Abderahman Réjeb a , Alireza Abdollahi b , Karim Réjeb c , Horst Treiblmaier d,
- a Jurusan Manajemén sareng Hukum, Fakultas Ékonomi, Universitas Roma Tor Vergata, Via Columbia, 2, Roma 00133, Italia
- b Jurusan Administrasi Bisnis, Fakultas Manajemén, Universitas Kharazmi, 1599964511 Teheran, Iran
- c Fakultas Élmu Bizerte, Universitas Carthage, Zarzouna, 7021 Bizerte, Tunisia
- d Sakola Manajemén Internasional, Modul Universitas Wina, Am Kahlenberg 1, 1190 Wina, Austria
INFO ARTIKEL | abstrak |
Konci: Drones UAV Tatanén presisi Internét tina ieu Hirup Bibliometrics | Drones, ogé disebut Unmanned Aerial Vehicles (UAV), parantos nyaksian pamekaran anu luar biasa dina dasawarsa ayeuna. Dina tatanén, maranéhna geus robah prakték tani ku nawiskeun patani tabungan ongkos badag, ngaronjat efisiensi operasional, sareng kauntungan anu langkung saé. Dina sababaraha dekade katukang, topik drones tatanén gaduh narik perhatian akademik anu luar biasa. Ku kituna urang ngalaksanakeun review komprehensif dumasar kana bibliometrics pikeun nyimpulkeun sareng nyusun literatur akademik anu aya sareng ngungkabkeun tren panalungtikan ayeuna sareng titik panas. Urang nerapkeun téknik bibliometric jeung nganalisis literatur sabudeureun drones tatanén pikeun nyimpulkeun na meunteun panalungtikan saméméhna. Analisis kami nunjukkeun yén sensing jauh, tatanén presisi, diajar jero, pembelajaran mesin, sareng Internet of Things mangrupikeun topik kritis anu aya hubunganana sareng drone pertanian. The co-cutatan analisis nembongkeun genep klaster panalungtikan lega dina literatur. Panaliti ieu mangrupikeun salah sahiji usaha munggaran pikeun nyimpulkeun panalungtikan drone dina tatanén sareng nyarankeun arah panalungtikan ka hareup. |
perkenalan
Tatanén ngawakilan sumber pangan utama dunya (Friha et al., 2021), sareng parantos nyanghareupan tangtangan anu parah kusabab
ningkatkeun paménta pikeun produk pangan, kaamanan pangan, sareng masalah kaamanan ogé nyauran panyalindungan lingkungan, pelestarian cai, sareng
kelestarian (Inoue, 2020). Pangwangunan ieu diprediksi bakal diteruskeun saprak populasi dunya diperkirakeun ngahontal 9.7 milyar dina taun 2050
(2019). Kusabab tatanén mangrupikeun conto konsumsi cai anu paling menonjol sacara global, diperkirakeun yén paménta pangan sareng cai.
konsumsi bakal nyirorot ngaronjat dina mangsa nu bakal datang foreseeable. Saterusna, ngaronjatna konsumsi pupuk jeung péstisida
ditambah ku intensifikasi kagiatan pertanian tiasa nyababkeun tangtangan lingkungan ka hareup. Nya kitu, lahan garapan diwatesan, jeung
Jumlah patani turun di sakuliah dunya. Tantangan ieu negeskeun kabutuhan pikeun solusi pertanian anu inovatif sareng lestari (Elijah
dkk., 2018; Friha dkk., 2021; Inoue, 2020; Tzounis et al., 2017).
Ngalebetkeun téknologi novél parantos diidentifikasi minangka solusi anu ngajangjikeun pikeun ngatasi tantangan ieu. pertanian pinter (Brewster et al.,
2017; Tang et al., 2021) sareng tatanén precision (Feng et al., 2019; Khanna & Kaur, 2019) parantos muncul salaku hasil tina debat sapertos kitu. The
baheula mangrupikeun anggapan umum pikeun ngadopsi téknologi komunikasi inpormasi (ICT) sareng inovasi canggih sanés dina kagiatan pertanian pikeun ningkatkeun efisiensi sareng efficacy (Haque et al., 2021). Panungtungan museurkeun kana manajemén situs-spésifik dimana lahan dibagi kana
bagian homogen, sarta unggal bagian meunang jumlah pasti input tatanén pikeun optimasi hasil pamotongan ku cara maké téknologi novel (Feng et al., 2019; Khanna & Kaur, 2019). Téknologi nonjol anu narik perhatian sarjana dina widang ieu kalebet Wireless Sensor Networks (WSNs) (J. Zheng & Yang, 2018; Y. Zhou et al., 2016), Internet of Things (IoT) (Gill et al., 2017; Anjeunna et al., 2021;
téhnik kecerdasan jieunan (AI), kaasup learning mesin jeung learning jero (Liakos et al., 2018; Parsaeian et al., 2020; Shadrin et al.,
2019), téknologi komputasi (Hsu et al., 2020; Jinbo et al., 2019; Zamora-Izquierdo et al., 2019), data gedé (Gill et al., 2017; Tantalaki
et al., 2019), sarta blockchain (PW Khan et al., 2020; Pincheira et al., 2021).
Salian téknologi anu disebatkeun di luhur, panginderaan jauh parantos dianggap alat téknologi anu poténsial pikeun ningkatkeun.
pinter jeung tatanén precision. Satelit, pesawat awak manusa, sareng drone mangrupikeun téknologi panginderaan jauh anu populér (Tsouros et al., 2019).
Drones, anu katelah Unmanned Aerial Vehicles (UAVs), Unmanned Aircraft Systems (UAS), sareng pesawat piloted jarak jauh, nyaéta
penting pisan sabab gaduh sababaraha kaunggulan dibandingkeun sareng téknologi pangindera jauh anu sanés. Contona, drones bisa nganteurkeun
gambar kualitas luhur sareng resolusi luhur dina dinten mendung (Manfreda et al., 2018). Ogé, kasadiaan sareng laju transferna mangrupikeun hal anu sanés
kauntungan (Radoglou-Grammatikis et al., 2020). Dibandingkeun sareng pesawat, drones éfisién pisan sareng gampang diatur sareng dijaga (Tsouros et al., 2019). Sanaos mimitina dianggo pikeun tujuan militér, drone tiasa nguntungkeun seueur aplikasi sipil, contona dina manajemén ranté suplai (A. Rejeb, Rejeb, et al., 2021a), pikeun tujuan kamanusaan (A. Rejeb, Rejeb, et al., 2021c), tatanén pinter, surveying jeung pemetaan, dokuméntasi warisan budaya, manajemen bencana, jeung konservasi leuweung jeung satwa (Panday, Pratihast, et al., 2020). Dina tatanén, wewengkon aplikasi manifold drones aya sabab bisa terpadu kalayan téknologi novel, kamampuhan komputasi, sarta sensor onboard pikeun ngarojong manajemen pamotongan (misalna pemetaan, monitoring, irigasi, diagnosis tutuwuhan) (H. Huang et al., 2021) , pangurangan bencana, sistem peringatan dini, satwa sareng konservasi kehutanan pikeun sababaraha nami (Negash et al., 2019). Nya kitu, drones tiasa dimanfaatkeun dina sababaraha kagiatan tatanén, kalebet ngawaskeun pamotongan sareng pertumbuhan, estimasi hasil, penilaian setrés cai, sareng weeds, hama, sareng deteksi panyakit (Inoue, 2020; Panday, Pratihast, et al., 2020). Henteu ngan ukur drone tiasa dianggo pikeun ngawaskeun, estimasi, sareng tujuan deteksi dumasar kana data indrawi, tapi ogé pikeun irigasi precision sareng jukut precision, hama, sareng manajemén panyakit. Istilah sanésna, drones tiasa menyemprot cai sareng péstisida dina jumlah anu tepat dumasar kana data lingkungan. Mangpaat drones dina tatanén diringkeskeun dina Tabel 1.
Mangpaat utama drones dina tatanén.
kauntungan | Rujukan |
Ningkatkeun temporal sareng spasial resolusi sensing | (Gago et al., 2015; Niu et al., 2020; Srivastava. et al., 2020) |
Ngagampangkeun tatanén precision | (L. Deng et al., 2018; Kalischuk et al., 2019; Maimaitijiang et al., 2017) |
Klasifikasi jeung kepanduan tina pepelakan | (Inoue, 2020; Kalischuk et al., 2019; Lopez-´ Granados dkk., 2016; Maimaitijiang et al., 2017; Melville dkk., 2019; Moharana & Dutta, 2016) |
Pamakéan pupuk | (L. Deng et al., 2018; Guan et al., 2019) |
Ngawas halodo | (Fawcett et al., 2020; Panday, Pratihast, et al., 2020; Sugan dkk., 2018) |
Estimasi biomassa | (Bendig dkk., 2014) |
estimasi ngahasilkeun | (Inoue, 2020; Panday, Shrestha, dkk., 2020; Tao et al., 2020) |
Pangurangan bencana | (Negash et al., 2019) |
Konservasi satwa sarta kehutanan | (Negash et al., 2019; Panday, Pratihast, et al., 2020) |
Evaluasi tekanan cai | (Inoue, 2020; J. Su, Coombes, dkk., 2018; L. Zhang et al., 2019) |
Hama, jukut, sareng panyakit detéksi | (Gaˇ sparovi'c et al., 2020; Inoue, 2020; J. Su, Liu, dkk., 2018; X. Zhang dkk., 2019) |
Di sisi anu sanés, drone ogé nyanghareupan watesan. Pilot involvement, kakuatan mesin, stabilitas jeung reliabilitas, kualitas sensor alatan payload
watesan beurat, waragad palaksanaan, jeung pangaturan aviation, diantarana (C. Zhang & Kovacs, 2012). Urang ngabandingkeun kakurangan
tina tilu téknologi sensing jauh mobile dina Table 2. Téknologi remote sensing séjén, kayaning sensor taneuh, saluareun fokus ulikan ieu.
Kakurangan tina rupa-rupa téknologi sensing jauh mobile.
Jauh pangersa téknologi | shortcomings | Rujukan |
Drone (UAV) | Partisipasi pilot; gambar' kualitas (rata-rata); waragad palaksanaan (rata-rata); stabilitas, maneuverability, jeung reliabiliti; standarisasi; kakuatan mesin; kakuatan kawates sumber (umur batré); durasi hiber kawates, tabrakan jeung cyberattacks; kawates beurat muatan; datasets badag jeung ngolah data kawates kamampuhan; kurangna pangaturan; kurangna kaahlian, asupna tinggi halangan pikeun aksés ka drones tatanén; | (Bacco et al., 2018; Dawaliby dkk., 2020; Hardin & Hardin, 2010; Hardin & Jensen, 2011; Lagkas et al., 2018; Laliberte dkk., 2007; Laliberte & Rango, 2011; Manfreda dkk., 2018, 2018; Nebiker dkk., 2008; Puri dkk., 2017; Velusamy et al., 2022; C. Zhang & Kovacs, 2012) |
satelit | Cakupan satelit périodik, resolusi spéktral kawates; kerentanan kana masalah pisibilitas (contona, awan); Henteu kasadiaan jeung speed mindahkeun low; orientasi jeung vignetting pangaruh data spasial ongkosna mahal kumpulan; pangiriman data slow waktos ka tungtung pamaké | (Aboutalebi et al., 2019; Cen dkk., 2019; Chen et al., 2019; Nansen & Elliott, 2016; Panday, Pratihast, dkk., 2020; Sai Vineeth et al., 2019) |
kapal udara | waragad nyoko tinggi; set-up pajeulit; waragad pangropéa; unavailability of dipercaya kapal terbang, géométri tina gambar; data henteu biasa akuisisi; kurangna kalenturan; kacilakaan deadly; data sénsor variasi alatan geter; masalah georeferencing | (Armstrong dkk., 2011; Atkinson et al., 2018; Barbedo & Koenigkan, 2018; Kovalev & Voroshilova, 2020; Suomalainen et al., 2013; Thamm et al., 2013) |
Salaku téknologi multidisiplin sareng multiguna dina tatanén, drone parantos ditalungtik tina sababaraha sudut pandang. Contona, sarjana geus nalungtik aplikasi drone dina tatanén (Kulbacki et al., 2018; Mogili & Deepak, 2018), kontribusi maranéhna pikeun tatanén precision (Puri et al., 2017; Tsouros et al., 2019), complementarity maranéhanana jeung lianna. téknologi mutakhir (Al-Thani et al., 2020; Dutta & Mitra, 2021; Nayyar et al., 2020; Saha et al., 2018), sareng kamungkinan pikeun ngamajukeun kamampuan navigasi sareng sensing (Bareth et al. , 2015; Suomalainen et al., 2014). Kusabab panalungtikan ngeunaan aplikasi drone dina tatanén parantos janten kaprah (Khan et al., 2021)), peryogi nyimpulkeun literatur anu masih aya sareng ngungkabkeun struktur intelektual domain. Salajengna, salaku widang téknologi tinggi sareng perbaikan kontinyu, ulasan terstruktur kedah dilakukeun pikeun périodik nyimpulkeun literatur anu masih aya sareng ngaidentipikasi sela panalungtikan anu penting. Ka
Tanggal, aya sababaraha ulasan anu ngabahas aplikasi drone dina sektor pertanian. Contona, Mogili and Deepak (2018) review sakeudeung implikasi drones 'pikeun monitoring pamotongan jeung nyemprot péstisida. Inoue (2020) ngalaksanakeun ulasan ngeunaan panggunaan satelit sareng drone dina sensing jauh dina tatanén. Panulis ngajalajah tantangan téknologi pikeun ngadopsi pertanian pinter sareng kontribusi satelit sareng drone dumasar kana studi kasus sareng prakték pangsaéna. Tsouros et al. (2019) nyimpulkeun sababaraha jinis drone sareng aplikasi utami na dina tatanén, nyorot sababaraha cara akuisisi sareng ngolah data. Nu leuwih anyar, Aslan et al. (2022) ngalaksanakeun tinjauan komprehensif ngeunaan aplikasi UAV dina kagiatan pertanian sareng negeskeun relevansi lokalisasi sakaligus sareng pemetaan pikeun UAV di rumah kaca. Diaz-Gonzalez et al. (2022) reviewed studi panganyarna ngeunaan produksi ngahasilkeun pamotongan dumasar kana téhnik mesin learning béda jeung jauh
sistem sensing. Papanggihan maranéhanana nunjukkeun yén UAVs mangpaat pikeun estimasi indikator taneuh jeung outperform sistem satelit dina watesan resolusi spasial, temporality informasi, sarta kalenturan. Basiri et al. (2022) ngadamel tinjauan lengkep ngeunaan rupa-rupa pendekatan sareng metode pikeun ngatasi tantangan perencanaan jalur pikeun UAV multi-rotor dina konteks tatanén precision. Leuwih ti éta, Awais et al. (2022) nyimpulkeun aplikasi data sensing jauh UAV dina pepelakan pikeun ngira-ngira status cai sareng nyayogikeun sintésis anu jero ngeunaan kapasitas prospektif UAV remote sensing pikeun aplikasi setrés waster. Tungtungna, Aquilani et al. (2022) marios téknologi tatanén prévisi anu diterapkeun dina sistem peternakan dumasar pasture sareng nyimpulkeun yén sensing jauh anu diaktipkeun ku UAV nguntungkeun pikeun penilaian biomassa sareng manajemén ternak.
Ogé, usaha pikeun ngagunakeun UAV dina ngawaskeun, nyukcruk, sareng ngumpulkeun ternak parantos dilaporkeun nembe.
Sanajan ulasan ieu ngahasilkeun wawasan anyar jeung penting, euweuh review komprehensif sarta up-to-date dumasar kana bibliometrics bisa kapanggih dina literatur, nu presents a gap pangaweruh jelas. Leuwih ti éta, éta geus nyatakeun yén nalika produksi ilmiah tumuwuh dina domain ilmiah, éta janten vital pikeun peneliti ngagunakeun pendekatan review kuantitatif pikeun ngarti struktur pangaweruh domain (Rivera & Pizam, 2015). Nya kitu, Ferreira et al. (2014) pamadegan yén salaku widang panalungtikan dewasa sarta jadi intricate, sarjana kedah Tujuan ka kalana ngartos pangaweruh dihasilkeun sarta amassed pikeun nembongkeun kontribusi anyar, nangkep tradisi panalungtikan sarta tren, ngaidentipikasi topik nu diulik, sarta delve kana struktur pangaweruh ngeunaan. widang jeung arah panalungtikan poténsial. Nalika Raparelli sareng Bajocco (2019) ngalaksanakeun analisa bibliometrik pikeun nguji domain pangaweruh ngeunaan aplikasi drone dina tatanén sareng kehutanan, panilitianna ngan ukur nganggap panalungtikan ilmiah anu diterbitkeun antara 1995 sareng 2017, anu henteu ngagambarkeun dinamika daérah anu gancang-gancang ieu. Salajengna, pangarang teu nyobian pikeun ngaidentipikasi kontribusi paling boga pangaruh dina widang, cluster literatur, sarta evaluate struktur inteléktual ngagunakeun analisis co-cutatan. Hasilna, perlu nyimpulkeun literatur pikeun nembongkeun fokus panalungtikan ayeuna, tren, sareng titik panas.
Pikeun ngeusian gap pangaweruh ieu, urang ngungkit metodologi kuantitatif jeung métode bibliometric rigorous pikeun nalungtik kaayaan panalungtikan ayeuna di simpang drones jeung tatanén. Urang ngajawab yén ulikan ayeuna ngajadikeun sababaraha kontribusi kana literatur aya ku examining hiji téhnologi munculna nu kacida diperlukeun dina tatanén sabab nyadiakeun poténsi rongkah pikeun ngarobah sababaraha aspék dina sektor ieu. Kabutuhan pikeun analisa bibliométri tina drones tatanén dirasakeun langkung-langkung upami dipasihan pangaweruh anu sumebar sareng fragméntasi dina drone dina kontéks tatanén. Nya kitu, literatur anu aya hubunganana sareng drone pertanian kedah dikelompokeun sacara sistematis, nimbangkeun kajian anu paling berpengaruh anu ngawangun pondasi lapangan ieu panalungtikan. Mérit dina analisis ogé ngawengku klarifikasi téma utama panalungtikan digambarkeun dina karya sastra. Mertimbangkeun poténsi transformasi téknologi, kami negeskeun yén analisa jaringan anu jero ngahasilkeun wawasan novél ku cara nangtoskeun karya anu berpengaruh sareng ngungkabkeun téma ngeunaan poténsi drones pikeun tatanén.
Ku kituna urang narékahan pikeun ngahontal tujuan panalungtikan di handap ieu:
- Idéntifikasi publikasi pangaruh kalayan kontribusi anu luar biasa pikeun aplikasi drone dina widang tatanén.
- Clustering literatur, idéntifikasi fokus panalungtikan, sarta pemetaan tina studi 'struktur intelektual' utama dumasar kana kamiripan semantik ku ngagunakeun analisis co-citation.
- Pamahaman ngeunaan évolusi beungkeut sareng jaringan kutipan dina waktosna diantara rupa-rupa publikasi dina widang sareng idéntifikasi arah panalungtikan kahareup sareng topik anu panas.
Sesa makalah disusun saperti kieu: bagian 2 outlines metodologi jeung léngkah ngumpulkeun data; bagian 3 nyadiakeun hasil analisis; jeung bagian 4 ngabahas papanggihan jeung menyimpulkan kalawan kontribusi panalungtikan, implikasi, jeung arah hareup.
métodologi
Dina ulikan panilitian ayeuna, urang ngalaksanakeun analisa bibliometrik pikeun ngajalajah aplikasi drone dina tatanén. Pendekatan kuantitatif ieu ngungkabkeun struktur intelektual domain pangaweruh (Arora & Chakraborty, 2021) sareng status ayeuna, topik panas, sareng arah panalungtikan kahareup anu tiasa ditalungtik ku cara nerapkeun metode ieu (Kapoor et al., 2018; Mishra et al. , 2017; A. Rejeb, Rejeb, dkk., 2021b; Sacara umum, analisis bibliometric nalungtik literatur anu masih aya pikeun nyimpulkeun sareng nyimpulkeun pola komunikasi tinulis anu disumputkeun sareng évolusi disiplin dumasar kana statistik sareng metode matematika, sareng éta manglaku ka set data ageung (Pritchard, 2021; Leutik, 2020; Tahai & Rigsby). , 1969). Ku ngagunakeun bibliometrics, urang aspire kana hadé ngartos paradigma aya na foci panalungtikan anu nyumbang kana domain dumasar kana kasaruaan (Thelwall, 1999). Bibliometrics nyadiakeun wawasan anyar dirojong ku kakuatan kuantitatif obyektif metodologi (Casillas & Acedo, 1998). Seueur sarjana sateuacana ngalaksanakeun studi bibliometric dina domain anu aya hubunganana, kalebet tatanén, sensing jauh, sareng transformasi digital (Armenta-Medina et al., 2008; Bouzembrak et al., 2007; A. Rejeb, Treiblmaier, et al., 2020; Wamba & Queiroz, 2019; Wang et al., 2021).
