Abderahman Rejeb a , Alireza Abdollahi b , Karim Rejeb c , Horst Treiblmaier d,
- a Dipartimento di Gestione e Diritto, Facultà di Economia, Università di Roma Tor Vergata, Via Columbia, 2, Rome 00133, Italie
- b Dipartimentu di Amministrazione cummerciale, Facultà di Management, Università Kharazmi, 1599964511 Teheran, Iran
- c Faculté des Sciences de Bizerte, Université de Carthage, Zarzouna, 7021 Bizerte, Tunisie
- d School of International Management, Modul University Vienna, Am Kahlenberg 1, 1190 Vienna, Austria
ARTICLE INFO | ABSTRACT |
Segni: Drones UAV Agricultura di precisione Internet di Cose Bibliometria | I droni, chjamati ancu Veiculi Aerei Unmanned (UAV), anu assistitu à un sviluppu notevuli in l'ultimi decennii. In l'agricultura, anu cambiatu e pratiche agricule offrendu à l'agricultori un risparmiu di costu sustanziale, aumentatu efficienza operativa, è megliu prufittuità. In l'ultimi decennii, u tema di i droni agriculi hà attirò una notevole attenzione accademica. Cunducemu dunque una rivista cumpleta basata nantu à a bibliometria per sintetizà è strutturà a literatura accademica esistente è revelà i tendenzi di ricerca è i punti caldi attuali. Noi applicà tecnichi bibliometric è analizà a littiratura circundante drones agriculu à sintetizà è valutà a ricerca precedente. A nostra analisi indica chì a telerilevazione, l'agricultura di precisione, l'apprendimentu prufondu, l'apprendimentu automaticu è l'Internet di e Cose sò temi critichi ligati à i droni agriculi. A co-citazione analisi palesa sei gruppi di ricerca largu in a literatura. Stu studiu hè unu di i primi tentativi di riassume a ricerca di drone in l'agricultura è suggerisce direzzione di ricerca futura. |
I MUVRINI
L'agricultura rapprisenta a prima fonte alimentaria di u mondu (Friha et al., 2021), è hè stata affruntata da sfide severi per via di
cresce a dumanda di prudutti alimentarii, sicurezza di l'alimentu è preoccupazioni di sicurità, è chjama per a prutezzione di l'ambiente, a preservazione di l'acqua, è
sustenibilità (Inoue, 2020). Stu sviluppu hè previstu di cuntinuà postu chì a pupulazione mundiale hè stimata à ghjunghje à 9.7 miliardi da u 2050.
(2019). Siccomu l'agricultura custituisce l'esempiu più prominente di u cunsumu d'acqua in u mondu, hè previstu chì a dumanda di l'alimentariu è l'acqua
u cunsumu aumenterà drasticamente in u futuru prevedibile. Inoltre, u cunsumu crescente di fertilizzanti è pesticidi
accumpagnatu da l'intensificazione di l'attività agricula puderia purtà à futuri sfide ambientali. In listessu modu, a terra cultivabile hè limitata, è u
u numeru di agricultori hè in diminuzione in u mondu sanu. Queste sfide accentuanu a necessità di suluzioni agriculi innovatori è sustinibili (Elijah
et al., 2018; Friha et al., 2021; Inoue, 2020; Tzounis et al., 2017).
L'incorporazione di tecnulugia novi hè stata identificata cum'è una soluzione promettente per affruntà queste sfide. L'agriculture intelligente (Brewster et al.,
2017; Tang et al., 2021) è l'agricultura di precisione (Feng et al., 2019; Khanna & Kaur, 2019) sò emerse à u risultatu di tali dibattiti. U
a prima hè una nozione generale per l'adopru di e tecnulugia di cumunicazione di l'infurmazione (TIC) è altre innovazioni di punta in l'attività agricula per aumentà l'efficienza è l'efficacità (Haque et al., 2021). L'ultime si cuncentra nantu à a gestione di u situ specificu in quale a terra hè divisa in
parti omogenee, è ogni parte riceve a quantità esatta di input agriculu per l'ottimisazione di u rendiment di i culturi per mezu di tecnulugia novi (Feng et al., 2019; Khanna & Kaur, 2019). Tecnulugie prominenti chì anu attiratu l'attenzione di i studiosi in questu campu includenu Wireless Sensor Networks (WSNs) (J. Zheng & Yang, 2018; Y. Zhou et al., 2016), Internet of Things (IoT) (Gill et al., 2017; He et al., 2021; Liu et al., 2019),
Tecniche di intelligenza artificiale (IA), cumpresi l'apprendimentu automaticu è l'apprendimentu profondu (Liakos et al., 2018; Parsaeian et al., 2020; Shadrin et al.,
2019), tecnulugia di l'informatica (Hsu et al., 2020; Jinbo et al., 2019; Zamora-Izquierdo et al., 2019), big data (Gill et al., 2017; Tantalaki).
et al., 2019), è blockchain (PW Khan et al., 2020; Pincheira et al., 2021).
In più di e tecnulugii sopra menzionate, a telerilevazione hè stata cunsiderata un strumentu tecnulugicu cù un altu putenziale di migliurà
agriculture intelligente et de précision. I satelliti, l'aviò cù l'equipaggiu umanu è i droni sò tecnulugii populari di telerilevazione (Tsouros et al., 2019).
I droni, cunnisciuti popularmente cum'è Veiculi Aerei Unmanned (UAVs), Sistemi Aerei Unmanned Aircraft (UAS), è aerei pilotati remotamente, sò di
grande impurtanza, postu chì anu parechje vantaghji in paragone cù altre tecnulugia di telerilevazione. Per esempiu, i droni ponu furnisce
immagini d'alta qualità è di alta risoluzione in i ghjorni nuvole (Manfreda et al., 2018). Inoltre, a so dispunibilità è a velocità di trasferimentu custituiscenu altre
benefici (Radoglou-Grammatikis et al., 2020). Comparatu cù l'aeronautica, i droni sò assai efficaci di costu è facili da stallà è mantene (Tsouros et al., 2019). Malgradu esse inizialmente utilizati principalmente per scopi militari, i droni ponu benefiziu di numerosi applicazioni civili, per esempiu in a gestione di a catena di supply chain (A. Rejeb, Rejeb, et al., 2021a), per scopi umanitarii (A. Rejeb, Rejeb, et al., 2021c), agricultura intelligente, topografia è cartografica, documentazione di u patrimoniu culturale, gestione di disastri, è cunservazione di e foreste è di a fauna salvatica (Panday, Pratihast, et al., 2020). In l'agricultura, ci sò parechje spazii d'applicazione di i droni in quantu ponu esse integrati cù tecnulugia novi, capacità di calculu è sensori à bordu per sustene a gestione di i culturi (per esempiu, cartografia, monitoraghju, irrigazione, diagnosi di e piante) (H. Huang et al., 2021) , riduzzione di disastru, sistemi d'alerta precoce, conservazione di a fauna è a silvicultura per citarne uni pochi (Negash et al., 2019). In listessu modu, i droni puderanu esse sfruttati in parechje attività agricule, cumprese u monitoraghju di i culturi è di a crescita, a stima di u rendiment, a valutazione di u stress acquaticu, è a rilevazione di erbacce, pesti è malatie (Inoue, 2020; Panday, Pratihast, et al., 2020). Ùn solu i droni ponu esse aduprati per u monitoraghju, l'estimazione è a rilevazione basati nantu à i so dati sensoriali, ma ancu per l'irrigazione di precisione è a gestione di precisione di erbaccia, pesti è malatie. In altri palori, i droni sò capaci di spruverà acqua è pesticidi in quantità precise basate nantu à e dati ambientali. I benefici di i droni in l'agricultura sò riassunti in a Tabella 1.
Beneficii principali di i droni in l'agricultura.
Benefit | Riferimentu (s) |
Aumentà u tempu è u spaziu risoluzioni di sensazione | (Gago et al., 2015; Niu et al., 2020; Srivastava et al., 2020) |
Facilità l'agricultura di precisione | (L. Deng et al., 2018; Kalischuk et al., 2019; Maimaitijiang et al., 2017) |
Classificazione è scouting di i culturi | (Inoue, 2020; Kalischuk et al., 2019; Lopez- ´ Granados et al., 2016; Maimaitijiang et al., 2017; Melville et al., 2019; Moharana & Dutta, 2016) |
L'usu di fertilizante | (L. Deng et al., 2018; Guan et al., 2019) |
Monitoraghju di a siccità | (Fawcett et al., 2020; Panday, Pratihast, et al., 2020; Su et al., 2018) |
Stima di a biomassa | (Bendig et al., 2014) |
Stima di rendiment | (Inoue, 2020; Panday, Shrestha, et al., 2020; Tao et al., 2020) |
Riduzzione di disastru | (Negash et al., 2019) |
Conservazione di a fauna è silvicultura | (Negash et al., 2019; Panday, Pratihast, et al., 2020) |
Evaluazione di u stress di l'acqua | (Inoue, 2020; J. Su, Coombes, et al., 2018; L. Zhang et al., 2019) |
Pesti, erbaccia è malatie a dittizzioni | (Gaˇsparovi´c et al., 2020; Inoue, 2020; J. Su, Liu, et al., 2018; X. Zhang et al., 2019) |
Per d 'altra banda, i droni facenu ancu limitazioni. Implicazione di u pilotu, putenza di u mutore, stabilità è affidabilità, qualità di i sensori per via di a carica
limitazioni di pesu, i costi di implementazione, è a regulazione di l'aviazione, sò trà elli (C. Zhang & Kovacs, 2012). Comparamu i difetti
di e trè tecnulugii di telesensing mobile in Table 2. Altre tecnulugia di telesensing, cum'è i sensori di a terra, sò fora di u focu di stu studiu.
Carenze di diverse tecnulugia di telerilevazione mobile.
Telerilevazione ticnoluggìa | Culleghji | Vede ancu |
Drone (UAV) | participazione di u pilotu; images' qualità (media); i costi di implementazione (media); stabilità, maneuverability, è affidabilità; standardizazione; putenza di u mutore; putenza limitata fonti (longitudine di a bateria); durata limitata di volu, collisione è cyberattacks; limitata pesu di carica; grande datasets è trattamentu limitatu di dati capacità; mancanza di regulazione; mancanza di sapè fà, alta entrata barriere à l'accessu à droni agriculi; | (Bacco et al., 2018; Dawaliby et al., 2020; Hardin & Hardin, 2010; Hardin & Jensen, 2011; Lagkas et al., 2018; Laliberte et al., 2007; Laliberte & Rango, 2011; Manfreda et al., 2018, 2018; Nebiker et al., 2008; Puri et al., 2017; Velusamy et al., 2022; C. Zhang & Kovacs, 2012) |
Satellite | Copertura satellitare periodica, risoluzione spettrale limitata; vulnerabilità à i prublemi di visibilità (per esempiu, nuvole); Indisponibilità è bassa vitezza di trasferimentu; orientation et vignettage effetti dati spaziali costosi cullizzioni; consegna lenta di dati tempu per l'utilizatori finali | (Aboutalebi et al., 2019; Cen et al., 2019; Chen et al., 2019; Nansen è Elliott, 2016; Panday, Pratihast, et al., 2020; Sai Vineeth et al., 2019) |
aviò | Alti costi di adopzione; cunfigurazione cumplicata; costi di mantenimentu; indisponibilità di affidabile aerei, geometria di u imagine; dati non rigulari acquistu; mancanza di flessibilità; accidenti mortali; dati sensori variazioni per via di vibrazioni; prublemi di georeferenziazione | (Armstrong et al., 2011; Atkinson et al., 2018; Barbedo & Koenigkan, 2018; Kovalev & Voroshilova, 2020; Suomalainen et al., 2013; Thamm et al., 2013) |
Cum'è una tecnulugia multidisciplinaria è multipurpose in l'agricultura, i droni sò stati investigati da diverse perspettivi. Per esempiu, i studiosi anu esaminatu l'applicazioni di droni in l'agricultura (Kulbacki et al., 2018; Mogili & Deepak, 2018), a so cuntribuzione à l'agricultura di precisione (Puri et al., 2017; Tsouros et al., 2019), a so complementarità cù altri tecnulugii d'avanguardia (Al-Thani et al., 2020; Dutta & Mitra, 2021; Nayyar et al., 2020; Saha et al., 2018), è e pussibilità di avanzà e so capacità di navigazione è di sensazione (Bareth et al. , 2015; Suomalainen et al., 2014). Siccomu a ricerca nantu à l'applicazioni di drone in l'agricultura hè diventata prevalente (Khan et al., 2021)), ci hè bisognu di sintetizà a literatura esistente è di revelà a struttura intellettuale di u duminiu. Inoltre, cum'è un campu d'alta tecnulugia cù migliuramenti cuntinui, riviste strutturate devenu esse realizate per riassume periodicamente a letteratura esistente è identificà lacune di ricerca impurtanti. À
data, ci sò uni pochi recensioni chì discute appricazzioni drone in u settore agriculu. Per esempiu, Mogili è Deepak (2018) rivisione brevemente l'implicazioni di i drones per u monitoraghju di i culturi è a spraying pesticidi. Inoue (2020) cunduce una rivista di l'usu di satelliti è droni in a telerilevazione in l'agricultura. L'autore esplora i sfidi tecnologichi di l'adopru di l'agricultura intelligente è i cuntributi di satelliti è droni basati nantu à studii di casu è e migliori pratiche. Tsouros et al. (2019) riassume diversi tipi di droni è e so applicazioni principali in l'agricultura, mettendu in risaltu diversi metudi di acquisizione di dati è di trasfurmazioni. Più recentemente, Aslan et al. (2022) hà realizatu una rivisione cumpleta di l'applicazioni UAV in l'attività agricula è hà sottolineatu a rilevanza di a localizzazione simultanea è a mappatura per un UAV in serra. Diaz-Gonzalez et al. (2022) hà rivisu i studii recenti di a produzzione di produzzione di culturi basati nantu à diverse tecniche di apprendimentu di macchina è remoti
sistemi di sensazione. I so scuperte indicanu chì i UAV sò utili per stimà l'indicatori di u terrenu è superà i sistemi satellitari in termini di risoluzione spaziale, temporalità di l'infurmazioni è flessibilità. Basiri et al. (2022) hà fattu una rivista exhaustiva di i diversi approcci è metudi per superà e sfide di pianificazione di u percorsu per i UAV multi-rotore in u cuntestu di l'agricultura di precisione. Inoltre, Awais et al. (2022) hà riassuntu l'applicazione di e dati di telerilevazione UAV in i culturi per stimà u statu di l'acqua è furnia una sintesi approfondita di a capacità prospettiva di a telerilevazione UAV per l'applicazione di u stress di i rifiuti. Infine, Aquilani et al. (2022) anu rivisatu e tecnulugia di l'agricoltura di previsione applicate in i sistemi di bestiame basati in pasture è deducenu chì a telerilevazione attivata da i UAV hè vantaghju per a valutazione di a biomassa è a gestione di a mandria.
Inoltre, i tentativi di utilizà UAV in u monitoraghju, u seguimentu è a riunione di l'animali sò stati rappurtati recentemente.
Ancu s'è sti rivisioni rendenu insights novi è impurtanti, nisuna rivista cumpleta è aghjurnata basata nantu à a bibliometria pò esse truvata in a literatura, chì presenta una lacuna di cunniscenza chjara. Inoltre, hè statu dichjaratu chì quandu a produzzione erudita cresce in un duminiu scientificu, diventa vitale per i circadori à impiegà approcci di rivisione quantitative per capisce a struttura di cunniscenza di u duminiu (Rivera & Pizam, 2015). De même, Ferreira et al. (2014) hà sustinutu chì, cum'è i campi di ricerca maturanu è diventanu intricati, i studiosi anu da scopu di dà occasionalmente un sensu à a cunniscenza generata è accumulata per revelà novi cuntributi, catturà tradizioni è tendenze di ricerca, identificà quali temi sò studiati, è approfondisce a struttura di cunniscenza di u campu è e pussibuli direzzione di ricerca. Mentre Raparelli è Bajocco (2019) anu realizatu una analisi bibliometrica per esaminà u duminiu di cunniscenza di l'applicazioni di droni in l'agricultura è a silvicultura, u so studiu cunsidereghja solu a ricerca scientifica publicata trà u 1995 è u 2017, chì ùn riflette micca a dinamica di sta zona in rapidità. Inoltre, l'autori ùn anu micca pruvatu à identificà i cuntributi più influenti in u campu, raggruppate a literatura, è evaluà a struttura intellettuale cù l'analisi di co-citazione. In u risultatu, hè necessariu di sintetizà a literatura per revelà i focusi di ricerca attuale, i tendenzi è i punti caldi.
Per cumpensà sta lacuna di cunniscenza, sfruttemu a metodulugia quantitativa è i metudi bibliometrici rigorosi per esaminà u statu attuale di a ricerca à l'intersezzione di droni è agricultura. Argumentemu chì u studiu attuale face parechje cuntribuzioni à a literatura esistente esaminendu una tecnulugia emergente chì hè assai necessaria in l'agricultura perchè furnisce un potenziale tremendu per cambià parechji aspetti in stu settore. A necessità di una analisi bibliometrica di i droni agriculi hè ancu più sentita datu a cunniscenza spargugliata è frammentata nantu à i droni in u cuntestu agriculu. In listessu modu, a literatura pertinenti à i droni agriculi hè necessaria à esse raggruppata sistematicamente, cunsiderendu i studii più influenti chì custruiscenu i fundamenti di stu campu di ricerca. U meritu in l'analisi include ancu a clarificazione di i temi principali di ricerca rapprisentati in a literatura. In cunsiderà u putenziale di trasfurmazioni di a tecnulugia, postu chì una analisi di rete approfondita rende novi intuizioni determinendu opere influenti è rivelendu temi riguardanti u putenziale di i droni per l'agricultura.
Per quessa, ci sforzemu di ottene i seguenti obiettivi di ricerca:
- Identificazione di publicazioni influenti cù cuntributi eccezziunali à l'applicazioni di drone in u campu di l'agricultura.
- Clustering di a literatura, identificazione di i fochi di ricerca, è cartografia di i principali studii di "struttura intellettuale" basati nantu à a similitudine semantica utilizendu l'analisi di co-citazione.
- Capisce l'evoluzione di i ligami è di e rete di citazioni in u tempu trà e diverse publicazioni in u campu è identificazione di direzzione di ricerca futura è temi caldi.
U restu di u paper hè strutturatu cusì: a sezione 2 delinea a metodulugia è i passi di cullizzioni di dati; sezione 3 furnisce i risultati di l'analisi; è a sezione 4 discute i risultati è cuncludi cù cuntributi di ricerca, implicazioni è direzzione futura.
Metodologia
In questu studiu di ricerca attuale, facemu una analisi bibliometrica per spiegà l'applicazioni di drone in l'agricultura. Stu approcciu quantitatiu palesa a struttura intellettuale di u duminiu di a cunniscenza (Arora & Chakraborty, 2021) è u statu attuale, i temi caldi è i futuri direzzione di ricerca chì ponu esse investigati appiendu stu metudu (Kapoor et al., 2018; Mishra et al. , 2017; A. Rejeb, Rejeb, et al., 2021b; A. Rejeb et al., 2021d; MA Rejeb et al., 2020). In generale, una analisi bibliometrica esamina a literatura esistente per riassume è scopre i mudelli nascosti di cumunicazione scritta è l'evoluzione di a disciplina basatu nantu à statistiche è metudi matematichi, è si applica à grande data sets (Pritchard, 1969; Small, 1999; Tahai & Rigsby). , 1998). Utilizendu a bibliometria, aspiremu à capisce megliu i paradigmi esistenti è i focus di ricerca chì cuntribuiscenu à u duminiu basatu annantu à a similitudine (Thelwall, 2008). A bibliometria furnisce novi insights sustinuti da a forza quantitativa obiettiva di a metodulugia (Casillas & Acedo, 2007). Numerosi studiosi anu precedentemente realizatu studii bibliometrici in duminii cunnessi, cumprese l'agricultura, a telerilevazione è a trasfurmazioni digitale (Armenta-Medina et al., 2020; Bouzembrak et al., 2019; A. Rejeb, Treiblmaier, et al., 2021; Wamba & Queiroz, 2021; Wang et al., 2019).
Analisi di citazioni
L'analisi di citazioni palesa diverse insights in un determinatu campu di ricerca. Prima di tuttu, aiuta à revelà l'autori è e publicazioni più influenti chì cuntribuiscenu à un determinatu campu di ricerca è facenu un impattu significativu (Gundolf & Filser, 2013). Siconda, u flussu di cunniscenza è i ligami di cumunicazione trà l'autori ponu esse scuperti. Infine, tracciandu i ligami trà opere citate è citate, si ponu scopre i cambiamenti è l'evoluzione di un duminiu di cunniscenza à u tempu (Pournader).
et al., 2020). U numeru elevatu di citazioni di una publicazione riflette a so rilevanza è i cuntributi sustanziali à u duminiu di ricerca (Baldi, 1998; Gundolf & Filser, 2013; Marinko, 1998). L'analisi di citazioni di publicazioni aiuta ancu à identificà i travaglii pertinenti è seguità a so popularità è u prugressu in u tempu.
Analisi di co-citazione di documentu
L'analisi di co-citazione hè un metudu preziosu per esplorà e relazioni trà e publicazioni è rapprisentanu a struttura intellettuale di un campu (Nerur et al., 2008). In altre parolle, identificendu e publicazioni più citate è e so cunnessione, u metudu raggruppa publicazioni in gruppi di ricerca distinti induve e publicazioni in un cluster sparte regularmente idee simili (McCain, 1990; Small, 1973). Hè cruciali di mencionà chì a similitudine ùn significa micca chì i risultati di e publicazioni sò
cohesionate è d'accordu cù l'altri; publicazioni appartenenu à u listessu cluster per via di a similitudine di u tema, ma ponu avè punti di vista contraddittori.
