Abderahman Rejeb a Alireza Abdollahi b , Karim Rejeb c , Horst Treiblmaier d,
- a Afdeling Management en Recht, Faculteit Economie, Universiteit van Rome Tor Vergata, Via Columbia, 2, Rome 00133, Italië
- b Afdeling Bedrijfskunde, Faculteit Management, Kharazmi University, 1599964511 Teheran, Iran
- c Faculteit Wetenschappen van Bizerte, Universiteit van Carthago, Zarzouna, 7021 Bizerte, Tunesië
- d School of International Management, Modul University Wenen, Am Kahlenberg 1, 1190 Wenen, Oostenrijk
ARTIKEL INFO | SAMENVATTING |
sleutelwoorden: Drones UAV Precisielandbouw internet van dingen Bibliometrie | Drones, ook wel Unmanned Aerial Vehicles (UAV) genoemd, hebben de afgelopen decennia een opmerkelijke ontwikkeling doorgemaakt. In de landbouw hebben ze de landbouwpraktijken veranderd door boeren substantiële kostenbesparingen te bieden, verhoogd operationele efficiëntie en een betere winstgevendheid. In de afgelopen decennia is het onderwerp landbouwdrones trok opmerkelijke academische aandacht. We voeren daarom een uitgebreide beoordeling uit op basis van bibliometrie om bestaande academische literatuur samen te vatten en te structureren en actuele onderzoekstrends en hotspots bloot te leggen. Wij bibliometrische technieken toepassen en de literatuur over landbouwdrones analyseren om samen te vatten en eerder onderzoek beoordelen. Onze analyse geeft aan dat teledetectie, precisielandbouw, deep learning, machine learning en het internet der dingen cruciale onderwerpen zijn met betrekking tot landbouwdrones. De co-citatie analyse onthult zes brede onderzoeksclusters in de literatuur. Deze studie is een van de eerste pogingen om drone-onderzoek in de landbouw samen te vatten en toekomstige onderzoeksrichtingen te suggereren. |
Introductie
Landbouw is de belangrijkste voedselbron van de wereld (Friha et al., 2021) en staat voor grote uitdagingen als gevolg van de
toenemende vraag naar voedselproducten, voedselveiligheid en veiligheidsproblemen, evenals oproepen tot milieubescherming, waterbehoud en
duurzaamheid (Inoue, 2020). Deze ontwikkeling zal naar verwachting doorzetten, aangezien de wereldbevolking tegen 9.7 naar schatting 2050 miljard zal bedragen
(2019). Aangezien de landbouw wereldwijd het meest prominente voorbeeld van waterconsumptie is, wordt verwacht dat de vraag naar voedsel en water
Het verbruik zal de komende tijd sterk toenemen. Bovendien neemt het toenemende verbruik van meststoffen en pesticiden
in combinatie met de intensivering van landbouwactiviteiten kan leiden tot toekomstige milieu-uitdagingen. Evenzo is bouwland beperkt, en de
wereldwijd neemt het aantal boeren af. Deze uitdagingen benadrukken de behoefte aan innovatieve en duurzame landbouwoplossingen (Elijah
et al., 2018; Friha et al., 2021; Inoué, 2020; Tzounis et al., 2017).
