüntü işlemedeki en yeni gelişmeleri ortaya koydu. Tarımda çiftçiler, maliyet ve zaman tasarrufu sağlamak, hasarların hızlı ve kesin kaydını almak ve olası sorunları öngörmek amacıyla etkili kararlar almak için İHA'ları kullanabilir. Geleneksel hava platformlarının aksine İHA'lar, yüksek hassasiyet potansiyelini korurken operasyonel masrafları azaltabilir ve zorlu konumlara erişim tehlikesini azaltabilir. Makaleleri İHA'ların özellikle doğruluk ve çözünürlük açısından çeşitli avantajlarını özetlemektedir.
2011 ile 2021 yılları arasında en çok alıntı yapılan geri kalan on üç yayın arasında, görüntüleme görevlerinde drone uygulamalarıyla bağlantılı araştırmalara daha fazla yoğunlaşıldığını fark ettik (Bendig ve diğerleri, 2014; Ma ve diğerleri, 2017; Zarco-Tejada ve diğerleri, 2014). , hassas tarım (Candiago ve diğerleri, 2015; Honkavaara ve diğerleri, 2013a), hassas bağcılık (Matese ve diğerleri, 2015), su stresi değerlendirmesi (Gago ve diğerleri, 2015) ve bitki örtüsünün izlenmesi (Aasen ve diğerleri. , 2015a). İlk yıllarda araştırmacılar odaklandı.
tarıma yönelik düşük maliyetli, hafif ve hassas İHA tabanlı sistemlerin geliştirilmesi hakkında daha fazla bilgi; daha yeni araştırmalar daha çok tarıma ve saha araştırmalarına yönelik İHA uygulamalarının incelemelerine odaklandı. Özetle, bu analiz, etkili yayınların çoğunlukla İHA'ların mevcut bilimsel ve teknolojik durumunu değerlendirmek için önceki çalışmaların incelemelerini sağladığını ve hassas tarımı desteklemek için geliştirilen İHA sistemlerini ortaya koymaktadır. İlginçtir ki ampirik yöntemleri kullanan çalışmalara rastlamadık.
Önemli bir bilgi boşluğu oluşturan ve bu konuda daha fazla araştırma yapılmasını gerektiren metodolojiler veya tanımlayıcı vaka çalışmaları.
Ortak alıntı analizi
Gmür'e (2006) göre ortak atıf analizi benzer yayınları tespit ederek bunları kümeler. Bir kümelenmenin dikkatli bir şekilde incelenmesi, yayınlar arasında ortak bir araştırma alanını ortaya çıkarabilir. İlgili konu alanlarını göstermek ve yayınların entelektüel kalıplarını tespit etmek için tarımsal drone'larla ilgili literatürün ortak alıntılarını araştırıyoruz. Bu bağlamda Small (1973), en etkili ve ufuk açıcı araştırmaları incelemek için ortak alıntı analizinin kullanılmasını önerdi.
bir disiplin içerisinde. Grubu en ufuk açıcı makalelerle sınırlamak için (Goyal & Kumar, 2021), ortak atıf eşiğini 25 olarak belirledik; bu, 25 veya daha fazla farklı yayının referans listelerinde iki makalenin birlikte alıntılanması gerektiği anlamına gelir. Kümeleme aynı zamanda minimum küme boyutu 1 ile ve daha küçük kümeleri daha büyük kümelerle birleştirmek için herhangi bir yöntem olmaksızın gerçekleştirildi. Sonuç olarak çalışmaların benzerliğine ve entelektüel yapılarına göre altı küme oluşturulmuştur. Tablo 6 her kümedeki yayınların dağılımını göstermektedir.
Küme 1: Bu küme, daha sonra yayınlanan on sekiz belgeyi içermektedir. Bu kümedeki yayınlar, insansız hava araçlarının çevresel izleme, ürün yönetimi ve yabani ot yönetimini desteklemedeki rolünü tartışmaktadır. Örneğin Manfreda ve ark. (2018), doğal tarımsal ekosistem izlemede İHA'nın mevcut araştırma ve uygulamalarına genel bir bakış sunmakta ve teknolojinin, çevresel izlemeyi büyük ölçüde geliştirmek ve azaltmak için muazzam bir potansiyel sunduğunu ileri sürmektedir.
saha gözlemi ile geleneksel hava ve uzaydan uzaktan algılama arasındaki mevcut boşluk. Bu, geniş alanlara yönelik iyileştirilmiş zamansal erişim ve mekansal içgörüler için uygun maliyetli bir şekilde yeni kapasite sunarak yapılabilir. İHA'lar sürekli olarak çevreyi algılayabilir ve elde edilen verileri, hastalık eksikliği veya su tespiti gibi nihai sorunları tanımlamak için sensörleri kontrol eden akıllı, merkezi/merkezi olmayan varlıklara gönderebilir (Padua' ve diğerleri, 2017). Adao ve ark. (2017) İHA'ların su durumu, biyokütle tahmini ve canlılık değerlendirmesiyle ilgili çok miktarda ham veri toplayarak bitkilerin koşullarını değerlendirmek için ideal olduğunu öne sürüyor. İHA'ya monte edilen sensörler, uzaktan algılama verilerinin zamanında yakalanmasına olanak sağlamak için uygun çevre koşullarında da hızlı bir şekilde konuşlandırılabilir (Von Bueren ve diğerleri, 2015). Çiftçiler, İHA'lar sayesinde, kapalı tarım ortamlarının (örn. seralar) üç boyutlu uzayındaki hemen hemen her yerden ölçümler alarak kapalı alanda tarım faaliyetlerini gerçekleştirebilmekte, böylece yerel iklim kontrolü ve bitki takibi sağlanmaktadır (Roldan ´ et al.) ., 2015). Hassasiyet bağlamında
tarım, mahsul yönetimi kararları, uygun zamansal ve mekansal çözünürlüğe sahip doğru, güvenilir mahsul verilerini gerektirir (Gebbers ve Adamchuk, 2010; Gevaert ve diğerleri, 2015; Maes ve Steppe, 2019). Bu nedenle Agüera Vega ve ark. (2015), büyüme mevsimi boyunca bir ayçiçeği mahsulünün görüntülerini elde etmek için İHA'ya monte edilen multispektral sensör sistemini kullanmıştır. Benzer şekilde Huang ve ark. (2009), İHA'lara dayalı uzaktan algılamanın, toplanan spektral verilerden mahsul ve toprağın ölçümünü kolaylaştırabileceğini belirtmektedir. Verger ve ark. (2014), buğday ve kolza tohumlarına odaklanarak hassas tarım uygulamalarında İHA yansıma ölçümlerinden yeşil alan indeksini (GAI) tahmin etmeye yönelik bir teknik geliştirdi ve test etti. Bu nedenle dronlar, sık tekrar ziyaretler ve yüksek mekansal çözünürlükle mahsul durumu bilgilerinin alınması için yeni olanaklar sunmaktadır (Dong ve diğerleri, 2019; Garzonio ve diğerleri, 2017; H. Zheng ve diğerleri, 2016).
Tarımsal dronlarla ilgili etkili yayınların kümelenmesi.
Küme | Geniş tema | Referanslar |
1 | Çevresel izleme, mahsul yönetimi, yabancı ot yönetimi | (Reklam ao ve diğerleri, 2017; Agüera Vega ve diğerleri, 2015; de Castro ve diğerleri, 2018; Gomez-Cand'on' ve diğerleri, 2014; YB Huang ve diğerleri, 2013; Khanal ve diğerleri, 2017; Lopez-Granados, 2011; Manfreda ve diğerleri, 2018; P adua ve diğerleri, 2017; Pena˜ ve diğerleri, 2013; P'erez-Ortiz ve diğerleri, 2015; Rasmussen ve diğerleri, 2013, 2016; Torres-S' anchez ve diğerleri, 2014; Torres-Sanchez, 'Lopez-Granados,' & Pena, ˜ 2015; Verger ve diğerleri, 2014; Von Bueren ve diğerleri, 2015; C.Zhang ve Kovacs, 2012) |
2 | Uzaktan fenotipleme, verim tahmin, mahsul yüzey modeli, bitkilerin sayılması | (Bendig ve diğerleri, 2013, 2014; Geipel ve diğerleri, 2014; Gnadinger ¨ & Schmidhalter, 2017; Haghighattalab ve diğerleri, 2016; Holman ve diğerleri, 2016; Jin ve diğerleri, 2017; W. Li ve diğerleri, 2016; Maimaitijiang ve diğerleri, 2017; Sankaran ve diğerleri, 2015; Schirrmann ve diğerleri, 2016; Shi ve diğerleri, 2016; Yue ve diğerleri, 2017; X. Zhou ve diğerleri, 2017) |
3 | Su için termal görüntüleme, multispektral görüntüleme | (Baluja ve diğerleri, 2012; Berni ve diğerleri, 2009b; Berni ve diğerleri, 2009a; Kanada ve diğerleri, 2015; Gago ve diğerleri, 2015; Gonzalez-Dugo ve diğerleri, 2013, 2014; Grenzdorffer¨ ve diğerleri, 2008; Halik ve diğerleri, 2019; Matese ve diğerleri, 2015; Ribeiro-Gomes ve diğerleri, 2017; Santesteban ve diğerleri, 2017; Uto ve diğerleri, 2013) |
4 | Hipersektral görüntüleme, spektral görüntüleme | (Aasen ve diğerleri, 2015a; Bareth ve diğerleri, 2015; Hakala ve diğerleri, 2013; Honkavaara ve diğerleri, 2013a; Lucieer ve diğerleri, 2014; Saari ve diğerleri, 2011; Suomalainen ve diğerleri, 2014) |
5 | 3D Haritalama Uygulamaları | (Jim'enez-Brenes ve diğerleri, 2017; Nex & Remondino, 2014; Salamí ve diğerleri, 2014; Torres-S' Anchez, Lopez-' Granados, Serrano ve diğerleri, 2015; Zahawi ve diğerleri, 2015; Zarco-Tejada ve arkadaşları, 2014) |
6 | Tarım gözetimi | (SR Herwitz ve diğerleri, 2004; Hunt ve diğerleri, 2010; CCD Lelong ve diğerleri, 2008; Primicerio ve diğerleri, 2012; Xiang ve Tian, 2011) |
Ayrıca dronlar, yabani ot haritalaması da dahil olmak üzere tarımdaki zorlu görevlerde de kullanışlıdır. Cihazların yakaladığı görüntülerin tarlalarda erken yabani ot tespiti açısından faydalı olduğu kanıtlanmıştır (de Castro ve diğerleri, 2018; Jim'enez-Brenes ve diğerleri, 2017; Lam ve diğerleri, 2021; Lopez-Granados' ve diğerleri, 2016; Rozenberg ve diğerleri, 2021). Bu bağlamda, de Castro ve ark. (2018), İHA görüntüleri ile Nesne Tabanlı Görüntü Analizinin (OBIA) birleştirilmesinin, uygulayıcıların, yabani ot araştırmalarında ileriye doğru büyük bir adım olan erken sezondaki çayır bitkilerinde erken tespitin otomatikleştirilmesi sorununun üstesinden gelmesini sağladığını öne sürüyor. Benzer şekilde, Pena˜ ve ark. (2013), bir OBIA prosedürü ile birlikte İHA'dan alınan ultra yüksek uzaysal çözünürlüklü görüntülerin kullanılmasının, erken dönem mısır mahsullerinde sezon içi yabani ot kontrol önlemlerinin uygulanmasının planlanmasında kullanılabilecek yabani ot haritalarının oluşturulmasını mümkün kıldığını belirtmektedir. uydu ve geleneksel havadan görüntülerin kapasitesinin ötesinde bir görev. Görüntü sınıflandırma veya nesne algılama algoritmalarıyla karşılaştırıldığında anlamsal bölümleme teknikleri yabani ot haritalama görevlerinde daha etkilidir (J. Deng ve diğerleri, 2020), böylece çiftçilerin tarla koşullarını tespit etmesine, kayıpları azaltmasına ve büyüme mevsimi boyunca verimi artırmasına olanak tanır (Ramesh) ve diğerleri, 2020). Derin öğrenmeye dayalı anlamsal bölümleme aynı zamanda yüksek çözünürlüklü hava görüntülerinden bitki örtüsünün doğru bir ölçümünü de sağlayabilir (Ramesh ve diğerleri, 2020; A. Zheng ve diğerleri, 2022). Uzaktan erişim potansiyellerine rağmen
Piksel sınıflandırmasını algılayan anlamsal bölümleme teknikleri, önemli hesaplama ve engelleyici derecede yüksek GPU belleği gerektirir (J. Deng ve diğerleri, 2020).
Makine öğrenimi ve İHA'yı temel alan P'erez-Ortiz ve ark. (2015), çiftçilerin çıkıştan sonraki yabancı ot kontrolünü benimsemeleri durumunda sahaya özgü yabani ot kontrol stratejileri sağlamak için bir yabani ot haritalama yaklaşımı önermiştir. Son olarak Rasmussen ve ark. (2013), drone'ların büyük mekansal çözünürlük esnekliği ile ucuz algılama sağladığını vurguladı. Genel olarak, bu kümedeki yayınlar İHA'ların uzaktan algılamayı, mahsul izlemeyi ve yabani ot haritalamasını destekleme potansiyellerini keşfetmeye odaklanıyor. Çevresel izleme, mahsul yönetimi ve yabani ot haritalamadaki drone uygulamalarının nasıl daha sürdürülebilir tarıma ulaşabileceğini araştırmak için daha derinlemesine araştırmalara ihtiyaç vardır (Chamuah ve Singh, 2019; İslam ve diğerleri, 2021; Popescu ve diğerleri, 2020; J Su, Liu, vd., 2018) ve ürün sigortası uygulamalarında bu teknolojinin yönetişim konularını ele almaktadır (Basnet & Bang, 2018; Chamuah & Singh, 2019, 2022; Meinen & Robinson, 2021). Araştırmacılar, işlenmiş verilerin nihai kalitesini artırmak için İHA'dan toplanan ölçümleri verimli işleme teknikleriyle doğrulamaya odaklanmalıdır (Manfreda ve diğerleri, 2018). Ayrıca, dijital görüntülerde yabani otları görüntüleyen pikselleri tanıyan ve İHA yabani ot haritalaması sırasında ilgisiz arka planı ortadan kaldıran uygun algoritmaların geliştirilmesine ihtiyaç vardır (Gaˇsparovi´c ve diğerleri, 2020; Hamylton ve diğerleri, 2020; H. Huang ve diğerleri. , 2018, 2020; Lopez-' Granados ve diğerleri, 2016). Bitki tanıma, yaprak sınıflandırması ve hastalık haritalamada anlamsal bölümleme tekniklerinin benimsenmesine ilişkin ek araştırmalar memnuniyetle karşılanmaktadır (Fuentes-Pacheco ve diğerleri, 2019; Kerkech ve diğerleri, 2020).
2. Küme. Bu kümedeki yayınlar tarımsal drone'ların çeşitli yönlerine odaklandı. Uzaktan fenotiplemeyle ilgili olarak Sankaran ve ark. (2015), tarladaki mahsullerin hızlı fenotiplendirilmesi için İHA'larla alçak irtifa, yüksek çözünürlüklü havadan görüntüleme kullanma potansiyelini gözden geçirmiş ve yer tabanlı algılama platformlarıyla karşılaştırıldığında, yeterli sensörlere sahip küçük İHA'ların çeşitli avantajlar sunduğunu ileri sürmüşlerdir. Sahaya daha kolay erişim, yüksek çözünürlüklü veri, verimli veri toplama gibi,
Saha büyüme koşullarının hızlı değerlendirilmesi ve düşük işletme maliyetleri. Bununla birlikte yazarlar, İHA'nın saha fenotiplemesi için etkili bir şekilde uygulanmasının iki temel unsura, yani İHA özelliklerine (örn. güvenlik, stabilite, konumlandırma, özerklik) ve sensör özelliklerine (örn. çözünürlük, ağırlık, spektral dalga boyları, alan) dayandığını da belirtmektedir. görünüm). Haghighattalab ve ark. (2016), İHA görüntülerinden çizim düzeyinde veri almak ve üreme sürecini hızlandırmak için yarı otomatik bir görüntü işleme hattı önerdi. Holman ve diğerleri. (2016) yüksek bir seviye geliştirdi
Verimli saha fenotipleme sistemi ve İHA'nın kaliteli, hacimli, saha bazlı fenotipik veriler toplayabildiğini ve cihazın geniş alanlar için ve farklı saha lokasyonlarında etkili olduğunu vurguladı.
Verim tahmini son derece hayati bir bilgi olduğundan, özellikle zamanında hazır olduğunda, İHA'ların tüm saha ölçümlerini sağlama ve yüksek kaliteli verileri verimli bir şekilde elde etme potansiyeli vardır (Daakir ve diğerleri, 2017; Demir ve diğerleri, 2018). ; Enciso ve diğerleri, 2019; Kulbacki ve diğerleri, 2018; Pudelko ve diğerleri, 2012). Bu bağlamda Jin ve ark. (2017), buğday bitkisinin ortaya çıkma aşamasında yoğunluğunu tahmin etmeye yönelik bir yöntem geliştirmek ve değerlendirmek için çok düşük irtifalarda İHA'lar tarafından elde edilen yüksek çözünürlüklü görüntülerden yararlanmıştır. Yazarlara göre İHA'lar, kameralarla donatılmış gezici sistemlerin sınırlamalarının üstesinden geliyor ve mahsullerdeki bitki yoğunluğunu tahmin etmek için invazif olmayan bir yöntemi temsil ederek çiftçilerin, toprağın ticarete elverişliliğinden bağımsız olarak tarla fenotiplemesi için gerekli yüksek verimi elde etmesine olanak tanıyor. Li ve diğerleri. (2016), kanopi yüksekliği ve yer üstü biyokütle dahil olmak üzere mısır parametrelerini tahmin etmek için İHA tabanlı bir sistem kullanarak son derece yüksek çözünürlüklü yüzlerce stereo görüntü topladı. Son olarak Yue ve ark. (2017), İHA'lardan belirlenen ürün yüksekliğinin yer üstü biyokütle (AGB) tahminini artırabileceğini buldu.