Reciccultazione è analisi di analisi
Dopu a metodulugia pruposta da White è Griffith (1981), avemu realizatu una ricerca cumpleta di l'articuli di ghjurnali per copre tuttu u duminiu di ricerca di l'applicazioni di droni in l'agricultura, perseguendu i seguenti cinque passi:
- U primu passu era a cullizzioni di dati. Scopus hè statu sceltu cum'è una di e basa di dati più cumpletu è affidabile cù risultati standardizati. I meta-dati di publicazioni ligati à tutte l'applicazioni di drone in l'agricultura sò stati recuperati. Dopu avemu analizatu l'articuli selezziunati, eliminendu l'articuli off-topic da l'analisi.
- Avemu analizatu a literatura è identificate e parole chjave più impurtanti usate in l'area di ricerca.
- Utilizendu l'analisi di citazioni, avemu esploratu a cunnessione trà l'autori è i ducumenti per revelà i mudelli di citazioni sottostanti. Avemu ancu identificatu l'autori è e publicazioni più influenti cù cuntributi significativi à u campu di i droni agriculi.
- Avemu fattu un analisi di co-citazione per raggruppà publicazioni simili in clusters.
- Infine, avemu analizatu e cunnessione è i ligami trà i paesi, istituzioni è ghjurnali per rapprisenta a reta di cullaburazione.
Identificazione di i termini di ricerca adattati
Avemu applicatu e seguenti stringhe di ricerca per l'aggregazione di dati: (drone * OR "vehiculu aereo senza pilota" OR uav * OR "sistema di aereo senza pilota” OR uas O "aviò pilotu à distanza".”) AND (agricultura OR agricultura OR agricultura OR agricultore). A ricerca hè stata realizata in settembre di u 2021. I droni anu parechje designazioni, cumprese UAV, UAS, è aerei pilotati remotamente (Sah et al., 2021). I termini di ricerca specifichi ligati à l'agricultura sò stati identificati nantu à u studiu di Abdollahi et al. (2021). Per a chjarità è a trasparenza, a quistione esatta chì avemu usatu hè datu in l'Appendice 1. Dopu à un prucessu di pulizia di dati, avemu creatu un schedariu di testu chì hè statu dopu caricatu in BibExcel, un strumentu cumuni per l'analisi di citazioni è co-citazioni. Questa strumentu offre ancu una interazzione simplice cù altre software è offre un gradu significativu di libertà in a gestione è l'analisi di dati. A versione VOSviewer 1.6.16 hè stata utilizata per visualizà i risultati è generà e rete bibliometrica (Eck & Waltman, 2009). VOSviewer offre una gamma di visualizazione intuitiva, in particulare per l'analisi di carte bibliometriche (Geng et al., 2020). Inoltre, aiuta à furnisce risultati visivi chjaru chì aiutanu à capisce megliu i risultati (Abdollahi et al., 2021). Appliendu e stringhe di ricerca cum'è dichjaratu sopra, avemu riunitu è almacenatu tutte e publicazioni pertinenti. I primi risultati di ricerca anu datu un totale di 5,085 4,700 documenti. Per assicurà a qualità di l'esemplari selezziunati, solu l'articuli di ghjurnali riveduti da i pari sò stati cunsiderati in a ricerca, risultatu in l'esclusione di altri tipi di documenti, cum'è libri, capituli, atti di cunferenza è note editoriali. Duranti un prucessu di screening, irrilevanti (vale à dì, fora di u scopu di stu travagliu), redundant (vale à dì, duplicati urigginati da a doppia indexazione), è publicazioni non anglofoni sò stati filtrati. Stu prucessu hà risultatu in l'inclusione di XNUMX XNUMX documenti in l'analisi finale.
I risultati è discussione
Per principià, avemu analizatu l'evoluzione in a pruduzzioni di publicazione in a literatura attuale nantu à i droni agriculi. A distribuzione tempurale di a ricerca scientifica hè mostrata in a figura 1. Avemu vistu un rapidu aumentu di publicazioni da l'annu 2011 (publicazioni 30) in avanti; dunque, avemu decisu di sparte u periodu di analisi in dui fasi diffirenti. Avemu riferitu à u periodu trà u 1990 è u 2010 cum'è a fase di build-up, chì avia circa sette documenti publicati annu. U periodu post-2010 hè statu chjamatu u stadiu di crescita, postu chì a ricerca nantu à l'applicazioni di droni in l'agricultura hà vistu una crescita esponenziale durante stu periodu. Dopu à u 2010, u numeru crescente di publicazioni cunfirma l'interessu crescente trà i circadori, chì riflette ancu chì i droni sò stati applicati à a telerilevazione è utilizati in l'agricultura di precisione (Deng et al., 2018; Maes & Steppe, 2019; Messina & Modica, 2020). ). In particulare, u numeru di publicazioni s'hè alzatu da 108 in 2013 à 498 in 2018 è hà cullatu à 1,275 2020 in 935. Un totale di 2021 articuli sò stati publicati trà ghjennaghju è a mità di settembre XNUMX. In seguitu, avemu optatu per focalizà a nostra analisi più nantu à u stadiu di crescita. postu chì stu periodu riflette i suttilità più recenti è impurtanti di droni agriculi.
Analisi di e parolle chjave
L'autori di e parolle chjave selezziunate per una publicazione anu un impattu cruciale nantu à a manera chì u paper hè rapprisintatu è cumu hè cumunicatu in e cumunità scientifiche. Identificanu i sughjetti chjave di a ricerca è determinanu u so potenziale per fiurisce o falla (Day & Gastel, 1998.; Kim et al., 2016; Uddin et al., 2015). L'analisi di e parolle chjave, un strumentu per revelà tendenzi è direzzione di ricerca più larghe, si riferisce à a compilazione di e parolle chjave di tutte e publicazioni cunnesse in un duminiu (Dixit & Jakhar, 2021). In u studiu attuale, avemu divisu e parolle chjave aggregate in dui gruppi (vale à dì, finu à 2010 è 2011-2021) per scopre i temi più populari. Fendu questu, pudemu tracciate e chjave cruciali in i dui setti è assicurà chì avemu catturatu tutti i dati necessarii. Per ogni settore, i top ten keywords sò presentati in a Table 3. Avemu eliminatu l'incoerenti fusione semantically idèntica keywords, cum'è "drone" è "drones" o, simile, "Internet of Things" è "IoT.".
A Tabella 3 mostra chì "veiculu aereo senza equipatu" hè una keyword usata più frequentemente cumparatu cù "drone" è "sistema aereo senza pilota" in i dui periodi di tempu. Inoltre, "teledetection", "agricultura di precisione" è "agricultura" sò assai classificate in i dui periodi. In u primu periodu, "l'agricultura di precisione" hè stata classificata in u quintu postu, è hè stata seconda in u sicondu periodu, chì illustra cumu i droni diventanu sempre più impurtanti per ottene l'agricultura di precisione cum'è ponu fà u monitoraghju.
diteczione, è pratiche di stima più veloce, più prezzu è più faciule da fà in paragone cù altri sistemi di telerilevazione è basati in terra. Inoltre, ponu spray a quantità precisa di input (per esempiu, acqua o pesticidi) quandu hè necessariu (Guo et al., 2020; Inoue, 2020; Panday, Pratihast, et al., 2020).
Lista di e parolle chjave più usate.
Rank | 1990-2010 | Innò di l'occurrence | 2011-2021 | Innò di l'occurrence |
1 | aereo senza pilota veìculu | 28 | senza pilotu veìculu aereo | 1628 |
2 | remote sensing | 7 | precisione agricultura | 489 |
3 | agricultura | 4 | remote sensing | 399 |
4 | Bruits | 4 | avatu | 374 |
5 | precisione agricultura | 4 | senza pilotu sistema aereo | 271 |
6 | aereo senza pilota | 4 | agricultura | 177 |
7 | iperspettrali senzor | 3 | studiu prufunnu | 151 |
8 | neurale artificiale Rete | 2 | machine à amparera | 149 |
9 | volu autonomu | 2 | u vegetazione Index | 142 |
10 | caffè | 2 | Internet di cose | 124 |
Un altru funziunalità interessante hè a prisenza di tecnulugia cumplementarii. In a prima tappa, "Sensore Hyperspectral" è "rete neurali artificiali" (ANN) sò trà i primi dieci chjave. L'imaghjini iperspettrali hà rivoluzionatu l'imaghjini tradiziunali raccogliendu un gran numaru d'imaghjini à diverse lunghezze d'onda. Fendu cusì, i sensori ponu raccoglie simultaneamente infurmazioni spaziali è spettrali megliu cumparatu cù l'imaghjini multispettrali, spettroscopia è imagine RGB (Adao ˜ et al.,
2017). L'ocurrenza di "ANN" in a prima tappa è "apprendimentu profondu" (DL) è "apprendimentu automaticu" (ML) in a seconda implica chì a maiò parte di l'opere publicate anu focu annantu à l'esame di u putenziale di e tecniche AI per drone- agricultura basatu. Ancu s'è i droni sò capaci di vola in modu autonomu, anu sempre bisognu di l'implicazione di un pilotu, chì implica un livellu bassu di intelligenza di u dispusitivu. Tuttavia, stu prublema pò esse risolta per via di l'avanzamentu di e tecniche AI, chì ponu furnisce una cuscenza di a situazione megliu è un supportu di decisione autonoma. Dotati di IA, i droni ponu evità scontri durante a navigazione, migliurà a gestione di a terra è di i culturi (Inoue, 2020), è riduce u travagliu è u stress per l'esseri umani (BK Sharma et al., 2019).
A causa di a so flessibilità è a capacità di gestisce una grande quantità di dati non lineari, e tecniche AI sò metudi adattati per analizà e dati trasmessi da droni è altri sistemi di telerilevazione è basati in terra per a prediczione è a decisione (Ali et al., 2015; Inoue, 2020). Inoltre, a presenza di "IoT" in u sicondu periodu indica u so rolu emergente in l'agricultura. L'IoT rivoluziona l'agricultura interconnettendu altre tecnulugia, cumpresi droni, ML, DL, WSN è big data. Unu di i vantaghji chjave di l'implementazione di l'IoT hè a so capacità di unisce in modu efficiente è efficace diverse attività (acquistu di dati, analisi è trasfurmazioni di dati, decisione è implementazione) in quasi tempu reale (Elijah et al., 2018; Feng et al. , 2019; Muangprathub et al., 2019). Inoltre, i droni sò cunsiderati strumenti efficaci per catturà e dati necessarii per u calculu di u vigore di a vegetazione è e proprietà di a vegetazione (Candiago et al., 2015). Fig. 2a è 2b illustranu e rete di co-occurrence keyword per i dui periodi.
Autori influenti
In questa sezione, determinemu l'autori influenti è esaminà cumu e rete di citazioni d'autore ponu visualizà è urganizà a literatura attuale. Fig. 3 mostra a superposizione cronologica di tutti i circadori cù u più altu numeru di citazioni. A scala di culore riflette a variazione annu di citazioni di l'autori. Esaminemu a struttura di citazioni di i circadori chì anu publicatu studii nantu à i droni agriculi utilizendu un sogliu di un minimu di 50 citazioni è deci publicazioni. Fora
12,891 auturi, solu 115 scontranu sta cundizione. A Tabella 4 elenca i primi deci autori influenti, ordinati da u numeru massimu di citazioni. Lopez- Granados F. guida a lista cù 1,963 citazioni, seguita da Zarco-Tejada PJ cù 1,909 citazioni.
Lista di l'autori più citati.
MARCA | Author | Citations |
1 | Lopez-Granados 'F. | 1,963 |
2 | Zarco-Tejada PJ | 1,909 |
3 | Pena ˜ JM | 1,644 |
4 | Torres-S' anchez J. | 1,576 |
5 | Fereres E | 1,339 |
6 | Remondino F | 1,235 |
7 | Bolten A | 1,160 |
8 | Bareth G | 1,155 |
9 | Berni JA | 1,132 |
10 | de Castro AI | 1,036 |
Quandu si tratta di publicazioni individuali, l'articulu di Zhang è Kovacs (2012) hè statu u studiu più citatu publicatu in Precision Agriculture. Quì, l'autori anu rivisatu l'applicazione di UAS in l'agricultura di precisione. I risultati di a so ricerca suggerenu chì ci hè bisognu di avanzà a cuncepimentu di a piattaforma, a produzzione, a standardizazione di a georeferenza di l'imaghjini è u flussu di travagliu di ricuperazione di l'infurmazioni per furnisce l'agricultori cun prudutti fini affidabili. Inoltre, ricumandenu di impegnà l'agricultore più forte, in particulare in a pianificazione di u campu, a cattura di l'imaghjini, è ancu l'interpretazione è l'analisi di dati. Impurtante, stu studiu hè statu trà i primi à dimustrà l'impurtanza di u UAV in a mappatura di u campu, a mappa di vigore, a misurazione di u cuntenutu chimicu, u monitoraghju di u stress di a vegetazione è a valutazione di l'effetti di i fertilizzanti nantu à a crescita di e piante. I sfidi ligati à a tecnulugia includenu ancu costi pruibitivi, capacità di sensori, stabilità è affidabilità di a piattaforma, mancanza di standardizazione è prucedura coherente per analizà quantità massive di dati.
Analisi di citazioni
L'analisi di citazioni rapprisenta u studiu di l'influenza di l'articuli, ancu s'ellu hè propensu à i flussi (per esempiu, citation bias, self-citation) hè cunsideratu unu di i strumenti standard per a valutazione di l'impattu (Osareh, 1996; A. Rejeb et al., 2022; Sarli et al., 2010). Citations riflette ancu l'impurtanza è a vitalità di i cuntributi di i documenti à a literatura nantu à un tema specificu (R. Sharma et al., 2022). Avemu fattu un analisi di citazione per determinà i studii più influenti nantu à i droni agriculi è riassume u cuntenutu. U Tabella 5 presenta a lista di i quindeci documenti più influenti per i periodi 1990-2010 è 2011-2021. L'articuli di Berni et al. (2009)b è Austin (2010) sò stati i più citati durante 1990 è 2010, cù 831 è 498 citazioni, rispettivamente. Berni et al. (2009)b hà illustratu u putenziale di sviluppà prudutti di telerilevazione quantitativi via un UAV basatu in elicotteru equipatu cù sensori di imaging multispettrali termali è di banda stretta à prezzi accessibili. Paragunatu à i sensori tradiziunali di l'aria, un sistema UAV low-cost per l'agricultura hè capaci di ottene stimi paragunabili di i paràmetri biofisichi di i culturi, se micca megliu. U costu assequible è a flessibilità operativa, à fiancu à l'alte risoluzioni spettrali, spaziali è temporali dispunibuli in un tempu di turnaround rapidu, rende l'UAV adatti per una gamma di applicazioni chì necessitanu una gestione di u tempu criticu, cumprese a pianificazione di irrigazione è l'agricultura di precisione. L'articulu di Berni et al. (2009)b hè assai citatu perchè hà integratu in modu efficace una piattaforma d'ala rotativa senza pilota è sensori digitali è termali cù i miccanismi di calibrazione necessarii per l'applicazioni agriculi. A seconda publicazione più citata hè un libru autore di Austin (2010), chì hà discututu i UAV da e prospettive di cuncepimentu, sviluppu è implementazione. In l'agricultura, i UAV supportanu u monitoraghju di i culturi detectendu e malatie precoce per via di i cambiamenti di culore di i culturi, facilitendu a sementa è a spruzzatura di culturi, è monitorendu è cunducendu e mandri.
I studii di Sullivan et al. (2007), Lumme et al. (2008), è Gokto ¨ ǧan et al. (2010) finiscinu a lista di i primi quindeci articuli più citati. Questi articuli illustranu u sviluppu di sistemi basati in UAV per sustene l'agricultura. Offrenu suluzioni à diversi prublemi, cum'è u monitoraghju è u scanning di i culturi, a surviglianza è a gestione di erbaccia, è u sustegnu di decisione. Suggerenu ancu è discute a capacità di l'UAV per aumentà l'efficienza di campionamentu è aiutanu l'agricultori à cuncepimentu precisu è efficace.
strategie di piantazione. Dui documenti sò stati scritti da Berni (Berni et al., 2009b; Berni et al., 2009a), chì sottolineanu u so impattu significativu nantu à a ricerca agricula in relazione à i droni. L'articulu di Zarco-Tejada et al. (2014) hè statu trà i studii pionieri per illustrà a necessità di utilizà l'imaghjini UAV à pocu costu in a quantificazione di l'altezza di l'arburu.
Lista di e publicazioni più citate.
Rank | Da 1990 à 2010 | Da 2011 à 2021 | ||
Document | Citation | Document | Citation | |
1 | (Berni et al., 2009b) | 831 | (C. Zhang & Kovacs, 2012) | 967 |
2 | (Austin, 2010) | 498 | (Nex & Remondino, 2014) | 893 |
3 | (Hunt et al., 2010) | 331 | (Floreanu & Wood, 2015) | 552 |
4 | (SR Herwitz et al., 2004) | 285 | (Hossein Motlagh et al., 2016) | 391 |
5 | (CCD Lelong et al., 2008) | 272 | (Shakhatreh et al., 2019) | 383 |
6 | (Berni et al., 2009b) | 250 | (Ma et al., 2017) | 373 |
7 | (Grenzdorffer ¨ et al., 2008) | 198 | (Bendig et al., 2014) | 360 |
8 | (Hrabar et al., 2005) | 175 | (Zarco-Tejada et al., 2014) | 347 |
9 | (Y. Huang et al., 2009) | 129 | (Ad˜ ao et al., 2017) | 335 |
10 | (Schmale III et al., 2008) | 119 | (Honkavaara et al., 2013a) | 331 |
11 | (Abd-Elrahman et al., 2005) | 79 | (Candiago et al., 2015) | 327 |
12 | (Techy et al., 2010) | 69 | (Xiang è Tian, 2011) | 307 |
13 | (Sullivan et al., 2007) | 51 | (Matese et al., 2015) | 303 |
14 | (Lumme et al., 2008) | 42 | (Gago et al., 2015) | 275 |
15 | (Gokto ¨ ǧan et al., 2010) | 40 | (Aasen et al., 2015a) | 269 |
In u sicondu periodu (2011-2021), a ricerca di Zhang è Kovacs (2012) è Nex è Remondino (2014) hà risultatu in e publicazioni più frequentemente citate. Zhang è Kovacs (2012) sustene chì l'agricultura di precisione puderia prufittà di l'implementazione di tecniche geospaziali è sensori, cum'è sistemi d'infurmazione geugrafica, GPS, è rilevazione remota, per catturà variazioni in u campu è trattà cù strategie alternative. Cum'è un cambiamentu di ghjocu in l'agricultura di precisione, l'adopzione di droni hà annunziatu una nova era in a telerilevazione, simplificendu l'osservazione aerea, catturà e dati di crescita di i culturi, e cundizioni di u tarrenu è e zoni di spruzzatura. A rivista di Zhang è Kovacs (2012) hè seminale postu chì offre insights in UAVs rivelendu l'usi esistenti è i sfidi di sti dispositi in u monitoraghju ambientale è l'agricultura di precisione, cum'è limitazioni di piattaforme è di càmera, sfidi di trasfurmazioni di dati, impegni agriculi è regulazioni di l'aviazione. . U sicondu
u studiu più citatu da Nex è Remondino (2014) hà rivista u statu di l'arti di l'UAV per catturà, trasfurmà è analizà l'imaghjini di a terra.
U so travagliu hà ancu presentatu una panoramica di parechje piattaforme, applicazioni è casi d'usu UAV, chì mostra i più recenti avanzamenti in u trattamentu di l'imaghjini UAV. In l'agricultura, l'agricultori puderanu aduprà UAV per piglià decisioni efficaci per ottene u risparmiu di costu è tempu, riceve un registru rapidu è precisu di danni, è anticipà i prublemi pussibuli. In cuntrastu cù e plataforme aeree convenzionali, i UAV ponu tagliate e spese operative è diminuite u periculu d'accessu in i lochi duri mentre cunservendu u putenziale di alta precisione. U so documentu riassume diversi vantaghji di l'UAV, in particulare in termini di precisione è risoluzione.
Trà e tredici publicazioni più citate restanti trà u 2011 è u 2021, avemu nutatu una concentrazione più grande in a ricerca cunnessa à l'applicazioni di droni in missioni di imaging (Bendig et al., 2014; Ma et al., 2017; Zarco-Tejada et al., 2014) , l'agriculture de précision (Candiago et al., 2015; Honkavaara et al., 2013a), la viticulture de précision (Matese et al., 2015), l'évaluation du stress hydrique (Gago et al., 2015) et le suivi de la végétation (Aasen et al., 2015). , XNUMXa). In i primi anni, i circadori cuncintrau
più nantu à u sviluppu di sistemi basati in UAV low-cost, ligeri è precisi per l'agricultura; a ricerca più recente hà cuncintratu più nantu à e recensioni di l'applicazioni UAV per l'agricultura è l'indagine di u campu. In riassuntu, questa analisi revela chì e publicazioni influenti anu furnitu soprattuttu recensioni di studii precedenti per valutà u statu scientificu è tecnologicu attuale di l'UAV è sviluppatu sistemi UAV per sustene l'agricultura di precisione. Curiosamente, ùn avemu micca truvatu studii chì anu impiegatu empiricu
metodulugii o studi di casu descrittivu, chì custituiscenu una lacuna di cunniscenza significativa è chjama per più ricerca nantu à questu tema.