Analisis cutatan
Analisis kutipan nembongkeun rupa-rupa wawasan kana widang panalungtikan anu dipasihkeun. Anu mimiti, éta ngabantosan pikeun ngungkabkeun pangarang sareng publikasi anu paling berpengaruh anu nyumbang kana widang panalungtikan anu dipasihkeun sareng ngadamel dampak anu signifikan (Gundolf & Filser, 2013). Bréh, aliran pangaweruh jeung hubungan komunikasi antara pangarang bisa uncovered. Tungtungna, ku ngalacak tautan antara karya anu dicutat sareng anu disebatkeun, anjeun tiasa ngajalajah parobihan sareng évolusi domain pangaweruh kana waktosna (Pournader).
dkk., 2020). Nomer kutipan anu luhur tina publikasi ngagambarkeun relevansi sareng kontribusi anu ageung kana domain panalungtikan (Baldi, 1998; Gundolf & Filser, 2013; Marinko, 1998). Analisis kutipan publikasi ogé ngabantosan pikeun ngaidentipikasi karya anu relevan sareng ngalacak popularitas sareng kamajuanana dina waktosna.
Dokumén analisis co-cutatan
Analisis ko-kutipan mangrupikeun metode anu berharga pikeun ngajalajah hubungan antara publikasi sareng ngagambarkeun struktur intelektual lapangan (Nerur et al., 2008). Kalayan kecap sanésna, ku cara ngidentipikasi publikasi anu paling sering dicutat sareng sambunganna, metode ngagolongkeun publikasi kana klaster panalungtikan anu béda dimana publikasi dina klaster rutin ngabagi ideu anu sami (McCain, 1990; Leutik, 1973). Penting pikeun disebatkeun yén kamiripan henteu hartosna yén hasil tina publikasi
cohesive tur akur jeung silih; publikasi milik klaster sarua alatan kamiripan topik, tapi maranéhna bisa mibanda sudut pandang contradicting.
pendataan sarta analisis
Nuturkeun metodologi anu diusulkeun ku White and Griffith (1981), kami ngalaksanakeun panéangan komprehensif ngeunaan artikel jurnal pikeun nutupan sakabéh domain panalungtikan aplikasi drone dina tatanén, ngiringan lima léngkah ieu:
- Léngkah munggaran nya éta ngumpulkeun data. Scopus kapilih minangka salah sahiji basis data anu paling komprehensif sareng dipercaya kalayan hasil standar. Meta-data publikasi anu aya hubunganana sareng sadaya aplikasi drone dina tatanén dicandak. Teras urang nganalisa artikel anu dipilih, ngaleungitkeun artikel luar topik tina analisis.
- Urang nganalisa literatur sareng ngaidentipikasi kecap konci anu paling penting anu dianggo dina daérah panalungtikan.
- Ngagunakeun analisis kutipan, urang ngajajah sambungan antara pangarang jeung dokumén pikeun nembongkeun pola citation kaayaan. Kami ogé ngaidentipikasi pangarang sareng publikasi anu paling berpengaruh kalayan kontribusi anu signifikan kana widang drone pertanian.
- Kami ngalaksanakeun analisis ko-kutipan pikeun ngagolongkeun publikasi anu sami kana klaster.
- Tungtungna, urang nganalisis sambungan sareng hubungan antara nagara, lembaga, sareng jurnal pikeun ngagambarkeun jaringan kolaborasi.
Idéntifikasi istilah pilarian luyu
Urang nerapkeun string pilarian di handap pikeun aggregation data: (drone* ATAWA "unmanned aerial vehicle" ATAWA uav * ATAWA "unmanned airrcraf system” ATAWA uas ATAWA "pesawat jarak jauh piloted”) AND (tatanén ATAWA tatanén ATAWA tani ATAWA tani). Pilarian dilaksanakeun dina bulan Séptémber 2021. Drones gaduh sababaraha sebutan, kalebet UAV, UAS, sareng pesawat pilot jarak jauh (Sah et al., 2021). Istilah pilarian husus patali tatanén anu dicirikeun dumasar kana ulikan ngeunaan Abdollahi et al. (2021). Demi kajelasan jeung transparansi, query pasti kami dipaké dirumuskeun dina Appendix 1. Saatos prosés beberesih data, urang dijieun file téks nu ieu salajengna dimuat kana BibExcel, alat umum pikeun cutatan jeung analisis ko-cutatan. Alat ieu ogé nawiskeun interaksi saderhana sareng parangkat lunak sanés sareng nawiskeun tingkat kabébasan anu signifikan dina penanganan sareng analisa data. VOSviewer Vérsi 1.6.16 ieu dipaké pikeun visualize papanggihan jeung ngahasilkeun jaringan bibliometric (Eck & Waltman, 2009). VOSviewer nawiskeun sajumlah visualisasi intuitif, khususna pikeun nganalisis peta bibliometrik (Geng et al., 2020). Saterusna, éta mantuan dina nyadiakeun hasil visual polos nu mantuan dina hadé ngartos hasilna (Abdollahi et al., 2021). Nerapkeun string pilarian sakumaha disebutkeun di luhur, urang ngumpul jeung disimpen sagala publikasi relevan. Hasil pamilarian munggaran ngahasilkeun jumlahna aya 5,085 dokumén. Pikeun mastikeun kualitas sampel nu dipilih, ngan artikel jurnal peer-reviewed dianggap dina panalungtikan, hasilna pangaluaran tipe dokumén lianna, kayaning buku, bab, cara ngagawe konferensi, jeung catetan redaksi. Salila prosés saringan, teu relevan (nyaéta, saluareun ruang lingkup karya ieu), kaleuleuwihan (nyaéta, duplikat anu asalna tina indéks ganda), sareng publikasi anu henteu nganggo basa Inggris disaring. Prosés ieu nyababkeun 4,700 dokumén dina analisis ahir.
Papanggihan jeung diskusi
Pikeun ngamimitian, urang nganalisis kamajuan dina kaluaran publikasi dina literatur ayeuna ngeunaan drones tatanén. Distribusi temporal panalungtikan ilmiah ditémbongkeun dina Gbr. 1. Urang ningali kanaékan gancang dina publikasi ti taun 2011 (30 publikasi) onward; kituna, urang mutuskeun pikeun dibeulah jaman analisis kana dua tahap béda. Urang tingal periode antara 1990 jeung 2010 salaku tahap ngawangun-up, nu kungsi kasarna tujuh makalah diterbitkeun taunan. Periode pasca-2010 parantos disebut tahap kamekaran saprak panalungtikan ngeunaan aplikasi drone dina tatanén nyaksian lonjakan éksponénsial dina waktos ieu. Saatos 2010, paningkatan jumlah publikasi negeskeun minat anu ningkat diantara panaliti, anu ogé nunjukkeun yén drones parantos diterapkeun kana sensing jauh sareng dianggo dina tatanén precision (Deng et al., 2018; Maes & Steppe, 2019; Messina & Modica, 2020). ). Husus, jumlah publikasi naék tina 108 dina 2013 ka 498 di 2018 sareng puncakna di 1,275 dina 2020. Jumlahna aya 935 artikel diterbitkeun antara Januari jeung pertengahan September 2021. Salajengna, urang milih pikeun museurkeun analisis urang leuwih dina tahap tumuwuhna. saprak jaman ieu ngagambarkeun subtleties panganyarna jeung penting tina drones tatanén.
Analisis kecap konci
Kecap konci anu dipilih pangarang pikeun publikasi gaduh dampak anu penting dina kumaha makalah diwakilan sareng kumaha komunikasina dina komunitas ilmiah. Aranjeunna ngaidentipikasi subjék konci panalungtikan sareng nangtoskeun poténsina pikeun mekar atanapi gagal (Day & Gastel, 1998.; Kim et al., 2016; Uddin et al., 2015). Analisis kecap konci, alat pikeun nembongkeun tren panalungtikan anu langkung lega sareng arah, ngarujuk kana kompilasi kecap konci sadaya publikasi anu aya hubunganana dina domain (Dixit & Jakhar, 2021). Dina ulikan ayeuna, urang dibagi kecap konci aggregated kana dua sét (ie, nepi ka 2010 jeung 2011-2021) pikeun ngajajah jejer nu pang populerna. Ku ngalakukeun ieu, urang tiasa ngalacak kecap konci anu penting dina dua set sareng ngajamin yén urang ngarebut sadaya data anu diperyogikeun. Pikeun unggal set, luhureun sapuluh kecap konci dibere dina Table 3. Urang ngaleungitkeun inconsistencies ku merging kecap konci semantically idéntik, kayaning "drone" jeung "drones" atawa, kitu ogé, "Internet of Things" jeung "IoT.".
Méja 3 nunjukkeun yén "kandaraan hawa tanpa awak" mangrupikeun kecap konci anu langkung sering dianggo dibandingkeun sareng "drone" sareng "sistem hawa tanpa awak" dina dua période waktos. Ogé, "panginderaan jauh," "pertanian presisi," sareng "pertanian" rengking pisan dina dua période. Dina période kahiji, "tatanén precision" rengking kalima, sarta éta rengking kadua dina période kadua, nu illustrates kumaha drones jadi beuki penting dina achieving tatanén precision sabab bisa nyieun monitoring,
deteksi, sareng estimasi prakték langkung gancang, langkung mirah, sareng langkung gampang dilaksanakeun dibandingkeun sareng sistem panginderaan jauh sareng dumasar taneuh. Ogé, aranjeunna tiasa menyemprot jumlah input anu tepat (contona, cai atanapi péstisida) upami diperyogikeun (Guo et al., 2020; Inoue, 2020; Panday, Pratihast, et al., 2020).
Daptar kecap konci anu paling sering dianggo.
pangkat | 1990-2010 | No kajadian | 2011-2021 | No kajadian |
1 | hawa unmanned tutumpakan | 28 | teu dikendal kandaraan hawa | 1628 |
2 | sensing jauh | 7 | katalitian pertanian | 489 |
3 | pertanian | 4 | sensing jauh | 399 |
4 | hawa udara | 4 | drone | 374 |
5 | katalitian pertanian | 4 | teu dikendal sistem hawa | 271 |
6 | hawa unmanned | 4 | pertanian | 177 |
7 | hyperspectral sensor | 3 | learning jero | 151 |
8 | saraf jieunan jaringan | 2 | mesin learning | 149 |
9 | hiber otonom | 2 | vegetasi dina daptar eusi | 142 |
10 | kopi | 2 | Internét tina hal | 124 |
Fitur séjén anu pikaresepeun nyaéta ayana téknologi pelengkap. Dina tahap kahiji, "Sénsor Hiperspektral" sareng "jaringan saraf jieunan" (ANN) mangrupikeun sapuluh kecap konci anu paling luhur. Pencitraan Hyperspectral ngarobih pencitraan tradisional ku cara ngumpulkeun sajumlah ageung gambar dina rupa-rupa panjang gelombang. Dina ngalakukeun kitu, sénsor sakaligus tiasa ngumpulkeun inpormasi spasial sareng spéktral anu langkung saé dibandingkeun sareng pencitraan multispektral, spéktroskopi, sareng citra RGB (Adao ˜ et al.,
2017). Kajadian "ANN" dina tahap kahiji sareng "pembelajaran jero" (DL) sareng "pembelajaran mesin" (ML) dina tahap kadua nunjukkeun yén kalolobaan karya diterbitkeun fokus kana pamariksaan poténsi téhnik AI pikeun drone- tatanén dumasar. Sanajan drones sanggup ngapung otonom, aranjeunna tetep merlukeun involvement pilot, nu ngakibatkeun tingkat low kecerdasan alat. Nanging, masalah ieu tiasa direngsekeun kusabab kamajuan téknik AI, anu tiasa masihan kasadaran situasional anu langkung saé sareng dukungan kaputusan otonom. Dilengkepan AI, drone tiasa ngahindarkeun tabrakan nalika navigasi, ningkatkeun manajemén taneuh sareng pepelakan (Inoue, 2020), sareng ngirangan tenaga kerja sareng setrés pikeun manusa (BK Sharma et al., 2019).
Kusabab kalenturan sareng kamampuanana pikeun nanganan sajumlah ageung data nonlinier, téknik AI mangrupikeun metode anu cocog pikeun nganalisis data anu dikirimkeun ku drone sareng sistem panginderaan jauh sareng taneuh anu sanés pikeun prediksi sareng pembuatan kaputusan (Ali et al., 2015; Inoue, 2020). Saterusna, ayana "IoT" dina periode kadua nunjukkeun peran na munculna dina tatanén. IoT ngarobihkeun tatanén ku cara ngahubungkeun téknologi sanés, kalebet drone, ML, DL, WSN, sareng data ageung. Salah sahiji kauntungan konci pikeun ngalaksanakeun IoT nyaéta kamampuan pikeun ngahijikeun sababaraha pancén sacara épisién sareng efektif (akuisisi data, analisa sareng pamrosésan data, pengambilan kaputusan, sareng palaksanaan) dina waktos nyata (Elijah et al., 2018; Feng et al. , 2019; Muangprathub et al., 2019). Saterusna, drones dianggap alat efisien keur nangkep data diperlukeun keur ngitung vigor vegetasi sarta sipat vegetasi (Candiago et al., 2015). Gbr. 2a jeung 2b ngagambarkeun kecap konci jaringan ko-kajadian pikeun duanana période waktu.
Pangarang nu boga pangaruh
Dina bagian ieu, urang nangtukeun pangarang boga pangaruh jeung nalungtik kumaha jaringan rujukan pangarang bisa visualize jeung ngatur literatur ayeuna. Gbr. 3 nembongkeun overlay kronologis sadaya peneliti kalawan jumlah pangluhurna citations. Skala warna ngagambarkeun variasi taun-wijaksana kutipan pangarang. Urang nalungtik struktur cutatan peneliti anu diterbitkeun studi on drones tatanén ku ngagunakeun bangbarung tina minimum 50 citations sarta sapuluh publikasi. Kaluar tina
12,891 pangarang, ngan 115 papanggih kaayaan ieu. Méja 4 daptar sapuluh pangarang anu paling berpengaruh, diurutkeun dumasar jumlah maksimum kutipan. Lopez- Granados F. mingpin daptar kalawan 1,963 citations, dituturkeun ku Zarco-Tejada PJ kalawan 1,909 citations.
Daptar pangarang anu paling sering dicutat.
ranking | nu ngarang | citations |
1 | Lopez-Granados ´ F. | 1,963 |
2 | Zarco-Tejada PJ | 1,909 |
3 | Pena ˜ JM | 1,644 |
4 | Torres-S' ancik J. | 1,576 |
5 | Fereres E | 1,339 |
6 | Remondino F | 1,235 |
7 | Bolten A | 1,160 |
8 | Barét G | 1,155 |
9 | Berni JA | 1,132 |
10 | de Castro AI | 1,036 |
Nalika ngeunaan publikasi individu, tulisan Zhang and Kovacs (2012) mangrupikeun kajian anu paling dicutat diterbitkeun dina Precision Agriculture. Di dieu, panulis marios aplikasi UAS dina tatanén precision. Papanggihan panalungtikan maranéhanana nunjukkeun yén aya kabutuhan pikeun ngamajukeun desain platform, produksi, standarisasi georeferencing gambar, sarta workflow dimeunangkeun informasi pikeun nyadiakeun patani produk tungtung dipercaya. Salaku tambahan, aranjeunna nyarankeun ngalibetkeun patani anu langkung kuat, khususna dina perencanaan lapangan, néwak gambar, ogé interpretasi sareng analisa data. Anu penting, ulikan ieu mangrupikeun anu munggaran nunjukkeun pentingna UAV dina pemetaan lapangan, pemetaan vigor, pangukuran kandungan kimia, pangimeutan setrés vegetasi, sareng evaluasi pangaruh pupuk dina kamekaran pepelakan. Tantangan anu aya hubunganana sareng téknologi ogé kalebet biaya anu ngalarang, kamampuan sensor, stabilitas sareng reliabilitas platform, kurangna standarisasi, sareng prosedur anu konsisten pikeun nganalisis jumlah data anu ageung.
Analisis cutatan
Analisis cutatan ngagambarkeun ulikan ngeunaan pangaruh artikel, sanajan rawan aliran (misalna bias cutatan, timer cutatan) dianggap salah sahiji instrumen standar pikeun évaluasi dampak (Osareh, 1996; A. Rejeb et al., 2022; Sarli et al., 2010). Citations ogé ngagambarkeun pentingna jeung vitalitas kontribusi makalah 'ka literatur dina topik husus (R. Sharma et al., 2022). Kami ngalaksanakeun analisa kutipan pikeun nangtukeun studi anu paling berpengaruh dina drones tatanén sareng nyimpulkeun eusina. Tabél 5 nampilkeun daptar lima belas makalah anu paling berpengaruh pikeun période 1990-2010 sareng 2011-2021. Tulisan ku Berni et al. (2009)b sareng Austin (2010) paling sering dicutat salami 1990 sareng 2010, masing-masing kalayan 831 sareng 498 kutipan. Berni et al. (2009) b ngagambarkeun poténsi pikeun ngembangkeun produk remotesensing kuantitatif via UAV dumasar-helikopter outfitted kalawan affordable termal tur narrowband sensor Imaging multispectral. Dibandingkeun sareng sénsor airborne tradisional, sistem UAV béaya rendah pikeun tatanén tiasa ngahontal estimasi sabanding tina parameter biofisik pepelakan, upami henteu langkung saé. Biaya anu terjangkau sareng kalenturan operasional, sareng résolusi spéktral, spasial, sareng temporal anu luhur anu sayogi dina waktos anu gancang, ngajantenkeun UAV cocog pikeun sauntuyan aplikasi anu meryogikeun manajemén kritis waktos, kalebet jadwal irigasi, sareng pertanian presisi. Makalah ti Berni et al. (2009)b dicutat pisan sabab sacara efektif ngahijikeun platform jangjang puteran anu teu aya awak sareng sensor digital sareng termal sareng mékanisme kalibrasi anu dipikabutuh pikeun aplikasi pertanian. Publikasi anu paling sering dicutat kadua nyaéta buku anu dikarang ku Austin (2010), anu ngabahas UAV tina sudut pandang desain, pamekaran, sareng panyebaran. Dina tatanén, UAVs ngarojong monitoring pamotongan ku detecting kasakit mimiti ngaliwatan parobahan warna pamotongan, facilitating pamotongan sowing jeung nyemprot, sarta monitoring sarta nyetir gerombolan.
Studi ngeunaan Sullivan et al. (2007), Lumme et al. (2008), jeung Gokto ¨ ǧan et al. (2010) ngabéréskeun daptar lima belas tulisan anu paling sering dicutat. Artikel ieu ngagambarkeun ngembangkeun sistem basis UAV pikeun ngarojong tatanén. Aranjeunna nawiskeun solusi pikeun sagala rupa masalah, sapertos ngawaskeun sareng panyeken pamotongan, panjagaan sareng manajemén gulma, sareng dukungan kaputusan. Éta ogé nyarankeun sareng ngabahas kamampuan UAV pikeun ningkatkeun efisiensi sampling sareng ngabantosan patani dina nyiptakeun akurat sareng efektif.
strategi penanaman. Dua makalah anu dikarang ku Berni (Berni et al., 2009b; Berni et al., 2009a), underscoring dampak signifikan-Na dina panalungtikan drone patali tatanén. Tulisan ti Zarco-Tejada et al. (2014) geus diantara studi pioneering pikeun ngagambarkeun kudu ngagunakeun béaya rendah UAV imagery dina kuantitas jangkungna tangkal.
Daptar publikasi paling dicutat.
pangkat | Ti 1990 ka 2010 | Ti 2011 ka 2021 | ||
surat penting | nyalukan | surat penting | nyalukan | |
1 | (Berni dkk., 2009b) | 831 | (C. Zhang & Kovacs, 2012) | 967 |
2 | (Austin, 2010) | 498 | (Nex & Remondino, 2014) | 893 |
3 | (Hunt et al., 2010) | 331 | (Floreano & Wood, 2015) | 552 |
4 | (SR Herwitz et al., 2004) | 285 | (Hossein Motlagh et al., 2016) | 391 |
5 | (CCD Lelong et al., 2008) | 272 | (Shakhatreh et al., 2019) | 383 |
6 | (Berni dkk., 2009b) | 250 | (Ma et al., 2017) | 373 |
7 | (Grenzdorfer ¨ et al., 2008) | 198 | (Bendig dkk., 2014) | 360 |
8 | (Hrabar dkk., 2005) | 175 | (Zarco-Tejada et al., 2014) | 347 |
9 | (Y. Huang dkk., 2009) | 129 | (Ad˜ et al., 2017) | 335 |
10 | (Schmale III et al., 2008) | 119 | (Honkavaara et al., 2013) | 331 |
11 | (Abd-Elrahman et al., 2005) | 79 | (Candiago et al., 2015) | 327 |
12 | (Techy et al., 2010) | 69 | (Xiang & Tian, 2011) | 307 |
13 | (Sullivan dkk., 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 |
Dina période kadua (2011-2021), panilitian Zhang and Kovacs (2012) sareng Nex and Remondino (2014) ngahasilkeun publikasi anu paling sering dicutat. Zhang jeung Kovacs (2012) ngajawab yén tatanén precision bisa nguntungkeun tina nerapkeun téknik geospasial jeung sensor, kayaning sistem informasi geografis, GPS, sarta sensing jauh, pikeun moto variasi dina widang jeung nanganan aranjeunna ku employing strategi alternatif. Salaku game-changer dina tatanén precision, nyoko drones geus heralded jaman anyar dina sensing jauh, nyederhanakeun observasi hawa, néwak data tumuwuhna pamotongan, kaayaan taneuh, sarta wewengkon nyemprot. Tinjauan ngeunaan Zhang and Kovacs (2012) nyaéta mani sabab nawiskeun wawasan kana UAV ku ngungkabkeun kagunaan sareng tantangan alat-alat ieu dina ngawaskeun lingkungan sareng tatanén precision, sapertos platform sareng watesan kaméra, tantangan ngolah data, papacangan patani, sareng peraturan penerbangan. . Kadua
studi paling dicutat ti Nex and Remondino (2014) reviewed kaayaan seni UAVs pikeun motret, ngolah, jeung nganalisis gambar bumi.