Mahsul büyümesini izlemeye yönelik bir yaklaşım, mahsul yüzey modelleri geliştirme fikridir (Bendig ve diğerleri, 2014, 2015; Holman ve diğerleri, 2016; Panday, Shrestha, ve diğerleri, 2020; Sumesh ve diğerleri, 2021). Çeşitli çalışmalar, İHA'dan alınan görüntülerin bitkilerin boyunu yakalamak ve büyümelerini izlemek için uygulanabilirliğini vurguladı. Örneğin Bendig ve ark. (2013), İHA kullanılarak 0.05 m'den daha düşük çok yüksek çözünürlüğe sahip çok zamanlı ürün yüzeyi modellerinin geliştirilmesini tanımlamıştır. Mahsulü tespit etmeyi hedeflediler
büyüme değişkenliği ve bunun mahsul tedavisine, çeşit ve strese bağımlılığı. Bendig ve ark. (2014), mahsul yüzey modellerinden elde edilen bitki boyuna dayalı olarak taze ve kuru biyokütleyi tahmin etmek için İHA'ları kullanmış ve hava platformları ve karasal lazer taramanın aksine, İHA'lardan alınan yüksek çözünürlüklü görüntülerin, farklı büyüme için bitki boyu modellemesinin doğruluğunu önemli ölçüde artırabildiğini bulmuşlardır. aşamalar. Aynı doğrultuda Geipel ve ark. (2014) araştırmalarında görüntü elde etmek için İHA'ları kullanmıştır.
sezon ortasından sezon ortasına kadar üç farklı büyüme aşamasında mısır tanesi verimi tahmini için veri kümeleri kullandı ve hava görüntülerine ve ürün yüzey modellerine dayalı spektral ve mekansal modelleme kombinasyonunun sezon ortasında mısır verimini tahmin etmek için uygun bir yöntem olduğu sonucuna vardı. Son olarak, Gnadinger ve Schmidhalter (2017), hassas fenotiplemede İHA'nın faydasını incelemiş ve bu teknolojinin kullanımının çiftlik yönetimini geliştirebileceğini ve yetiştirme ve tarımsal amaçlar için saha deneylerini mümkün kılabileceğini vurgulamıştır. Genel olarak 2. kümedeki yayınların İHA'ların uzaktan kumandadaki temel avantajlarına odaklandığını gözlemliyoruz.
fenotipleme, verim tahmini, mahsul yüzey modellemesi ve bitki sayımı. Gelecekteki çalışmalar, uzaktan algılanan verilerin işlenmesini otomatikleştirebilecek ve optimize edebilecek uzaktan fenotipleme için yeni yöntemler geliştirerek daha derine inebilir (Barabaschi ve diğerleri, 2016; Liebisch ve diğerleri, 2015; Mochida ve diğerleri, 2015; S. Zhou ve diğerleri). ., 2021). Ek olarak, İHA'lara monte edilen IoT sensörlerinin performansı ve maliyetleri, işçilik ve verim tahmininin kesinliği arasındaki dengenin de araştırmada araştırılması gerekmektedir.
gelecek (Ju ve Son, 2018a, 2018b; Xie ve Yang, 2020; Yue ve diğerleri, 2018). Sonuçta güvenilir bilgi üretebilecek, tarımsal üretimde verimliliği en üst düzeye çıkarabilecek ve çiftçilerin manuel sayım işini en aza indirebilecek etkili görüntü işleme yöntemlerinin geliştirilmesine ihtiyaç vardır (RU Khan vd., 2021; Koh vd., 2021; Lin). ve Guo, 2020; C. Zhang ve diğerleri, 2020).
Küme 3. Bu kümedeki yayınlar, İHA platformlarında kullanılan tarımsal kaynakların uzaktan algılanmasına yönelik farklı görüntüleme sistemlerini tartışmaktadır. Bu bakımdan termal görüntüleme, mahsul hasarını önlemek ve kuraklık stresini erken tespit etmek için yüzey sıcaklıklarının izlenmesine olanak tanır (Awais ve diğerleri, 2022; García-Tejero ve diğerleri, 2018; Sankaran ve diğerleri, 2015; Santesteban ve diğerleri, 2017; Yeom, 2021). Baluja ve diğerleri. (2012), gemide multispektral ve termal kameraların kullanıldığını ileri sürmüştür.
İHA, araştırmacıların yüksek çözünürlüklü görüntüler elde etmesine ve asma suyunun durumunu değerlendirmesine olanak sağladı. Bu, uzaktan algılama verilerini kullanarak yeni su planlama modelleri geliştirmek için faydalı olabilir (Baluja ve diğerleri, 2012). Çünkü
İHA'ların sınırlı yük kapasitesi, Ribeiro-Gomes ve ark. (2017), tesislerdeki su stresini belirlemek için soğutmasız termal kameraların İHA'lara entegrasyonunu değerlendirdi; bu, bu tür İHA'ları geleneksel uydu tabanlı uzaktan algılama ve soğutmalı termal kameralarla donatılmış İHA'lardan daha verimli ve uygulanabilir kılıyor. Yazarlara göre soğutmasız termal kameralar, soğutmalı kameralardan daha hafiftir ve uygun kalibrasyon gerektirir. Gonzalez-Dugo ve ark. (2014), termal görüntülerin, narenciye bahçeleri arasında ve içindeki su durumunu değerlendirmek ve su stresini ölçmek için mahsul su stresi indekslerinin mekansal haritalarını etkili bir şekilde oluşturduğunu göstermiştir. Gonzalez-Dugo ve ark. (2013) ve Santesteban ve ark. (2017), ticari bir meyve bahçesinin ve bir bağın su durumu değişkenliğini tahmin etmek için yüksek çözünürlüklü İHA termal görüntülerinin kullanımını araştırmıştır.
Multispektral görüntüleme, geleneksel RGB (Kırmızı, Yeşil ve Mavi) görüntülerle karşılaştırıldığında çok büyük veriler sağlayabilir (Adao ve diğerleri, 2017; Navia ve diğerleri, 2016). Bu spektral veriler, mekansal verilerle birlikte sınıflandırma, haritalama, tahmin, tahmin ve tespit amaçlarına yardımcı olabilir (Berni ve diğerleri, 2009b). Candiago ve arkadaşlarına göre. (2015), İHA tabanlı multispektral görüntülemenin, güvenilir ve verimli bir kaynak olarak mahsul değerlendirmesine ve hassas tarıma büyük ölçüde katkıda bulunabileceğini göstermektedir. Ayrıca,
Khaliq ve ark. (2019) uydu ve İHA tabanlı multispektral görüntüleme arasında bir karşılaştırma yapmıştır. İHA tabanlı görüntüler, mahsul kanopilerini temsil etmek için bağ değişkenliğinin yanı sıra güç haritalarının tanımlanmasında daha kesin sonuç verdi. Özetle, bu kümedeki makaleler termal ve multispektral görüntüleme sensörlerinin tarımsal İHA'lara dahil edilmesini tartışıyor. Buna göre termal ve multispektral görüntülemenin yapay zeka ile nasıl entegre edilebileceğini anlamak için daha fazla araştırmaya ihtiyaç var.
bitki stresini tespit etmek için teknikler (örneğin, derin öğrenme) (Ampatzidis ve diğerleri, 2020; Ampatzidis ve Partel, 2019; Jung ve diğerleri, 2021; Santesteban ve diğerleri, 2017; Syeda ve diğerleri, 2021). Bu tür bilgiler, bitki büyümesi, stres ve fenolojinin izlenmesinin yanı sıra daha verimli ve doğru tespitin sağlanmasına yardımcı olacaktır (Buters ve diğerleri, 2019; Cao ve diğerleri, 2020; Neupane ve BaysalGurel, 2021; L. Zhou ve diğerleri, 2020).
Küme 4. Bu küme, tarım uygulamalarını desteklemede spektral görüntüleme ve hiperspektral görüntülemenin hayati rolü etrafında dönen yedi makaleden oluşmaktadır. Hiperspektral görüntüleme, dünya sisteminin niceliksel değerlendirmesini sağlayan bir uzaktan algılama yöntemi olarak kendini kanıtlamıştır (Schaepman ve diğerleri, 2009). Daha kesin olmak gerekirse, yüzey malzemelerinin tanımlanmasına, (göreceli) konsantrasyonların ölçülmesine ve yüzey bileşeni oranlarının atanması
karışık pikseller içinde (Kirsch ve diğerleri, 2018; Zhao ve diğerleri, 2022). Başka bir deyişle, hiperspektral sistemler tarafından sağlanan daha yüksek spektral çözünürlük, vejetaryen özellikler veya yaprak su içeriği gibi çeşitli parametrelerin daha doğru tahmin edilmesini sağlar (Suomalainen ve diğerleri, 2014). Bu kümedeki araştırmacılar bu tür sistemlerin çeşitli yönlerini araştırdılar. Diğerleri arasında Aasen ve ark. (2015b), hafif ağırlıktan üç boyutlu hiperspektral bilgi elde etmek için benzersiz bir yaklaşım önermiştir.
Bitki örtüsünü izlemek için İHA'larda kullanılan anlık görüntü kameraları. Lucieer ve ark. (2014) yeni bir hiperspektral İHA'nın tasarımı, geliştirilmesi ve hava operasyonlarının yanı sıra onunla toplanan görüntü verilerinin kalibrasyonu, analizi ve yorumlanmasını tartışmıştır. Son olarak Honkavaara ve ark. (2013b), FabryPerot interferometre tabanlı spektral görüntüler için kapsamlı bir işleme yaklaşımı geliştirdi ve bunun hassas tarım için biyokütle tahmin prosedüründe kullanımını gösterdi. Bu mevcut kümelenme için gelecekteki potansiyel yollar arasında sensör teknolojilerinde teknik iyileştirmelere duyulan ihtiyacın vurgulanması (Aasen ve diğerleri, 2015b) ile tamamlayıcı teknolojilerin, özellikle büyük veri ve analitiğin dahil edilmesi ve geliştirilmesi ihtiyacının vurgulanması yer almaktadır (Ang & Seng, 2021; Radoglou) -Grammatikis ve diğerleri, 2020; Shakoor ve diğerleri, 2019). İkincisi esas olarak akıllı tarımda uygulanan çeşitli sensörler tarafından üretilen sürekli büyüyen verilerden kaynaklanmaktadır (C. Li ve Niu, 2020; A. Rejeb ve diğerleri, 2022; Y. Su ve Wang, 2021).
5. Küme. Bu kümedeki yayınlar drone tabanlı 3 boyutlu haritalama uygulamalarını inceledi. 3 boyutlu haritalama için drone'ların kullanılması, karmaşık saha çalışmasını hafifletebilir ve verimliliği önemli ölçüde artırabilir (Torres-Sanchez ve diğerleri, 2015). Kümedeki beş makale esas olarak tesis izleme uygulamalarına odaklandı. Örneğin gölgelik alanı, ağaç yüksekliği ve taç hacmi hakkında üç boyutlu veriler elde etmek için Torres-Sanchez ve ark. (2015), dijital yüzey modelleri oluşturmak için İHA teknolojisini ve ardından nesne tabanlı görüntü analizi (OBIA) yaklaşımlarını kullandı. Ayrıca Zarco-Tejada ve ark. (2014), İHA teknolojisini ve üç boyutlu foto-yeniden yapılandırma yöntemlerini entegre ederek ağaç yüksekliğini ölçtü. Jim'enez-Brenes Lopez-Granados, 'De Castro, et al. (2017), İHA teknolojisini gelişmiş OBIA metodolojisiyle entegre ederek düzinelerce zeytin ağacının çok zamanlı, 3 boyutlu izlenmesine yönelik yeni bir süreç gösterdi. Bu kümede gelecekteki çalışmalara yönelik ilginç yollar arasında ya mevcut iyileştirmeler yer alıyor
OBIA (de Castro ve diğerleri, 2014, 2017; Ventura ve diğerleri. , 2016) ve fotoğrafın yeniden yapılandırılması veya yeni yöntemlerin geliştirilmesi (Díaz-Varela ve diğerleri, 2018; Torres-S' anchez ve diğerleri, 2020).
Küme 6. Bu küme, dronların tarımsal gözetimdeki rolünü tartışıyor. İHA'lar uydu ve uçak görüntülemenin eksikliklerini tamamlayabilir ve bunların üstesinden gelebilir. Örneğin, daha az yakıt veya pilotluk zorluğuyla gerçek zamanlıya yakın yüksek çözünürlüklü görüntüleme sağlayabilirler, bu da sürekli ve gerçek zamanlı gözetim ve karar alma süreçlerinde iyileştirmeler sağlar (S. Herwitz ve diğerleri, 2004). İHA'ların bir diğer önemli katkısı da hassas tarım veya sahaya özel çiftçilik için sahaya özgü veriler sağlama yetenekleridir; çünkü yüksek çözünürlükleri, çeşitli parametrelerle ilgili ayrıntılı veriler, çiftçilerin araziyi homojen parçalara ayırmasına ve bunlara uygun şekilde işlem yapmasına olanak tanır (Hunt ve ark. 2010). , 2008; CC Lelong ve diğerleri, 2012; Primicerio ve diğerleri, 2004). Bu tür İHA tabanlı tarımsal gözetim, gıda güvenliği izleme ve karar almayı destekleyebilir (SR Herwitz ve diğerleri, 2020). Tarımsal gözetim araştırmalarını ilerletmek için yalnızca sensörler, İHA'lar ve diğer ilgili teknolojiler ile bunların iletişim ve veri aktarım yöntemlerinde iyileştirmelere değil (Ewing ve diğerleri, 2019; Shuai ve diğerleri, 2021) aynı zamanda dronların çeşitli teknolojilerle entegre edilmesine de ihtiyaç vardır. İzleme, tarımsal gözetim ve karar verme gibi akıllı tarımla ilgili farklı görevleri optimize etmeye yönelik teknolojiler yüksek potansiyele sahip bir araştırma alanıdır (Alsamhi ve diğerleri, 2020; Popescu ve diğerleri, 2018; Vuran ve diğerleri, 2020). Bu bağlamda IoT, WSN'ler ve büyük veriler ilginç tamamlayıcı yetenekler sunmaktadır (van der Merwe ve diğerleri, 2021). Uygulama maliyetleri, maliyet tasarrufları, enerji verimliliği ve veri güvenliği, bu tür bir entegrasyon için yeterince araştırılmayan alanlar arasındadır (Masroor ve diğerleri, XNUMX).
Ülkeler ve akademik kurumlar
Son adım, yazarların menşe ülkelerinin ve akademik ilişkilerinin araştırılmasını içeriyordu. Bu analiz sayesinde tarımda drone uygulamalarına katkıda bulunan bilim insanlarının coğrafi dağılımını daha iyi anlamayı amaçlıyoruz. Ülkelerin ve akademik kurumların çeşitliliği dikkat çekicidir. Ülke açısından bakıldığında ise yayın sayısı açısından ABD, Çin, Hindistan ve İtalya listenin başında yer alıyor (Tablo 7). Mevcut
Tarımsal dronlar üzerine yapılan araştırmalar, hassas tarım uygulamalarına olan yoğun ilgileri nedeniyle büyük ölçüde Kuzey Amerika ve Asya ülkelerinde yoğunlaşıyor. Örneğin ABD'de tarımsal drone pazarının 841.9 yılında 2020 milyon ABD doları olduğu tahmin ediliyor ve bu da küresel pazar payının yaklaşık %30'unu oluşturuyor (ReportLinker, 2021). Dünyanın en büyük ekonomisi sıralamasında yer alan Çin'in 2.6 yılında yaklaşık 2027 milyar ABD doları tutarında bir pazar büyüklüğüne ulaşacağı öngörülüyor. Bu ülke, üretkenlik sorunlarının üstesinden gelmek, daha iyi verim, iş gücü hafifletme ve daha az üretim girdisi elde etmek için tarımsal drone'lara başvuruyor. Bununla birlikte, teknolojinin Çin'de benimsenmesi aynı zamanda nüfus büyüklüğü ve mevcut mahsul yönetimi uygulamalarını yenileme ve iyileştirme ihtiyacı gibi faktörlerden de kaynaklanmaktadır.
Katkıda bulunan en üretken ülkeler ve üniversiteler/kuruluşlar
tarımsal drone ile ilgili araştırma.
SIRALAMA | Ülke |
1 | Amerika Birleşik Devletleri |
2 | Çin |
3 | Hindistan |
4 | İtalya |
5 | ispanya |
6 | Almanya |
7 | Brezilya |
8 | Avustralya |
9 | Japonya |
10 | İngiltere |
SIRALAMA | Üniversiteler/Kuruluşlar |
1 | Çin Bilimler Akademisi |
2 | Çin Halk Cumhuriyeti Tarım Bakanlığı |
3 | Consejo Superior de Investigaciones Científicas |
4 | Teksas A & M Üniversitesi |
5 | Çin Ziraat Üniversitesi |
6 | USDA Tarımsal Araştırma Hizmeti |
7 | CSIC – Sostenible Tarım Enstitüsü IAS |
8 | Purdue Üniversitesi |
9 | Consiglio Nazionale delle Ricerche |
10 | Güney Çin Tarım Üniversitesi |
Üniversite ve organizasyon açısından bakıldığında, yayın sayısı açısından Çin Bilimler Akademisi listenin başında yer alıyor ve onu Çin Halk Cumhuriyeti Tarım Bakanlığı ve Consejo Superior de Investigaciones Científicas izliyor. Çin Bilimler Akademisi, yazarlar Liao Xiaohan ve Li Jun tarafından temsil edilmektedir; Han Weting, Çin Halk Cumhuriyeti Tarım Bakanlığı'nı temsil ediyor; ve Consejo Superior de Investigaciones Científicas, Lopez-Granados, ` F. ve Pena, ˜ Jos´e María S. tarafından temsil edilmektedir. ABD'den, Texas A&M Üniversitesi ve Purdue Üniversitesi gibi üniversiteler kendilerine uygun bir yer bulmaktadır.
değinmek. Şekil 4'te en fazla yayın yapan üniversiteler ve bağlantıları gösterilmektedir. Ayrıca bu listede bilimsel araştırmalarda aktif olan ancak akademik kurum olmayan Consiglio Nazionale delle Ricerche ve Consejo Superior de Investigaciones Científicas gibi kurumlar da yer almaktadır. .