Analisi di co-citazioni
Sicondu Gmür (2006), l'analisi di co-citazione identifica publicazioni simili è li raggruppa. Un esame attentu di un cluster pò revelà un campu cumuni di ricerca trà e publicazioni. Investighemu a co-citazione di a literatura pertinenti à i droni agriculi per illustrà i temi cunnessi è detectà i mudelli intellettuale di publicazioni. In questu sensu, Small (1973) hà cunsigliatu l'usu di l'analisi di cocitazione per studià a ricerca più influente è seminali.
in una disciplina. Per limità u settore à l'articuli più seminali (Goyal & Kumar, 2021), avemu stabilitu un limitu di co-citazione di 25, vale à dì chì dui articuli anu da esse citati inseme in i listi di riferimentu di 25 o più publicazioni differenti. U clustering hè statu ancu realizatu cù una dimensione minima di cluster 1 è senza alcun metudu per unisce i clusters più chjuchi cù i più grandi. In u risultatu, sei clusters sò stati generati nantu à a similitudine di studii è a so struttura intellettuale. A Tabella 6 mostra a distribuzione di publicazioni in ogni cluster.
Cluster 1: Stu cluster cuntene diciottu documenti publicati dopu E publicazioni in questu cluster discute u rolu di i droni in u sustegnu di u monitoraghju ambientale, a gestione di i culturi è a gestione di erbaccia. Per esempiu, Manfreda et al. (2018) furnisce una panoramica di a ricerca attuale è l'implementazioni di UAV in u monitoraghju di l'ecosistema agriculu naturali è sustene chì a tecnulugia offre un potenziale tremendu per rinfurzà drasticamente u monitoraghju ambientale è riduce.
a distanza esistente trà l'osservazione di u campu è a telerilevazione cunvinziunali di l'aria è u spaziu. Questu pò esse fattu offrendu una nova capacità per a ricuperazione temporale mejorata è insights spaziali in grandi spazii in un modu assequible. L'UAV ponu constantemente sensu l'ambiente è mandà i dati risultanti à entità intelligenti, centralizzate / decentralizate chì cuntrollanu i sensori per identificà eventuali prublemi, cum'è a mancanza di malatie o rilevazione d'acqua (Padua ´ et al., 2017). Adao ˜ et al. (2017) ponenu chì i UAV sò ideali per valutà e cundizioni di e piante catturà un vastu voluminu di dati crudi in relazione à u statu di l'acqua, a stima di a biomassa è a valutazione di vigore. I sensori montati in UAV puderanu ancu esse implementati prontamente in cundizioni ambientali adatte per permette a cattura puntuale di dati di telerilevazione (Von Bueren et al., 2015). Per mezu di l'UAV, l'agricultori sò capaci di realizà attività di agricultura indoor acquistendu misurazioni da quasi ogni locu in u spaziu tridimensionale di l'ambienti agriculi interni (per esempiu, serre), assicurendu cusì u cuntrollu di u clima lucale è u monitoraghju di e piante (Roldan ´ et al. ., 2015). In u cuntestu di precisione
L'agricultura, e decisioni di gestione di i culturi necessitanu dati precisi è affidabili cù una risoluzione temporale è spaziale adatta (Gebbers & Adamchuk, 2010; Gevaert et al., 2015; Maes & Steppe, 2019). Per quessa, Agüera Vega et al. (2015) hà utilizatu un sistema di sensori multispettrali muntatu in UAV per acquistà l'imaghjini di una cultura di girasole durante a stagione di crescita. In listessu modu, Huang et al. (2009) nota chì a telerilevazione basata nantu à i UAV puderia facilità a misurazione di i culturi è di a terra da e dati spettrali raccolti. Verger et al. (2014) hà sviluppatu è pruvatu una tecnica per stima un indice di zona verde (GAI) da e misurazioni di riflettanza UAV in l'applicazioni di l'agricultura di precisione, focalizendu nantu à i culturi di granu è di colza. Dunque, i droni furniscenu novi pussibulità per ricuperà l'infurmazioni di u statu di i culturi cù rivisite frequenti è alta risoluzione spaziale (Dong et al., 2019; Garzonio et al., 2017; H. Zheng et al., 2016).
Clustering di publicazioni influenti nantu à i droni agriculi.
Cluster | Tema largu | Vede ancu |
1 | Surviglianza ambientale, culturi gestione, gestione di erbaccia | (Ad˜ ao et al., 2017; Agüera Vega et al., 2015; de Castro et al., 2018; Gomez-Cand ´ on ´ et al., 2014; YB Huang et al., 2013; Khanal et al., 2017; Lopez-Granados, ´ 2011; Manfreda et al., 2018; P' adua et al., 2017; Pena ˜ et al., 2013; Pérez-Ortiz et al., 2015; Rasmussen et al., 2013, 2016; Torres-S' anchez et al., 2014; Torres-Sanchez, ´ Lopez-Granados, ´ & Pena, ˜ 2015; Verger et al., 2014; Von Bueren et al., 2015; C. Zhang & Kovacs, 2012) |
2 | Fenotipazione remota, rendiment stima, mudellu di superficia di culturi, cuntà di e piante | (Bendig et al., 2013, 2014; Geipel et al., 2014; Gnadinger ¨ & Schmidhalter, 2017; Haghighattalab et al., 2016; Holman et al., 2016; Jin et al., 2017; W. Li et al., 2016; Maimaitijiang et al., 2017; Sankaran et al., 2015; Schirrmann et al., 2016; Shi et al., 2016; Yue et al., 2017; X. Zhou et al., 2017) |
3 | Imaghjini termali per l'acqua, imaging multispettrali | (Baluja et al., 2012; Berni et al., 2009b; Berni et al., 2009a ; Candiago et al., 2015; Gago et al., 2015; Gonzalez-Dugo et al., 2013, 2014; Grenzdorffer ¨ et al., 2008; Khaliq et al., 2019; Matese et al., 2015; Ribeiro-Gomes et al., 2017; Santesteban et al., 2017; Uto et al., 2013) |
4 | Imaghjini ipersectrale, spettrali imaging | (Aasen et al., 2015a; Bareth et al., 2015; Hakala et al., 2013; Honkavaara et al., 2013a; Lucieer et al., 2014; Saari et al., 2011; Suomalainen et al., 2014) |
5 | Applicazioni 3D-Mapping | (Jim´enez-Brenes et al., 2017; Nex & Remondino, 2014 ; Salami et al., 2014; Torres-S' anchez, Lopez- ´ Granados, Serrano, et al., 2015; Zahawi et al., 2015; Zarco-Tejada et al., 2014) |
6 | Surviglianza agricula | (SR Herwitz et al., 2004; Hunt et al., 2010; CCD Lelong et al., 2008; Primicerio et al., 2012; Xiang & Tian, 2011) |
Inoltre, i droni sò utili per i travaglii sfidanti in l'agricultura, cumpresa a cartografia di erbaccia. L'imaghjini catturati da i dispositi anu dimustratu a so utilità per a rilevazione precoce di erbaccia in i campi (de Castro et al., 2018; Jim´enez-Brenes et al., 2017; Lam et al., 2021; Lopez-Granados ´ et al., 2016; Rozenberg et al., 2021). In questu sensu, de Castro et al. (2018) ponenu chì a fusione di l'imaghjini UAV è l'Analisi di l'Immagine Basata in Oggetti (OBIA) hà permessu à i pratichi di superà u prublema di l'automatizazione di a rilevazione precoce in i culturi di pasture di prima stagione, chì hè un grande passu avanti in a ricerca di erbaccia. De même, Pena ˜ et al. (2013) indicanu chì l'usu di l'imaghjini di risoluzione spaziale ultra-alta da UAV in cungiunzione cù una prucedura OBIA permette di generà carte di erbaccia in i primi culturi di mais chì puderanu esse aduprate in a pianificazione di l'implementazione di misure di cuntrollu di erbaccia in stagione. un compitu oltre a capacità di l'imaghjini satellitari è tradiziunali di l'aria. Paragunatu à l'algoritmi di classificazione di l'imaghjini o di rilevazione di l'ughjettu, e tecniche di segmentazione semantica sò più efficaci à i travaglii di mappatura di erbaccia (J. Deng et al., 2020), chì permettenu à l'agricultori di detectà e cundizioni di u campu, mitigà e perdite, è migliurà i rendimenti durante a stagione di crescita (Ramesh). et al., 2020). A segmentazione semantica basata nantu à l'apprendimentu prufondu pò ancu furnisce una misurazione precisa di a copertura vegetale da l'imaghjini aeree d'alta risoluzione (Ramesh et al., 2020; A. Zheng et al., 2022). Malgradu u so putenziale per a distanza
Sensing pixel classification, tecnichi di segmentazione semantica necessitanu un calculu significativu è una memoria GPU prohibitivaly high (J. Deng et al., 2020).
Basatu nantu à l'apprendimentu machine è UAV, P'erez-Ortiz et al. (2015) suggerenu un approcciu di mappatura di erbaccia per furnisce strategie di cuntrollu di erbaccia specifiche à u situ quandu l'agricultori adoptanu u cuntrollu di erbaccia prima di l'emergenza. Infine, Rasmussen et al. (2013) anu evidenziatu chì i droni furnisce una sensazione di prezzu cun una grande flessibilità di risoluzione spaziale. In generale, e publicazioni in questu cluster si focalizeghjanu nantu à l'esplorazione di i putenziali di l'UAV per sustene a rilevazione remota, u monitoraghju di i culturi è a cartografia di erbaccia. Una ricerca approfondita supplementaria hè necessaria per investigà ulteriormente cumu l'applicazioni di droni in u monitoraghju ambientale, a gestione di i culturi è a cartografia di erbaccia ponu ottene una agricultura più sustenibile (Chamuah & Singh, 2019; Islam et al., 2021; Popescu et al., 2020; J. . Su, Liu, et al., 2018) è indirizzà i prublemi di guvernanza di sta tecnulugia in l'applicazioni d'assicuranza di culturi (Basnet & Bang, 2018; Chamuah & Singh, 2019, 2022; Meinen & Robinson, 2021). I ricercatori anu da cuncentrazione nantu à a validazione di e misure raccolte UAV cù tecniche di trasfurmazioni efficaci per rinfurzà a qualità finale di e dati processati (Manfreda et al., 2018). Inoltre, hè necessariu u sviluppu di algoritmi adatti chì ricunnosce i pixel chì mostranu erbacce in l'imaghjini digitale è eliminanu u fondu irrilevante durante a mappatura di erbaccia UAV (Gaˇsparovi´c et al., 2020; Hamylton et al., 2020; H. Huang et al. , 2018, 2020; Lopez- ´ Granados et al., 2016). Ricerche supplementari nantu à l'adopzione di tecniche di segmentazione semantica in u ricunniscenza di e piante, a classificazione di e foglie è a cartografia di e malatie sò benvenute (Fuentes-Pacheco et al., 2019; Kerkech et al., 2020).
Cluster 2. I publicazioni in questu cluster anu focu annantu à parechji aspetti di i droni agriculi. In relazione à u fenotipamentu remoto, Sankaran et al. (2015) anu rivisu u putenziale di utilizà l'imaghjini aerei à bassa altitudine è alta risoluzione cù UAV per un fenotipamentu rapidu di i culturi in u campu, è sustenenu chì, cumparatu cù e plataforme di rilevazione in terra, i UAV chjuchi cù sensori adatti offrenu parechji vantaghji. , cum'è un accessu più faciule à u campu, dati d'alta risoluzione, raccolta di dati efficiente,
valutazioni rapida di e cundizioni di crescita di u campu, è bassi costi operativi. Tuttavia, l'autori notanu ancu chì l'applicazione efficace di UAV per u fenotipamentu di u campu si basa nantu à dui elementi fundamentali, à dì, caratteristiche UAV (per esempiu, sicurezza, stabilità, posizionamentu, autonomia) è e caratteristiche di u sensoru (per esempiu, risoluzione, pesu, lunghezze d'onda spettrali, campu). di vista). Haghighattalab et al. (2016) hà prupostu un pipeline di processazione di l'imaghjini semi-automatizatu per ricuperà e dati à livellu di trama da l'imaghjini UAV è accelerà u prucessu di ripruduzzione. Holman et al. (2016) hà sviluppatu un altu
sistema di fenotipamentu di u campu di throughput è hà evidenziatu chì UAV hè capaci di cullà dati fenotipichi di qualità, voluminosi, basati in u campu, è chì u dispusitivu hè efficace per grandi spazii è in diverse locu di campu.
Siccomu l'estimazione di u rendiment hè una informazione incredibilmente vitale, in particulare quandu sò dispunibili in tempu, ci hè un putenziale per i UAV per furnisce tutte e misurazioni di u campu è acquistà in modu efficiente dati di alta qualità (Daakir et al., 2017; Demir et al., 2018). ; Enciso et al., 2019; Kulbacki et al., 2018; Pudelko et al., 2012). In questu sensu, Jin et al. (2017) hà apprufittatu di l'imaghjini d'alta risoluzione ottenuti da UAV à altitudini assai bassu per sviluppà è valutà un metudu per stima a densità di a pianta di granu in u stadiu di emergenza. Sicondu l'autori, i UAV superanu e limitazioni di i sistemi di rover equipati di càmera è rapprisentanu un metudu non invasivu per stimà a densità di a pianta in i culturi, chì permette à i agricultori di ottene l'altu throughput necessariu per u fenotipamentu di u campu indipendentemente da a trafficabilità di u tarritoriu. Li et al. (2016) hà cullatu centinaie d'imaghjini stereo cù una risoluzione estremamente alta utilizendu un sistema basatu in UAV per stimà i paràmetri di mais, cumprese l'altezza di u canopy è a biomassa sopra a terra. Infine, Yue et al. (2017) anu truvatu chì l'altezza di a cultura determinata da i UAV puderia migliurà l'estimazione di a biomassa sopra terra (AGB).
Un approcciu per monitorà a crescita di i culturi hè l'idea di sviluppà mudelli di superficia di culturi (Bendig et al., 2014, 2015; Holman et al., 2016; Panday, Shrestha, et al., 2020; Sumesh et al., 2021). Diversi studii anu evidenziatu a fattibilità di l'imaghjini pigliati da UAV per catturà l'altezza di e piante è monitorizà a so crescita. Per esempiu, Bendig et al. (2013) hà descrittu u sviluppu di mudelli di superficia di culturi multi-temporale cù una risuluzione assai alta di menu di 0.05 m cù UAV. Anu scopu di detectà i culturi
a variabilità di a crescita è a so dipendenza da u trattamentu di i culturi, u cultivar è u stress. Bendig et al. (2014) anu utilizatu UAV per stimà a biomassa fresca è secca basata nantu à l'altezza di a pianta estratta da mudelli di superfici di colti è truvaru chì, à u cuntrariu di e plataforme aeree è di scansione laser terrestre, l'imaghjini d'alta risoluzione da i UAV ponu aumentà significativamente l'accuratezza di a modellazione di l'altezza di a pianta per una crescita differente. tappe. In u listessu modu, Geipel et al. (2014) anu utilizatu UAV in a so ricerca per acquistà imagine
datasets per a prediczione di u rendiment di granu di granu in trè fasi di crescita diverse da a prima stagione à a mità di stagione è cunclusu chì a cumminazione di mudelli spettrali è spaziali basati nantu à l'imaghjini aerei è i mudelli di superficia di culturi hè un metudu adattatu per predichendu u rendiment di granu di a mità di stagione. Infine, Gnadinger ¨ è Schmidhalter (2017) anu esaminatu l'utilità di u UAV in a fenotipizazione di precisione è hà evidenziatu chì l'usu di sta tecnulugia puderia migliurà a gestione di a splutazioni è permette l'esperimentazione in u campu per scopi di ripruduzzione è agronomichi. In generale, avemu osservatu chì e publicazioni in u cluster 2 fucalizza nantu à i vantaghji principali di l'UAV in remoto
fenotipazione, stima di rendiment, modellazione di a superficia di culturi, è cunti di e piante. Studi futuri ponu scavà più in u sviluppu di novi metudi per a fenotipizazione remota chì ponu automatizà è ottimisà u trattamentu di dati remotamente rilevati (Barabaschi et al., 2016; Liebisch et al., 2015; Mochida et al., 2015; S. Zhou et al. ., 2021). Inoltre, a prestazione di i sensori IoT muntati nantu à UAV è u scambiu trà i so costi, u travagliu è a precisione di stima di u rendimentu deve esse investigatu in u
futuru (Ju & Son, 2018a, 2018b; Xie & Yang, 2020; Yue et al., 2018). In ultimamente, ci hè bisognu di sviluppà metudi efficaci di trasfurmazioni di l'imaghjini chì ponu generà informazioni affidabili, maximizà l'efficienza in a produzzione agricula, è minimizzà u travagliu di cunti manuale di l'agricultori (RU Khan et al., 2021; Koh et al., 2021; Lin). & Guo, 2020; C. Zhang et al., 2020).
Cluster 3. I publicazioni in questu cluster discute i diversi tipi di sistemi di imaghjini per a rilevazione remota di risorse agriculi utilizati nantu à e plataforme UAV. In questu sensu, l'imaghjini termali permette u monitoraghju di a temperatura di a superficia per prevene i danni à i culturi è detectà u stress da siccità precoce (Awais et al., 2022; García-Tejero et al., 2018; Sankaran et al., 2015; Santesteban et al., 2017; 2021; Yeom, 2012). Baluja et al. (XNUMX) hà dichjaratu chì l'usu di camere multispettrali è termali à bordu
UAV hà permessu à i circadori di ottene l'imaghjini d'alta risoluzione è di valutà u statu di l'acqua di vigna. Questu puderia esse utile per sviluppà mudelli novi di pianificazione di l'acqua cù dati di telerilevazione (Baluja et al., 2012). Per via di
capacità di carica limitata di UAV, Ribeiro-Gomes et al. (2017) hà cunsideratu l'integrazione di camere termali uncooled in UAVS per determinà u stress di l'acqua in e piante, chì face stu tipu di UAV più efficaci è viable cà a telerilevazione tradiziunale satellitare è i UAV equipati di camere termiche rinfriscate. Sicondu l'autori, e fotocamere termiche senza rinfriscà sò più ligeri cà e fotocamere raffreddate, chì necessitanu una calibrazione adatta. Gonzalez-Dugo et al. (2014) hà dimustratu chì l'imaghjini termali genera in modu efficace carte spaziali di l'indici di stress acque di culturi per valutà u statu di l'acqua è quantificà u stress acque trà è in l'arbureti di agrumi. Gonzalez-Dugo et al. (2013) è Santesteban et al. (2017) anu investigatu l'usu di l'imaghjini termali UAV d'alta risoluzione per stimà a variabilità di u statu di l'acqua di un ortu cummerciale è di una vigna.
L'imaghjini multispettrali puderia furnisce dati massivi in paragone cù l'imaghjini RGB tradiziunali (Rossu, Verde è Blu) (Ad˜ ao et al., 2017; Navia et al., 2016). Queste dati spettrali, inseme cù dati spaziali, puderanu aiutà à classificazione, cartografia, previsione, predizione è scopi di rilevazione (Berni et al., 2009b). Sicondu Candiago et al. (2015), l'imaghjini multispettrali basati in UAV puderia cuntribuisce massivamente à a valutazione di i culturi è à l'agricultura precisa cum'è una risorsa affidabile è efficiente. Inoltre,
Khaliq et al. (2019) hà fattu un paragone trà l'imaghjini multispettrali satellitari è UAV. L'imaghjini basati in UAV anu risultatu in esse più precisi in a descrizzione di a variabilità di u vignetu è e carte di vigore per rapprisintà i canopies di culturi. In poche parole, l'articuli in questu cluster discute l'incorporazione di sensori di imaging termale è multispettrali in UAV agriculi. Dunque, più ricerca hè necessaria per capisce cumu l'imaghjini termali è multispettrali ponu esse integrati cù AI
tecniche (per esempiu, apprendimentu prufondu) per detectà u stress di e piante (Ampatzidis et al., 2020; Ampatzidis et al., 2019; Jung et al., 2021; Santesteban et al., 2017; Syeda et al., 2021). Tali insights aiutanu à assicurà una rilevazione più efficaci è precisa, cume u monitoraghju di a crescita di e piante, u stress è a fenologia (Buters et al., 2019; Cao et al., 2020; Neupane & BaysalGurel, 2021; L. Zhou et al., 2020).
Cluster 4. Stu cluster hè custituitu da sette documenti chì giranu intornu à u rolu cruciale di l'imaghjini spettrali è l'imaghjini iperspettrali in u sustegnu di e pratiche agricule. L'imaghjini iperspettrali s'hè stabilitu cum'è un metudu di rilevazione remota chì permette una valutazione quantitativa di u sistema di a terra (Schaepman et al., 2009). Per esse più precisu, permette l'identificazione di materiali di superficia, a quantificazione di cuncentrazioni (relative), è l'assignazione di proporzioni di cumpunenti di a superficia
in pixel misti (Kirsch et al., 2018; Zhao et al., 2022). In altri palori, a risuluzione spettrali più altu furnita da i sistemi iperspettrali permette stimi più precisi di diversi paràmetri, cum'è e proprietà vegetariane o u cuntenutu di l'acqua di foglie (Suomalainen et al., 2014). I circadori in questu cluster anu investigatu diversi aspetti di tali sistemi. Frà altri, Aasen et al. (2015b) offre un approcciu unicu per derivà infurmazioni iperspettrali tridimensionali da u pesu ligeru
camere snapshot usate nantu à i UAV per u monitoraghju di a vegetazione. Lucieer et al. (2014) hà discututu u disignu, u sviluppu è l'operazioni aeree di un novu UAS iperspettrale, è ancu a calibrazione, l'analisi è l'interpretazione di e dati di l'imaghjini riuniti cun ellu. Infine, Honkavaara et al. (2013b) hà sviluppatu un approcciu di trasfurmazioni cumpletu per l'imaghjini spettrali basati in interferometru FabryPerot è hà dimustratu u so usu in una prucedura di stima di biomassa per l'agricultura di precisione. I percorsi futuri potenziali per stu cluster attuale includenu l'enfasi di a necessità di miglioramenti tecnichi in e tecnulugia di sensori (Aasen et al., 2015b) è di a necessità di incorpore è di rinfurzà e tecnulugia cumplementarii, in particulare big data è analitiche (Ang & Seng, 2021; Radoglou). -Grammatikis et al., 2020; Shakoor et al., 2019). L'ultime deriva principarmenti da i dati sempre crescente generati da diversi sensori implementati in l'agricultura intelligente (C. Li & Niu, 2020; A. Rejeb et al., 2022; Y. Su & Wang, 2021).
