Abderahman Rejeb a , Alireza Abdollahi b , Karim Rejeb c , Horst Treiblmaier d,
- a Kudeaketa eta Zuzenbide Saila, Ekonomia Fakultatea, Erromako Unibertsitatea Tor Vergata, Via Columbia, 2, Erroma 00133, Italia
- b Enpresen Administrazio Saila, Kudeaketa Fakultatea, Kharazmi Unibertsitatea, 1599964511 Teheran, Iran
- c Bizerteko Zientzien Fakultatea, Kartagoko Unibertsitatea, Zarzouna, 7021 Bizerte, Tunisia
- d Nazioarteko Kudeaketa Eskola, Modul University Vienna, Am Kahlenberg 1, 1190 Viena, Austria
ARTIKULUAREN INFORMAZIOA | LABURPENA |
Keywords: Drones UAV Zehaztasun nekazaritza Gauzen Internet Bibliometria | Dronesek, tripulatu gabeko aireko ibilgailuak (UAV) ere deituak, garapen nabarmena izan dute azken hamarkadetan. Nekazaritzan, nekazaritza-praktikak aldatu dituzte nekazariei kostuen aurrezpen handia eskainiz, handitu eraginkortasun operatiboa, eta errentagarritasun hobea. Azken hamarkadetan, nekazaritzako droneen gaia izan da arreta akademiko nabarmena erakarri zuen. Hortaz, bibliometrian oinarritutako berrikuspen integrala egiten dugu lehendik dagoen literatura akademikoa laburtu eta egituratzeko eta egungo ikerketa-joerak eta puntu beroak agerian uzteko. Guk teknika bibliometrikoak aplikatzea eta nekazaritzako droneen inguruko literatura aztertzea laburbildu eta aurreko ikerketak ebaluatzea. Gure analisiak adierazten du urrutiko detekzioa, doitasuneko nekazaritza, ikaskuntza sakona, ikaskuntza automatikoa eta gauzen Interneta nekazaritza-droneekin lotutako gai kritikoak direla. Ko-zitazioa azterketak literaturako sei ikerketa multzo zabal erakusten ditu. Azterketa hau nekazaritzako droneen ikerketa laburbiltzeko eta etorkizuneko ikerketaren norabideak iradokitzeko lehen saiakeretako bat da. |
Sarrera
Nekazaritza munduko elikagai-iturri nagusia da (Friha et al., 2021), eta erronka larriei aurre egin die.
elikagaien produktuen eskaera gero eta handiagoa, elikagaien segurtasuna eta segurtasun kezkak, baita ingurumena babesteko, ura zaintzeko eta
jasangarritasuna (Inoue, 2020). Garapen honek jarraituko duela aurreikusten da, munduko biztanleria 9.7 milioira iritsiko dela kalkulatzen baita 2050ean.
(2019). Nekazaritza mundu mailan ur kontsumoaren adibiderik nabarmenena denez, espero da elikagaien eskaria eta ura
kontsumoa nabarmen handituko da etorkizun hurbilean. Gainera, ongarri eta pestiziden kontsumoa gero eta handiagoa da
nekazaritza-jarduerak areagotzearekin batera, etorkizuneko ingurumen-erronkak ekar ditzake. Era berean, laborantza-lurra mugatua da, eta
nekazari kopurua murrizten ari da mundu osoan. Erronka hauek nekazaritzako irtenbide berritzaile eta jasangarrien beharra areagotzen dute (Elijah
et al., 2018; Friha et al., 2021; Inoue, 2020; Tzounis et al., 2017).
Teknologia berriak sartzea erronka horiei aurre egiteko irtenbide itxaropentsu gisa identifikatu da. Nekazaritza adimenduna (Brewster et al.,
2017; Tang et al., 2021) eta doitasuneko nekazaritza (Feng et al., 2019; Khanna & Kaur, 2019) eztabaida horien ondorioz sortu dira. The
lehena informazio-komunikazio-teknologiak (IKT) eta nekazaritza-jardueretan punta-puntako beste berrikuntza batzuk hartzeko nozio orokorra da, eraginkortasuna eta eraginkortasuna areagotzeko (Haque et al., 2021). Azken honek lurzorua banatzen duen gune zehatzeko kudeaketan oinarritzen da
zati homogeneoak, eta zati bakoitzak laborearen errendimendua optimizatzeko nekazaritza-sarrera zehatza lortzen du teknologia berrien bidez (Feng et al., 2019; Khanna & Kaur, 2019). Arlo honetan jakintsuen arreta erakarri duten teknologia nabarmenak dira Hari gabeko sentsore sareak (WSN) (J. Zheng & Yang, 2018; Y. Zhou et al., 2016), Gauzen Internet (IoT) (Gill et al., 2017; He et al., 2021; Liu et al., 2019),
Adimen artifizialaren (AI) teknikak, ikaskuntza automatikoa eta ikasketa sakona barne (Liakos et al., 2018; Parsaeian et al., 2020; Shadrin et al., XNUMX;
2019), informatika teknologiak (Hsu et al., 2020; Jinbo et al., 2019; Zamora-Izquierdo et al., 2019), big data (Gill et al., 2017; Tantalaki
et al., 2019), eta blockchain (PW Khan et al., 2020; Pincheira et al., 2021).
Aipatutako teknologiez gain, urrutiko detekzioa hobetzeko ahalmen handiko tresna teknologikotzat hartu da
nekazaritza adimenduna eta doitasunezkoa. Sateliteak, gizakien tripulazioko hegazkinak eta droneak urrutiko detekziorako teknologia ezagunak dira (Tsouros et al., 2019).
Dronesak, jendez ezagunak diren Urrutiko Aereo Ibilgailuak (UAVs), Tripulatutako Hegazkinen Sistemak (UAS) eta urruneko pilotatutako hegazkinak dira.
garrantzi handia dute, abantaila ugari baitituzte teledetekzioko beste teknologiekin alderatuta. Adibidez, droneek entrega dezakete
kalitate handiko eta bereizmen handiko irudiak egun hodeitsuetan (Manfreda et al., 2018). Gainera, haien erabilgarritasuna eta transferentzia-abiadura beste batzuk dira
onurak (Radoglou-Grammatikis et al., 2020). Hegazkinekin alderatuta, droneak oso errentagarriak dira eta errazak dira konfiguratzeko eta mantentzeko (Tsouros et al., 2019). Hasieran batez ere helburu militarretarako erabili arren, dronek aplikazio zibil ugari onuragarriak izan ditzakete, hornikuntza-katearen kudeaketan adibidez (A. Rejeb, Rejeb, et al., 2021a), helburu humanitarioetarako (A. Rejeb, Rejeb, et al., 2021c), nekazaritza adimenduna, neurketa eta mapak, kultur ondarearen dokumentazioa, hondamendien kudeaketa eta basoen eta faunaren kontserbazioa (Panday, Pratihast, et al., 2020). Nekazaritzan, droneen aplikazio-eremu anitz daude, teknologia berriekin, informatika-gaitasunekin eta barneko sentsoreekin integra daitezkeelako laboreen kudeaketa laguntzeko (adibidez, mapak, jarraipena, ureztatzea, landareen diagnostikoa) (H. Huang et al., 2021) , hondamendien murrizketa, alerta goiztiarreko sistemak, fauna eta basogintzaren kontserbazioa, batzuk aipatzearren (Negash et al., 2019). Era berean, droneak nekazaritza-jardueretan aprobetxatu daitezke, besteak beste, laboreen eta hazkuntzaren jarraipena, errendimenduaren estimazioa, ur-estresaren ebaluazioa eta belar txarrak, izurriteen eta gaixotasunen detekzioa (Inoue, 2020; Panday, Pratihast, et al., 2020). Droneak haien datu sentsorialetan oinarrituta monitorizatzeko, zenbatesteko eta detektatzeko helburuetarako erabil daitezke ez ezik, zehaztasunez ureztatzeko eta belar txarrak, izurriteak eta gaixotasunak kudeatzeko zehaztasunerako ere. Beste era batera esanda, droneek ura eta pestizidak ihinzta ditzakete kopuru zehatzetan ingurumen-datuetan oinarrituta. Nekazaritzan droneen onurak 1. taulan laburbiltzen dira.
Droneen onura nagusiak nekazaritzan.
Onura | Erreferentzia(k) |
Denbora eta espazioa hobetu ebazpenak hautematea | (Gago et al., 2015; Niu et al., 2020; Srivastava et al., 2020) |
Doizko nekazaritza erraztea | (L. Deng et al., 2018; Kalischuk et al., 2019; Maimaitijiang et al., 2017) |
Sailkapena eta esplorazioa Laborantzen | (Inoue, 2020; Kalischuk et al., 2019; Lopez- ´ Granados et al., 2016; Maimaitijiang et al., 2017; Melville et al., 2019; Moharana & Dutta, 2016) |
Ongarrien erabilera | (L. Deng et al., 2018; Guan et al., 2019) |
Lehortearen jarraipena | (Fawcett et al., 2020; Panday, Pratihast, et al., 2020; Su et al., 2018) |
Biomasaren estimazioa | (Bendig et al., 2014) |
Errendimenduaren estimazioa | (Inoue, 2020; Panday, Shrestha, et al., 2020; Tao et al., 2020) |
Hondamendiak murriztea | (Negash et al., 2019) |
Fauna kontserbatzea eta basozaintza | (Negash et al., 2019; Panday, Pratihast, et al., 2020) |
Estres hidrikoaren balorazioa | (Inoue, 2020; J. Su, Coombes, et al., 2018; L. Zhang et al., 2019) |
Izurriteak, belar txarrak eta gaixotasunak detektatzeko | (Gaˇsparovi´c et al., 2020; Inoue, 2020; J. Su, Liu, et al., 2018; X. Zhang et al., 2019) |
Bestalde, droneek ere mugak dituzte. Pilotuaren inplikazioa, motorraren potentzia, egonkortasuna eta fidagarritasuna, sentsoreen kalitatea kargaren ondorioz
pisu-mugak, ezarpen-kostuak eta hegazkinaren erregulazioa, besteak beste, daude (C. Zhang & Kovacs, 2012). Gabeziak alderatzen ditugu
2. taulako urruneko detekzio mugikorreko hiru teknologietatik. Urruneko detekziorako beste teknologia batzuk, hala nola lurzoruaren sentsoreak, ikerketa honen ardatzetik kanpo daude.
Teledetekzio mugikorreko hainbat teknologiaren gabeziak.
Urrutiko teledetekzioa teknologia | gabeziak | Erreferentziak |
Drone (UAV) | Pilotarien parte hartzea; irudiak' kalitatea (batez bestekoa); ezarpen-kostuak (batez beste); egonkortasuna, maniobragarritasuna eta fidagarritasuna; normalizazioa; motorraren potentzia; botere mugatua iturriak (bateriaren iraupena); hegaldiaren iraupen mugatua, talka eta zibererasoak; mugatua zama pisua; datu multzo handiak eta datuen tratamendu mugatua gaitasunak; erregulazio falta; espezializazio falta, sarrera handia sarbidea izateko oztopoak nekazaritzako droneak; | (Bacco et al., 2018; Dawaliby et al., 2020; Hardin eta Hardin, 2010; Hardin eta Jensen, 2011; Lagkas et al., 2018; Laliberte et al., 2007; Laliberte & Rango, 2011; Manfreda et al., 2018, 2018; Nebiker et al., 2008; Puri et al., 2017; Velusamy et al., 2022; C. Zhang eta Kovacs, 2012) |
Satelitea | Aldizkako sateliteen estaldura, bereizmen espektral mugatua; ikusgarritasun arazoekiko ahultasuna (adibidez, hodeiak); Erabilgarritasuna eta transferentzia-abiadura baxua; orientazioa eta binetatzea datu espazial garestiak eragiten ditu bilketa; datuen bidalketa motela amaierako erabiltzaileak izateko denbora | (Aboutalebi et al., 2019; Zen et al., 2019; Chen et al., 2019; Nansen eta Elliott, 2016; Panday, Pratihast, et al., 2020; Sai Vineeth et al., 2019) |
Aireontziak | Adopzio kostu handiak; konfigurazio konplikatua; mantentze-kostuak; fidagarriaren erabilgarritasunik eza hegazkinak, geometria irudiak; ez-ohiko datuak eskuratzea; malgutasun falta; istripu hilgarriak; sentsore datuak bibrazioen ondoriozko aldaerak; geoerreferentziazio arazoak | (Armstrong et al., 2011; Atkinson et al., 2018; Barbedo & Koenigkan, 2018; Kovalev eta Voroshilova, 2020; Suomalainen et al., 2013; Thamm et al., 2013) |
Nekazaritzan diziplina anitzeko eta erabilera anitzeko teknologia denez, droneak hainbat ikuspegitatik ikertu dira. Esaterako, adituek droneen aplikazioak nekazaritzan (Kulbacki et al., 2018; Mogili & Deepak, 2018), zehaztasun-nekazaritzan egindako ekarpena (Puri et al., 2017; Tsouros et al., 2019), beste batzuekin duten osagarritasuna aztertu dute. puntako teknologiak (Al-Thani et al., 2020; Dutta & Mitra, 2021; Nayyar et al., 2020; Saha et al., 2018), eta haien nabigazio eta sentsazio gaitasunak aurreratzeko aukerak (Bareth et al. , 2015; Suomalainen et al., 2014). Nekazaritzan droneen aplikazioei buruzko ikerketak nagusitu direnez (Khan et al., 2021)), egungo literatura laburtu eta domeinuaren egitura intelektuala agerian utzi beharra dago. Gainera, etengabeko hobekuntzak dituen goi-teknologiako eremua denez, berrikuspen egituratuak egin behar dira aldian-aldian dagoen literatura laburtzeko eta ikerketa-hutsune garrantzitsuak identifikatzeko. To
data, nekazaritza sektorean drone aplikazioak eztabaidatzen dituzten berrikuspen gutxi daude. Esaterako, Mogili eta Deepak (2018) droneek laboreen monitorizazioan eta pestizida ihinztatzean dituzten ondorioak laburki berrikusi dituzte. Inouek (2020) sateliteen eta droneen erabileraren berrikuspena egiten du nekazaritzan teledetekzioan. Egileak nekazaritza adimenduna hartzearen erronka teknologikoak eta sateliteen eta droneen ekarpenak aztertzen ditu, kasu praktikoetan eta praktika onetan oinarrituta. Tsouros et al. (2019) drone mota desberdinak eta nekazaritzan dituzten aplikazio nagusiak laburbiltzen dituzte, datuak eskuratzeko eta prozesatzeko hainbat metodo nabarmenduz. Duela gutxi, Aslan et al. (2022) nekazaritza-jardueretan UAV aplikazioen berrikuspen integrala egin zuten eta negutegiko UAV baten aldibereko lokalizazioaren eta mapearen garrantzia azpimarratu zuten. Diaz-Gonzalez et al. (2022) laborantzaren errendimenduaren ekoizpenari buruzko azken ikerlanak berrikusi dituzte ikaskuntza automatikoko teknika ezberdinetan eta urrunekoetan oinarrituta
sentsore sistemak. Haien aurkikuntzek adierazi zuten UAVak erabilgarriak direla lurzoruaren adierazleak estimatzeko eta satelite-sistemak gainditzen dituztela bereizmen espazialaren, informazioaren denborazkotasunaren eta malgutasunaren aldetik. Basiri et al. (2022) hainbat ikuspegi eta metodoen berrikuspen zehatza egin zuten errotore anitzeko UAVen bideak planifikatzeko erronkak gainditzeko doitasun-nekazaritzaren testuinguruan. Gainera, Awais et al. (2022) UAV teledetekzioaren datuen aplikazioa laboreetan laburbildu zuen uraren egoera kalkulatzeko eta hondakinen estresaren aplikaziorako UAV teledetekzioaren ahalmen prospektiboaren sintesi sakona eman zuten. Azkenik, Aquilani et al. (2022) larreetan oinarritutako abeltzaintza-sistemetan aplikatzen diren aurreikuspen-nekazaritza-teknologiak berrikusi eta UAVek gaitutako teledetekzioa onuragarria dela ondorioztatu zuten biomasa ebaluatzeko eta artaldeen kudeaketarako.
Era berean, abereen jarraipena, jarraipena eta bilketan UAVak erabiltzeko ahaleginak jakinarazi dira duela gutxi.
Berrikuspen hauek ikuspegi berri eta garrantzitsuak ematen dituzten arren, bibliometrian oinarritutako berrikuspen integral eta eguneraturik ez da aurkitu literaturan, eta horrek ezagutza hutsune argia erakusten du. Gainera, esan da zientzia-ekoizpena arlo zientifikoan hazten denean, ezinbestekoa dela ikertzaileek berrikuspen kuantitatiboen ikuspegiak erabiltzea domeinuaren ezagutza-egitura ulertzeko (Rivera & Pizam, 2015). Era berean, Ferreira et al. (2014) argudiatu zuten ikerketa-eremuak heldu eta korapilatsu bilakatzen diren heinean, jakintsuek noizean behin sortutako eta bildutako ezagutzari zentzua ematea ekarpen berriak agertzeko, ikerketa-tradizioak eta joerak jasotzeko, zein gai aztertzen diren identifikatu eta ezagutza-egituran sakontzeko. eremua eta ikerketa-ildoak. Raparelli eta Bajoccok (2019) nekazaritzan eta basogintzan droneen aplikazioen ezagutza-eremua aztertzeko analisi bibliometrikoa egin zuten arren, haien ikerketak 1995 eta 2017 artean argitaratutako ikerketa jakintsuak soilik hartzen ditu kontuan, eta horrek ez du islatzen azkar mugitzen den eremu honen dinamika. Gainera, egileek ez zuten ahaleginik egin arloko ekarpenik eragingarrienak identifikatzen, literatura biltzen eta egitura intelektuala ebaluatzen elkarrekin aipamenaren analisia erabiliz. Ondorioz, beharrezkoa da literatura laburtzea gaur egungo ikerketa-fokuak, joerak eta hotspot-ak agertzeko.
Ezagutza-hutsune hori betetzeko, metodologia kuantitatiboa eta metodo bibliometriko zorrotzak aprobetxatzen ditugu, droneen eta nekazaritzaren elkargunean dauden ikerketaren egungo egoera aztertzeko. Gaur egungo ikerketak gaur egungo literaturari hainbat ekarpen egiten dizkiola esaten dugu, nekazaritzan oso beharrezkoa den teknologia berri bat aztertuz, sektore honetan hainbat alderdi aldatzeko ahalmen izugarria ematen baitu. Nekazaritzako droneen analisi bibliometrikoaren beharra are gehiago sumatzen da nekazaritza testuinguruan droneei buruzko ezagutza sakabanatua eta zatikatua ikusita. Era berean, nekazaritzako droneei buruzko literatura sistematikoki biltzea eskatzen da, ikerketa-eremu honen oinarria eraikitzen duten ikerketa eragingarrienak kontuan hartuta. Analisiaren merituak literaturan irudikatutako ikerketa-gai nagusiak argitzea ere barne hartzen du. Teknologiaren eraldaketa-potentziala kontuan hartuta, sarearen analisi sakon batek ikuspegi berriak ematen dituela uste dugu, eragin handiko lanak zehaztuz eta droneen nekazaritzako ahalmenari buruzko gaiak agerian utziz.
Horregatik, ikerketa-helburu hauek lortzen saiatzen gara:
- Nekazaritza arloan droneen aplikazioetan ekarpen nabarmenak dituzten eragin handiko argitalpenak identifikatzea.
- Literatura multzokatzea, ikerketa-fokuak identifikatzea eta antzekotasun semantikoan oinarritutako 'egitura intelektuala' ikerketa nagusien mapaketa, aipamen-analisia erabiliz.
- Loturak eta aipamen-sareek denboran zehar izan duten bilakaera ulertzea arloko hainbat argitalpenen artean eta etorkizuneko ikerketa-ildoak eta gai nagusien identifikazioa.
Gainontzekoa honela egituratuta dago: 2. atalean metodologia eta datuak biltzeko urratsak zehazten dira; 3. atalean analisien emaitzak ematen dira; eta 4. atalean aurkikuntzak eztabaidatzen dira eta ikerketaren ekarpenekin, ondorioekin eta etorkizuneko ildoekin bukatzen da.
Metodologia
Oraingo ikerketa-azterketa honetan, analisi bibliometrikoa egiten dugu droneen aplikazioak nekazaritzan aztertzeko. Ikuspegi kuantitatibo honek ezagutzaren domeinuaren egitura intelektuala (Arora & Chakraborty, 2021) eta metodo hau aplikatuz ikertu daitezkeen egungo egoera, gai beroak eta etorkizuneko ikerketa-ildoak agerian uzten ditu (Kapoor et al., 2018; Mishra et al. , 2017; A. Rejeb, Rejeb, et al., 2021b; A. Rejeb et al., 2021d; MA Rejeb et al., 2020). Orokorrean, analisi bibliometriko batek existitzen den literatura aztertzen du idatzizko komunikazio-eredu ezkutuak eta estatistikan eta metodo matematikoetan oinarritutako diziplinaren bilakaera laburtzeko eta ezagutzeko, eta datu multzo handiei aplikatzen zaie (Pritchard, 1969; Small, 1999; Tahai & Rigsby). , 1998). Bibliometria erabiliz, antzekotasunean oinarritutako domeinuari laguntzen dioten paradigmak eta ikerketa-fokuak hobeto ulertzea nahi dugu (Thelwall, 2008). Bibliometriak ikuspegi berriak eskaintzen ditu metodologiaren sendotasun kuantitatibo objektiboarekin (Casillas & Acedo, 2007). Jakintsu ugarik aldez aurretik ikerketa bibliometrikoak egin dituzte erlazionatutako domeinuetan, besteak beste, nekazaritza, teledetekzioa eta eraldaketa digitala (Armenta-Medina et al., 2020; Bouzembrak et al., 2019; A. Rejeb, Treiblmaier, et al., 2021; Wamba & Queiroz, 2021; Wang et al., 2019).
Aipamen analisia
Aipamen-analisiak ikerketa-eremu jakin bati buruzko hainbat ikuspegi erakusten ditu. Lehenik eta behin, ikerketa-esparru jakin batean laguntzen duten eta eragin nabarmena duten egile eta argitalpen eragintsuenak agerian uzten laguntzen du (Gundolf & Filser, 2013). Bigarrenik, ezagutza-fluxua eta egileen arteko komunikazio-loturak ager daitezke. Azkenik, aipatutako lanen eta aipamenaren arteko loturak trazatuz, ezagutza-eremu batek denboran zehar izandako aldaketak eta bilakaera azter daitezke (Pournader
et al., 2020). Argitalpen baten aipamen-kopuru handiek ikerketa-eremuan duen garrantzia eta ekarpen handiak islatzen dituzte (Baldi, 1998; Gundolf & Filser, 2013; Marinko, 1998). Argitalpenen aipamen-analisiak ere lan garrantzitsuak identifikatzen eta haien ospea eta aurrerapena denboran zehar kontrolatzen laguntzen du.