Seçimimiz, neredeyse mevcut tüm verileri kapsayan çok çeşitli dergileri içeriyordu. Tablo 8'de görüldüğü gibi 258 makaleyle Uzaktan Algılama ilk sırada yer alırken onu 126 makaleyle Akıllı ve Robotik Sistemler: Teori ve Uygulamalar Dergisi ve 98 makaleyle Tarımda Bilgisayar ve Elektronik takip ediyor. Uzaktan Algılama çoğunlukla drone'ların uygulanması ve geliştirilmesine odaklanırken, Tarımda Bilgisayar ve Elektronik esas olarak tarımda bilgisayar donanımı, yazılımı, elektronik ve kontrol sistemlerindeki gelişmeleri kapsamaktadır. 87 yayına sahip IEEE Robotics and Automation Letters ve 34 yayına sahip IEEE Access gibi alanlar arası yayınlar da bu alandaki önde gelen yayınlardır. İlk on beş yayın, tüm yayınların yaklaşık %959'ını oluşturan 20.40 belge ile literatüre katkıda bulunmuştur. Dergi ortak atıf analizi, yayınlar arasındaki önemi ve benzerliği incelememizi sağlar. Ortak atıf analizi, Şekil 5'te gösterildiği gibi üç küme ortaya çıkarır. Kırmızı küme, Remote Sensing, Computer and Electronics in Tarım, Sensors, Sensors, gibi dergilerden oluşur.
ve Uluslararası Uzaktan Algılama Dergisi. Bu yayınların tümü uzaktan algılama ve hassas tarım alanlarında oldukça saygın dergilerdir. Yeşil küme, Journal of Intelligent and Robotic Systems: Theory and Applications, IEEE Robotics and Automation Letters, IEEE Access ve Drones gibi robot bilimi ile ilgilenen dergileri içerir. Bu yayınlar çoğunlukla otomasyonla ilgili makaleler yayınlıyor ve ziraat mühendisleri için faydalı oluyor. Son küme, Agronomy ve International Journal of Ziraat ve Biyoloji Mühendisliği gibi tarım bilimi ve ziraat mühendisliği ile ilgili dergilerden oluşmaktadır.
Tarımsal drone ile ilgili araştırmalarda en iyi 15 dergi.
SIRALAMA | Dergi | saymak |
1 | Uzaktan Algılama | 258 |
2 | Akıllı ve Robotik Sistemler Dergisi: Teori ve Uygulamalar | 126 |
3 | Tarımda Bilgisayar ve Elektronik | 98 |
4 | IEEE Robotik ve Otomasyon Mektupları | 87 |
5 | Sensörler | 73 |
6 | Uluslararası Uzaktan Algılama Dergisi | 42 |
7 | Hassas tarım | 41 |
8 | Drones | 40 |
9 | bilimsel tarım | 34 |
10 | IEEE Erişimi | 34 |
11 | Uluslararası İleri Robotik Sistemler Dergisi | 31 |
12 | Uluslararası Ziraat ve Biyoloji Mühendisliği Dergisi | 25 |
13 | PLoS ONE | 25 |
14 | Saha Robotiği Dergisi | 23 |
15 | Biyosistem Mühendisliği | 23 |
Sonuç
Özet
Bu çalışmamızda tarımsal dronelar üzerine mevcut araştırmaları özetledik ve analiz ettik. Çeşitli bibliyometrik teknikleri uygulayarak tarımsal drone ile ilgili araştırmaların entelektüel yapısını daha iyi anlamaya çalıştık. Özetle, incelememiz literatürdeki anahtar kelimeleri tanımlayıp tartışarak, dronlar alanında semantik olarak benzer topluluklar oluştururken bilgi kümelerini ortaya çıkararak, daha önceki araştırmaları özetleyerek ve gelecekteki araştırma yönlerini önererek çeşitli katkılar sunmaktadır. Tarımsal dronların geliştirilmesine ilişkin incelemenin ana bulgularını aşağıda özetliyoruz:
• 2012'den sonra makale sayısındaki artışın da gösterdiği gibi, genel literatür hızla büyüdü ve son on yılda büyük ilgi gördü. Her ne kadar bu bilgi alanı henüz tam olgunluğa ulaşmamış olsa da (Barrientos ve diğerleri, 2011; Maes) & Bozkır, 2019), birçok soru hala cevaplanmamıştır. Örneğin, kapalı alanda tarımda drone'ların faydası hala tartışmaya açıktır (Aslan ve diğerleri, 2022; Krul ve diğerleri, 2021; Rold'an ve diğerleri, 2015). Alan sahnelerinin karmaşıklığı ve farklı görüntüleme koşulları (örneğin, gölgeler ve aydınlatma), sınıf içi spektral farklılığın daha yüksek olmasına neden olabilir (Yao ve diğerleri, 2019). Daha sonraki araştırma aşamalarında bile araştırmacılar, belirli senaryolara ve gerekli görüntü kalitesine göre en uygun uçuş planlarını belirlemekte zorlanmıştır (Soares ve diğerleri, 2021; Tu ve diğerleri,
2020).
• Alanın, verimli İHA sistemleri geliştirmekten, makine öğrenimi ve derin öğrenme gibi yapay zeka tekniklerini tarım dronlarının tasarımına dahil etmeye doğru ilerlediğini fark ediyoruz (Bah ve diğerleri, 2018; Kitano ve diğerleri, 2019; Maimaitijiang ve diğerleri). , 2020; Mazzia ve diğerleri, 2020; Tetila ve diğerleri, 2020).
• Tarımsal dronlar üzerine yapılan araştırmalar ağırlıklı olarak çevresel izleme, mahsul yönetimi ve yabani ot yönetimi (küme 1) ile uzaktan fenotipleme ve verim tahmini (küme 2) konularında teknolojinin potansiyellerini keşfederek uzaktan algılamayı tartıştı. Tarımsal dronlar üzerine yapılan bir dizi etkili çalışma arasında Austin (2010), Berni ve ark. (2009)a, Herwitz ve ark. (2004), Nex ve Remondino (2014) ve Zhang ve Kovacs (2012). Bu çalışmalar tarım bağlamında drone ile ilgili araştırmanın kavramsal temelini geliştirdi.
• Metodolojiyle ilgili olarak şu ana kadar yapılan araştırmaların çoğunun sistem tasarımı, kavramsal veya incelemeye dayalı çalışmalardan oluştuğunu gözlemledik (Inoue, 2020; Nex & Remondino, 2014; P´erez-Ortiz ve ark. , 2015; Yao ve diğerleri, 2019). Tarımsal dronların araştırılmasında deneysel, niteliksel ve vaka çalışmasına dayalı yöntemlerin eksikliğini de fark ediyoruz.
• Son zamanlarda hassas tarım, yapay zeka teknikleri, hassas bağcılık ve su stresi değerlendirmesiyle ilgili konular büyük ilgi görmüştür (Espinoza ve diğerleri, 2017; Gomez-Cand' on ' ve diğerleri, 2016; Matese ve diğerleri, 2015; Matese ve Di Gennaro, 2018, 2021; Z. Zhou ve diğerleri, 2021). 1990–2010 ve 2011–2021 olmak üzere iki ayrı dönemdeki araştırma kümelerinin dikkatli bir şekilde incelenmesi, alanın entelektüel yapısının gelişimini ortaya koymaktadır. 1990'dan 2010'a kadar olan dönem, İHA tasarımı, geliştirilmesi ve uygulanmasına ilişkin tartışmalardan da anlaşılacağı gibi, merkezi kavramların ve drone kavramlarının oluşumunu oluşturdu. İkinci dönemde, araştırma odağı önceki çalışmalara genişletilerek tarımda İHA kullanım durumlarının sentezlenmesi için çaba sarf edilmektedir. Ayrıca görüntüleme görevlerinde ve hassas tarımda drone uygulamalarını tartışan çok sayıda çalışma bulduk.
SIRALAMA | Dergi | saymak |
1 | Uzaktan Algılama | 258 |
2 | Akıllı ve Robotik Sistemler Dergisi: Teori ve | 126 |
Uygulamalar | ||
3 | Tarımda Bilgisayar ve Elektronik | 98 |
4 | IEEE Robotik ve Otomasyon Mektupları | 87 |
5 | Sensörler | 73 |
6 | Uluslararası Uzaktan Algılama Dergisi | 42 |
7 | Hassas tarım | 41 |
8 | Drones | 40 |
9 | bilimsel tarım | 34 |
10 | IEEE Erişimi | 34 |
11 | Uluslararası İleri Robotik Sistemler Dergisi | 31 |
12 | Uluslararası Ziraat ve Biyoloji Mühendisliği Dergisi | 25 |
13 | PLoS ONE | 25 |
14 | Saha Robotiği Dergisi | 23 |
15 | Biyosistem Mühendisliği | 22 |
Etkileri
Bibliyometrik incelememiz akademisyenler, çiftçiler, tarım uzmanları, mahsul danışmanları ve İHA sistem tasarımcıları göz önünde bulundurularak tasarlandı ve yürütüldü. Yazarların bildiği kadarıyla bu, derinlemesine bir bibliyometrik analiz gerçekleştiren ilk orijinal incelemelerden biridir.
Tarımda drone uygulamaları. Yayınların alıntı ve ortak alıntı analizlerini kullanarak bu bilgi yapısının kapsamlı bir incelemesini gerçekleştirdik. Drone araştırmalarının entelektüel yapısını tanımlamaya yönelik girişimlerimiz aynı zamanda akademisyenler için yeni anlayışlar da sunuyor. Zaman içinde kullanılan anahtar kelimelerin dikkatli bir şekilde incelenmesi, drone ile ilgili literatürdeki sıcak noktaları ve odak araştırma alanlarını ortaya çıkarmaktadır. Ayrıca, alanda tamamlanmış en etkili araştırma çalışmalarını belirlemek için en çok alıntı yapılan çalışmaların bir listesini sunuyoruz. Makalelerin ve anahtar kelimelerin tanımlanması sonuç olarak gelecekteki çalışmalar için çeşitli yolları ortaya çıkarmak için sağlam bir başlangıç noktası sağlayabilir.
Daha da önemlisi, karşılaştırılabilir çalışmaları sınıflandıran ve sonuçları detaylandıran kümeleri ortaya çıkardık. Kümeler halinde sınıflandırılan çalışmalar İHA araştırmalarının entelektüel yapısının anlaşılmasına yardımcı olmaktadır. Özellikle, drone'ların benimsenme faktörlerini araştıran çalışmaların eksikliğini keşfettik.
ve çiftçilik faaliyetlerindeki engeller (bkz. Tablo 9). Gelecekteki araştırmacılar, farklı tarım faaliyetleri ve iklim koşullarında drone'ların benimsenme faktörlerini değerlendiren ampirik araştırmalar yürüterek bu potansiyel açığı kapatabilirler. Ayrıca drone’ların etkinliğine ilişkin vaka çalışmasına dayalı araştırmaların sahadan elde edilen gerçek verilerle desteklenmesi gerekiyor. Ayrıca çiftçilerin ve yöneticilerin akademik araştırmalara dahil edilmesi, drone araştırmalarının hem teorik hem de pratik ilerlemesi açısından avantajlı olacaktır. Aynı zamanda en önde gelen araştırmacıları ve onların katkılarını da tespit edebildik; bu değerlidir çünkü son dönem ufuk açıcı çalışmalara ilişkin farkındalık, gelecekteki akademik çabalar için bazı rehberlik sağlayabilir.
Tablo 9
İHA'nın benimsenmesinin önündeki engeller.
Bariyer | Açıklama |
Veri güvenliği | Siber güvenliğin uygulanması büyük bir zorluktur IoT çözümleri (Masroor ve diğerleri, 2021). |
Birlikte çalışabilirlik ve bütünleşme | İHA, WSN, IoT vb. gibi çeşitli teknolojiler. entegre edilmeli ve verileri iletmelidir. karmaşıklık düzeyini arttırır (Alsamhi vd., 2021; Popescu ve diğerleri, 2020; Vuran ve diğerleri, 2018). |
Uygulama maliyetleri | Bu durum özellikle küçük çiftçiler ve çeşitli ileri teknolojilerin entegre edilmesi ( Masroor ve diğerleri, 2021). |
İşçilik bilgisi ve Uzmanlık | İHA'ları kullanmak için yetenekli drone pilotlarına ihtiyaç var. Ayrıca çeşitli ileri teknolojilerin uygulanması teknolojiler vasıflı işçiler gerektirir (YB Huang ve diğerleri, 2013; Tsouros ve diğerleri, 2019). |
Motor Gücü ve uçuş süre | Drone'lar uzun saatler boyunca çalıştırılamaz ve kapatılamaz geniş alanlar (Hardin ve Hardin, 2010; Laliberte ve diğerleri, 2007). |
Kararlılık, güvenilirlik ve manevra kabiliyeti | Drone'lar kötü hava koşullarında stabil değil (Hardin ve Hardin, 2010; Laliberte ve diğerleri, 2007). |
Yük sınırlamaları ve sensörlerin kalitesi | Drone'ların yalnızca sınırlı yük taşıyabilmesi daha düşük kaliteli sensörleri yükleme yeteneği (Nebiker ve arkadaşları, 2008). |
Değişiklik Yapıldı | Drone'lar aynı zamanda tehlikeli olabileceği gibi, ciddi bazı alanlardaki düzenlemeler (Hardin ve Jensen, 2011; Laliberte ve Rango, 2011). |
Çiftçilerin bilgi ve faiz | Diğer ileri teknolojiler gibi drone'lar da Başarılı uygulama uzmanlık gerektirir ve aynı zamanda belirsizliklerle birlikte gelir (Fisher vd., 2009; Lambert ve diğerleri, 2004; Stafford, 2000). |
Verimi en üst düzeye çıkarmak için mevcut kaynakları verimli bir şekilde kullanmaya sürekli ihtiyaç duyulduğundan, çiftçiler tarlalarının hızlı, doğru ve uygun maliyetli bir şekilde taranmasını sağlamak için drone'lardan yararlanabilir. Teknoloji, çiftçilerin mahsullerinin durumunu belirlemesine ve su durumunu, olgunlaşma aşamasını, böcek istilasını ve beslenme ihtiyaçlarını değerlendirmesine destek olabilir. Drone'ların uzaktan algılama yetenekleri, çiftçilere sorunları erken bir aşamada tahmin etmeleri ve derhal uygun müdahaleleri yapmaları için önemli veriler sağlayabilir. Ancak teknolojinin yararları ancak zorlukların doğru şekilde ele alınmasıyla gerçekleştirilebilir. ışığında
Veri güvenliğine ilişkin mevcut sorunlar, sensör teknolojisi sorunları (örneğin, ölçümlerin güvenilirliği veya doğruluğu), entegrasyonun karmaşıklığı ve önemli uygulama maliyetleri nedeniyle gelecekteki çalışmalar, tarımsal dronların ve diğer kesme teknolojilerinin entegrasyonunun teknik, ekonomik ve operasyonel fizibilitesini de incelemelidir. kenar teknolojileri.
Sınırlamalar
Çalışmamızın çeşitli sınırlılıkları bulunmaktadır. Öncelikle bulgular, son analiz için seçilen yayınlara göre belirlenir. Tarımsal dronlarla ilgili tüm ilgili çalışmaları, özellikle de Scopus veritabanında indekslenmeyenleri yakalamak zordur. Ayrıca, veri toplama süreci arama anahtar kelimelerinin belirlenmesiyle sınırlıdır; bu da kapsayıcı olmayabilir ve sonuçsuz bulgulara yol açabilir. Bu nedenle gelecekteki çalışmaların veri toplamanın altında yatan soruna daha fazla dikkat etmesi gerekmektedir.
daha güvenilir sonuçlar. Bir diğer sınırlılık ise atıf sayısı az olan yeni yayınlarla ilgilidir. Bibliyometrik analiz, yıllar içinde daha fazla alıntı alma eğiliminde oldukları için daha önceki yayınlara karşı önyargılıdır. Son dönemde yapılan çalışmaların dikkat çekmesi ve atıf biriktirmesi için belirli bir süreye ihtiyaç duyulmaktadır. Sonuç olarak, paradigma değişikliği getiren son çalışmalar, en etkili on çalışma arasında yer alamaz. Bu sınırlama, tarımsal dronlar gibi hızla ortaya çıkan araştırma alanlarının incelenmesinde yaygındır. Bu çalışmanın literatürünü incelemek için Scopus'a danıştığımız için gelecekteki araştırmacılar farklı değerlendirmeler yapabilirler.
Ufku genişletmek ve araştırma yapısını geliştirmek için Web of Science ve IEEE Xplore gibi veritabanları.