Cluster 5. I publicazioni in questu cluster anu esaminatu l'applicazioni 3Dmapping basate in drones. L'usu di droni per a cartografia 3D puderia alleviate u cumplessu travagliu di campu è aumentà l'efficienza sostanzialmente (Torres-Sanchez ´ et al., 2015). I cinque articuli in u cluster si cuncintrau principarmenti in l'applicazioni di monitoraghju di e piante. Per esempiu, per ottene dati tridimensionali nantu à l'area di u canopy, l'altezza di l'arburu è u voluminu di a corona, Torres-Sanchez ´ et al. (2015) hà utilizatu a tecnulugia UAV per generà mudelli di superficia digitale è poi avvicinamenti di l'analisi di l'imaghjini basati in l'ughjettu (OBIA). In più, Zarco-Tejada et al. (2014) quantificà l'altezza di l'arburu integrendu a tecnulugia UAV è i metudi tridimensionali di ricostruzione di foto. Jim´enez-Brenes Lopez-Granados, ´ De Castro, et al. (2017) hà dimustratu un novu prucessu per u monitoraghju multi-temporale, 3D di decine d'alivi integrendu a tecnulugia UAV cù una metodulugia avanzata OBIA. I percorsi interessanti per i travaglii futuri in questu cluster includenu sia migliurà u currente
metodologie (Zarco-Tejada et al., 2014) per scopi di modellazione digitale di superfici (Ajayi et al., 2017; Jaud et al., 2016), cum'è OBIA (de Castro et al., 2018, 2020; Ventura et al., 2018). , 2015), è a ricostruzione di foto o u sviluppu di novi metudi (Díaz-Varela et al., 2015; Torres-S' anchez et al., XNUMX).
Cluster 6. Stu cluster discute u rolu di i drones in a surviglianza agricula. L'UAV puderia cumplementà è superà i difetti di l'imaghjini satellitari è aerei. Per esempiu, puderanu furnisce l'imaghjini d'alta risoluzione quasi in tempu reale cù menu carburante o sfide di pilotu, risultatu in una surviglianza constante è in tempu reale è megliurenze in a decisione (S. Herwitz et al., 2004). Un altru cuntribuzione chjave di l'UAV hè a so capacità di furnisce dati specifichi di u situ per l'agricultura di precisione o l'agricultura specifica di u situ postu chì a so alta risoluzione, dati dettagliati nantu à diversi parametri permettenu à i agricultori di dividisce a terra in parti omogenee è di trattà in cunseguenza (Hunt et al. , 2010; CC Lelong et al., 2008; Primicerio et al., 2012). Tali surviglianza agricula basata in UAV pò sustene u monitoraghju di a sicurità alimentaria è a decisione (SR Herwitz et al., 2004). Per avanzà a ricerca in a sorveglianza agricula, ùn sò micca solu migliuramentu in sensori, UAV, è altre tecnulugii cunnessi è i so metudi di cumunicazione è di trasferimentu di dati sò necessarii (Ewing et al., 2020; Shuai et al., 2019), ma ancu integrazione di droni cù varii. tecnulugii per ottimisà e diverse attività in relazione à l'agricultura intelligente, cum'è u monitoraghju, a surviglianza agricula è a decisione, hè una zona di ricerca di altu potenziale (Alsamhi et al., 2021; Popescu et al., 2020; Vuran et al., 2018). In questu sensu, IoT, WSN è big data offrenu interessanti capacità cumplementarii (van der Merwe et al., 2020). I costi di implementazione, u risparmiu di costi, l'efficienza energetica è a sicurità di i dati sò trà e aree pocu investigate per una tale integrazione (Masroor et al., 2021).
Paesi è istituzioni accademiche
U passu finali includeu l'investigazione di u paese d'origine è l'affiliazione accademica di l'autori. Attraversu sta analisi, vulemu capisce megliu a distribuzione geografica di i studiosi chì cuntribuiscenu à l'applicazioni di droni in l'agricultura. Hè nutate di nutà a diversità di paesi è istituzioni accademiche. Da una perspettiva di u paese, i Stati Uniti, a Cina, l'India è l'Italia sò in cima di a lista in quantu à u numeru di publicazioni (Table 7). U currente
a ricerca nantu à i droni agriculi hè largamente centrata in i paesi di l'America di u Nordu è l'Asia, principalmente per via di u so altu impegnu in l'applicazioni agriculi di precisione. Per esempiu, in i Stati Uniti, u mercatu di droni agriculi hè statu stimatu à 841.9 milioni di USD in l'annu 2020, chì rapprisentanu circa 30% di a quota di mercatu globale (ReportLinker, 2021). Classificatu cum'è l'ecunumia più grande di u mondu, a Cina hè prevista per ghjunghje à una dimensione apprussimativa di u mercatu di 2.6 miliardi USD in l'annu 2027. Stu paese hè appellu per i droni agriculi per superà i prublemi di produtividade è ottene megliu rendimenti, alleviazione di u travagliu è inputs di produzzione menu. Tuttavia, l'adopzione di a tecnulugia in Cina hè ancu guidata da fatturi cum'è a dimensione di a pupulazione è a necessità di innuvà è di migliurà e pratiche di gestione di culturi esistenti.
Top paesi più produttivi è università / urganisazioni chì cuntribuiscenu à
ricerca di drone agriculu.
Rank | Paesi |
1 | USA |
2 | China |
3 | India |
4 | italia |
5 | Spagna |
6 | Alemagna |
7 | Brasile |
8 | Australia |
9 | Giappone |
10 | Regnu Unitu |
Rank | Università / Organizzazioni |
1 | Accademia Cinese di Scienze |
2 | Ministeru di l'Agricultura di a Republica Populari Chine |
3 | Cunsigliu Superiore di Investigazioni Scentifiche |
4 | Università Texas A&M |
5 | Università Agricola di Cina |
6 | Serviziu di Ricerca Agricola di u USDA |
7 | CSIC - Instituto de Agricultura Sostenible IAS |
8 | Università Purdue |
9 | Cunsigliu Naziunale di Ricerca |
10 | Università Agricola Sud Chine |
Da una perspettiva universitaria è urganisazione, l'Academia Cinese di Scienze hè in cima à a lista in quantu à u numeru di publicazioni, seguita da u Ministeru di l'Agricultura di a Republica Populare Chine è u Cunsigliu Superiore di Investigaciones Científicas. L'Accademia Cinese di Scienze hè rapprisintata da l'autori Liao Xiaohan è Li Jun; Han Wenting rapprisenta u Ministeru di l'Agricultura di a Republica Populari Chine; è u Cunsigliu Superiore di Investigaciones Científicas hè rapprisintatu da Lopez-Granados, ´ F. è Pena, ˜ Jos´e María S. Da i Stati Uniti, università cum'è l'Università A&M di Texas è l'Università Purdue trovanu u so
menzione. L'università cù u più altu nùmeru di publicazioni è e so cunnessione sò mostrati in a figura 4. Inoltre, sta lista include istituzioni cum'è u Consiglio Nazionale delle Ricerche è u Consejo Superior de Investigaciones Científicas chì sò attivi in a ricerca scientifica, ma ùn sò micca istituzioni accademiche. .
A nostra selezzione includeva una larga varietà di ghjurnali, cumprendi quasi tutti i dati dispunibili. Cum'è mostra in Table 8, Remote Sensing cù 258 articuli ranchi à a cima, seguita da Journal of Intelligent and Robotic Systems: Theory and Applications with 126 and Computers and Electronics in Agriculture cù 98 articuli. Mentri Remote Sensing hè soprattuttu focu annantu à l'applicazione è u sviluppu di i droni, Computers and Electronics in Agriculture copre principarmenti avanzati in hardware, software, elettronica è sistemi di cuntrollu in l'agricultura. I punti di vendita cross-area, cum'è IEEE Robotics and Automation Letters cù 87 publicazioni è IEEE Access cù 34 publicazioni, sò ancu sbocchi di primura in u campu. I primi 959 punti di vendita anu cuntribuitu à a literatura cù 20.40 documenti, chì hè circa 5% di tutte e publicazioni. Un analisi di co-citazione di ghjurnale ci permette di esaminà l'impurtanza è a similitudine trà e publicazioni. L'analisi di co-citazione rende trè raggruppamenti, cum'è mostra in Fig. XNUMX. U gruppu rossu hè custituitu di ghjurnali cum'è Remote Sensing, Computer and Electronics in Agriculture, Sensors,
è l'International Journal of Remote Sensing. Tutti questi sbocchi sò ghjurnali assai reputati in i settori di telerilevazione è agricultura di precisione. U cluster verde cuntene ghjurnali chì trattanu di robotica, cum'è Journal of Intelligent and Robotic Systems: Theory and Applications, IEEE Robotics and Automation Letters, IEEE Access, and Drones. Questi sbocchi pubblicanu principalmente documenti nantu à l'automatizazione è sò utili per l'ingegneri agriculi. U cluster finali hè furmatu da ghjurnali ligati à l'agronomia è l'ingenieria agricula, cum'è Agronomy è International Journal of Agricultural and Biological Engineering.
Top 15 ghjurnali in a ricerca agricula nantu à i droni.
Rank | Journal | Count |
1 | Rilevamentu à distanza | 258 |
2 | Journal of Intelligent and Robotic Systems: Teoria è Travaux | 126 |
3 | Computer è Elettronica in Agricultura | 98 |
4 | Lettere di robotica è automatizazione IEEE | 87 |
5 | Sensors | 73 |
6 | Rivista Internaziunale di Telerilevamentu | 42 |
7 | Agriculture di precisione | 41 |
8 | Drones | 40 |
9 | Agronomy | 34 |
10 | Accessu IEEE | 34 |
11 | Rivista Internaziunale di Sistemi Robotici Avanzati | 31 |
12 | Revista Internaziunale di Ingegneria Agricola è Biologica | 25 |
13 | U paese unu | 25 |
14 | Journal of Field Robotics | 23 |
15 | Ingegneria di Biosystems | 23 |
cunchiusioni
Suntu
In questu studiu, avemu riassuntu è analizatu a ricerca esistenti nantu à i droni agriculi. Appliendu diverse tecniche bibliometriche, avemu struitu per ottene una megliu comprensione di a struttura intellettuale di a ricerca agricula in drone. In riassuntu, a nostra rivista offre parechje cuntribuzioni identificendu è discutendu e parolle chjave in a literatura, revelendu clusters di cunniscenza mentre formanu cumunità semanticamente simili in u campu di i droni, delineendu ricerche precedenti è suggerenu direzzione di ricerca futura. Quì sottu, descrivemu i principali risultati di a rivista nantu à u sviluppu di droni agriculi:
• A littiratura generale hà crisciutu rapidamente è hà attiratu una grande attenzione annantu à l'ultima dicada, cum'è indicatu da l'aumentu di u nùmeru d'articuli dopu à 2012. Ancu s'è stu campu di cunniscenza ùn hà ancu ghjunghje à a so maturità piena (Barrientos et al., 2011; Maes). & Steppe, 2019), parechje dumande sò sempre senza risposta. Per esempiu, l'utilità di i droni in l'agricultura indoor hè sempre aperta à u dibattitu (Aslan et al., 2022; Krul et al., 2021; Rold'an et al., 2015). A cumplessità di e scene di i campi è e diverse circustanze di l'imaghjini (per esempiu, ombre è illuminazione) puderanu risultatu in una varianza spettrale più alta in a classe (Yao et al., 2019). Ancu in e fasi di ricerca più tardi, i circadori sò stati sfidati à determinà i piani di volu ottimali secondu scenarii particulari è a qualità di l'imaghjini necessaria (Soares et al., 2021; Tu et al.,
2020).
• Avemu nutatu chì u campu hà avanzatu da u sviluppu di sistemi UAV efficaci à l'incorporazione di tecniche AI, cum'è l'apprendimentu machine è l'apprendimentu prufondu in u disignu di droni agriculi (Bah et al., 2018; Kitano et al., 2019; Maimaitijiang et al. , 2020; Mazzia et al., 2020; Tetila et al., 2020).
• A ricerca nantu à i droni agriculi hà discututu prevalentemente a rilevazione remota esplorendu i putenziali di a tecnulugia in u monitoraghju ambientale, a gestione di i culturi è a gestione di erbaccia (cluster 1) è ancu di fenotipazione remota è stima di rendiment (cluster 2). Un settore di studii influenti nantu à i droni agriculi include Austin (2010), Berni et al. (2009)a, Herwitz et al. (2004), Nex è Remondino (2014), è Zhang è Kovacs (2012). Questi studii anu sviluppatu a basa conceptuale di a ricerca di drone in u cuntestu di l'agricultura.
• In relazione à a metodulugia, avemu osservatu chì a maiò parte di a ricerca fatta finu à avà era stata cumposta da studi di cuncepimentu di u sistema, cuncettuali o basati in rivista (Inoue, 2020; Nex & Remondino, 2014; P´erez-Ortiz et al. , 2015; Yao et al., 2019). Avemu ancu nutatu una mancanza di metudi empirichi, qualitativi è basati in studiu di casu à u travagliu in l'investigazione di droni agriculi.
• Ricertamenti, i temi ligati à l'agricultura di precisione, e tecniche di IA, a viticultura di precisione è a valutazione di u stress acqueu anu attiratu una attenzione sustanziale (Espinoza et al., 2017; Gomez-Cand ´ on ´ et al., 2016; Matese et al., 2015; Matese & Di Gennaro, 2018, 2021; Z. Zhou et al., 2021). Un esame attentu di i clusters di ricerca in duie epoche separate, 1990-2010 è 2011-2021, palesa u prugressu di a struttura intellettuale di u duminiu. U periodu da 1990 à 2010 hà custituitu l'accumulazione di nozioni cintrali è i cuncetti di droni, chì hè ovvi da a discussione di u disignu, u sviluppu è l'implementazione di UAV. In a seconda era, l'enfasi di a ricerca si espande nantu à studii precedenti, facendu un sforzu per sintetizà i casi d'usu UAV in agricultura. Avemu trovu ancu numerosi studii chì discutenu l'applicazioni di drone in i travaglii di imaging è l'agricultura di precisione.
Rank | Journal | Count |
1 | Rilevamentu à distanza | 258 |
2 | Journal of Intelligent and Robotic Systems: Teoria è | 126 |
Travaux | ||
3 | Computer è Elettronica in Agricultura | 98 |
4 | Lettere di robotica è automatizazione IEEE | 87 |
5 | Sensors | 73 |
6 | Rivista Internaziunale di Telerilevamentu | 42 |
7 | Agriculture di precisione | 41 |
8 | Drones | 40 |
9 | Agronomy | 34 |
10 | Accessu IEEE | 34 |
11 | Rivista Internaziunale di Sistemi Robotici Avanzati | 31 |
12 | Revista Internaziunale di Ingegneria Agricola è Biologica | 25 |
13 | U paese unu | 25 |
14 | Journal of Field Robotics | 23 |
15 | Ingegneria di Biosystems | 22 |
zoè
A nostra rivista bibliometrica hè stata cuncepita è realizata cun studiosi, agricultori, sperti agriculi, cunsultanti di culturi è cuncepitori di sistemi UAV in mente. À a cunniscenza di l'autori, questa hè una di e prime riviste originali chì hà fattu una analisi bibliometrica approfondita di
applicazioni di droni in l'agricultura. Avemu fattu una rivista cumpleta di stu corpu di cunniscenza, impiegendu analisi di citazioni è co-citazioni di publicazioni. I nostri tentativi di discrìviri a struttura intellettuale di a ricerca di drone offrenu ancu novi insights per l'accademici. Una rivisione attenta di e parolle chjave aduprate cù u tempu palesa i hotspots è l'area di ricerca focale in a literatura di drone. Inoltre, presentemu una lista di i studii più citati per identificà i travaglii di ricerca più impactanti finiti in u campu. L'identificazione di l'articuli è e parolle chjave puderia furnisce un puntu di partenza solidu per scopre parechje strade per studii futuri.
Impurtante, avemu revelatu clusters chì classificà opere paragunabili è elaborate nantu à i risultati. I studii classificati in clusters aiutanu à capisce a struttura intellettuale di a ricerca UAV. In particulare, avemu scupertu una mancanza di studii chì investiganu i fatturi di adopzione di i droni
e barriere in l'attività agricula (vede Table 9). I futuri circadori puderanu affruntà sta lacuna potenziale cunducendu investigazioni empiriche chì valutanu i fatturi di adopzione di droni in diverse attività agricule è cundizioni climatichi. Inoltre, a ricerca basata in u studiu di casu in quantu à l'efficacità di i droni deve esse sustinuta cù dati reali da u campu. Inoltre, a participazione di l'agricultori è i gestori in a ricerca accademica seria vantaghju per l'avanzamentu teoricu è praticu di a ricerca di drone. Pudemu ancu identificà i circadori più prominenti è i so cuntributi, chì hè preziosu perchè a cuscenza di i travaglii seminali recenti pò offre una guida per i futuri sforzi accademici.
Table 9
Barriere à l'adopzione UAV.
Barrier | Description |
Seguretat di dati | A sicurezza cibernetica hè una sfida maiò per l'implementazione Soluzioni IoT (Masroor et al., 2021). |
Interoperabilità è integrazione | Diverse tecnulugia cum'è UAV, WSN, IoT, etc. deve esse integrata è trasmette dati chì aumentà u livellu di cumplessità (Alsamhi et al., 2021; Popescu et al., 2020; Vuran et al., 2018). |
Costi di implementazione | Questu hè specificamente u casu per i picculi agricultori è per integrazione di diverse tecnulugia di punta ( Masroor et al., 2021). |
Cunniscenza di u travagliu è sapè fà | Piloti di drone qualificati sò necessarii per operare UAV. Inoltre, implementendu diverse innovazioni e tecnulugia necessitanu travagliadori qualificati (YB Huang et al., 2013; Tsouros et al., 2019). |
A putenza di u mutore è u volu durata | I droni ùn ponu esse operati per longu ore è copre vaste zone (Hardin & Hardin, 2010; Laliberte et al., 2007). |
Stabilità, affidabilità, è manuvrabilità | I droni ùn sò micca stabili in cundizioni climatichi cattivi (Hardin & Hardin, 2010; Laliberte et al., 2007). |
Limitazioni di carichi utili è a qualità di i sensori | I droni ponu purtà solu carichi limitati capacità di carica sensori di qualità inferiore (Nebiker et al., 2008). |
regulamentu | Siccomu i droni ponu esse periculosi ancu, ci sò severi rigulamenti in certi spazii (Hardin & Jensen, 2011; Laliberte & Rango, 2011). |
Cunniscenza di l'agricultori è intaressu | Cum'è altre tecnulugia di punta, i droni l'implementazione successu hà bisognu di sapè fà è ancu accumpagnata da incertezze (Fisher et al., 2009; Lambert et al., 2004; Stafford, 2000). |
Siccomu ci hè una necessità constante di utilizà in modu efficiente e risorse dispunibuli per maximizà i rendimenti, l'agricultori ponu prufittà di i droni per assicurà una scansione rapida, precisa è ecunomica di i so campi. A tecnulugia pò sustene l'agricultori per determinà a cundizione di i so culturi è valutà u statu di l'acqua, u stadiu di maturazione, l'infestazioni d'insetti è i bisogni nutrizionali. E capacità di telerilevazione di i droni ponu furnisce à i agricultori dati cruciali per anticipà i prublemi in una fase iniziale è fà prontamente intervenzioni adatte. Tuttavia, i benefizii di a tecnulugia ponu esse realizati solu se i sfidi sò trattati bè. In vista di u
i prublemi attuali riguardanti a sicurità di dati, i prublemi di tecnulugia di sensori (per esempiu, l'affidabilità o l'accuratezza di e misurazioni), a cumplessità di l'integrazione, è i costi di implementazione sustanziali, i studii futuri anu da esaminà ancu a fattibilità tecnica, ecunomica è operativa di integrazione di droni agriculi è altri cutting- tecnulugia di punta.
Limitazioni
U nostru studiu hà parechje limitazioni. Prima, i risultati sò determinati da e publicazioni scelte per l'analisi finale. Hè sfida à catturà tutti i studii pertinenti ligati à i droni agriculi, in particulare quelli chì ùn sò micca indiziati in a basa di dati Scopus. In più, u prucessu di cullizzioni di dati hè limitatu à l'impostazione di e parolle chjave di ricerca, chì ùn pò micca esse inclusive è portanu à scuperte inconcludenti. Cusì, i studii futuri anu bisognu di più attente à u prublema sottostante di a cullizzioni di dati per fà
cunclusioni più affidabili. Un'altra limitazione cuncerna publicazioni novi cù un pocu numeru di citazioni. L'analisi bibliometrica hè biased versu e publicazioni precedenti postu chì tendenu à riceve più citazioni annantu à l'anni. Studi recenti necessitanu un certu tempu per attruverà l'attenzione è accumulà citazioni. In cunseguenza, studii recenti chì portanu un cambiamentu di paradigma ùn anu micca classificatu in i primi dieci opere influenti. Questa limitazione hè prevalente in l'esame di i duminii di ricerca emergenti rapidamente cum'è i droni agriculi. Cumu avemu cunsultatu Scopus per studià a literatura per stu travagliu, i futuri circadori puderanu cunsiderà diversi
basa di dati, cum'è u Web of Science è IEEE Xplore, per espansione l'orizzonte è rinfurzà a struttura di ricerca.