Het integreren van nieuwe technologieën is geïdentificeerd als een veelbelovende oplossing om deze uitdagingen aan te gaan. Slimme landbouw (Brewster et al.,
2017; Tang et al., 2021) en precisielandbouw (Feng et al., 2019; Khanna & Kaur, 2019) zijn voortgekomen uit dergelijke debatten. De
eerstgenoemde is een algemeen begrip voor het toepassen van informatiecommunicatietechnologieën (ICT) en andere geavanceerde innovaties in landbouwactiviteiten om de efficiëntie en werkzaamheid te vergroten (Haque et al., 2021). Dit laatste richt zich op locatiespecifiek beheer waarbij de grond wordt opgedeeld in:
homogene delen, en elk deel krijgt de exacte hoeveelheid landbouwinput voor optimalisatie van de gewasopbrengst door middel van nieuwe technologieën (Feng et al., 2019; Khanna & Kaur, 2019). Prominente technologieën die de aandacht van wetenschappers op dit gebied hebben getrokken, zijn onder meer Wireless Sensor Networks (WSN's) (J. Zheng & Yang, 2018; Y. Zhou et al., 2016), het Internet of Things (IoT) (Gill et al., 2017; Hij et al., 2021; Liu et al., 2019),
technieken voor kunstmatige intelligentie (AI), waaronder machine learning en deep learning (Liakos et al., 2018; Parsaeian et al., 2020; Shadrin et al.,
2019), computertechnologieën (Hsu et al., 2020; Jinbo et al., 2019; Zamora-Izquierdo et al., 2019), big data (Gill et al., 2017; Tantalaki
et al., 2019) en blockchain (PW Khan et al., 2020; Pincheira et al., 2021).
Naast de bovengenoemde technologieën wordt teledetectie beschouwd als een technologisch hulpmiddel met een groot potentieel voor verbetering
slimme en precisielandbouw. Satellieten, door mensen bemande vliegtuigen en drones zijn populaire teledetectietechnologieën (Tsouros et al., 2019).
Drones, in de volksmond bekend als Unmanned Aerial Vehicles (UAV's), Unmanned Aircraft Systems (UAS) en op afstand bestuurde vliegtuigen, zijn van
belangrijk omdat ze meerdere voordelen hebben in vergelijking met andere teledetectietechnologieën. Drones kunnen bijvoorbeeld bezorgen
afbeeldingen van hoge kwaliteit en hoge resolutie op bewolkte dagen (Manfreda et al., 2018). Ook vormen hun beschikbaarheid en overdrachtssnelheid andere
voordelen (Radoglou-Grammatikis et al., 2020). Vergeleken met vliegtuigen zijn drones zeer kostenefficiënt en eenvoudig in te stellen en te onderhouden (Tsouros et al., 2019). Ondanks dat drones in eerste instantie voornamelijk voor militaire doeleinden worden gebruikt, kunnen drones profiteren van tal van civiele toepassingen, bijvoorbeeld in supply chain management (A. Rejeb, Rejeb, et al., 2021a), voor humanitaire doeleinden (A. Rejeb, Rejeb, et al., 2021c), slimme landbouw, landmeten en in kaart brengen, documentatie van cultureel erfgoed, rampenbeheer en bos- en natuurbehoud (Panday, Pratihast, et al., 2020). In de landbouw bestaan er talrijke toepassingsgebieden van drones, aangezien ze kunnen worden geïntegreerd met nieuwe technologieën, computermogelijkheden en ingebouwde sensoren om gewasbeheer te ondersteunen (bijv. in kaart brengen, monitoring, irrigatie, plantdiagnose) (H. Huang et al., 2021) , rampenbestrijding, systemen voor vroegtijdige waarschuwing, natuur- en bosbehoud om er maar een paar te noemen (Negash et al., 2019). Evenzo kunnen drones worden gebruikt bij verschillende landbouwactiviteiten, waaronder monitoring van gewassen en groei, schatting van de opbrengst, beoordeling van waterstress en detectie van onkruid, plagen en ziekten (Inoue, 2020; Panday, Pratihast, et al., 2020). Drones kunnen niet alleen worden gebruikt voor monitoring-, schattings- en detectiedoeleinden op basis van hun sensorische gegevens, maar ook voor nauwkeurige irrigatie en precisiebeheer van onkruid, plagen en ziekten. Met andere woorden, drones kunnen water en pesticiden in precieze hoeveelheden sproeien op basis van milieugegevens. De voordelen van drones in de landbouw zijn samengevat in tabel 1.
Belangrijkste voordelen van drones in de landbouw.