Potansiyel bibliyometrik çalışmalar, yeni anlayışlar oluşturmak için konferans makaleleri, bölümler ve kitaplar gibi diğer hayati bilgi kaynaklarını dikkate alabilir. Tarımsal dronlarla ilgili küresel yayınların haritalanmasına ve araştırılmasına rağmen bulgularımız üniversitelerin bilimsel çıktılarının ardındaki nedenleri ortaya çıkarmadı. Bu, tarımla ilgili araştırmalar söz konusu olduğunda bazı üniversitelerin neden diğerlerinden daha verimli olduğunu niteliksel olarak açıklayan yeni bir araştırma alanının yolunu açıyor.
dronlar. Buna ek olarak, gelecekteki çalışmalar, birçok araştırmacının belirttiği gibi (Chamuah & Singh, 2019; Islam ve diğerleri, 2021;) çevresel izleme, mahsul yönetimi ve yabani ot haritalaması gibi çeşitli yollarla çiftçiliğin sürdürülebilirliğini artırma konusunda drone'ların potansiyeli hakkında fikir verebilir. Popescu ve diğerleri, 2020; J. Su, Liu, ve diğerleri, 2018b). Seçilen makale sayısının çokluğu nedeniyle metin analizi mümkün olmadığından, metinleri inceleyen sistematik literatür taramalarına ihtiyaç vardır.
Kullanılan araştırma yöntemleri ve çiftçilerin önceki çalışmalara katılımı. Kısacası, drone araştırmasına ilişkin analizimiz bu bilgi gövdesinin görünmez bağlantılarını ortaya çıkarıyor. Dolayısıyla bu inceleme, yayınlar arasındaki ilişkilerin ortaya çıkarılmasına yardımcı olur ve araştırma alanının entelektüel yapısını araştırır. Aynı zamanda yazarların anahtar kelimeleri, bağlantıları ve ülkeleri gibi literatürün çeşitli yönleri arasındaki bağlantıları da gösterir.
Rakip Çıkar Beyanı
Yazarlar, bu makalede rapor edilen çalışmayı etkileyebilecek görünen hiçbir rekabet halindeki finansal çıkarları veya kişisel ilişkileri olmadığını beyan ederler.
Ek 1
BAŞLIK-ABS-ANAHTAR (((drone* VEYA “insansız hava aracı” VEYA uav* VEYA “insansız hava aracı sistemi)” VEYA VEYA “uzaktan kumandalı uçak”) VE (tarım VEYA tarım VEYA çiftçilik VEYA çiftçi))) VE (HARİÇ (PUBYEAR, 2022)) VE (SINIRLAMA (DİL, “İngilizce”)).
Referanslar
Aasen, H., Burkart, A., Bolten, A., Bareth, G., 2015. Bitki örtüsünün izlenmesi için hafif İHA anlık görüntü kameralarıyla 3 boyutlu hiperspektral bilgilerin oluşturulması:
Kalite güvencesi için kamera kalibrasyonu. ISPRS J. Fotogramm. Uzaktan Algılama 108, 245–259. https://doi.org/10.1016/j.isprsjprs.2015.08.002.
Abd-Elrahman, A., Pearlstine, L., Percival, F., 2005. İnsansız hava aracı görüntülerinden otomatik kuş tespiti için örüntü tanıma algoritmasının geliştirilmesi.
Anket. Arazi Bilgilendir. Bilim. 65 (1), 37–45.
Abdollahi, A., Rejeb, K., Rejeb, A., Mostafa, MM, Zailani, S., 2021. Tarımda kablosuz sensör ağları: bibliyometrik analizden elde edilen bilgiler. Sürdürülebilirlik 13 (21),
12011
Aboutalebi, M., Torres-Rua, AF, Kustas, WP, Nieto, H., Coopmans, C., McKee, M., Yüksek çözünürlüklü optik görüntülerde gölge tespiti için farklı yöntemlerin değerlendirilmesi ve hesaplamada gölge etkisinin değerlendirilmesi NDVI ve buharlaşma-terleme. Sula. Bilim. 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. Hiperspektral görüntüleme: İHA tabanlı sensörler, veriler üzerine bir inceleme işleme ve
Tarım ve ormancılık uygulamaları. Uzaktan Algılama 9 (11). https://doi.org/ 10.3390/rs9111110.
Agüera Vega, F., Ramírez, FC, Saiz, MP, Rosúa, FO, 2015. Bir ayçiçeği mahsulünün izlenmesi için insansız hava aracı kullanılarak çok zamanlı görüntüleme. Biyosist. Müh.
132, 19–27. https://doi.org/10.1016/j.biosystemseng.2015.01.008.
Ajayi, OG, Salubi, AA, Angbas, AF, Odigure, MG, 2017. İHA'dan doğru dijital yükseklik modellerinin oluşturulması, düşük yüzdede örtüşen görüntüler elde etti. Uluslararası
J. Remote Sens. 38 (8–10), 3113–3134. https://doi.org/10.1080/ 01431161.2017.1285085.
Ali, I., Greifeneder, F., Stamenkovic, J., Neumann, M., Notarnicola, C., 2015. Uzaktan algılama verilerinden biyokütle ve toprak nemi kazanımına yönelik makine öğrenimi yaklaşımlarının gözden geçirilmesi. Uzaktan Algılama 7 (12), 16398–16421.
Alsamhi, SH, Afghah, F., Sahal, R., Hawbani, A., Al-qaness, MAA, Lee, B., Guizani, M., B5G ağlarında İHA'ları kullanan yeşil nesnelerin interneti: Uygulamaların gözden geçirilmesi
ve stratejiler. Reklam. Hoc. Ağ. 117, 102505 https://doi.org/10.1016/j. geçici.2021.102505.
Al-Thani, N., Albuainain, A., Alnaimi, F., Zorba, N., 2020. Koyun Hayvancılığının Takibi için Drone'lar. İçinde: 20. IEEE Akdeniz Elektroteknik Konferansı. https://doi.
org/10.1109/MELECON48756.2020.9140588.
Ampatzidis, Y., Partel, V., 2019. Multispektral görüntüleme ve yapay zeka kullanılarak turunçgillerde İHA tabanlı yüksek verimli fenotipleme. Uzaktan Algılama 11 (4), https://doi.org/10.3390/rs11040410.
Ampatzidis, Y., Partel, V., Costa, L., 2020. Agroview: Yapay zekayı kullanan hassas tarım uygulamaları için İHA tarafından toplanan verileri işlemeye, analiz etmeye ve görselleştirmeye yönelik bulut tabanlı uygulama. Hesapla. Elektron. Tarım. 174, 105457 https://doi. org/10.1016/j.compag.2020.105457.
Ang, K.-L.-M., Seng, JKP, 2021. Tarımda hiperspektral bilgilerle büyük veri ve makine öğrenimi. IEEE Erişimi 9, 36699–36718. https://doi.org/10.1109/
ERİŞİM.2021.3051196.
Aquilani, C., Confessore, A., Bozzi, R., Sirtori, F., Pugliese, C., 2022. İnceleme: Meraya dayalı hayvancılık sistemlerinde hassas Hayvancılık Çiftliği teknolojileri. Hayvan 16 (1), https://doi.org/10.1016/j.animal.2021.100429.
Armenta-Medina, D., Ramirez-Delreal, TA, Villanueva-Vasquez, ´ D., Mejia-Aguirre, C., Gelişmiş bilgi ve iletişim teknolojilerindeki eğilimler
Tarımsal verimliliğin artırılması: bibliyometrik bir analiz. Tarım Bilimi 10 (12), Madde 12. https://doi.org/10.3390/agronomy10121989.
Armstrong, I., Pirrone-Brusse, M., Smith, A., Jadud, M., 2011. Uçan timsah: occam-π'da hava robotlarına doğru. İletişim Süreç Mimarı. 2011, 329–340. https://doi. org/10.3233/978-1-60750-774-1-329.
Arora, SD, Chakraborty, A., 2021. Tüketici şikayet davranışının (CCB) entelektüel yapısı araştırması: Bibliyometrik bir analiz. J. İşletme Arş. 122, 60–74.
Aslan, MF, Durdu, A., Sabancı, K., Ropelewska, E., Gültekin, SS, 2022.
Açık tarlalarda ve seralarda hassas tarıma yönelik İHA ile yapılan son çalışmalara ilişkin kapsamlı bir araştırma. Başvuru Bilim. 12(3), 1047. https://doi.org/10.3390/
uygulama12031047.
Atkinson, JA, Jackson, RJ, Bentley, AR, Ober, E. ve Wells, DM (2018). Geleceğe Yönelik Alan Fenotiplemesi. Çevrimiçi Yıllık Bitki İncelemeleri'nde (s. 719–736). John
Wiley & Sons, Ltd. doi: 10.1002/9781119312994.apr0651.
Austin, R., 2010. İnsansız Uçak Sistemleri: İHA Tasarımı, Geliştirilmesi ve Dağıtımı. İçinde: İnsansız Hava Aracı Sistemleri: İHA Tasarımı, Geliştirilmesi ve
Dağıtım. John Wiley ve Oğulları. https://doi.org/10.1002/9780470664797.
Awais, M., Li, W., Cheema, MJM, Zaman, QU, Shaheen, A., Aslam, B., Zhu, W., Ajmal, M., Faheem, M., Hussain, S., Nadeem, AA, Afzal, MM, Liu, C., 2022. Bitki stresinde İHA tabanlı uzaktan algılama, dijital tarım uygulamaları için yüksek çözünürlüklü termal sensör kullanmayı hayal edin: bir meta inceleme. Uluslararası J. Çevre. Bilim. Teknoloji. https://doi.
org/10.1007/s13762-021-03801-5.
Bacco, M., Berton, A., Ferro, E., Gennaro, C., Gotta, A., Matteoli, S., Paonessa, F., Ruggeri, M., Virone, G., Zanella, A., 2018. Akıllı Tarım: Fırsatlar, Zorluklar
ve teknoloji sağlayıcıları. 2018 IoT Dikey ve. Tarım Konulu Zirve -Toskana (IOT Toskana) 1–6. https://doi.org/10.1109/IOTTUSCANY.2018.8373043.
Bah, MD, Hafiane, A., Canals, R., 2018. İHA görüntülerinde hat bitkilerinde yabani ot tespiti için denetimsiz veri etiketleme ile derin öğrenme. Uzaktan Algılama 10 (11), 1690.
https://doi.org/10.3390/rs10111690.
Baldi, S., 1998. Alıntıların tahsisinde normatif ve sosyal yapılandırmacı süreçler: bir ağ-analitik model. Am. Sosyal. Rev. 63 (6), 829–846. https://doi.
org/10.2307/2657504.
Baluja, J., Diago, MP, Balda, P., Zorer, R., Meggio, F., Morales, F., Tardaguila, J., 2012. Bağ suyu durumu değişkenliğinin termal ve multispektral yöntemler ile değerlendirilmesi
İnsansız hava aracı (İHA) kullanılarak çekilen görüntüler. Sula. Bilim. 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.,Yeni nesil üreme. Bitki Bilimi 242, 3–13. https://doi.org/10.1016/j.
bitkilerci.2015.07.010.
Barbedo, JGA, Koenigkan, LV, 2018. Sığırları izlemek için insansız hava sistemlerinin kullanımına ilişkin perspektifler. Outlook Tarım. 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. Düşük ağırlıklı ve İHA tabanlı hiperspektral tam çerçeve kameralar
mahsulleri izlemek için: Taşınabilir spektroradyometre ölçümleriyle spektral karşılaştırma. 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., Tarımda havadan uzaktan algılama: Alan kapsamına pratik bir yaklaşım
ve mini hava robotlarından oluşan filolar için yol planlaması. J. Field Rob. 28(5), 667–689. https://doi.org/10.1002/rob.20403.
Basiri, A., Mariani, V., Silano, G., Aatif, M., Iannelli, L., Glielmo, L., 2022. Çok rotorlu İHA'lar için yol planlama algoritmalarının hassasiyetle uygulanması üzerine bir araştırma
tarım. J. Navig. 75 (2), 364–383.
Basnet, B., Bang, J., 2018. Bilgi yoğun tarımın son teknolojisi: uygulamalı algılama sistemleri ve veri analitiği üzerine bir inceleme. J. Sens. 2018, 1–13.
Bendig, J., Bolten, A., Bareth, G., 2013. Mahsul büyüme değişkenliğini izlemek için çok zamanlı, çok yüksek çözünürlüklü mahsul yüzeyi modelleri için İHA tabanlı görüntüleme. 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. İHA tabanlı RGB görüntülemeden türetilen ürün yüzey modellerini (CSM'ler) kullanarak arpanın biyokütlesinin tahmin edilmesi. Uzaktan Algılama 6 (11), 10395–10412.
Bendig, J., Yu, K., Aasen, H., Bolten, A., Bennertz, S., Broscheit, J., Gnyp, ML, Bareth, G., 2015. İHA bazlı bitki boyunun mahsul yüzeyinden birleştirilmesi modeller,
Arpada biyokütlenin izlenmesi için görünür ve yakın kızılötesi bitki örtüsü indeksleri. Uluslararası J. Başvuru. Dünya 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. Yüksek çözünürlük kullanarak zeytin bahçelerinde kanopi iletkenliğini ve CWSI'yi haritalamak
termal uzaktan algılama görüntüleri. Uzaktan Algılama Ortamı. 113 (11), 2380–2388. https://doi.org/10.1016/j.rse.2009.06.018.
Berni, JA, Zarco-Tejada, PJ, Suarez, `L., Fereres, E., 2009b. İnsansız hava aracından bitki örtüsünün izlenmesi için termal ve dar bantlı multispektral uzaktan algılama. IEEE Çev. Geosci. Uzaktan Algılama 47 (3), 722–738.
Bouzembrak, Y., Klüche, M., Gavai, A., Marvin, HJP, 2019. Gıda güvenliğinde Nesnelerin İnterneti: Literatür taraması ve bibliyometrik analiz. Trendler Gıda Bilimi. Teknoloji. 94,54–64. https://doi.org/10.1016/j.tifs.2019.11.002.
Brewster, C., Roussaki, I., Kalatzis, N., Doolin, K., Ellis, K., 2017. Tarımda IoT: Avrupa çapında büyük ölçekli bir pilot tasarlama. IEEE İletişimi Mag. 55 (9), 26–33.
Buters, TM, Belton, D., Cross, AT, 2019. Bireysel fidelerin ve fide topluluklarının milimetre hassasiyetinde çok sensörlü İHA takibi. Dronlar 3 (4), 81.
https://doi.org/10.3390/drones3040081.
Candiago, S., Remondino, F., De Giglio, M., Dubbini, M., Gattelli, M., 2015. İHA görüntülerinden hassas tarım uygulamaları için multispektral görüntülerin ve bitki örtüsü indekslerinin değerlendirilmesi. Uzaktan Algılama 7 (4), 4026–4047. https://doi.org/10.3390/rs70404026.
Cao, Y., Li, GL, Luo, YK, Pan, Q., Zhang, SY, 2020. İHA'dan elde edilen geniş dinamik aralıklı bitki örtüsü indeksi (WDRVI) kullanılarak şeker pancarı büyüme göstergelerinin izlenmesi
multispektral görüntüler. Hesapla. Elektron. Tarım. 171, 105331 https://doi.org/10.1016/j.compag.2020.105331.
Casillas, J., Acedo, F., 2007. Aile şirketi literatürünün entelektüel yapısının evrimi: FBR'nin bibliyometrik bir çalışması. Aile Şirketi 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. Pirinç biyokütlesinin dinamik olarak izlenmesi
Çift görüntü çerçeveli anlık kameralara sahip hafif bir İHA kullanarak farklı nitrojen tedavileri. Bitki Yöntemleri 15 (1), 32. https://doi.org/10.1186/s13007-019-
0418-8.
Chamuah, A., Singh, R., 2019. Sivil İHA aracılığıyla Hindistan tarımında sürdürülebilirliğin güvence altına alınması: sorumlu bir inovasyon perspektifi. SN Başvurusu Bilim. 2(1), 106. https://
doi.org/10.1007/s42452-019-1901-6.
Chamuah, A., Singh, R., 2022. Hindistan mahsul sigortası uygulamalarına yönelik sivil insansız hava aracı (İHA) yeniliklerinin sorumlu yönetimi. J. Sorumlu
Teknoloji. 9, 100025 https://doi.org/10.1016/j.jrt.2022.100025.
Chen, A., Orlov-Levin, V., Meron, M., 2019. Mahsul kanopisinin yüksek çözünürlüklü görünür kanallı havadan görüntülemesinin hassas sulama yönetimine uygulanması. Tarım. su
Yönetici. 216, 196–205. https://doi.org/10.1016/j.agwat.2019.02.017.
Daakir, M., Pierrot-Deseiligny, M., Bosser, P., Pichard, F., Thom, C., Rabot, Y., Martin, O., 2017. Yerleşik fotogrametri ve tek frekanslı GPS konumlandırmaya sahip hafif İHA Metroloji uygulamaları için. ISPRS J. Fotogramm. Uzaktan Algılama 127, 115–126. https://doi.org/10.1016/j.isprsjprs.2016.12.007.
Dawaliby, S., Aberkane, A., Bradai, A., 2020. Otonom drone operasyonları yönetimi için Blockchain tabanlı IoT platformu. İçinde: 2. ACM Tutanakları
5G ve Ötesi için Drone Destekli Kablosuz İletişim üzerine MobiCom Çalıştayı, s. 31–36. https://doi.org/10.1145/3414045.3415939.
Day, RA, Gastel, B., 1998. Bilimsel makale nasıl yazılır ve yayınlanır. Cambridge Üniversitesi Yayınları. de Castro, AI, Pena, ˜ JM, Torres-Sanchez, ´ J., Jim´enez-Brenes, FM, ValenciaGredilla, F., Recasens, J., Lopez-Granados, ´ F., 2020. Cynodon dactylon istilasının haritalanması hassas bağcılık için mahsulleri otomatik bir karar ağacı-OBIA prosedürü ve İHA görüntüleri ile kaplayın. Uzaktan Algılama 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. Otomatik rastgele orman-OBIA algoritması İHA görüntülerini kullanarak mahsul sıraları arasında ve içinde erken yabani ot haritalaması. Uzaktan Algılama 10 (2). https://doi.org/10.3390/rs10020285.