Dokumentuen ko-zitazioaren analisia
Ko-zitazioen analisia metodo baliotsua da argitalpenen arteko harremanak aztertzeko eta eremu baten egitura intelektuala irudikatzeko (Nerur et al., 2008). Beste era batera esanda, gehien aipatzen diren argitalpenak eta haien loturak identifikatuz, metodoak argitalpenak ikerketa-multzo desberdinetan taldekatzen ditu, non multzo bateko argitalpenek aldizka antzeko ideiak partekatzen dituzten (McCain, 1990; Small, 1973). Funtsezkoa da aipatzea antzekotasunak ez duela esan nahi argitalpenen aurkikuntzak direnik
kohesionatu eta bata bestearekin ados; argitalpenak kluster berekoak dira gaiaren antzekotasunaren ondorioz, baina ikuspuntu kontraesankorrak izan ditzakete.
Datuen bilketa eta analisia
White eta Griffith-ek (1981) proposatutako metodologiari jarraituz, aldizkariko artikuluen bilaketa integrala egin genuen nekazaritzako droneen aplikazioen ikerketa-eremu osoa jorratzeko, bost urrats hauek jarraituz:
- Lehen urratsa datu bilketa izan zen. Scopus emaitza estandarizatuekin datu-base osatu eta fidagarrienetako bat bezala hautatu zen. Nekazaritzako drone aplikazio guztiekin lotutako argitalpenen metadatuak berreskuratu ziren. Ondoren, hautatutako artikuluak aztertu ditugu, gaitik kanpoko artikuluak analisitik kenduz.
- Literatura aztertu eta ikerketa-arloan erabilitako gako-hitz garrantzitsuenak identifikatu ditugu.
- Aipamen-analisia erabiliz, egileen eta dokumentuen arteko lotura aztertu dugu azpian dauden aipamen-ereduak agerian jartzeko. Nekazaritzako droneen alorrean ekarpen esanguratsuak dituzten egile eta argitalpenak ere identifikatu ditugu.
- Antzeko argitalpenak multzotan biltzeko aipamen-analisi bat egin dugu.
- Azkenik, herrialdeen, erakundeen eta aldizkarien arteko loturak eta loturak aztertu ditugu lankidetza-sarea irudikatzeko.
Bilaketa-termino egokiak identifikatzea
Datuen agregaziorako bilaketa-kate hauek aplikatu ditugu: (drone* EDO “pilotu gabeko aireko ibilgailua” EDO uav* EDO “pilotu gabeko hegazkinen sistema” EDO uas EDO “urruneko pilotatutako hegazkinak”) ETA (nekazaritza EDO nekazaritza EDO nekazaritza EDO nekazaria). Bilaketa 2021eko irailean egin zen. Dronesek hainbat izendapen dituzte, besteak beste, UAV, UAS eta urruneko pilotatutako hegazkinak (Sah et al., 2021). Nekazaritzari lotutako bilaketa-termino zehatzak Abdollahi et al-en azterketan oinarrituta identifikatu ziren. (2021). Argitasuna eta gardentasuna lortzeko, erabili dugun kontsulta zehatza 1. eranskinean ageri da. Datuak garbitzeko prozesu baten ondoren, testu-fitxategi bat sortu genuen, eta gero BibExcel-en kargatu zen, aipamenak eta ko-zitazioak aztertzeko tresna arrunta. Tresna honek beste software batzuekin interakzio sinplea eskaintzen du eta askatasun maila handia eskaintzen du datuen kudeaketan eta analisian. VOSviewer 1.6.16 bertsioa erabili zen aurkikuntzak ikusteko eta sare bibliometrikoak sortzeko (Eck & Waltman, 2009). VOSviewer-ek bistaratze intuitibo ugari eskaintzen ditu, batez ere mapa bibliometrikoak aztertzeko (Geng et al., 2020). Gainera, emaitzak hobeto ulertzen laguntzen duten ikusizko emaitza arruntak ematen laguntzen du (Abdollahi et al., 2021). Bilaketa-kateak goian esan bezala aplikatuz, argitalpen garrantzitsu guztiak bildu eta gorde genituen. Lehenengo bilaketa emaitzek guztira 5,085 dokumentu atera zituzten. Aukeratutako laginaren kalitatea bermatzeko, ikerketan parekideek aztertutako aldizkari-artikuluak soilik hartu dira kontuan, eta ondorioz beste dokumentu mota batzuk baztertu dira, hala nola liburuak, kapituluak, kongresu-aktak eta ohar editorialak. Ebakuntza-prozesu batean, garrantzirik gabekoak (hau da, lan honen esparrutik kanpo), erredundanteak (hau da, indexazio bikoitzaren ondoriozko bikoiztuak) eta ingelesez hitz egiten ez diren argitalpenak iragazi ziren. Prozesu horren ondorioz 4,700 dokumentu sartu ziren azken azterketan.
Aurkikuntzak eta eztabaida
Hasteko, nekazaritza-droneei buruzko egungo literaturan argitalpen-irteeran izandako bilakaera aztertu dugu. Ikerketa akademikoen denbora-banaketa 1. irudian ageri da. 2011tik aurrera argitalpenen hazkunde azkarra ikusten dugu (30 argitalpen); horregatik, analisi-aldia bi etapa ezberdinetan banatzea erabaki dugu. 1990. eta 2010. urteen arteko aldia osatzen dugu, urtero gutxi gorabehera zazpi lan argitaratzen zituena. 2010 osteko aldia hazkunde-etapa deitzen zaio, nekazaritzan droneen aplikazioei buruzko ikerketek aldi horretan gorakada esponentziala izan baitute. 2010etik aurrera, gero eta argitalpen-kopuruak gero eta handiagoa den ikertzaileen interesa berresten du, eta horrek islatzen du droneak teledetekzioan aplikatu direla eta doitasuneko nekazaritzan erabili direla (Deng et al., 2018; Maes & Steppe, 2019; Messina & Modica, 2020). ). Zehazki, argitalpenen kopurua 108an 2013tik 498an 2018ra igo zen eta 1,275an 2020era iritsi zen. Guztira 935 artikulu argitaratu ziren 2021eko urtarrila eta irailaren erdialdera bitartean. Ondoren, gure azterketa hazkunde fasean gehiago bideratzea aukeratu genuen. garai honek nekazaritzako droneen ñabardura berrienak eta garrantzitsuenak islatzen baititu.
Gako-hitzen analisia
Egileek argitalpen baterako aukeratzen dituzten gako-hitzek eragin erabakigarria dute papera nola irudikatzen den eta komunitate zientifikoetan nola komunikatzen den. Ikerketaren funtsezko gaiak identifikatzen dituzte eta loratzeko edo porrot egiteko ahalmena zehazten dute (Day & Gastel, 1998.; Kim et al., 2016; Uddin et al., 2015). Gako-hitzen analisia, ikerketa-joera eta norabide zabalagoak erakusteko tresna, domeinu bateko erlazionatutako argitalpen guztien gako-hitzak biltzeari egiten dio erreferentzia (Dixit & Jakhar, 2021). Oraingo ikerketan, gako-hitzak bi multzotan banatu ditugu (hau da, 2010 eta 2011-2021 arte) gai ezagunenak aztertzeko. Hori eginez, bi multzoetako funtsezko gako-hitzak traza ditzakegu eta beharrezko datu guztiak jaso ditugula ziurtatu. Multzo bakoitzerako, lehen hamar gako-hitzak 3. taulan aurkezten dira. Inkoherentziak ezabatu ditugu semantikoki berdin-berdinak diren gako-hitzak batuz, hala nola, "drone" eta "drone" edo, era berean, "Gauzen Internet" eta "IoT.".
3. taulak erakusten du "tripulaziorik gabeko aireko ibilgailua" maizago erabiltzen den gako-hitza dela "drone" eta "tripulaziorik gabeko aire-sistema" bi denbora-aldietan. Era berean, "teledetekzioa", "zehaztasuneko nekazaritza" eta "nekazaritza" oso sailkatuta daude bi aldietan. Lehenengo aldian, "zehaztasun-nekazaritza" bosgarren postuan sailkatu zen, eta bigarren aldian, eta horrek erakusten du droneek gero eta garrantzi handiagoa duten doitasun-nekazaritza lortzeko, monitorizazioa egin dezaketen heinean.
detekzio eta estimazio praktikak azkarrago, merkeago eta errazagoak dira teledetekzio eta lurreko beste sistema batzuekin alderatuta. Gainera, sarrera-kopuru zehatza (adibidez, ura edo pestizidak) ihinztatu dezakete behar denean (Guo et al., 2020; Inoue, 2020; Panday, Pratihast, et al., 2020).
Gehien erabiltzen diren gako-hitzen zerrenda.
Maila | 1990-2010 | Zk agerraldiak | 2011-2021 | Zk agerraldiak |
1 | tripulaziorik gabeko airekoa ibilgailua | 28 | gidatu gabeko aireko ibilgailua | 1628 |
2 | urruneko sentsore | 7 | doitasun nekazaritza | 489 |
3 | nekazaritza | 4 | urruneko sentsore | 399 |
4 | Airean | 4 | drone | 374 |
5 | doitasun nekazaritza | 4 | gidatu gabeko aire sistema | 271 |
6 | tripulaziorik gabeko airekoa | 4 | nekazaritza | 177 |
7 | hiperespektralak sentsore | 3 | ikaskuntza sakona | 151 |
8 | neuronal artifiziala sareak | 2 | makina ikaskuntza | 149 |
9 | hegaldi autonomoa | 2 | landaretza Index | 142 |
10 | kafea | 2 | Interneten Things | 124 |
Beste ezaugarri interesgarri bat teknologia osagarrien presentzia da. Lehenengo fasean, "Sentsore hiperespektral" eta "sare neuronal artifizialak" (ANN) hamar gako-hitz nagusien artean daude. Irudi hiperespektralak irudi tradizionalak irauli zituen hainbat uhin-luzeratan irudi kopuru handi bat bilduz. Horrela, sentsoreek aldi berean informazio espazial eta espektral hobea bil dezakete espektro anitzeko irudiekin, espektroskopiarekin eta RGB irudiekin alderatuta (Adao ˜ et al.,
2017). Lehen fasean “ANN” eta bigarrenean “deep learning” (DL) eta “machine learning” (ML) agertzeak esan nahi du argitaratutako lan gehienak drone-etarako AI tekniken potentzialaren azterketan zentratu zirela. oinarritutako nekazaritza. Droneak modu autonomoan hegan egiteko gai diren arren, oraindik pilotu baten inplikazioa behar dute, eta horrek gailuaren adimen maila baxua dakar. Hala ere, arazo hau konpon daiteke AI tekniken aurrerapenaren ondorioz, egoeraren kontzientzia hobea eta erabaki autonomoaren laguntza eskain dezaketenak. AIz hornituta, droneek talkak saihestu ditzakete nabigazioan zehar, lurzoruaren eta laboreen kudeaketa hobetu (Inoue, 2020) eta gizakien lana eta estresa murrizteko (BK Sharma et al., 2019).
Haien malgutasuna eta datu ez-lineal ugari kudeatzeko gaitasuna dela eta, AI teknikak metodo egokiak dira droneek eta urrutiko detekzio eta lurreko beste sistema batzuek igortzen dituzten datuak iragartzeko eta erabakiak hartzeko (Ali et al., 2015); Inoue, 2020). Gainera, bigarren aldian "IoT"-aren presentziak nekazaritzan ari den zeregina adierazten du. IoT nekazaritza iraultzen ari da beste teknologia batzuk elkarlotuz, besteak beste, droneak, ML, DL, WSNak eta big data. IoT ezartzearen abantail nagusietako bat hainbat ataza (datuak eskuratzea, datuen analisia eta prozesatzea, erabakiak hartzea eta inplementatzea) modu eraginkorrean eta eraginkorrean batzeko gaitasuna da ia denbora errealean (Elijah et al., 2018; Feng et al. , 2019; Muangprathub et al., 2019). Gainera, landarediaren indarra eta landarediaren propietateak kalkulatzeko beharrezkoak diren datuak atzemateko tresna eraginkortzat hartzen dira droneak (Candiago et al., 2015). 2a eta 2b irudietan bi denbora-tarteetarako gako-agerraldi-sareak azaltzen dira.
Eragin handiko autoreak
Atal honetan, eragin handiko autoreak zehazten ditugu eta egileen aipamen-sareek egungo literatura nola ikus eta antola dezaketen aztertzen dugu. 3. irudiak aipamen kopuru handiena duten ikertzaile guztien gainjartze kronologikoa erakusten du. Kolore-eskalak egileen aipamenen urte arteko aldakuntza islatzen du. Nekazaritzako droneei buruzko ikerketak argitaratu dituzten ikertzaileen aipamen-egitura aztertzen dugu, gutxienez 50 aipamen eta hamar argitalpenen atalasea erabiliz. Kanpo
12,891 egile, 115ek bakarrik betetzen zuten baldintza hori. 4. taulan eragin handia duten hamar egile nagusiak zerrendatzen dira, gehienezko aipamen kopuruaren arabera ordenatuta. Lopez- Granados F. da zerrendaren buru 1,963 aipamenekin, eta Zarco-Tejada PJ atzetik 1,909 aipamenekin.
Gehien aipaturiko egileen zerrenda.
Ranking | Egilea | aipuak |
1 | Lopez-Granados 'F. | 1,963 |
2 | Zarco-Tejada PJ | 1,909 |
3 | Pena ˜ JM | 1,644 |
4 | Torres-S´ erez J. | 1,576 |
5 | Fereres E | 1,339 |
6 | Remondino F | 1,235 |
7 | Bolten A | 1,160 |
8 | Bareth G | 1,155 |
9 | Berni JA | 1,132 |
10 | de Castro AI | 1,036 |
Banakako argitalpenei dagokienez, Zhang eta Kovacsen (2012) artikulua izan da Precision Agriculture aldizkarian argitaratutako ikerketarik aipatuena. Hemen, egileek doitasun-nekazaritzan UASen aplikazioa aztertu zuten. Haien ikerketaren aurkikuntzek iradokitzen dute plataformaren diseinuan, ekoizpenean, irudien geoerreferentziaren estandarizazioan eta informazioa berreskuratzeko lan-fluxua aurreratu beharra dagoela nekazariei amaierako produktu fidagarriak eskaintzeko. Horrez gain, nekazariak indar handiagoz parte hartzea gomendatzen dute, batez ere landa plangintzan, irudiak harrapatzea, baita datuen interpretazioa eta analisia ere. Garrantzitsua da ikerketa hau UAV-ek eremuen kartografian, indarraren mapan, eduki kimikoen neurketan, landarediaren estresaren monitorizazioan eta ongarriek landareen hazkuntzan duten eraginen ebaluazioan erakusten duten lehenengoetakoa izan zen. Teknologiari lotutako erronkei dagokienez, kostu debekuak, sentsoreen gaitasuna, plataformaren egonkortasuna eta fidagarritasuna, estandarizazio eza eta datu kopuru masiboak aztertzeko prozedura koherentea daude.
Aipamen analisia
Aipamen-analisiak artikuluen eraginaren azterketa adierazten du, nahiz eta fluxuen joera izan (adibidez, aipamen-alborapena, auto-aipamenak) eraginaren ebaluaziorako tresna estandaretako bat hartzen da (Osareh, 1996; A. Rejeb et al., 2022; Sarli et al., 2010). Aipamenek, gainera, gai zehatz bati buruzko artikuluek literaturari egindako ekarpenen garrantzia eta bizitasuna islatzen dute (R. Sharma et al., 2022). Aipamen-analisia egin dugu nekazaritzako droneei buruzko ikerketarik eragingarrienak zehazteko eta edukiak laburbildu ditugu. 5. taulan 1990–2010 eta 2011–2021 aldietarako eragin handien duten hamabost artikuluen zerrenda aurkezten da. Berni et al.en artikuluak. (2009)b eta Austin (2010) izan dira gehien aipatu direnak 1990 eta 2010ean, 831 eta 498 aipamen, hurrenez hurren. Berni et al. (2009)b-k teledetekzio kuantitatiboko produktuak garatzeko potentziala irudikatu zuen helikopteroan oinarritutako UAV baten bidez, merke termiko eta banda estuko espektro anitzeko irudi-sentsoreez hornituta. Tripulatutako aireko sentsore tradizionalekin alderatuta, nekazaritzarako kostu baxuko UAV sistema batek laboreen parametro biofisikoen estimazio konparagarriak lortzeko gai da, hobeto ez bada. Kostu merkeak eta malgutasun operatiboak, espektro, espazio eta denborazko bereizmen altuenekin batera, denbora azkarrean eskuragarri dauden bereizmenak, UAVak egokiak bihurtzen dituzte denbora kritikoa duten aplikazioetarako, ureztatze-programazioa eta doitasun-nekazaritza barne. Berni et al. (2009)b oso aipatua da, modu eraginkorrean integratzen baitzituen hego birakari gabeko tripulatu gabeko plataforma eta sentsore digital eta termikoak nekazaritzako aplikazioetarako beharrezko kalibrazio mekanismoekin. Aipatutako bigarren argitalpena Austin-ek (2010) idatzitako liburu bat da, zeinak UAV-ak diseinuaren, garapenaren eta hedapenaren ikuspegitik eztabaidatu zituen. Nekazaritzan, UAVek laboreen jarraipena onartzen dute, gaixotasunak goiz detektatuz laboreen kolore-aldaketen bidez, laboreak erein eta ihinztatzea erraztuz eta artaldeak kontrolatuz eta gidatzen.
Sullivan et al.en ikerketek. (2007), Lumme et al. (2008), eta Gokto ¨ ǧan et al. (2010) gehien aipatzen diren hamabost artikuluen zerrenda amaitu dute. Artikulu hauek nekazaritzari laguntzeko UAV-en oinarritutako sistemen garapena erakusten dute. Hainbat arazori irtenbideak eskaintzen dizkiete, hala nola laboreen jarraipena eta eskaneatzea, belar txarrak zaintzea eta kudeatzea eta erabakiak hartzeko laguntza. Era berean, UAV-ek laginketa-eraginkortasuna areagotzeko eta nekazariei zehatz eta eraginkorra asmatzen laguntzeko gaitasuna iradokitzen eta eztabaidatzen dute.
landatzeko estrategiak. Berni-k bi lan idatzi zituen (Berni et al., 2009b; Berni et al., 2009a), nekazaritzako droneekin lotutako ikerketetan izan zuen eragin handia azpimarratuz. Zarco-Tejada et al. (2014) ikerketa aitzindarien artean egon da zuhaitzen altueraren kuantifikazioan kostu baxuko UAV irudiak erabiltzeko beharra azaltzeko.
Aipatutako argitalpenen zerrenda.
Maila | Tik 1990 2010 | Tik 2011 2021 | ||
Dokumentu | Citation | Dokumentu | Citation | |
1 | (Berni et al., 2009b) | 831 | (C. Zhang eta Kovacs, 2012) | 967 |
2 | (Austin, 2010) | 498 | (Nex & Remondino, 2014) | 893 |
3 | (Hunt et al., 2010) | 331 | (Floreano eta Wood, 2015) | 552 |
4 | (SR Herwitz et al., 2004) | 285 | (Hossein Motlagh et al., 2016) | 391 |
5 | (CCD Lelong et al., 2008) | 272 | (Shakhatreh et al., 2019) | 383 |
6 | (Berni et al., 2009b) | 250 | (Ma et al., 2017) | 373 |
7 | (Grenzdorffer ¨ et al., 2008) | 198 | (Bendig et al., 2014) | 360 |
8 | (Hrabar et al., 2005) | 175 | (Zarco-Tejada et al., 2014) | 347 |
9 | (Y. Huang et al., 2009) | 129 | (Ad˜ ao et al., 2017) | 335 |
10 | (Schmale III et al., 2008) | 119 | (Honkavaara et al., 2013) | 331 |
11 | (Abd-Elrahman et al., 2005) | 79 | (Candiago et al., 2015) | 327 |
12 | (Techy et al., 2010) | 69 | (Xiang eta Tian, 2011) | 307 |
13 | (Sullivan et al., 2007) | 51 | (Matese et al., 2015) | 303 |
14 | (Lumme et al., 2008) | 42 | (Gago et al., 2015) | 275 |
15 | (Gokto ¨ ǧan et al., 2010) | 40 | (Aasen et al., 2015a) | 269 |
Bigarren aldian (2011-2021), Zhang eta Kovacs (2012) eta Nex eta Remondino (2014) egindako ikerketek gehien aipatzen diren argitalpenak lortu zituzten. Zhang eta Kovacs-ek (2012) diotenez, doitasuneko nekazaritza teknika geoespazialen eta sentsoreak ezartzearen onura izan daiteke, hala nola informazio geografikoko sistemak, GPSa eta teledetekzioa, eremuko aldaerak atzemateko eta estrategia alternatiboak erabiliz kudeatzeko. Zehaztasun nekazaritzan joko-aldaketa gisa, droneak hartzeak aro berri bat iragarri du teledetekzioan, aireko behaketa sinplifikatuz, laboreen hazkuntza datuak, lurzoruaren baldintzak eta ihinztatzeko eremuak jasoz. Zhang eta Kovacs-en (2012) berrikuspena funtsezkoa da, UAVei buruzko ikuspegiak eskaintzen dituelako gailu horien erabilerak eta erronkak ingurumenaren monitorizazioan eta doitasuneko nekazaritzan, hala nola plataforma eta kameraren mugak, datuak prozesatzeko erronkak, nekazarien konpromisoa eta hegazkinaren araudia. . Bigarrena
Nex eta Remondino-ren (2014) ikerketarik aipatuenak UAVen artearen egoera berrikusi zuen lurreko irudiak atzemateko, prozesatzeko eta aztertzeko.
Haien lanak UAV plataforma, aplikazio eta erabilera kasu batzuen ikuspegi orokorra ere aurkeztu zuen, UAV irudien prozesamenduaren aurrerapen berrienak erakutsiz. Nekazaritzan, nekazariek UAVak erabil ditzakete kostuak eta denbora aurreztea lortzeko erabaki eraginkorrak hartzeko, kalteen erregistro azkar eta zehatza jasotzeko eta arazo posibleak aurreikusteko. Ohiko aireko plataformen aldean, UAVek funtzionamendu-gastuak murriztu ditzakete eta toki gogorretan sartzeko arriskua murriztu dezakete, doitasun handiko potentziala mantenduz. Haien artikuluak UAVen hainbat abantaila laburtzen ditu, batez ere zehaztasun eta bereizmenari dagokionez.