Karya maranéhanana ogé dibere tinjauan sababaraha platform UAV, aplikasi, jeung kasus pamakéan, showcasing kamajuan panganyarna dina ngolah gambar UAV. Dina tatanén, patani tiasa nganggo UAV pikeun nyandak kaputusan anu efektif pikeun ngahémat biaya sareng waktos, nampi catetan karusakan anu gancang sareng tepat, sareng ngantisipasi masalah anu mungkin. Kontras sareng platform hawa konvensional, UAV tiasa ngirangan biaya operasional sareng ngirangan bahaya aksés di lokasi anu parah bari tetep ngajaga poténsi presisi anu luhur. Makalahna nyimpulkeun sagala rupa kaunggulan UAV, khususna dina hal akurasi sareng résolusi.
Di antara sésana tilu belas publikasi anu paling sering dicutat antara 2011 sareng 2021, kami perhatikeun konsentrasi anu langkung ageung dina panalungtikan anu aya hubunganana sareng aplikasi drone dina misi pencitraan (Bendig et al., 2014; Ma et al., 2017; Zarco-Tejada et al., 2014) , tatanén precision (Candiago et al., 2015; Honkavaara et al., 2013a), viticulture precision (Matese et al., 2015), assessment stress cai (Gago et al., 2015), sarta ngawaskeun vegetasi (Aasen et al. , 2015a). Dina taun mimiti, peneliti museurkeun
langkung lengkep ihwal ngamekarkeun béaya rendah, lightweight, jeung sistem basis UAV tepat pikeun tatanén; panalungtikan panganyarna leuwih museurkeun kana ulasan ngeunaan aplikasi UAV pikeun tatanén sarta surveying lapangan. Kasimpulanana, analisa ieu ngungkabkeun yén publikasi anu gaduh pangaruh biasana masihan ulasan ngeunaan studi sateuacana pikeun ngévaluasi status ilmiah sareng téknologi UAV ayeuna sareng sistem UAV anu dimekarkeun pikeun ngadukung tatanén anu akurat. Narikna, urang teu manggihan studi nu padamelan empiris
metodologi atawa studi kasus deskriptif, nu constitutes gap pangaweruh signifikan jeung nelepon pikeun panalungtikan leuwih dina topik ieu.
Analisis ko-cutatan
Numutkeun Gmür (2006), analisis ko-kutipan ngaidentipikasi publikasi anu sami sareng klasterna. Pamariksaan anu ati-ati ngeunaan klaster tiasa ngungkabkeun bidang panalungtikan anu umum diantara publikasi. Kami nalungtik ko-kutipan literatur anu aya hubunganana sareng drone pertanian pikeun ngagambarkeun daérah anu aya hubunganana sareng ngadeteksi pola intelektual tina publikasi. Dina hal ieu, Leutik (1973) nyarankeun pamakéan analisis cocitation pikeun diajar panalungtikan paling boga pangaruh jeung mani.
dina hiji disiplin. Pikeun ngawatesan set kana artikel anu paling mani (Goyal & Kumar, 2021), kami netepkeun ambang co-cutatan 25, hartosna dua artikel kedah dicutat babarengan dina daptar rujukan 25 atanapi langkung publikasi anu béda. Kluster ogé dilaksanakeun kalayan ukuran klaster minimum 1 sareng tanpa metode pikeun ngahijikeun klaster anu langkung alit sareng anu langkung ageung. Hasilna, genep klaster dihasilkeun dumasar kana kasaruaan studi jeung struktur inteléktual maranéhanana. Tabel 6 nembongkeun distribusi publikasi dina unggal klaster.
Kluster 1: Kluster ieu ngandung dalapan belas dokumén anu diterbitkeun saatos Publikasi dina kluster ieu ngabahas peran drone dina ngadukung pangawasan lingkungan, ngokolakeun pepelakan, sareng ngokolakeun gulma. Contona, Manfreda et al. (2018) nyadiakeun tinjauan panalungtikan ayeuna sareng palaksanaan UAV dina ngawaskeun ékosistem tatanén alam sareng ngabantah yén téknologi nawiskeun poténsi anu luar biasa pikeun sacara drastis ningkatkeun ngawaskeun lingkungan sareng ngirangan.
gap aya antara observasi lapangan jeung hawa konvensional sarta spaceborne remote sensing. Ieu tiasa dilakukeun ku nawiskeun kapasitas énggal pikeun panéangan temporal sareng wawasan spatial kana daérah anu ageung ku cara anu hargana. UAV tiasa teras-terasan ngaraosan lingkungan sareng ngirim data anu hasilna ka éntitas anu cerdas, terpusat / desentralisasi anu ngatur sénsor pikeun ngaidentipikasi masalah ahirna, sapertos kakurangan panyakit atanapi deteksi cai (Padua ´ et al., 2017). Adao ˜ et al. (2017) posit yén UAVs anu idéal pikeun assessing kaayaan tutuwuhan 'ku cara nangkep volume vast data atah patali status cai, estimasi biomassa, sarta assessment vigor. sensor UAV-dipasang ogé bisa promptly deployed dina kaayaan lingkungan ditangtoskeun pikeun ngidinan newak timely data jauh-sensing (Von Bueren et al., 2015). Ku cara UAV, patani tiasa ngalaksanakeun kagiatan pertanian jero ruangan ku cara nyandak pangukuran ti mana waé tempat dina rohangan tilu diménsi lingkungan pertanian jero ruangan (contona, rumah kaca), ku kituna mastikeun kontrol iklim lokal sareng ngawaskeun pepelakan (Roldan ´ et al. ., 2015). Dina konteks precision
tatanén, kaputusan manajemén pamotongan necessitate akurat, data pamotongan dipercaya kalawan resolusi temporal jeung spasial luyu (Gebbers & Adamchuk, 2010; Gevaert et al., 2015; Maes & Steppe, 2019). Ku sabab kitu, Agüera Vega et al. (2015) ngagunakeun sistem sensor multispektral anu dipasang UAV pikeun nyandak gambar pamotongan sunflower dina usum ngembang. Nya kitu, Huang et al. (2009) dicatet yén sensing jauh dumasar kana UAVs bisa mempermudah pangukuran pepelakan jeung taneuh tina data spéktral dikumpulkeun. Verger et al. (2014) ngembangkeun sarta nguji téhnik keur estimasi indéks aréa héjo (GAI) tina ukuran reflectance UAV dina aplikasi tatanén precision, fokus kana gandum jeung pepelakan rapeseed. Ku alatan éta, drones nyadiakeun kemungkinan anyar pikeun retrieving informasi kaayaan pamotongan kalawan revisits sering na resolusi spasial tinggi (Dong et al., 2019; Garzonio et al., 2017; H. Zheng et al., 2016).
Clustering publikasi pangaruh dina drones tatanén.
Klaster | Téma lega | Rujukan |
1 | Pengawasan lingkungan, pepelakan manajemén, manajemén jukut | (Ad˜ ao et al., 2017; Agüera Vega dkk., 2015; de Castro dkk., 2018; Gomez-Cand ´ on ´ et al., 2014; YB Huang dkk., 2013; Khanal et al., 2017; Lopez-Granados, ´ 2011; Manfreda dkk., 2018; P' adua et al., 2017; Pena ˜ dkk., 2013; P'erez-Ortiz dkk., 2015; Rasmussen dkk., 2013, 2016; Torres-S' anchez dkk., 2014; Torres-Sanchez, ´ Lopez-Granados, ´ & Pena, ˜ 2015; Verger dkk., 2014; Von Bueren dkk., 2015; C. Zhang & Kovacs, 2012) |
2 | phenotyping jauh, ngahasilkeun estimasi, modél permukaan pamotongan, cacah tutuwuhan | (Bendig et al., 2013, 2014; Geipel dkk., 2014; Gnadinger ¨ & Schmidhalter, 2017; Haghighattalab dkk., 2016; Holman dkk., 2016; Jin dkk., 2017; W. Li et al., 2016; Maimaitijiang et al., 2017; Sankaran dkk., 2015; Schirrmann et al., 2016; Shi et al., 2016; Yue dkk., 2017; X. Zhou et al., 2017) |
3 | Pencitraan termal pikeun cai, pencitraan multispektral | (Baluja et al., 2012; Berni et al., 2009b; Berni dkk., 2009a; Candiago dkk., 2015; Gago dkk., 2015; Gonzalez-Dugo et al., 2013, 2014; Grenzdorfer ¨ dkk., 2008; Khaliq dkk., 2019; Matese et al., 2015; Ribeiro-Gomes et al., 2017; Santesteban dkk., 2017; Uto et al., 2013) |
4 | Pencitraan hypersectral, spéktral Imaging | (Aasen et al., 2015a; Bareth et al., 2015; Hakala dkk., 2013; Honkavaara dkk., 2013a; Lucieer dkk., 2014; Saari dkk., 2011; Suomalainen et al., 2014) |
5 | Aplikasi 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 dkk., 2015; Zarco-Tejada et al., 2014) |
6 | Panjagaan tatanén | (SR Herwitz et al., 2004; Hunt dkk., 2010; CCD Lelong et al., 2008; Primicerio dkk., 2012; Xiang & Tian, 2011) |
Saterusna, drones mangpaat pikeun tugas nangtang dina tatanén, kaasup pemetaan nalungtik. Gambar anu dicandak ku alat-alat parantos ngabuktikeun mangpaatna pikeun deteksi gulma awal di sawah (de Castro et al., 2018; Jim'enez-Brenes et al., 2017; Lam et al., 2021; Lopez-Granados ´ et al., 2016; Rozenberg dkk., 2021). Dina hal ieu, de Castro et al. (2018) posit yén ngahiji tina UAV imagery jeung Object-Based Image Analysis (OBIA) geus diaktipkeun praktisi nungkulan masalah automating mimiti deteksi di mimiti usum pepelakan jukut, nu mangrupakeun hambalan badag ka hareup dina panalungtikan nalungtik. Kitu ogé, Pena ˜ et al. (2013) nunjuk kaluar yén pamakéan gambar résolusi spasial ultra-luhur ti UAV ditéang jeung hiji prosedur OBIA ngamungkinkeun pikeun ngahasilkeun peta nalungtik dina pepelakan jagung mimiti nu bisa dipaké dina perencanaan palaksanaan ukuran kontrol nalungtik di-musim. tugas saluareun kamampuhan satelit sarta gambar airborne tradisional. Dibandingkeun sareng klasifikasi gambar atanapi algoritma deteksi objék, téknik ségméntasi semantik langkung efektif dina tugas pemetaan jukut (J. Deng et al., 2020), sahingga ngamungkinkeun para patani ngadeteksi kaayaan lapang, ngirangan karugian, sareng ningkatkeun hasil sapanjang usum ngembang (Ramesh). dkk., 2020). Segmentasi semantis dumasar learning jero ogé bisa nyadiakeun pangukuran akurat panutup vegetasi tina gambar hawa resolusi luhur (Ramesh et al., 2020; A. Zheng et al., 2022). Sanajan poténsi maranéhna pikeun jarak jauh
sensing klasifikasi piksel, téhnik segmentation semantis merlukeun komputasi signifikan sarta memori GPU prohibitively tinggi (J. Deng et al., 2020).
Dumasar mesin learning jeung UAV, P'erez-Ortiz dkk. (2015) ngusulkeun pendekatan pemetaan nalungtik pikeun nyadiakeun strategi kontrol nalungtik husus situs nalika patani ngadopsi kontrol nalungtik mimiti-pos mecenghulna. Tungtungna, Rasmussen et al. (2013) disorot yén drones nyadiakeun sensing murah kalayan kalenturan resolusi spasial hébat. Gemblengna, publikasi dina klaster ieu museurkeun kana ngajalajah poténsi UAV pikeun ngadukung sensing jauh, ngawaskeun pamotongan, sareng pemetaan gulma. Panalitian anu langkung jero diperyogikeun pikeun langkung nalungtik kumaha aplikasi drone dina ngawaskeun lingkungan, manajemén pepelakan, sareng pemetaan jukut tiasa ngahontal tatanén anu langkung sustainable (Chamuah & Singh, 2019; Islam et al., 2021; Popescu et al., 2020; J . Su, Liu, et al., 2018) jeung alamat isu governance téhnologi ieu dina aplikasi asuransi pamotongan (Basnet & Bang, 2018; Chamuah & Singh, 2019, 2022; Meinen & Robinson, 2021). Panaliti kedah konsentrasi dina validasi pangukuran UAVcollected kalayan téknik ngolah éfisién pikeun ningkatkeun kualitas pamungkas data olahan (Manfreda et al., 2018). Saterusna, ngembangkeun algoritma luyu nu ngakuan piksel nu nembongkeun weeds dina gambar digital sarta ngaleungitkeun kasang tukang relevan salila UAV nalungtik pemetaan diperlukeun (Gaˇ sparovi'c et al., 2020; Hamylton et al., 2020; H. Huang et al. , 2018, 2020; Lopez- ´ Granados dkk., 2016). Panaliti tambahan ngeunaan nyoko téknik ségméntasi semantik dina pangenalan pepelakan, klasifikasi daun, sareng pemetaan panyakit wilujeng sumping (Fuentes-Pacheco et al., 2019; Kerkech et al., 2020).
Klaster 2. Publikasi dina klaster ieu museurkeun kana sababaraha aspék drones tatanén. Patali jeung phenotyping jauh, Sankaran et al. (2015) reviewed poténsi ngagunakeun low-altitude, resolusi luhur Imaging hawa kalawan UAVs pikeun phenotyping gancang pepelakan di sawah, sarta aranjeunna ngajawab yén, dibandingkeun jeung platform sensing dumasar-taneuh, UAVs leutik kalawan sensor nyukupan nawiskeun sababaraha kaunggulan. , sapertos aksés langkung gampang ka lapangan, data résolusi luhur, pangumpulan data éfisién,
assessments gancang kaayaan tumuwuhna sawah, sarta waragad operasional low. Nanging, panulis ogé nyatet yén aplikasi efektif UAV pikeun phenotyping lapangan ngandelkeun dua elemen dasar, nyaéta, fitur UAV (contona, kaamanan, stabilitas, posisi, otonomi) sareng karakteristik sensor (contona, résolusi, beurat, panjang gelombang spéktral, médan. pintonan). Haghighattalab et al. (2016) ngajukeun pipa pemrosesan gambar semi-otomatis pikeun nyandak data tingkat plot tina gambar UAV sareng ngagancangkeun prosés beternak. Holman et al. (2016) dimekarkeun tinggi
Sistim phenotyping widang throughput sarta disorot yén UAV téh bisa ngumpulkeun kualitas, voluminous, data phenotypic dumasar-sawah, sarta yén alat nu mujarab pikeun wewengkon badag sarta sakuliah lokasi widang béda.
Salaku estimasi ngahasilkeun mangrupa sapotong incredibly vital inpormasi, utamana lamun keur sadia on time, aya potensi UAVs nyadiakeun sagala ukuran widang jeung éfisién acquire data kualitas luhur (Daakir et al., 2017; Demir et al., 2018. ; Enciso dkk., 2019; 2018; Dina hal ieu, Jin et al. (2012) ngamangpaatkeun imagery resolusi luhur diala ku UAVs di altitudes pisan low pikeun ngembangkeun sarta assess metoda keur estimasi dénsitas tutuwuhan gandum dina tahap mecenghulna. Numutkeun pangarang, UAVs nungkulan keterbatasan sistem rover dilengkepan kaméra jeung ngagambarkeun métode non-invasif keur estimasi dénsitas tutuwuhan dina pepelakan, sahingga patani pikeun ngahontal throughput tinggi dipikabutuh pikeun phenotyping widang bebas tina trafficability taneuh. Li et al. (2017) ngumpulkeun ratusan gambar stereo kalawan resolusi kacida luhurna ngagunakeun sistem basis UAV keur estimasi parameter jagung, kaasup jangkungna kanopi jeung biomassa luhureun taneuh. Tungtungna, Yue et al. (2016) mendakan yén jangkungna pamotongan anu ditangtukeun tina UAV tiasa ningkatkeun estimasi biomassa di luhur taneuh (AGB).
Hiji pendekatan pikeun ngawas tumuwuhna pamotongan mangrupakeun ide pikeun ngembangkeun model permukaan pamotongan (Bendig et al., 2014, 2015; Holman et al., 2016; Panday, Shrestha, et al., 2020; Sumesh et al., 2021). Sababaraha studi nyorot kamungkinan gambar anu dicandak tina UAV pikeun moto jangkungna pepelakan sareng ngawas pertumbuhanana. Contona, Bendig et al. (2013) ngajelaskeun ngembangkeun model permukaan pamotongan multi-temporal kalawan resolusi luhur pisan kirang ti 0.05 m maké UAV. Aranjeunna aimed pikeun ngadeteksi pamotongan
variabilitas pertumbuhan sareng gumantungna kana perlakuan pepelakan, kultivar, sareng setrés. Bendig et al. (2014) dipaké UAVs keur estimasi biomassa seger jeung garing dumasar kana jangkungna tutuwuhan sasari tina model permukaan pamotongan sarta kapanggih yén, kawas platform airborne jeung scanning laser terestrial, gambar resolusi luhur ti UAVs nyata bisa ningkatkeun akurasi modeling jangkungna tutuwuhan pikeun tumuwuh béda. tahapan. Dina véna sarua, Geipel et al. (2014) dipaké UAVs dina panalungtikan maranéhna pikeun acquire imagery
set data pikeun prediksi ngahasilkeun gandum jagung dina tilu fase tumuwuhna béda ti mimiti nepi ka pertengahan usum jeung menyimpulkan yén kombinasi spéktral jeung modeling spasial dumasar kana gambar hawa jeung model permukaan pamotongan mangrupakeun metoda cocog pikeun ngaramal panengah jagung pertengahan usum. Tungtungna, Gnadinger ¨ and Schmidhalter (2017) nalungtik utilitas UAV dina phenotyping precision sareng nyorot yén panggunaan téknologi ieu tiasa ningkatkeun manajemén tegalan sareng ngaktifkeun ékspérimén lapangan pikeun beternak sareng tujuan agronomis. Gemblengna, urang niténan yén publikasi dina klaster 2 fokus kana kaunggulan utama UAVs dina jarak jauh.
phenotyping, estimasi ngahasilkeun, modeling permukaan pepelakan, jeung cacah tutuwuhan. Studi kahareup bisa ngagali deeper ku ngamekarkeun métode anyar pikeun phenotyping jauh nu bisa ngajadikeun otomatis tur ngaoptimalkeun ngolah data jarak jauh sensed (Barabaschi et al., 2016; Liebisch et al., 2015; Mochida et al., 2015; S. Zhou et al. ., 2021). Sajaba ti éta, kinerja sénsor IoT dipasang dina UAV jeung trade-off antara waragad maranéhanana, tanaga gawé, jeung precision estimasi ngahasilkeun perlu ditalungtik dina
kahareup (Ju & Putra, 2018a, 2018b; Xie & Yang, 2020; Yue et al., 2018). Pamustunganana, aya kabutuhan pikeun ngembangkeun metode pangolahan gambar anu efisien anu tiasa ngahasilkeun inpormasi anu dipercaya, maksimalkeun efisiensi dina produksi pertanian, sareng ngaminimalkeun padamelan cacah manual para patani (RU Khan et al., 2021; Koh et al., 2021; Lin & Guo, 2020; C. Zhang et al., 2020).
Kluster 3. Publikasi dina klaster ieu ngabahas tipena béda sistem Imaging pikeun sensing jauh sumberdaya tatanén dipaké dina platform UAV. Dina hal ieu, pencitraan termal ngamungkinkeun ngawaskeun suhu permukaan pikeun nyegah karusakan pamotongan sareng ngadeteksi setrés halodo awal (Awais et al., 2022; García-Tejero et al., 2018; Sankaran et al., 2015; Santesteban et al., 2017; Yeom, 2021). Baluja et al. (2012) negeskeun yén pamakéan kaméra multispectral jeung termal onboard nu
UAV ngamungkinkeun panalungtik pikeun ménta gambar resolusi luhur jeung assess status cai vine. Ieu bisa jadi mangpaat pikeun ngembangkeun model scheduling cai novél ngagunakeun data remote-sensing (Baluja et al., 2012). Kusabab tina
kapasitas beban kawates UAVs, Ribeiro-Gomes et al. (2017) dianggap integrasi kaméra termal uncooled kana UAVS pikeun nangtukeun stress cai dina tutuwuhan, nu ngajadikeun jenis ieu UAVs leuwih efisien sarta giat ti sensing jauh basis satelit tradisional jeung UAVs dilengkepan kaméra termal tiis. Numutkeun pangarang, kaméra termal uncooled téh torek ti kaméra tiis, merlukeun calibration luyu. Gonzalez-Dugo et al. (2014) némbongkeun yén imagery termal éféktif ngahasilkeun peta spasial indéks stress cai pamotongan pikeun assessing status cai jeung quantifying stress cai diantara na jero orchards jeruk. Gonzalez-Dugo et al. (2013) jeung Santesteban et al. (2017) nalungtik pamakéan imagery termal UAV resolusi luhur keur estimasi variability status cai hiji dusun komérsial sarta kebon anggur.