Voordeel | Referentie (s) |
Verbeter tijdelijk en ruimtelijk resoluties waarnemen | (Gago et al., 2015; Niu et al., 2020; Srivastava et al., 2020) |
Precisielandbouw mogelijk maken | (L. Deng et al., 2018; Kalischuk et al., 2019; Maimaitijiang et al., 2017) |
Classificatie en scouting van gewassen | (Inoue, 2020; Kalischuk et al., 2019; Lopez-´ Granados et al., 2016; Maimaitijiang et al., 2017; Melville et al., 2019; Moharana & Dutta, 2016) |
Gebruik van kunstmest | (L. Deng et al., 2018; Guan et al., 2019) |
Monitoring van droogte | (Fawcett et al., 2020; Panday, Pratihast, et al., 2020; Zo et al., 2018) |
Biomassa schatting | (Bendig et al., 2014) |
Opbrengst schatting | (Inoue, 2020; Panday, Shrestha, et al., 2020; Tao et al., 2020) |
Rampenreductie | (Negash et al., 2019) |
Behoud van dieren in het wild en bosbouw | (Negash et al., 2019; Panday, Pratihast, et al., 2020) |
Beoordeling van waterstress | (Inoue, 2020; J. Su, Coombes, et al., 2018; L. Zhang et al., 2019) |
Plagen, onkruid en ziekten opsporing | (Gaˇsparovic et al., 2020; Inoue, 2020; J. Su, Liu, et al., 2018; X. Zhang et al., 2019) |
Aan de andere kant hebben drones ook te maken met beperkingen. Betrokkenheid van piloten, motorvermogen, stabiliteit en betrouwbaarheid, kwaliteit van sensoren dankzij laadvermogen
gewichtsbeperkingen, implementatiekosten en luchtvaartregelgeving zijn hier enkele voorbeelden van (C. Zhang & Kovacs, 2012). We vergelijken de tekortkomingen
van de drie mobiele teledetectietechnologieën in tabel 2. Andere teledetectietechnologieën, zoals bodemsensoren, vallen buiten de focus van deze studie.
Tekortkomingen van verschillende mobiele teledetectietechnologieën.
Teledetectie technologieën | tekortkomingen | Referenties |
Drone (UAV) | Betrokkenheid van piloten; afbeeldingen' kwaliteit (gemiddeld); uitvoeringskosten (gemiddeld); stabiliteit, wendbaarheid en betrouwbaarheid; standaardisatie; motorkracht; beperkt vermogen bronnen (levensduur batterij); beperkte vluchtduur, botsing en cyberaanvallen; beperkt laadvermogen; grote datasets en beperkte gegevensverwerking mogelijkheden; gebrek aan regulering; gebrek aan expertise, hoge instap belemmeringen voor de toegang tot landbouw drones; | (Bacco et al., 2018; Dawaliby et al., 2020; Hardin & Hardin, 2010; Hardin & Jensen, 2011; Lagkas et al., 2018; Laliberte et al., 2007; Laliberte & Rango, 2011; Manfreda et al., 2018, 2018; Nebiker et al., 2008; Puric et al., 2017; Velusamy et al., 2022; C. Zhang & Kovacs, 2012) |
Satelliet | Periodieke satellietdekking, beperkte spectrale resolutie; kwetsbaarheid voor zichtbaarheidsproblemen (bijv. wolken); onbeschikbaarheid en lage overdrachtssnelheid; oriëntatie en lichtafval effecten kostbare ruimtelijke gegevens verzameling; trage gegevenslevering tijd tot eindgebruikers | (Aboutalebi et al., 2019; Cen et al., 2019; Chen et al., 2019; Nansen & Elliott, 2016; Panday, Pratihast, et al., 2020; Sai Vineeth et al., 2019) |
Vliegtuig | Hoge adoptiekosten; ingewikkelde opstelling; onderhoudskosten; onbeschikbaarheid van betrouwbare vliegtuigen, geometrie van de afbeeldingen; niet-reguliere gegevens acquisitie; gebrek aan flexibiliteit; dodelijke ongevallen; sensorgegevens variaties door trillingen; problemen met georeferentie | (Armstrong et al., 2011; Atkinson et al., 2018; Barbedo & Koenigkan, 2018; Kovalev en Voroshilov, 2020; Suomalainen et al., 2013; Thamm et al., 2013) |