2011 eta 2021 artean gehien aipatzen diren gainerako hamahiru argitalpenen artean, irudi-misioetan droneen aplikazioekin lotutako ikerketetan kontzentrazio handiagoa nabaritu dugu (Bendig et al., 2014; Ma et al., 2017; Zarco-Tejada et al., 2014). , doitasuneko nekazaritza (Candiago et al., 2015; Honkavaara et al., 2013a), doitasuneko mahastizaintza (Matese et al., 2015), ur-estresaren ebaluazioa (Gago et al., 2015) eta landarediaren jarraipena (Aasen et al., 2015). , XNUMXa). Hasierako urteetan, ikertzaileak zentratu ziren
Nekazaritzarako UAV-n oinarritutako sistema merke, arin eta zehatzak garatzeari buruz gehiago; azken ikerketek nekazaritzarako eta eremuko inkestetarako UAV aplikazioen berrikuspenetara bideratu dute. Laburbilduz, analisi honek agerian uzten du eragin handiko argitalpenek gehienbat aldez aurretik egindako azterketen berrikuspenak eman dituztela UAVen egungo egoera zientifiko eta teknologikoa ebaluatzeko eta doitasuneko nekazaritza laguntzeko UAV sistemak garatu dituztela. Interesgarria da, ez dugu aurkitu enpirikoak erabiltzen dituzten ikerketak
metodologiak edo kasu-azterketa deskribatzaileak, eta horrek ezagutza hutsune nabarmena dakar eta gai honi buruzko ikerketa gehiago egitea eskatzen du.
Kozitazioen analisia
Gmür-en (2006) arabera, ko-zitazioen azterketak antzeko argitalpenak identifikatzen ditu eta multzokatzen ditu. Kluster bat arretaz aztertzeak argitalpenen artean ikerketa-eremu komun bat agerian utzi dezake. Nekazaritzako droneei dagokien literaturaren aipamenak ikertzen ditugu erlazionatutako gai-arloak ilustratzeko eta argitalpenen eredu intelektualak detektatzeko. Ildo horretan, Small-ek (1973) gomendatu zuen kozitazio-analisia erabiltzea ikerketa eragingarrienak eta funtsezkoenak aztertzeko.
diziplina baten barruan. Multzoa artikulu nagusienetara mugatzeko (Goyal & Kumar, 2021), 25eko aipamen-atalase bat ezarri dugu, hau da, 25 argitalpen ezberdin edo gehiagoren erreferentzia-zerrendetan bi artikulu batera aipatu behar dira. Klusterketa ere 1 kluster-tamaina minimo batekin egin zen eta kluster txikiagoekin bateratzeko metodorik gabe. Ondorioz, ikasketen antzekotasunean eta haien egitura intelektualean oinarrituta sei kluster sortu ziren. 6. taulan kluster bakoitzeko argitalpenen banaketa ikus daiteke.
1. multzoa: kluster honek argitaratutako hemezortzi dokumentu ditu. Kluster honetako argitalpenek droneek ingurumenaren monitorizazioan, laboreen kudeaketan eta belar txarrak kudeatzen laguntzeko funtzioa aztertzen dute. Adibidez, Manfreda et al. (2018) UAVen egungo ikerketen eta inplementazioen ikuspegi orokorra eskaintzen dute nekazaritzako ekosistema naturalen monitorizazioan eta argudiatzen dute teknologiak potentzial izugarria eskaintzen duela ingurumenaren jarraipena nabarmen hobetzeko eta murrizteko.
eremuko behaketaren eta aireko eta espazioko ohiko teledetekzioen artean dagoen hutsunea. Hori egin daiteke eremu handietan denborazko berreskurapen eta ikuspegi espaziala hobetzeko gaitasun berriak modu merkean eskainiz. UAVek etengabe suma ditzakete ingurunea eta ondoriozko datuak sentsoreak kontrolatzen dituzten entitate adimentsu, zentralizatu/deszentralizatuetara bidal ditzakete, arazoak identifikatzeko, hala nola gaixotasunik eza edo ura detektatzeko (Padua ´ et al., 2017). Adao ˜ et al. (2017) UAVak landareen baldintzak ebaluatzeko aproposak direla uste dute, uraren egoerarekin, biomasaren estimazioarekin eta indarraren ebaluazioarekin lotutako datu gordinen bolumen handia jasoz. UAV-en muntatutako sentsoreak ere berehala heda litezke ingurumen-baldintza egokietan urrutiko detekzioaren datuak garaiz harrapatzeko (Von Bueren et al., 2015). UAV-en bidez, nekazariek barruko nekazaritza-jarduerak egin ditzakete barruko nekazaritza-inguruneetako hiru dimentsioko espazioko ia edozein lekutatik neurketak eskuratuz (adibidez, negutegiak), eta horrela tokiko klima-kontrola eta landareen jarraipena bermatuz (Roldan ´ et al. ., 2015). Zehaztasunaren testuinguruan
nekazaritza, laboreak kudeatzeko erabakiek laboreen datu zehatzak eta fidagarriak behar dituzte denbora- eta espazio-bereizmen egokiarekin (Gebbers & Adamchuk, 2010; Gevaert et al., 2015; Maes & Steppe, 2019). Horregatik, Agüera Vega et al. (2015) UAV-n muntatutako espektro anitzeko sentsore sistema bat erabili zuten hazkuntza garaian ekilore-labore baten irudiak eskuratzeko. Era berean, Huang et al. (2009) ohartu dira UAVetan oinarritutako teledetekzioek bildutako datu espektraletatik uztak eta lurzorua neurtzea erraztu dezaketela. Verger et al. (2014) Doitasuneko nekazaritza-aplikazioetan UAV islada-neurketetatik berdegune indizea (GAI) kalkulatzeko teknika bat garatu eta probatu zuten, gari eta koltza laboreetan zentratuz. Hori dela eta, droneek aukera berriak eskaintzen dituzte laborearen egoerari buruzko informazioa maiz berrikuspenarekin eta bereizmen espazial handikoarekin (Dong et al., 2019; Garzonio et al., 2017; H. Zheng et al., 2016).
Nekazaritzako droneei buruzko eragin handiko argitalpenen multzokatzea.
Cluster | Gai zabala | Erreferentziak |
1 | Ingurumenaren jarraipena, laborantza kudeaketa, belar txarrak kudeatzea | (Ad˜ ao et al., 2017; Agüera Vega et al., 2015; de Castro et al., 2018; Gomez-Cand ´ on ´ et al., 2014; YB Huang et al., 2013; Khanal et al., 2017; Lopez-Granados, ´ 2011; Manfreda et al., 2018; P´ adua et al., 2017; Pena ˜ et al., 2013; Pérez-Ortiz et al., 2015; Rasmussen et al., 2013, 2016; Torres-S´ anchez et al., 2014; Torres-Sanchez, ´ Lopez-Granados, ´ & Pena, ˜ 2015; Verger et al., 2014; Von Bueren et al., 2015; C. Zhang eta Kovacs, 2012) |
2 | Urruneko fenotipizazioa, etekina estimazioa, laborantza gainazaleko eredua, landareen zenbaketa | (Bendig et al., 2013, 2014; Geipel et al., 2014; Gnadinger ¨ & Schmidhalter, 2017; Haghighattalab et al., 2016; Holman et al., 2016; Jin et al., 2017; W. Li et al., 2016; Maimaitijiang et al., 2017; Sankaran et al., 2015; Schirrmann et al., 2016; Shi et al., 2016; Yue et al., 2017; X. Zhou et al., 2017) |
3 | Uretarako irudi termikoa, espektro anitzeko irudiak | (Baluja et al., 2012; Berni et al., 2009b; Berni et al., 2009a; Candiago et al., 2015; Gago et al., 2015; Gonzalez-Dugo et al., 2013, 2014; Grenzdorffer ¨ et al., 2008; Khaliq et al., 2019; Matese et al., 2015; Ribeiro-Gomes et al., 2017; Santesteban et al., 2017; Uto et al., 2013) |
4 | Irudi hipersektrala, espektrala irudi | (Aasen et al., 2015a; Bareth et al., 2015; Hakala et al., 2013; Honkavaara et al., 2013a; Lucieer et al., 2014; Saari et al., 2011; Suomalainen et al., 2014) |
5 | 3D-Mapping Aplikazioak | (Jim´enez-Brenes et al., 2017; Nex & Remondino, 2014; Salamí et al., 2014; Torres-S´ anchez, Lopez- ´ Granados, Serrano, et al., 2015; Zahawi et al., 2015; Zarco-Tejada et al., 2014) |
6 | Nekazaritzaren zaintza | (SR Herwitz et al., 2004; Hunt et al., 2010; CCD Lelong et al., 2008; Primicerio et al., 2012; Xiang & Tian, 2011) |
Gainera, droneak erabilgarriak dira nekazaritzako zeregin zailak egiteko, belar txarren mapak barne. Gailuek hartutako irudiek zelaietan belar txarrak goiz detektatzeko balio dutela frogatu dute (de Castro et al., 2018; Jim´enez-Brenes et al., 2017; Lam et al., 2021; Lopez-Granados ´ et al., 2016). 2021; Rozenberg et al., 2018). Ildo horretatik, de Castro et al. (2013) UAV irudien eta Objektuetan Oinarritutako Irudien Analisia (OBIA) bateratzeak aukera eman die praktikatzaileei detekzio goiztiarra automatizatzearen arazoa gainditzea denboraldi hasierako belardi-laboreetan, eta hori aurrerapauso handia da belar txarren ikerketan. Era berean, Pena ˜ et al. (2020) azpimarratzen dute UAV-en bereizmen espazial handiko irudiak erabiltzeak OBIA prozedura batekin batera belar-belar mapak sortzea ahalbidetzen duela artoaren hasierako laboreetan, sasoiko belar txarrak kontrolatzeko neurriak ezartzeko plangintzan erabil litezkeenak. sateliteen eta aireko irudi tradizionalen gaitasunetik harantzagoko zeregina. Irudiak sailkatzeko edo objektuak hautemateko algoritmoekin alderatuta, segmentazio semantikoaren teknikak eraginkorragoak dira belar txarrak mapatzeko lanetan (J. Deng et al., 2020), eta horrela nekazariek landa-baldintzak detektatzeko, galerak arintzeko eta etekinak hobetu ditzakete hazkuntza denboraldian zehar (Ramesh et al., 2020). Ikaskuntza sakonean oinarritutako segmentazio semantikoak bereizmen handiko aireko irudietatik landare-estalduraren neurketa zehatza ere eman dezake (Ramesh et al., 2022; A. Zheng et al., XNUMX). Urruneko ahalmena duten arren
pixelen sailkapena detektatzeko, segmentazio semantikoko teknikek kalkulu garrantzitsua eta GPU memoria debeku handikoa behar dute (J. Deng et al., 2020).
Ikaskuntza automatikoan eta UAV-n oinarrituta, P´erez-Ortiz et al. (2015) belar txarrak mapatzeko ikuspegi bat iradoki zuten guneko belar txarrak kontrolatzeko estrategiak eskaintzeko, nekazariek sorrera goiz-osteko belar txarrak kontrolatzen dituztenean. Azkenik, Rasmussen et al. (2013) droneek sentsazio merke eskaintzen dutela nabarmendu zuten, bereizmen espazialaren malgutasun handiarekin. Oro har, kluster honetako argitalpenak UAV-ek urrutiko detekzioa, laboreen monitorizazioa eta belar txarrak mapeatzeko dituzten ahalmenak aztertzera bideratzen dira. Ikerketa sakon gehiago behar dira droneen aplikazioek ingurumenaren zaintzan, laboreen kudeaketan eta belar txarren mapak nola lor dezaketen nekazaritza iraunkorragoa (Chamuah & Singh, 2019; Islam et al., 2021; Popescu et al., 2020; J. Su, Liu, et al., 2018) eta teknologia honen gobernantza-arazoak jorratzen dituzte laborantza aseguru-aplikazioetan (Basnet & Bang, 2018; Chamuah & Singh, 2019, 2022; Meinen & Robinson, 2021). Ikertzaileek UAV bildutako neurketak prozesatzeko teknika eraginkorrekin balioztatzen kontzentratu beharko lukete prozesatutako datuen azken kalitatea hobetzeko (Manfreda et al., 2018). Gainera, irudi digitaletan belar txarrak erakusten dituzten pixelak ezagutzen dituzten algoritmo egokiak garatzea eta UAV sasiak mapeatzerakoan garrantzirik gabeko atzeko planoa ezabatzen duten algoritmoak garatu behar dira (Gaˇsparovi´c et al., 2020; Hamylton et al., 2020; H. Huang et al. , 2018, 2020; Lopez- ´ Granados et al., 2016). Landareen ezagutzan, hostoen sailkapenean eta gaixotasunen kartografian segmentazio semantikoaren teknikak hartzeari buruzko ikerketa gehigarriak ongi etorriak dira (Fuentes-Pacheco et al., 2019; Kerkech et al., 2020).
2. Klusterra. Kluster honetako argitalpenek nekazaritzako droneen hainbat alderditan zentratu ziren. Urruneko fenotipatzeari lotuta, Sankaran et al. (2015) UAVekin altuera baxuko eta bereizmen handiko aireko irudiak erabiltzearen potentziala berrikusi zuten laboreak azkar fenotipatzeko, eta argudiatu dute, lurreko sentsazio plataformekin alderatuta, sentsore egokiak dituzten UAV txikiek hainbat abantaila eskaintzen dituztela. , hala nola, eremurako sarbide errazagoa, bereizmen handiko datuak, datu bilketa eraginkorra,
eremuaren hazkuntza-baldintzen ebaluazio azkarrak eta kostu operatibo baxuak. Hala ere, egileek ere nabarmentzen dute eremuaren fenotipatzeko UAVren aplikazio eraginkorra oinarrizko bi elementutan oinarritzen dela, hots, UAVen ezaugarrietan (adibidez, segurtasuna, egonkortasuna, kokapena, autonomia) eta sentsoreen ezaugarrietan (adibidez, bereizmena, pisua, uhin-luzera espektralak, eremua). ikuspegia). Haghighattalab et al. (2016) irudiak prozesatzeko kanalizazio erdi-automatizatu bat proposatu zuten UAV irudietatik lursail-mailako datuak berreskuratzeko eta ugaltze-prozesua bizkortzeko. Holman et al. (2016) altua garatu zuten
transmisio-eremuaren fenotipazio-sistema eta UAV-k kalitatezko datu fenotipikoak biltzeko gai direla, bolumen handikoak eta eremuan oinarritutako datu fenotipikoak biltzeko, eta gailua eraginkorra dela eremu handietarako eta eremu ezberdinetan.
Errendimenduaren estimazioa ezinbesteko informazioa denez, batez ere garaiz eskuragarri daudenean, UAVek eremuko neurketa guztiak eskaintzeko eta kalitate handiko datuak modu eraginkorrean eskuratzeko aukera dago (Daakir et al., 2017; Demir et al., 2018). ; Enciso et al., 2019; Kulbacki et al., 2018; Pudelko et al., 2012). Zentzu honetan, Jin et al. (2017) UAVek oso altuera baxuetan lortutako bereizmen handiko irudiak aprobetxatu zituzten gari landareen dentsitatea sorrera-fasean kalkulatzeko metodo bat garatu eta ebaluatzeko. Egileen arabera, UAV-ek kameraz hornitutako rover-sistemen mugak gainditzen dituzte eta landareen dentsitatea kalkulatzeko metodo ez-inbaditzailea adierazten dute laboreetan, nekazariek lurzoruaren trafikagarritasunetik independentean behar den errendimendu handia lor dezaten. Li et al. (2016) ehunka irudi estereo bildu zituzten oso bereizmen handiko UAV-n oinarritutako sistema bat erabiliz artoaren parametroak kalkulatzeko, kanoiaren altuera eta lur gaineko biomasa barne. Azkenik, Yue et al. (2017) UAVetatik zehazten den laborearen altuerak lur gaineko biomasaren (AGB) estimazioa hobetu dezakeela aurkitu zuten.
Laboreen hazkundea kontrolatzeko planteamendu bat laboreen gainazaleko ereduak garatzeko ideia da (Bendig et al., 2014, 2015; Holman et al., 2016; Panday, Shrestha, et al., 2020; Sumesh et al., 2021). Hainbat ikerketek UAVetatik ateratako irudien bideragarritasuna nabarmendu dute landareen altuera jasotzeko eta haien hazkuntza kontrolatzeko. Adibidez, Bendig et al. (2013) 0.05 m-tik beherako bereizmen oso altua duten laborantza gainazaleko ereduen garapena deskribatu zuten UAV erabiliz. Laborantza antzematea zuten helburu
hazkunde-aldakortasuna eta laborearen tratamenduarekiko, kultiboarekiko eta estresarekiko duen menpekotasuna. Bendig et al. (2014) UAVak erabili zituzten biomasa freskoa eta lehorra kalkulatzeko, laborearen gainazaleko ereduetatik ateratako landarearen altueran oinarrituta eta aurkitu zuten, aireko plataformek eta lurreko laser bidezko eskaneatzea ez bezala, UAVen bereizmen handiko irudiek landareen altueraren modelizazioaren zehaztasuna nabarmen handitu dezaketela hazkunde desberdinetarako. etapak. Ildo beretik, Geipel et al. (2014) UAVak erabili zituzten beren ikerketetan irudiak eskuratzeko
arto-alearen errendimendua aurreikusteko datu-multzoak hiru hazkuntza-fase desberdinetan denboraldi hasieratik erdialdera arte, eta ondorioztatu zuten aireko irudietan eta laboreen gainazaleko ereduetan oinarritutako modelizazio espektral eta espazialaren konbinazioa metodo egokia dela denboraldi erdiko artoaren etekina aurreikusteko. Azkenik, Gnadinger ¨ eta Schmidhalter-ek (2017) UAV-ek zehaztasun-fenotipazioan duen erabilgarritasuna aztertu zuten eta teknologia honen erabilerak ustiategien kudeaketa hobetu zezakeela eta ugalketa- eta agronomia-helburuetarako landa-esperimentazioa ahalbidetu zezakeela nabarmendu zuten. Oro har, ikusten dugu 2. klusterreko argitalpenek urruneko UAVen abantaila nagusietan oinarritzen direla
fenotipatzea, errendimenduaren estimazioa, laborearen gainazalaren modelizazioa eta landareen zenbaketa. Etorkizuneko ikerketek sakondu dezakete urrutiko fenotipatzeko metodo berriak garatuz, urrutiko detekzioaren datuen prozesamendua automatizatu eta optimizatu dezaketenak (Barabaschi et al., 2016; Liebisch et al., 2015; Mochida et al., 2015; S. Zhou et al., 2021; S. Zhou et al. ., XNUMX). Horrez gain, UAVetan muntatutako IoT sentsoreen errendimendua eta haien kostuen, eskulanaren eta etekinaren estimazioaren zehaztasunaren arteko trukea ikertu behar da.
etorkizuna (Ju & Son, 2018a, 2018b; Xie & Yang, 2020; Yue et al., 2018). Azken finean, informazio fidagarria sor dezaketen irudiak prozesatzeko metodo eraginkorrak garatu behar dira, nekazaritza-ekoizpenean eraginkortasuna maximizatzeko eta nekazarien eskuzko zenbaketa-lana gutxitzeko (RU Khan et al., 2021; Koh et al., 2021; Lin). & Guo, 2020; C. Zhang et al., 2020).
3. Klusterra. Kluster honetako argitalpenetan UAV plataformetan erabiltzen diren nekazaritza baliabideen teledetekziorako irudi-sistema mota desberdinak aztertzen dira. Ildo horretan, irudi termikoak gainazaleko tenperaturak kontrolatzeko aukera ematen du laborantzak kalteak saihesteko eta lehorte-estresa goiz detektatzeko (Awais et al., 2022; García-Tejero et al., 2018; Sankaran et al., 2015; Santesteban et al., 2017; 2021; Yeom, 2012). Baluja et al. (XNUMX) ontzian kamera multiespektral eta termikoen erabilera dela baieztatu zuten
UAVek ikertzaileek bereizmen handiko irudiak lortzeko eta mahatsondoaren uraren egoera ebaluatzeko aukera eman zien. Baliagarria izan liteke uraren programazio eredu berriak garatzeko, teledetekzioko datuak erabiliz (Baluja et al., 2012). gatik
UAVen karga-ahalmen mugatua, Ribeiro-Gomes et al. (2017) hoztu gabeko kamera termikoen integrazioa kontuan hartu zuten UAVSetan, landareen ur-estresa zehazteko, eta horrek satelite bidezko teledetekzio tradizionalak eta hoztutako kamera termikoz hornitutako UAVak baino eraginkorragoak eta bideragarriagoak bihurtzen ditu mota honetako UAVak. Egileen arabera, hoztu gabeko kamera termikoak hoztutako kamerak baino arinagoak dira, eta kalibrazio egokia behar dute. Gonzalez-Dugo et al. (2014) irudi termikoek laboreen ur-estres indizeen mapa espazialak modu eraginkorrean sortzen dituztela erakutsi zuten, uraren egoera ebaluatzeko eta zitrikoen artean eta barruko ur-estresa kuantifikatzeko. Gonzalez-Dugo et al. (2013) eta Santesteban et al. (2017) bereizmen handiko UAV irudi termikoen erabilera ikertu zuten baratze komertzialen eta mahasti baten ur-egoeraren aldakortasuna kalkulatzeko.
Espektro anitzeko irudiak datu masiboak eman ditzake RGB (gorria, berdea eta urdina) irudi tradizionalekin alderatuta (Ad˜ ao et al., 2017; Navia et al., 2016). Datu espektral hauek, datu espazialekin batera, sailkapen, mapak, aurreikuspen, iragarpen eta detekzio helburuetan lagun dezakete (Berni et al., 2009b). Candiago et al. (2015), UAV-en oinarritutako espektro anitzeko irudiak asko lagundu dezake laboreen ebaluazioan eta nekazaritza zehatzean baliabide fidagarri eta eraginkor gisa. Gainera,
Khaliq et al. (2019) satelite bidezko eta UAV oinarritutako espektro anitzeko irudien arteko konparazioa egin zuten. UAV-en oinarritutako irudiek mahastiaren aldakortasuna deskribatzeko eta laboreen koipeak irudikatzeko indar-mapak zehatzagoak izan ziren. Laburbilduz, kluster honetako artikuluek irudi termiko eta espektral anitzeko sentsoreak nekazaritzako UAVetan sartzeari buruz eztabaidatzen dute. Horren arabera, ikerketa gehiago behar dira irudi termikoak eta espektral anitzekoak AIrekin nola integra daitezkeen ulertzeko
landareen estresa detektatzeko teknikak (adibidez, ikaskuntza sakona) (Ampatzidis et al., 2020; Ampatzidis & Partel, 2019; Jung et al., 2021; Santesteban et al., 2017; Syeda et al., 2021). Ikuspegi horiek detekzio eraginkorragoa eta zehatzagoa bermatzen lagunduko dute, baita landareen hazkundea, estresa eta fenologiaren jarraipena egiten ere (Buters et al., 2019; Cao et al., 2020; Neupane & BaysalGurel, 2021; L. Zhou et al., 2020; XNUMX).