Demir, N., Sönmez, ¨ NK, Akar, T., Ünal, S., 2018. İHA Görüntülerinden Elde Edilen DSM Kullanılarak Buğday Genotiplerinin Bitki Yüksekliğinin Otomatik Ölçümü. Bildiriler 2 (7), 350. https://doi.org/10.3390/ecrs-2-05163.
Deng, J., Zhong, Z., Huang, H., Lan, Y., Han, Y., Zhang, Y., 2020. İnsansız hava araçlarını kullanarak gerçek zamanlı yabani ot haritalaması için hafif semantik segmentasyon ağı. Başvuru Bilim. 10 (20), 7132. https://doi.org/10.3390/app10207132.
Deng, L., Mao, Z., Li, X., Hu, Z., Duan, F., Yan, Y., 2018. Hassas tarım için İHA tabanlı multispektral uzaktan algılama: farklı kameralar arasında bir karşılaştırma. ISPRS J. Fotogramm. Uzaktan Algılama 146, 124–136.
Diaz-Gonzalez, FA, Vuelvas, J., Correa, CA, Vallejo, VE, Patino, D., 2022. Toprak göstergelerini tahmin etmek için uygulanan makine öğrenimi ve uzaktan algılama teknikleri - inceleme. Ekol. Ind. 135, 108517 https://doi.org/10.1016/j.ecolind.2021.108517.
Díaz-Varela, RA, De la Rosa, R., Leon, ´ L., Zarco-Tejada, PJ, 2015. 3D fotoğraf kullanarak zeytin ağacı taç parametrelerini değerlendirmek için yüksek çözünürlüklü havadan İHA görüntüleri
yeniden yapılanma: ıslah denemelerinde uygulama. Uzaktan Algılama 7 (4), 4213–4232. https://doi.org/10.3390/rs70404213.
Dixit, A., Jakhar, SK, 2021. Havaalanı kapasite yönetimi: bir inceleme ve bibliyometrik analiz. J. Hava Taşımacılığı. Yönetici. 91, 102010.
Dong, T., Shang, J., Liu, J., Qian, B., Jing, Q., Ma, B., Huffman, T., Geng, X., Sow, A., Shi, Y., Canisius, F., Jiao, X., Kovacs, JM, Walters, D., Cable, J., Wilson, J., 2019.
Ontario, Kanada'da ürün büyümesi ve veriminin tarla içi değişkenliğini belirlemek için RapidEye görüntülerinin kullanılması. Hassas Tarım. 20 (6), 1231–1250. https://doi.org/10.1007/
s11119-019-09646-w.
Dutta, PK, Mitra, S., 2021. COVID-19 sonrası gıda tedarik zincirini anlamak için tarımsal drone ve IoT uygulaması. İçinde: Choudhury, A., Biswas, A., Prateek, M.,
Chakrabarti, A. (Eds.), Tarımsal Bilişim: Nesnelerin İnterneti ve Makine Öğrenimini Kullanarak Otomasyon. Wiley, s. 67-87. van Eck, N., Waltman, L., 2009. Yazılım araştırması: VOSviewer, bibliyometrik haritalama için bir bilgisayar programı. 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. Tarımda Nesnelerin İnterneti (IoT) ve veri analitiğine genel bakış: faydalar ve zorluklar.
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. Agronomik doğrulama İHA ve saha
Domates çeşitleri için ölçümler. Hesapla. Elektron. Tarım. 158, 278–283. https://doi.org/10.1016/j.compag.2019.02.011.
Espinoza, CZ, Khot, LR, Sankaran, S., Jacoby, PW, 2017. Yüksek çözünürlüklü multispektral ve termal uzaktan algılamaya dayalı su stresi değerlendirmesi
yeraltı sulanan asmalar. Uzaktan Algılama 9 (9), 961. https://doi.org/ 10.3390/rs9090961.
Ewing, J., Oommen, T., Jayakumar, P., Alger, R., 2020. Toprak derecelendirmesi için hiperspektral uzaktan algılamanın kullanılması. Uzaktan Algılama 12 (20), 3312. ttps://doi.org/10.3390/
rs12203312.
Fawcett, D., Panigada, C., Tagliabue, G., Boschetti, M., Celesti, M., Evdokimov, A., Biriukova, K., Colombo, R., Miglietta, F., Rascher, U., Anderson, K., 2020. Operasyonel koşullarda drone tabanlı çok bantlı yüzey yansıması ve bitki örtüsü endekslerinin çok ölçekli değerlendirmesi. Uzaktan Algılama 12 (3), 514.
Feng, X., Yan, F., Liu, X., 2019. Hassas tarım için Nesnelerin İnterneti üzerinde kablosuz iletişim teknolojilerinin incelenmesi. Kablosuz Kişiler İletişim 108 (3),
1785-1802.
Ferreira, MP, Pinto, CF, Serra, FR, 2014. Uluslararası işletme araştırmalarında işlem maliyetleri teorisi: otuz yılı aşkın bir bibliyometrik çalışma. Scientometrics 98 (3), 1899–1922. https://doi.org/10.1007/s11192-013-1172-8.
Fisher, P., Abuzar, M., Rab, M., Best, F., Chandra, S., 2009. Güneydoğu Avustralya'da hassas tarımdaki gelişmeler. I. simüle etmek için bir regresyon metodolojisi
Çiftçilerin geçmiş padok verimlerini ve normalleştirilmiş bitki örtüsü farkı indeksini kullanarak tahıl verimlerindeki mekansal değişim. Mahsul Mera Bilimi. 60 (9), 844–858.
Floreano, D., Wood, RJ, 2015. Bilim, teknoloji ve küçük otonom dronların geleceği. Doğa 521 (7553), 460–466. https://doi.org/10.1038/nature14542.
Friha, O., Ferrag, MA, Shu, L., Maglaras, LA, Wang, X., 2021. Akıllı tarımın geleceği için nesnelerin interneti: gelişen teknolojilere ilişkin kapsamlı bir araştırma. IEEE CAA J. Otom. Sinica 8 (4), 718–752.
Fuentes-Pacheco, J., Torres-Olivares, J., Roman-Rangel, E., Cervantes, S., JuarezLopez, P., Hermosillo-Valadez, J., Rendon-Mancha, ´ JM, 2019. İncir bitkisi segmentasyonu derin evrişimli kodlayıcı-kod çözücü ağı kullanılarak hava görüntülerinden. Uzaktan Algılama 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. İHA'ların su stresini değerlendirme zorluğu
sürdürülebilir tarım. Tarım. Su Yönetimi. 153, 9–19. https://doi.org/10.1016/j. agwat.2015.01.020.
García-Tejero, IF, Rubio, AE, Vinuela, ˜ I., Hern´ andez, A., Guti'errez-Gordillo, S., Rodríguez-Pleguezuelo, CR, Dur´ an-Zuazo, VH, 2018. Termal görüntüleme fabrikada
Eksik sulama stratejileri altında badem ağaçlarında (cv. Guara) ürün-su durumunu değerlendirmek için seviye. Tarım. Su Yönetimi. 208, 176–186. https://doi.org/10.1016/j.
agwat.2018.06.002.
Garzonio, R., Di Mauro, B., Colombo, R., Cogliati, S., 2017. Küçük bir hiperspektral UAS kullanılarak yüzey yansıması ve güneş kaynaklı floresans spektroskopi ölçümleri. Uzaktan Algılama 9 (5), 472. https://doi.org/10.3390/rs9050472. Gaˇsparovi'c, M., Zrinjski, M., Barkovi'c, Đ., Radoˇcaj, D., 2020. Otomatik bir yöntem için
Yulaf tarlalarında İHA görüntülerine dayalı yabani ot haritalaması. Hesapla. Elektron. Tarım.
Gebbers, R., Adamchuk, VI, 2010. Hassas tarım ve gıda güvenliği. Bilim 327 (5967), 828–831. https://doi.org/10.1126/science.1183899.
Geipel, J., Link, J., Claupein, W., 2014. İnsansız bir uçak sistemiyle elde edilen hava görüntülerine ve mahsul yüzey modellerine dayalı olarak mısır veriminin birleşik spektral ve mekansal modellemesi. Uzaktan Algılama 6 (11), 10335–10355. https://doi.org/10.3390/rs61110335.
Geng, D., Feng, Y., Zhu, Q., 2020. Kullanıcılar için sürdürülebilir tasarım: literatür taraması ve bibliyometrik analiz. Çevre. Bilim. Kirlilik. Res. 27 (24), 29824–29836. https://doi. org/10.1007/s11356-020-09283-1.
Gevaert, CM, Suomalainen, J., Tang, J., Kooistra, L., 2015. Multispektral uydu ve hiperspektralin birleştirilmesiyle spektral-zamansal yanıt yüzeylerinin oluşturulması
Hassas tarım uygulamaları için İHA görüntüleri. IEEE J. Sel. Tepe. Başvuru Dünya Obs. Uzaktan Algılama 8 (6), 3140–3146. ttps://doi.org/10.1109/JSTARS.2015.2406339.
Gill, SS, Chana, I., Buyya, R., 2017. Bulut ve büyük veri hizmeti olarak IoT tabanlı tarım: dijital Hindistan'ın başlangıcı. J. Org. ve Son Kullanıcı Bilgisayarı. (JOEUC) 29 (4),
1-23.
Gmür, M., 2006. Ortak atıf analizi ve görünmez kolejlerin araştırılması: metodolojik bir değerlendirme. Scientometrics 57 (1), 27–57. https://doi.org/10.1023/
bir:1023619503005.
Gnadinger, ¨ F., Schmidhalter, U., 2017. Mısır bitkilerinin İnsansız Hava Araçları (İHA'lar) tarafından dijital sayımları. Uzaktan Algılama 9 (6). Https://doi.org/10.3390/rs9060544.
Gokto ¨ ǧan, AH, Sukkarieh, S., Bryson, M., Randle, J., Lupton, T., Hung, C., 2010. Sudaki yabani otların gözetimi ve kontrolü için döner kanatlı insansız hava aracı
yönetmek. J. Intel. Robotik Sistem: Teori. Başvuru 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. Buğdayda hassas tarım amaçlı insansız hava aracı (İHA) görüntülerinden alınan mozaiklerin doğruluğunun değerlendirilmesi. Özetlemek. Tarım. 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. İHA tarafından algılanan görüntülerle ağaç ölçeğinde su stresinin alan fenotiplemesi : için yeni görüşler
termal kazanım ve kalibrasyon. Özetlemek. Tarım. 17 (6), 786–800. https://doi.org/10.1007/s11119-016-9449-6.
Gonzalez-Dugo, V., Zarco-Tejada, PJ, Fereres, E., 2014. Narenciye bahçelerinde su eksikliğinin bir göstergesi olarak mahsul su stresi indeksinin kullanılmasının uygulanabilirliği ve sınırlamaları. Tarım. İçin. Meteorol. 198–199, 94–104. https://doi.org/10.1016/j. agrformet.2014.08.003.
Gonzalez-Dugo, V., Zarco-Tejada, P., Nicolas, ` E., Nortes, PA, Alarcon, ` JJ, Intrigliolo, DS, Fereres, E., 2013. Yüksek çözünürlüklü İHA termal görüntülerinin kullanılması
Ticari bir meyve bahçesindeki beş meyve ağacı türünün su durumundaki değişkenliği değerlendirin. Özetlemek. Tarım. 14(6), 660–678. https://doi.org/10.1007/s11119-013-9322-9.
Goyal, K., Kumar, S., 2021. Finansal okuryazarlık: Sistematik bir inceleme ve bibliyometrik analiz. Uluslararası J. Tüketici Çalışmaları 45 (1), 80–105. https://doi.org/10.1111/
ijcs.12605.
Grenzdorffer, ¨ GJ, Engel, A., Teichert, B., 2008. Ormancılık ve tarımda düşük maliyetli İHA'ların fotogrametrik potansiyeli. Uluslararası Fotogrametri, Uzaktan Algılama ve Uzamsal Bilgi Bilimleri Arşivleri – ISPRS Arşivleri 37, 1207–1213. https://www.scopus.com/inward/record.uri?eid=2-s2.0-85039543258&partnerI D=40&md5=b4b2d639257e8ddb5a373d15959c4e1e.
Guan, S., Fukami, K., Matsunaka, H., Okami, M., Tanaka, R., Nakano, H., Sakai, T., Nakano, K., Ohdan, H., Takahashi, K., 2019. Yüksek çözünürlüklü korelasyonun değerlendirilmesi
Küçük İHA'lar kullanılarak pirinç ve buğday mahsullerinin gübre uygulama düzeyi ve verimi ile NDVI. Uzaktan Algılama 11 (2), 112.
Gundolf, K., Filser, M., 2013. Yönetim araştırması ve din: bir alıntı analizi. J. Otobüs. Etik 112 (1), 177–185.
Guo, Q., Zhu, Y., Tang, Y., Hou, C., He, Y., Zhuang, J., Zheng, Y., Luo, S., 2020. CFD simülasyonu ve mekansalın deneysel doğrulanması ve zamansal dağılımları
havada asılı duran dört rotorlu bir tarım İHA'sının aşağı yönlü hava akışı. Hesapla. Elektron. Tarım. 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. , Polonya, J., 2016.
Büyük buğday yetiştirme fidanlıklarının yüksek verimli fenotiplemesi için insansız hava sistemlerinin uygulanması. Bitki Yöntemleri 12 (1). https://doi.org/10.1186/s13007-
016-0134-6.
Hakala, T., Honkavaara, E., Saari, H., Makynen, ¨ J., Kaivosoja, J., Pesonen, L. ve Pol ¨ onen, ¨I., 2013. Değişen aydınlatma koşulları altında İHA'lardan spektral görüntüleme . GG Bill R. (Ed.), Uluslararası Fotogrametri Arşivi, Uzaktan Algılama ve Mekansal Bilgi Bilimleri — ISPRS Arşivleri (Cilt 40, Sayı 1W2, s. 189–194). Uluslararası Fotogrametri ve Uzaktan Algılama Derneği. 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. İnsansız havadan ada bitki örtüsünün haritalandırılmasına yönelik tekniklerin değerlendirilmesi
Araç (İHA) görüntüleri: Piksel sınıflandırma, görsel yorumlama ve makine öğrenmesi yaklaşımları. Uluslararası J. Başvuru. Dünya Obs. Geoinf. 89, 102085 https://doi.org/
10.1016/j.jag.2020.102085.
Haque, A., Islam, N., Samrat, NH, Dey, S., Ray, B., 2021. Bangladeş'te sorumlu liderlik aracılığıyla akıllı tarım: olanaklar, fırsatlar ve ötesi.
Sürdürülebilirlik 13(8), 4511.
Hardin, PJ, Hardin, TJ, 2010. Çevre araştırmalarında küçük ölçekli uzaktan kumandalı araçlar. Coğrafya Pusulası 4 (9), 1297–1311. ttps://doi.org/10.1111/j.1749-
8198.2010.00381.x.
Hardin, PJ, Jensen, RR, 2011. Çevresel uzaktan algılamada küçük ölçekli insansız hava araçları: zorluklar ve fırsatlar. GISci. Uzaktan Algılama 48 (1), 99–111. https://doi.org/10.2747/1548-1603.48.1.99.
He, Y., Nie, P., Zhang, Q., Liu, F., 2021. Tarımsal Nesnelerin İnterneti: teknolojiler ve uygulamalar, (1. baskı 2021 baskısı). Springer.
Herwitz, SR, Johnson, LF, Dunagan, SE, Higgins, RG, Sullivan, DV, Zheng, J., Lobitz, BM, Leung, JG, Gallmeyer, BA, Aoyagi, M., Slye, RE, Brass, JA, 2004.
İnsansız hava aracından görüntüleme: tarımsal gözetim ve karar desteği. Hesapla. Elektron. Tarım. 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, İHA tabanlı uzaktan algılama kullanılarak saha denemelerinde buğday bitkisi boyunun ve büyüme oranının yüksek verimli saha fenotiplemesi. Uzaktan Algılama 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. İşleme ve değerlendirme Hassas tarım için hafif bir İHA spektral kamera kullanılarak toplanan spektrometrik, stereoskopik görüntüler. Uzaktan Algılama 5 (10), 5006–5039. https://doi.org/10.3390/rs5105006.
Hossein Motlagh, N., Taleb, T., Arouk, O., 2016. Alçak irtifa insansız hava araçlarına dayalı nesnelerin interneti hizmetleri: kapsamlı araştırma ve geleceğe yönelik perspektifler. 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. Bir İHA için kentsel kanyonların birleşik optik akışı ve stereo tabanlı navigasyonu. İçinde: 2005 IEEE/RSJ
Uluslararası Akıllı Robotlar ve Sistemler Konferansı, s. 3309–3316. https://doi.org/10.1109/IROS.2005.1544998.
Hsu, T.-C., Yang, H., Chung, Y.-C., Hsu, C.-H., 2020. Bulut sis bilişimi için yaratıcı bir IoT tarım platformu. Güç vermek. Hesapla. Enf. Sistem 28, 100285.
Huang, H., Deng, J., Lan, Y., Yang, A., Deng, X., Zhang, L., Gonzalez-Andujar, JL, 2018. İnsansız hava aracının yabani ot haritalaması için tam evrişimli bir ağ ( İHA) görüntüleri. PLoS ONE 13 (4), e0196302.
Huang, H., Lan, Y., Yang, A., Zhang, Y., Wen, S., Deng, J., 2020. İHA görüntülerinin yabani ot haritalamasında derin öğrenmeye karşı Nesne Tabanlı Görüntü Analizi (OBIA). Uluslararası J.
Uzaktan Algılama 41 (9), 3446–3479. https://doi.org/10.1080/01431161.2019.1706112.
Huang, H., Yang, A., Tang, Y., Zhuang, J., Hou, C., Tan, Z., Dananjayan, S., He, Y., Guo, Q., Luo, S., 2021. Mahsul izlemede İHA görüntüleri için derin renk kalibrasyonu
Yerelden küresele dikkat ile anlamsal stil aktarımını kullanma. Uluslararası J. Başvuru. Dünya Obs. Geoinf. 104, 102590 https://doi.org/10.1016/j.jag.2021.102590.