Als multidisciplinaire en multifunctionele technologie in de landbouw zijn drones vanuit verschillende perspectieven onderzocht. Wetenschappers hebben bijvoorbeeld drone-toepassingen in de landbouw onderzocht (Kulbacki et al., 2018; Mogili & Deepak, 2018), hun bijdrage aan precisielandbouw (Puri et al., 2017; Tsouros et al., 2019), hun complementariteit met andere geavanceerde technologieën (Al-Thani et al., 2020; Dutta & Mitra, 2021; Nayyar et al., 2020; Saha et al., 2018), en de mogelijkheden om hun navigatie- en detectiemogelijkheden te verbeteren (Bareth et al. , 2015; Suomalainen et al., 2014). Aangezien onderzoek naar drone-toepassingen in de landbouw gangbaar is geworden (Khan et al., 2021)), is het nodig om de bestaande literatuur samen te vatten en de intellectuele structuur van het domein te onthullen. Bovendien, als een hightech-veld met voortdurende verbeteringen, moeten gestructureerde beoordelingen worden uitgevoerd om periodiek de bestaande literatuur samen te vatten en belangrijke onderzoekshiaten te identificeren. Tot
tot op heden zijn er weinig reviews die drone-toepassingen in de agrarische sector bespreken. Mogili en Deepak (2018) bespreken bijvoorbeeld kort de implicaties van drones voor gewasmonitoring en het sproeien van pesticiden. Inoue (2020) voert een onderzoek uit naar het gebruik van satellieten en drones bij teledetectie in de landbouw. De auteur onderzoekt de technologische uitdagingen van het adopteren van slimme landbouw en de bijdragen van satellieten en drones op basis van casestudy's en best practices. Tsouros et al. (2019) vatten verschillende soorten drones en hun belangrijkste toepassingen in de landbouw samen, met de nadruk op verschillende data-acquisitie- en verwerkingsmethoden. Meer recentelijk hebben Aslan et al. (2022) voerden een uitgebreide beoordeling uit van UAV-toepassingen in landbouwactiviteiten en onderstreepten de relevantie van gelijktijdige lokalisatie en kartering voor een UAV in de kas. Diaz-Gonzalez et al. (2022) beoordeelde recente onderzoeken naar de productie van gewasopbrengsten op basis van verschillende technieken voor machinaal leren en remote
detectiesystemen. Hun bevindingen gaven aan dat UAV's nuttig zijn om bodemindicatoren te schatten en beter presteren dan satellietsystemen in termen van ruimtelijke resolutie, informatietemporaliteit en flexibiliteit. Basiri et al. (2022) maakte een uitvoerige bespreking van de verschillende benaderingen en methoden om padplanningsuitdagingen voor multi-rotor UAV's in de context van precisielandbouw te overwinnen. Bovendien, Awais et al. (2022) vatte de toepassing van UAV remote sensing-gegevens in gewassen samen om de waterstatus te schatten en verschafte een diepgaande synthese van de toekomstige capaciteit van UAV remote sensing voor toepassing van stress door verspillers. Tot slot, Aquilani et al. (2022) beoordeelde vooruitziende landbouwtechnologieën die worden toegepast in op weiden gebaseerde veehouderijsystemen en concludeerde dat teledetectie, mogelijk gemaakt door UAV's, voordelig is voor de beoordeling van biomassa en kuddebeheer.
Ook zijn recentelijk pogingen gemeld om UAV's te gebruiken bij het bewaken, volgen en verzamelen van vee.