Pencitraan multispektral tiasa nyayogikeun data anu ageung dibandingkeun sareng gambar RGB (Beureum, Héjo, sareng Biru) tradisional (Ad˜ ao et al., 2017; Navia et al., 2016). Data spéktral ieu, sareng data spasial, tiasa ngabantosan dina klasifikasi, pemetaan, ramalan, prediksi, sareng tujuan deteksi (Berni et al., 2009b). Numutkeun Candiago et al. (2015), pencitraan multispektral basis UAV tiasa nyumbang sacara ageung kana penilaian pamotongan sareng tatanén anu tepat salaku sumber anu dipercaya sareng efisien. oge,
Khaliq et al. (2019) ngadamel perbandingan antara satelit sareng pencitraan multispektral berbasis UAV. Gambar dumasar-UAV nyababkeun langkung tepat dina ngajéntrékeun variabilitas kebon anggur ogé peta vigor pikeun ngagambarkeun kanopi pamotongan. Singkatna, artikel dina klaster ieu ngabahas incorporation tina sensor Imaging termal jeung multispectral kana UAVs tatanén. Sasuai, langkung seueur panalungtikan anu diperyogikeun pikeun ngartos kumaha pencitraan termal sareng multispektral tiasa diintegrasikeun sareng AI
téhnik (contona, learning jero) pikeun ngadeteksi stress tutuwuhan (Ampatzidis et al., 2020; Ampatzidis & Partel, 2019; Jung et al., 2021; Santesteban et al., 2017; Syeda et al., 2021). Wawasan sapertos kitu bakal ngabantosan deteksi anu langkung éfisién sareng akurat ogé ngawaskeun kamekaran pepelakan, setrés, sareng fénologi (Buters et al., 2019; Cao et al., 2020; Neupane & BaysalGurel, 2021; L. Zhou et al., 2020).
Kluster 4. klaster ieu diwangun ku tujuh makalah nu revolve sabudeureun peran krusial Imaging spéktral jeung Imaging hyperspectral dina ngarojong prakték tatanén. Imaging hyperspectral geus ngadegkeun sorangan salaku padika jauh-sensing nu nyandak assessment kuantitatif tina sistem bumi (Schaepman et al., 2009). Janten langkung tepat, éta nyandak idéntifikasi bahan permukaan, kuantifikasi konsentrasi (relatif), jeung ngerjakeun proporsi komponén permukaan
dina piksel campuran (Kirsch et al., 2018; Zhao et al., 2022). Dina basa sejen, resolusi spéktral luhur disadiakeun ku sistem hyperspectral ngamungkinkeun estimasi leuwih akurat rupa parameter, kayaning sipat vegetarian atawa eusi cai daun (Suomalainen et al., 2014). Panaliti dina klaster ieu nalungtik sagala rupa aspék sistem sapertos kitu. Diantarana, Aasen et al. (2015b) ditawarkeun pendekatan unik pikeun deriving tilu diménsi informasi hyperspectral ti lightweight
kaméra snapshot dipaké dina UAVs pikeun ngawaskeun vegetasi. Lucieer et al. (2014) ngabahas desain, pamekaran, sareng operasi hawa tina novel hyperspectral UAS ogé kalibrasi, analisa, sareng interpretasi data gambar anu dikumpulkeun sareng éta. Tungtungna, Honkavaara et al. (2013b) ngembangkeun pendekatan ngolah komprehensif pikeun gambar spéktral basis interferometer FabryPerot sarta némbongkeun pamakéan na dina prosedur estimasi biomassa pikeun tatanén precision. Poténsi jalur kahareup pikeun klaster ayeuna ieu ngawengku emphasizing perlu perbaikan teknis dina téhnologi sensor (Aasen et al., 2015b) kitu ogé kabutuhan incorporating tur enhancing téknologi pelengkap, husus data badag tur analytics (Ang & Seng, 2021; Radoglou -Grammatikis et al., 2020; Shakoor et al., 2019). Kiwari dimungkinkeun utamana batang tina data kantos-tumuwuh dihasilkeun ku rupa sensor dilaksanakeun dina tatanén pinter (C. Li & Niu, 2020; A. Rejeb et al., 2022; Y. Su & Wang, 2021).
Kluster 5. Publikasi dina klaster ieu nalungtik aplikasi 3Dmapping dumasar drones. Ngagunakeun drones pikeun pemetaan 3D bisa alleviate pajeulitna lapangan sarta ngaronjatkeun efisiensi substansi (Torres-Sanchez ´ et al., 2015). Lima artikel dina klaster utamana fokus kana aplikasi monitoring tutuwuhan. Contona, pikeun meunangkeun data tilu diménsi ngeunaan wewengkon kanopi, jangkungna tangkal, jeung volume makuta, Torres-Sanchez ´ dkk. (2015) ngagunakeun téknologi UAV pikeun ngahasilkeun modél permukaan digital sareng pendekatan analisis gambar dumasar-obyek (OBIA). Salajengna, Zarco-Tejada et al. (2014) ngitung jangkungna tangkal ku integrasi téhnologi UAV jeung métode poto-rekonstruksi tilu diménsi. Jim´énez-Brenes Lopez-Granados, ´ De Castro, dkk. (2017) nunjukkeun prosés anyar pikeun ngawaskeun multi-temporal, 3D tina puluhan tangkal zaitun ku ngahijikeun téknologi UAV sareng metodologi OBIA canggih. Jalur metot pikeun karya hareup dina klaster ieu ngawengku boh ngaronjatkeun ayeuna
metodologi (Zarco-Tejada et al., 2014) pikeun tujuan modeling permukaan digital (Ajayi et al., 2017; Jaud et al., 2016), sapertos OBIA (de Castro et al., 2018, 2020; Ventura et al. , 2018), sarta rekonstruksi poto atawa ngamekarkeun métode novel (Díaz-Varela et al., 2015; Torres-S' anchez et al., 2015).
Kluster 6. Kluster ieu ngabahas peran drone dina panjagaan tatanén. UAV tiasa ngalengkepan sareng ngatasi kakurangan pencitraan satelit sareng pesawat. Contona, aranjeunna bisa nyadiakeun resolusi luhur deukeut imaging real-time kalawan suluh kirang atanapi piloting tantangan, hasilna panjagaan konstanta sarta real-time sarta perbaikan dina pembuatan kaputusan (S. Herwitz et al., 2004). Kontribusi konci sejen tina UAVs nyaéta kamampuhna nyadiakeun data situs-spésifik pikeun tatanén precision atawa tatanén situs-spésifik salaku resolusi luhur maranéhanana, data lengkep ngeunaan rupa parameter ngamungkinkeun para patani ngabagi lahan kana bagian homogen sarta ngubaran eta sasuai (Hunt et al. , 2010; CC Lelong et al., 2008; Panjagaan tatanén dumasar UAV sapertos tiasa ngadukung monitoring kaamanan pangan sareng pembuatan kaputusan (SR Herwitz et al., 2012). Pikeun ngamajukeun panalungtikan dina panjagaan tatanén, henteu ngan ukur perbaikan dina sénsor, UAV, sareng téknologi anu aya hubunganana sareng metode komunikasi sareng transfer datana diperyogikeun (Ewing et al., 2004; Shuai et al., 2020), tapi ogé ngahijikeun drone sareng sababaraha rupa. Téknologi pikeun ngaoptimalkeun tugas anu béda-béda anu aya hubunganana sareng tatanén pinter, sapertos ngawaskeun, panjagaan tatanén, sareng pembuatan kaputusan, mangrupikeun daérah panilitian anu berpotensi luhur (Alsamhi et al., 2019; Popescu et al., 2021; Vuran et al., 2020). Dina hal ieu, IoT, WSN, sareng data ageung nawiskeun kamampuan pelengkap anu pikaresepeun (van der Merwe et al., 2018). Biaya palaksanaan, penghematan biaya, efisiensi énergi, sareng kaamanan data mangrupikeun daérah anu ditalungtik pikeun integrasi sapertos kitu (Masroor et al., 2020).
Nagara jeung lembaga akademik
Léngkah ahir kalebet panalungtikan ngeunaan nagara asal sareng hubungan akademik para pangarang. Ngaliwatan analisa ieu, kami tujuanana pikeun langkung ngartos distribusi geografis sarjana anu nyumbang kana aplikasi drone dina tatanén. Éta noteworthy perhatikeun diversity nagara jeung lembaga akademik. Tina sudut pandang nagara, AS, Cina, India, sareng Italia rengking di luhur daptar dina hal jumlah publikasi (Tabel 7). Anu ayeuna
panalungtikan ngeunaan drones tatanén sakitu legana dipuseurkeun di Amérika Kalér jeung nagara Asia, utamana alatan Dursasana tinggi maranéhanana dina aplikasi tatanén precision. Salaku conto, di AS, pasar drone pertanian diperkirakeun 841.9 juta USD dina taun 2020, ngitung sakitar 30% tina pangsa pasar global (ReportLinker, 2021). Réngking salaku ékonomi panggedéna di dunya, Cina diprediksi bakal ngahontal ukuran pasar kira-kira 2.6 milyar USD dina taun 2027. Nagara ieu pikaresepeun pikeun drone pertanian pikeun ngatasi masalah produktivitas sareng ngahontal hasil anu langkung saé, ngirangan tenaga kerja, sareng input produksi anu langkung alit. Nanging, nyoko kana téknologi di Cina ogé didorong ku faktor sapertos ukuran populasi sareng kabutuhan pikeun inovasi sareng ningkatkeun prakték manajemén pepelakan anu tos aya.
Nagara paling produktif sareng paguron luhur / organisasi anu nyumbang kana
panalungtikan drone patali tatanén.
pangkat | Daérah |
1 | AS |
2 | Cina |
3 | India |
4 | Itali |
5 | Spanyol |
6 | Jérman |
7 | Brazil |
8 | Australia |
9 | Jepang |
10 | karajaan Inggris |
pangkat | Paguron luhur / Organisasi |
1 | Akademi Élmu Cina |
2 | Kamentrian Pertanian Républik Rahayat Cina |
3 | Déwan Penyelidikan Ilmiah anu Luhung |
4 | Universitas Texas A & M |
5 | Cina Universitas Pertanian |
6 | Dinas Panilitian Pertanian USDA |
7 | CSIC - Instituto de Agricultura Sostenible IAS |
8 | Purdue University |
9 | Consiglio Nazionale delle Ricerche |
10 | Universitas Pertanian Cina Kidul |
Tina sudut pandang paguron luhur sareng organisasi, Akademi Élmu Cina mangrupikeun daptar dina jumlah publikasi, dituturkeun ku Kamentrian Pertanian Republik Rakyat Cina sareng Consejo Superior de Investigaciones Científicas. Akademi Élmu Cina diwakilan ku pangarang Liao Xiaohan sareng Li Jun; Han Wenting ngawakilan Kamentrian Pertanian Républik Rahayat Cina; jeung Consejo Superior de Investigaciones Científicas diwakilan ku Lopez-Granados, ´ F. jeung Pena, ˜ Jos´e María S. Ti AS, universitas kawas Texas A&M University jeung Purdue University manggihan maranéhna.
nyebut. Paguron luhur kalawan jumlah pangluhurna publikasi sarta sambungan maranéhanana ditémbongkeun dina Gbr. 4. Salaku tambahan, daptar ieu ngawengku lembaga kayaning Consiglio Nazionale delle Ricerche jeung Consejo Superior de Investigaciones Científicas anu aktip dina panalungtikan ilmiah, tapi lain lembaga akademik. .
Pilihan urang kaasup rupa-rupa jurnal, ngawengku ampir sakabéh data sadia. Sapertos anu dipidangkeun dina Tabel 8, Remote Sensing kalayan 258 artikel rengking di luhur, dituturkeun ku Journal of Intelligent and Robotic Systems: Theory and Applications with 126 and Computers and Electronics in Agriculture with 98 articles. Nalika Remote Sensing lolobana difokuskeun kana aplikasi sareng pamekaran drone, Komputer sareng Éléktronik dina Pertanian utamina nyertakeun kamajuan dina hardware komputer, parangkat lunak, éléktronika, sareng sistem kontrol dina tatanén. Toko lintas-aréa, sapertos IEEE Robotics sareng Automation Letters sareng 87 publikasi sareng IEEE Access sareng 34 publikasi, ogé janten toko utama di lapangan. Lima belas toko luhur parantos nyumbang kana literatur kalayan 959 dokumén, anu kirang langkung 20.40% tina sadaya publikasi. Analisis ko-kutipan jurnal ngamungkinkeun urang pikeun nguji pentingna sareng kamiripan antara publikasi. Analisis ko-cutatan ngahasilkeun tilu klaster, sakumaha ditémbongkeun dina Gbr. 5. Klaster beureum diwangun ku jurnal kayaning Remote Sensing, Komputer jeung Éléktronik dina Tatanén, Sénsor,
jeung International Journal of Remote Sensing. Sadaya toko ieu mangrupikeun jurnal anu terhormat di daérah sensing jauh sareng tatanén presisi. Kluster héjo ngandung jurnal anu ngurus robotika, sapertos Journal of Intelligent and Robotic Systems: Theory and Applications, IEEE Robotics and Automation Letters, IEEE Access, and Drones. Toko ieu lolobana nyebarkeun makalah ngeunaan automation sareng mangpaat pikeun insinyur pertanian. Klaster ahir dibentuk ku jurnal anu aya hubunganana sareng agronomi sareng rékayasa tatanén, sapertos Agronomi sareng Jurnal Internasional Pertanian sareng Téknik Biologis.
Top 15 jurnal dina panalungtikan drone patali tatanén.
pangkat | majalah | ngitung |
1 | Jauh Sensing | 258 |
2 | Journal of calakan sarta Sistem Robotic: Téori jeung aplikasi | 126 |
3 | Komputer sareng Éléktronik dina Pertanian | 98 |
4 | Robotika IEEE sareng Surat Otomatisasi | 87 |
5 | Sénsor | 73 |
6 | International Journal of Jauh Sensing | 42 |
7 | Tatanén Precision | 41 |
8 | Drones | 40 |
9 | Agronomi | 34 |
10 | Aksés IEEE | 34 |
11 | International Journal of Advanced Robotic Systems | 31 |
12 | Jurnal Internasional Pertanian sareng Téknik Biologis | 25 |
13 | PLoS salah | 25 |
14 | Journal of Lapang Robotics | 23 |
15 | Téknik Biosistem | 23 |
kacindekan
singgetan
Dina ulikan ieu, urang nyimpulkeun sareng nganalisis panalungtikan anu aya dina drones tatanén. Nerapkeun rupa-rupa téhnik bibliometric, urang narékahan pikeun ménta pamahaman hadé ngeunaan struktur intelektual panalungtikan drone patali tatanén. Dina jumlahna, ulasan kami nawiskeun sababaraha kontribusi ku cara ngaidentipikasi sareng ngabahas kecap konci dina literatur, ngungkabkeun klaster pangaweruh bari ngabentuk komunitas anu sami sacara semantik dina widang drones, ngagariskeun panalungtikan saméméhna, sareng nyarankeun arah panalungtikan ka hareup. Di handap ieu, urang outline papanggihan utama review ngeunaan ngembangkeun drones tatanén:
• Sacara umum literatur geus tumuwuh gancang sarta narik perhatian gede pisan dina dékade panungtungan, sakumaha dituduhkeun ku naékna jumlah artikel sanggeus 2012. Sanajan widang pangaweruh ieu can attain kematangan pinuh na (Barrientos et al., 2011; Maes). & Steppe, 2019), sababaraha patarosan anu teu acan kajawab. Salaku conto, utilitas drone dina pertanian jero ruangan masih dibuka pikeun debat (Aslan et al., 2022; Krul et al., 2021; Rold'an et al., 2015). Pajeulitna pamandangan lapangan sareng kaayaan pencitraan anu béda-béda (sapertos kalangkang sareng katerangan) tiasa nyababkeun varians kelas spéktral anu langkung luhur (Yao et al., 2019). Malah dina fase panalungtikan engké, peneliti geus ditantang pikeun nangtukeun rencana hiber optimal nurutkeun skenario husus sarta kualitas gambar diperlukeun (Soares et al., 2021; Tu et al.,
2020).
• Urang perhatikeun yén widang geus maju tina ngamekarkeun sistem UAV efisien mun incorporating téhnik AI, kayaning learning mesin sarta learning jero dina desain drones tatanén (Bah et al., 2018; Kitano et al., 2019; Maimaitijiang et al. , 2020; Mazzia et al., 2020;
• Panalungtikan ngeunaan drones tatanén utamana ngabahas remote sensing ku ngajajah poténsi téknologi dina ngawaskeun lingkungan, ngokolakeun pepelakan, jeung ngokolakeun gulma (cluster 1) ogé phenotyping jauh jeung estimasi hasil (cluster 2). Hiji set studi pangaruh dina drones tatanén kaasup Austin (2010), Berni et al. (2009)a, Herwitz et al. (2004), Nex and Remondino (2014), sareng Zhang and Kovacs (2012). Panaliti ieu ngembangkeun dasar konseptual panalungtikan anu aya hubunganana sareng drone dina kontéks tatanén.
• Patali jeung metodologi, urang katalungtik yén lolobana panalungtikan dipigawé sajauh geus diwangun boh desain sistem, konseptual, atawa studi dumasar review (Inoue, 2020; Nex & Remondino, 2014; P´erez-Ortiz et al. , 2015; Yao dkk., 2019). Kami ogé perhatikeun kurangna metode empiris, kualitatif, sareng dumasar-kasus anu digarap dina nalungtik drone pertanian.
• Anyar, jejer nu patali jeung tatanén precision, téhnik AI, viticulture precision, sarta assessment stress cai geus digambar perhatian badag (Espinoza et al., 2017; Gomez-Cand ´ on ´ et al., 2016; Matese et al., 2015; Matese & Di Gennaro, 2018, 2021; Zhou et al., 2021). Pamariksaan taliti tina klaster panalungtikan dina dua jaman anu misah, 1990–2010 sareng 2011–2021, nembongkeun kamajuan struktur intelektual domain. Mangsa ti 1990 nepi ka 2010 ngawangun-up gagasan sentral jeung konsép drones, nu atra tina sawala UAV desain, ngembangkeun, sarta palaksanaan. Dina jaman kadua, fokus panalungtikan expands on studi saméméhna, nyieun usaha pikeun nyintésis kasus pamakéan UAV dina tatanén. Kami ogé mendakan seueur panilitian anu ngabahas aplikasi drone dina tugas pencitraan sareng tatanén presisi.
pangkat | majalah | ngitung |
1 | Jauh Sensing | 258 |
2 | Journal of calakan sarta Sistem Robotic: Téori jeung | 126 |
aplikasi | ||
3 | Komputer sareng Éléktronik dina Pertanian | 98 |
4 | Robotika IEEE sareng Surat Otomatisasi | 87 |
5 | Sénsor | 73 |
6 | International Journal of Jauh Sensing | 42 |
7 | Tatanén Precision | 41 |
8 | Drones | 40 |
9 | Agronomi | 34 |
10 | Aksés IEEE | 34 |
11 | International Journal of Advanced Robotic Systems | 31 |
12 | Jurnal Internasional Pertanian sareng Téknik Biologis | 25 |
13 | PLoS salah | 25 |
14 | Journal of Lapang Robotics | 23 |
15 | Téknik Biosistem | 22 |
implikasi
Tinjauan bibliométri kami dirarancang sareng dilaksanakeun sareng para sarjana, patani, ahli pertanian, konsultan pamotongan, sareng desainer sistem UAV dina pikiran. Pikeun pangaweruh pangsaena panulis, ieu mangrupikeun salah sahiji ulasan asli munggaran anu parantos ngalaksanakeun analisa bibliometrik anu jero ngeunaan
aplikasi drone dina tatanén. Kami parantos ngalaksanakeun tinjauan komprehensif ngeunaan badan pangaweruh ieu, ngagunakeun kutipan sareng nganalisa ko-kutipan publikasi. Usaha kami pikeun ngajelaskeun struktur intelektual panalungtikan drone ogé nawiskeun wawasan anyar pikeun akademisi. Tinjauan ati ngeunaan kecap konci anu dianggo dina waktosna ngungkabkeun titik panas sareng daérah panalungtikan fokus dina literatur anu aya hubunganana sareng drone. Saterusna, kami nampilkeun daptar studi paling dicutat pikeun ngaidentipikasi karya panalungtikan paling impactful réngsé di lapangan. Idéntifikasi artikel sareng kecap konci tiasa janten titik awal anu padet pikeun mendakan sababaraha jalan pikeun diajar ka hareup.