Huang, YB, Thomson, SJ, Hoffmann, WC, Lan, YB, Fritz, BK, 2013. Tarımsal üretime yönelik insansız hava aracı teknolojilerinin geliştirilmesi ve geleceği
yönetmek. Uluslararası J. Agric. Biyol. Müh. 6 (3), 1–10. https://doi.org/10.3965/j. ijabe.20130603.001.
Huang, Y., Hoffmann, WC, Lan, Y., Wu, W., Fritz, BK, 2009. İnsansız hava aracı platformu için püskürtme sisteminin geliştirilmesi. Başvuru Müh. Tarım. 25 (6), 803–809.
Hunt Jr., ER, Dean Hively, W., Fujikawa, SJ, Linden, DS, Daughtry, CST, McCarty, GW, 2010. NIR-yeşil-mavi dijital fotoğrafların satın alınması
mahsul izleme için insansız hava aracı. Uzaktan Algılama 2 (1), 290–305. https://doi. org/10.3390/rs2010290. Inoue, Y., 2020. Akıllı tarım için mahsullerin ve toprakların uydu ve drone tabanlı uzaktan algılanması – bir inceleme. Toprak Bilimi Bitki Besleyicisi 66(6), 798–810. https://doi.org/10.1080/00380768.2020.1738899.
Islam, N., Rashid, MM, Pasandideh, F., Ray, B., Moore, S., Kadel, R., 2021. Nesnelerin İnterneti (IoT) ve
İnsansız Hava Aracı (İHA) tabanlı sürdürülebilir akıllı tarım. Sürdürülebilirlik 13 (4), 1821. https://doi.org/10.3390/su13041821.
Jaud, M., Passot, S., Le Bivic, R., Delacourt, C., Grandjean, P., Le Dantec, N., 2016. Hesaplanan yüksek çözünürlüklü dijital yüzey modellerinin doğruluğunun değerlendirilmesi
Optimumun altındaki araştırma koşullarında PhotoScan® ve MicMac®. Uzaktan Algılama 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. Zeytin ağacı mimarisi ve yıllık budama etkilerinin ölçülmesi İHA tabanlı 3D modellemeyi kullanarak kanopi büyümesi. Bitki Yöntemleri 13 (1). https://doi.org/10.1186/s13007-017-0205-3.
Jin, X., Liu, S., Baret, F., Hemerl'e, M., Comar, A., 2017. Çok alçak irtifa İHA görüntülerinden ortaya çıkan buğday mahsullerinin bitki yoğunluğu tahminleri. Uzaktan Algılama
Çevre. 198, 105–114. https://doi.org/10.1016/j.rse.2017.06.007.
Jinbo, C., Xiangliang, C., Han-Chi, F., Lam, A., 2019. Bulut bilişimle desteklenen tarımsal ürün izleme sistemi. Küme Bilgisayarı. 22(4), 8929–8938.
Ju, C. ve Son, HI 2018a. Tarımda uzaktan algılamaya yönelik çoklu İHA sistemlerinin performans değerlendirmesi. IEEE Uluslararası Robotik ve Otomasyon Konferansı (ICRA), Brisbane, Avustralya, 21-26'da Tarımda Robotik Vizyon ve Eylem Çalıştayı Bildirileri.
Ju, C., Son, HI, 2018b. Tarımsal uygulamalar için çoklu İHA sistemleri: kontrol, uygulama ve değerlendirme. Elektronik 7 (9), 162. https://doi.org/10.3390/
elektronik7090162.
Jung, J., Maeda, M., Chang, A., Bhandari, M., Ashapure, A., Landivar-Bowles, J., 2021. Uzaktan algılama ve yapay zekanın iyileştirme araçları olarak potansiyeli
Tarımsal üretim sistemlerinin dayanıklılığı. Curr. Görüş. Biyoteknoloji. 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. Karpuzdaki sakızlı sap yanıklığı için insansız hava aracı destekli multispektral mahsul görüntülemeyi geleneksel keşif uygulamasına dahil eden geliştirilmiş bir mahsul keşif tekniği. Bitki Dis. 103 (7), 1642–1650.
Kapoor, KK, Tamilmani, K., Rana, NP, Patil, P., Dwivedi, YK, Nerur, S., 2018. Sosyal medya araştırmalarındaki gelişmeler: geçmiş, bugün ve gelecek. Bilgi vermek. Sistem Ön. 20
(3), 531-558.
Kerkech, M., Hafiane, A., Canals, R., 2020. VddNet: multispektral görüntülere ve derinlik haritasına dayalı asma hastalığı tespit ağı. Uzaktan Algılama 12 (20), 3305. https://doi. org/10.3390/rs12203305.
Khaliq, A., Comba, L., Biglia, A., Ricauda Aimonino, D., Chiaberge, M., Gay, P., 2019. Bağ için uydu ve İHA tabanlı multispektral görüntülerin karşılaştırılması
değişkenlik değerlendirmesi. Uzaktan Algılama 11 (4). https://doi.org/10.3390/rs11040436.
Khan, PW, Byun, Y.-C., Park, N., 2020. IoT-blockchain, gelişmiş derin öğrenmeyi kullanarak gıda endüstrisi 4.0 için optimize edilmiş kaynak sistemini etkinleştirdi. Sensörler 20 (10), 2990.
Khan, RU, Khan, K., Albattah, W., Qamar, AM, Ullah, F., 2021. Bitki hastalıklarının görüntü tabanlı tespiti: klasik makine öğreniminden derin öğrenme yolculuğuna. Kablosuz İletişim Mobil Bilgisayar. 2021, 1–13.
Khan, S., Tufail, M., Khan, MT, Khan, ZA, Iqbal, J., Alam, M., Le, KNQ, 2021. İHA tabanlı mahsul/yabancı ot sınıflandırması için yeni bir yarı denetimli çerçeve. PLoS ONE 16 (5), e0251008.
Khanal, S., Fulton, J., Shearer, S., 2017. Hassas tarımda termal uzaktan algılamanın mevcut ve potansiyel uygulamalarına genel bakış. Hesapla. Elektron.
Tarım. 139, 22–32. https://doi.org/10.1016/j.compag.2017.05.001.
Khanna, A., Kaur, S., 2019. Nesnelerin İnterneti'nin (IoT) evrimi ve Hassas Tarım alanındaki önemli etkisi. Hesapla. Elektron. Tarım. 157, 218–231.
Kim, W., Khan, GF, Wood, J., Mahmood, MT, 2016. Sürdürülebilir organizasyonlar için çalışan katılımı: sosyal ağ analizi ve patlama kullanarak anahtar kelime analizi
tespit yaklaşımı. Sürdürülebilirlik 8 (7), 631.
Kirsch, M., Lorenz, S., Zimmermann, R., Tusa, L., Mockel, ¨ R., Hodl, ¨ P., Booysen, R., Khodadadzadeh, M., Gloaguen, R., 2018. Entegrasyon karasal ve drone kaynaklı
Arama haritalaması ve maden izleme için hiperspektral ve fotogrametrik algılama yöntemleri. Uzaktan Algılama 10 (9), 1366. https://doi.org/10.3390/
rs10091366.
Kitano, BT, Mendes, CCT, Geus, AR, Oliveira, HC, Souza, JR, 2019. Derin öğrenme ve İHA görüntüleri kullanılarak mısır bitki sayımı. IEEE Geosci. Uzaktan Algılama Lett. 1–5 https://doi.org/10.1109/LGRS.2019.2930549.
Koh, JCO, Spangenberg, G., Kant, S., 2021. Yüksek verimli görüntü tabanlı bitki fenotiplemesi için otomatik makine öğrenimi. Uzaktan Algılama 13 (5), 858. https://
doi.org/10.3390/rs13050858.
Kovalev, IV, Voroshilova, AA, 2020. Kargo İHA ekosisteminin gelişiminde modern teknolojik eğilimler. J. Phys. Konf. Ser. 1515(5), 052068 https://doi. org/10.1088/1742-6596/1515/5/052068.
Krul, S., Pantos, C., Frangulea, M., Valente, J., 2021. Monoküler kameralı küçük bir drone kullanarak kapalı alanda hayvancılık ve çiftçilik için görsel SLAM: bir fizibilite çalışması.
Dronlar 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. Tarım otomasyonu için drone araştırması ekimden
hasat. İçinde: INES 2018 – IEEE 22. Uluslararası Akıllı Mühendislik Sistemleri Konferansı, s. 000353–358. https://doi.org/10.1109/INES.2018.8523943.
Lagkas, T., Argyriou, V., Bibi, S., Sarigiannidis, P., 2018. UAV IoT çerçeve görüşleri ve zorluklar: dronları "Nesneler" olarak korumaya yönelik. Sensörler 18 (11), 4015. https://doi.org/10.3390/s18114015.
Laliberte, AS, Rango, A., 2011. Kurak havada insansız bir hava aracıyla elde edilen desimetre altı görüntülerin analizi için görüntü işleme ve sınıflandırma prosedürleri
meralar. GISci. Uzaktan Algılama 48 (1), 4–23. https://doi.org/10.2747/1548-1603.48.1.4.
Laliberte, AS, Rango, A., Herrick, JE, 2007. Mera haritalaması ve izlenmesi için insansız hava araçları: iki sistemin karşılaştırılması. ASPRS Yıllık Konferans Bildirileri.
Lam, OHY, Dogotari, M., Prüm, M., Vithlani, HN, Roers, C., Melville, B., Zimmer, F., Becker, R., 2021. Yerli otlaklarda yabani ot haritalaması için açık kaynaklı bir iş akışı
insansız hava aracının kullanılması: Rumex obtusifolius'un örnek olay olarak kullanılması. Avro. 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. Benimseme, karlılık ve hassas tarım verilerinin daha iyi kullanılması.
Çalışma kağıdı. Purdue Üniversitesi. https://doi.org/10.22004/ag.econ.28615.
Lelong, CCD, Burger, P., Jubelin, G., Roux, B., Labb'e, S., Baret, F., 2008. Küçük parsellerdeki buğday mahsulünün niceliksel izlenmesi için insansız hava aracı görüntülerinin değerlendirilmesi. Sensörler 8 (5), 3557–3585. https://doi.org/10.3390/s8053557.
Li, C., Niu, B., 2020. Büyük verilere ve nesnelerin internetine dayalı akıllı tarım tasarımı. Uluslararası J. Dağıtım. Sens.Netw. 16 (5) ttps://doi.org/10.1177/1550147720917065.
Li, W., Niu, Z., Chen, H., Li, D., Wu, M., Zhao, W., 2016. Yüksek çözünürlüklü stereo görüntüler kullanılarak mısırın kanopi yüksekliğinin ve yer üstü biyokütlesinin uzaktan tahmini düşük maliyetli insansız hava aracı sistemi. Ekol. 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. Tarımda makine öğrenimi: bir inceleme. Sensörler 18 (8), 2674.
Liebisch, F., Kirchgessner, N., Schneider, D., Walter, A., Hund, A., 2015. Mobil çoklu sensör yaklaşımıyla mısır özelliklerinin uzaktan, havadan fenotiplenmesi. Bitki Yöntemleri 11 (1), 9. https://doi.org/10.1186/s13007-015-0048-8.
Lin, Z., Guo, W., 2020. İnsansız hava sistemi görüntüleri ve derin öğrenme kullanılarak sorgum salkımının tespiti ve sayımı. Ön. Bitki Bilimi 11.
Liu, S., Guo, L., Webb, H., Ya, X., Chang, X., 2019. Bulut bilişime dayalı modern eko-tarım için Nesnelerin İnterneti izleme sistemi. IEEE Erişimi 7, 37050–37058.
Lopez-Granados, ´ F., 2011. Sahaya özgü yabani ot yönetimi için yabani ot tespiti: haritalama ve gerçek zamanlı yaklaşımlar. Ot Res. 51 (1), 1–11. https://doi.org/10.1111/j.1365-3180.2010.00829.x.
Lopez-Granados, ´ F., Torres-Sanchez, ´ J., De Castro, A.-I., Serrano-P´erez, A., MesasCarrascosa, F.-J., Pena, ˜ J.-M. , 2016. Yüksek çözünürlüklü İHA görüntüleri kullanılarak bir çim mahsulündeki çim otunun nesne tabanlı erken izlenmesi. Agron. Güç vermek. Dev. 36 (4), 1–12
Lopez-Granados, 'F., Torres-S' anchez, J., Serrano-P'erez, A., de Castro, AI, MesasCarrascosa, F.-J., Pena, ˜ J.-M., 2016. İHA teknolojisi kullanılarak ayçiçeğinde erken sezon yabancı ot haritalaması: herbisit uygulama haritalarının yabani ot eşiklerine göre değişkenliği. Özetlemek. Tarım. 17(2), 183–199.
Lucieer, A., Malenovsky, Z., Veness, T., Wallace, L., 2014. HyperUAS – çok rotorlu insansız hava aracı sisteminden görüntüleme spektroskopisi. J. Field Rob. 31 (4),
571–590. https://doi.org/10.1002/rob.21508.
Lumme, J., Karjalainen, M., Kaartinen, H., Kukko, A., Hyyppa, ¨ J., Hyypp¨ a, H., Jaakkola, A. ve Kleemola, J., 2008. Yersel lazer taraması tarımsal ürünler. JJ'de
Chen J. Maas H–G. (Ed.), Uluslararası Fotogrametri Arşivi, Uzaktan Algılama ve Uzamsal Bilgi Bilimleri — ISPRS Arşivleri (Cilt 37, s. 563–566).
Uluslararası Fotogrametri ve Uzaktan Algılama Derneği. 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. Denetimli nesne tabanlı arazi örtüsü görüntü sınıflandırmasının gözden geçirilmesi. ISPRS J. Fotogramm. Uzaktan Algılama 130,
277–293. https://doi.org/10.1016/j.isprsjprs.2017.06.001.
Maes, WH, Steppe, K., 2019. Hassas tarımda insansız hava araçlarıyla uzaktan algılamaya yönelik perspektifler. Trendler Bitki Bilimi. 24(2), 152–164. https://doi.org/10.1016/j.tplants.2018.11.007.
Maimaitijiang, M., Ghulam, A., Sidike, P., Hartling, S., Maimaitiyiming, M., Peterson, K., Shavers, E., Fishman, J., Peterson, J., Kadam, S., Burken, J., Fritschi, F., 2017.
Çok sensörlü veri füzyonu ve ileri düzey öğrenme makinesi kullanılarak soya fasulyesinin insansız hava sistemi (UAS) tabanlı fenotiplemesi. ISPRS J. Fotogramm. Uzaktan Algılama 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.
Uydu/İHA veri birleşimi ve makine öğrenimini kullanarak mahsul izleme. Uzaktan Algılama 12 (9), 1357. https://doi.org/10.3390/rs12091357.
Manfreda, S., McCabe, M., Miller, P., Lucas, R., Pajuelo Madrigal, V., Mallinis, G., Ben Dor, E., Helman, D., Estes, L., Ciraolo, G ., Müllerova, ´ J., Tauro, F., de Lima, M., de
Lima, J., Maltese, A., Frances, F., Caylor, K., Kohv, M., Perks, M., Ruiz-P'erez, G., Su, Z., Vico, G., Toth , B., 2018. İnsansız hava sistemlerinin kullanımına ilişkin
çevresel izleme. Uzaktan Algılama 10 (4), 641.
Marinko, RA, 1998. Tezlerde kadın çalışmaları dergilerine yapılan alıntılar, 1989 ve The Serials Librarian 35 (1–2), 29–44. https://doi.org/10.1300/J123v35n01_
03
Masroor, R., Naeem, M., Ejaz, W., 2021. İHA destekli kablosuz ağlarda kaynak yönetimi: bir optimizasyon perspektifi. Özel Ağ. 121, 102596 https://doi.org/10.1016/j.adhoc.2021.102596.
Matese, A., Di Gennaro, SF, 2018. Hassas multispektral, termal ve RGB yüksek çözünürlüklü görüntülere dayalı çok sensörlü İHA platformunun pratik uygulamaları
bağcılık. Tarım 8 (7), 116. https://doi.org/10.3390/agriculture8070116.
Matese, A., Di Gennaro, SF, 2021. Geleneksel NDVI endeksinin ötesinde, hassas bağcılıkta İHA kullanımının yaygınlaştırılmasında kilit bir faktör olarak. Bilim. Temsilci 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 İHA ve uçakların karşılaştırılması
ve hassas bağcılık için uydu uzaktan algılama platformları. Uzaktan Algılama 7 (3), 2971–2990. https://doi.org/10.3390/rs70302971.
Mazzia, V., Comba, L., Khaliq, A., Chiaberge, M., Gay, P., 2020. Hassasiyet için uydu güdümlü bir bitki örtüsü endeksinin İHA ve makine öğrenimi tabanlı iyileştirilmesi
tarım. Sensörler 20 (9), 2530. https://doi.org/10.3390/s20092530.
McCain, KW, 1990. Yazarları entelektüel alanda haritalamak: teknik bir genel bakış. J. Am. Sos. Bilgi. Bilim. 41(6), 433–443.
Meinen, BU, Robinson, DT, 2021. Tarımsal erozyon modellemesi: İHA zaman serisi verilerini kullanarak USLE ve WEPP saha ölçekli erozyon tahminlerinin değerlendirilmesi. Çevre. Modell. Yazılım 137, 104962. https://doi.org/10.1016/j.envsoft.2021.104962.
Melville, B., Lucieer, A., Aryal, J., 2019. Hiperspektral İnsansız Hava Aracı Sistemi (UAS) Görüntüleri kullanılarak ovalardaki yerli otlak topluluklarının sınıflandırılması
Tazmanya'nın orta bölgeleri. Dronlar 3 (1), 5.