I studii bibliometrici potenziali ponu cunsiderà altre fonti di cunniscenza vitale cum'è documenti di cunferenza, capituli è libri per generà novi intuizioni. Malgradu a cartografia è l'investigazione di publicazioni glubale nantu à i droni agriculi, i nostri scuperti ùn anu micca revelatu i motivi di i risultati accademici di l'università. Questu apre a strada à una nova area di ricerca in spiegà qualitativamente perchè alcune università sò più produttive cà l'altri quandu si tratta di ricerca nantu à l'agricultura.
droni. Inoltre, studii futuri puderanu furnisce insights in u putenziale di i droni per aumentà a sustenibilità agricula in parechje manere, cum'è u monitoraghju ambientale, a gestione di i culturi, è a cartografia di erbaccia, cum'è indicatu da parechji circadori (Chamuah & Singh, 2019; Islam et al., 2021; Popescu et al., 2020; J. Su, Liu, et al., 2018b). Siccomu l'analisi testuale ùn era micca pussibule per via di l'elevatu numeru di documenti selezziunati, ci hè bisognu di rivisioni sistematiche di letteratura chì esaminà u
i metudi di ricerca utilizati è a participazione di l'agricultori in studii prima. In corta, a nostra analisi di a ricerca di drone espone i ligami invisibili di stu corpu di cunniscenza. Questa rivista aiuta dunque à scopre e relazioni trà e publicazioni è esplora a struttura intellettuale di u campu di ricerca. Descrive ancu i ligami trà i diversi aspetti di a literatura, cum'è e parolle chjave di l'autori, affiliazioni è paesi.
Dichjarazione di Interessu Concurrente
L'autori dichjaranu chì ùn anu micca interessi finanziarii concurrenti cunnisciuti o relazioni persunali chì puderianu sembrà influenzà u travagliu riportatu in stu documentu.
penale 1
TITLE-ABS-KEY (((drone* OR "veiculu aereu senza pilota" OR uav * OR "sistema aereo senza pilota” OR uas O "aviò pilotu à distanza".”) AND (agricultura OR agricultura OR agricultura OR agricultore))) AND (ESCLUDE (PUBYEAR, 2022)) AND (LIMIT-TO (LINGUA, "Inglese")).
Vede ancu
Aasen, H., Burkart, A., Bolten, A., Bareth, G., 2015. Generazione di informazione iperspettrali 3D cù càmera di snapshot UAV ligeri per u monitoraghju di a vegetazione: da
calibrazione di a camera per assicurazione di qualità. ISPRS J. Photogramm. Remote Sens. 108, 245-259. https://doi.org/10.1016/j.isprsjprs.2015.08.002.
Abd-Elrahman, A., Pearlstine, L., Percival, F., 2005. Sviluppu di l'algoritmu di ricunniscenza di mudelli per a rilevazione automatica di l'uccelli da l'imaghjini di i veiculi aerei senza pilotu.
Indagine. Land Informa. Sci. 65 (1), 37-45.
Abdollahi, A., Rejeb, K., Rejeb, A., Mostafa, MM, Zailani, S., 2021. Wireless sensor networks in agriculture: insights from bibliometric analysis. Sostenibilità 13 (21),
12011.
Aboutalebi, M., Torres-Rua, AF, Kustas, WP, Nieto, H., Coopmans, C., McKee, M., Valutazione di diversi metudi per a rilevazione di l'ombra in l'imaghjini ottichi d'alta risoluzione è a valutazione di l'impattu di l'ombra nantu à u calculu di NDVI, è l'evapotraspirazione. Irrig. Sci. 37 (3), 407-429. https://doi.org/10.1007/s00271-018-0613-9.
Adao, ˜ T., Hruˇska, J., Padova, ´ L., Bessa, J., Peres, E., Morais, R., Sousa, JJ, 2017. Hyperspectral imaging: a review on UAV-based sensors, data trasfurmazioni è
applicazioni per l'agricultura è a silvicultura. Remote Sensing 9 (11). https://doi.org/ 10.3390/rs9111110.
Agüera Vega, F., Ramírez, FC, Saiz, MP, Rosúa, FO, 2015. L'imaghjini multi-temporali chì utilizanu un veìculu aereo senza pilotu per monitorà una cultura di girasole. Biosist. Eng.
132, 19–27. https://doi.org/10.1016/j.biosystemseng.2015.01.008.
Ajayi, OG, Salubi, AA, Angbas, AF, Odigure, MG, 2017. Generazione di mudelli d'elevazione digitale precisi da UAV acquistatu bassu percentualità d'imaghjini sovrapposte. Int.
J. Sens Remote 38 (8-10), 3113-3134. https://doi.org/10.1080/ 01431161.2017.1285085.
Ali, I., Greifeneder, F., Stamenkovic, J., Neumann, M., Notarnicola, C., 2015. Review of machine learning approaches for biomass and soil humity retrievals from remote sensing data. Remote Sensing 7 (12), 16398–16421.
Alsamhi, SH, Afghah, F., Sahal, R., Hawbani, A., Al-qaness, MAA, Lee, B., Guizani, M., Internet verde di e cose chì utilizanu UAV in rete B5G: Una rivista di l'applicazioni
è strategie. Ad. Hoc. Rete. 117, 102505 https://doi.org/10.1016/j. adhoc.2021.102505.
Al-Thani, N., Albuainain, A., Alnaimi, F., Zorba, N., 2020. Drones for Sheep Livestock Monitoring. In: 20th IEEE Mediterranean Electrotechnical Conference. https://doi.
org/10.1109/MELECON48756.2020.9140588.
Ampatzidis, Y., Partel, V., 2019. Fenotipamentu d'altu throughput basatu in UAV in agrumi utilizendu imaging multispettrali è intelligenza artificiale. Remote Sensing 11 (4), https://doi.org/10.3390/rs11040410.
Ampatzidis, Y., Partel, V., Costa, L., 2020. Agroview: Applicazione basata in nuvola per processà, analizà è visualizà e dati raccolti da UAV per l'applicazioni agriculi di precisione chì utilizanu intelligenza artificiale. Cumputu. Electron. Agricu. 174, 105457 https://doi. org/10.1016/j.compag.2020.105457.
Ang, K.-L.-M., Seng, JKP, 2021. Big data è machine learning with hyperspectral information in agricultura. Accessu IEEE 9, 36699–36718. https://doi.org/10.1109/
ACCESSO.2021.3051196.
Aquilani, C., Confessore, A., Bozzi, R., Sirtori, F., Pugliese, C., 2022. Recensione : tecnulugie d'allevamentu di precisione in i sistemi di l'allevamentu à pasture. Animal 16 (1), https://doi.org/10.1016/j.animal.2021.100429.
Armenta-Medina, D., Ramirez-Delreal, TA, Villanueva-Vasquez, ´ D., Mejia-Aguirre, C., Trends on advanced information and communication technologies for
migliurà a produtividade agricula: una analisi bibliometrica. Agronomia 10 (12), Articulu 12. https://doi.org/10.3390/agronomy10121989.
Armstrong, I., Pirrone-Brusse, M., Smith, A., Jadud, M., 2011. The flying gator: versus aerial robotics in occam-π. Cumunu. Architettu di prucessu. 2011, 329-340. https://doi. org/10.3233/978-1-60750-774-1-329.
Arora, SD, Chakraborty, A., 2021. Struttura intellettuale di a ricerca di cumportamentu di lamenta di u cunsumadore (CCB): Un analisi bibliometricu. J. Business Res. 122, 60-74.
Aslan, MF, Durdu, A., Sabanci, K., Ropelewska, E., Gültekin, SS, 2022.
Un studiu cumpletu di i studii recenti cù UAV per l'agricultura di precisione in campi aperti è serre. Appl. Sci. 12 (3), 1047. https://doi.org/10.3390/
app12031047.
Atkinson, JA, Jackson, RJ, Bentley, AR, Ober, E., & Wells, DM (2018). Fenotipazione di u campu per u futuru. In Annual Plant Reviews online (pp. 719-736). Ghjuvanni
Wiley & Sons, Ltd. doi: 10.1002/9781119312994.apr0651.
Austin, R., 2010. Sistemi d'Aviò Unmanned: UAVS Design, Development and Deployment. In: Sistemi di aerei senza pilota: UAVS Design, Development and
Impiegazione. John Wiley è Figlioli. https://doi.org/10.1002/9780470664797.
Awais, M., Li, W., Cheema, MJM, Zaman, QU, Shaheen, A., Aslam, B., Zhu, W., Ajmal, M., Faheem, M., Hussain, S., Nadeem, AA, Afzal, MM, Liu, C., 2022. UAV-based remote sensing in plant stress imagine using the high-resolution thermal sensor for digital agriculture practices: a meta-review. Int. J. Environ. Sci. Tecnulugia. 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. Agricoltura intelligente: Opportunità, sfide
è abilitatori di tecnulugia. 2018 IoT Verticale è. Summit Topical on Agriculture - Tuscany (IOT Tuscany) 1-6. https://doi.org/10.1109/IOTTUSCANY.2018.8373043.
Bah, MD, Hafiane, A., Canals, R., 2018. Apprendimentu prufondu cù l'etichettatura di dati senza supervisione per a rilevazione di erbaccia in i culturi di linea in l'imaghjini UAV. Remote Sensing 10 (11), 1690.
https://doi.org/10.3390/rs10111690.
Baldi, S., 1998. Normative versus prucessi custruttivisti suciali in l'attribuzione di citazioni: un mudellu analiticu di rete. Am. Sociolu. Rev 63 (6), 829-846. https://doi.
org/10.2307/2657504.
Baluja, J., Diago, MP, Balda, P., Zorer, R., Meggio, F., Morales, F., Tardaguila, J., 2012. Assessment of vineyard water status variability by thermal and multispectral
l'imaghjini chì utilizanu un veiculu aereu senza pilota (UAV). Irrig. Sci. 30 (6), 511-522. https://doi.org/10.1007/s00271-012-0382-9.
Barabaschi, D., Tondelli, A., Desiderio, F., Volante, A., Vaccino, P., Val`e, G., Cattivelli, L.,Next generation breeding. Plant Sci. 242, 3-13. https://doi.org/10.1016/j.
plantsci.2015.07.010.
Barbedo, JGA, Koenigkan, LV, 2018. Perspettivi nantu à l'usu di sistemi aerei senza pilotu per monitorà i bovini. Outlook Agriculture. 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. Iperspettrali di pocu pesu è UAV-based camere full-frame
per u monitoraghju di i culturi: Paraguni spettrali cù e misurazioni di spettroradiometri portatili. Photogrammetrie, Fernerkundung, Geoinformation 2015 (1), 69-79.
https://doi.org/10.1127/pfg/2015/0256.
Barrientos, A., Colorado, J., del Cerro, J., Martinez, A., Rossi, C., Sanz, D., Valente, J., Aerial remote sensing in agriculture: A practice approach to area coverage
è pianificazione di percorsu per flotte di mini robot aerei. 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. Un sondaghju nantu à l'applicazione di algoritmi di pianificazione di caminu per UAV multi-rotor in precisione
agricultura. J. Naviga. 75 (2), 364–383.
Basnet, B., Bang, J., 2018. U state-of-the-art di l'agricultura intensiva di cunniscenza: una rivista nantu à i sistemi di sensazione applicata è l'analisi di dati. J. Sens 2018, 1-13.
Bendig, J., Bolten, A., Bareth, G., 2013. L'imaghjini basati in UAV per mudelli di superficia di culti multi-temporale, assai alta risoluzione per monitorà a variabilità di a crescita di i culturi. 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. Stima di a biomassa di orzu cù mudelli di superficia di culturi (CSM) derivati da l'imaghjini RGB basati in UAV. Remote Sensing 6 (11), 10395–10412.
Bendig, J., Yu, K., Aasen, H., Bolten, A., Bennertz, S., Broscheit, J., Gnyp, ML, Bareth, G., 2015. Cumminendu l'altezza di a pianta basata in UAV da a superficia di a cultura. mudelli,
indici di vegetazione visibili è vicinu à l'infrarouge per u monitoraghju di a biomassa in orzu. Int. J. Appl. Earth Obs. Geoinf. 39, 79-87. https://doi.org/10.1016/j.jag.2015.02.012.
Berni, JA, Zarco-Tejada, PJ, Sepulcre-Canto, ´ G., Fereres, E., Villalobos, F., 2009a. Cartographie de la conductance de la canopée et du CWSI dans les oliviers à haute résolution
l'imaghjini di telerilevazione termale. Remote Sens. Environ. 113 (11), 2380–2388. https://doi.org/10.1016/j.rse.2009.06.018.
Berni, JA, Zarco-Tejada, PJ, Suarez, ´ L., Fereres, E., 2009b. Rilevazione remota multispettrale termale è stretta banda per u monitoraghju di a vegetazione da un veiculu aereu senza pilota. IEEE Trans. Geosci. Remote Sens 47 (3), 722-738.
Bouzembrak, Y., Klüche, M., Gavai, A., Marvin, HJP, 2019. Internet di e Cose in a sicurezza di l'alimentariu: Revisione di letteratura è analisi bibliometrica. Trends Food Sci. Tecnulugia. 94,54-64. https://doi.org/10.1016/j.tifs.2019.11.002.
Brewster, C., Roussaki, I., Kalatzis, N., Doolin, K., Ellis, K., 2017. IoT in agricultura: Designing a European-wide large-scale pilot. IEEE Commun. Mag. 55 (9), 26-33.
Buters, TM, Belton, D., Cross, AT, 2019. UAV multi-sensor tracking di e piantini individuali è e cumunità di piantini à una precisione millimetrica. Drones 3 (4), 81.
https://doi.org/10.3390/drones3040081.
Candiago, S., Remondino, F., De Giglio, M., Dubbini, M., Gattelli, M., 2015. Evaluating images multispectral and vegetation indexes for precision farming applications from UAV images. Remote Sensing 7 (4), 4026–4047. https://doi.org/10.3390/rs70404026.
Cao, Y., Li, GL, Luo, YK, Pan, Q., Zhang, SY, 2020. Surveglianza di l'indicatori di crescita di zuccaru cù l'indici di vegetazione di larga dinamica (WDRVI) derivati da UAV.
imagine multispettrali. Cumputu. Electron. Agricu. 171, 105331 https://doi.org/10.1016/j.compag.2020.105331.
Casillas, J., Acedo, F., 2007. Evolution of the intellectual structure of family business literature: a bibliometric study of FBR. Business Family 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. Monitoramentu dinamicu di a biomassa di risu sottu
diversi trattamenti di nitrogenu aduprendu un UAV ligeru cù camere di fotogramma duale. Plant Methods 15 (1), 32. https://doi.org/10.1186/s13007-019-
0418-8.
Chamuah, A., Singh, R., 2019. Assicurà a sustenibilità in l'agricultura indiana attraversu UAV civile: una perspettiva di l'innovazione rispunsevule. SN Appl. Sci. 2 (1), 106. https://
doi.org/10.1007/s42452-019-1901-6.
Chamuah, A., Singh, R., 2022. Governanza rispunsevuli di l'innuvazioni civili di veìculi aerei senza pilotu (UAV) per l'applicazioni d'assicuranza di culturi indiane. J. Rispunsevuli
Tecnulugia. 9, 100025 https://doi.org/10.1016/j.jrt.2022.100025.
Chen, A., Orlov-Levin, V., Meron, M., 2019. Applicazione di l'imaghjini aerei di u canali visibile d'alta risoluzione di u canopy di culturi à a gestione di irrigazione di precisione. Agricu. Acqua
Manag. 216, 196-205. https://doi.org/10.1016/j.agwat.2019.02.017.
Daakir, M., Pierrot-Deseilligny, M., Bosser, P., Pichard, F., Thom, C., Rabot, Y., Martin, O., 2017. UAV ligeru cù fotogrammetria à bordu è posizionamentu GPS unica frequenza. per applicazioni di metrologia. ISPRS J. Photogramm. Remote Sens. 127, 115-126. https://doi.org/10.1016/j.isprsjprs.2016.12.007.
Dawaliby, S., Aberkane, A., Bradai, A., 2020. Piattaforma IoT basata in Blockchain per a gestione d'operazioni autonome di drone. In: Proceedings of the 2nd ACM
Atelier MobiCom nantu à e Comunicazioni Wireless Assisted Drone per 5G è Oltre, pp. 31-36. https://doi.org/10.1145/3414045.3415939.
Day, RA, Gastel, B., 1998. Cumu scrive è publicà un documentu scientificu. Cambridge University Press. de Castro, AI, Pena, ˜ JM, Torres-Sanchez, ´ J., Jim´enez-Brenes, FM, ValenciaGredilla, F., Recasens, J., Lopez-Granados, ´ F., 2020. Mapping cynodon dactylon infesting copre i culturi cù una prucedura autumàticu arbre-OBIA decisione è imaginery UAV per a viticultura di precisione. Remote Sensing 12 (1), 56. https://doi.org/10.3390/rs12010056.
de Castro, AI, Torres-S' anchez, J., Pena, ˜ JM, Jim´enez-Brenes, FM, Csillik, O., Lopez- ´Granados, F., 2018. Un algoritmu automaticu random forest-OBIA for mappatura iniziale di erbaccia trà è in fila di colture cù l'imaghjini UAV. Remote Sensing 10 (2). https://doi.org/10.3390/rs10020285.
Demir, N., Sonmez, ¨ NK, Akar, T., Ünal, S., 2018. Misurazione automatizzata di l'altezza di a pianta di i genotipi di granu Utilizendu un DSM Derivatu da l'Imageria UAV. Procedure 2 (7), 350. https://doi.org/10.3390/ecrs-2-05163.
Deng, J., Zhong, Z., Huang, H., Lan, Y., Han, Y., Zhang, Y., 2020. Rete di segmentazione semantica ligera per a mappatura di erbaccia in tempu reale cù veiculi aerei senza pilota. App. Sci. 10 (20), 7132. https://doi.org/10.3390/app10207132.
Deng, L., Mao, Z., Li, X., Hu, Z., Duan, F., Yan, Y., 2018. Rilevazione remota multispettrali basata in UAV per l'agricultura di precisione: un paragone trà e diverse camere. ISPRS J. Photogramm. Remote Sens. 146, 124-136.
Diaz-Gonzalez, FA, Vuelvas, J., Correa, CA, Vallejo, VE, Patino, D., 2022. Machine learning è tecnichi di rilevazione remota appiicati per stima l'indicatori di a terra - rivista. Ecol. Ind. 135, 108517 https://doi.org/10.1016/j.ecolind.2021.108517.
Díaz-Varela, RA, De la Rosa, R., Leon, ´ L., Zarco-Tejada, PJ, 2015. L'imaghjini UAV aerei di alta risoluzione per valutà i paràmetri di a corona di l'alivu cù a foto 3D
ricustruzzione : appiecazione in i prucessi di riproduzione. Remote Sensing 7 (4), 4213–4232. https://doi.org/10.3390/rs70404213.
Dixit, A., Jakhar, SK, 2021. Gestione di capacità di l'aeroportu: una rivista è analisi bibliometrica. J. Air Transp. Manag. 91, 102010.
Dong, T., Shang, J., Liu, J., Qian, B., Jing, Q., Ma, B., Huffman, T., Geng, X., Sow, A., Shi, Y., Canisius, F., Jiao, X., Kovacs, JM, Walters, D., Cable, J., Wilson, J., 2019.
Utilizendu l'imaghjini RapidEye per identificà a variabilità in u campu di a crescita è u rendiment di i culturi in Ontario, Canada. Precision Agric. 20 (6), 1231-1250. https://doi.org/10.1007/
s11119-019-09646-w.
Dutta, PK, Mitra, S., 2021. Applicazione di droni agriculi è iot per capiscenu a catena di supply supply durante u post COVID-19. In: Choudhury, A., Biswas, A., Prateek, M.,
Chakrabarti, A. (Eds.), Informatica Agricultural: Automation Using the IoT and Machine Learning. Wiley, pp. 67-87. van Eck, N., Waltman, L., 2009. Indagine di software: VOSviewer, un prugramma di computer per mapping bibliometric. Scientometria 84 (2), 523-538. https://doi.org/10.1007/s11192-009-0146-3.
Elijah, O., Rahman, TA, Orikumhi, I., Leow, CY, Hindia, MN, 2018. Una panoramica di l'Internet of Things (IoT) è l'analisi di dati in l'agricultura: benefici è sfide.
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. Validazione di agronomia UAV è campu
misurazioni per variità di tomate. Cumputu. Electron. Agricu. 158, 278–283. https:// doi.org/10.1016/j.compag.2019.02.011.
Espinoza, CZ, Khot, LR, Sankaran, S., Jacoby, PW, 2017. Evaluazione di stress d'acqua basata in teledetezzione termale è multispettrali d'alta risoluzione in
viti irrigati sotterranei. Remote Sensing 9 (9), 961. https://doi.org/ 10.3390/rs9090961.
Ewing, J., Oommen, T., Jayakumar, P., Alger, R., 2020. Utilizendu a rilevazione remota iperspettrale per a gradazione di a terra. Remote Sensing 12 (20), 3312. ttps://doi.org/10.3390/
rs12203312.
Fawcett, D., Panigada, C., Tagliabue, G., Boschetti, M., Celesti, M., Evdokimov, A., Biriukova, K., Colombo, R., Miglietta, F., Rascher, U., Anderson, K., 2020. Valutazione multiscale di riflettanza di superficia multispettrali basata in drone è indici di vegetazione in cundizioni operativi. Remote Sensing 12 (3), 514.
Feng, X., Yan, F., Liu, X., 2019. Studiu di tecnulugia di cumunicazione wireless in Internet di e cose per l'agricultura di precisione. Wireless Pers. Cumunu. 108 (3),
1785-1802.