Anu penting, kami ngungkabkeun klaster anu ngagolongkeun karya anu sarimbag sareng ngajelaskeun hasilna. Studi anu digolongkeun dina klaster ngabantosan ngartos struktur intelektual panalungtikan UAV. Utamana, urang mendakan kakurangan studi anu nalungtik faktor nyoko drones
jeung halangan dina kagiatan tani (tingali Tabél 9). Panaliti anu bakal datang tiasa ngatasi gap poténsial ieu ku ngalaksanakeun panyelidikan empiris anu ngevaluasi faktor nyoko drone dina kagiatan pertanian anu béda sareng kaayaan iklim. Saterusna, panalungtikan dumasar studi kasus ngeunaan efektivitas drones kudu didukung ku data nyata ti lapangan. Ogé, ngalibetkeun patani sareng manajer dina panalungtikan akademik bakal nguntungkeun pikeun kamajuan téoritis sareng praktis tina panalungtikan drone. Kami ogé tiasa ngaidentipikasi panalungtik anu pang menonjol sareng kontribusina, anu berharga sabab kasadaran karya mani panganyarna tiasa nawiskeun sababaraha pedoman pikeun usaha akademik anu bakal datang.
table 9
halangan nyoko UAV.
Babakan | gambaran |
kaamanan data | Kaamanan siber mangrupikeun tantangan utama pikeun ngalaksanakeun Solusi IoT (Masroor et al., 2021). |
Interoperability jeung ngahiji | Rupa-rupa téknologi sapertos UAV, WSN, IoT, jsb. kudu terpadu jeung ngirimkeun data nu ningkatkeun tingkat pajeulitna (Alsamhi et al., 2021; Popescu et al., 2020; Vuran et al., 2018). |
Biaya palaksanaan | Ieu khususna pikeun patani leutik sareng pikeun ngahijikeun rupa-rupa téknologi canggih ( Masroor et al., 2021). |
pangaweruh Buruh jeung kaahlian | Pilot drone terampil diperyogikeun pikeun ngoperasikeun UAV. Ogé, ngalaksanakeun rupa-rupa motong-ujung téknologi merlukeun pagawe terampil (YB Huang dkk., 2013; Tsouros et al., 2019). |
Engine Power jeung hiber waktu | Drones teu bisa dioperasikeun pikeun jam lila jeung panutup wewengkon badag (Hardin & Hardin, 2010; Laliberte et al., 2007). |
Stabilitas, reliabilitas, sareng maneuverability | Drones teu stabil dina kaayaan cuaca goréng (Hardin & Hardin, 2010; Laliberte et al., 2007). |
watesan payload jeung kualitas sensor | Drones ngan bisa mawa beban kawates ngarah ka kamampuan ngamuat sensor kualitas handap (Nebiker et al., 2008). |
aturan | Salaku drones tiasa bahaya ogé, aya parah peraturan di sababaraha wewengkon (Hardin & Jensen, 2011; Laliberte & Rango, 2011). |
Pangaweruh patani jeung bunga | Salaku téknologi canggih anu sanés, drones palaksanaan suksés perlu kaahlian sarta ogé dibarengan ku kateupastian (Fisher et al., 2009; Lambert dkk., 2004; Stafford, 2000). |
Kusabab aya kabutuhan konstan pikeun éfisién ngagunakeun sumber daya anu aya pikeun maksimalkeun hasil, patani tiasa ngamangpaatkeun drones pikeun mastikeun scanning gancang, akurat, sareng biaya-éféktif dina widangna. Téknologi ieu tiasa ngadukung para patani pikeun nangtoskeun kaayaan pepelakanna sareng ngira-ngira status cai, tahap asak, infestasi serangga, sareng kabutuhan gizi. Kamampuhan jauh-sensing tina drones tiasa masihan patani data anu penting pikeun ngantisipasi masalah dina tahap awal sareng langsung ngadamel intervensi anu cocog. Nanging, mangpaat téknologi ngan ukur tiasa diwujudkeun upami tangtangan éta leres diatasi. Dina lampu tina
masalah ayeuna ngeunaan kaamanan data, isu téhnologi sensor (misalna, reliabiliti atawa akurasi pangukuran), pajeulitna integrasi, sarta waragad palaksanaan badag, studi hareup ogé kudu nalungtik feasibility teknis, ékonomi, jeung operasional tina integrasi drones tatanén sarta motong séjén. téknologi ujung.
watesan
Ulikan urang gaduh sababaraha watesan. Kahiji, papanggihan ditangtukeun ku publikasi dipilih pikeun analisis ahir. Éta nangtang pikeun nangkep sadaya kajian anu aya hubunganana sareng drone pertanian, khususna anu henteu diindeks dina database Scopus. Salajengna, prosés pendataan diwatesan ku setelan kecap konci pilarian, nu bisa jadi teu inklusif tur ngakibatkeun papanggihan inconclusive. Ku kituna, studi kahareup kudu nengetan leuwih kana isu kaayaan ngumpulkeun data sangkan
conclusions leuwih dipercaya. Watesan sanésna nyaéta ngeunaan publikasi énggal kalayan jumlah kutipan anu rendah. Analisis bibliometric condong kana publikasi saméméhna sabab condong nampi langkung seueur kutipan salami sababaraha taun. Panaliti anyar peryogi sajumlah waktos pikeun narik perhatian sareng ngumpulkeun kutipan. Akibatna, studi panganyarna nu mawa shift paradigma moal rengking dina luhureun sapuluh karya boga pangaruh. Watesan ieu kaprah dina pamariksaan domain panalungtikan anu gancang muncul sapertos drone pertanian. Salaku urang geus consulted Scopus pikeun diajar literatur pikeun karya ieu, panalungtik hareup bisa mertimbangkeun béda
basis data, sapertos Web of Science sareng IEEE Xplore, pikeun ngalegaan cakrawala sareng ningkatkeun struktur panalungtikan.
Studi bibliometrik poténsial tiasa mertimbangkeun sumber pangaweruh penting sanés sapertos makalah konperénsi, bab, sareng buku pikeun ngahasilkeun wawasan novel. Sanaos pemetaan sareng nalungtik publikasi global ngeunaan drones tatanén, panemuan kami henteu ngungkabkeun alesan-alesan di balik kaluaran ilmiah universitas. Ieu nyayogikeun jalan ka daérah anyar panalungtikan dina ngajelaskeun sacara kualitatif kunaon sababaraha paguron langkung produktif tibatan anu sanés dina panalungtikan ngeunaan tatanén.
drones. Sajaba ti éta, studi kahareup bisa nyadiakeun wawasan kana potensi drones pikeun ngaronjatkeun kelestarian pertanian ku sababaraha cara kayaning monitoring lingkungan, manajemén pamotongan, sarta pemetaan nalungtik sakumaha dituduhkeun ku sababaraha peneliti (Chamuah & Singh, 2019; Islam et al., 2021; Popescu et al., 2020; J. Su, Liu, et al., 2018b). Kusabab analisis tékstual teu mungkin alatan lobana makalah anu dipilih, aya kabutuhan pikeun tinjauan literatur sistematis anu nalungtik
métode panalungtikan dipaké jeung involvement patani dina studi saméméhna. Pondokna, analisa kami ngeunaan panalungtikan drone ngungkabkeun hubungan anu teu katingali tina badan pangaweruh ieu. Ku kituna ulasan ieu mantuan pikeun uncover hubungan antara publikasi sarta explores struktur inteléktual widang panalungtikan. Éta ogé ngagambarkeun beungkeutan antara rupa-rupa aspék sastra, sapertos kecap konci pangarang, afiliasi, sareng nagara.
Déklarasi Kapentingan Bersaing
Panulis nyatakeun yén aranjeunna henteu terang kana kapentingan kauangan saingan atanapi hubungan pribadi anu tiasa katingali mangaruhan karya anu dilaporkeun dina makalah ieu.
Appendix 1
JUDUL-ABS-KEY (((drone* OR "unmanned aerial vehicle" ATAU uav* ATAU "unmanned aircraft system” ATAWA uas ATAWA "pesawat jarak jauh piloted”) AND (tatanén ATAWA tatanén ATAWA tani ATAWA tani))) JEUNG (KEWAS (PUBYEAR, 2022)) JEUNG (WATAS-TO (BAHASA, "Inggris")).
Rujukan
Aasen, H., Burkart, A., Bolten, A., Bareth, G., 2015. Ngahasilkeun informasi hyperspectral 3D kalawan kaméra snapshot UAV lightweight pikeun monitoring vegetasi: ti
calibration kaméra pikeun jaminan kualitas. ISPRS J. Photogramm. Jauh Sens 108, 245–259. https://doi.org/10.1016/j.isprsjprs.2015.08.002.
Abd-Elrahman, A., Pearlstine, L., Percival, F., 2005. Ngembangkeun algoritma pangakuan pola pikeun deteksi manuk otomatis ti imagery wahana hawa unmanned.
Survey. Inpormasi Tanah. Sci. 65 (1), 37–45.
Abdollahi, A., Rejeb, K., Rejeb, A., Mostafa, MM, Zailani, S., 2021. Jaringan sensor nirkabel dina tatanén: wawasan tina analisis bibliometric. Kelestarian 13 (21),
12011.
Aboutalebi, M., Torres-Rua, AF, Kustas, WP, Nieto, H., Coopmans, C., McKee, M., Assessment sahiji métode béda pikeun deteksi kalangkang dina imagery optik resolusi luhur jeung evaluasi dampak kalangkang dina itungan. NDVI, dan evapotranspirasi. Irrig. Sci. 37 (3), 407–429. https://doi.org/10.1007/s00271-018-0613-9.
Adao, ˜ T., Hruˇska, J., Padua, ´ L., Bessa, J., Peres, E., Morais, R., Sousa, JJ, 2017. Hyperspectral Imaging: review on UAV-based sensors, data ngolah jeung
aplikasi pikeun tatanén jeung kehutanan. Jauh Sensing 9 (11). https://doi.org/ 10.3390/rs9111110.
Agüera Vega, F., Ramírez, FC, Saiz, MP, Rosúa, FO, 2015. Imaging multi-temporal ngagunakeun wahana hawa unmanned pikeun ngawas pamotongan sunflower. Biosis. Eng.
132, 19–27. https://doi.org/10.1016/j.biosystemseng.2015.01.008.
Ajayi, og, Salubi, AA, Angbas, AF, Odigure, mg, 2017. Generasi model élévasi digital akurat ti UAV kaala persentase low gambar tumpang tindihna. Int.
J. Jauh Sens 38 (8-10), 3113-3134. https://doi.org/10.1080/ 01431161.2017.1285085.
Ali, I., Greifeneder, F., Stamenkovic, J., Neumann, M., Notarnicola, C., 2015. Tinjauan pendekatan learning mesin pikeun biomassa jeung retrievals Uap taneuh tina data sensing jauh. Jauh Sensing 7 (12), 16398–16421.
Alsamhi, SH, Afghah, F., Sahal, R., Hawbani, A., Al-qaness, MAA, Lee, B., Guizani, M., Internét héjo ngeunaan hal anu ngagunakeun UAV dina jaringan B5G: Tinjauan aplikasi
jeung strategi. Iklan. Hoc. Netw. 117, 102505 https://doi.org/10.1016/j. adhoc.2021.102505.
Al-Thani, N., Albuainain, A., Alnaimi, F., Zorba, N., 2020. Drones pikeun ngawaskeun Domba Ternak. Dina: 20th IEEE Mediterania Electrotechnical Konférénsi. https://doi.
org/10.1109/MELECON48756.2020.9140588.
Ampatzidis, Y., Partel, V., 2019. basis UAV throughput phenotyping tinggi dina jeruk ngamangpaatkeun Imaging multispectral jeung kecerdasan jieunan. Jauh Sensing 11 (4), https://doi.org/10.3390/rs11040410.
Ampatzidis, Y., Partel, V., Costa, L., 2020. Agroview: Aplikasi dumasar-awan pikeun ngolah, nganalisis jeung visualize data UAV-dikumpulkeun pikeun aplikasi tatanén precision ngamangpaatkeun kecerdasan jieunan. Komputasi. Éléktron. Agric. 174, 105457 HTTPS: // doi. org/10.1016/j.compag.2020.105457.
Ang, K.-L.-M., Seng, JKP, 2021. Big data jeung mesin learning jeung informasi hyperspectral dina tatanén. Aksés IEEE 9, 36699–36718. https://doi.org/10.1109/
AKSES.2021.3051196.
Aquilani, C., Confessore, A., Bozzi, R., Sirtori, F., Pugliese, C., 2022. Review: téhnologi tatanén tatanén precision dina sistem tatanén basis pasture. Sato 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
ngaronjatkeun produktivitas tatanén: analisis bibliometric. Agronomi 10 (12), Pasal 12. https://doi.org/10.3390/agronomi10121989.
Armstrong, I., Pirrone-Brusse, M., Smith, A., Jadud, M., 2011. Gator ngalayang: nuju robotics hawa di occam-π. Komun. Arsitéktur prosés. 2011, 329–340. https://doi. org / 10.3233 / 978-1-60750-774-1-329.
Arora, SD, Chakraborty, A., 2021. Struktur intelektual paripolah complaining konsumen (CCB) panalungtikan: A analisis bibliometric. J. Usaha Res. 122, 60–74.
Aslan, MF, Durdu, A., Sabanci, K., Ropelewska, E., Gültekin, SS, 2022.
Hiji survey komprehensif ngeunaan studi panganyarna kalawan UAV pikeun tatanén precision dina widang kabuka sarta imah kaca. Appl. Sci. 12 (3), 1047. https://doi.org/10.3390/
aplikasi12031047.
Atkinson, JA, Jackson, RJ, Bentley, AR, Ober, E., & Wells, DM (2018). Médan Phenotyping pikeun Future. Dina Harita Tutuwuhan Taunan online (pp. 719–736). John
Wiley & Putra, Ltd doi: 10.1002/9781119312994.apr0651.
Austin, Urang Sunda, 2010. Sistem Pesawat Unmanned: Desain UAVS, Ngembangkeun sarta Deployment. Di: Sistem Pesawat Unmanned: Desain UAVS, Pangwangunan jeung
Panyebaran. John Wiley jeung Putra. 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 basis sensing jauh dina stress tutuwuhan bayangkeun ngagunakeun resolusi luhur sensor termal pikeun prakték tatanén digital: a meta-review. Int. J. Lingkungan. Sci. Téknologi. 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. Pertanian pinter: Kasempetan, tantangan
jeung enablers téhnologi. 2018 IoT nangtung jeung. Topical Summit on Tatanén -Tuscany (IOT Tuscany) 1-6. https://doi.org/10.1109/IOTTUSCANY.2018.8373043.
Bah, MD, Hafiane, A., Terusan, R., 2018. Deep learning jeung panyiri data unsupervised pikeun deteksi nalungtik dina pepelakan garis dina gambar UAV. Jauh Sensing 10 (11), 1690.
https://doi.org/10.3390/rs10111690.
Baldi, S., 1998. Normatif versus prosés constructivist sosial dina alokasi citations: model jaringan-analytic. Am. Sosial. Wahyu 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 variability status cai pakebonan ku termal tur multispectral.
gambar maké wahana hawa unmanned (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., pembibitan generasi saterusna. Tutuwuhan Sci. 242, 3–13. https://doi.org/10.1016/j.
plantsci.2015.07.010.
Barbedo, JGA, Koenigkan, LV, 2018. Perspéktif dina pamakéan sistem hawa unmanned pikeun ngawas sapi. Outlook Agric. 47 (3), 214–222. https://doi.org/10.1177/0030727018781876.
Bareth, G., Aasen, H., Bendig, J., Gnyp, ML, Bolten, A., Jung, A., Michels, R., Soukkamaki, ¨ J., 2015. Low-beurat jeung UAV basis hyperspectral kaméra pinuh-pigura
pikeun ngawas pepelakan: Perbandingan spéktral sareng pangukuran spéktroradiometer portabel. 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., Panginderaan jauh hawa dina tatanén: Pendekatan praktis pikeun liputan daérah.
jeung tata jalur pikeun fleets of mini robot hawa. J. Lapang 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. Hiji survey dina aplikasi tina algoritma jalur-tata pikeun UAVs multi-rotor di precision.
tatanén. J. Navigasi. 75 (2), 364–383.
Basnet, B., Bang, J., 2018. The state-of-the-art tatanén pangaweruh-intensif: review on sistem sensing terapan sarta analytics data. J. Sens 2018, 1–13.
Bendig, J., Bolten, A., Bareth, G., 2013. Imaging basis UAV pikeun multi-temporal, model permukaan pamotongan resolusi luhur pisan pikeun monitor variability tumuwuhna pamotongan. 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. Estimasi biomassa sa'ir ngagunakeun model permukaan pamotongan (CSMs) diturunkeun tina UAVbased RGB Imaging. Jauh Sensing 6 (11), 10395–10412.
Bendig, J., Yu, K., Aasen, H., Bolten, A., Bennertz, S., Broscheit, J., Gnyp, ML, Bareth, G., 2015. Ngagabungkeun jangkungna tutuwuhan dumasar-UAV tina beungeut pamotongan. model,
indéks vegetasi infra red katempo, sarta deukeut pikeun monitoring biomassa dina sa'ir. Int. J. Appl. Bumi 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. Mapping konduktansi kanopi sareng CWSI di kebon zaitun nganggo resolusi anu luhur
imagery sensing jauh termal. Lingkungan Sens Jauh. 113 (11), 2380–2388. https://doi.org/10.1016/j.rse.2009.06.018.
Berni, JA, Zarco-Tejada, PJ, Suarez, ´ L., Fereres, E., 2009b. Thermal sareng narrowband multispectral remote sensing pikeun ngawaskeun vegetasi tina kandaraan hawa unmanned. IEEE Trans. Geosci. Jauh Sens 47 (3), 722-738.
Bouzembrak, Y., Klüche, M., Gavai, A., Marvin, HJP, 2019. Internet of Things dina kaamanan pangan: review literatur jeung analisis bibliometric. Tren Dahareun Sci. Téknologi. 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 dina tatanén: Ngarancang pilot skala badag Éropa-lega. IEEE Commun. Mag. 55 (9), 26–33.
Buters, TM, Belton, D., Cross, AT, 2019. Multi-sensor UAV tracking bibit individu jeung komunitas seedling dina akurasi milimeter. Drones 3 (4), 81.
https://doi.org/10.3390/drones3040081.
Candiago, S., Remondino, F., De Giglio, M., Dubbini, M., Gattelli, M., 2015. Evaluating gambar multispectral jeung indéks vegetasi pikeun aplikasi pertanian precision tina gambar UAV. Jauh Sensing 7 (4), 4026–4047. https://doi.org/10.3390/rs70404026.
Cao, Y., Li, GL, Luo, YK, Pan, Q., Zhang, SY, 2020. Ngawaskeun indikator pertumbuhan bit gula ngagunakeun indéks vegetasi rentang dinamis lega (WDRVI) diturunkeun tina UAV
gambar multispektral. Komputasi. Éléktron. Agric. 171, 105331 https://doi.org/10.1016/j.compag.2020.105331.
Casillas, J., Acedo, F., 2007. Évolusi struktur inteléktual sastra bisnis kulawarga: ulikan bibliometric of FBR. Usaha kulawarga Wahyu 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. Ngawaskeun dinamis biomassa béas handapeun
perlakuan nitrogén béda ngagunakeun UAV lightweight kalawan kaméra snapshot gambar-pigura ganda. Métode tutuwuhan 15 (1), 32. https://doi.org/10.1186/s13007-019-
0418-8.
Chamuah, A., Singh, R., 2019. Ngamankeun kelestarian dina tatanén India ngaliwatan UAV sipil: sudut pandang inovasi jawab. Aplikasi SN Sci. 2 (1), 106. https://
doi.org/10.1007/s42452-019-1901-6.
Chamuah, A., Singh, R., 2022. Tanggung jawab governance of sipil unmanned hawa wahana (UAV) inovasi pikeun aplikasi asuransi pamotongan India. J. Tanggung jawab
Téknologi. 9, 100025 https://doi.org/10.1016/j.jrt.2022.100025.
Chen, A., Orlov-Levin, V., Meron, M., 2019. Nerapkeun resolusi luhur ditingali-channel hawa Imaging tina kanopi pamotongan pikeun manajemén irigasi precision. Agric. Cai
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 lightweight kalawan on-board photogrammetry jeung singlefrequency GPS positioning pikeun aplikasi metrology. ISPRS J. Photogramm. Jauh Sens 127, 115–126. https://doi.org/10.1016/j.isprsjprs.2016.12.007.
Dawaliby, S., Aberkane, A., Bradai, A., 2020. Platform IoT basis Blockchain pikeun manajemén operasi drone otonom. Dina: Prosiding ACM ka-2
MobiCom Workshop on Drone Assisted Wireless Communications for 5G and Beyond, p. 31–36. https://doi.org/10.1145/3414045.3415939.
Day, RA, Gastel, B., 1998. Cara nulis jeung nyebarkeun karya ilmiah. Cambridge Universitas Pencét. de Castro, AI, Pena, ˜ JM, Torres-Sanchez, ´ J., Jim´énez-Brenes, FM, ValenciaGredilla, F., Recasens, J., Lopez-Granados, ´ F., 2020. Mapping cynodon dactylon infesting panutup pepelakan kalawan prosedur tangkal-OBIA kaputusan otomatis tur imagery UAV pikeun viticulture precision. Jauh Sensing 12 (1), 56. HTTPS://doi.org/10.3390/rs12010056.
de Castro, AI, Torres-S' anchez, J., Pena, ˜ JM, Jim'énez-Brenes, FM, Csillik, O., Lopez-'Granados, F., 2018. Algoritma leuweung-OBIA acak otomatis pikeun pemetaan jukut awal antara jeung dina baris pamotongan ngagunakeun imagery UAV. Jauh Sensing 10 (2). https://doi.org/10.3390/rs10020285.