Messina, G., Modica, G., 2020. Hassas tarımda İHA termal görüntülerinin uygulamaları: son teknoloji ve gelecekteki araştırma görünümü. Uzaktan Algılama 12 (9), https://doi.org/10.3390/rs12091491.
Mishra, D., Luo, Z., Jiang, S., Papadopoulos, T., Dubey, R., 2017. Büyük veriler üzerine bibliyografik bir çalışma: kavramlar, eğilimler ve zorluklar. İş Süreçleri Yönetimi J.23 (3),
555-573.
Mochida, K., Saisho, D., Hirayama, T., 2015. Tarla koşullarında elde edilen yaşam döngüsü veri kümelerini kullanarak mahsul iyileştirme. Ön. Bitki Bilimi 6 https://doi.org/10.3389/
fpls.2015.00740.
Mogili, UM.R., Deepak, BBVL, 2018. Drone sistemlerinin hassas tarımda uygulanmasına ilişkin inceleme. Procedia Bilgisayar. Bilim. 133, 502–509.
Moharana, S., Dutta, S., 2016. Hiperspektral görüntülerden pirincin klorofil ve nitrojen içeriğinin mekansal değişkenliği. ISPRS J. Fotogramm. Uzaktan Algılama 122, 17–29.
Muangprathub, J., Boonnam, N., Kajornkasirat, S., Lekbangpong, N., Wanichsombat, A.,
Nillaor, P., 2019. Akıllı çiftlik için IoT ve tarım veri analizi. Hesapla. Elektron. Tarım. 156, 467–474.
Nansen, C., Elliott, N., 2016. Entomolojide uzaktan algılama ve yansıma profili oluşturma. Annu. Rahip Entomol. 61(1), 139–158. https://doi.org/10.1146/annurev-ento010715-023834.
Navia, J., Mondragon, I., Patino, D., Colorado, J., 2016. Tarımda multispektral haritalama: otonom bir quadcopter İHA kullanılarak arazi mozaiği. Uluslararası Konf.
İnsansız Uçak Sistemi (ICUAS) 2016, 1351–1358. https://doi.org/10.1109/ ICUAS.2016.7502606.
Nayyar, A., Nguyen, B.-L., Nguyen, NG, 2020. Drone nesnelerinin interneti (Iodt): akıllı drone'ların gelecek tasavvuru. Av. Intel. Sistem Hesapla. 1045, 563–580. https://doi.org/10.1007/978-981-15-0029-9_45.
Nebiker, S., Annen, A., Scherrer, M., Oesch, D., 2008. Mikro İHA için hafif bir multispektral sensör — çok yüksek çözünürlüklü havadan uzaktan algılama için fırsatlar. Uluslararası Arch. Fotogram. Uzaktan Algılama Spat. Enf. Bilim 37 (B1), 1193–1200.
Negash, L., Kim, H.-Y., Choi, H.-L., 2019. Tarımda gelişen İHA uygulamaları. İçinde: 2019 7. Uluslararası Robot Zeka Teknolojisi ve Konferansı
Uygulamalar (RiTA), s. 254–257. https://doi.org/10.1109/RITAPP.2019.8932853.
Nerur, SP, Rasheed, AA, Natarajan, V., 2008. Stratejik yönetim alanının entelektüel yapısı: bir yazar ortak alıntı analizi. Strateji. Yönetici. J.29 (3),
319-336.
Neupane, K., Baysal-Gürel, F., 2021. İnsansız hava araçları kullanılarak bitki hastalıklarının otomatik tanımlanması ve izlenmesi: Bir inceleme. Uzaktan Algılama 13 (19), 3841. https://doi.org/10.3390/rs13193841.
Nex, F., Remondino, F., 2014. 3D haritalama uygulamaları için İHA: bir inceleme. Başvuru Geomatik 6 (1), 1–15. https://doi.org/10.1007/s12518-013-0120-x.
Niu, H., Hollenbeck, D., Zhao, T., Wang, D., Chen, Y., 2020. Hassas tarımda küçük İHA'larla buharlaşma terleme tahmini. Sensörler 20 (22), 6427. https://
doi.org/10.3390/s20226427.
Osareh, F., 1996. Bibliyometri, Atıf Analizi ve Ortak Atıf Analizi. Literatür İncelemesi 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. Tarımsal ormancılıkta UAS, sensörler ve veri işleme: Pratik uygulamalara yönelik bir inceleme. Uluslararası J. Remote Sens. 38 (8–10), 2349–2391. https://doi.org/10.1080/01431161.2017.1297548.
Panday, ABD, Pratihast, AK, Aryal, J., Kayastha, RB, 2020. Tahıl mahsulleri için drone tabanlı veri çözümlerine ilişkin bir inceleme. Dronlar 4 (3), 1–29. https://doi.org/10.3390/
dronlar4030041.
Parsaeian, M., Shahabi, M., Hassanpour, H., 2020. Görüntü işleme ve yapay sinir ağı kullanılarak susam tohumlarının yağ ve protein içeriğinin tahmin edilmesi. J. Am. Yağ
Kimyagerler Sok. 97 (7), 691–702.
Pena, ˜ JM, Torres-S'anchez, J., de Castro, AI, Kelly, M., Lopez-Granados, ´ F., Suarez, O., Nesne tabanlı analiz kullanarak erken sezon mısır tarlalarında yabani ot haritalaması ile ilgili
insansız hava aracı (İHA) Görselleri. PLoS ONE 8 (10), e77151.
P'erez-Ortiz, M., Pena, 'JM, Guti'errez, PA, Torres-S' anchez, J., Herv' as-Martínez, C.,
Lopez-Granados, ´ F., 2015. İnsansız hava araçları ve ürün sırası tespit yöntemi kullanılarak ayçiçeği mahsullerinde yabani ot haritalaması için yarı denetimli bir sistem. Başvuru Yumuşak Bilgisayar. J.37, 533–544. https://doi.org/10.1016/j.asoc.2015.08.027.
Pincheira, M., Vecchio, M., Giaffreda, R., Kanhere, SS, 2021. Hassas tarımda blockchain tabanlı bir su yönetim sistemi için güvenilir veri kaynakları olarak uygun maliyetli IoT cihazları. Hesapla. Elektron. Tarım. 180, 105889.
Popescu, D., Stoican, F., Stamatescu, G., Ichim, L., Dragana, C., 2020. Hassas tarımda akıllı izleme için gelişmiş UAV–WSN sistemi. Sensörler 20 (3), https://doi.org/10.3390/s20030817.
Pournader, M., Shi, Y., Seuring, S., Koh, SL, 2020. Tedarik zincirlerinde, taşımacılıkta ve lojistikte blockchain uygulamaları: literatürün sistematik bir incelemesi. Uluslararası J. Prod. Res. 58 (7), 2063–2081.
Primicerio, J., Di Gennaro, SF, Fiorillo, E., Genesio, L., Lugato, E., Matese, A., Vaccari, FP, 2012. Hassas tarım için esnek bir insansız hava aracı.
Özetlemek. Tarım. 13(4), 517–523. https://doi.org/10.1007/s11119-012-9257-6.
Pritchard, A., 1969. İstatistiksel bibliyografya veya bibliyometri. J. Belge. 25(4), 348–349.
Pudelko, R., Stuczynski, T., Borzecka-Walker, M., 2012. İnsansız hava aracının (İHA) deneysel tarlaların ve mahsullerin değerlendirilmesine uygunluğu. Tarım 99 (4), 431–436.
Puri, V., Nayyar, A., Raja, L., 2017. Tarım drone'ları: hassas tarımda modern bir atılım. J. Statis. Yönetici Sistem 20(4), 507–518.
Radoglou-Grammatikis, P., Sarigiannidis, P., Lagkas, T., Moscholios, I., 2020. Hassas tarıma yönelik İHA uygulamalarının bir derlemesi. Hesapla. Ağ. 172,
107148 https://doi.org/10.1016/j.comnet.2020.107148.
Ramesh, KV, Rakesh, V., Prakasa Rao, EVS, 2020. Tarımsal araştırmalarda büyük veri analitiği ve yapay zekanın uygulanması. Hintli J. Agron. 65(4), 383–395.
Raparelli, E., Bajocco, S., 2019. İnsansız hava araçlarının tarım ve ormancılık çalışmalarında kullanımına ilişkin bibliyometrik bir analiz. Uluslararası J. Uzaktan Algılama 40 (24),
9070–9083. https://doi.org/10.1080/01431161.2019.1569793.
Rasmussen, J., Nielsen, J., Garcia-Ruiz, F., Christensen, S., Streibig, JC, Lotz, B., 2013.
Küçük insansız hava aracı sistemlerinin (UAS) yabani ot araştırmalarında potansiyel kullanımları. Ot Res. 53(4), 242–248.
Rasmussen, J., Ntakos, G., Nielsen, J., Svensgaard, J., Poulsen, RN, Christensen, S., Bitki örtüsü endeksleri, tüketici sınıfı kameralardan elde edilen
İHA'lar deneysel alanların değerlendirilmesi için yeterince güvenilir mi? Avro. J. Agron. 74, 75–92. https://doi.org/10.1016/j.eja.2015.11.026.
Rejeb, A., Rejeb, K., Abdollahi, A., Zailani, S., Iranmanesh, M., Ghobakhloo, M., 2022. Gıda tedarik zincirlerinde dijitalleşme: bibliyometrik inceleme ve ana rota ana yolu
analiz. Sürdürülebilirlik 14 (1), 83. https://doi.org/10.3390/su14010083.
Rejeb, A., Rejeb, K., Simske, SJ, Treiblmaier, H., 2021a. Tedarik zinciri yönetimi ve lojistiği için drone'lar: bir inceleme ve araştırma gündemi. Uluslararası J. Logist. Res. Başvuru
1–24. https://doi.org/10.1080/13675567.2021.1981273.
Rejeb, A., Rejeb, K., Simske, S., Treiblmaier, H., 2021b. Lojistik ve tedarik zinciri yönetiminde blockchain teknolojileri: bibliyometrik bir inceleme. Lojistik 5 (4), 72.
https://doi.org/10.3390/logistics5040072.
Rejeb, A., Rejeb, K., Simske, S., Treiblmaier, H., 2021c. İnsani dronlar: bir inceleme ve araştırma gündemi. Nesnelerin İnterneti 16, 100434. https://doi.org/10.1016/j.
iot.2021.100434.
Rejeb, A., Treiblmaier, H., Rejeb, K., Zailani, S., 2021d. Sağlık hizmetlerinde Blockchain araştırması: bibliyometrik bir inceleme ve güncel araştırma eğilimleri. J. of Data, Inf. Ve
Yönetici. 3(2), 109–124.
Rejeb, A., Simske, S., Rejeb, K., Treiblmaier, H., Zailani, S., 2020. Tedarik zinciri yönetimi ve lojistikte Nesnelerin İnterneti araştırması: bibliyometrik bir analiz. internet
Şeylerin 12, 100318.
ReportLinker, 2021. Küresel Tarım Drone Pazarı Yıla Kadar 15.2 Milyar ABD Dolarına UlaşacakGlobeNewswire Haber Odası. https://www.globenewswire.com/news-release/2021/08/10/2277986/0/en/Global-Agriculture-Drones-Market-to-Reach-US-15-2-Billion-by-the- Yıl-2027.html.
Ribeiro-Gomes, K., Hernandez-L' opez, ' D., Ortega, JF, Ballesteros, R., Poblete, T.,Moreno, MA, 2017. Soğutmasız termal kamera kalibrasyonu ve optimizasyonu
Tarımda İHA uygulamaları için fotogrametri süreci. Sensörler (İsviçre) 17 (10). https://doi.org/10.3390/s17102173.
Rivera, MA, Pizam, A., 2015. Otelcilik araştırmalarındaki gelişmeler: “Rodney Dangerfield'dan Aretha Franklin'e”. Uluslararası J. Çağdaş. Hastane. Yönetici. 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. Seralarda çevresel değişkenleri ölçmek için mini-İHA tabanlı duyusal sistem. Sensörler 15 (2), 3334–3350. https://doi.org/10.3390/s150203334.
Rozenberg, G., Kent, R., Blank, L., 2021. Ticari soğan tarlalarında sezon sonu yabani otların mekansal dağılım modellerini tespit etmek ve analiz etmek için kullanılan tüketici sınıfı İHA. Özetlemek. Tarım. 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. İnsansız orman ve tarım uygulamaları için hava aracıyla (İHA) çalıştırılan spektral kamera sistemi. İlerlemek. SPIE – Uluslararası Sos. Opsiyonel Müh. 8174 https://doi.org/10.1117/12.897585.
Sah, B., Gupta, R., Bani-Hani, D., 2021. Drone lojistiğinin uygulanmasındaki engellerin analizi. Uluslararası J. Logist. Res. Başvuru 24(6), 531–550. https://doi.org/10.1080/
13675567.2020.1782862
Saha, AK, Saha, J., Ray, R., Sircar, S., Dutta, S., Chattopadhyay, SP ve Saha, HN, tarım alanında mahsul kalitesinin iyileştirilmesine yönelik IOT tabanlı drone. SH'de
N. Chakrabarti S. (Ed.), 2018 IEEE 8. Yıllık Bilgi İşlem ve İletişim Çalıştayı ve Konferansı, CCWC 2018 (Cilt 2018-Ocak, s. 612–615). Enstitü
Elektrik ve Elektronik Mühendisleri A.Ş. doi: 10.1109/CCWC.2018.8301662.
Sai Vineeth, KV, Vara Prasad, YR, Dubey, SR, Venkataraman, H., 2019. LEDCOM: hassas tarım için yeni ve verimli bir LED tabanlı iletişim. IEEE Konf. Bilgi. İletişim Teknoloji. 2019, 1–5. https://doi.org/10.1109/CICT48419.2019.9066177.
Salamí, E., Barrado, C., Pastor, E., 2014. Bitki örtüsü alanlarının uzaktan algılanmasına uygulanan İHA uçuş deneyleri. Uzaktan Algılama 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.
Sıra ve tarla mahsulü fenotiplemesi için alçak irtifa, yüksek çözünürlüklü havadan görüntüleme sistemleri: bir inceleme. Avro. J. Agron. 70, 112–123. https://doi.org/10.1016/j.
eja.2015.07.004.
Santesteban, LG, Di Gennaro, SF, Herrero-Langreo, A., Miranda, C., Royo, JB, Matese, A., 2017. Tahmin etmek için yüksek çözünürlüklü İHA tabanlı termal görüntüleme
Bir bağdaki bitki su durumunun anlık ve mevsimsel değişkenliği. Tarım. Su Yönetimi. 183, 49–59. https://doi.org/10.1016/j.agwat.2016.08.026.
Sarli, CC, Dubinsky, EK, Holmes, KL, 2010. Alıntı analizinin ötesinde: Araştırma etkisinin değerlendirilmesi için bir model. J. Med. Kütüphane Doç. : 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. Yer sistemi bilimiyle ilgili görüntüleme spektroskopisi—bir değerlendirme. Uzaktan Algılama Ortamı. 113, S123–S137.
Schirrmann, M., Giebel, A., Gleiniger, F., Pflanz, M., Lentschke, J., Dammer, K.-H., 2016. Düşük maliyetli İHA ile kışlık buğday mahsullerinin agronomik parametrelerinin izlenmesi
görüntüler. Uzaktan Algılama 8 (9). https://doi.org/10.3390/rs8090706.
Schmale III, DG, Dingus, BR, Reinholtz, C., 2008. Yukarıdaki hassas aerobiyolojik örnekleme için otonom bir insansız hava aracının geliştirilmesi ve uygulanması
tarım alanları. J. Field Rob. 25(3), 133–147. https://doi.org/10.1002/rob.20232.
Shadrin, D., Menshchikov, A., Somov, A., Bornemann, G., Hauslage, J., Fedorov, M.,
Yapay zeka ile yerleşik algılama yoluyla hassas tarımı mümkün kılmak. IEEE Çev. Enstrüman. Ölçü. 69 (7), 4103–4113.
Shakhatreh, H., Sawalmeh, AH, Al-Fuqaha, A., Dou, Z., Almaita, E., Khalil, I.,
Othman, NS, Khreishah, A., Guizani, M., 2019. İnsansız Hava Araçları (İHA'lar): sivil uygulamalar ve temel araştırma zorlukları üzerine bir anket. IEEE Erişimi 7,
48572–48634. https://doi.org/10.1109/ACCESS.2019.2909530.
Shakoor, N., Northrup, D., Murray, S., Mockler, TC, 2019. Büyük veriye dayalı tarım: bitki ıslahında, genomikte ve uzaktan algılama kullanımında büyük veri analitiği
Mahsul verimliliğini artıracak teknolojiler. Bitki Fenomeni J. 2 (1), 1–8.
Sharma, BK, Chandra, G., Mishra, Başkan Yardımcısı, 2019. Adli Soruşturmalarda İHA ve Yapay Zekanın Karşılaştırmalı Analizi ve Uygulamaları. İçinde: Bildiriler – 2019 Amity International
Yapay Zeka Konferansı. https://doi.org/10.1109/AICAI.2019.8701407.
Sharma, R., Shishodia, A., Gunasekaran, A., Min, H., Munim, ZH, 2022. Tedarik zinciri yönetiminde yapay zekanın rolü: bölgenin haritalandırılması. Uluslararası J.
Ürün. Res. 1–24. https://doi.org/10.1080/00207543.2022.2029611.
Shi, Y., Thomasson, JA, Murray, SC, Pugh, NA, Rooney, WL, Shafian, S., Rajan, N., Rouze, G., Morgan, CLS, Neely, HL, Rana, A., Bagavathiannan , MV,
Henrickson, J., Bowden, E., Valasek, J., Olsenholler, J., Bishop, MP, Sheridan, R., Putman, EB, Popescu, S., Burks, T., Cope, D., Ibrahim, A., McCutchen, BF,
Baltensperger, DD, Avant, RV, Vidrine, M., Yang, C., Zhang, J., 2016. Yüksek verimli fenotipleme ve tarımsal araştırmalar için insansız hava araçları. PLoS BİR
11 (7), e0159781.