Ferreira, MP, Pinto, CF, Serra, FR, 2014. A teoria di i costi di transazzione in a ricerca cummerciale internaziunale: un studiu bibliometricu annantu à trè decennii. Scientometria 98 (3), 1899-1922. https://doi.org/10.1007/s11192-013-1172-8.
Fisher, P., Abuzar, M., Rab, M., Best, F., Chandra, S., 2009. Avanzate in l'agricultura di precisione in u sud-est di l'Australia. I. una metodulugia di regressione per simulà
Variazione spaziale in i rendimenti di cereali utilizendu i rendimenti storici di u paddock di l'agricultori è l'indice di vegetazione di differenza nurmalizatu. Crop Pasture Sci. 60 (9), 844–858.
Floreano, D., Wood, RJ, 2015. Scienza, tecnulugia è u futuru di i picculi droni autonomi. Natura 521 (7553), 460-466. https://doi.org/10.1038/nature14542.
Friha, O., Ferrag, MA, Shu, L., Maglaras, LA, Wang, X., 2021. Internet di e cose per u futuru di l'agricultura intelligente: un studiu cumpletu di tecnulugia emergenti. IEEE CAA J. Autom. Sinica 8 (4), 718–752.
Fuentes-Pacheco, J., Torres-Olivares, J., Roman-Rangel, E., Cervantes, S., JuarezLopez, P., Hermosillo-Valadez, J., Rendon-Mancha, ´ JM, 2019. Segmentazione di pianta di fig. da l'imaghjini aeree chì utilizanu una reta di codificatore-decodificatore cunvoluzionale profonda. Remote Sensing 11 (10), 1157. https://doi.org/10.3390/rs11101157.
Gago, J., Douthe, C., Coopman, RE, Gallego, PP, Ribas-Carbo, M., Flexas, J., Escalona, J., Medrano, H., 2015. UAVs challenge to assess water stress for
agricultura sustenibile. Agricu. Gestione di l'acqua. 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. à a pianta
livellu per valutà u statu di l'acqua di i culturi in l'amanduli (cv. Guara) sottu strategie di irrigazione deficitaria. Agriculu. Gestione di l'acqua. 208, 176-186. https://doi.org/10.1016/j.
agwat.2018.06.002.
Garzonio, R., Di Mauro, B., Colombo, R., Cogliati, S., 2017. Misurazioni di spettroscopia di a riflettanza di a superficia è di a fluorescenza suninduced cù un picculu UAS iperspettrale. Remote Sensing 9 (5), 472. https://doi.org/10.3390/rs9050472. Gaˇsparovi´c, M., Zrinjski, M., Barkovi´c, Đ., Radoˇcaj, D., 2020. Un metudu automaticu per
mappatura di erbaccia in campi d'avena basatu nantu à l'imaghjini UAV. Cumputu. Electron. Agricu.
Gebbers, R., Adamchuk, VI, 2010. Agricultura di precisione è sicurezza alimentaria. Science 327 (5967), 828–831. https://doi.org/10.1126/science.1183899.
Geipel, J., Link, J., Claupein, W., 2014. Modellazione spettrale è spaziale cumminata di u rendiment di granu basatu annantu à l'imaghjini aerei è i mudelli di superficia di colti acquistati cù un sistema di aereo senza equipatu. Remote Sensing 6 (11), 10335–10355. https://doi.org/10.3390/rs61110335.
Geng, D., Feng, Y., Zhu, Q., 2020. Disegnu sustenibile per l'utilizatori: una rivista di letteratura è analisi bibliometrica. Ambiente. Sci. Pollut. Res. 27 (24), 29824–29836. https://doi. org/10.1007/s11356-020-09283-1.
Gevaert, CM, Suomalainen, J., Tang, J., Kooistra, L., 2015. Generazione di superfici di risposta spectraltemporal cumminendu satelliti multispettrali è iperspettrali.
L'imaghjini UAV per l'applicazioni di l'agricultura di precisione. IEEE J. Sel. Top. App. Earth Obs. Remote Sens. 8 (6), 3140-3146. ttps://doi.org/10.1109/JSTARS.2015.2406339.
Gill, SS, Chana, I., Buyya, R., 2017. L'agricultura basata IoT cum'è nuvola è big dataservice: u principiu di l'India digitale. J. Org. è Computer di l'Usuariu Finale. (JOEUC) 29 (4),
1-23.
Gmür, M., 2006. Analisi di co-citazione è a ricerca di culleghji invisibili: una valutazione metodulugia. Scientometria 57 (1), 27-57. https://doi.org/10.1023/
a: 1023619503005.
Gnadinger, ¨ F., Schmidhalter, U., 2017. Conti digitale di piante di mais da Veiculi Aerei Unmanned (UAV). Remote Sensing 9 (6). Https://doi.org/10.3390/rs9060544.
Gokto ¨ ǧan, AH, Sukkarieh, S., Bryson, M., Randle, J., Lupton, T., Hung, C., 2010. Un veiculu aereo senza equipaggio ad ala rotante per a sorveglianza di erbaccia acquatica è
gestione. J. Intell. Sistema roboticu: Teoria. Appl. 57 (1-4), 467-484. https://doi. org/10.1007/s10846-009-9371-5.
Gomez-Cand ´ on, ´ D., De Castro, AI, Lopez-Granados, ´ F., 2014. Evaluazione di l'accuratezza di i mosaici da l'imaghjini di veìculi aerei senza pilotu (UAV) per l'agricultura di precisione in u granu. Precisu. Agriculu. 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. Fenotipizzazione di u campu di u stress idrico à scala di l'arburu da l'imaghjini di u UAV-sensed imagery : novi insights per
acquisizione termica è calibrazione. Precisu. Agricu. 17 (6), 786-800. https://doi.org/10.1007/s11119-016-9449-6.
Gonzalez-Dugo, V., Zarco-Tejada, PJ, Fereres, E., 2014. Applicabilità è limitazioni di l'usu di l'indici di stress di l'acqua di culturi cum'è un indicatore di deficit d'acqua in l'arbureti di agrumi. Agricu. Per. Meteorolu. 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. Using high resolution UAV thermal imagery to
évaluer la variabilité de l'état de l'eau de cinq espèces d'arbres fruitiers dans un verger commercial. Precisu. Agricu. 14 (6), 660-678. https://doi.org/10.1007/s11119-013-9322-9.
Goyal, K., Kumar, S., 2021. Alfabetizazione finanziaria: Una rivista sistematica è analisi bibliometrica. Int. J. Studi di Consumatore 45 (1), 80-105. https://doi.org/10.1111/
ijcs.12605.
Grenzdorffer, ¨ GJ, Engel, A., Teichert, B., 2008. U potenziale fotogrammetricu di uavs lowcost in silvicultura è agricultura. Archivi Internaziunali di Fotogrammetria, Remote Sensing and Spatial Information Sciences - ISPRS Archives 37, 1207-1213. https://www.scopus.com/inward/record.uri?eid=2-s2.0-85039543258&partnerI D=40&md5=b4b2d639257e8ddb5a373d15959c4e1e.
Guan, S., Fukami, K., Matsunaka, H., Okami, M., Tanaka, R., Nakano, H., Sakai, T., Nakano, K., Ohdan, H., Takahashi, K., 2019. Assessing correlation of high-resolution
NDVI cù u livellu di l'applicazione di fertilizzanti è u rendiment di i culturi di risu è di granu chì utilizanu picculu UAV. Remote Sensing 11 (2), 112.
Gundolf, K., Filser, M., 2013. Ricerca di gestione è religione: una analisi di citazione. J. Bus. Etica 112 (1), 177-185.
Guo, Q., Zhu, Y., Tang, Y., Hou, C., He, Y., Zhuang, J., Zheng, Y., Luo, S., 2020. Simulazione CFD è verificazione sperimentale di u spaziale e distribuzione temporale di
u flussu d'aria downwash di un UAV agriculu quad-rotor in hover. Cumputu. Electron. Agriculu. 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. , Pulonia, J., 2016.
Applicazione di sistemi aerei senza pilotu per u fenotipamentu di grande produzzione di grandi vivai di ripruduzzione di granu. Plant Methods 12 (1). https://doi.org/10.1186/s13007-
016-0134-6.
Hakala, T., Honkavaara, E., Saari, H., Makynen, ¨ J., Kaivosoja, J., Pesonen, L., & Pol ¨ onen, ¨I., 2013. Spectral imaging from UAVs under different illumination conditions . In GG Bill R. (Ed.), Archivi Internaziunali di Photogrammetry, Remote Sensing and Spatial Information Sciences-ISPRS Archives (Vol. 40, Issue 1W2, pp. 189-194). Società Internaziunale di Fotogrammetria è Remote Sensing. https://www.scopus.com/inward/record.uri?eid=2-s2.0-848875632.
Hamylton, SM, Morris, RH, Carvalho, RC, Roder, N., Barlow, P., Mills, K., Wang, L. Tecniche di valutazione per a mappatura di a vegetazione isulana da aeree senza pilota
Imàghjini di veiculi (UAV): classificazione di pixel, interpretazione visuale è approcci di apprendimentu machine. Int. J. Appl. Earth Obs. Geoinf. 89, 102085 https://doi.org/
10.1016/j.jag.2020.102085.
Haque, A., Islam, N., Samrat, NH, Dey, S., Ray, B., 2021. L'agricultura intelligente attraversu una dirigenza rispunsevule in Bangladesh: pussibulità, opportunità è oltre.
Sostenibilità 13 (8), 4511.
Hardin, PJ, Hardin, TJ, 2010. Veiculi pilotati remotamente à piccula scala in a ricerca ambientale. Geugrafìa Bussola 4 (9), 1297–1311. ttps://doi.org/10.1111/j.1749-
8198.2010.00381.x.
Hardin, PJ, Jensen, RR, 2011. Veiculi aerei senza pilotu à piccula scala in sensori remoti ambientali: sfide è opportunità. GISci. Remote Sens. 48 (1), 99-111. https://doi.org/10.2747/1548-1603.48.1.99.
He, Y., Nie, P., Zhang, Q., Liu, F., 2021. Agricultural Internet of Things: tecnulugie è applicazioni, (1st ed. 2021 edition). 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.
Imaging da un veìculu aereo senza pilota: surviglianza agricula è supportu di decisione. Cumputu. Electron. Agricu. 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, Fenotipazione di u campu d'alta produzzione di l'altezza di a pianta di granu è u tassu di crescita in i prucessi di u campu cù u telerilevamentu basatu UAV. Remote Sensing 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. Trattamentu è valutazione di l'imaghjini spettrometrichi è stereoscopichi raccolti cù una camera spettrale UAV ligera per l'agricultura di precisione. Remote Sensing 5 (10), 5006–5039. https://doi.org/10.3390/rs5105006.
Hossein Motlagh, N., Taleb, T., Arouk, O., 2016. Veiculi aerei senza pilota di bassa altitudine basati in Internet di e cose servizii: sondaghju cumpletu è perspettivi futuri. 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. Navigazione combinata di flussu otticu è stereo-basatu di canyon urbani per un UAV. In: 2005 IEEE/RSJ
Cunferenza Internaziunale di Roboti Intelligenti è Sistemi, pp 3309-3316. https://doi.org/10.1109/IROS.2005.1544998.
Hsu, T.-C., Yang, H., Chung, Y.-C., Hsu, C.-H., 2020. Una piattaforma creativa di l'agricultura IoT per l'informatica di nebbia in nuvola. Mantene. Cumputu. Inf. Syst. 28, 100285.
Huang, H., Deng, J., Lan, Y., Yang, A., Deng, X., Zhang, L., Gonzalez-Andujar, JL, 2018. Una reta cumpletamente cunvoluzionale per a mappatura di erbaccia di veìculi aerei senza pilota ( UAV) imagine. PLoS ONE 13 (4), e0196302.
Huang, H., Lan, Y., Yang, A., Zhang, Y., Wen, S., Deng, J., 2020. Apprendimentu prufondu versus Analisi d'Image basata nantu à l'Ogetti (OBIA) in a mappatura di erbaccia di l'imaghjini UAV. Int. J.
Remote Sens. 41 (9), 3446-3479. https://doi.org/10.1080/01431161.2019.1706112.
Huang, H., Yang, A., Tang, Y., Zhuang, J., Hou, C., Tan, Z., Dananjayan, S., He, Y., Guo, Q., Luo, S., 2021. Calibrazione di culore profonda per l'imaghjini UAV in u monitoraghju di culturi
aduprendu u trasferimentu di stile semanticu cù l'attenzione lucale à glubale. Int. J. Appl. Earth Obs. Geoinf. 104, 102590 https://doi.org/10.1016/j.jag.2021.102590.
Huang, YB, Thomson, SJ, Hoffmann, WC, Lan, YB, Fritz, BK, 2013. Sviluppu è prospettiva di tecnulugia di veìculi aerei senza pilotu per a produzzione agricula
gestione. Int. J. Agric. Biol. Eng. 6 (3), 1-10. https://doi.org/10.3965/j. ijabe.20130603.001.
Huang, Y., Hoffmann, WC, Lan, Y., Wu, W., Fritz, BK, 2009. Sviluppu di un sistema di spray per una piattaforma di veiculi aerei senza pilota. App. Eng. Agricu. 25 (6), 803–809.
Hunt Jr., ER, Dean Hively, W., Fujikawa, SJ, Linden, DS, Daughtry, CST, McCarty, GW, 2010. Acquisizione di ritratti digitali NIR-verde-blu da
aerei senza pilota per u monitoraghju di i culturi. Remote Sensing 2 (1), 290-305. https://doi. org/10.3390/rs2010290. Inoue, Y., 2020. Rilevazione remota basata su satelliti è drone di culturi è terreni per l'agricultura intelligente - una rivista. Soil Sci. Plant Nutr. 66 (6), 798–810. https://doi.org/10.1080/00380768.2020.1738899.
Islam, N., Rashid, MM, Pasandideh, F., Ray, B., Moore, S., Kadel, R., 2021. Una rivista di l'applicazioni è e tecnulugia di cumunicazione per l'Internet of Things (IoT) è
L'agricultura intelligente sustenibile basata in Veiculi Aerei Unmanned (UAV). Sostenibilità 13 (4), 1821. https://doi.org/10.3390/su13041821.
Jaud, M., Passot, S., Le Bivic, R., Delacourt, C., Grandjean, P., Le Dantec, N., 2016. Assessing the accuracy of high resolution digital surface models computed by
PhotoScan® è MicMac® in cundizioni di indagine sub-ottimali. Remote Sensing 8 (6), https://doi.org/10.3390/rs8060465.
Jim´enez-Brenes, FM, Lopez-Granados, ´ F., Castro, AI, Torres-S´ anchez, J., Serrano, N., Pena, ˜ JM, 2017. Quantification de l'impact de la taille sur l'architecture de l'olivier et l'année crescita di u canopy usendu un mudellu 3D basatu in UAV. Plant Methods 13 (1). https://doi.org/10.1186/s13007-017-0205-3.
Jin, X., Liu, S., Baret, F., Hemerl´e, M., Comar, A., 2017. Estimazioni di a densità vegetale di i culturi di granu à l'emergenza da l'imaghjini UAV d'altitudine assai bassa. Remote Sens.
Environ. 198, 105-114. https://doi.org/10.1016/j.rse.2017.06.007.
Jinbo, C., Xiangliang, C., Han-Chi, F., Lam, A., 2019. Sistema di surviglianza di i prudutti agriculi sustinutu da u cloud computing. Cluster Comput. 22 (4), 8929–8938.
Ju, C., & Son, HI 2018a. Evaluazione di u rendiment di più sistemi UAV per a telerilevazione in l'agricultura. Proceedings of the Workshop on Robotic Vision and Action in Agriculture in a Conferenza Internaziunale IEEE di Robotica è Automatizazione (ICRA), Brisbane, Australia, 21-26.
Ju, C., Son, HI, 2018b. Sistemi UAV multiplici per l'applicazioni agriculi: cuntrollu, implementazione è valutazione. Elettronica 7 (9), 162. https://doi.org/10.3390/
elettronica 7090162.
Jung, J., Maeda, M., Chang, A., Bhandari, M., Ashapure, A., Landivar-Bowles, J., 2021. U putenziale di telerilevamentu è intelligenza artificiale cum'è strumenti per migliurà
resilienza di i sistemi di pruduzzioni agriculi. Curr. Opinu. Biotecnologia. 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. Una tecnica di scouting di colti mejorata chì incorpora l'imaghjini multispettrali di culti multispettrali assistiti da veìculi aerei senza pilotu in a pratica di scouting convenzionale per u gummy stem blight in anguria. Plant Dis. 103 (7), 1642–1650.
Kapoor, KK, Tamilmani, K., Rana, NP, Patil, P., Dwivedi, YK, Nerur, S., 2018. Avanzate in a ricerca di e social media: passatu, presente è futuru. Informate. Syst. Fronte. 20
(3), 531-558.
Kerkech, M., Hafiane, A., Canals, R., 2020. VddNet: rete di deteczione di malatie di vigna basatu annantu à l'imaghjini multispettrali è a mappa di a prufundità. Remote Sensing 12 (20), 3305. https://doi. org/10.3390/rs12203305.
Khaliq, A., Comba, L., Biglia, A., Ricauda Aimonino, D., Chiaberge, M., Gay, P., 2019. Comparazione di l'imaghjini multispettrali satellitari è UAV per u vignetu
valutazione di a variabilità. Remote Sensing 11 (4). https://doi.org/10.3390/rs11040436.
Khan, PW, Byun, Y.-C., Park, N., 2020. IoT-blockchain hà attivatu un sistema di provenienza ottimizatu per l'industria alimentaria 4.0 utilizendu l'apprendimentu prufondu avanzatu. Sensori 20 (10), 2990.
Khan, RU, Khan, K., Albattah, W., Qamar, AM, Ullah, F., 2021. Rilevazione basata in l'imaghjini di e malatie di e piante: da l'apprendimentu automaticu classicu à u viaghju di apprendimentu profondu. Comunicazione wireless. Computer Mobile. 2021, 1-13.
Khan, S., Tufail, M., Khan, MT, Khan, ZA, Iqbal, J., Alam, M., Le, KNQ, 2021. Un novu quadru semi-supervisatu per a classificazione di culturi / erbaccia basata in UAV. PLoS ONE 16 (5), e0251008.
Khanal, S., Fulton, J., Shearer, S., 2017. Una panoramica di l'applicazioni attuali è potenziali di a telerilevazione termale in l'agricultura di precisione. Cumputu. Electron.
Agricu. 139, 22-32. https://doi.org/10.1016/j.compag.2017.05.001.
Khanna, A., Kaur, S., 2019. Evoluzione di l'Internet of Things (IoT) è u so impattu significativu in u campu di l'agricultura di precisione. Cumputu. Electron. Agricu. 157, 218-231.
Kim, W., Khan, GF, Wood, J., Mahmood, MT, 2016. Impiegazione di l'impiegati per l'urganisazioni sustinibili: analisi di keyword usendu analisi di rete suciale è burst
approcciu di rilevazione. Sostenibilità 8 (7), 631.
Kirsch, M., Lorenz, S., Zimmermann, R., Tusa, L., Mockel, ¨ R., Hodl, ¨ P., Booysen, R., Khodadadzadeh, M., Gloaguen, R., 2018. Integrazione di terrestri è di droni
metudi di sensazione iperspettrali è fotogrammetrici per a mappa di esplorazione è u monitoraghju di a minera. Remote Sensing 10 (9), 1366. https://doi.org/10.3390/
rs10091366.
Kitano, BT, Mendes, CCT, Geus, AR, Oliveira, HC, Souza, JR, 2019. Conte di pianta di granu cù l'apprendimentu prufondu è l'imaghjini UAV. IEEE Geosci. Remote Sens Lett. 1–5 https://doi.org/10.1109/LGRS.2019.2930549.
Koh, JCO, Spangenberg, G., Kant, S., 2021. L'apprendimentu automaticu di a macchina per u fenotipamentu di e piante basati in l'imaghjini di altu rendiment. Remote Sensing 13 (5), 858. https://
doi.org/10.3390/rs13050858.
Kovalev, IV, Voroshilova, AA, 2020. Tendenze tecnologiche muderne in u sviluppu di l'ecosistema di i UAV di carica. J. Fisica. Conf. Ser. 1515 (5), 052068 https://doi. org/10.1088/1742-6596/1515/5/052068.
Krul, S., Pantos, C., Frangulea, M., Valente, J., 2021. Visual SLAM per l'allevamentu indoor è l'agricultura cù un picculu drone cù una camera monocular: un studiu di fattibilità.
Drones 5 (2), 41. https://doi.org/10.3390/drones5020041.
Kulbacki, M., Segen, J., Knie´c, W., Klempous, R., Kluwak, K., Nikodem, J., Kulbacka, J., Serester, A., 2018. Survey of drones for agriculture automation da a piantazione à
cugliera. In: INES 2018 - IEEE 22nd International Conference on Intelligent Engineering Systems, pp. 000353-358. https://doi.org/10.1109/INES.2018.8523943.
Lagkas, T., Argyriou, V., Bibi, S., Sarigiannidis, P., 2018. UAV IoT framework views and challenges: versu a prutezzione di i drones cum'è "Cose". Sensors 18 (11), 4015. https://doi.org/10.3390/s18114015.
Laliberte, AS, Rango, A., 2011. Prucedure di trattamentu è classificazione di l'imaghjini per l'analisi di l'imaghjini sub-decimetri acquistati cù un aviò senza pilota sopra à l'aridu.
pascoli. GISci. Remote Sens. 48 (1), 4-23. https://doi.org/10.2747/1548-1603.48.1.4.
Laliberte, AS, Rango, A., Herrick, JE, 2007. Veiculi aerei senza pilotu per a mappatura è u monitoraghju di u rangeland: un paragone di dui sistemi. Atti di a Conferenza Annuale ASPRS.