Demir, N., Sonmez, ¨ NK, Akar, T., Ünal, S., 2018. Pangukuran Otomatis Jangkungna Tutuwuhan Genotip Gandum Ngagunakeun DSM Diturunkeun tina UAV Imagery. Prosiding 2 (7), 350. HTTPS://doi.org/10.3390/ecrs-2-05163.
Deng, J., Zhong, Z., Huang, H., Lan, Y., Han, Y., Zhang, Y., 2020. Jaringan segmentasi semantik hampang pikeun pemetaan gulma sacara real-time nganggo kendaraan hawa anu teu aya awak. Appl. Sci. 10 (20), 7132. https://doi.org/10.3390/app10207132.
Deng, L., Mao, Z., Li, X., Hu, Z., Duan, F., Yan, Y., 2018. basis UAV multispectral sensing jauh pikeun tatanén precision: ngabandingkeun antara kaméra béda. ISPRS J. Photogramm. Jauh Sens 146, 124–136.
Diaz-Gonzalez, FA, Vuelvas, J., Correa, CA, Vallejo, VE, Patino, D., 2022. Mesin learning jeung téhnik sensing jauh dilarapkeun ka estimasi indikator taneuh - review. Ékol. 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. Imagery UAV airborne resolusi luhur pikeun meunteun parameter makuta tangkal zaitun nganggo poto 3D.
rekonstruksi: aplikasi dina percobaan beternak. Jauh Sensing 7 (4), 4213–4232. https://doi.org/10.3390/rs70404213.
Dixit, A., Jakhar, SK, 2021. Manajemén kapasitas bandara: review sarta analisis bibliometric. 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.
Ngagunakeun imagery RapidEye pikeun ngaidentipikasi variability dina widang tumuwuhna pamotongan jeung ngahasilkeun di Ontario, Kanada. Precision Agric. 20 (6), 1231–1250. https://doi.org/10.1007/
s11119-019-09646-w.
Dutta, PK, Mitra, S., 2021. Aplikasi drones tatanén sareng iot pikeun ngartos ranté pasokan pangan salami pasca COVID-19. In: Choudhury, A., Biswas, A., Prateek, M.,
Chakrabarti, A. (Eds.), Informatika Pertanian: Automation Ngagunakeun IoT jeung Mesin Learning. Wiley, kaca 67–87. van Eck, N., Waltman, L., 2009. survéy software: VOSviewer, program komputer pikeun pemetaan bibliometric. Scientometrics 84 (2), 523-538. https://doi.org/10.1007/s11192-009-0146-3.
Elijah, O., Rahman, TA, Orikumhi, I., Leow, CY, Hindia, Bungbulang, 2018. Tinjauan Internet of Things (IoT) jeung analytics data dina tatanén: kauntungan sarta tantangan.
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. Validasi agronomis UAV jeung sawah
ukuran pikeun variétas tomat. Komputasi. Éléktron. Agric. 158, 278–283. https://doi.org/10.1016/j.compag.2019.02.011.
Espinoza, CZ, Khot, LR, Sankaran, S., Jacoby, PW, 2017. Resolusi luhur multispectral jeung termal dumasar sensing jauh stress assessment stress cai di
subsurface irigasi grapevines. Jauh Sensing 9 (9), 961. HTTPS://doi.org/ 10.3390/rs9090961.
Ewing, J., Oommen, T., Jayakumar, P., Alger, R., 2020. Ngamangpaatkeun hyperspectral remote sensing pikeun gradasi taneuh. 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. Evaluasi multiskala tina pantulan permukaan multispektral berbasis drone sareng indéks vegetasi dina kaayaan operasional. Jauh Sensing 12 (3), 514.
Feng, X., Yan, F., Liu, X., 2019. Ulikan ngeunaan téknologi komunikasi nirkabel dina Internet of Things pikeun tatanén precision. Wireless Pers. Komun. 108 (3),
1785-1802.
Ferreira, MP, Pinto, CF, Serra, FR, 2014. Téori waragad transaksi dina panalungtikan bisnis internasional: ulikan bibliometric leuwih tilu puluh. Scientometrics 98 (3), 1899-1922. https://doi.org/10.1007/s11192-013-1172-8.
Fisher, P., Abuzar, M., Rab, M., pangalusna, F., Chandra, S., 2009. Kamajuan dina tatanén precision di kidul-wétan Australia. I. a metodologi regression mun simulate
variasi spasial dina ngahasilkeun sereal ngagunakeun paddock sajarah patani ngahasilkeun sarta indéks vegetasi normalisasi. Pamotongan padang rumput hejo Sci. 60 (9), 844–858.
Floreano, D., Kai, RJ, 2015. Élmu, téhnologi jeung masa depan drones otonom leutik. Alam 521 (7553), 460–466. https://doi.org/10.1038/nature14542.
Friha, O., Ferrag, MA, Shu, L., Maglaras, LA, Wang, X., 2021. Internét tina hal pikeun masa depan tatanén pinter: survey komprehensif ngeunaan téknologi munculna. IEEE CAA J. Otomatis. 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. Segmentasi tutuwuhan Gbr ti gambar hawa ngagunakeun jaringan encoder-decoder convolutional jero. Jauh 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 tantangan ka assess stress cai pikeun
tatanén lestari. Agric. Cai Manag. 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. Thermal Imaging dina tutuwuhan
tingkat pikeun meunteun status pepelakan-cai dina tangkal almond (cv. Guara) dina strategi irigasi defisit. Agric. Cai Manag. 208, 176–186. https://doi.org/10.1016/j.
agwat.2018.06.002.
Garzonio, R., Di Mauro, B., Colombo, R., Cogliati, S., 2017. Surface reflectance jeung ukuran spéktroskopi fluoresensi suninduced maké UAS hyperspectral leutik. Jauh Sensing 9 (5), 472. HTTPS://doi.org/10.3390/rs9050472. Gaˇ sparovi'c, M., Zrinjski, M., Barkovi'c, Đ., Radoˇcaj, D., 2020. Metode otomatis pikeun
pemetaan nalungtik dina widang oat dumasar kana imagery UAV. Komputasi. Éléktron. Agric.
Gebbers, R., Adamchuk, VI, 2010. tatanén precision sarta kaamanan pangan. Élmu 327 (5967), 828-831. https://doi.org/10.1126/science.1183899.
Geipel, J., Patalina, J., Claupein, W., 2014. Digabungkeun spéktral jeung spasial modeling ngahasilkeun jagong dumasar kana gambar hawa sarta model permukaan pamotongan kaala kalawan sistem pesawat unmanned. Jauh Sensing 6 (11), 10335–10355. https://doi.org/10.3390/rs61110335.
Geng, D., Feng, Y., Zhu, Q., 2020. Desain sustainable pikeun pamaké: review literatur jeung analisis bibliometric. Lingkungan. Sci. Ngotoran. Res. 27 (24), 29824–29836. https://doi. org / 10.1007 / s11356-020-09283-1.
Gevaert, CM, Suomalainen, J., Tang, J., Kooistra, L., 2015. Generasi permukaan respon spéktraltemporal ku ngagabungkeun satelit multispectral na hyperspectral.
imagery UAV pikeun aplikasi tatanén precision. IEEE J. Sel. Puncak. Appl. Bumi Obs. Jauh Sens 8 (6), 3140-3146. ttps://doi.org/10.1109/JSTARS.2015.2406339.
Gill, SS, Chana, I., Buyya, R., 2017. IoT dumasar tatanén salaku awan na dataservice badag: awal India digital. J. Org. sareng Komputasi Pamaké Ahir. (JOEUC) 29 (4),
1-23.
Gmür, M., 2006. Analisis ko-cutatan sareng milarian kuliah anu teu katingali: evaluasi metodologis. Scientometrics 57 (1), 27-57. https://doi.org/10.1023/
a: 1023619503005.
Gnadinger, ¨ F., Schmidhalter, U., 2017. Jumlah digital tutuwuhan jagung ku Unmanned Aerial Vehicles (UAVs). Jauh Sensing 9 (6). Https://doi.org/10.3390/rs9060544.
Gokto ¨ ǧan, AH, Sukkarieh, S., Bryson, M., Randle, J., Lupton, T., Hung, C., 2010. A Rotary-wing unmanned air vehicle for aquatic weed surveillance and
manajemén. J. Intell. Sistem Robotik: Téori. 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. Assessing akurasi mosaics ti unmanned aerial vehicle (UAV) imagery pikeun kaperluan tatanén precision dina gandum. Precis. Agric. 15 (1), 44–56. https://doi.org/10.1007/s11119-013-9335-4.
Gomez-Cand ´ on, ´ D., Virlet, N., Labb´e, S., Jolivot, A., Regnard, J.-L., 2016. Médan phenotyping setrés cai dina skala tangkal ku imagery UAV-sense : wawasan anyar pikeun
akuisisi termal jeung calibration. Precis. Agric. 17 (6), 786–800. https://doi.org/10.1007/s11119-016-9449-6.
Gonzalez-Dugo, V., Zarco-Tejada, PJ, Fereres, E., 2014. Applicability sarta watesan ngagunakeun indéks stress cai pamotongan salaku hiji indikator deficits cai di dusun jeruk. Agric. Pikeun. Meteorol. 198–199, 94–104. https://doi.org/10.1016/j. agrformet.2014.08.003.
Gonzalez-Dugo, V., Zarco-Tejada, P., Nicolas, ´ E., Nortes, PA, Alarcon, ´ JJ, Intrigliolo, DS, Fereres, E., 2013. Ngagunakeun resolusi luhur UAV imagery termal mun
meunteun variabilitas dina status cai lima spésiés tangkal buah dina hiji dusun komérsial. Precis. Agric. 14 (6), 660–678. https://doi.org/10.1007/s11119-013-9322-9.
Goyal, K., Kumar, S., 2021. melek finansial: A review sistematis jeung analisis bibliometric. Int. J. Studi Konsumén 45 (1), 80-105. https://doi.org/10.1111/
ijcs.12605.
Grenzdorffer, ¨ GJ, Engel, A., Teichert, B., 2008. Poténsi photogrammetric of uavs béaya rendah dina kehutanan jeung tatanén. Arsip Internasional Photogrammetry, Jauh Sensing sareng Élmu Émbaran Spasial - Arsip ISPRS 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 korelasi resolusi luhur
NDVI kalayan tingkat aplikasi pupuk jeung ngahasilkeun palawija béas jeung gandum ngagunakeun UAVs leutik. Jauh Sensing 11 (2), 112.
Gundolf, K., Filser, M., 2013. Manajemén panalungtikan jeung agama: analisis cutatan. J. Beus. Étika 112 (1), 177–185.
Guo, Q., Zhu, Y., Tang, Y., Hou, C., He, Y., Zhuang, J., Zheng, Y., Luo, S., 2020. Simulasi CFD jeung verifikasi eksperimen spasial jeung sebaran temporal tina
aliran hawa downwash tina quad-rotor tatanén UAV di hover. Komputasi. Éléktron. Agric. 172, 105343 https://doi.org/10.1016/j.compag.2020.105343.
Haghighattalab, A., Gonz' alez P'erez, L., Mondal, S., Singh, D., Schinstock, D., Rutkoski, J., Ortiz-Monasterio, I., Singh, RP, Goodin, D. , Polandia, J., 2016.
Aplikasi tina sistem hawa unmanned pikeun phenotyping throughput tinggi pabinihan beternak gandum badag. Métode tutuwuhan 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. Pencitraan spéktral tina UAV dina kaayaan katerangan anu béda-béda . Dina GG Bill R. (Ed.), International Archives of Photogrammetry, Jauh sensing jeung Élmu Émbaran spasial-ISPRS Archives (Vol. 40, Ngaluarkeun 1W2, pp. 189-194). International Society for Photogrammetry and Remote Sensing. https://www.scopus.com/inward/record.uri?eid=2-s2.0-848875632.
Hamylton, SM, Morris, RH, Carvalho, RC, Roder, N., Barlow, P., Mills, K., Wang, L. Téhnik evaluating pikeun pemetaan vegetasi pulo tina hawa unmanned
gambar wahana (UAV): Klasifikasi piksel, interpretasi visual jeung pendekatan learning mesin. Int. J. Appl. Bumi Obs. Geoinf. 89, 102085 https://doi.org/
10.1016/j.jag.2020.102085.
Haque, A., Islam, N., Samrat, NH, Dey, S., Ray, B., 2021. Pertanian pinter ngaliwatan kapamimpinan jawab di bangladesh: kamungkinan, kasempetan, jeung saterusna.
Kelestarian 13 (8), 4511.
Hardin, PJ, Hardin, TJ, 2010. skala leutik kandaraan piloted jarak jauh dina panalungtikan lingkungan. Géografi Kompas 4 (9), 1297–1311. ttps://doi.org/10.1111/j.1749-
8198.2010.00381.x.
Hardin, PJ, Jensen, RR, 2011. Kandaraan hawa unmanned skala leutik dina sensing jauh lingkungan: tantangan jeung kasempetan. GISci. Jauh Sens 48 (1), 99-111. https://doi.org/10.2747/1548-1603.48.1.99.
Anjeunna, Y., Nie, P., Zhang, Q., Liu, F., 2021. Internet Pertanian tina Things: téknologi sarta aplikasi, (1st ed. 2021 édisi). Springer.
Herwitz, SR, Johnson, LF, Dunagan, SE, Higgins, RG, Sullivan, DV, Zheng, J., Lobitz, BM, Leung, JG, Gallmeyer, BA, Aoyagi, M., Slye, RE, Kuningan, JA, 2004.
Pencitraan tina kendaraan hawa anu teu aya awak: panjagaan tatanén sareng dukungan kaputusan. Komputasi. Éléktron. Agric. 44 (1), 49–61. https://doi.org/10.1016/j.
compag.2004.02.006.
Holman, FH, Riche, AB, Michalski, A., Castle, M., Wooster, MJ, Hawkesford, MJ, High throughput médan phenotyping jangkungna tutuwuhan gandum jeung laju tumuwuh dina percobaan plot widang ngagunakeun UAV dumasar sensing jauh. Jauh 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. Ngolah jeung meunteun tina spectrometric, imagery stereoscopic dikumpulkeun maké kaméra spéktral UAV lightweight pikeun tatanén precision. Jauh Sensing 5 (10), 5006–5039. https://doi.org/10.3390/rs5105006.
Hossein Motlagh, N., Taleb, T., Arouk, O., 2016. Low-altitude unmanned aerial vehiclesbased internét jasa hal: survéy komprehensif sarta perspéktif hareup. 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. Gabungan optik-aliran jeung navigasi stereo basis canyons urban pikeun UAV a. Dina: 2005 IEEE/RSJ
Konférénsi Internasional ngeunaan Robot jeung Sistem calakan, pp. 3309-3316. https://doi.org/10.1109/IROS.2005.1544998.
Hsu, T.-C., Yang, H., Chung, Y.-C., Hsu, C.-H., 2020. Platform tatanén IoT Kreatif pikeun komputasi kabut awan. Manjangkeun. Komputasi. Inf. Syst. 28, 100285.
Huang, H., Deng, J., Lan, Y., Yang, A., Deng, X., Zhang, L., Gonzalez-Andujar, JL, 2018. A fully convolutional network for weed mapping of unmanned aerial vehicle ( UAV) gambar. PLoS HIJI 13 (4), e0196302.
Huang, H., Lan, Y., Yang, A., Zhang, Y., Wen, S., Deng, J., 2020. Pangajaran jero versus Analisis Gambar Berbasis Objek (OBIA) dina pemetaan weed of imagery UAV. Int. J.
Jauh 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. Kalibrasi warna jero pikeun gambar UAV dina ngawaskeun pamotongan
ngagunakeun alih gaya semantik kalayan perhatian lokal ka global. Int. J. Appl. Bumi Obs. Geoinf. 104, 102590 https://doi.org/10.1016/j.jag.2021.102590.
Huang, YB, Thomson, SJ, Hoffmann, WC, Lan, YB, Fritz, BK, 2013. Ngembangkeun sarta prospek téknologi wahana hawa unmanned pikeun produksi tatanén
manajemén. 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. Ngembangkeun sistem semprot pikeun platform wahana hawa unmanned. Appl. Eng. Agric. 25 (6), 803–809.
Hunt Jr., ER, Dean Hively, W., Fujikawa, SJ, Linden, DS, Daughtry, CST, McCarty, GW, 2010. Akuisisi poto digital NIR-héjo-biru ti
pesawat unmanned pikeun ngawas pamotongan. Panginderaan Jauh 2 (1), 290–305. https://doi. org / 10.3390 / rs2010290. Inoue, Y., 2020. Satelit- sareng basis drone panginderaan jauh pepelakan sareng taneuh pikeun pertanian pinter-tinjauan. Sci taneuh. Tumbuhan Nutr. 66 (6), 798–810. https://doi.org/10.1080/00380768.2020.1738899.
Islam, N., Rasyid, MM, Pasandeh, F., Ray, B., Moore, S., Kadel, R., 2021. Tinjauan aplikasi sareng téknologi komunikasi pikeun Internet of Things (IoT) sareng
Unmanned Aerial Vehicle (UAV) dumasar pertanian pinter sustainable. Kelestarian 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 akurasi model permukaan digital resolusi luhur diitung ku
PhotoScan® jeung MicMac® dina kaayaan survéy sub-optimal. Jauh 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. Quantifying dampak pruning on arsitéktur tangkal zaitun jeung taunan pertumbuhan kanopi ku ngagunakeun modeling 3D basis UAV. Métode tutuwuhan 13 (1). https://doi.org/10.1186/s13007-017-0205-3.
Jin, X., Liu, S., Baret, F., Hemerl'e, M., Comar, A., 2017. Perkiraan dénsitas tutuwuhan pepelakan gandum dina mecenghulna ti luhur pisan low UAV imagery. Jauh Sens.
Lingkungan. 198, 105–114. https://doi.org/10.1016/j.rse.2017.06.007.
Jinbo, C., Xiangliang, C., Han-Chi, F., Lam, A., 2019. Sistem ngawaskeun produk pertanian dirojong ku komputasi awan. Komputasi Kluster. 22 (4), 8929–8938.
Ju, C., & Putra, HI 2018a. Evaluasi kinerja sababaraha sistem UAV pikeun sensing jauh dina tatanén. Prosiding Workshop on Robotic Visi jeung Aksi dina Tatanén di IEEE International Conference on Robotics and Automation (ICRA), Brisbane, Australia, 21–26.
Ju, C., Putra, HI, 2018b. Sababaraha sistem UAV pikeun aplikasi pertanian: kontrol, palaksanaan, sareng evaluasi. Éléktronik 7 (9), 162. https://doi.org/10.3390/
éléktronika7090162.
Jung, J., Maeda, M., Chang, A., Bhandari, M., Ashapure, A., Landivar-Bowles, J., 2021. Potensi penginderaan jauh sareng intelijen buatan salaku alat pikeun ningkatkeun
daya tahan sistem produksi pertanian. Curr. Opin. Biotéhnologi. 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. Téhnik kepanduan pamotongan anu ditingkatkeun ngalebetkeun pencitraan pamotongan multispektral anu dibantuan kendaraan udara tanpa awak kana prakték kepanduan konvensional pikeun hawar batang gummy dina samangka. Tutuwuhan Dis. 103 (7), 1642–1650.
Kapoor, KK, Tamilmani, K., Rana, NP, Patil, P., Dwivedi, YK, Nerur, S., 2018. Kamajuan dina panalungtikan média sosial: kaliwat, ayeuna jeung mangsa nu bakal datang. ngawartosan. Syst. Hareupeun. 20
(3), 531-558.
Kerkech, M., Hafiane, A., Terusan, R., 2020. VddNet: jaringan deteksi kasakit Vine dumasar kana gambar multispectral jeung peta jero. Jauh Sensing 12 (20), 3305. HTTPS: // doi. org / 10.3390 / rs12203305.
Khaliq, A., Comba, L., Biglia, A., Ricauda Aimonino, D., Chiaberge, M., Gay, P., 2019. Babandingan citra multispektral satelit sareng basis UAV pikeun kebon anggur.
assessment variability. Jauh Sensing 11 (4). https://doi.org/10.3390/rs11040436.
Khan, PW, Byun, Y.-C., Park, N., 2020. IoT-blockchain diaktipkeun Sistim provenance dioptimalkeun pikeun industri pangan 4.0 ngagunakeun learning jero canggih. Sénsor 20 (10), 2990.
Khan, RU, Khan, K., Albattah, W., Qamar, AM, Ullah, F., 2021. Deteksi dumasar-gambar panyakit tutuwuhan: tina mesin pembelajaran klasik ka perjalanan pembelajaran jero. Komunitas nirkabel. Komputer Mobile. 2021, 1–13.
Khan, S., Tufail, M., Khan, MT, Khan, ZA, Iqbal, J., Alam, M., Le, KNQ, 2021. A novel kerangka semi-diawasan pikeun UAV dumasar klasifikasi pamotongan / nalungtik. PLoS HIJI 16 (5), e0251008.
Khanal, S., Fulton, J., Shearer, S., 2017. Tinjauan aplikasi ayeuna jeung poténsi sensing jauh termal dina tatanén precision. Komputasi. Éléktron.
Agric. 139, 22–32. https://doi.org/10.1016/j.compag.2017.05.001.
Khanna, A., Kaur, S., 2019. Evolution of Internet of Things (IoT) sareng dampak anu signifikan dina widang Precision Agriculture. Komputasi. Éléktron. Agric. 157, 218–231.