Hoewel deze reviews nieuwe en belangrijke inzichten opleveren, is er in de literatuur geen uitgebreide en actuele review te vinden op basis van bibliometrie, waardoor er een duidelijke kennislacune is. Bovendien is gesteld dat wanneer wetenschappelijke productie in een wetenschappelijk domein groeit, het van vitaal belang wordt voor onderzoekers om kwantitatieve beoordelingsbenaderingen te gebruiken om de kennisstructuur van het domein te begrijpen (Rivera & Pizam, 2015). Evenzo Ferreira et al. (2014) voerden aan dat naarmate onderzoeksgebieden volwassener en ingewikkelder worden, wetenschappers ernaar moeten streven om af en toe de gegenereerde en vergaarde kennis te begrijpen om nieuwe bijdragen te onthullen, onderzoekstradities en -trends vast te leggen, te identificeren welke onderwerpen worden bestudeerd en zich te verdiepen in de kennisstructuur van het veld en de mogelijke onderzoeksrichtingen. Terwijl Raparelli en Bajocco (2019) een bibliometrische analyse hebben uitgevoerd om het kennisdomein van drone-toepassingen in de land- en bosbouw te onderzoeken, houdt hun onderzoek alleen rekening met wetenschappelijk onderzoek dat tussen 1995 en 2017 is gepubliceerd en dat de dynamiek van dit snel veranderende gebied niet weerspiegelt. Verder hebben de auteurs niet geprobeerd de meest invloedrijke bijdragen in het veld te identificeren, de literatuur te clusteren en de intellectuele structuur te evalueren met behulp van co-citatie-analyse. Als gevolg hiervan is het noodzakelijk om de literatuur samen te vatten om de huidige onderzoeksfocus, trends en hotspots te onthullen.
Om deze kennislacune op te vullen, maken we gebruik van kwantitatieve methodologie en rigoureuze bibliometrische methoden om de huidige staat van onderzoek op het snijvlak van drones en landbouw te onderzoeken. We stellen dat de huidige studie verschillende bijdragen levert aan de bestaande literatuur door een opkomende technologie te onderzoeken die zeer nodig is in de landbouw, omdat deze een enorm potentieel biedt om verschillende aspecten in deze sector te veranderen. De behoefte aan een bibliometrische analyse van landbouwdrones wordt des te meer gevoeld gezien de verspreide en versnipperde kennis over drones binnen de landbouwcontext. Evenzo moet de literatuur met betrekking tot landbouwdrones systematisch worden geclusterd, rekening houdend met de meest invloedrijke onderzoeken die de basis vormen voor dit onderzoeksgebied. De verdienste van de analyse omvat ook de verduidelijking van de belangrijkste onderzoeksthema's die in de literatuur worden weergegeven. Gezien het transformationele potentieel van de technologie, stellen we dat een diepgaande netwerkanalyse nieuwe inzichten oplevert door invloedrijke werken te bepalen en thema's te onthullen over het potentieel van drones voor de landbouw.
We streven daarom naar de volgende onderzoeksdoelstellingen:
- Identificatie van invloedrijke publicaties met uitstekende bijdragen aan drone-toepassingen op het gebied van landbouw.
- Clustering van de literatuur, identificatie van onderzoeksfocussen en het in kaart brengen van de belangrijkste 'intellectuele structuur'-onderzoeken op basis van semantische gelijkenis met behulp van co-citatie-analyse.
- Inzicht in de evolutie van koppelingen en citatienetwerken in de loop van de tijd tussen verschillende publicaties in het veld en identificatie van toekomstige onderzoeksrichtingen en actuele onderwerpen.
De rest van het document is als volgt gestructureerd: sectie 2 schetst de stappen van de methodologie en gegevensverzameling; paragraaf 3 geeft de resultaten van de analyses; en sectie 4 bespreekt de bevindingen en sluit af met onderzoeksbijdragen, implicaties en toekomstige richtingen.