Lam, OHY, Dogotari, M., Prüm, M., Vithlani, HN, Roers, C., Melville, B., Zimmer, F., Becker, R., 2021. Un flussu di travagliu open source per a mappatura di erbaccia in pasture native.
utilizendu un veìculu aereo senza pilotu: Utilizendu Rumex obtusifolius cum'è studiu di casu. Eur. J.Remote Sens. 54 (sup1), 71-88. https://doi.org/10.1080/22797254.2020.1793687.
Lambert, DM, Lowenberg-DeBoer, J., Griffin, TW, Peone, J., Payne, T., Daberkow, SG, 2004. Adopzione, prufittuità, è megliu usu di dati agriculi di precisione.
Paper di travagliu. Università Purdue. https://doi.org/10.22004/ag.econ.28615.
Lelong, CCD, Burger, P., Jubelin, G., Roux, B., Labb´e, S., Baret, F., 2008. Assessment of unmanned aerial vehicles imagery for quantitative monitoring of wheat culture in small plots. Sensori 8 (5), 3557–3585. https://doi.org/10.3390/s8053557.
Li, C., Niu, B., 2020. Disegnu di l'agricultura intelligente basatu nantu à big data è Internet di e cose. Int. J. Distribu. Sens. Netw. 16 (5) ttps://doi.org/10.1177/1550147720917065.
Li, W., Niu, Z., Chen, H., Li, D., Wu, M., Zhao, W., 2016. Stima remota di l'altezza di u canopy è di a biomassa suprana di granu cù l'imaghjini stereo d'alta risoluzione da un sistema di veìculi aerei senza pilotu à pocu costu. Ecol. Ind. 67, 637-648. https://doi.org/10.1016/j.ecolind.2016.03.036.
Liakos, KG, Busato, P., Moshou, D., Pearson, S., Bochtis, D., 2018. Machine learning in agricultura: una rivista. Sensori 18 (8), 2674.
Liebisch, F., Kirchgessner, N., Schneider, D., Walter, A., Hund, A., 2015. Fenotipazione remota, aerea di i tratti di granu cù un approcciu multi-sensore mobile. Plant Methods 11 (1), 9. https://doi.org/10.1186/s13007-015-0048-8.
Lin, Z., Guo, W., 2020. Rilevazione di panicule di sorgo è cuntà cù l'imaghjini di u sistema aereo senza equipaggiu è l'apprendimentu prufondu. Fronte. Plant Sci. 11.
Liu, S., Guo, L., Webb, H., Ya, X., Chang, X., 2019. Internet di e cose sistema di surviglianza di l'eco-agricultura muderna basatu in cloud computing. Accessu IEEE 7, 37050–37058.
Lopez-Granados, ´ F., 2011. Deteczione di erbaccia per a gestione di erbaccia specifica di u situ: cartografia è approcci in tempu reale. Erba Ris. 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. U monitoraghju iniziale basatu nantu à l'ughjettu di una erbaccia d'erba in una cultura d'arba cù l'imaghjini UAV d'alta risoluzione. Agron. Mantene. 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. Cartografia di erbaccia di a prima stagione in girasole cù a tecnulugia UAV: variabilità di e carte di trattamentu di l'erbicida contr'à i soglia di erbaccia. Precisu. Agricu. 17 (2), 183–199.
Lucieer, A., Malenovský, Z., Veness, T., Wallace, L., 2014. HyperUAS - spettroscopia d'imaghjini da un sistema di aerei senza pilotu multirotor. J. Field Rob. 31 (4),
571-590. https://doi.org/10.1002/rob.21508.
Lumme, J., Karjalainen, M., Kaartinen, H., Kukko, A., Hyyppa, ¨ J., Hyypp¨ a, H., Jaakkola, A., & Kleemola, J., 2008. Scanning laser terrestre di culturi agriculi. In JJ
Chen J. Maas H-G. (Ed.), Archivi Internaziunali di Photogrammetry, Remote Sensing and Spatial Information Sciences-ISPRS Archives (Vol. 37, pp. 563-566).
Società Internaziunale di Fotogrammetria è Remote Sensing. https://www.scopus .com/inward/record.uri?eid=2-s2.0-84919356328&partnerID=40&md5=574
b802131a99d16318ce619a01ca1bf.
Ma, L., Li, M., Ma, X., Cheng, L., Du, P., Liu, Y., 2017. Una rivista di a classificazione di l'imaghjini di a terra-copertura basata nantu à l'ughjettu. ISPRS J. Photogramm. Remote Sens. 130,
277-293. https://doi.org/10.1016/j.isprsjprs.2017.06.001.
Maes, WH, Steppe, K., 2019. Perspettivi per a rilevazione remota cù veiculi aerei senza pilota in l'agricultura di precisione. Trends Plant Sci. 24 (2), 152-164. https://doi.org/10.1016/j.tplants.2018.11.007.
Maimaitijiang, M., Ghulam, A., Sidike, P., Hartling, S., Maimaitiyiming, M., Peterson, K., Shavers, E., Fishman, J., Peterson, J., Kadam, S., Burken, J., Fritschi, F., 2017.
Fenotipazione di soia basata in un sistema aereu senza pilotu (UAS) aduprendu a fusione di dati multisensori è a macchina d'apprendimentu estrema. ISPRS J. Photogramm. Remote Sens. 134, 43-58. https://doi.org/10.1016/j.isprsjprs.2017.10.011. Maimaitijiang, M., Sagan, V., Sidike, P., Daloye, AM, Erkbol, H., Fritschi, FB, 2020.
Monitoraghju di i culturi cù a fusione di dati satellitari / UAV è l'apprendimentu automaticu. Remote Sensing 12 (9), 1357. https://doi.org/10.3390/rs12091357.
Manfreda, S., McCabe, M., Miller, P., Lucas, R., Pajuelo Madrigal, V., Mallinis, G., Ben Dor, E., Helman, D., Estes, L., Ciraolo, G. ., Müllerova, ´ J., Tauro, F., de Lima, M., de
Lima, J., Maltese, A., Frances, F., Caylor, K., Kohv, M., Perks, M., Ruiz-P´erez, G., Su, Z., Vico, G., Toth , B., 2018. Nantu à l'usu di sistemi aerei senza pilotu per
monitoraghju ambientale. Remote Sensing 10 (4), 641.
Marinko, RA, 1998. Citations to women's studies journals in dissertations, 1989 è The Serials Librarian 35 (1-2), 29-44. https://doi.org/10.1300/J123v35n01_
03.
Masroor, R., Naeem, M., Ejaz, W., 2021. Gestione di risorse in e rete wireless assistite da UAV: una perspettiva di ottimisazione. Rete Ad Hoc. 121, 102596 https://doi.org/10.1016/j.adhoc.2021.102596.
Matese, A., Di Gennaro, SF, 2018. Applicazioni pratiche di una piattaforma UAV multisensori basata in imaghjini multispettrali, termichi è RGB d'alta risoluzione in precisione.
viticultura. Agriculture 8 (7), 116. https://doi.org/10.3390/agriculture8070116.
Matese, A., Di Gennaro, SF, 2021. Al di là di l'indici tradiziunale NDVI cum'è un fattore chjave per mainstream l'usu di UAV in viticultura di precisione. Sci. Rep 11 (1), 2721. https://doi.org/10.1038/s41598-021-81652-3.
Matese, A., Toscano, P., Di Gennaro, SF, Genesio, L., Vaccari, FP, Primicerio, J., Belli, C., Zaldei, A., Bianconi, R., Gioli, B., 2015 . Intercomparazione di UAV, aviò
e piattaforme di telerilevazione satellitari per a viticultura di precisione. Remote Sensing 7 (3), 2971–2990. https://doi.org/10.3390/rs70302971.
Mazzia, V., Comba, L., Khaliq, A., Chiaberge, M., Gay, P., 2020. UAV è raffinamentu basatu di machine learning di un indice di vegetazione guidatu da satelliti per a precisione
agricultura. Sensors 20 (9), 2530. https://doi.org/10.3390/s20092530.
McCain, KW, 1990. Mapping autori in u spaziu intellettuale: una visione tecnica. J. Am. Soc. Info. Sci. 41 (6), 433–443.
Meinen, BU, Robinson, DT, 2021. Modellazione di l'erosione agricula: valutà l'estimazioni di l'erosione di u campu USLE è WEPP utilizendu dati di serie temporale UAV. Ambiente. Mudellu. Software 137, 104962. https://doi.org/10.1016/j.envsoft.2021.104962.
Melville, B., Lucieer, A., Aryal, J., 2019. Classificazione di e cumunità di pasture native di pianura chì utilizanu l'imaghjini iperspettrali Unmanned Aircraft System (UAS) in u
Midlands di Tasmania. Drones 3 (1), 5.
Messina, G., Modica, G., 2020. Applicazioni di l'imaghjini termali UAV in l'agricultura di precisione: u statu di l'arti è a futura ricerca di ricerca. Remote Sensing 12 (9), https://doi.org/10.3390/rs12091491.
Mishra, D., Luo, Z., Jiang, S., Papadopoulos, T., Dubey, R., 2017. Un studiu bibliugraficu nantu à big data: cuncetti, tendenzi è sfide. Gestione di u prucessu cummerciale. J. 23 (3),
555-573.
Mochida, K., Saisho, D., Hirayama, T., 2015. Migliuramentu di i culturi utilizendu datasets di u ciclu di vita acquistatu in cundizioni di campu. Fronte. Plant Sci. 6 https://doi.org/10.3389/
fpls.2015.00740.
Mogili, UM.R., Deepak, BBVL, 2018. Revisione nantu à l'applicazione di sistemi di drone in l'agricultura di precisione. Procedia Comput. Sci. 133, 502–509.
Moharana, S., Dutta, S., 2016. Variabilità spaziale di u cuntenutu di clorofilla è nitrogenu di u risu da l'imaghjini iperspettrali. ISPRS J. Photogramm. Remote Sens. 122, 17-29.
Muangprathub, J., Boonnam, N., Kajornkasirat, S., Lekbangpong, N., Wanichsombat, A.,
Nillaor, P., 2019. Analisi di dati IoT è agricultura per a splutazioni intelligente. Cumputu. Electron. Agricu. 156, 467–474.
Nansen, C., Elliott, N., 2016. Remote sensing and reflectance profileing in entomology. Annu. Rev Entomol. 61 (1), 139–158. https://doi.org/10.1146/annurev-ento010715-023834.
Navia, J., Mondragon, I., Patino, D., Colorado, J., 2016. Cartografia multispettrali in l'agricultura: mosaicu di u terrenu utilizendu un UAV quadcopter autònumu. Int. Conf.
Unmanned Aircraft Syst. (ICUAS) 2016, 1351-1358. https://doi.org/10.1109/ ICUAS.2016.7502606.
Nayyar, A., Nguyen, B.-L., Nguyen, NG, 2020. L'internet di e cose drone (Iodt): visione futura di droni intelligenti. Avv. Intell. Syst. Cumputu. 1045, 563–580. https://doi.org/10.1007/978-981-15-0029-9_45.
Nebiker, S., Annen, A., Scherrer, M., Oesch, D., 2008. Un sensoru multispettrali ligeru per u micro UAV-uppurtunità per a rilevazione remota di l'aria in alta risoluzione. Int. Arch. Fotogramma. Remote Sens. Spat. Inf. Sci 37 (B1), 1193-1200.
Negash, L., Kim, H.-Y., Choi, H.-L., 2019. Applicazioni emergenti UAV in agricultura. In: 2019 7th International Conference on Robot Intelligence Technology è
Applicazioni (RiTA), pp. 254-257. https://doi.org/10.1109/RITAPP.2019.8932853.
Nerur, SP, Rasheed, AA, Natarajan, V., 2008. A struttura intellettuale di u campu di gestione strategica: un analisi di co-citazione di l'autore. Strateg. Manag. J. 29 (3),
319-336.
Neupane, K., Baysal-Gurel, F., 2021. Identificazione automatica è surviglianza di e malatie di e piante cù veiculi aerei senza pilotu: una rivista. Remote Sensing 13 (19), 3841. https://doi.org/10.3390/rs13193841.
Nex, F., Remondino, F., 2014. UAV per l'applicazioni di mapping 3D: una rivista. Appl. Geomatica 6 (1), 1-15. https://doi.org/10.1007/s12518-013-0120-x.
Niu, H., Hollenbeck, D., Zhao, T., Wang, D., Chen, Y., 2020. Evapotranspiration estimation with small UAVs in precision agriculture. Sensori 20 (22), 6427. https://
doi.org/10.3390/s20226427.
Osareh, F., 1996. Bibliometria, Citation Analysis è Co-Citation Analysis. Rivista di Literatura I 46 (3), 149-158. https://doi.org/10.1515/libr.1996.46.3.149.
P´adua, L., Vanko, J., Hruˇska, J., Ad˜ ao, T., Sousa, JJ, Peres, E., Morais, R., 2017. UAS, sensors, and data processing in agroforestry: una rivista versu l'applicazioni pratiche. Int. J. Sens Remote 38 (8-10), 2349-2391. https://doi.org/10.1080/01431161.2017.1297548.
Panday, US, Pratihast, AK, Aryal, J., Kayastha, RB, 2020. Una rivista nantu à e soluzioni di dati basate in drone per i culturi di cereali. Drones 4 (3), 1-29. https://doi.org/10.3390/
drones4030041.
Parsaeian, M., Shahabi, M., Hassanpour, H., 2020. Stima di u cuntenutu di l'oliu è di a proteina di i graneddi di sesame utilizendu a trasfurmazioni di l'imaghjini è a rete neurale artificiale. J. Am. Oliu
Soc. 97 (7), 691–702.
Pena, ˜ JM, Torres-S´anchez, J., de Castro, AI, Kelly, M., Lopez-Granados, ´ F., Suarez, O., Cartografia di erbaccia in i campi di granu di prima stagione utilizendu analisi basate nantu à oggetti di
Veiculi aerei senza pilota (UAV) Images. 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. Un sistema semi-supervisatu per a mappatura di erbaccia in i culturi di girasole utilizendu veiculi aerei senza pilotu è un metudu di rilevazione di fila di culturi. App. Soft Comput. J. 37, 533–544. https://doi.org/10.1016/j.asoc.2015.08.027.
Pincheira, M., Vecchio, M., Giaffreda, R., Kanhere, SS, 2021. Dispositivi IoT custificate cum'è fonti di dati affidabili per un sistema di gestione di l'acqua basatu in blockchain in l'agricultura di precisione. Cumputu. Electron. Agricu. 180, 105889.
Popescu, D., Stoican, F., Stamatescu, G., Ichim, L., Dragana, C., 2020. Advanced UAV-WSN system for intelligent monitoring in precision agriculture. Sensors 20 (3), https://doi.org/10.3390/s20030817.
Pournader, M., Shi, Y., Seuring, S., Koh, SL, 2020. Applicazioni Blockchain in supply chains, trasportu è logistica: una rivista sistematica di a literatura. Int. J. Prod. Res. 58 (7), 2063–2081.
Primicerio, J., Di Gennaro, SF, Fiorillo, E., Genesio, L., Lugato, E., Matese, A., Vaccari, FP, 2012. A flexible unmanned aerial vehicle for precision agriculture.
Precisu. Agricu. 13 (4), 517–523. https://doi.org/10.1007/s11119-012-9257-6.
Pritchard, A., 1969. Bibliografia statistica o bibliometria. J. Documentu. 25 (4), 348-349.
Pudelko, R., Stuczynski, T., Borzecka-Walker, M., 2012. L'idoneità di un veìculu aereo senza pilotu (UAV) per a valutazione di campi sperimentali è culturi. Agriculture 99 (4), 431-436.
Puri, V., Nayyar, A., Raja, L., 2017. Drones d'agricultura: un avanzu mudernu in l'agricultura di precisione. J. Statis. Manag. Syst. 20 (4), 507–518.
Radoglou-Grammatikis, P., Sarigiannidis, P., Lagkas, T., Moscholios, I., 2020. Una compilazione di applicazioni UAV per l'agricultura di precisione. Cumputu. Rete. 172,
107148 https://doi.org/10.1016/j.comnet.2020.107148.
Ramesh, KV, Rakesh, V., Prakasa Rao, EVS, 2020. Applicazione di big data analytics è intelligenza artificiale in a ricerca agronomica. Indianu J. Agron. 65 (4), 383–395.
Raparelli, E., Bajocco, S., 2019. Un'analisi bibliometrica nantu à l'usu di i veiculi aerei senza pilotu in studii agriculi è forestali. Int. J. Remote Sens. 40 (24),
9070-9083. https://doi.org/10.1080/01431161.2019.1569793.
Rasmussen, J., Nielsen, J., Garcia-Ruiz, F., Christensen, S., Streibig, JC, Lotz, B., 2013.
Usi putenziali di i picculi sistemi di aerei senza pilota (UAS) in a ricerca di erbaccia. Erba Ris. 53 (4), 242–248.
Rasmussen, J., Ntakos, G., Nielsen, J., Svensgaard, J., Poulsen, RN, Christensen, S., Sono indici di vegetazione derivati da fotocamere di qualità consumer montate su
UAV abbastanza affidabili per valutà i parcelle sperimentali? Eur. J. Agron. 74, 75-92. https://doi.org/10.1016/j.eja.2015.11.026.
Rejeb, A., Rejeb, K., Abdollahi, A., Zailani, S., Iranmanesh, M., Ghobakhloo, M., 2022. Digitalizazione in catene di supply supply: una rivista bibliometrica è a strada principale di a chjave.
analisi. Sostenibilità 14 (1), 83. https://doi.org/10.3390/su14010083.
Rejeb, A., Rejeb, K., Simske, SJ, Treiblmaier, H., 2021a. Drones per a gestione di a supply chain è a logistica: una revisione è agenda di ricerca. Int. J. Logistu. Res. App.
1-24. https://doi.org/10.1080/13675567.2021.1981273.
Rejeb, A., Rejeb, K., Simske, S., Treiblmaier, H., 2021b. Tecnulugie Blockchain in a logistica è a gestione di a supply chain: una rivista bibliometrica. Logistica 5 (4), 72.
https://doi.org/10.3390/logistics5040072.
Rejeb, A., Rejeb, K., Simske, S., Treiblmaier, H., 2021c. Drones umanitarii: una revisione è un agenda di ricerca. Internet di e Cose 16, 100434. https://doi.org/10.1016/j.
iot.2021.100434.
Rejeb, A., Treiblmaier, H., Rejeb, K., Zailani, S., 2021d. Ricerca di Blockchain in a salute: una rivista bibliometrica è tendenzi di ricerca attuale. J. di Dati, Inf. è
Manag. 3 (2), 109-124.
Rejeb, A., Simske, S., Rejeb, K., Treiblmaier, H., Zailani, S., 2020. Internet of Things Research in supply chain management and logistics: a bibliometric analysis. Internet
di e cose 12, 100318.
ReportLinker, 2021. U Mercatu Globale di Drones Agricole per ghjunghje à 15.2 miliardi di $ US da a Sala di News di YearGlobeNewswire. https://www.globenewswire.com/news-release/2021/08/10/2277986/0/en/Global-Agriculture-Drones-Market-to-Reach-US-15-2-Billion-by-the- Annu-2027.html.
Ribeiro-Gomes, K., Hernandez-L ´ opez, ´ D., Ortega, JF, Ballesteros, R., Poblete, T., Moreno, MA, 2017. Calibrazione è ottimisazione di a camera termica senza raffreddamentu
prucessu di fotogrammetria per l'applicazioni UAV in agricultura. Sensors (Svizzera) 17 (10). https://doi.org/10.3390/s17102173.
Rivera, MA, Pizam, A., 2015. Avanzate in a ricerca di l'ospitalità: "Da Rodney Dangerfield à Aretha Franklin". Int. J. Cuntimpuraniu. Hospital. Manag. 27 (3),
362–378. https://doi.org/10.1108/IJCHM-03-2014-0146.
Roldan, ´ JJ, Joossen, G., Sanz, D., Del Cerro, J., Barrientos, A., 2015. Sistema sensoriale basatu in Mini-UAV per a misurazione di variabili ambientali in serre. Sensori 15 (2), 3334–3350. https://doi.org/10.3390/s150203334.
Rozenberg, G., Kent, R., Blank, L., 2021. UAV di qualità di u cunsumu utilizatu per a rilevazione è l'analisi di mudelli di distribuzione spaziale di erbaccia di fine di stagione in i campi di cipolla cummerciale. Precisu. Agricu. 22 (4), 1317–1332. https://doi.org/10.1007/s11119-021-09786-y.
Saari, H., Pellikka, I., Pesonen, L., Tuominen, S., Heikkila, ¨ J., Holmlund, C., Makynen, ¨ J., Ojala, K., Antila, T., 2011. Unmanned Sistema di càmera spettrale operata da veiculi aerei (UAV) per applicazioni forestali è agriculi. Avanzate. SPIE - Int. Soc. Opt. Eng. 8174 https://doi.org/10.1117/12.897585.
Sah, B., Gupta, R., Bani-Hani, D., 2021. Analisi di e barriere per implementà a logistica di drone. Int. J. Logistu. Res. Appl. 24 (6), 531-550. https://doi.org/10.1080/
13675567.2020.1782862.
Saha, AK, Saha, J., Ray, R., Sircar, S., Dutta, S., Chattopadhyay, SP, & Saha, HN, drone basatu IOT per a migliione di a qualità di i culturi in u campu agriculu. In SH
N. Chakrabarti S. (Ed.), 2018 IEEE 8th Annual Computing and Communication Workshop and Conference, CCWC 2018 (Vols. 2018-January, pp. 612-615). Istitutu
di Electrical and Electronics Engineers Inc doi: 10.1109/CCWC.2018.8301662.
Sai Vineeth, KV, Vara Prasad, YR, Dubey, SR, Venkataraman, H., 2019. LEDCOM: una cumunicazione LED nova è efficiente per l'agricultura di precisione. IEEE Conf. Info. Cumunu. Tecnulugia. 2019, 1-5. https://doi.org/10.1109/CICT48419.2019.9066177.