Kim, W., Khan, GF, Kai, J., Mahmood, MT, 2016. Dursasana pagawe pikeun organisasi sustainable: analisis keyword ngagunakeun analisis jaringan sosial jeung burst
pendekatan deteksi. Kelestarian 8 (7), 631.
Kirsch, M., Lorenz, S., Zimmermann, R., Tusa, L., Mockel, ¨ R., Hodl, ¨ P., Booysen, R., Khodadadzadeh, M., Gloaguen, R., 2018. Integrasi tina terestrial sareng drone-ditanggung
métode sensing hyperspectral na photogrammetric pikeun pemetaan éksplorasi jeung monitoring pertambangan. Jauh Sensing 10 (9), 1366. https://doi.org/10.3390/
rs10091366.
Kitano, BT, Mendes, CCT, Geus, AR, Oliveira, HC, Souza, JR, 2019. Jagung cacah cacah ngagunakeun deep learning jeung gambar UAV. IEEE Geosci. Jauh Sens Lett. 1–5 https://doi.org/10.1109/LGRS.2019.2930549.
Koh, JCO, Spangenberg, G., Kant, S., 2021. Pembelajaran mesin otomatis pikeun phenotyping tutuwuhan dumasar-gambar highthroughput. Jauh Sensing 13 (5), 858. https://
doi.org/10.3390/rs13050858.
Kovalev, IV, Voroshilova, AA, 2020. Tren téknologi modéren dina pamekaran ékosistem UAV kargo. J. Phys. Conf. Ser. 1515 (5), 052068 HTTPS: // doi. org/10.1088/1742-6596/1515/5/052068.
Krul, S., Pantos, C., Frangulea, M., Valente, J., 2021. Visual SLAM pikeun tatanén indoor jeung pertanian maké drone leutik kalawan kaméra monocular: studi feasibility.
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 pikeun automation tatanén ti melak ka
panén. Di: INES 2018 - IEEE 22. Konférénsi Internasional on Systems Téknik calakan, pp.. 000353-358. https://doi.org/10.1109/INES.2018.8523943.
Lagkas, T., Argyriou, V., Bibi, S., Sarigiannidis, P., 2018. pintonan kerangka UAV IoT jeung tantangan: nuju ngajaga drones salaku "Hal". sénsor 18 (11), 4015. HTTPS://doi.org/10.3390/s18114015.
Laliberte, AS, Rango, A., 2011. Prosedur ngolah gambar sareng klasifikasi pikeun analisa gambar sub-decimeter anu dicandak ku pesawat tanpa awak dina gersang.
jajaran. GISci. Jauh Sens 48 (1), 4–23. https://doi.org/10.2747/1548-1603.48.1.4.
Laliberte, AS, Rango, A., Herrick, JE, 2007. Kandaraan hawa unmanned pikeun pemetaan rangeland jeung ngawaskeun: ngabandingkeun dua sistem. Prosiding Konférénsi Taunan ASPRS.
Lam, OHY, Dogotari, M., Prüm, M., Vithlani, HN, Roers, C., Melville, B., Zimmer, F., Becker, R., 2021. Alur kerja open source pikeun pemetaan jukut di padang rumput hejo.
ngagunakeun wahana hawa unmanned: Ngagunakeun Rumex obtusifolius salaku studi kasus. 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. Nyoko, Profitability, sarta ngagunakeun hadé data pertanian precision.
Kertas kerja. Universitas 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 hawa wahana imagery pikeun ngawaskeun kuantitatif pamotongan gandum dina plot leutik. Sénsor 8 (5), 3557–3585. https://doi.org/10.3390/s8053557.
Li, C., Niu, B., 2020. Desain tatanén pinter dumasar kana data badag sarta Internet mahluk. Int. J. Distribusi. Sens. Netw. 16 (5) ttps://doi.org/10.1177/1550147720917065.
Li, W., Niu, Z., Chen, H., Li, D., Wu, M., Zhao, W., 2016. Estimasi jauh jangkungna kanopi jeung biomassa aboveground jagung ngagunakeun gambar stereo resolusi luhur ti a sistem wahana hawa unmanned béaya rendah. Ékol. 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. Mesin learning dina tatanén: review hiji. Sénsor 18 (8), 2674.
Liebisch, F., Kirchgessner, N., Schneider, D., Walter, A., Hund, A., 2015. Jauh, phenotyping hawa tina Tret jagung kalayan pendekatan multi-sensor mobile. Métode tutuwuhan 11 (1), 9. HTTPS://doi.org/10.1186/s13007-015-0048-8.
Lin, Z., Guo, W., 2020. Deteksi panicle sorgum sareng cacah ngagunakeun gambar sistem hawa unmanned sareng diajar jero. Hareupeun. Tutuwuhan Sci. 11.
Liu, S., Guo, L., Webb, H., Ya, X., Chang, X., 2019. Internet of Things ngawaskeun sistem tatanén éko modern dumasar kana komputasi awan. Aksés IEEE 7, 37050–37058.
Lopez-Granados, ´ F., 2011. Deteksi nalungtik pikeun manajemén nalungtik spésifik situs: pemetaan jeung pendekatan real-time. Rumput Res. 51 (1), 1–11. https://doi.org/10.1111/j.1365-3180.2010.00829.x.
Lopez-Granados, ´ F., Torres-Sanchez, ´ J., De Castro, A.-I., Serrano-P´erez, A., MesasCarrascosa, F.-J., Pena, ˜ J.-M. , 2016. Ngawaskeun awal dumasar-obyek tina jukut jukut dina pamotongan jukut ngagunakeun imagery UAV resolusi luhur. Agron. Manjangkeun. 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. Pemetaan jukut usum awal dina kembang matahari nganggo téknologi UAV: variabilitas peta perlakuan herbisida ngalawan ambang jukut. Precis. Agric. 17 (2), 183–199.
Lucieer, A., Malenovský, Z., Veness, T., Wallace, L., 2014. HyperUAS - spéktroskopi Imaging tina sistem pesawat multirotor unmanned. J. Lapang 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. Terrestrial laser scanning of pepelakan tatanén. Dina JJ
Chen J. Maas H–G. (Ed.), International Archives of Photogrammetry, Jauh Sensing jeung Élmu Émbaran Spasial-ISPRS Archives (Vol. 37, pp. 563-566).
International Society for Photogrammetry and Remote Sensing. https://www.scopus.com/inward/record.uri?eid=2-s2.0-84919356328&partnerID=40&md5=574
b802131a99d16318ce619a01ca1bf.
Ma, L., Li, M., Ma, X., Cheng, L., Du, P., Liu, Y., 2017. Tinjauan klasifikasi gambar lahan-tutupan objek diawasan. ISPRS J. Photogramm. Jauh Sens. 130,
277–293. https://doi.org/10.1016/j.isprsjprs.2017.06.001.
Maes, WH, Steppe, K., 2019. Perspéktif pikeun sensing jauh jeung kandaraan hawa unmanned dina tatanén precision. Tren 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.
Unmanned aerial system (UAS) -based phenotyping of kedele ngagunakeun multi-sensor data fusion jeung mesin pembelajaran ekstrim. ISPRS J. Photogramm. Jauh 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.
Pemantauan pamotongan nganggo fusi data satelit / UAV sareng pembelajaran mesin. Jauh Sensing 12 (9), 1357. HTTPS://doi.org/10.3390/rs12091357.
Manfreda, S., McCabe, M., Gedang, 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. Dina pamakéan sistem hawa unmanned pikeun
ngawas lingkungan. Jauh Sensing 10 (4), 641.
Marinko, RA, 1998. Citations ka jurnal studi awéwé di dissertations, 1989 jeung The Serials Librarian 35 (1-2), 29-44. https://doi.org/10.1300/J123v35n01_
03.
Masroor, R., Naeem, M., Ejaz, W., 2021. Manajemén sumberdaya dina jaringan nirkabel UAV-ditulungan: hiji sudut pandang optimasi. Jaringan Ad Hoc. 121, 102596 https://doi.org/10.1016/j.adhoc.2021.102596.
Matese, A., Di Gennaro, SF, 2018. Aplikasi praktis platform UAV multisensor dumasar kana multispectral, termal jeung RGB gambar resolusi luhur di precision.
angguran. Tatanén 8 (7), 116. https://doi.org/10.3390/agriculture8070116.
Matese, A., Di Gennaro, SF, 2021. Saluareun indéks NDVI tradisional salaku faktor konci pikeun mainstream pamakéan UAV dina viticulture precision. 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 Intercomparison of UAV, pesawat
sarta platform sensing jauh satelit pikeun viticulture precision. Jauh Sensing 7 (3), 2971–2990. https://doi.org/10.3390/rs70302971.
Mazzia, V., Comba, L., Khaliq, A., Chiaberge, M., Gay, P., 2020. UAV jeung mesin learning dumasar pemurnian indéks vegetasi satelit-disetir pikeun precision
tatanén. sénsor 20 (9), 2530. HTTPS://doi.org/10.3390/s20092530.
McCain, KW, 1990. Mapping pangarang dina spasi inteléktual: Tinjauan teknis. J. Am. Soc. Inpo. Sci. 41 (6), 433–443.
Meinen, BU, Robinson, DT, 2021. modeling erosi tatanén: evaluating USLE na WEPP estimasi erosi skala widang ngagunakeun data UAV time-seri. Lingkungan. Modell. Software 137, 104962. HTTPS://doi.org/10.1016/j.envsoft.2021.104962.
Melville, B., Lucieer, A., Aryal, J., 2019. Klasifikasi komunitas padang rumput hejo pribumi dataran rendah ngagunakeun Citra Hyperspectral Unmanned Aircraft System (UAS) dina
Midlands Tasmania. Drones 3 (1), 5.
Messina, G., Modica, G., 2020. Aplikasi tina imagery termal UAV dina tatanén precision: kaayaan seni tur outlook panalungtikan hareup. Jauh Sensing 12 (9), https://doi.org/10.3390/rs12091491.
Mishra, D., Luo, Z., Jiang, S., Papadopoulos, T., Dubey, R., 2017. Hiji studi bibliographic on data badag: konsép, tren na tantangan. Prosés Usaha Manag. J. 23 (3),
555-573.
Mochida, K., Saisho, D., Hirayama, T., 2015. Pamutahiran pamotongan ngagunakeun datasets siklus hirup kaala dina kaayaan lapangan. Hareupeun. Tutuwuhan Sci. 6 https://doi.org/10.3389/
fpls.2015.00740.
Mogili, UM.R., Deepak, BBVL, 2018. Review on aplikasi sistem drone dina tatanén precision. Procedia Comput. Sci. 133, 502–509.
Moharana, S., Dutta, S., 2016. Variabilitas spasial klorofil jeung nitrogén eusi béas ti imagery hyperspectral. ISPRS J. Photogramm. Jauh Sens 122, 17–29.
Muangprathub, J., Boonnam, N., Kajornkasirat, S., Lekbangpong, N., Wanichsombat, A.,
Nillaor, P., 2019. IoT jeung analisis data tatanén pikeun tegalan pinter. Komputasi. Éléktron. Agric. 156, 467–474.
Nansen, C., Elliott, N., 2016. Jauh sensing na reflectance Profil dina entomology. Anu. Pdt Entomol. 61 (1), 139–158. https://doi.org/10.1146/annurev-ento010715-023834.
Navia, J., Mondragon, I., Patino, D., Colorado, J., 2016. pemetaan multispectral dina tatanén: mosaic rupa bumi maké quadcopter UAV otonom. Int. Conf.
Pesawat Unmanned Syst. (ICUAS) 2016, 1351–1358. https://doi.org/10.1109/ ICUAS.2016.7502606.
Nayyar, A., Nguyen, B.-L., Nguyen, NG, 2020. Internét tina hal drone (Iodt): envision masa depan drones pinter. Adv. Intell. Syst. Komputasi. 1045, 563–580. https://doi.org/10.1007/978-981-15-0029-9_45.
Nebiker, S., Annen, A., Scherrer, M., Oesch, D., 2008. A sensor multispectral lampu-beurat pikeun mikro UAV-kasempetan pikeun resolusi kacida luhurna airborne sensing jauh. Int. Arch. Photogramm. Jauh Sens Spat. Inf. Sci 37 (B1), 1193–1200.
Negash, L., Kim, H.-Y., Choi, H.-L., 2019. Munculna aplikasi UAV dina tatanén. Dina: 2019 Konferensi Internasional 7th on Robot Intelijen Téhnologi jeung
Aplikasi (RiTA), kaca 254–257. https://doi.org/10.1109/RITAPP.2019.8932853.
Nerur, SP, Rasheed, AA, Natarajan, V., 2008. Struktur inteléktual widang manajemén strategis: hiji panulis co-cutatan analisis. Stratég. Manag. J. 29 (3),
319-336.
Neupane, K., Baysal-Gurel, F., 2021. Idéntifikasi otomatis tur ngawaskeun kasakit tutuwuhan maké kandaraan hawa unmanned: review. Jauh Sensing 13 (19), 3841. HTTPS://doi.org/10.3390/rs13193841.
Nex, F., Remondino, F., 2014. UAV pikeun aplikasi pemetaan 3D: review hiji. Appl. Géomatik 6 (1), 1–15. https://doi.org/10.1007/s12518-013-0120-x.
Niu, H., Hollenbeck, D., Zhao, T., Wang, D., Chen, Y., 2020. Estimasi Evapotranspirasi kalawan UAV leutik dina tatanén precision. Sénsor 20 (22), 6427. HTTPS: //
doi.org/10.3390/s20226427.
Osareh, F., 1996. Bibliometrics, Analisis Citation jeung Co-Citation Analysis. Tinjauan Sastra 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: tinjauan kana aplikasi praktis. Int. J. Jauh Sens 38 (8–10), 2349–2391. https://doi.org/10.1080/01431161.2017.1297548.
Panday, AS, Pratihast, AK, Aryal, J., Kayastha, RB, 2020. Tinjauan ngeunaan solusi data berbasis drone pikeun pepelakan sereal. Drones 4 (3), 1–29. https://doi.org/10.3390/
drones4030041.
Parsaeian, M., Shahabi, M., Hassanpour, H., 2020. Estimasi minyak jeung protéin eusi siki wijen maké processing gambar jeung jaringan neural jieunan. J. Am. Minyak
Kimiawan 'Soc. 97 (7), 691–702.
Pena, ˜ JM, Torres-S'anchez, J., de Castro, AI, Kelly, M., Lopez-Granados, ´ F., Suarez, O., Pemetaan nalungtik dina widang jagung mimiti usum ngagunakeun analisis dumasar-obyek. tina
kandaraan hawa unmanned (UAV) Gambar. PLoS HIJI 8 (10), e77151.
P'erez-Ortiz, M., Pena, ˜ JM, Guti'errez, PA, Torres-S' anchez, J., Herv' as-Martínez, C.,
Lopez-Granados, ´ F., 2015. Sistim semi-diawasan pikeun pemetaan nalungtik dina pepelakan sunflower ngagunakeun kandaraan hawa unmanned sarta metoda deteksi baris pamotongan. Appl. Komputasi lemes. J. 37, 533–544. https://doi.org/10.1016/j.asoc.2015.08.027.
Pincheira, M., Vecchio, M., Giaffreda, R., Kanhere, SS, 2021. Alat IoT ongkos-éféktif salaku sumber data dipercaya pikeun sistem manajemen cai basis blockchain dina tatanén precision. Komputasi. Éléktron. Agric. 180, 105889.
Popescu, D., Stoican, F., Stamatescu, G., Ichim, L., Dragana, C., 2020. Sistem UAV-WSN canggih pikeun ngawaskeun calakan dina tatanén precision. Sénsor 20 (3), https://doi.org/10.3390/s20030817.
Pournader, M., Shi, Y., Seuring, S., Koh, SL, 2020. Aplikasi Blockchain dina ranté suplai, angkutan jeung logistik: review sistematis literatur. Int. J. Prod. Res. 58 (7), 2063–2081.
Primicerio, J., Di Gennaro, SF, Fiorillo, E., Genesio, L., Lugato, E., Matese, A., Vaccari, FP, 2012. Hiji wahana hawa unmanned fléksibel pikeun tatanén precision.
Precis. Agric. 13 (4), 517–523. https://doi.org/10.1007/s11119-012-9257-6.
Pritchard, A., 1969. Bibliografi statistik atawa bibliometrics. J. Dokumén. 25 (4), 348–349.
Pudelko, R., Stuczynski, T., Borzecka-Walker, M., 2012. The suitability tina hiji wahana hawa unmanned (UAV) pikeun evaluasi widang eksperimen jeung pepelakan. Tatanén 99 (4), 431–436.
Puri, V., Nayyar, A., Raja, L., 2017. Drones pertanian: a narabas modern dina tatanén precision. J. Statistik. Manag. Syst. 20 (4), 507–518.
Radoglou-Grammatikis, P., Sarigiannidis, P., Lagkas, T., Moscholios, I., 2020. A kompilasi aplikasi UAV pikeun tatanén precision. Komputasi. Netw. 172,
107148 https://doi.org/10.1016/j.comnet.2020.107148.
Ramesh, KV, Rakesh, V., Prakasa Rao, EVS, 2020. Aplikasi analitik data gedé sareng intelijen buatan dina panalungtikan agronomis. India J. Agron. 65 (4), 383–395.
Raparelli, E., Bajocco, S., 2019. A analisis bibliometric on pamakéan kandaraan hawa unmanned dina studi tatanén jeung kehutanan. Int. J. Jauh 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.
Poténsi pamakéan sistem pesawat unmanned leutik (UAS) dina panalungtikan nalungtik. Rumput Res. 53 (4), 242–248.
Rasmussen, J., Ntakos, G., Nielsen, J., Svensgaard, J., Poulsen, RN, Christensen, S., Dupi indéks vegetasi diturunkeun tina kaméra konsumen-grade dipasang dina
UAVs cukup dipercaya pikeun meunteun plot eksperimen? 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. Digitalisasi dina ranté suplai kadaharan: tinjauan bibliometric sareng jalur utama jalur konci
analisis. Kelestarian 14 (1), 83. https://doi.org/10.3390/su14010083.
Rejeb, A., Rejeb, K., Simske, SJ, Treiblmaier, H., 2021a. Drones pikeun manajemén ranté suplai sareng logistik: tinjauan sareng agenda panalungtikan. Int. J. Logis. Res. Appl.
1–24. https://doi.org/10.1080/13675567.2021.1981273.
Rejeb, A., Rejeb, K., Simske, S., Treiblmaier, H., 2021b. Téknologi Blockchain dina logistik sareng manajemén ranté suplai: tinjauan bibliometric. Logistik 5 (4), 72.
https://doi.org/10.3390/logistics5040072.
Rejeb, A., Rejeb, K., Simske, S., Treiblmaier, H., 2021c. Drones kamanusaan: tinjauan sareng agenda panalungtikan. Internét tina Hirup 16, 100434. HTTPS://doi.org/10.1016/j.
iot.2021.100434.
Rejeb, A., Treiblmaier, H., Rejeb, K., Zailani, S., 2021d. Panalungtikan Blockchain dina kasehatan: tinjauan bibliometric sareng tren panalungtikan ayeuna. J. tina Data, Inf. jeung
Manag. 3 (2), 109–124.
Rejeb, A., Simske, S., Rejeb, K., Treiblmaier, H., Zailani, S., 2020. Internet of Things panalungtikan dina manajemen ranté suplai jeung logistik: analisis bibliometric. Internét
tina Hal 12, 100318.
ReportLinker, 2021. Pasar Drone Pertanian Global ngahontal US $ 15.2 Miliar ku Ruang Berita TaunGlobeNewswire. https://www.globenewswire.com/news-release/2021/08/10/2277986/0/en/Global-Agriculture-Drones-Market-to-Reach-US-15-2-Billion-by-the- Taun-2027.html.
Ribeiro-Gomes, K., Hernandez-L ´ opez, ´ D., Ortega, JF, Ballesteros, R., Poblete, T., Moreno, MA, 2017. Kalibrasi kaméra termal uncooled sareng optimasi
prosés fotogrammétri pikeun aplikasi UAV dina tatanén. Sénsor (Swiss) 17 (10). https://doi.org/10.3390/s17102173.
Rivera, MA, Pizam, A., 2015. Kamajuan dina panalungtikan silaturahmi: "Ti Rodney Dangerfield mun Aretha Franklin". Int. J. Contempor. Rumah Sakit. Manag. 27 (3),
362–378. https://doi.org/10.1108/IJCHM-03-2014-0146.
Roldan, ´ JJ, Joossen, G., Sanz, D., Del Cerro, J., Barrientos, A., 2015. Mini-UAV dumasar sistem indrawi pikeun ngukur variabel lingkungan di imah kaca. Sénsor 15 (2), 3334-3350. https://doi.org/10.3390/s150203334.
Rozenberg, G., Kent, R., kosong, L., 2021. Consumer-grade UAV garapan pikeun detecting jeung analisa pola distribusi spasial nalungtik ahir-musim dina widang bawang komérsial. Precis. Agric. 22 (4), 1317–1332. https://doi.org/10.1007/s11119-021-09786-y.
Saari, H., Pellikka, I., Pesonen, L., Tuominen, S., Heikkila, ¨ J., Holmlund, C., Makynen, ¨ J., Ojala, K., Antila, T., 2011. Unmanned kandaraan hawa (UAV) ngoperasikeun sistem kaméra spéktral pikeun aplikasi leuweung sareng tatanén. Teraskeun. SPIE – Int. Soc. Opt. Eng. 8174 https://doi.org/10.1117/12.897585.