4. multzoa. Kluster honek nekazaritza-praktikei laguntzeko irudi espektralaren eta irudi hiperespektralaren eginkizun erabakigarriaren inguruan biltzen diren zazpi lanek osatzen dute. Irudi hiperespektralak lur-sistemaren ebaluazio kuantitatiboa ahalbidetzen duen teledetekzio-metodo gisa finkatu da (Schaepman et al., 2009). Zehatzago esateko, gainazaleko materialen identifikazioa, kontzentrazio (erlatiboak) kuantifikatzea eta gainazaleko osagaien proportzioak esleitzea
pixel mistoen barruan (Kirsch et al., 2018; Zhao et al., 2022). Beste era batera esanda, sistema hiperespektralek ematen duten bereizmen espektral handiagoak hainbat parametroren estimazio zehatzagoak ahalbidetzen ditu, hala nola propietate begetarianoak edo hosto-uraren edukia (Suomalainen et al., 2014). Kluster honetako ikertzaileek sistema horien hainbat alderdi ikertu zituzten. Besteak beste, Aasen et al. (2015b) hiru dimentsioko informazio hiperespektral arinetik ateratzeko ikuspegi paregabea eskaini zuten
UAVetan erabiltzen diren argazki-kamerak landaredia kontrolatzeko. Lucieer et al. (2014) UAS hiperespektral berri baten diseinua, garapena eta aireko eragiketak eztabaidatu zituzten, baita berarekin bildutako irudien datuen kalibrazioa, analisia eta interpretazioa ere. Azkenik, Honkavaara et al. (2013b) FabryPerot interferometroan oinarritutako irudi espektraletarako prozesatzeko ikuspegi integral bat garatu zuten eta zehaztasun-nekazaritzarako biomasa kalkulatzeko prozedura batean nola erabiltzen den erakutsi zuten. Gaur egungo kluster honen etorkizuneko bide potentzialak sentsoreen teknologietan hobekuntza teknikoen beharra azpimarratzea (Aasen et al., 2015b) eta teknologia osagarriak, zehazki, big data eta analitika (Ang & Seng, 2021; Radoglou) txertatzeko eta hobetzeko beharra azpimarratzea da. -Grammatikis et al., 2020; Shakoor et al., 2019). Azken hau, batez ere, nekazaritza adimendunean inplementatutako hainbat sentsorek sortzen dituzten datu gero eta hazten dira (C. Li & Niu, 2020; A. Rejeb et al., 2022; Y. Su & Wang, 2021).
5. Klusterra. Kluster honetako argitalpenek droneetan oinarritutako 3Dmapping aplikazioak aztertu zituzten. 3D mapak egiteko dronak erabiltzeak landa-lan konplexua arin dezake eta eraginkortasuna nabarmen handitu dezake (Torres-Sanchez ´ et al., 2015). Klusterreko bost artikuluak landareen monitorizazio aplikazioetan zentratu ziren batez ere. Esaterako, hiru dimentsioko datuak lortzeko kanoi-eremuari, zuhaitzen altuerari eta koroaren bolumenari buruz, Torres-Sanchez ´ et al. (2015) UAV teknologia erabili zuten gainazaleko eredu digitalak sortzeko eta, ondoren, objektuetan oinarritutako irudien analisia (OBIA) planteamenduak sortzeko. Gainera, Zarco-Tejada et al. (2014) zuhaitzen altuera kuantifikatu zuen UAV teknologia eta hiru dimentsioko argazki-berreraikuntza metodoak integratuz. Jim´enez-Brenes Lopez-Granados, ´ De Castro, et al. (2017) hamaika olibondoren 3D aldi anitzeko jarraipenerako prozesu berri bat frogatu zuten UAV teknologia OBIA metodologia aurreratuarekin integratuz. Kluster honetako etorkizuneko lanetarako bide interesgarrien artean egungo hobekuntza dago
metodologiak (Zarco-Tejada et al., 2014) gainazal digitala modelatzeko helburuetarako (Ajayi et al., 2017; Jaud et al., 2016), hala nola OBIA (de Castro et al., 2018, 2020; Ventura et al., 2018). , 2015), eta argazkien berreraikuntza edo metodo berriak garatzeko (Díaz-Varela et al., 2015; Torres-S´ anchez et al., XNUMX).
6. Klusterra. Kluster honek droneek nekazaritza zaintzan duten eginkizuna aztertzen du. UAVek sateliteen eta hegazkinen irudien gabeziak osatu eta gaindi ditzakete. Esaterako, denbora errealeko ia bereizmen handiko irudiak eskain ditzakete erregai gutxiagorekin edo pilotatze-erronka gutxiagorekin, etengabeko eta denbora errealeko zaintza eta erabakiak hartzeko hobekuntzak eraginez (S. Herwitz et al., 2004). UAVen beste ekarpen gako bat da doitasuneko nekazaritzarako edo guneko nekazaritzarako gune zehatzeko datuak eskaintzeko duten gaitasuna, hainbat parametrori buruzko bereizmen handiko eta datu zehatzak nekazariak lurra zati homogeneoetan banatzeko eta horren arabera tratatzeko aukera ematen baitu (Hunt et al. , 2010; CC Lelong et al., 2008; Primicerio et al., 2012). UAV-n oinarritutako nekazaritza-zaintza horrek elikagaien segurtasunaren jarraipena eta erabakiak hartzen lagun dezake (SR Herwitz et al., 2004). Nekazaritzako zaintzan ikerketak aurrera egiteko, sentsoreen, UAVen eta erlazionatutako beste teknologien hobekuntzak eta haien komunikazio- eta datu-transferentzia-metodoak hobetu behar dira (Ewing et al., 2020; Shuai et al., 2019), baizik eta droneak hainbatekin integratzea. Nekazaritza adimendunaren inguruko zeregin desberdinak optimizatzeko teknologiak, hala nola monitorizazioa, nekazaritzaren zaintza eta erabakiak hartzea, potentzial handiko ikerketa-eremua da (Alsamhi et al., 2021; Popescu et al., 2020; Vuran et al., 2018). Ildo horretan, IoT, WSN eta big datak gaitasun osagarri interesgarriak eskaintzen dituzte (van der Merwe et al., 2020). Inplementazio-kostuak, kostu-aurreztea, energia-eraginkortasuna eta datuen segurtasuna integrazio horretarako gutxi ikertu diren arloen artean daude (Masroor et al., 2021).
Herrialdeak eta erakunde akademikoak
Azken urratsak jatorrizko herrialdearen eta egileen kidetasun akademikoen ikerketa izan zuen. Azterketa honen bidez, nekazaritzan droneen aplikazioetan laguntzen duten jakintsuen banaketa geografikoa hobeto ulertzea dugu helburu. Nabarmentzekoa da herrialdeen eta erakunde akademikoen aniztasunaz ohartzea. Herrialdearen ikuspegitik, AEB, Txina, India eta Italia zerrendaren lehen postuetan kokatzen dira argitalpen kopuruari dagokionez (7. taula). Korrontea
Nekazaritzako droneei buruzko ikerketa, neurri handi batean, Ipar Amerikako eta Asiako herrialdeetan zentratuta dago, batez ere doitasuneko nekazaritza-aplikazioetan duten konpromiso handiagatik. Esaterako, AEBetan, nekazaritzako droneen merkatua 841.9 milioi dolarrekoa izan zen 2020an, merkatu globalaren % 30 gutxi gorabehera (ReportLinker, 2021). Munduko ekonomia handiena gisa sailkatuta, Txina 2.6an 2027 milioi USDko gutxi gorabeherako merkatu-tamaina iritsiko dela aurreikusten da. Herrialde honek nekazaritzako droneei erakartzen die produktibitate-arazoak gainditzeko eta etekin hobeak, lan-arintzea eta ekoizpen-inputs txikiagoak lortzeko. Hala ere, Txinan teknologiaren adopzioa biztanleriaren tamaina eta laborantzak kudeatzeko praktikak berritu eta hobetzeko beharra bezalako faktoreek ere eragiten dute.
laguntzen duten herrialde eta unibertsitate/erakunde produktiboenak
nekazaritza droneekin lotutako ikerketa.
Maila | Herriak |
1 | USA |
2 | Txina |
3 | India |
4 | Italia |
5 | Espainia |
6 | Alemanian |
7 | Brasilen |
8 | Australia |
9 | Japonian |
10 | Erresuma Batua |
Maila | Unibertsitateak/ Erakundeak |
1 | Txinako Zientzien Akademia |
2 | Txinako Herri Errepublikako Nekazaritza Ministerioa |
3 | Ikerketa Zientifikoen Goi Kontseilua |
4 | Texas A&M University |
5 | Txinako Nekazaritza Unibertsitatea |
6 | USDA Nekazaritza Ikerketa Zerbitzua |
7 | CSIC – Instituto de Agricultura Sostenible IAS |
8 | Purdue University |
9 | Ikerketa Kontseilu Nazionala |
10 | Hego Txinako Nekazaritza Unibertsitatea |
Unibertsitate eta antolakuntzaren ikuspegitik, Txinako Zientzien Akademia da argitalpen kopuruari dagokionez zerrendaburua, eta ondoren Txinako Herri Errepublikako Nekazaritza Ministerioa eta Consejo Superior de Investigaciones Científicas daude. Txinako Zientzien Akademia Liao Xiaohan eta Li Jun egileek ordezkatzen dute; Han Wenting Txinako Herri Errepublikako Nekazaritza Ministerioa ordezkatzen du; eta Consejo Superior de Investigaciones Científicas Lopez-Granados, ´ F. eta Pena, ˜ Jos´e María S. Estatu Batuetatik, Texas A&M Unibertsitatea eta Purdue Unibertsitatea bezalako unibertsitateek aurkitzen dute.
aipatu. Argitalpen kopuru handiena duten unibertsitateak eta haien loturak 4. irudian ageri dira. Horrez gain, zerrenda honetan ikerketa zientifikoan diharduten, baina erakunde akademikoak ez diren, Consiglio Nazionale delle Ricerche eta Consejo Superior de Investigaciones Científicas bezalako erakundeak daude. .
Gure hautaketak aldizkari ugari biltzen zituen, eskuragarri dauden datu ia guztiak barne. 8. taulan ikusten den bezala, 258 artikulurekin Teledetekzioa dago lehen postuan, eta, ondoren, Journal of Intelligent and Robotic Systems: Theory and Applications with 126 eta Computers and Electronics in Agriculture 98 artikulurekin. Urruneko Detekzioa droneen aplikazioan eta garapenean zentratzen den arren, Nekazaritzako Informatika eta Elektronika batez ere nekazaritzako hardware, software, elektronika eta kontrol sistemen aurrerapenak biltzen ditu. Arlo zeharkako saltokiak, hala nola IEEE Robotics and Automation Letters 87 argitalpenekin eta IEEE Access 34 argitalpenekin, gainera, arloko saltoki nagusiak dira. Lehen hamabost saltokiek 959 dokumenturekin lagundu dute literaturan, hau da, gutxi gorabehera, argitalpen guztien % 20.40. Aldizkarien ko-zitazioen azterketak argitalpenen arteko garrantzia eta antzekotasuna aztertzeko aukera ematen digu. Ko-zitazioaren analisiak hiru multzo ematen ditu, 5. irudian ikusten den bezala. Kluster gorria teledetekzioa, Computer and Electronics in Agriculture, Sensors, aldizkariek osatzen dute.
eta Remote Sensing Nazioarteko Aldizkaria. Saltoki hauek guztiak ospe handiko aldizkariak dira teledetekzio eta doitasuneko nekazaritza arloetan. Kluster berdeak robotika lantzen duten aldizkariak ditu, hala nola Journal of Intelligent and Robotic Systems: Theory and Applications, IEEE Robotics and Automation Letters, IEEE Access eta Drones. Saltoki hauek gehienbat automatizazioari buruzko artikuluak argitaratzen dituzte eta nekazaritza ingeniarientzat erabilgarriak dira. Azken klusterra agronomiarekin eta nekazaritza ingeniaritzarekin lotutako aldizkariek osatzen dute, Agronomy eta International Journal of Agricultural and Biological Engineering esaterako.
Nekazaritzako droneekin lotutako ikerketetako 15 aldizkari nagusiak.
Maila | Journal | Diruz |
1 | Urruneko sentsazioa | 258 |
2 | Sistema Inteligentes eta Robotikoen Aldizkaria: Teoria eta aplikazioak | 126 |
3 | Informatika eta Elektronika Nekazaritzan | 98 |
4 | IEEE Robotika eta Automatizazio Gutunak | 87 |
5 | Sentsoreak | 73 |
6 | Teledetekziorako Nazioarteko Aldizkaria | 42 |
7 | Zehaztasuneko Nekazaritza | 41 |
8 | Drones | 40 |
9 | Agronomy | 34 |
10 | IEEE sarbidea | 34 |
11 | Sistema Robotiko Aurreratuen Nazioarteko Aldizkaria | 31 |
12 | Nekazaritza eta Ingeniaritza Biologikoaren Nazioarteko Aldizkaria | 25 |
13 | PLoS ONE | 25 |
14 | Eremu Robotika aldizkaria | 23 |
15 | Biosistemen Ingeniaritza | 23 |
Ondorioa
Laburpena
Ikerketa honetan, nekazaritzako droneei buruz dauden ikerketak laburbildu eta aztertu ditugu. Hainbat teknika bibliometriko aplikatuz, nekazaritzako droneekin lotutako ikerketaren egitura intelektuala hobeto ulertzen ahalegindu ginen. Laburbilduz, gure berrikuspenak hainbat ekarpen eskaintzen ditu literaturako gako-hitzak identifikatuz eta eztabaidatuz, ezagutza multzoak agerian utziz, droneen alorrean semantikoki antzeko komunitateak osatuz, lehenagoko ikerketak azalduz eta etorkizuneko ikerketaren norabideak iradokiz. Jarraian, nekazaritzako droneen garapenari buruzko berrikuspenaren ondorio nagusiak azaltzen ditugu:
• Literatura orokorra azkar hazi da eta arreta izugarria erakarri du azken hamarkadan, 2012tik aurrera artikulu kopuruaren igoerak adierazten duen moduan. Nahiz eta jakintza-arlo hori bere heldutasun osoa lortu gabe dagoen (Barrientos et al., 2011; Maes). & Steppe, 2019), hainbat galdera oraindik erantzun gabe daude. Esaterako, droneen erabilgarritasuna barruko nekazaritzarako eztabaidarako zabalik dago oraindik (Aslan et al., 2022; Krul et al., 2021; Rold´an et al., 2015). Eremuko eszenen konplexutasunak eta irudiaren zirkunstantzia ezberdinek (adibidez, itzalak eta argiztapena) klaseko bariantza espektral handiagoa eragin dezakete (Yao et al., 2019). Geroagoko ikerketa-faseetan ere, ikertzaileei erronka egin zaie hegaldi-plan optimoak zehazteko eszenatoki jakin batzuen eta beharrezko irudiaren kalitatearen arabera (Soares et al., 2021; Tu et al.,
2020).
• Eremua UAV sistema eraginkorrak garatzetik AI teknikak txertatzera igaro dela ohartzen gara, hala nola ikaskuntza automatikoa eta nekazaritzako droneen diseinuan ikaskuntza sakona (Bah et al., 2018; Kitano et al., 2019; Maimaitijiang et al. , 2020; Mazzia et al., 2020; Tetila et al., 2020).
• Nekazaritzako droneei buruzko ikerketek urrutiko detekzioari buruz hitz egin zuten nagusiki, teknologiak ingurumenaren zaintzan, laboreen kudeaketan eta belar txarrak kudeatzen (1. multzoa) eta urrutiko fenotipizazioan eta etekinaren estimazioan (2. multzoa) dituen ahalmenak aztertuz. Nekazaritzako droneei buruzko eragin handiko ikerketen multzoa Austin (2010), Berni et al. (2009)a, Herwitz et al. (2004), Nex eta Remondino (2014), eta Zhang eta Kovacs (2012). Azterketa hauek nekazaritzaren testuinguruan droneekin lotutako ikerketaren oinarri kontzeptualak garatu zituzten.
• Metodologiari lotuta, orain arte egindako ikerketa gehienak sistemaren diseinuan, kontzeptuzkoetan edo berrikuspenetan oinarritutako ikerketez osatuak izan zirela ikusi dugu (Inoue, 2020; Nex & Remondino, 2014; P´erez-Ortiz et al. , 2015; Yao et al., 2019). Nekazaritzako droneak ikertzeko metodo enpiriko, kualitatibo eta kasu-azterketetan oinarritutako metodo falta ere nabaritzen dugu.
• Azkenaldian, doitasuneko nekazaritza, AI teknikekin, doitasuneko mahastizaintzarekin eta ur-estresaren ebaluazioarekin zerikusia duten gaiek arreta nabarmena izan dute (Espinoza et al., 2017; Gomez-Cand ´ on ´ et al., 2016; Matese et al., 2015; Matese & Di Gennaro, 2018, 2021; Z. Zhou et al., 2021). Ikerketa-klusterrak arretaz aztertzeak bi aro bereizitako, 1990–2010 eta 2011–2021, domeinuaren egitura intelektualaren aurrerapena erakusten du. 1990etik 2010era bitarteko aldia nozio zentralen eta droneen kontzeptuen sorrera izan zen, hori begi bistakoa da UAVen diseinua, garapena eta inplementazioari buruz. Bigarren aroan, ikerketaren ardatza aurreko ikerketetan zabaltzen da, nekazaritzan UAV erabilera kasuak sintetizatzeko ahalegina eginez. Droneen aplikazioak irudigintza-zereginetan eta doitasun-nekazaritzan aztertzen dituzten ikerketa ugari ere aurkitu ditugu.
Maila | Journal | Diruz |
1 | Urruneko sentsazioa | 258 |
2 | Sistema Inteligentes eta Robotikoen Aldizkaria: Teoria eta | 126 |
aplikazioak | ||
3 | Informatika eta Elektronika Nekazaritzan | 98 |
4 | IEEE Robotika eta Automatizazio Gutunak | 87 |
5 | Sentsoreak | 73 |
6 | Teledetekziorako Nazioarteko Aldizkaria | 42 |
7 | Zehaztasuneko Nekazaritza | 41 |
8 | Drones | 40 |
9 | Agronomy | 34 |
10 | IEEE sarbidea | 34 |
11 | Sistema Robotiko Aurreratuen Nazioarteko Aldizkaria | 31 |
12 | Nekazaritza eta Ingeniaritza Biologikoaren Nazioarteko Aldizkaria | 25 |
13 | PLoS ONE | 25 |
14 | Eremu Robotika aldizkaria | 23 |
15 | Biosistemen Ingeniaritza | 22 |
Inplikazioak
Gure berrikuspen bibliometrikoa jakintsuak, nekazariak, nekazaritzako adituak, laborantza aholkulariak eta UAV sistemen diseinatzaileak kontuan hartuta diseinatu eta egin zen. Egileek ondo dakitenaren arabera, hau da analisi bibliometriko sakona egin duen jatorrizko berrikuspenetako bat.
droneen aplikazioak nekazaritzan. Ezagutza-gorputz honen berrikuspen integrala egin dugu, argitalpenen aipamen- eta ko-zitazio-analisiak erabiliz. Droneen ikerketaren egitura intelektuala deskribatzeko gure saiakerek ikuspegi berriak eskaintzen dizkiete akademikoei. Denboran zehar erabilitako gako-hitzen berrikuspen zorrotzak droneekin lotutako literaturan dauden fokuak eta ikerketa-arloak agerian uzten ditu. Gainera, aipaturiko ikerketen zerrenda aurkezten dugu, arlo horretan burututako ikerketa-lan eragingarrienak identifikatzeko. Ondorioz, artikuluak eta gako-hitzak identifikatzeak abiapuntu sendo bat eman lezake etorkizuneko azterketetarako hainbat bide ezagutzeko.
Garrantzitsuena, obra konparagarriak sailkatzen dituzten klusterrak agerian utzi ditugu eta emaitzak landu ditugu. Klusteretan sailkatutako ikerketek UAVen ikerketaren egitura intelektuala ulertzen laguntzen dute. Nabarmentzekoa, droneen adopzio faktoreak ikertzen dituzten ikerketen eskasia aurkitu dugu
eta nekazaritza-jardueretan dauden oztopoak (ikus 9. taula). Etorkizuneko ikertzaileek balizko hutsune horri aurre egin ahal izango diote droneen adopzio-faktoreak nekazaritza-jardueretan eta baldintza klimatiko desberdinetan ebaluatzen dituzten ikerketa enpirikoak eginez. Gainera, droneen eraginkortasunari buruzko kasu-azterketetan oinarritutako ikerketak eremuko datu errealekin babestu behar dira. Era berean, nekazariak eta kudeatzaileak ikerketa akademikoan parte hartzea onuragarria izango litzateke droneen ikerketaren aurrerapen teoriko zein praktikorako. Ikertzaile nabarmenenak eta haien ekarpenak ere identifikatu ahal izan genituen, eta hori baliotsua da, azken lan nagusien ezagutzak etorkizuneko ahalegin akademikoetarako orientabide batzuk eskain ditzakeelako.
Table 9
UAV hartzeko oztopoak.