Salamí, E., Barrado, C., Pastor, E., 2014. Esperimenti di volu UAV appiicati à u telesensing di i spazii vegetati. Remote Sensing 6 (11), 11051–11081. https://doi.org/10.3390/rs61111051.
Sankaran, S., Khot, LR, Espinoza, CZ, Jarolmasjed, S., Sathuvalli, VR, Vandemark, GJ, Miklas, PN, Carter, AH, Pumphrey, MO, Knowles, NRN, Pavek, MJ, 2015.
Sistemi d'imaghjini aerei à bassa altitudine è alta risoluzione per u fenotipamentu di i filari è di u campu: una rivista. Eur. J. Agron. 70, 112-123. https://doi.org/10.1016/j.
eja.2015.07.004.
Santesteban, LG, Di Gennaro, SF, Herrero-Langreo, A., Miranda, C., Royo, JB, Matese, A., 2017. L'imaghjini termale basati in UAV d'alta risoluzione per stima u
variabilità istantanea è stagionale di u statu di l'acqua di a pianta in una vigna. Agricu. Gestione di l'acqua. 183, 49-59. https://doi.org/10.1016/j.agwat.2016.08.026.
Sarli, CC, Dubinsky, EK, Holmes, KL, 2010. Oltre l'analisi di citazioni: Un mudellu per a valutazione di l'impattu di a ricerca. J. Med. Biblioteca Assoc. : JMLA 98 (1), 17–23. https://doi.org/10.3163/1536-5050.98.1.008.
Schaepman, ME, Ustin, SL, Plaza, AJ, Painter, TH, Verrelst, J., Liang, S., 2009. Spettroscopia d'imaghjini ligata à a scienza di u sistema di a Terra - una valutazione. Remote Sens. Environ. 113, S123-S137.
Schirrmann, M., Giebel, A., Gleiniger, F., Pflanz, M., Lentschke, J., Dammer, K.-H., 2016. Monitoring paràmetri agronomichi di i culturi di granu invernale cù UAV low-cost
imagine. Remote Sensing 8 (9). https://doi.org/10.3390/rs8090706.
Schmale III, DG, Dingus, BR, Reinholtz, C., 2008. Sviluppu è applicazione di un veìculu aereo autònumu senza pilota per un campionamentu aerobiologicu precisu sopra.
campi agriculi. 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.,
Permette l'agricultura di precisione per via di a sensazione integrata cù l'intelligenza artificiale. IEEE Trans. Instrum. Meas. 69 (7), 4103–4113.
Shakhatreh, H., Sawalmeh, AH, Al-Fuqaha, A., Dou, Z., Almaita, E., Khalil, I.,
Othman, NS, Khreishah, A., Guizani, M., 2019. Unmanned Aerial Vehicles (UAV): un sondaghju nantu à l'applicazioni civili è i sfidi di ricerca chjave. Accessu IEEE 7,
48572–48634. https://doi.org/10.1109/ACCESS.2019.2909530.
Shakoor, N., Northrup, D., Murray, S., Mockler, TC, 2019. Big data driven agriculture: big data analytics in plant breeding, genomica, è l'usu di telesensing.
tecnulugia per avanzà a produtividade di i culturi. Phenome Plant J. 2 (1), 1-8.
Sharma, BK, Chandra, G., Mishra, VP, 2019. Analisi cumparativa è Implicazione di UAV è AI in Investigazioni Forensic. In: Proceedings - 2019 Amity International
Cunferenza nantu à l'Intelligenza Artificiale. https://doi.org/10.1109/AICAI.2019.8701407.
Sharma, R., Shishodia, A., Gunasekaran, A., Min, H., Munim, ZH, 2022. U rolu di l'intelligenza artificiale in a gestione di a supply chain: cartografia di u territoriu. Int. J.
Prod. Res. 1-24. https://doi.org/10.1080/00207543.2022.2029611.
Shi, Y., Thomasson, JA, Murray, SC, Pugh, NA, Rooney, WL, Shafian, S., Rajan, N., Rouze, G., Morgan, CLS, Neely, HL, Rana, A., Bagavathiannan , MV,
Henrickson, J., Bowden, E., Valasek, J., Olsenholler, J., Bishop, MP, Sheridan, R., Putman, EB, Popescu, S., Burks, T., Cope, D., Ibrahim, A., McCutchen, BF,
Baltensperger, DD, Avant, RV, Vidrine, M., Yang, C., Zhang, J., 2016. Veiculi aerei senza pilotu per a ricerca agronomica è di fenotipazione high-throughput. PLoS ONE
11 (7), e0159781.
Shuai, G., Martinez-Feria, RA, Zhang, J., Li, S., Price, R., Basso, B., 2019. Capturendu l'eterogeneità di u stand di mais in e zoni di stabilità di rendiment cù l'Aereo Unmanned.
Veiculi (UAV). Sensors 19 (20), 4446. https://doi.org/10.3390/s19204446.
Small, H., 1973. Co-citazione in a literatura scientifica: una nova misura di a relazione trà dui ducumenti. J. Am. Soc. Info. Sci. 24 (4), 265-269.
Small, H., Rorvig, ME, Lunin, LF, 1999. Visualizing science by citation mapping. J. Am. Soc. Info. Sci. 50 (9), 799–813.
Soares, VHA, Ponti, MA, Gonçalves, RA, Campello, RJGB, 2021. Cuntamentu di u bestiame in natura cù l'imaghjini aeree geolocate in grandi spazii di pasture. Cumputu. Electron. Agricu. 189, 106354 https://doi.org/10.1016/j.compag.2021.106354.
Srivastava, K., Pandey, PC, Sharma, JK, 2020. Un approcciu per l'ottimisazione di e rotte in l'applicazioni di l'agricultura di precisione chì utilizanu UAV. Drones 4 (3), 58. https://doi.org/ 10.3390/drones4030058.
Stafford, JV, 2000. Implementazione di l'agricultura di precisione in u 21u seculu. J. Agric. Eng. Res. 76 (3), 267–275.
Su, J., Coombes, M., Liu, C., Guo, L., Chen, W.-H., 2018. Valutazione di a siccità di u granu da l'imaghjini di rilevazione remota utilizendu veiculi aerei senza pilota. In 2018 37th Chinese Control Conference (CCC).
Su, J., Liu, C., Coombes, M., Hu, X., Wang, C., Xu, X., Li, Q., Guo, L., Chen, W.-H., 2018. Monitoraghju di a ruggine gialla di granu imparendu da l'imaghjini aeree multispettrali UAV.
Cumputu. Electron. Agricu. 155, 157-166. https://doi.org/10.1016/j. compag.2018.10.017.
Su, Y., Wang, X., 2021. Innuvazione di a gestione ecunomica agricula in u prucessu di custruisce l'agricultura intelligente da big data. Computing sustenibile. Inf. Syst. 31, 100579 https://doi.org/10.1016/j.suscom.2021.100579.
Sullivan, DG, Fulton, JP, Shaw, JN, Bland, GL, 2007. Evaluazione di a sensibilità di un sistema aereu infrared termale senza equipaggiu per detectà u stress d'acqua in un canopy di cuttuni. Trans. ASABE 50 (6), 1955-1962.
Sumesh, KC, Ninsawat, S., Som-ard, J., 2021. Integrazione di l'indici di vegetazione basatu in RGB, u mudellu di superficia di culturi è l'approcciu di l'analisi di l'imaghjini basatu nantu à l'ughjettu per l'estimazione di u rendiment di a canna di zuccheru utilizendu veiculi aerei senza pilota. Cumputu. Electron. Agriculu. 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. Un sistema di cartografia iperspettrali ligeru per
veìculi aerei unmanned-i primi risultati. In: 2013 5th Workshop in Hyperspectral Image and Signal Processing: Evolution in Remote Sensing (WHISPERS), pp. 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. Un hyperspectral ligeru
sistema di mappatura è a catena di processazione fotogrammetrica per i veiculi aerei senza pilota. Remote Sensing 6 (11), 11013–11030. https://doi.org/10.3390/
rs61111013.
Syeda, IH, Alam, MM, Illahi, U., Su'ud, MM, 2021. Strategii di cuntrollu avanzatu chì utilizanu u processu di l'imaghjini, UAV è AI in agricultura: Una rivista. Mondu J. Eng. 18 (4),
579–589. https://doi.org/10.1108/WJE-09-2020-0459.
Tahai, A., Rigsby, JT, 1998. Trattamentu di l'infurmazioni cù citazioni per investigà l'influenza di u ghjurnale in a cuntabilità. Inf. Prucessu. Gestisce. 34 (2-3), 341-359.
Tang, Y., Dananjayan, S., Hou, C., Guo, Q., Luo, S., He, Y., 2021. Un sondaghju nantu à a reta 5G è u so impattu in l'agricultura: sfide è opportunità. Cumputu.
Electron. Agriculu. 180, 105895 https://doi.org/10.1016/j.compag.2020.105895.
Tantalaki, N., Souravlas, S., Roumeliotis, M., 2019. Data-driven decisione in l'agricultura di precisione: l'ascesa di big data in sistemi agriculi. J. Agric. Informazioni alimentari.
20 (4), 344-380.
Tao, H., Feng, H., Xu, L., Miao, M., Yang, G., Yang, X., Fan, L., 2020. Stima di u rendiment è l'altezza di a pianta di u granu invernale cù UAV- imagine iperspettrali basate.
Sensori 20 (4), 1231.
Techy, L., Schmale III, DG, Woolsey, CA, 2010. Sampling aerobiologicu coordinatu di un patogenu di a pianta in l'atmosfera inferjuri cù dui veiculi aerei autonomi senza pilota. 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. Detection and classification of soybean pesti using deep learning
cù l'imaghjini UAV. Cumputu. Electron. Agricu. 179, 105836.
Thamm, H.-P., Menz, G., Becker, M., Kuria, DN, Misana, S., Kohn, D., 2013. L'usu di Uas per Assessing Systems Agricultural in AN Wetland in Tanzania in u- È WetSeason per l'Agricoltura Sostenibile è furnisce a Verità Terra per Terra-Sar X Data. In: ISPRS - Archivi Internaziunali di Fotogrammetria, Remote Sensing and Spatial Information Sciences, pp 401-406. https://doi.org/10.5194/isprsarchivesXL-1-W2-401-2013.
Thelwall, M., 2008. Bibliometria à webometria. J. Info. Sci. 34 (4), 605-621.
Torres-Sanchez, ´ J., Lopez-Granados, ´ F., Pena, ˜ JM, 2015. Un metudu automaticu basatu nantu à l'ughjettu per u thresholding ottimali in l'imaghjini UAV: applicazione per a rilevazione di vegetazione in i culturi erbacei. Cumputu. Electron. Agriculu. 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. Monitoring 3-D high-throughput of agricultural-tree plantations with Tecnulugia di Veiculi Aerei Unmanned (UAV). PLoS ONE 10 (6), e0130479.
Torres-Sanchez, ´ J., Pena, ˜ JM, de Castro, AI, Lopez-Granados, ´ F., 2014. Cartografia multi-temporale di a frazione di vegetazione in i campi di granu di prima stagione utilizendu images da UAV. Cumputu. Electron. Agricu. 103, 104-113. https://doi.org/10.1016/j. compag.2014.02.009.
Tsouros, DC, Bibi, S., Sarigiannidis, PG, 2019. Una rivista nantu à l'applicazioni basate in UAV per l'agricultura di precisione. Infurmazioni (Svizzera) 10 (11). https://doi.org/10.3390/info10110349.
Tu, Y.-H., Phinn, S., Johansen, K., Robson, A., Wu, D., 2020. Ottimisazione di a pianificazione di u volu drone per a misurazione di a struttura di l'arbureti di l'orticultura. ISPRS J. Photogramm.
Remote Sens. 160, 83-96. https://doi.org/10.1016/j.isprsjprs.2019.12.006
Tzounis, A., Katsoulas, N., Bartzanas, T., Kittas, C., 2017. Internet di e cose in l'agricultura, avanzati recenti è sfide futuri. Biosist. Eng. 164, 31-48.
https://doi.org/10.1016/j.biosystemseng.2017.09.007.
Uddin, A., Singh, VK, Pinto, D., Olmos, I., 2015. Cartografia scientometrica di a ricerca di l'informatica in Messico. Scientometria 105 (1), 97-114.
UN., 2019. Perspettivi di a pupulazione mundiale 2019. https://population.un.org/wpp/ (Accessed on 15/04/2022).
Uto, K., Seki, H., Saito, G., Kosugi, Y., 2013. Caratterizazione di i rice paddies da un sistema di sensori iperspettrali in miniatura UAVmounted. IEEE J. Sel. Top. Appl. Earth Obs.
Remote Sens. 6 (2), 851-860. https://doi.org/10.1109/JSTARS.2013.2250921. van der Merwe, D., Burchfield, DR, Witt, TD, Price, KP, Sharda, A., 2020. Drones in
agricultura. Avv. Agron. 162, 1-30.
Velusamy, P., Rajendran, S., Mahendran, RK, Naseer, S., Shafiq, M., Choi, J.-G., 2022.
Veiculi Aerei Unmanned (UAV) in l'agricultura di precisione: applicazioni è sfide. Energies 15 (1), 217. https://doi.org/10.3390/en15010217.
Ventura, D., Bonifazi, A., Gravina, MF, Belluscio, A., Ardizzone, G., 2018. Mapping and classification of ecologically sensitive marine habitats using Unmanned Aerial
L'imaghjini di u Veiculu (UAV) è l'Analisi di l'Imagine Basata in Oggetti (OBIA). Remote Sensing 10 (9), 1331. https://doi.org/10.3390/rs10091331.
Verger, A., Vigneau, N., Ch´eron, C., Gilliot, J.-M., Comar, A., Baret, F., 2014. Indice di area verde da un sistema aereo senza pilota su culture di grano e colza . Remote Sens. Environ. 152, 654–664. https://doi.org/10.1016/j.rse.2014.06.006.
Von Bueren, SK, Burkart, A., Hueni, A., Rascher, U., Tuohy, MP, Yule, IJ, 2015. Implementazione di quattru sensori ottici basati in UAV nantu à a prateria: sfide è
limitazioni. Biogeoscienze 12 (1), 163-175. https://doi.org/10.5194/bg-12-163-2015.
Vuran, MC, Salam, A., Wong, R., Irmak, S., 2018. Internet di e cose sotterranee in l'agricultura di precisione: aspetti di l'architettura è di a tecnulugia. Rete Ad Hoc. 81,
160-173. https://doi.org/10.1016/j.adhoc.2018.07.017.
Wamba, SF, Queiroz, MM, 2021. Intelligenza artificiale rispunsevule cum'è ingredientu secretu per a salute digitale: analisi bibliometrica, insights, è direzzione di ricerca.
Info. Syst. Fronte. 1-16.
Wang, L., Zhang, G., Wang, Z., Liu, J., Shang, J., Liang, L., 2019. Analisi bibliometrica di a tendenza di ricerca di telesensing in u monitoraghju di a crescita di i culturi: Un studiu di casu in Cina. Remote Sensing 11 (7). https://doi.org/10.3390/rs11070809.
White, HD, Griffith, BC, 1981. Cocitazione di l'autore: Una misura di letteratura di struttura intellettuale. J. Am. Soc. Info. Sci. 32 (3), 163–171.
Xiang, H., Tian, L., 2011. Sviluppu di un sistema di telerilevamentu agriculu low-cost basatu annantu à un veiculu aereo senza pilotu (UAV). Biosist. Eng. 108 (2), 174-190. https://doi.org/10.1016/j.biosystemseng.2010.11.010.
Xie, C., Yang, C., 2020. Una rivista nantu à i tratti di fenotipamentu d'alta produzzione di a pianta cù sensori basati in UAV. Cumputu. Electron. Agriculu. 178, 105731 https://doi.org/10.1016/j.
compag.2020.105731.
Yao, H., Qin, R., Chen, X., 2019. Veiculu aereo senza pilotu per l'applicazioni di rilevazione remota - una rivista. Remote Sensing 11 (12). https://doi.org/10.3390/
rs11121443.
Yeom, S., 2021. Movimentu di a traccia di e persone è a rimozione di falsi traccia cù l'imaghjini termali infrared da un multirotore. Drones 5 (3), 65. https://doi.org/10.3390/drones5030065.
Yue, J., Feng, H., Jin, X., Yuan, H., Li, Z., Zhou, C., Yang, G., Tian, Q., 2018. Un paragone di l'estimazione di i paràmetri di culturi cù l'imaghjini da UAV muntatu
sensore iperspettrale di snapshot è camera digitale d'alta definizione. Remote Sensing 10 (7), 1138. https://doi.org/10.3390/rs10071138.
Yue, J., Yang, G., Li, C., Li, Z., Wang, Y., Feng, H., Xu, B., 2017. Stima di a biomassa sopra a terra di granu invernale utilizendu veiculi aerei senza pilota- snapshot basatu
sensori iperspettrali è mudelli di l'altezza di i culturi migliurati. Remote Sensing 9 (7). https://doi.org/10.3390/rs9070708.
Zahawi, RA, Dandois, JP, Holl, KD, Nadwodny, D., Reid, JL, Ellis, EC, 2015. Utilizendu veiculi aerei ligeri senza pilotu per monitorà a ricuperazione di a foresta tropicale. Biol.
cunserv. 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.
Piattaforma IoT per l'agricultura intelligente basata nantu à l'edge and cloud computing. Biosist. Eng. 177,
4-17.
Zarco-Tejada, PJ, Diaz-Varela, R., Angileri, V., Loudjani, P., 2014. Quantificazione di l'altitudine di l'arburu cù l'imaghjini d'alta risoluzione acquistati da una antenna senza pilotu.
veìculu (UAV) è metudi automaticu di foto-ricostruzione 3D. Eur. J. Agron. 55, 89-99. https://doi.org/10.1016/j.eja.2014.01.004.
Zhang, C., Craine, WA, McGee, RJ, Vandemark, GJ, Davis, JB, Brown, J., Hulbert, SH, Sankaran, S., 2020. Fenotipamentu basatu à l'imaghjini di l'intensità di fioritura in i culturi di stagione fresca. Sensors 20 (5), 1450. https://doi.org/10.3390/s20051450.
Zhang, C., Kovacs, JM, 2012. L'applicazione di sistemi aerei senza pilotu per l'agricultura di precisione: una rivista. Precisu. Agricu. 13 (6), 693–712. https://doi.org/
10.1007/s11119-012-9274-5.
Zhang, L., Zhang, H., Niu, Y., Han, W., 2019. Cartografia di u stress di l'acqua di mais basatu nantu à u teledetezzione multispettrali UAV. Remote Sensing 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. Un approcciu basatu in l'apprendimentu prufondu per a ruggine gialla automatizata
rilevazione di malatie da l'imaghjini UAV iperspettrali d'alta risoluzione. Remote Sensing 11 (13), 1554.
Zhao, X., Zhang, J., Huang, Y., Tian, Y., Yuan, L., 2022. Rilevazione è discriminazione di e malatie è u stress di l'insetti di e piante di tè cù l'imaghjini iperspettrali cumminati cù l'analisi wavelet. Cumputu. Electron. Agricu. 193, 106717 https://doi.org/10.1016/j. compag.2022.106717.
Zheng, A., Wang, M., Li, C., Tang, J., Luo, B., 2022. Entropia guidata adattazione di u duminiu avversariu per a segmentazione semantica di l'imaghjini aerei. IEEE Trans. G
Zheng, H., Cheng, T., Yao, X., Deng, X., Tian, Y., Cao, W., Zhu, Y., 2016. Rilevazione di fenologia di u risu attraversu l'analisi di serie temporale di spettri basati in terra. dati indici. Culture di Campu Res. 198, 131-139. https://doi.org/10.1016/j.fcr.2016.08.027.
Zheng, J., Yang, W., 2018. Disegnu di un sistema di sementa di fughe di l'agricultura di precisione basatu nantu à sensori wireless. Int. J. Online Eng. 14 (05), 184.
Zhou, L., Gu, X., Cheng, S., Yang, G., Shu, M., Sun, Q., 2020. Analisi di i cambiamenti di l'altezza di a pianta di mais allughjatu cù dati UAV-LiDAR. Agricultura 10 (5), 146. https://
doi.org/10.3390/agriculture10050146.
Zhou, S., Chai, X., Yang, Z., Wang, H., Yang, C., Sun, T., 2021. Maize-IAS: Un software di analisi di l'imaghjini di mais chì utilizanu l'apprendimentu prufondu per u fenotipamentu di e piante à altu rendiment. . Plant Methods 17 (1), 48. https://doi.org/10.1186/s13007-021-00747-0.
Zhou, X., Zheng, HB, Xu, XQ, He, JY, Ge, XK, Yao, X., Cheng, T., Zhu, Y., Cao, WX, Tian, YC, 2017. Predizione di u rendiment di granu in risu cù vegetazione multi-temporale
indici da immagini multispettrali è digitali basate in UAV. ISPRS J. Photogramm. Remote Sens. 130, 246-255. https://doi.org/10.1016/j.isprsjprs.2017.05.003.
Zhou, Y., Xie, Y., Shao, L., 2016. Simulazione di a tecnulugia di core di un sistema di monitorizazione di serra basatu nantu à una reta di sensori wireless. Int. J. Online Eng. 12 (05),
43.
Zhou, Z., Majeed, Y., Diverres Naranjo, G., Gambacorta, EMT, 2021. Evaluazione di u stress di l'acqua di i culturi cù l'imaghjini termali infrared in l'agricultura di precisione: una rivista
è prospettive future per l'applicazioni di apprendimentu profondu. Cumputu. Electron. Agricu. 182, 106019 https://doi.org/10.1016/j.compag.2021.106019.