Sah, B., Gupta, R., Bani-Hani, D., 2021. Analisis halangan pikeun nerapkeun logistik drone. Int. J. Logis. 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 basis IOT pikeun perbaikan kualitas pamotongan dina widang tatanén. Dina SH
N. Chakrabarti S. (Ed.), 2018 IEEE 8 Taunan komputasi sarta Komunikasi Bengkel jeung Konférénsi, CCWC 2018 (Vols. 2018-Januari, pp. 612-615). Institut
tina Insinyur Éléktronik jeung Éléktronik Nyarita doi: 10.1109 / CCWC.2018.8301662.
Sai Vineeth, KV, Vara Prasad, YR, Dubey, SR, Venkataraman, H., 2019. LEDCOM: novél jeung komunikasi dumasar LED efisien keur tatanén precision. IEEE Conf. Inpo. Komun. Téknologi. 2019, 1–5. https://doi.org/10.1109/CICT48419.2019.9066177.
Salamí, E., Barrado, C., pendeta, E., 2014. percobaan hiber UAV dilarapkeun ka sensing jauh wewengkon vegetated. Jauh 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.
Low-altitude, resolusi luhur sistem imaging hawa pikeun baris jeung sawah phenotyping pamotongan: ulasan. 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. Resolusi luhur UAV basis Imaging termal keur estimasi
variabilitas sakedapan sareng musiman tina status cai pepelakan dina kebon anggur. Agric. Cai Manag. 183, 49–59. https://doi.org/10.1016/j.agwat.2016.08.026.
Sarli, CC, Dubinsky, EK, Holmes, KL, 2010. Saluareun analisis cutatan: Hiji modél pikeun assessment dampak panalungtikan. J. Med. Perpustakaan Assoc. : JMLA 98 (1), 17–23. https://doi.org/10.3163/1536-5050.98.1.008.
Schaepman, kuring, Ustin, SL, Plaza, AJ, pelukis, TH, Verrelst, J., Liang, S., 2009. Élmu Sistim Bumi patali Imaging spéktroskopi-hiji assessment. Lingkungan Sens Jauh. 113, S123–S137.
Schirrmann, M., Giebel, A., Gleiniger, F., Pflanz, M., Lentschke, J., Dammer, K.-H., 2016. Ngawaskeun parameter agronomic tina pepelakan gandum usum kalawan UAV béaya rendah
gambaran. Jauh Sensing 8 (9). https://doi.org/10.3390/rs8090706.
Schmale III, DG, Dingus, BR, Reinholtz, C., 2008. Ngembangkeun sareng aplikasi wahana hawa unmanned otonom pikeun sampling aérobiologis tepat di luhur.
widang tatanén. J. Lapang Rob. 25 (3), 133–147. https://doi.org/10.1002/rob.20232.
Shadrin, D., Menshchikov, A., Somov, A., Bornemann, G., Hauslage, J., Fedorov, M.,
Aktipkeun tatanén precision ngaliwatan sensing embedded kalawan kecerdasan jieunan. IEEE Trans. Instrumén. 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 (UAVs): survey dina aplikasi sipil jeung tantangan panalungtikan konci. Aksés IEEE 7,
48572–48634. https://doi.org/10.1109/ACCESS.2019.2909530.
Shakoor, N., Northrup, D., Murray, S., Mockler, TC, 2019. Data badag didorong tatanén: analytics data badag dina beternak tutuwuhan, génomics, sarta pamakéan sensing jauh.
téknologi pikeun ningkatkeun produktivitas pepelakan. Fenomena Tutuwuhan J. 2 (1), 1–8.
Sharma, BK, Chandra, G., Mishra, VP, 2019. Analisis Komparatif jeung Implikasi UAV jeung AI dina Investigations Forensik. Dina: Prosiding - 2019 Amity International
Konférénsi on kecerdasan jieunan. https://doi.org/10.1109/AICAI.2019.8701407.
Sharma, R., Shishodia, A., Gunasekaran, A., Min, H., Munim, ZH, 2022. Peran kecerdasan jieunan dina manajemen ranté suplai: pemetaan wewengkon. 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., Uskup, 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. Kandaraan hawa unmanned pikeun phenotyping tinggi-throughput jeung panalungtikan agronomic. PLoS HIJI
11 (7), e0159781.
Shuai, G., Martinez-Feria, RA, Zhang, J., Li, S., Harga, R., Basso, B., 2019. Nangkep jagung nangtung heterogeneity sakuliah zona ngahasilkeun-stabilitas maké Unmanned Aerial
Kandaraan (UAV). sénsor 19 (20), 4446. HTTPS://doi.org/10.3390/s19204446.
Leutik, H., 1973. Co-cutat dina literatur ilmiah: ukuran anyar tina hubungan antara dua dokumén. J. Am. Soc. Inpo. Sci. 24 (4), 265–269.
Leutik, H., Rorvig, ME, Lunin, LF, 1999. Visualizing elmu ku pemetaan cutatan. J. Am. Soc. Inpo. Sci. 50 (9), 799–813.
Soares, VHA, Ponti, MA, Gonçalves, RA, Campello, RJGB, 2021. Sapi cacah di alam liar jeung gambar hawa geolocated di wewengkon padang rumput hejo badag. Komputasi. Éléktron. Agric. 189, 106354 https://doi.org/10.1016/j.compag.2021.106354.
Srivastava, K., Pandey, PC, Sharma, JK, 2020. Hiji pendekatan pikeun optimasi jalur dina aplikasi tatanén precision maké UAVs. Drones 4 (3), 58. https://doi.org/ 10.3390/drones4030058.
Stafford, JV, 2000. Ngalaksanakeun tatanén precision dina abad ka-21. J. Agric. Eng. Res. 76 (3), 267–275.
Su, J., Coombes, M., Liu, C., Guo, L., Chen, W.-H., 2018. assessment halodo gandum ku imagery sensing jauh ngagunakeun wahana hawa unmanned. Dina 2018 37th Konférénsi Kontrol Cina (CCC).
Su, J., Liu, C., Coombes, M., Hu, X., Wang, C., Xu, X., Li, Q., Guo, L., Chen, W.-H., 2018. Ngawaskeun karat konéng gandum ku diajar tina gambar hawa UAV multispektral.
Komputasi. Éléktron. Agric. 155, 157–166. https://doi.org/10.1016/j. compag.2018.10.017.
Su, Y., Wang, X., 2021. Inovasi manajemén ékonomi tatanén dina prosés ngawangun tatanén pinter ku data badag. Komputasi Sustainable. Inf. Syst. 31, 100579 https://doi.org/10.1016/j.suscom.2021.100579.
Sullivan, DG, Fulton, JP, Shaw, JN, hambar, GL, 2007. Evaluating sensitipitas hiji sistem hawa infra red termal unmanned pikeun ngadeteksi stress cai dina kanopi katun. Trans. ASABE 50 (6), 1955–1962.
Sumesh, KC, Ninsawat, S., Som-ard, J., 2021. Integrasi indéks vegetasi basis RGB, modél permukaan pamotongan jeung pendekatan analisa gambar dumasar-obyek pikeun estimasi hasil tebu ngagunakeun wahana hawa unmanned. Komputasi. Éléktron. Agric. 180, 105903 https://doi.org/10.1016/j.compag.2020.105903.
Suomalainen, J., Anders, N., Iqbal, S., Franke, J., Wenting, P., Bartholomeus, H., Becker, R., Kooistra, L., 2013. Hiji sistem pemetaan hyperspectral lampu-beurat pikeun
kandaraan hawa unmanned-hasil munggaran. Dina: 2013 Bengkel 5 ngeunaan Gambar Hyperspectral sareng Pangolahan Sinyal: Évolusi dina Sensing Jauh (WHISPERS), p. 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. A hyperspectral lightweight
sistem pemetaan jeung ranté processing photogrammetric pikeun kandaraan hawa unmanned. Jauh Sensing 6 (11), 11013–11030. https://doi.org/10.3390/
rs61111013.
Syeda, IH, Alam, MM, Illahi, U., Su'ud, MM, 2021. Strategi kontrol maju ngagunakeun processing gambar, UAV jeung AI dina tatanén: A review. Dunya J. Eng. 18 (4),
579–589. https://doi.org/10.1108/WJE-09-2020-0459.
Tahai, A., Rigsby, JT, 1998. Ngolah informasi ngagunakeun citations pikeun nalungtik pangaruh jurnal dina akuntansi. Inf. Prosés. Ngatur. 34 (2–3), 341–359.
Tang, Y., Dananjayan, S., Hou, C., Guo, Q., Luo, S., He, Y., 2021. Hiji survey dina jaringan 5G sarta dampak na on tatanén: tantangan jeung kasempetan. Komputasi.
Éléktron. Agric. 180, 105895 https://doi.org/10.1016/j.compag.2020.105895.
Tantalaki, N., Souravlas, S., Roumeliotis, M., 2019. Data-disetir pembuatan kaputusan dina tatanén precision: kebangkitan data badag dina sistem tatanén. J. Agric. Info dahareun.
20 (4), 344-380.
Tao, H., Feng, H., Xu, L., Miao, M., Yang, G., Yang, X., Fan, L., 2020. Estimasi ngahasilkeun jeung jangkungna tutuwuhan gandum usum ngagunakeun UAV- gambar hyperspectral dumasar.
Sénsor 20 (4), 1231.
Techy, L., Schmale III, DG, Woolsey, CA, 2010. Coordinated aérobiological sampling of a patogén tutuwuhan dina atmosfir handap ngagunakeun dua kandaraan hawa unmanned otonom. J. Lapang 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. Deteksi sareng klasifikasi hama kedele ngagunakeun pembelajaran jero
kalawan gambar UAV. Komputasi. Éléktron. Agric. 179, 105836.
Thamm, H.-P., Menz, G., Becker, M., Kuria, DN, Misana, S., Kohn, D., 2013. Mangpaat Uas pikeun Assessing Systems Pertanian di AN Wetland di Tanzania di- Sareng WetSeason pikeun Tatanén Sustainable sareng Nyadiakeun Kaleresan Ground pikeun Data Terra-Sar X. Dina: ISPRS - International Archives of Photogrammetry, Jauh Sensing jeung Élmu Émbaran Spasial, pp. 401-406. https://doi.org/10.5194/isprsarchivesXL-1-W2-401-2013.
Thelwall, M., 2008. Bibliometrics mun webometrics. J. Inpo. Sci. 34 (4), 605–621.
Torres-Sanchez, ´ J., Lopez-Granados, ´ F., Pena, ˜ JM, 2015. Hiji métode dumasar-obyek otomatis pikeun bangbarung optimal dina gambar UAV: aplikasi pikeun deteksi vegetasi dina pepelakan herbaceous. Komputasi. Éléktron. Agric. 114, 43–52. https://doi.org/10.1016/j.compag.2015.03.019.
Torres-Sanchez, ´ J., Lopez-Granados, ´ F., Serrano, N., Arquero, O., Pena, ˜ JM, Hassan, QK, 2015. High-throughput 3-D monitoring of agricultural-tree plantation with Téknologi Unmanned Aerial Vehicle (UAV). PLoS HIJI 10 (6), e0130479.
Torres-Sanchez, ´ J., Pena, ˜ JM, de Castro, AI, Lopez-Granados, ´ F., 2014. Pemetaan multi-temporal tina fraksi vegetasi dina sawah gandum mimiti usum ngagunakeun gambar tina UAV. Komputasi. Éléktron. Agric. 103, 104–113. https://doi.org/10.1016/j. compag.2014.02.009.
Tsouros, DC, Bibi, S., Sarigiannidis, PG, 2019. A review on aplikasi basis UAV pikeun tatanén precision. Émbaran (Swiss) 10 (11). https://doi.org/10.3390/info10110349.
Tu, Y.-H., Phinn, S., Johansen, K., Robson, A., Wu, D., 2020. Optimizing perencanaan hiber drone pikeun ngukur struktur pamotongan tangkal hortikultura. ISPRS J. Photogramm.
Jauh Sens 160, 83–96. https://doi.org/10.1016/j.isprsjprs.2019.12.006
Tzounis, A., Katsoulas, N., Bartzanas, T., Kittas, C., 2017. Internet of Things dina tatanén, kamajuan panganyarna jeung tantangan hareup. Biosis. Eng. 164, 31–48.
https://doi.org/10.1016/j.biosystemseng.2017.09.007.
Uddin, A., Singh, VK, Pinto, D., Olmos, I., 2015. Scientometric pemetaan panalungtikan elmu komputer di Mexico. Scientometrics 105 (1), 97-114.
UN., 2019. Prospek populasi dunya 2019. https://population.un.org/wpp/ (Diakses dina 15/04/2022).
Uto, K., Seki, H., Saito, G., Kosugi, Y., 2013. Karakterisasi sawah ku sistem sensor hyperspectral miniatur UAVmounted. IEEE J. Sel. Puncak. Appl. Bumi Obs.
Jauh Sens 6 (2), 851-860. https://doi.org/10.1109/JSTARS.2013.2250921. van der Merwe, D., Burchfield, DR, Witt, TD, Harga, KP, Sharda, A., 2020. Drones di
tatanén. Adv. Agron. 162, 1–30.
Velusamy, P., Rajendran, S., Mahendran, RK, Naseer, S., Shafiq, M., Choi, J.-G., 2022.
Unmanned Aerial Vehicles (UAV) dina tatanén precision: aplikasi sareng tantangan. Énergi 15 (1), 217. https://doi.org/10.3390/en15010217.
Ventura, D., Bonifazi, A., Gravina, MF, Belluscio, A., Ardizzone, G., 2018. Pemetaan jeung klasifikasi habitat laut sénsitip ékologis maké Unmanned Aerial
Gambaran Kendaraan (UAV) sareng Analisis Gambar Berbasis Objek (OBIA). Jauh 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. Indéks aréa héjo tina hiji sistem hawa unmanned leuwih gandum jeung pepelakan rapeseed. . Lingkungan Sens Jauh. 152, 654–664. https://doi.org/10.1016/j.rse.2014.06.006.
Von Bueren, SK, Burkart, A., Hueni, A., Rascher, U., Tuohy, MP, Joglo, IJ, 2015. Deploying opat sensor basis UAV optik leuwih grassland: tantangan jeung
watesan. Biogéosciences 12 (1), 163-175. https://doi.org/10.5194/bg-12-163-2015.
Vuran, MC, Salam, A., Wong, R., Irmak, S., 2018. Internét tina hal underground dina tatanén precision: arsitéktur sarta téhnologi aspék. Jaringan Ad Hoc. 81,
160–173. https://doi.org/10.1016/j.adhoc.2018.07.017.
Wamba, SF, Queiroz, MM, 2021. kecerdasan jieunan jawab salaku bahan rusiah pikeun kaséhatan digital: analisis bibliometric, wawasan, jeung arah panalungtikan.
Inpo. Syst. Hareupeun. 1–16.
Wang, L., Zhang, G., Wang, Z., Liu, J., Shang, J., Liang, L., 2019. Analisis Bibliometric of trend panalungtikan sensing jauh dina ngawaskeun pertumbuhan pamotongan: Hiji studi kasus di Cina. Jauh Sensing 11 (7). https://doi.org/10.3390/rs11070809.
bodas, HD, Griffith, SM, 1981. Pangarang cocitation: A ukuran literatur struktur intelektual. J. Am. Soc. Inpo. Sci. 32 (3), 163–171.
Xiang, H., Tian, L., 2011. Ngembangkeun sistem sensing jauh tatanén béaya rendah dumasar kana wahana hawa unmanned otonom (UAV). Biosis. Eng. 108 (2), 174–190. https://doi.org/10.1016/j.biosystemseng.2010.11.010.
Xie, C., Yang, C., 2020. Tinjauan ngeunaan sipat phenotyping high-throughput tutuwuhan ngagunakeun sénsor basis UAV. Komputasi. Éléktron. Agric. 178, 105731 https://doi.org/10.1016/j.
compag.2020.105731.
Yao, H., Qin, R., Chen, X., 2019. Kandaraan hawa unmanned pikeun aplikasi sensing jauh-tinjauan. Jauh Sensing 11 (12). https://doi.org/10.3390/
rs11121443.
Yeom, S., 2021. Pindah jalma nyukcruk sareng ngahapus lagu palsu nganggo pencitraan termal infra red ku multirotor. Drones 5 (3), 65. https://doi.org/10.3390/drones5030065.
Yue, J., Feng, H., Jin, X., Yuan, H., Li, Z., Zhou, C., Yang, G., Tian, Q., 2018. A ngabandingkeun tina estimasi parameter pamotongan ngagunakeun gambar ti UAV-dipasang
sensor hyperspectral snapshot jeung kaméra digital definisi tinggi. Jauh 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. Estimasi gandum usum biomassa luhur-taneuh maké unmanned aerial vehicle- snapshot dumasar
sensor hyperspectral sarta jangkungna pamotongan ningkat model. Jauh Sensing 9 (7). https://doi.org/10.3390/rs9070708.
Zahawi, RA, Dandois, JP, Holl, KD, Nadwodny, D., Reid, JL, Ellis, EC, 2015. Ngagunakeun kandaraan hawa unmanned lightweight ngawas recovery leuweung tropis. Biol.
Konservasi. 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.
Platform IoT pertanian pinter dumasar kana komputasi tepi sareng awan. Biosis. Eng. 177,
4-17.
Zarco-Tejada, PJ, Diaz-Varela, R., Angileri, V., Loudjani, P., 2014. Kuantitas jangkungna tangkal ngagunakeun imagery resolusi luhur pisan kaala ti hawa unmanned.
wahana (UAV) jeung métode poto-rekonstruksi otomatis 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. Phenotyping dumasar-gambar tina inténsitas kembangan dina pepelakan usum tiis. sénsor 20 (5), 1450. HTTPS://doi.org/10.3390/s20051450.
Zhang, C., Kovacs, JM, 2012. Aplikasi tina sistem hawa unmanned leutik pikeun tatanén precision: review hiji. Precis. Agric. 13 (6), 693–712. https://doi.org/
10.1007/s11119-012-9274-5.
Zhang, L., Zhang, H., Niu, Y., Han, W., 2019. Mapping stress cai jagung dumasar kana UAV multispectral remote sensing. Jauh 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. Pendekatan dumasar-learning jero pikeun karat konéng otomatis
deteksi panyakit tina gambar UAV hyperspectral resolusi luhur. Jauh Sensing 11 (13), 1554.
Zhao, X., Zhang, J., Huang, Y., Tian, Y., Yuan, L., 2022. Deteksi jeung diskriminasi panyakit jeung setrés serangga tutuwuhan tea maké Imaging hyperspectral digabungkeun jeung analisis wavelet. Komputasi. Éléktron. Agric. 193, 106717 https://doi.org/10.1016/j. compag.2022.106717.
Zheng, A., Wang, M., Li, C., Tang, J., Luo, B., 2022. Éntropi dipandu adaptasi domain adversarial pikeun segmentation semantis gambar hawa. IEEE Trans. G
Zheng, H., Cheng, T., Yao, X., Deng, X., Tian, Y., Cao, W., Zhu, Y., 2016. Deteksi fenologi béas ngaliwatan analisis runtuyan waktu spéktral dumasar-taneuh. data indéks. Sawah Pepelakan Res. 198, 131–139. https://doi.org/10.1016/j.fcr.2016.08.027.
Zheng, J., Yang, W., 2018. Desain sistem seeding leakage tatanén precision dumasar kana sensor nirkabel. Int. J. Online Eng. 14 (05), 184.
Zhou, L., Gu, X., Cheng, S., Yang, G., Shu, M., Sun, Q., 2020. Analisis parobahan jangkungna tutuwuhan tina lodged jagung ngagunakeun data UAV-LiDAR. Tatanén 10 (5), 146. https://
doi.org/10.3390/agriculture10050146.
Zhou, S., Chai, X., Yang, Z., Wang, H., Yang, C., Sun, T., 2021. Jagung-IAS: A software analisis gambar jagung ngagunakeun learning jero pikeun phenotyping tutuwuhan-throughput tinggi . Métode tutuwuhan 17 (1), 48. HTTPS://doi.org/10.1186/s13007-021-00747-0.
Zhou, X., Zheng, HB, Xu, XQ, Anjeunna, JY, Ge, XK, Yao, X., Cheng, T., Zhu, Y., Cao, WX, Tian, YC, 2017. Ngaramalkeun ngahasilkeun gandum dina béas ngagunakeun vegetasi multi-temporal
indéks tina multispectral jeung digital imagery basis UAV. ISPRS J. Photogramm. Jauh Sens 130, 246–255. https://doi.org/10.1016/j.isprsjprs.2017.05.003.
Zhou, Y., Xie, Y., Shao, L., 2016. Simulasi téhnologi inti sistem greenhousemonitoring dumasar kana jaringan sensor nirkabel. Int. J. Online Eng. 12 (05),
43.
Zhou, Z., Majeed, Y., Diverres Naranjo, G., Gambacorta, EMT, 2021. Assessment pikeun setrés cai pamotongan kalawan imagery termal infra red dina tatanén precision: review
sareng prospek masa depan pikeun aplikasi pembelajaran jero. Komputasi. Éléktron. Agric. 182, 106019 https://doi.org/10.1016/j.compag.2021.106019.