Shuai, G., Martinez-Feria, RA, Zhang, J., Li, S., Price, R., Basso, B., 2019. İnsansız Hava Aracı kullanılarak verim stabilitesi bölgelerinde mısır meşceresi heterojenliğinin yakalanması
Araçlar (İHA). Sensörler 19 (20), 4446. https://doi.org/10.3390/s19204446.
Small, H., 1973. Bilimsel literatürde ortak alıntı: iki belge arasındaki ilişkinin yeni bir ölçüsü. J. Am. Sos. Bilgi. Bilim. 24(4), 265–269.
Small, H., Rorvig, ME, Lunin, LF, 1999. Alıntı haritalama yoluyla bilimin görselleştirilmesi. J. Am. Sos. Bilgi. Bilim. 50 (9), 799–813.
Soares, VHA, Ponti, MA, Gonçalves, RA, Campello, RJGB, 2021. Geniş mera alanlarında coğrafi konumlu hava görüntüleri ile vahşi doğada sığır sayımı. Hesapla. Elektron. Tarım. 189, 106354 https://doi.org/10.1016/j.compag.2021.106354.
Srivastava, K., Pandey, PC, Sharma, JK, 2020. İHA'lar kullanılarak hassas tarım uygulamalarında rota optimizasyonuna yönelik bir yaklaşım. Dronlar 4 (3), 58. https://doi.org/ 10.3390/drones4030058.
Stafford, JV, 2000. 21. yüzyılda hassas tarımın uygulanması. J. Agric. Müh. Res. 76 (3), 267–275.
Su, J., Coombes, M., Liu, C., Guo, L., Chen, W.-H., 2018. İnsansız hava aracı kullanılarak uzaktan algılama görüntüleri ile buğday kuraklığının değerlendirilmesi. 2018'de 37. Çin Kontrol Konferansı (CCC).
Su, J., Liu, C., Coombes, M., Hu, X., Wang, C., Xu, X., Li, Q., Guo, L., Chen, W.-H., 2018. Multispektral İHA hava görüntülerinden öğrenerek buğday sarı pas izleme.
Hesapla. Elektron. Tarım. 155, 157–166. https://doi.org/10.1016/j. compag.2018.10.017.
Su, Y., Wang, X., 2021. Büyük veri ile akıllı tarımın inşa edilmesi sürecinde tarımsal ekonomi yönetiminin yeniliği. Sürdürülebilir Bilgisayar. Enf. Sistem 31, 100579 https://doi.org/10.1016/j.suscom.2021.100579.
Sullivan, DG, Fulton, JP, Shaw, JN, Bland, GL, 2007. Bir insansız termal kızılötesi hava sisteminin pamuk kanopisindeki su stresini tespit etme hassasiyetinin değerlendirilmesi. Trans. ASABE 50 (6), 1955–1962.
Sumesh, KC, Ninsawat, S., Som-ard, J., 2021. İnsansız hava aracı kullanılarak şeker kamışı verimi tahmini için RGB tabanlı bitki örtüsü indeksi, ürün yüzey modeli ve nesne tabanlı görüntü analizi yaklaşımının entegrasyonu. Hesapla. Elektron. Tarım. 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. Hafif hiperspektral haritalama sistemi
insansız hava araçları – ilk sonuçlar. İçinde: 2013 5. Hiperspektral Görüntü ve Sinyal İşleme Çalıştayı: Uzaktan Algılamada Evrim (WHISPERS), s. 1–4. https://doi.org/10.1109/WHISPERS.2013.8080721.
Suomalainen, J., Anders, N., Iqbal, S., Roerink, G., Franke, J., Wenting, P., Hünniger, D., Bartholomeus, H., Becker, R., Kooistra, L., 2014. Hafif bir hiperspektral
insansız hava araçları için haritalama sistemi ve fotogrametrik işleme zinciri. Uzaktan Algılama 6 (11), 11013–11030. https://doi.org/10.3390/
rs61111013.
Syeda, IH, Alam, MM, Illahi, U., Su'ud, MM, 2021. Tarımda görüntü işleme, İHA ve yapay zekayı kullanan ileri kontrol stratejileri: Bir inceleme. Dünya J. Müh. 18 (4),
579–589. https://doi.org/10.1108/WJE-09-2020-0459.
Tahai, A., Rigsby, JT, 1998. Muhasebede dergi etkisini araştırmak için alıntıları kullanarak bilgi işleme. Enf. İşlem. Üstesinden gelmek. 34 (2–3), 341–359.
Tang, Y., Dananjayan, S., Hou, C., Guo, Q., Luo, S., He, Y., 2021. 5G ağı ve bunun tarım üzerindeki etkisi üzerine bir araştırma: zorluklar ve fırsatlar. Hesapla.
Elektron. Tarım. 180, 105895 https://doi.org/10.1016/j.compag.2020.105895.
Tantalaki, N., Souravlas, S., Roumeliotis, M., 2019. Hassas tarımda veriye dayalı karar verme: Tarım sistemlerinde büyük verilerin yükselişi. J. Agric. Yemek Bilgisi.
20 (4), 344-380.
Tao, H., Feng, H., Xu, L., Miao, M., Yang, G., Yang, X., Fan, L., 2020. Kışlık buğdayın veriminin ve bitki boyunun İHA- kullanılarak tahmin edilmesi tabanlı hiperspektral görüntüler.
Sensörler 20 (4), 1231.
Techy, L., Schmale III, DG, Woolsey, CA, 2010. İki otonom insansız hava aracı kullanılarak alt atmosferdeki bir bitki patojeninin koordineli aerobiyolojik örneklemesi. J. Field Rob. 27(3), 335–343. https://doi.org/10.1002/rob.20335.
Tetila, EC, Machado, BB, Astolfi, G., Belete, NAdS, Amorim, WP, Roel, AR, Pistori, H., 2020. Derin öğrenmeyi kullanarak soya fasulyesi zararlılarının tespiti ve sınıflandırılması
İHA görüntüleri ile. Hesapla. Elektron. Tarım. 179, 105836.
Thamm, H.-P., Menz, G., Becker, M., Kuria, DN, Misana, S., Kohn, D., 2013. Tanzanya'daki AN Sulak Alanında Tarımsal Sistemlerin Değerlendirilmesinde Uas Kullanımı— Sürdürülebilir Tarım için WetSeason ve Terra-Sar X Verileri için Temel Gerçeğin Sağlanması. İçinde: ISPRS – Uluslararası Fotogrametri Arşivi, Uzaktan Algılama ve Mekansal Bilgi Bilimleri, s. 401–406. https://doi.org/10.5194/isprsarchivesXL-1-W2-401-2013.
Thelwall, M., 2008. Bibliyometriden webometriye. J. Bilgi. Bilim. 34(4), 605–621.
Torres-Sanchez, ´ J., Lopez-Granados, ´ F., Pena, ˜ JM, 2015. İHA görüntülerinde optimum eşikleme için otomatik nesne tabanlı bir yöntem: otsu bitkilerde bitki örtüsü tespiti için uygulama. Hesapla. Elektron. Tarım. 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. Tarımsal ağaç plantasyonlarının yüksek verimli 3 boyutlu izlenmesi İnsansız Hava Aracı (İHA) teknolojisi. PLoS ONE 10 (6), e0130479.
Torres-Sanchez, ´ J., Pena, ˜ JM, de Castro, AI, Lopez-Granados, ´ F., 2014. İHA görüntüleri kullanılarak erken sezon buğday tarlalarındaki bitki örtüsünün çok zamanlı haritalanması. Hesapla. Elektron. Tarım. 103, 104–113. https://doi.org/10.1016/j. compag.2014.02.009.
Tsouros, DC, Bibi, S., Sarigiannidis, PG, 2019. Hassas tarıma yönelik İHA tabanlı uygulamalar üzerine bir inceleme. Bilgi (İsviçre) 10 (11). https://doi.org/10.3390/info10110349.
Tu, Y.-H., Phinn, S., Johansen, K., Robson, A., Wu, D., 2020. Bahçecilikte ağaç mahsulü yapısını ölçmek için drone uçuş planlamasının optimize edilmesi. ISPRS J. Fotogramm.
Uzaktan Algılama 160, 83–96. https://doi.org/10.1016/j.isprsjprs.2019.12.006
Tzounis, A., Katsoulas, N., Bartzanas, T., Kittas, C., 2017. Tarımda Nesnelerin İnterneti, son gelişmeler ve gelecekteki zorluklar. Biyosist. Müh. 164, 31–48.
https://doi.org/10.1016/j.biosystemseng.2017.09.007.
Uddin, A., Singh, VK, Pinto, D., Olmos, I., 2015. Meksika'da bilgisayar bilimi araştırmalarının scientometrik haritalaması. Scientometrics 105 (1), 97–114.
BM., 2019. Dünya nüfusu beklentileri 2019. https://population.un.org/wpp/ (Erişim tarihi: 15/04/2022).
Uto, K., Seki, H., Saito, G., Kosugi, Y., 2013. Pirinç tarlalarının İHA monteli minyatür hiperspektral sensör sistemi ile karakterizasyonu. IEEE J. Sel. Tepe. Başvuru Dünya Obs.
Uzaktan Algılama 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. Drone'lar
tarım. Av. Agron. 162, 1–30.
Velusamy, P., Rajendran, S., Mahendran, RK, Naseer, S., Shafiq, M., Choi, J.-G., 2022.
Hassas tarımda İnsansız Hava Araçları (İHA): uygulamalar ve zorluklar. Enerjiler 15 (1), 217. https://doi.org/10.3390/en15010217.
Ventura, D., Bonifazi, A., Gravina, MF, Belluscio, A., Ardizzone, G., 2018. İnsansız Hava Aracı kullanılarak ekolojik açıdan hassas deniz habitatlarının haritalanması ve sınıflandırılması
Araç (İHA) görüntüleri ve Nesne Tabanlı Görüntü Analizi (OBIA). Uzaktan Algılama 10 (9), 1331. https://doi.org/10.3390/rs10091331.
Verger, A., Vigneau, N., Ch'eron, C., Gilliot, J.-M., Comar, A., Baret, F., 2014. Buğday ve kolza bitkileri üzerinde insansız hava sisteminden alınan yeşil alan indeksi . Uzaktan Algılama Ortamı. 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. Dört optik İHA tabanlı sensörün otlaklara yerleştirilmesi: zorluklar ve
sınırlamalar. Biyojeolojiler 12 (1), 163–175. https://doi.org/10.5194/bg-12-163-2015.
Vuran, MC, Salam, A., Wong, R., Irmak, S., 2018. Hassas tarımda yeraltı nesnelerinin interneti: mimari ve teknoloji yönleri. Özel Ağ. 81,
160–173. https://doi.org/10.1016/j.adhoc.2018.07.017.
Wamba, SF, Queiroz, MM, 2021. Dijital sağlığın gizli bir bileşeni olarak sorumlu yapay zeka: bibliyometrik analiz, içgörüler ve araştırma talimatları.
Bilgi. Sistem Ön. 1–16.
Wang, L., Zhang, G., Wang, Z., Liu, J., Shang, J., Liang, L., 2019. Mahsul büyümesinin izlenmesinde uzaktan algılama araştırma eğiliminin bibliyometrik analizi: Çin'de bir vaka çalışması. Uzaktan Algılama 11 (7). https://doi.org/10.3390/rs11070809.
White, HD, Griffith, BC, 1981. Yazar cocitation: Entelektüel yapının literatür ölçüsü. J. Am. Sos. Bilgi. Bilim. 32(3), 163–171.
Xiang, H., Tian, L., 2011. Otonom insansız hava aracına (İHA) dayalı düşük maliyetli bir tarımsal uzaktan algılama sisteminin geliştirilmesi. Biyosist. Müh. 108 (2), 174–190. https://doi.org/10.1016/j.biosystemseng.2010.11.010.
Xie, C., Yang, C., 2020. İHA tabanlı sensörler kullanılarak bitki yüksek verimli fenotipleme özellikleri üzerine bir inceleme. Hesapla. Elektron. Tarım. 178, 105731 https://doi.org/10.1016/j.
compag.2020.105731.
Yao, H., Qin, R., Chen, X., 2019. Uzaktan algılama uygulamaları için insansız hava aracı—bir inceleme. Uzaktan Algılama 11 (12). https://doi.org/10.3390/
rs11121443.
Yeom, S., 2021. Çok rotorlu kızılötesi termal görüntülemeyle hareketli insanları takip etme ve yanlış izleri kaldırma. Dronlar 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. Görüntüler kullanılarak mahsul parametreleri tahmininin karşılaştırılması İHA'ya monteli
anlık görüntü hiperspektral sensörü ve yüksek çözünürlüklü dijital kamera. Uzaktan Algılama 10 (7), 1138. https://doi.org/10.3390/rs10071138.
Yue, J., Yang, G., Li, C., Li, Z., Wang, Y., Feng, H., Xu, B., 2017. İnsansız hava aracı kullanılarak kışlık buğdayın yer üstü biyokütlesinin tahmini- tabanlı anlık görüntü
hiperspektral sensör ve ürün yüksekliği geliştirilmiş modeller. Uzaktan Algılama 9 (7). https://doi.org/10.3390/rs9070708.
Zahawi, RA, Dandois, JP, Holl, KD, Nadwodny, D., Reid, JL, Ellis, EC, 2015. Tropikal ormanların toparlanmasını izlemek için hafif insansız hava araçlarının kullanılması. Biyol.
Koru. 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.
Uç ve bulut bilişimi temel alan akıllı tarım IoT platformu. Biyosist. Müh. 177,
4-17.
Zarco-Tejada, PJ, Diaz-Varela, R., Angileri, V., Loudjani, P., 2014. İnsansız havadan elde edilen çok yüksek çözünürlüklü görüntüler kullanılarak ağaç yüksekliği ölçümü
araç (İHA) ve otomatik 3 boyutlu fotoğraf yeniden oluşturma yöntemleri. Avro. J. Agron. 55, 89–99. https://doi.org/10.1016/j.eja.2014.01.004.
Zhang, C., Craine, WA, McGee, RJ, Vandemark, GJ, Davis, JB, Brown, J., Hulbert, SH, Sankaran, S., 2020. Soğuk mevsim mahsullerinde çiçeklenme yoğunluğunun görüntüye dayalı fenotiplemesi. Sensörler 20 (5), 1450. https://doi.org/10.3390/s20051450.
Zhang, C., Kovacs, JM, 2012. Küçük insansız hava sistemlerinin hassas tarım için uygulanması: bir inceleme. Özetlemek. Tarım. 13(6), 693–712. https://doi.org/
10.1007/s11119-012-9274-5.
Zhang, L., Zhang, H., Niu, Y., Han, W., 2019. Mısır su stresinin İHA multispektral uzaktan algılamaya dayalı olarak haritalanması. Uzaktan Algılama 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. Otomatik sarı pas için derin öğrenmeye dayalı bir yaklaşım
Yüksek çözünürlüklü hiperspektral İHA görüntülerinden hastalık tespiti. Uzaktan Algılama 11 (13), 1554.
Zhao, X., Zhang, J., Huang, Y., Tian, Y., Yuan, L., 2022. Dalgacık analizi ile birleştirilmiş hiperspektral görüntüleme kullanılarak çay bitkilerindeki hastalık ve böcek stresinin tespiti ve ayrımı. Hesapla. Elektron. Tarım. 193, 106717 https://doi.org/10.1016/j. compag.2022.106717.
Zheng, A., Wang, M., Li, C., Tang, J., Luo, B., 2022. Havadan görüntü semantik segmentasyonu için entropi güdümlü çekişmeli alan uyarlaması. IEEE Çev. G
Zheng, H., Cheng, T., Yao, X., Deng, X., Tian, Y., Cao, W., Zhu, Y., 2016. Yer bazlı spektral zaman serisi analizi yoluyla pirinç fenolojisinin tespiti indeks verileri. Tarla Bitkileri Arş. 198, 131–139. https://doi.org/10.1016/j.fcr.2016.08.027.
Zheng, J., Yang, W., 2018. Kablosuz sensörlere dayalı hassas tarım sızıntısı ekim sisteminin tasarımı. Uluslararası J. Çevrimiçi Müh. 14(05), 184.
Zhou, L., Gu, X., Cheng, S., Yang, G., Shu, M., Sun, Q., 2020. İHA-LiDAR verileri kullanılarak saklanan mısırın bitki boyu değişikliklerinin analizi. Tarım 10 (5), 146. https://
doi.org/10.3390/agriculture10050146.
Zhou, S., Chai, X., Yang, Z., Wang, H., Yang, C., Sun, T., 2021. Maize-IAS: Yüksek verimli bitki fenotiplemesi için derin öğrenmeyi kullanan bir mısır görüntü analiz yazılımı . Bitki Yöntemleri 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. Tahıl verimini tahmin etmek çok zamanlı bitki örtüsü kullanan pirinç
İHA tabanlı multispektral ve dijital görüntülerden elde edilen indeksler. ISPRS J. Fotogramm. Uzaktan Algılama 130, 246–255. https://doi.org/10.1016/j.isprsjprs.2017.05.003.
Zhou, Y., Xie, Y., Shao, L., 2016. Kablosuz sensör ağına dayalı bir sera izleme sisteminin çekirdek teknolojisinin simülasyonu. Uluslararası J. Çevrimiçi Müh. 12 (05),
43
Zhou, Z., Majeed, Y., Diverres Naranjo, G., Gambacorta, EMT, 2021. Hassas tarımda kızılötesi termal görüntülerle mahsul su stresinin değerlendirilmesi: bir inceleme
ve derin öğrenme uygulamaları için gelecekteki beklentiler. Hesapla. Elektron. Tarım. 182, 106019 https://doi.org/10.1016/j.compag.2021.106019.