Barrera | Deskribapena |
Datuen segurtasuna | Zibersegurtasuna ezartzeko erronka handia da IoT irtenbideak (Masroor et al., 2021). |
Elkarreragingarritasuna eta integrazioa | Hainbat teknologia, hala nola UAV, WSN, IoT, etab. integratu behar dira eta datuak transmititu zein konplexutasun maila handitu (Alsamhi et al., 2021; Popescu et al., 2020; Vuran et al., 2018). |
Ezarpen-kostuak | Nekazari txikien kasuan eta kasua da puntako teknologia ezberdinak integratzea ( Masroor et al., 2021). |
Lan ezagutza eta esperientzia | UAVak ustiatzeko drone pilotu trebeak behar dira. Era berean, hainbat punta-puntako ezartzea teknologiek langile kualifikatuak behar dituzte (YB Huang et al., 2013; Tsouros et al., 2019). |
Motor potentzia eta hegaldia iraupen | Drones ezin dira ordu luzez eta estalkirik erabili eremu handiak (Hardin & Hardin, 2010; Laliberte et al., 2007). |
Egonkortasuna, fidagarritasuna eta Maniobrak | Droneak ez dira egonkorrak eguraldi baldintza txarretan (Hardin & Hardin, 2010; Laliberte et al., 2007). |
Karga erabilgarriaren mugak eta sentsoreen kalitatea | Dronesek karga mugatuak bakarrik eraman ditzakete kalitate baxuagoko sentsoreak kargatzeko gaitasuna (Nebiker et al., 2008). |
Araudia | Droneak ere arriskutsuak izan daitezkeenez, larriak daude arlo batzuetan araudia (Hardin & Jensen, 2011; Laliberte & Rango, 2011). |
Baserritarren ezagutza eta interes | Punta-puntako beste teknologia batzuek bezala, droneek inplementazio arrakastatsuak esperientzia behar du eta gainera ziurgabetasunekin batera (Fisher et al., 2009; Lambert et al., 2004; Stafford, 2000). |
Etekinak maximizatzeko erabilgarri dauden baliabideak modu eraginkorrean erabiltzeko etengabeko beharra dagoenez, nekazariek droneak aprobetxa ditzakete beren soroen eskaneatze azkarra, zehatza eta errentagarria bermatzeko. Teknologiak nekazariei lagundu diezaieke laboreen egoera zehazten eta uraren egoera, heltze fasea, intsektuen infestazioak eta nutrizio beharrak ebaluatzen. Droneen urrutiko detekzioaren gaitasunek nekazariei datu erabakigarriak eman diezaiekete arazoei hasiera batean aurreikusteko eta esku-hartze egokiak berehala egiteko. Hala ere, teknologiaren onurak erronkei behar bezala erantzuten bazaizkie soilik gauzatu daitezke. Horren harira
Datuen segurtasunari, sentsoreen teknologiari buruzko egungo arazoak (adibidez, neurketen fidagarritasuna edo zehaztasuna), integrazioaren konplexutasuna eta ezarpen-kostu handiak, etorkizuneko azterketek nekazaritzako droneak eta beste ebaketa batzuk integratzeko bideragarritasun teknikoa, ekonomikoa eta operatiboa ere aztertu behar dute. puntako teknologiak.
Mugak
Gure azterketak hainbat muga ditu. Lehenik eta behin, azken analisirako hautatutako argitalpenek zehazten dituzte ondorioak. Zaila da nekazaritzako droneekin lotutako ikerketa garrantzitsu guztiak biltzea, bereziki Scopus datu-basean indexatutakoak. Gainera, datuak biltzeko prozesua bilaketa gako-hitzak ezartzera mugatzen da, baliteke horiek ez izatea inklusiboa eta aurkikuntza erabakigarriak ez izatea. Beraz, etorkizuneko azterketek arreta handiagoa jarri behar diote datu bilketaren azpian dagoen gaiari
ondorio fidagarriagoak. Beste muga bat aipamen kopuru txikia duten argitalpen berriei dagokie. Azterketa bibliometrikoa lehenagoko argitalpenetara bideratzen da, urteetan zehar aipamen gehiago jaso ohi dituztelako. Azken ikerketek denbora jakin bat behar dute arreta erakartzeko eta aipamenak pilatzeko. Ondorioz, paradigma aldaketa bat ekartzen duten azken ikerketek ez lukete eragin handieneko hamar lanen artean sailkatuko. Muga hori nagusi da nekazaritzako droneak bezalako azkar sortzen ari diren ikerketa-eremuen azterketan. Lan honen literatura aztertzeko Scopus-i kontsultatu dugunez, etorkizuneko ikerlariek ezberdintzat jo dezakete
datu-baseak, hala nola Web of Science eta IEEE Xplore, zerumuga zabaltzeko eta ikerketa-egitura hobetzeko.
Balizko ikerketa bibliometrikoek beste ezagutza-iturri ezinbesteko batzuk kontuan izan ditzakete, hala nola, kongresu-paperak, kapituluak eta liburuak, ikuspegi berriak sortzeko. Nekazaritzako droneei buruzko argitalpen globalak mapatu eta ikertu arren, gure aurkikuntzek ez dute agerian utzi unibertsitateen emaitza akademikoen atzean dauden arrazoiak. Horrek ikerketa-eremu berri baterako bidea irekitzen du, unibertsitate batzuk nekazaritza-ikerketetan zergatik diren beste batzuk baino produktiboagoak kualitatiboki azaltzeko.
droneak. Horrez gain, etorkizuneko ikerketek droneek nekazaritza jasangarritasuna areagotzeko duten ahalmenari buruzko argibideak eman ditzakete hainbat modutan, hala nola ingurumenaren jarraipena, laboreen kudeaketa eta belar txarren mapak hainbat ikertzailek adierazi dutenez (Chamuah & Singh, 2019; Islam et al., 2021; Popescu et al., 2020; J. Su, Liu, et al., 2018b). Testu-analisia ezinezkoa izan denez hautatutako lan-kopuru handia dela eta, beharrezkoa da literatura-berrikuspen sistematikoen beharra.
erabilitako ikerketa-metodoak eta nekazariek aurretiko azterketetan parte hartzea. Laburbilduz, droneen ikerketaren azterketak ezagutza-gorputz horren lotura ikusezinak agerian uzten ditu. Berrikuspen honek, beraz, argitalpenen arteko harremanak azaltzen laguntzen du eta ikerketa-eremuaren egitura intelektuala aztertzen du. Literaturaren hainbat alderdiren arteko loturak ere deskribatzen ditu, hala nola, egileen gako-hitzak, afiliazioak eta herrialdeak.
Lehiaketa intereseko deklarazioa
Egileek adierazi dute ez dutela inolako interes ekonomiko edo harreman pertsonalik ezagutzen artikulu honetan jasotako lanean eragina izan zezaketenik.
Eranskina 1
IZENBURUA-ABS-GATZA (((drone* EDO “pilotu gabeko aireko ibilgailua” EDO uav* EDO “pilotu gabeko hegazkin sistema” EDO uas EDO “urruneko pilotatutako hegazkinak”) ETA (nekazaritza EDO nekazaritza EDO nekazaritza EDO nekazaria))) ETA (KANPOTU (PUBYEAR, 2022)) ETA (MUGATU (HIZKUNTZA, “Ingelesa”)).
Erreferentziak
Aasen, H., Burkart, A., Bolten, A., Bareth, G., 2015. 3D informazio hiperespektrala sortzea UAV argazki-kamer arinekin landarediaren jarraipena egiteko: batetik.
kameraren kalibrazioa kalitatea bermatzeko. ISPRS J. Photogramm. Remote Sens. 108, 245–259. https://doi.org/10.1016/j.isprsjprs.2015.08.002.
Abd-Elrahman, A., Pearlstine, L., Percival, F., 2005. Hegaztiak automatikoki detektatzeko ereduak ezagutzeko algoritmoaren garapena, tripulatu gabeko aireko ibilgailuen irudietatik abiatuta.
Inkesta. Lurra Informatu. Zientzia. 65 (1), 37–45.
Abdollahi, A., Rejeb, K., Rejeb, A., Mostafa, MM, Zailani, S., 2021. Haririk gabeko sentsore-sareak nekazaritzan: analisi bibliometrikoaren ikuspegiak. Iraunkortasuna 13 (21),
12011.
Aboutalebi, M., Torres-Rua, AF, Kustas, WP, Nieto, H., Coopmans, C., McKee, M.,Itzalak detektatzeko metodo ezberdinen ebaluazioa bereizmen handiko irudi optikoetan eta itzalen kalkuluan duen eragina ebaluatzea. NDVIa eta ebapotranspirazioa. Irrig. Zientzia. 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: UAV-en oinarritutako sentsoreei buruzko berrikuspena, datuak prozesatzea eta
nekazaritza eta basogintzarako aplikazioak. Urruneko Detekzioa 9 (11). https://doi.org/ 10.3390/rs9111110.
Agüera Vega, F., Ramírez, FC, Saiz, MP, Rosúa, FO, 2015. Eguzki-lorearen laborantza monitorizatzeko tripulaziorik gabeko aire-ibilgailu bat erabiliz, denbora anitzeko irudiak. Biosist. Ing.
132, 19–27. https://doi.org/10.1016/j.biosystemseng.2015.01.008.
Ajayi, OG, Salubi, AA, Angbas, AF, Odigure, MG, 2017. UAV-tik kota-eredu digital zehatzak sortzea ehuneko baxua gainjarritako irudiak eskuratu zituen. Int.
J. Remote Sens. 38 (8–10), 3113–3134. https://doi.org/10.1080/ 01431161.2017.1285085.
Ali, I., Greifeneder, F., Stamenkovic, J., Neumann, M., Notarnicola, C., 2015. Teledetekzioko datuetatik biomasa eta lurzoruaren hezetasuna berreskuratzeko makina ikasteko planteamenduen berrikuspena. Teledetekzioa 7 (12), 16398–16421.
Alsamhi, SH, Afghah, F., Sahal, R., Hawbani, A., Al-qaness, MAA, Lee, B., Guizani, M., UAVak B5G sareetan erabiltzen dituzten gauzen internet berdea: aplikazioen berrikuspena
eta estrategiak. Ad. Hoc. Sarea. 117, 102505 https://doi.org/10.1016/j. adhoc.2021.102505.
Al-Thani, N., Albuainain, A., Alnaimi, F., Zorba, N., 2020. Ardi Ganaduaren Jarraipenerako Drones. In: IEEE Mediterraneoko 20. Konferentzia Elektroteknikoa. https://doi.
org/10.1109/MELECON48756.2020.9140588.
Ampatzidis, Y., Partel, V., 2019. UAV-n oinarritutako errendimendu handiko fenotipizazioa zitrikoetan espektro anitzeko irudiak eta adimen artifiziala erabiliz. Urruneko Detekzioa 11 (4), https://doi.org/10.3390/rs11040410.
Ampatzidis, Y., Partel, V., Costa, L., 2020. Agroview: Hodeian oinarritutako aplikazioa UAV-ek bildutako datuak prozesatzeko, aztertzeko eta ikusteko, doitasuneko nekazaritza aplikazioetarako adimen artifiziala erabiliz. Konputatu. Elektroia. Nekazaritza. 174, 105457 https://doi. org/10.1016/j.compag.2020.105457.
Ang, K.-L.-M., Seng, JKP, 2021. Big data eta machine learning informazio hiperespektralarekin nekazaritzan. IEEE Access 9, 36699–36718. https://doi.org/10.1109/
SARBIDEA.2021.3051196.
Aquilani, C., Confessore, A., Bozzi, R., Sirtori, F., Pugliese, C., 2022. Iritzia: zehaztasun-abeltzaintzako teknologiak larreetan oinarritutako abeltzaintza-sistemetan. Animalia 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 technology for
nekazaritzako produktibitatea hobetzea: analisi bibliometrikoa. Agronomia 10 (12), 12. artikulua. https://doi.org/10.3390/agronomy10121989.
Armstrong, I., Pirrone-Brusse, M., Smith, A., Jadud, M., 2011. The flying gator: aerial robotics in occam-π. Komunik. Prozesuen Arkitektoa. 2011, 329–340. https://doi. org/10.3233/978-1-60750-774-1-329.
Arora, SD, Chakraborty, A., 2021. Kontsumitzaileen kexa-jokabidearen (CCB) ikerketaren egitura intelektuala: analisi bibliometrikoa. J. Enpresa Erres. 122, 60–74.
Aslan, MF, Durdu, A., Sabanci, K., Ropelewska, E., Gültekin, SS, 2022.
Lur irekietan eta negutegietan doitasuneko nekazaritzarako UAVrekin egindako azken ikerketen inkesta integrala. Apl. Zientzia. 12 (3), 1047. https://doi.org/10.3390/
aplikazioa 12031047.
Atkinson, JA, Jackson, RJ, Bentley, AR, Ober, E. eta Wells, DM (2018). Etorkizunerako eremuko fenotipizazioa. Annual Plant Reviews sarean (719-736 or.). Joan
Wiley & Sons, Ltd. doi: 10.1002/9781119312994.apr0651.
Austin, R., 2010. Tripulatutako hegazkinen sistemak: UAVS diseinua, garapena eta hedapena. In: Tripulatutako Hegazkinen Sistemak: UAVS Diseinua, Garapena eta
Hedapena. John Wiley and Sons. 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 oinarritutako urrutiko detekzioa landareen estresean imajinatu bereizmen handiko sentsore termikoa erabiliz nekazaritza digitaleko praktiketarako: meta-berrikuspena. Int. J. Ingurua. Zientzia. Teknol. https://doi.
org/10.1007/s13762-021-03801-5.
Bacco, M., Berton, A., Ferro, E., Gennaro, C., Gotta, A., Matteoli, S., Paonessa, F., Ruggeri, M., Virone, G., Zanella, A., 2018. Nekazaritza adimenduna: aukerak, erronkak
eta teknologiaren eragileak. 2018 IoT Bertikala eta. Nekazaritzarako Gailurra -Toskana (IOT Toscana) 1–6. https://doi.org/10.1109/IOTTUSCANY.2018.8373043.
Bah, MD, Hafiane, A., Canals, R., 2018. Ikasketa sakona gainbegiratu gabeko datuen etiketarekin belar txarrak detektatzeko lerro-laboreetan UAV irudietan. Urruneko Detekzioa 10 (11), 1690.
https://doi.org/10.3390/rs10111690.
Baldi, S., 1998. Prozesu normatiboak versus konstruktibista sozialak aipamenen esleipenean: eredu sare-analitikoa. Am. Soziol. Ap. 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. Mahastiaren ur-egoeraren aldakortasunaren ebaluazioa termiko eta espektral anitzeko arabera
tripulaziorik gabeko aireko ibilgailu bat (UAV) erabiliz irudiak. Irrig. Zientzia. 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.,Hurrengo belaunaldiko hazkuntza. Landare Sci. 242, 3–13. https://doi.org/10.1016/j.
plantsci.2015.07.010.
Barbedo, JGA, Koenigkan, LV, 2018. Ganadua kontrolatzeko tripulaziorik gabeko aire-sistemen erabilerari buruzko ikuspegiak. Nekazaritza ikuspegia. 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. Pisu baxuko eta UAV-en oinarritutako hiperespektral fotograma osoko kamerak
laboreak monitorizatzeko: Espektrorradiometro eramangarrien neurketa espektrala konparaketa. Photogrametrie, Fernerkundung, Geoinformation 2015 (1), 69–79.
https://doi.org/10.1127/pfg/2015/0256.
Barrientos, A., Colorado, J., del Cerro, J., Martinez, A., Rossi, C., Sanz, D., Valente, J., Aerial remote sensing in agriculture: A practical approach to area coverage
eta aireko robot mini-floten bide-plangintza. J. Field Rob. 28 (5), 667–689. https://doi.org/10.1002/rob.20403.
Basiri, A., Mariani, V., Silano, G., Aatif, M., Iannelli, L., Glielmo, L., 2022. Errotore anitzeko UAVetarako bide-plangintzako algoritmoen aplikazioari buruzko inkesta zehaztasunean
nekazaritza. J. Nabigatu. 75 (2), 364–383.
Basnet, B., Bang, J., 2018. Ezagutza intentsiboko nekazaritzaren punta-puntakoa: sentsazio-sistemen aplikatuei eta datuen analisiari buruzko berrikuspena. J. Sens. 2018, 1–13.
Bendig, J., Bolten, A., Bareth, G., 2013. UAV-n oinarritutako irudiak denbora anitzeko, bereizmen handiko laborantza-azalera ereduetarako, laboreen hazkundearen aldakortasuna kontrolatzeko. Fotogrametria, 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. UAV oinarritutako RGB irudietatik eratorritako labore-azalerazko ereduak (CSM) erabiliz garagar biomasa kalkulatzea. Urruneko detekzioa 6 (11), 10395–10412.
Bendig, J., Yu, K., Aasen, H., Bolten, A., Bennertz, S., Broscheit, J., Gnyp, ML, Bareth, G., 2015. UAV-en oinarritutako landare-altuera uztaren gainazaletik konbinatuz ereduak,
ikusgai, eta infragorri hurbileko landaredi indizeak garagar biomasaren jarraipena egiteko. Int. J. Apl. Lurraren 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. Kanoiaren konduktantzia eta CWSI kartografia oliba-baratzetan bereizmen handia erabiliz
teledetekzio termikoko irudiak. Urruneko sents. 113 (11), 2380–2388. https://doi.org/10.1016/j.rse.2009.06.018.
Berni, JA, Zarco-Tejada, PJ, Suarez, ´ L., Fereres, E., 2009b. Teledetekzio termikoa eta banda estua espektral anitzeko teledetekzioa landarediaren monitorizaziorako, tripulatu gabeko aireko ibilgailu batetik. IEEE Trans. Geosciences. Urruneko Sents. 47 (3), 722–738.
Bouzembrak, Y., Klüche, M., Gavai, A., Marvin, HJP, 2019. Gauzen Internet elikagaien segurtasunean: Literaturaren berrikuspena eta analisi bibliometrikoa. Joera Elikadura Zientzia. Teknol. 94,54–64. https://doi.org/10.1016/j.tifs.2019.11.002.
Brewster, C., Roussaki, I., Kalatzis, N., Doolin, K., Ellis, K., 2017. IoT in agriculture: Designing a Europe-wide large-scale pilot. IEEE Komunitatea. Mag. 55 (9), 26–33.
Buters, TM, Belton, D., Cross, AT, 2019. Sentsore anitzeko UAV-en jarraipena milimetroko zehaztasunarekin banakako plantulen eta plantulen komunitateen. Drones 3 (4), 81.
https://doi.org/10.3390/drones3040081.
Candiago, S., Remondino, F., De Giglio, M., Dubbini, M., Gattelli, M., 2015. UAV irudietatik espektro anitzeko irudiak eta landarediaren indizeak ebaluatzea doitasun-nekazaritzarako aplikazioetarako. Urruneko detekzioa 7 (4), 4026–4047. https://doi.org/10.3390/rs70404026.
Cao, Y., Li, GL, Luo, YK, Pan, Q., Zhang, SY, 2020. Azukre-erremolatxaren hazkunde-adierazleen jarraipena UAVtik eratorritako gama dinamiko zabaleko landaredi indizea (WDRVI) erabiliz.
espektral anitzeko irudiak. Konputatu. Elektroia. Nekazaritza. 171, 105331 https://doi.org/10.1016/j.compag.2020.105331.
Casillas, J., Acedo, F., 2007. Familia-enpresen literaturaren egitura intelektualaren bilakaera: FBRren azterketa bibliometrikoa. Familia Enpresa 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. Arrozaren biomasaren jarraipen dinamikoa azpian
nitrogeno-tratamendu desberdinak UAV arin bat erabiliz irudi-marko biko argazki-kamerekin. Landare-metodoak 15 (1), 32. https://doi.org/10.1186/s13007-019-
0418-8.
Chamuah, A., Singh, R., 2019. Indiako nekazaritzan iraunkortasuna bermatzea UAV zibilen bidez: berrikuntza arduratsuaren ikuspegia. SN aplikazioa. Zientzia. 2 (1), 106. https://
doi.org/10.1007/s42452-019-1901-6.
Chamuah, A., Singh, R., 2022. Tripulaziorik gabeko aireko ibilgailu zibilen (UAV) berrikuntzen gobernu arduratsua Indiako laborantza aseguru aplikazioetarako. J. Arduraduna
Teknol. 9, 100025 https://doi.org/10.1016/j.jrt.2022.100025.
Chen, A., Orlov-Levin, V., Meron, M., 2019. Ureztatzeko doitasun-kudeaketan, ureztatze-kudeaketarako bereizmen handiko kanal ikusgaiko aireko irudiak aplikatzea. Nekazaritza. Ura
Kudeatu. 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 arina, barneko fotogrametria eta maiztasun bakarreko GPS kokapenarekin metrologia aplikazioetarako. ISPRS J. Photogramm. Urruneko Sents. 127, 115–126. https://doi.org/10.1016/j.isprsjprs.2016.12.007.
Dawaliby, S., Aberkane, A., Bradai, A., 2020. Blockchain-en oinarritutako IoT plataforma drone operazio autonomoen kudeaketarako. In: 2. ACMren aktak
MobiCom Tailerra Droneekin lagundutako haririk gabeko komunikazioei 5Grako eta haratagorako, 31–36 orr. https://doi.org/10.1145/3414045.3415939.
Day, RA, Gastel, B., 1998. Nola idatzi eta argitaratu zientzia-artikulu bat. Cambridge University Press. de Castro, AI, Pena, ˜ JM, Torres-Sanchez, ´ J., Jim´enez-Brenes, FM, ValenciaGredilla, F., Recasens, J., Lopez-Granados, ´ F., 2020. Mapping cynodon dactylon infesting estaltzeko laboreak erabaki automatikoko zuhaitz-OBIA prozedura eta UAV irudiak zehaztasun mahastizaintzarako. Urruneko Detekzioa 12 (1), 56. https://doi.org/10.3390/rs12010056.
de Castro, AI, Torres-S´ anchez, J., Pena, ˜ JM, Jim´enez-Brenes, FM, Csillik, O., Lopez- ´Granados, F., 2018. An automatic random forest-OBIA algorithm for belar-belar-mapa goiztiarra laborantza ilaren artean eta barruan, UAV irudiak erabiliz. Urruneko detekzioa 10 (2). https://doi.org/10.3390/rs10020285.
Demir, N., Sonmez, ¨ NK, Akar, T., Ünal, S., 2018. Gari-genotipoen landareen altueraren neurketa automatizatua UAV irudietatik eratorritako DSM bat erabiliz. Espedientea 2 (7), 350. https://doi.org/10.3390/ecrs-2-05163.
Deng, J., Zhong, Z., Huang, H., Lan, Y., Han, Y., Zhang, Y., 2020. Segmentazio semantiko arina sare belar txarrak denbora errealean mapeatzeko, tripulaziorik gabeko aireko ibilgailuak erabiliz. Apl. Zientzia. 10 (20), 7132. https://doi.org/10.3390/app10207132.
Deng, L., Mao, Z., Li, X., Hu, Z., Duan, F., Yan, Y., 2018. UAV-en oinarritutako espektro anitzeko teledetekzioa doitasun-nekazaritzarako: kamera ezberdinen arteko konparaketa. ISPRS J. Photogramm. Urruneko Sents. 146, 124–136.
Diaz-Gonzalez, FA, Vuelvas, J., Correa, CA, Vallejo, VE, Patino, D., 2022. Machine learning and remote sensing techniques apply to estimate soil indicators – review. Ekol. Ind. 135, 108517 https://doi.org/10.1016/j.ecolind.2021.108517.
Díaz-Varela, RA, De la Rosa, R., Leon, ´ L., Zarco-Tejada, PJ, 2015. Bereizmen handiko aireko UAV irudiak olibondoen koroaren parametroak 3D argazki erabiliz ebaluatzeko.
berreraikuntza: hazkuntza-probetan aplikatzea. Urruneko detekzioa 7 (4), 4213–4232. https://doi.org/10.3390/rs70404213.
Dixit, A., Jakhar, SK, 2021. Aireportuko gaitasunaren kudeaketa: berrikuspena eta analisi bibliometrikoa. J. Air Transp. Kudeatu. 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.
RapidEye irudiak erabiltzea Ontarioko (Kanada) laborearen hazkuntza eta etekinaren eremu barruko aldakortasuna identifikatzeko. Zehaztasun Nekazaritza. 20 (6), 1231–1250. https://doi.org/10.1007/
s11119-019-09646-w.
Dutta, PK, Mitra, S., 2021. Nekazaritzako dronen eta iot-en aplikazioa elikagaien hornikuntza-katea ulertzeko COVID-19 osteko garaian. In: Choudhury, A., Biswas, A., Prateek, M.,
Chakrabarti, A. (Arg.), Agricultural Informatics: Automation Using the IoT and Machine Learning. Wiley, 67–87 orr. van Eck, N., Waltman, L., 2009. Software inkesta: VOSviewer, mapping bibliometrikorako programa informatikoa. Zientziometria 84 (2), 523–538. https://doi.org/10.1007/s11192-009-0146-3.
Elijah, O., Rahman, TA, Orikumhi, I., Leow, CY, Hindia, MN, 2018. Gauzen Interneten (IoT) eta datuen analisiaren ikuspegi orokorra nekazaritzan: onurak eta erronkak.
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. Agronomiaren baliozkotzea. UAV eta eremua
tomate barietateetarako neurriak. Konputatu. Elektroia. Nekazaritza. 158, 278–283. https:// doi.org/10.1016/j.compag.2019.02.011.
Espinoza, CZ, Khot, LR, Sankaran, S., Jacoby, PW, 2017. Bereizmen handiko espektro anitzeko eta teledetekzio termikoan oinarritutako ur-estresaren ebaluazioa.
lur azpiko ureztatutako mahats-mahatsak. Urruneko Detekzioa 9 (9), 961. https://doi.org/ 10.3390/rs9090961.
Ewing, J., Oommen, T., Jayakumar, P., Alger, R., 2020. Urruneko detekzio hiperespektralaren erabilera lurzoruaren graduaziorako. Urruneko detekzioa 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. Droneetan oinarritutako espektro anitzeko gainazaleko islapenaren eta landarediaren indizeen eskala anitzeko ebaluazioa baldintza operatiboetan. Urruneko detekzioa 12 (3), 514.
Feng, X., Yan, F., Liu, X., 2019. Doitasuneko nekazaritzarako gauzen Interneten haririk gabeko komunikazio teknologien azterketa. Haririk gabeko perts. Komunik. 108 (3),
1785-1802.
Ferreira, MP, Pinto, CF, Serra, FR, 2014. Transakzio-kostuen teoria nazioarteko negozioen ikerketan: hiru hamarkadatan zehar egindako ikerketa bibliometrikoa. Scientometris 98 (3), 1899–1922. https://doi.org/10.1007/s11192-013-1172-8.
Fisher, P., Abuzar, M., Rab, M., Best, F., Chandra, S., 2009. Australiako hego-ekialdeko doitasuneko nekazaritzarako aurrerapenak. I. simulatzeko erregresio-metodologia
zereal-ekoizpenen aldakuntza espaziala, nekazarien paddock-eko etekin historikoak eta diferentzia normalizatuko landaredi indizea erabiliz. Laborantza Larre Sci. 60 (9), 844–858.
Floreano, D., Wood, RJ, 2015. Zientzia, teknologia eta drone autonomo txikien etorkizuna. Natura 521 (7553), 460–466. https://doi.org/10.1038/nature14542.
Friha, O., Ferrag, MA, Shu, L., Maglaras, LA, Wang, X., 2021. Gauzen Internet nekazaritza adimendunaren etorkizunerako: sortzen ari diren teknologien inkesta integrala. IEEE CAA J. Autom. Sinica 8 (4), 718–752.
Fuentes-Pacheco, J., Torres-Olivares, J., Roman-Rangel, E., Cervantes, S., JuarezLopez, P., Hermosillo-Valadez, J., Rendon-Mancha, ´ JM, 2019. Piku landareen segmentazioa aireko irudietatik abiatuta, kodetzaile-deskodetzaile konboluzional sakon bat erabiliz. Urruneko Detekzioa 11 (10), 1157. https://doi.org/10.3390/rs11101157.
Gago, J., Douthe, C., Coopman, RE, Gallego, PP, Ribas-Carbo, M., Flexas, J., Escalona, J., Medrano, H., 2015. UAVs challenge to evaluate water stress for
nekazaritza jasangarria. Nekazaritza. Uraren kudeaketa. 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. Termoirudiak plantan
almendrondoen (cv. Guara) ureztatze estrategien arabera uzta-uraren egoera ebaluatzeko. Nekazaritza. Uraren kudeaketa. 208, 176–186. https://doi.org/10.1016/j.
agwat.2018.06.002.
Garzonio, R., Di Mauro, B., Colombo, R., Cogliati, S., 2017. Azaleko erreflektantzia eta eguzki-induzitutako fluoreszentzia espektroskopia neurketak UAS hiperespektral txiki bat erabiliz. Urruneko Detekzioa 9 (5), 472. https://doi.org/10.3390/rs9050472. Gaˇsparovi´c, M., Zrinjski, M., Barkovi´c, Đ., Radoˇcaj, D., 2020. Metodo automatikoa
belar-belar mapak olo-soroetan UAV irudietan oinarrituta. Konputatu. Elektroia. Nekazaritza.
Gebbers, R., Adamchuk, VI, 2010. Doizko nekazaritza eta elikagaien segurtasuna. Science 327 (5967), 828–831. https://doi.org/10.1126/science.1183899.
Geipel, J., Link, J., Claupein, W., 2014. Artoaren etekinaren modelizazio espektral eta espazial konbinatua, aireko irudietan eta laborantza gainazaleko ereduetan oinarrituta, tripulaziorik gabeko hegazkin-sistema batekin eskuratutakoa. Urruneko detekzioa 6 (11), 10335–10355. https://doi.org/10.3390/rs61110335.
Geng, D., Feng, Y., Zhu, Q., 2020. Erabiltzaileentzako diseinu iraunkorra: literaturaren berrikuspena eta analisi bibliometrikoa. Ingurua. Zientzia. Kutsadura. Erres. 27 (24), 29824–29836. https://doi. org/10.1007/s11356-020-09283-1.
Gevaert, CM, Suomalainen, J., Tang, J., Kooistra, L., 2015. Erantzun espektral-denborazko gainazalak sortzea satelite espektral anitzeko eta hiperespektralak konbinatuz.
UAV irudiak zehaztasun nekazaritzarako aplikazioetarako. IEEE J. Sel. Goiena. Apl. Lurraren Obs. Urruneko sents. 8 (6), 3140–3146. ttps://doi.org/10.1109/JSTARS.2015.2406339.
Gill, SS, Chana, I., Buyya, R., 2017. IoT oinarritutako nekazaritza hodei eta datu handien zerbitzu gisa: India digitalaren hasiera. J. Org. eta Azken Erabiltzaileen Konputazioa. (JOEUC) 29 (4),
1-23.
Gmür, M., 2006. Ko-zitazioen analisia eta unibertsitate ikusezinen bilaketa: ebaluazio metodologikoa. Zientziometria 57 (1), 27–57. https://doi.org/10.1023/
a:1023619503005.
Gnadinger, ¨ F., Schmidhalter, U., 2017. Arto-planten zenbaketa digitalak Airerik gabeko Ibilgailuen (UAV). Urruneko Detekzioa 9 (6). Https://doi.org/10.3390/rs9060544.
Gokto ¨ ǧan, AH, Sukkarieh, S., Bryson, M., Randle, J., Lupton, T., Hung, C., 2010. Hegal birakariako tripulaziorik gabeko aireko ibilgailua uretako belar txarrak zaintzeko eta
kudeaketa. J. Intell. Sistema Robotikoa: Theor. Apl. 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. Tripulaziorik gabeko aireko ibilgailuen (UAV) irudien mosaikoen zehaztasuna ebaluatzea, doitasun-nekazaritza helburuetarako garian. Zehatza. Nekazaritza. 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. UAV-sentsed imagery by UAV-sensed imagery by Water Stress at tree scale eremuan. : ikuspegi berriak
eskuratze eta kalibrazio termikoa. Zehatza. Nekazaritza. 17 (6), 786–800. https://doi.org/10.1007/s11119-016-9449-6.
Gonzalez-Dugo, V., Zarco-Tejada, PJ, Fereres, E., 2014. Laborantza ur-estres indizea zitrikoen baratzeetako ur-defizitaren adierazle gisa erabiltzearen aplikagarritasuna eta mugak. Nekazaritza. Izan ere. Meteorola. 198–199, 94–104. https://doi.org/10.1016/j. agrformet.2014.08.003.
Gonzalez-Dugo, V., Zarco-Tejada, P., Nicolas, ´ E., Nortes, PA, Alarcon, ´ JJ, Intrigliolo, DS, Fereres, E., 2013. Using high resolution UAV thermal imagery to
baratze komertzialeko bost fruta-arbol espezieren ur-egoeraren aldakortasuna ebaluatzea. Zehatza. Nekazaritza. 14 (6), 660–678. https://doi.org/10.1007/s11119-013-9322-9.
Goyal, K., Kumar, S., 2021. Financial literacy: A systematic review and bibliometric analysis. Int. J. Consumer Studies 45 (1), 80-105. https://doi.org/10.1111/
ijcs.12605.
Grenzdorffer, ¨ GJ, Engel, A., Teichert, B., 2008. The photogrammetric potential of lowcost uavs in basogintzan eta nekazaritzan. Fotogrametria, Teledetekzio eta Informazio Espazialeko Zientzien Nazioarteko Artxiboak - ISPRS Artxiboak 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. Bereizmen handiko korrelazioa ebaluatzea
NDVI ongarrien aplikazio maila eta arroz eta gari laboreen etekina UAV txikiak erabiliz. Urruneko detekzioa 11 (2), 112.
Gundolf, K., Filser, M., 2013. Management research and religion: a citation analysis. J. Autobusa. Etika 112 (1), 177–185.
Guo, Q., Zhu, Y., Tang, Y., Hou, C., He, Y., Zhuang, J., Zheng, Y., Luo, S., 2020. CFD simulazioa eta espazioaren egiaztapen esperimentala eta denborazko banaketak
lau errotoreko nekazaritza UAV baten beheranzko aire-fluxua pasatzean. Konputatu. Elektroia. Nekazaritza. 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. , Polonia, J., 2016.
Tripulaziorik gabeko aire-sistemen aplikazioa gari hazteko mintegi handien errendimendu handiko fenotipatzeko. Landare-metodoak 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. UAV-etatik ateratako espektro-irudiak argiztapen baldintza desberdinetan . In GG Bill R. (Arg.), International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences—ISPRS Archives (Vol. 40, Issue 1W2, or. 189–194). Fotogrametria eta Teledetekziorako Nazioarteko Elkartea. 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. Uharteko landaredia tripulaziorik gabeko airetik mapeatzeko teknikak ebaluatzea.
ibilgailuen (UAV) irudiak: pixelen sailkapena, interpretazio bisuala eta ikaskuntza automatikoaren ikuspegiak. Int. J. Apl. Lurraren Obs. Geoinf. 89, 102085 https://doi.org/
10.1016/j.jag.2020.102085.
Haque, A., Islam, N., Samrat, NH, Dey, S., Ray, B., 2021. Nekazaritza adimenduna lidergo arduratsuaren bidez Bangladeshen: aukerak, aukerak eta haratago.
Iraunkortasuna 13 (8), 4511.
Hardin, PJ, Hardin, TJ, 2010. Eskala txikiko urrutiko pilotatutako ibilgailuak ingurumenaren ikerketan. Geografia Iparrorratza 4 (9), 1297–1311. ttps://doi.org/10.1111/j.1749-
8198.2010.00381.x.
Hardin, PJ, Jensen, RR, 2011. Eskala txikiko tripulaziorik gabeko aireko ibilgailuak ingurumen-teledetekzioan: erronkak eta aukerak. GISci. Remote Sens. 48 (1), 99–111. https://doi.org/10.2747/1548-1603.48.1.99.
He, Y., Nie, P., Zhang, Q., Liu, F., 2021. Agricultural Internet of Things: technologies and applications, (1. ed. 2021 edizioa). Springer.
Herwitz, SR, Johnson, LF, Dunagan, SE, Higgins, RG, Sullivan, DV, Zheng, J., Lobitz, BM, Leung, JG, Gallmeyer, BA, Aoyagi, M., Slye, RE, Brass, JA, 2004.
Tripulaziorik gabeko aireko ibilgailu baten irudiak: nekazaritza-zaintza eta erabakiak hartzeko laguntza. Konputatu. Elektroia. Nekazaritza. 44 (1), 49–61. https://doi.org/10.1016/j.
konpag.2004.02.006.
Holman, FH, Riche, AB, Michalski, A., Castle, M., Wooster, MJ, Hawkesford, MJ, Gari-landarearen altueraren eta hazkuntza-tasa landa-lursailen saiakuntzetan, UAV oinarritutako teledetekzioa erabiliz. Urruneko Detekzioa 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. Tramitazioa eta ebaluazioa zehaztasun nekazaritzarako UAV kamera espektral arin baten bidez bildutako irudi espektrometrikoak eta estereoskopikoak. Urruneko detekzioa 5 (10), 5006–5039. https://doi.org/10.3390/rs5105006.
Hossein Motlagh, N., Taleb, T., Arouk, O., 2016. Altuera baxuko tripulaziorik gabeko aireko ibilgailuetan oinarritutako gauzen Interneteko zerbitzuak: inkesta integrala eta etorkizuneko ikuspegiak. 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. Fluxu optikoko eta estereo bidezko nabigazio konbinatua hiri arroilen UAV baterako. urtean: 2005 IEEE/RSJ
Robot eta Sistema Adimendunen Nazioarteko Konferentzia, 3309–3316 or. https://doi.org/10.1109/IROS.2005.1544998.
Hsu, T.-C., Yang, H., Chung, Y.-C., Hsu, C.-H., 2020. Hodeiko lainoaren konputaziorako IoT nekazaritza plataforma sortzailea. Eutsi. Konputatu. Inf. Syst. 28, 100285.
Huang, H., Deng, J., Lan, Y., Yang, A., Deng, X., Zhang, L., Gonzalez-Andujar, JL, 2018. Tripulaziorik gabeko aireko ibilgailuen belar txarrak mapeatzeko sare guztiz konboluzionala ( UAV) irudiak. PLoS ONE 13 (4), e0196302.
Huang, H., Lan, Y., Yang, A., Zhang, Y., Wen, S., Deng, J., 2020. Ikaskuntza sakona versus Objektuetan oinarritutako Irudien Analisia (OBIA) UAV irudien belar-mapetan. Int. J.
Remote Sens. 41 (9), 3446–3479. https://doi.org/10.1080/01431161.2019.1706112.
Huang, H., Yang, A., Tang, Y., Zhuang, J., Hou, C., Tan, Z., Dananjayan, S., He, Y., Guo, Q., Luo, S., 2021. Koloreen kalibrazio sakona UAV irudietarako laborantza monitorizazioan
estilo semantikoa transferentzia tokiko arreta globalarekin erabiliz. Int. J. Apl. Lurraren Obs. Geoinf. 104, 102590 https://doi.org/10.1016/j.jag.2021.102590.
Huang, YB, Thomson, SJ, Hoffmann, WC, Lan, YB, Fritz, BK, 2013. Nekazaritzako produkziorako tripulatu gabeko aireko ibilgailuen teknologien garapena eta aurreikuspena.
kudeaketa. Int. J. Agrik. Biol. Ing. 6 (3), 1–10. https://doi.org/10.3965/j. ijabe.20130603.001.
Huang, Y., Hoffmann, WC, Lan, Y., Wu, W., Fritz, BK, 2009. Tripulaziorik gabeko aireko ibilgailuen plataformarako spray-sistema baten garapena. Apl. Ing. Nekazaritza. 25 (6), 803–809.
Hunt Jr., ER, Dean Hively, W., Fujikawa, SJ, Linden, DS, Daughtry, CST, McCarty, GW, 2010. NIR-berde-urdin argazki digitalak eskuratzea.
laboreak kontrolatzeko tripulaziorik gabeko hegazkinak. Urruneko detekzioa 2 (1), 290–305. https://doi. org/10.3390/rs2010290. Inoue, Y., 2020. Satelite bidez eta droneetan oinarritutako laboreen eta lurzoruen urruneko detekzioa nekazaritza adimendunerako: berrikuspena. Lurzoruaren zientzia. Landare Nutr. 66 (6), 798–810. https://doi.org/10.1080/00380768.2020.1738899.
Islam, N., Rashid, MM, Pasandideh, F., Ray, B., Moore, S., Kadel, R., 2021. Gauzen Interneterako (IoT) eta aplikazioen eta komunikazio teknologien berrikuspena.
Nekazaritza adimendun iraunkorrean oinarritutako tripulatu gabeko aireko ibilgailuetan (UAV). Iraunkortasuna 13 (4), 1821. https://doi.org/10.3390/su13041821.
Jaud, M., Passot, S., Le Bivic, R., Delacourt, C., Grandjean, P., Le Dantec, N., 2016. Kalkulatutako bereizmen handiko azalera digitalen ereduen zehaztasuna ebaluatzea.
PhotoScan® eta MicMac® inkestaren baldintza optimoetan. Urruneko Detekzioa 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. Inausketa-inpaktuak kuantifikatzea olibondoen arkitekturan eta urteko kanoiaren hazkundea UAV-n oinarritutako 3D modelizazioa erabiliz. Landare-metodoak 13 (1). https://doi.org/10.1186/s13007-017-0205-3.
Jin, X., Liu, S., Baret, F., Hemerl´e, M., Comar, A., 2017. Gari-laboreen landare-dentsitatearen estimazioak oso altuera baxuko UAV irudietatik agertzean. Urruneko sents.
Ingurua. 198, 105–114. https://doi.org/10.1016/j.rse.2017.06.007.
Jinbo, C., Xiangliang, C., Han-Chi, F., Lam, A., 2019. Hodeiko informatikak onartzen duen nekazaritza produktuen monitorizazio sistema. Cluster Comput. 22 (4), 8929–8938.
Ju, C., & Son, HI 2018a. Nekazaritzan teledetekziorako UAV sistemen errendimenduaren ebaluazioa. IEEE Robotika eta Automatizazioari buruzko Nazioarteko Konferentzian (ICRA), Brisbane (Australia), 21-26 Robotikoen Ikuspegiari eta Ekintzari buruzko Tailerren aktak.
Ju, C., Son, HI, 2018b. UAV sistema anitz nekazaritzako aplikazioetarako: kontrola, ezarpena eta ebaluazioa. Elektronika 7 (9), 162. https://doi.org/10.3390/
elektronika7090162.
Jung, J., Maeda, M., Chang, A., Bhandari, M., Ashapure, A., Landivar-Bowles, J., 2021. Urruneko detekzioaren eta adimen artifizialaren potentziala tresnak hobetzeko.
nekazaritzako ekoizpen sistemen erresilientzia. Curr. Iritzi. Bioteknologia. 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. Laborantza aztertzeko teknika hobetua, aireko ibilgailuek lagundutako espektro anitzeko laborantza-irudiak barneratzen dituena, sandiako zurtoin gominozkoaren zurtoinaren bilatze praktika konbentzionalean. Landare Dis. 103 (7), 1642–1650.
Kapoor, KK, Tamilmani, K., Rana, NP, Patil, P., Dwivedi, YK, Nerur, S., 2018. Sare sozialen ikerketan aurrerapenak: iragana, oraina eta etorkizuna. Informatu. Syst. Aurrealdea. 20
(3), 531-558.
Kerkech, M., Hafiane, A., Canals, R., 2020. VddNet: mahatsondoaren gaixotasunak detektatzeko sarea espektral anitzeko irudietan eta sakoneran mapan oinarrituta. Teledetekzioa 12 (20), 3305. https://doi. org/10.3390/rs12203305.
Khaliq, A., Comba, L., Biglia, A., Ricauda Aimonino, D., Chiaberge, M., Gay, P., 2019. Satelite bidezko eta UAV bidezko espektro anitzeko irudien konparazioa mahastirako
aldakortasunaren ebaluazioa. Teledetekzioa 11 (4). https://doi.org/10.3390/rs11040436.
Khan, PW, Byun, Y.-C., Park, N., 2020. IoT-blockchain-ek elikagaien industria 4.0rako jatorri-sistema optimizatua gaitu zuen ikaskuntza sakon aurreratua erabiliz. Sentsoreak 20 (10), 2990.
Khan, RU, Khan, K., Albattah, W., Qamar, AM, Ullah, F., 2021. Irudian oinarritutako landareen gaixotasunen detekzioa: makina ikaskuntza klasikotik ikaskuntza sakonera. Haririk gabeko Komunitatea. Ordenagailu mugikorra. 2021, 1–13.
Khan, S., Tufail, M., Khan, MT, Khan, ZA, Iqbal, J., Alam, M., Le, KNQ, 2021. UAV oinarritutako laborantza/belar sailerako erdi-gainbegiratutako esparru berri bat. PLoS ONE 16 (5), e0251008.
Khanal, S., Fulton, J., Shearer, S., 2017. Teledetekzio termikoaren egungo eta balizko aplikazioen ikuspegi orokorra doitasun-nekazaritzan. Konputatu. Elektroia.
Nekazaritza. 139, 22–32. https://doi.org/10.1016/j.compag.2017.05.001.
Khanna, A., Kaur, S., 2019. Gauzen Interneten (IoT) bilakaera eta bere eragin nabarmena Doitasun Nekazaritza arloan. Konputatu. Elektroia. Nekazaritza. 157, 218–231.
Kim, W., Khan, GF, Wood, J., Mahmood, MT, 2016. Langileen konpromisoa erakunde iraunkorretarako: gako-hitz-analisia sare sozialen analisia eta leherketa erabiliz.
detektatzeko ikuspegia. Iraunkortasuna 8 (7), 631.
Kirsch, M., Lorenz, S., Zimmermann, R., Tusa, L., Mockel, ¨ R., Hodl, ¨ P., Booysen, R., Khodadadzadeh, M., Gloaguen, R., 2018. Integrazioa lurrekoak eta dronen bidezkoak
esplorazio mapak eta meatzaritza monitorizatzeko sentsore hiperespektral eta fotogrametrikoko metodoak. Urruneko detekzioa 10 (9), 1366. https://doi.org/10.3390/
rs10091366.
Kitano, BT, Mendes, CCT, Geus, AR, Oliveira, HC, Souza, JR, 2019. Arto landareen zenbaketa ikaskuntza sakona eta UAV irudiak erabiliz. IEEE Geosciences. Urruneko sents. Lett. 1–5 https://doi.org/10.1109/LGRS.2019.2930549.
Koh, JCO, Spangenberg, G., Kant, S., 2021. Errendimendu handiko irudietan oinarritutako landare-fenotipizaziorako makina-ikasketa automatizatua. Urruneko detekzioa 13 (5), 858. https://
doi.org/10.3390/rs13050858.
Kovalev, IV, Voroshilova, AA, 2020. Joera teknologiko modernoak zama UAVen ekosistemaren garapenean. J. Fisikoak. Konf. Ser. 1515 (5), 052068 https://doi. org/10.1088/1742-6596/1515/5/052068.
Krul, S., Pantos, C., Frangulea, M., Valente, J., 2021. Barruko abeltzaintzarako eta nekazaritzarako SLAM bisuala drone txiki bat erabiliz kamera monokularrarekin: bideragarritasun azterketa.
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. Nekazaritzako automatizaziorako droneen inkesta landatzetik
uzta. In: INES 2018 – IEEE 22. International Conference on Intelligent Engineering Systems, 000353–358 or. https://doi.org/10.1109/INES.2018.8523943.
Lagkas, T., Argyriou, V., Bibi, S., Sarigiannidis, P., 2018. UAV IoT esparruko ikuspegiak eta erronkak: dronak "Gauza" gisa babesteko bidean. Sentsoreak 18 (11), 4015. https://doi.org/10.3390/s18114015.
Laliberte, AS, Rango, A., 2011. Tripulaziorik gabeko hegazkin batekin lehorren gainean lortutako azpidezimetriko irudien analisirako irudiak prozesatzeko eta sailkatzeko prozedurak.
zelaiak. GISci. Urruneko sents. 48 (1), 4–23. https://doi.org/10.2747/1548-1603.48.1.4.
Laliberte, AS, Rango, A., Herrick, JE, 2007. Landareen mapak eta jarraipena egiteko tripulatutako aireko ibilgailuak: bi sistemen konparazioa. ASPRS Urteko Konferentziaren aktak.
Lam, OHY, Dogotari, M., Prüm, M., Vithlani, HN, Roers, C., Melville, B., Zimmer, F., Becker, R., 2021. Belardi natiboetan belar txarrak mapeatzeko kode irekiko lan-fluxua.
tripulaziorik gabeko aireko ibilgailua erabiliz: Rumex obtusifolius kasu praktiko gisa erabiltzea. Euro. 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. Adopzioa, errentagarritasuna eta doitasun-nekazaritzako datuak hobeto erabiltzea.
Laneko papera. Purdue Unibertsitatea. https://doi.org/10.22004/ag.econ.28615.
Lelong, CCD, Burger, P., Jubelin, G., Roux, B., Labb´e, S., Baret, F., 2008. Tripulaziorik gabeko aireko ibilgailuen irudien ebaluazioa gari-laborearen monitorizazio kuantitatiboa lursail txikietan. Sentsoreak 8 (5), 3557–3585. https://doi.org/10.3390/s8053557.
Li, C., Niu, B., 2020. Nekazaritza adimendunaren diseinua big datan eta gauzen Internetetan oinarrituta. Int. J. Banatu. Sens. Netw. 16 (5) ttps://doi.org/10.1177/1550147720917065.
Li, W., Niu, Z., Chen, H., Li, D., Wu, M., Zhao, W., 2016. Kanoiaren altueraren eta artoaren lur gaineko biomasaren urruneko estimazioa bereizmen handiko irudi estereoa erabiliz. kostu baxuko tripulaziorik gabeko aireko ibilgailuen sistema. Ekol. Ind. 67, 637–648. https://doi.org/10.1016/j.ecolind.2016.03.036.
Liakos, KG, Busato, P., Moshou, D., Pearson, S., Bochtis, D., 2018. Machine learning in agriculture: a review. Sentsoreak 18 (8), 2674.
Liebisch, F., Kirchgessner, N., Schneider, D., Walter, A., Hund, A., 2015. Artoaren ezaugarrien urrutiko eta aireko fenotipatzea sentsore anitzeko hurbilketa mugikor batekin. Landare-metodoak 11 (1), 9. https://doi.org/10.1186/s13007-015-0048-8.
Lin, Z., Guo, W., 2020. Sorgo panikulen detekzioa eta zenbaketa, tripulaziorik gabeko aire-sistemako irudiak eta ikaskuntza sakona erabiliz. Aurrealdea. Landare Sci. 11.
Liu, S., Guo, L., Webb, H., Ya, X., Chang, X., 2019. Hodeiko informatikan oinarritutako nekazaritza ekologiko modernoaren gauzen Internet monitorizatzeko sistema. IEEE Access 7, 37050–37058.
Lopez-Granados, ´ F., 2011. Belar txarrak detektatzea gune zehatzeko belar txarrak kudeatzeko: mapak eta denbora errealeko planteamenduak. Belar Erres. 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. Objektuetan oinarritutako monitorizazio goiztiarra belar-belarra belar laborantza batean bereizmen handiko UAV irudiak erabiliz. Agron. Eutsi. Deb. 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. Denboraldi hasierako belar txarren mapak ekilorean UAV teknologia erabiliz: belar atalaseen aurkako herbizida tratamenduen mapen aldakortasuna. Zehatza. Nekazaritza. 17 (2), 183–199.
Lucieer, A., Malenovský, Z., Veness, T., Wallace, L., 2014. HyperUAS - irudi-espektroskopia multirotor gabeko hegazkin-sistema batetik. J. Field Rob. 31 (4),
571–590. https://doi.org/10.1002/rob.21508.
Lumme, J., Karjalainen, M., Kaartinen, H., Kukko, A., Hyyppa, ¨ J., Hyypp¨ a, H., Jaakkola, A., & Kleemola, J., 2008. Terrestrial laser scanning of nekazaritzako laboreak. JJ-n
Chen J. Maas H–G. (Arg.), Photogrammetry, Remote Sensing and Spatial Information Sciences-en International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences—ISPRS Archives (37. liburukia, 563–566 orr.).
Fotogrametria eta Teledetekziorako Nazioarteko Elkartea. 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. Objektu gainbegiratuetan oinarritutako lur-estalkiaren irudien sailkapenaren berrikuspena. ISPRS J. Photogramm. Urruneko sentsoreak 130,
277–293. https://doi.org/10.1016/j.isprsjprs.2017.06.001.
Maes, WH, Steppe, K., 2019. Teledetekziorako perspektibak tripulaziorik gabeko aireko ibilgailuekin doitasun-nekazaritzan. Joera Landare 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.
Tripulatutako aireko sistema (UAS) oinarritutako sojaren fenotipizazioa sentsore anitzeko datuen fusioa eta muturreko ikasteko makina erabiliz. ISPRS J. Photogramm. Remote Sens. 134, 43–58. https://doi.org/10.1016/j.isprsjprs.2017.10.011. Maimaitijiang, M., Sagan, V., Sidike, P., Daloye, AM, Erkbol, H., Fritschi, FB, 2020.
Laboreen jarraipena satelite/UAV datuen fusioa eta ikaskuntza automatikoa erabiliz. Urruneko Detekzioa 12 (9), 1357. https://doi.org/10.3390/rs12091357.
Manfreda, S., McCabe, M., Miller, P., Lucas, R., Pajuelo Madrigal, V., Mallinis, G., Ben Dor, E., Helman, D., Estes, L., Ciraolo, G. ., Müllerova, ´ J., Tauro, F., de Lima, M., de
Lima, J., Maltese, A., Frances, F., Caylor, K., Kohv, M., Perks, M., Ruiz-P´erez, G., Su, Z., Vico, G., Toth , B., 2018. Tripulaziorik gabeko aire-sistemen erabilerari buruz
ingurumenaren jarraipena. Urruneko detekzioa 10 (4), 641.
Marinko, RA, 1998. Emakumeen ikasketen aldizkarien aipamenak tesietan, 1989 eta The Serials Librarian 35 (1–2), 29–44. https://doi.org/10.1300/J123v35n01_
03.
Masroor, R., Naeem, M., Ejaz, W., 2021. Baliabideen kudeaketa UAV-k lagundutako haririk gabeko sareetan: optimizazio-ikuspegia. Ad Hoc Sarea. 121, 102596 https://doi.org/10.1016/j.adhoc.2021.102596.
Matese, A., Di Gennaro, SF, 2018. Sentsore anitzeko UAV plataforma baten aplikazio praktikoak zehaztasun handiko irudi espektral, termiko eta RGB bereizmen handiko irudietan oinarrituta.
mahastizaintza. Nekazaritza 8 (7), 116. https://doi.org/10.3390/agriculture8070116.
Matese, A., Di Gennaro, SF, 2021. NDVI indize tradizionalaz haratago, UAV-en erabilera doitasuneko mahastizaintzan txertatzeko funtsezko faktore gisa. Zientzia. Errep. 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 UAV eta hegazkinen arteko konparaketa
eta satelite bidezko teledetekzio plataformak zehaztasun-mahastizaintzarako. Urruneko Detekzioa 7 (3), 2971–2990. https://doi.org/10.3390/rs70302971.
Mazzia, V., Comba, L., Khaliq, A., Chiaberge, M., Gay, P., 2020. UAV eta ikaskuntza automatikoan oinarritutako zehaztasunerako satelite bidezko landaredi indize baten finketa.
nekazaritza. Sentsoreak 20 (9), 2530. https://doi.org/10.3390/s20092530.
McCain, KW, 1990. Egileen mapak espazio intelektualean: ikuspegi teknikoa. J. Am. Soc. Info. Zientzia. 41 (6), 433–443.
Meinen, BU, Robinson, DT, 2021. Nekazaritza-higaduraren modelizazioa: USLE eta WEPP eremu-eskalako higadura-estimazioak ebaluatzea UAV denbora-serieko datuak erabiliz. Ingurua. Eredua. Software 137, 104962. https://doi.org/10.1016/j.envsoft.2021.104962.
Melville, B., Lucieer, A., Aryal, J., 2019. Behe-lurraldeetako jatorrizko belardi-komunitateen sailkapena.
Tasmaniako erdialdea. Drones 3 (1), 5.
Messina, G., Modica, G., 2020. UAV irudi termikoen aplikazioak doitasun-nekazaritzan: artearen egoera eta etorkizuneko ikerketa-ikuspegia. Urruneko Detekzioa 12 (9), https://doi.org/10.3390/rs12091491.
Mishra, D., Luo, Z., Jiang, S., Papadopoulos, T., Dubey, R., 2017. Big datari buruzko ikerketa bibliografikoa: kontzeptuak, joerak eta erronkak. Negozio Prozesuen Kudeaketa. J. 23 (3),
555-573.
Mochida, K., Saisho, D., Hirayama, T., 2015. Laboreen hobekuntza eremuko baldintzetan eskuratutako bizi-zikloko datu multzoak erabiliz. Aurrealdea. Landare Sci. 6 https://doi.org/10.3389/
fpls.2015.00740.
Mogili, UM.R., Deepak, BBVL, 2018. Drone sistemen aplikazioari doitasun-nekazaritzan. Procedia Comput. Zientzia. 133, 502–509.
Moharana, S., Dutta, S., 2016. Arrozaren klorofila eta nitrogeno edukiaren aldakortasun espaziala irudi hiperespektraletatik. ISPRS J. Photogramm. Urruneko Sents. 122, 17–29.
Muangprathub, J., Boonnam, N., Kajornkasirat, S., Lekbangpong, N., Wanichsombat, A.,
Nillaor, P., 2019. IoT eta nekazaritza datuen analisia baserri adimendunerako. Konputatu. Elektroia. Nekazaritza. 156, 467–474.
Nansen, C., Elliott, N., 2016. Entomologian teledetekzioa eta islapenaren profila. Annu. Entomol apez. 61 (1), 139–158. https://doi.org/10.1146/annurev-ento010715-023834.
Navia, J., Mondragon, I., Patino, D., Colorado, J., 2016. Multispectral mapping in agriculture: terrain mosaic using an autonomous quadcopter UAV. Int. Konf.
Tripulatu gabeko hegazkinen sistema. (ICUAS) 2016, 1351–1358. https://doi.org/10.1109/ ICUAS.2016.7502606.
Nayyar, A., Nguyen, B.-L., Nguyen, NG, 2020. Drone gauzen interneta (Iodt): drone adimendunen etorkizuneko ikuspegia. Adv. Adimena. Syst. Konputatu. 1045, 563–580. https://doi.org/10.1007/978-981-15-0029-9_45.
Nebiker, S., Annen, A., Scherrer, M., Oesch, D., 2008. Mikro UAV-rako sentsore multiespektral arin bat: bereizmen handiko aireko teledetekziorako aukerak. Int. ark. Fotograma. Urruneko sents. Inf. Sci 37 (B1), 1193–1200.
Negash, L., Kim, H.-Y., Choi, H.-L., 2019. UAV aplikazioak nekazaritzan. In: 2019 Roboten Adimen Teknologiari buruzko 7. Nazioarteko Konferentzia eta
Aplikazioak (RiTA), 254–257 or. https://doi.org/10.1109/RITAPP.2019.8932853.
Nerur, SP, Rasheed, AA, Natarajan, V., 2008. Kudeaketa estrategikoaren eremuaren egitura intelektuala: egile-aipamenaren azterketa. Estrategia. Kudeatu. J. 29 (3),
319-336.
Neupane, K., Baysal-Gurel, F., 2021. Landareen gaixotasunen identifikazio automatikoa eta jarraipena, tripulaziorik gabeko aireko ibilgailuak erabiliz: berrikuspena. Urruneko Detekzioa 13 (19), 3841. https://doi.org/10.3390/rs13193841.
Nex, F., Remondino, F., 2014. UAV for 3D mapping applications: a review. Apl. Geomatika 6 (1), 1–15. https://doi.org/10.1007/s12518-013-0120-x.
Niu, H., Hollenbeck, D., Zhao, T., Wang, D., Chen, Y., 2020. Ebapotranspirazioaren estimazioa UAV txikiekin doitasun nekazaritzan. Sentsoreak 20 (22), 6427. https://
doi.org/10.3390/s20226427.
Osareh, F., 1996. Bibliometria, aipamenaren analisia eta aipamenen analisia. Literaturaren Iritzia 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, sentsoreak eta datuen tratamendua agrobasogintzan: aplikazio praktikoei buruzko berrikuspena. Int. J. Remote Sens. 38 (8–10), 2349–2391. https://doi.org/10.1080/01431161.2017.1297548.
Panday, AEB, Pratihast, AK, Aryal, J., Kayastha, RB, 2020. Droneetan oinarritutako datu-soluzioei buruzko berrikuspena zereal laboreetarako. Drones 4 (3), 1–29. https://doi.org/10.3390/
drones4030041.
Parsaeian, M., Shahabi, M., Hassanpour, H., 2020. Sesamo-hazien olio- eta proteina-edukia kalkulatzea irudien prozesamendua eta neurona-sare artifiziala erabiliz. J. Am. Olioa
Kimikarien Soc. 97 (7), 691–702.
Pena, ˜ JM, Torres-S´anchez, J., de Castro, AI, Kelly, M., Lopez-Granados, ´ F., Suarez, O., Weed mapping in early-season maize fields using object-based analysis de
Tripulatu gabeko aireko ibilgailuak (UAV) Irudiak. PLoS ONE 8 (10), e77151.
P´erez-Ortiz, M., Pena, ˜ JM, Guti´errez, PA, Torres-S´ anchez, J., Herv´ as-Martínez, C.,
Lopez-Granados, ´ F., 2015. Ekilore-laboreetan belar-belar mapak egiteko sistema erdi gainbegiratua, tripulaziorik gabeko aireko ibilgailuak eta labore-ilarak hautemateko metodoa erabiliz. Apl. Soft Comput. J. 37, 533–544. https://doi.org/10.1016/j.asoc.2015.08.027.
Pincheira, M., Vecchio, M., Giaffreda, R., Kanhere, SS, 2021. IoT gailu errentagarriak datu-iturri fidagarriak gisa bloke-katean oinarritutako ura kudeatzeko sistema doitasuneko nekazaritzan. Konputatu. Elektroia. Nekazaritza. 180, 105889.
Popescu, D., Stoican, F., Stamatescu, G., Ichim, L., Dragana, C., 2020. UAV-WSN sistema aurreratua doitasun nekazaritzarako monitorizazio adimentsurako. Sentsoreak 20 (3), https://doi.org/10.3390/s20030817.
Pournader, M., Shi, Y., Seuring, S., Koh, SL, 2020. Blockchain aplikazioak hornikuntza kateetan, garraioan eta logistikan: literaturaren berrikuspen sistematikoa. Int. J. Prod. Erres. 58 (7), 2063–2081.
Primicerio, J., Di Gennaro, SF, Fiorillo, E., Genesio, L., Lugato, E., Matese, A., Vaccari, FP, 2012. Doitasuneko nekazaritzarako tripulatu gabeko aireko ibilgailu malgua.
Zehatza. Nekazaritza. 13 (4), 517–523. https://doi.org/10.1007/s11119-012-9257-6.
Pritchard, A., 1969. Bibliografia estatistikoa edo bibliometria. J. Dokumentua. 25 (4), 348–349.
Pudelko, R., Stuczynski, T., Borzecka-Walker, M., 2012. Tripulatutako aireko ibilgailu baten egokitasuna (UAV) eremu esperimentalen eta laboreen ebaluaziorako. Nekazaritza 99 (4), 431–436.
Puri, V., Nayyar, A., Raja, L., 2017. Nekazaritza-droneak: aurrerapen modernoa doitasun-nekazaritzan. J. Statis. Kudeatu. Syst. 20 (4), 507–518.
Radoglou-Grammatikis, P., Sarigiannidis, P., Lagkas, T., Moscholios, I., 2020. Doitasuneko nekazaritzarako UAV aplikazioen bilduma. Konputatu. Sarea. 172,
107148 https://doi.org/10.1016/j.comnet.2020.107148.
Ramesh, KV, Rakesh, V., Prakasa Rao, EVS, 2020. Big data analytics eta adimen artifizialaren aplikazioa ikerketa agronomikoan. Indian J. Agron. 65 (4), 383–395.
Raparelli, E., Bajocco, S., 2019. Nekazaritza eta basogintzako ikerketetan tripulaziorik gabeko aireko ibilgailuen erabilerari buruzko analisi bibliometrikoa. Int. J. Remote Sens. 40 (24),
9070–9083. https://doi.org/10.1080/01431161.2019.1569793.
Rasmussen, J., Nielsen, J., Garcia-Ruiz, F., Christensen, S., Streibig, JC, Lotz, B., 2013.
Tripulatu gabeko hegazkin sistemen (UAS) erabilera potentzialak belar txarrak ikertzeko. Belar Erres. 53 (4), 242–248.
Rasmussen, J., Ntakos, G., Nielsen, J., Svensgaard, J., Poulsen, RN, Christensen, S., kontsumo-mailako kameretatik eratorritako landaredi-indizeak al dira.
UAVak nahiko fidagarriak dira lursail esperimentalak ebaluatzeko? Euro. J. Agron. 74, 75–92. https://doi.org/10.1016/j.eja.2015.11.026.
Rejeb, A., Rejeb, K., Abdollahi, A., Zailani, S., Iranmanesh, M., Ghobakhloo, M., 2022. Digitalization in food supply chains: a bibliometric review and key-route main path
analisia. Iraunkortasuna 14 (1), 83. https://doi.org/10.3390/su14010083.
Rejeb, A., Rejeb, K., Simske, SJ, Treiblmaier, H., 2021a. Hornikuntza-katearen kudeaketarako eta logistikarako dronak: berrikuspen eta ikerketa agenda. Int. J. Logista. Erres. Apl.
1–24. https://doi.org/10.1080/13675567.2021.1981273.
Rejeb, A., Rejeb, K., Simske, S., Treiblmaier, H., 2021b. Blockchain teknologiak logistikan eta hornikuntza-katearen kudeaketan: berrikuspen bibliometrikoa. Logistika 5 (4), 72.
https://doi.org/10.3390/logistics5040072.
Rejeb, A., Rejeb, K., Simske, S., Treiblmaier, H., 2021c. Drones humanitarioak: berrikuspen eta ikerketa agenda. Gauzen Internet 16, 100434. https://doi.org/10.1016/j.
iot.2021.100434.
Rejeb, A., Treiblmaier, H., Rejeb, K., Zailani, S., 2021d. Blockchain-en ikerketa osasungintzan: berrikuspen bibliometrikoa eta egungo ikerketa-joerak. J. of Data, Inf. eta
Kudeatu. 3 (2), 109–124.
Rejeb, A., Simske, S., Rejeb, K., Treiblmaier, H., Zailani, S., 2020. Gauzen Internet ikerketa hornikuntza-katearen kudeaketan eta logistikan: analisi bibliometrikoa. Internet
gauzen 12, 100318.
ReportLinker, 2021. Nekazaritza Dronesen Merkatu Globala 15.2 milioi dolarretara iritsiko da YearGlobeNewswire News Room-en. https://www.globenewswire.com/news-release/2021/08/10/2277986/0/en/Global-Agriculture-Drones-Market-to-Reach-US-15-2-Billion-by-the- Urtea-2027.html.
Ribeiro-Gomes, K., Hernandez-L ´ opez, ´ D., Ortega, JF, Ballesteros, R., Poblete, T., Moreno, MA, 2017. Hoztutako kamera termikoen kalibrazioa eta optimizazioa.
UAV aplikazioetarako fotogrametria prozesua nekazaritzan. Sentsoreak (Suitza) 17 (10). https://doi.org/10.3390/s17102173.
Rivera, MA, Pizam, A., 2015. Ostalaritzaren ikerketan aurrerapenak: "From Rodney Dangerfield to Aretha Franklin". Int. J. Garaikidea. Ospitalea. Kudeatu. 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. Negutegietako ingurumen-aldagaiak neurtzeko sistema sensorial mini-UAV oinarrituta. Sentsoreak 15 (2), 3334–3350. https://doi.org/10.3390/s150203334.
Rozenberg, G., Kent, R., Blank, L., 2021. Kontsumo-mailako UAV erabiltzen da, denboraldi amaierako belar-belar banaketa espazial-ereduak tipula komertzialetan detektatzeko eta aztertzeko. Zehatza. Nekazaritza. 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 aireko ibilgailuak (UAV) basoko eta nekazaritzako aplikazioetarako kamera espektral sistema. Jarraitu. SPIE – Int. Soc. Aukera. Ing. 8174 https://doi.org/10.1117/12.897585.
Sah, B., Gupta, R., Bani-Hani, D., 2021. Drone logistika ezartzeko oztopoen analisia. Int. J. Logista. Erres. Apl. 24 (6), 531–550. https://doi.org/10.1080/
13675567.2020.1782862.
Saha, AK, Saha, J., Ray, R., Sircar, S., Dutta, S., Chattopadhyay, SP eta Saha, HN, IOT-n oinarritutako dronea laboreen kalitatea hobetzeko nekazaritza eremuan. SH-n
N. Chakrabarti S. (Ed.), 2018 IEEE 8th Annual Computing and Communication Workshop and Conference, CCWC 2018 (Vols. 2018-January, or. 612-615). Institutua
of Electrical and Electronics Engineers Inc. doi: 10.1109/CCWC.2018.8301662.
Sai Vineeth, KV, Vara Prasad, YR, Dubey, SR, Venkataraman, H., 2019. LEDCOM: doitasun-nekazaritzarako LED oinarritutako komunikazio berri eta eraginkorra. IEEE Konf. Info. Komunik. Teknol. 2019, 1–5. https://doi.org/10.1109/CICT48419.2019.9066177.
Salamí, E., Barrado, C., Pastor, E., 2014. UAV hegaldi-esperimentuak landare-eremuetako teledetekzioari aplikatuta. Urruneko detekzioa 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.
Altuera baxuko eta bereizmen handiko aireko irudi-sistemak errenkadak eta laboreak fenotipatzeko: berrikuspena. Euro. 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. Bereizmen handiko UAV-n oinarritutako irudi termikoak estimatzeko
Mahasti baten barruan landare-uraren egoeraren berehalako eta urtaroen aldakortasuna. Nekazaritza. Uraren kudeaketa. 183, 49–59. https://doi.org/10.1016/j.agwat.2016.08.026.
Sarli, CC, Dubinsky, EK, Holmes, KL, 2010. Beyond citation analysis: A model for assessment of research impact. J. Med. Liburutegiko Ask. : JMLA 98 (1), 17–23. https://doi.org/10.3163/1536-5050.98.1.008.
Schaepman, ME, Ustin, SL, Plaza, AJ, Painter, TH, Verrelst, J., Liang, S., 2009. Earth system science related imaging spectroscopy—an assessment. Urruneko sents. 113, S123–S137.
Schirrmann, M., Giebel, A., Gleiniger, F., Pflanz, M., Lentschke, J., Dammer, K.-H., 2016. Neguko gari laboreen parametro agronomikoen jarraipena kostu baxuko UAVekin
irudiak. Urruneko Detekzioa 8 (9). https://doi.org/10.3390/rs8090706.
Schmale III, DG, Dingus, BR, Reinholtz, C., 2008. Goiko laginketa aerobiologiko zehatzetarako tripulatu gabeko aireko ibilgailu autonomo baten garapena eta aplikazioa.
nekazaritza eremuak. J. Field Rob. 25 (3), 133–147. https://doi.org/10.1002/rob.20232.
Shadrin, D., Menshchikov, A., Somov, A., Bornemann, G., Hauslage, J., Fedorov, M.,
Doitasunezko nekazaritza ahalbidetzea adimen artifizialarekin txertatutako sentsorearen bidez. IEEE Trans. Instrum. Neurria. 69 (7), 4103–4113.
Shakhatreh, H., Sawalmeh, AH, Al-Fuqaha, A., Dou, Z., Almaita, E., Khalil, I.,
Othman, NS, Khreishah, A., Guizani, M., 2019. Tripulatutako aireko ibilgailuak (UAV): aplikazio zibilei eta ikerketa-erronkei buruzko inkesta bat. IEEE sarbidea 7,
48572–48634. https://doi.org/10.1109/ACCESS.2019.2909530.
Shakoor, N., Northrup, D., Murray, S., Mockler, TC, 2019. Datu handiak bultzatutako nekazaritza: datu handiak analitika landareen hazkuntzan, genomikan eta urrutiko detekzioaren erabileran
laboreen produktibitatea aurreratzeko teknologiak. Landareen fenomenoa J. 2 (1), 1-8.
Sharma, BK, Chandra, G., Mishra, VP, 2019. UAV eta AIren analisi konparatua eta inplikazioa auzitegi-ikerketetan. In: Proceedings - 2019 Amity International
Adimen Artifizialari buruzko jardunaldia. https://doi.org/10.1109/AICAI.2019.8701407.
Sharma, R., Shishodia, A., Gunasekaran, A., Min, H., Munim, ZH, 2022. Adimen artifizialaren papera hornikuntza-katearen kudeaketan: lurraldearen mapak. Int. J.
Prod. Erres. 1–24. https://doi.org/10.1080/00207543.2022.2029611.
Shi, Y., Thomasson, JA, Murray, SC, Pugh, NA, Rooney, WL, Shafian, S., Rajan, N., Rouze, G., Morgan, CLS, Neely, HL, Rana, A., Bagavathiannan , MV,
Henrickson, J., Bowden, E., Valasek, J., Olsenholler, J., Bishop, MP, Sheridan, R., Putman, EB, Popescu, S., Burks, T., Cope, D., Ibrahim, A., McCutchen, BF,
Baltensperger, DD, Avant, RV, Vidrine, M., Yang, C., Zhang, J., 2016. Tripulaziorik gabeko aireko ibilgailuak errendimendu handiko fenotipaketa eta ikerketa agronomikorako. PLoS BAT
11 (7), e0159781.
Shuai, G., Martinez-Feria, RA, Zhang, J., Li, S., Price, R., Basso, B., 2019. Harrapaketa arto-haraiaren heterogeneotasuna errendimendu-egonkortasun-eremuetan zehar Unmanned Aerial erabiliz
Ibilgailuak (UAV). Sentsoreak 19 (20), 4446. https://doi.org/10.3390/s19204446.
Small, H., 1973. Ko-zitazioa literatura zientifikoan: bi dokumenturen arteko erlazioaren neurri berria. J. Am. Soc. Info. Zientzia. 24 (4), 265–269.
Small, H., Rorvig, ME, Lunin, LF, 1999. Zientzia aipamen-mapa bidez bistaratzea. J. Am. Soc. Info. Zientzia. 50 (9), 799–813.
Soares, VHA, Ponti, MA, Gonçalves, RA, Campello, RJGB, 2021. Larre eremu handietan geolokalizatutako aireko irudiekin basatian ganadua zenbatzea. Konputatu. Elektroia. Nekazaritza. 189, 106354 https://doi.org/10.1016/j.compag.2021.106354.
Srivastava, K., Pandey, PC, Sharma, JK, 2020. UAVak erabiliz doitasuneko nekazaritzarako aplikazioetan ibilbideak optimizatzeko hurbilketa. Drones 4 (3), 58. https://doi.org/ 10.3390/drones4030058.
Stafford, JV, 2000. Doitasuneko nekazaritza ezartzea XXI. J. Agrik. Ing. Erres. 21 (76), 3–267.
Su, J., Coombes, M., Liu, C., Guo, L., Chen, W.-H., 2018. Garia lehortearen ebaluazioa teledetekzioko irudien bidez, tripulaziorik gabeko aireko ibilgailua erabiliz. 2018an 37. Txinako Kontrol Konferentzia (CCC).
Su, J., Liu, C., Coombes, M., Hu, X., Wang, C., Xu, X., Li, Q., Guo, L., Chen, W.-H., 2018. Gari horia herdoilaren monitorizazioa UAV espektral anitzeko aireko irudietatik ikasiz.
Konputatu. Elektroia. Nekazaritza. 155, 157–166. https://doi.org/10.1016/j. konpag.2018.10.017.
Su, Y., Wang, X., 2021. Nekazaritza kudeaketa ekonomikoaren berrikuntza big data bidez nekazaritza adimenduna eraikitzeko prozesuan. Konputazio Iraunkorra. Inf. Syst. 31, 100579 https://doi.org/10.1016/j.suscom.2021.100579.
Sullivan, DG, Fulton, JP, Shaw, JN, Bland, GL, 2007. Tripulatu gabeko infragorri termiko aireko sistema baten sentsibilitatea ebaluatzea kotoizko kotoi batean ur-estresa detektatzeko. Trans. ASABE 50 (6), 1955–1962.
Sumesh, KC, Ninsawat, S., Som-ard, J., 2021. RGBn oinarritutako landaredi indizea, laborantza gainazaleko eredua eta objektuetan oinarritutako irudien analisiaren ikuspegia integratzea azukre-kanaberaren etekinaren estimaziorako, tripulaziorik gabeko aireko ibilgailua erabiliz. Konputatu. Elektroia. Nekazaritza. 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. A light-weight hyperspectral mapping system for
tripulaziorik gabeko aireko ibilgailuak—lehen emaitzak. In: 2013 Irudi hiperespektralaren eta seinaleen prozesamenduaren 5. tailerra: teledetekzioan bilakaera (WHISPERS), 1–4 orr. 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. Hiperspektral arin bat
kartografia-sistema eta prozesatzeko fotogrametriko katea tripulaziorik gabeko aireko ibilgailuentzat. Urruneko detekzioa 6 (11), 11013–11030. https://doi.org/10.3390/
rs61111013.
Syeda, IH, Alam, MM, Illahi, U., Su'ud, MM, 2021. Aurreratu kontrol estrategiak irudien prozesamendua, UAV eta AI nekazaritzan erabiliz: berrikuspena. Munduko J. Ing. 18 (4),
579–589. https://doi.org/10.1108/WJE-09-2020-0459.
Tahai, A., Rigsby, JT, 1998. Informazioaren prozesamendua aipamenak erabiliz aldizkariaren eragina kontabilitatean ikertzeko. Inf. Prozesua. Kudeatu. 34 (2-3), 341-359.
Tang, Y., Dananjayan, S., Hou, C., Guo, Q., Luo, S., He, Y., 2021. 5G sareari eta nekazaritzan duen eraginari buruzko inkesta: erronkak eta aukerak. Konputatu.
Elektroia. Nekazaritza. 180, 105895 https://doi.org/10.1016/j.compag.2020.105895.
Tantalaki, N., Souravlas, S., Roumeliotis, M., 2019. Datuen bidezko erabakiak hartzea doitasun-nekazaritzan: nekazaritza-sistemetan big dataren gorakada. J. Agrik. Elikadurari buruzko informazioa.
20 (4), 344-380.
Tao, H., Feng, H., Xu, L., Miao, M., Yang, G., Yang, X., Fan, L., 2020. Neguko gariaren errendimenduaren eta landarearen altueraren estimazioa UAV- erabiliz oinarritutako irudi hiperespektraleak.
Sentsoreak 20 (4), 1231.
Techy, L., Schmale III, DG, Woolsey, CA, 2010. Beheko atmosferako landare patogeno baten laginketa aerobiologiko koordinatua, tripulatu gabeko bi aireko ibilgailu autonomo erabiliz. J. Field Rob. 27 (3), 335–343. https://doi.org/10.1002/rob.20335.
Tetila, EC, Machado, BB, Astolfi, G., Belete, NAdS, Amorim, WP, Roel, AR, Pistori, H., 2020. Deep learning erabiliz soja-izurriteen detekzioa eta sailkapena
UAV irudiekin. Konputatu. Elektroia. Nekazaritza. 179, 105836.
Thamm, H.-P., Menz, G., Becker, M., Kuria, DN, Misana, S., Kohn, D., 2013. The Use of Uas for Assessing Agricultural Systems in AN Wetland in Tanzania in the— Eta Nekazaritza Iraunkorrerako WetSeason eta Terra-Sar X Datuetarako lur-egia ematea. In: ISPRS – Photogrammetry, Remote Sensing and Spatial Information Sciences Nazioarteko Artxiboak, 401–406 or. https://doi.org/10.5194/isprsarchivesXL-1-W2-401-2013.
Thelwall, M., 2008. Bibliometris to webometrics. J. Info. Zientzia. 34 (4), 605–621.
Torres-Sanchez, ´ J., Lopez-Granados, ´ F., Pena, ˜ JM, 2015. UAV irudietan atalase optimorako objektuetan oinarritutako metodo automatikoa: landaretza detektatzeko aplikazioa belar-laboreetan. Konputatu. Elektroia. Nekazaritza. 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 agriculture-tree plantations with Tripulatutako Aereo Ibilgailuen (UAV) teknologia. PLoS ONE 10 (6), e0130479.
Torres-Sanchez, ´ J., Pena, ˜ JM, de Castro, AI, Lopez-Granados, ´ F., 2014. Sasoi hasierako gari-soroetako landaredi-frakzioaren kartografia tenporal anitzeko UAVko irudiak erabiliz. Konputatu. Elektroia. Nekazaritza. 103, 104–113. https://doi.org/10.1016/j. konpag.2014.02.009.
Tsouros, DC, Bibi, S., Sarigiannidis, PG, 2019. Doitasuneko nekazaritzarako UAV-en oinarritutako aplikazioei buruzko berrikuspena. Informazioa (Suitza) 10 (11). https://doi.org/10.3390/info10110349.
Tu, Y.-H., Phinn, S., Johansen, K., Robson, A., Wu, D., 2020. Droneen hegaldiaren plangintza optimizatzea baratzezaintzako zuhaitzen laboreen egitura neurtzeko. ISPRS J. Photogramm.
Remote Sens. 160, 83–96. https://doi.org/10.1016/j.isprsjprs.2019.12.006
Tzounis, A., Katsoulas, N., Bartzanas, T., Kittas, C., 2017. Gauzen Interneta nekazaritzan, azken aurrerapenak eta etorkizuneko erronkak. Biosist. Ing. 164, 31–48.
https://doi.org/10.1016/j.biosystemseng.2017.09.007.
Uddin, A., Singh, VK, Pinto, D., Olmos, I., 2015. Mexikoko informatikako ikerketaren mapa zientziometrikoa. Zientziometria 105 (1), 97–114.
UN., 2019. World population perspectives 2019. https://population.un.org/wpp/ (15/04/2022ean kontsultatua).
Uto, K., Seki, H., Saito, G., Kosugi, Y., 2013. Arrozak ezaugarritzea UAV muntatutako miniaturazko sentsore hiperespektral sistema baten bidez. IEEE J. Sel. Goiena. Aplikazioa Lurraren Obs.
Remote Sens. 6 (2), 851–860. https://doi.org/10.1109/JSTARS.2013.2250921. van der Merwe, D., Burchfield, DR, Witt, TD, Price, KP, Sharda, A., 2020. Drones-en
nekazaritza. Adv. Agron. 162, 1–30.
Velusamy, P., Rajendran, S., Mahendran, RK, Naseer, S., Shafiq, M., Choi, J.-G., 2022.
Doitasuneko nekazaritzan: Aplikazioak eta erronkak. Energiak 15 (1), 217. https://doi.org/10.3390/en15010217.
Ventura, D., Bonifazi, A., Gravina, MF, Belluscio, A., Ardizzone, G., 2018. Ekologikoki sentikorrak diren itsas habitaten mapak eta sailkapena Tripulaziorik gabeko Aerial erabiliz.
Ibilgailuen (UAV) irudiak eta Objektuetan Oinarritutako Irudien Analisia (OBIA). Urruneko Detekzioa 10 (9), 1331. https://doi.org/10.3390/rs10091331.
Verger, A., Vigneau, N., Ch´eron, C., Gilliot, J.-M., Comar, A., Baret, F., 2014. Green area index from an unmanned aerial system over wheat and rapeseed cultures over wheat and rapeseed cultures. . Urruneko sents. 152, 654–664. https://doi.org/10.1016/j.rse.2014.06.006.
Von Bueren, SK, Burkart, A., Hueni, A., Rascher, U., Tuohy, MP, Yule, IJ, 2015. UAV-en oinarritutako lau sentsore optiko zabaltzea belardietan: erronkak eta
mugak. Biogeozientziak 12 (1), 163–175. https://doi.org/10.5194/bg-12-163-2015.
Vuran, MC, Salam, A., Wong, R., Irmak, S., 2018. Lurpeko gauzen Internet doitasun-nekazaritzan: arkitektura eta teknologiaren alderdiak. Ad Hoc Sarea. 81,
160–173. https://doi.org/10.1016/j.adhoc.2018.07.017.
Wamba, SF, Queiroz, MM, 2021. Adimen artifizial arduratsua osasun digitalerako osagai sekretu gisa: analisi bibliometrikoa, ikuspegiak eta ikerketa-ildoak.
Info. Syst. Aurrealdea. 1–16.
Wang, L., Zhang, G., Wang, Z., Liu, J., Shang, J., Liang, L., 2019. Urrutiko detekzioaren ikerketaren joeraren analisi bibliometrikoa laboreen hazkundearen jarraipena: Txinan egindako kasu-azterketa. Urruneko detekzioa 11 (7). https://doi.org/10.3390/rs11070809.
White, HD, Griffith, BC, 1981. Egile-kozitazioa: Egitura intelektualaren literatura-neurri bat. J. Am. Soc. Info. Zientzia. 32 (3), 163–171.
Xiang, H., Tian, L., 2011. Nekazaritza kostu baxuko teledetekzio sistema baten garapena, tripulatu gabeko aireko ibilgailu autonomoan (UAV) oinarrituta. Biosist. Ing. 108 (2), 174–190. https://doi.org/10.1016/j.biosystemseng.2010.11.010.
Xie, C., Yang, C., 2020. Landareen errendimendu handiko fenotipifikazio-ezaugarriei buruzko berrikuspena UAV oinarritutako sentsoreak erabiliz. Konputatu. Elektroia. Nekazaritza. 178, 105731 https://doi.org/10.1016/j.
konpag.2020.105731.
Yao, H., Qin, R., Chen, X., 2019. Teledetekziorako aplikazioetarako tripulatu gabeko aireko ibilgailua—berrikuspena. Urruneko detekzioa 11 (12). https://doi.org/10.3390/
rs11121443.
Yeom, S., 2021. Jendearen jarraipena eta pista faltsuak kentzea infragorrien irudi termikoarekin multirotor baten bidez. 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. Laborantza parametroen estimazioaren konparaketa irudiak erabiliz UAV-en muntatutako batetik
argazki-sentsore hiperespektrala eta bereizmen handiko kamera digitala. Urruneko Detekzioa 10 (7), 1138. https://doi.org/10.3390/rs10071138.
Yue, J., Yang, G., Li, C., Li, Z., Wang, Y., Feng, H., Xu, B., 2017. Neguko gariaren lur gaineko biomasaren estimazioa tripulaziorik gabeko aireko ibilgailua erabiliz. oinarritutako argazkia
sentsore hiperespektrala eta laborearen altuera hobetutako ereduak. Urruneko Detekzioa 9 (7). https://doi.org/10.3390/rs9070708.
Zahawi, RA, Dandois, JP, Holl, KD, Nadwodny, D., Reid, JL, Ellis, EC, 2015. Tripulaziorik gabeko aireko ibilgailu arinak erabiltzea baso tropikalaren berreskurapena kontrolatzeko. Biol.
Kontserba. 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.
Nekazaritza adimenduna IoT plataforma ertzean eta hodeian oinarritutakoa. Biosist. Ing. 177,
4-17.
Zarco-Tejada, PJ, Diaz-Varela, R., Angileri, V., Loudjani, P., 2014. Zuhaitz-altueraren kuantifikazioa tripulaziorik gabeko airetik lortutako bereizmen handiko irudiak erabiliz.
ibilgailuak (UAV) eta 3D argazki-berreraikuntza metodo automatikoak. Euro. 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. Loraldi-intentsitatearen irudian oinarritutako fenotipizazioa denboraldi freskoko laboreetan. Sentsoreak 20 (5), 1450. https://doi.org/10.3390/s20051450.
Zhang, C., Kovacs, JM, 2012. Doitasuneko nekazaritzarako tripulaziorik gabeko aireko sistema txikien aplikazioa: berrikuspena. Zehatza. Nekazaritza. 13 (6), 693–712. https://doi.org/
10.1007/s11119-012-9274-5.
Zhang, L., Zhang, H., Niu, Y., Han, W., 2019. Artoaren ur-estresaren mapak UAV teledetekzio multiespektralean oinarrituta. Urruneko detekzioa 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. Herdoil horia automatizaturako ikaskuntza sakonean oinarritutako ikuspegia
gaixotasunak hautematea bereizmen handiko UAV hiperespektral irudietatik. Urruneko Detekzioa 11 (13), 1554.
Zhao, X., Zhang, J., Huang, Y., Tian, Y., Yuan, L., 2022. Te-landareen gaixotasunen eta intsektuen estresaren detekzioa eta bereizketa irudi hiperespektrala erabiliz wavelet analisiarekin konbinatuta. Konputatu. Elektroia. Nekazaritza. 193, 106717 https://doi.org/10.1016/j. konpag.2022.106717.
Zheng, A., Wang, M., Li, C., Tang, J., Luo, B., 2022. Entropiak gidatutako aurkako domeinuaren egokitzapena aireko irudien segmentazio semantikorako. IEEE Trans. G
Zheng, H., Cheng, T., Yao, X., Deng, X., Tian, Y., Cao, W., Zhu, Y., 2016. Arrozaren fenologia detektatzea lurreko espektroaren denbora-serieen analisiaren bidez. indize datuak. Landa Laborantza Erres. 198, 131–139. https://doi.org/10.1016/j.fcr.2016.08.027.
Zheng, J., Yang, W., 2018. Haririk gabeko sentsoreetan oinarritutako nekazaritza-ihesak ereiteko doitasun-sistema baten diseinua. Int. J. Online Ing. 14 (05), 184.
Zhou, L., Gu, X., Cheng, S., Yang, G., Shu, M., Sun, Q., 2020. Landare-altuera-aldaketen analisia UAV-LiDAR datuak erabiliz. Nekazaritza 10 (5), 146. https://
doi.org/10.3390/agriculture10050146.
Zhou, S., Chai, X., Yang, Z., Wang, H., Yang, C., Sun, T., 2021. Maize-IAS: Artoaren irudiak aztertzeko softwarea, errendimendu handiko landareen fenotipatzeko ikaskuntza sakona erabiliz. . Landare-metodoak 17 (1), 48. https://doi.org/10.1186/s13007-021-00747-0.
Zhou, X., Zheng, HB, Xu, XQ, He, JY, Ge, XK, Yao, X., Cheng, T., Zhu, Y., Cao, WX, Tian, YC, 2017. Alearen etekina aurreikustea. arroza denbora anitzeko landaredia erabiliz
UAV-n oinarritutako irudi multiespektral eta digitaletatik abiatuta. ISPRS J. Photogramm. Remote Sens. 130, 246–255. https://doi.org/10.1016/j.isprsjprs.2017.05.003.
Zhou, Y., Xie, Y., Shao, L., 2016. Haririk gabeko sentsore sare batean oinarritutako berotegi-monitorizazio sistema baten oinarrizko teknologiaren simulazioa. Int. J. Online Ing. 12 (05),
43.
Zhou, Z., Majeed, Y., Diverres Naranjo, G., Gambacorta, EMT, 2021. Laborantza ur-estresaren ebaluazioa irudi termiko infragorriekin doitasun nekazaritzan: berrikuspena
eta ikaskuntza sakoneko aplikazioetarako etorkizuneko perspektibak. Konputatu. Elektroia. Nekazaritza. 182, 106019 https://doi.org/10.1016/j.compag.2021.106019.