Methodologie
In dit huidige onderzoek voeren we een bibliometrische analyse uit om drone-toepassingen in de landbouw te onderzoeken. Deze kwantitatieve benadering onthult de intellectuele structuur van het kennisdomein (Arora & Chakraborty, 2021) en de huidige status, actuele onderwerpen en toekomstige onderzoeksrichtingen die kunnen worden onderzocht door deze methode toe te passen (Kapoor et al., 2018; Mishra et al. , 2017; A. Rejeb, Rejeb, et al., 2021b; A. Rejeb et al., 2021d; MA Rejeb et al., 2020). Over het algemeen onderzoekt een bibliometrische analyse de bestaande literatuur om verborgen patronen van schriftelijke communicatie en de evolutie van het vakgebied samen te vatten en bloot te leggen op basis van statistieken en wiskundige methoden, en is het van toepassing op grote datasets (Pritchard, 1969; Small, 1999; Tahai & Rigsby , 1998). Door bibliometrie te gebruiken, streven we ernaar om de bestaande paradigma's en onderzoeksfocussen die bijdragen aan het domein beter te begrijpen op basis van gelijkenis (Thelwall, 2008). Bibliometrie levert nieuwe inzichten op, ondersteund door de objectieve kwantitatieve kracht van de methodologie (Casillas & Acedo, 2007). Talloze wetenschappers hebben eerder bibliometrische studies uitgevoerd in verwante domeinen, waaronder landbouw, teledetectie en digitale transformatie (Armenta-Medina et al., 2020; Bouzembrak et al., 2019; A. Rejeb, Treiblmaier, et al., 2021; Wamba & Queiroz, 2021; Wang et al., 2019).
Citaatanalyse
Citatie-analyse onthult verschillende inzichten in een bepaald onderzoeksgebied. Allereerst helpt het om de meest invloedrijke auteurs en publicaties te onthullen die bijdragen aan een bepaald onderzoeksgebied en een significante impact hebben (Gundolf & Filser, 2013). Ten tweede kunnen de kennisstroom en de communicatieverbindingen tussen auteurs worden blootgelegd. Ten slotte kan men, door de verbanden tussen geciteerde en citerende werken te traceren, de veranderingen en evolutie van een kennisdomein in de tijd onderzoeken (Pournader
et al., 2020). Hoge citatiecijfers van een publicatie weerspiegelen de relevantie en substantiële bijdragen aan het onderzoeksdomein (Baldi, 1998; Gundolf & Filser, 2013; Marinko, 1998). Citatie-analyse van publicaties helpt ook om relevante werken te identificeren en hun populariteit en voortgang in de loop van de tijd te volgen.
Analyse van co-citatie document
Co-citatie-analyse is een waardevolle methode om relaties tussen publicaties te onderzoeken en de intellectuele structuur van een vakgebied weer te geven (Nerur et al., 2008). Met andere woorden, door de meest geciteerde publicaties en hun verbanden te identificeren, groepeert de methode publicaties in afzonderlijke onderzoeksclusters waarin publicaties in een cluster regelmatig vergelijkbare ideeën delen (McCain, 1990; Small, 1973). Het is cruciaal om te vermelden dat gelijkenis niet betekent dat de bevindingen van de publicaties zijn
samenhangend en met elkaar eens; publicaties behoren tot hetzelfde cluster vanwege onderwerpovereenkomst, maar ze kunnen tegenstrijdige standpunten hebben.
gegevensverzameling en analyse
Volgens de methodologie voorgesteld door White en Griffith (1981), hebben we een uitgebreide zoektocht uitgevoerd naar tijdschriftartikelen om het hele onderzoeksdomein van drone-toepassingen in de landbouw te dekken, waarbij we de volgende vijf stappen volgden:
- De eerste stap was het verzamelen van gegevens. Scopus werd geselecteerd als een van de meest uitgebreide en betrouwbare databases met gestandaardiseerde resultaten. De metadata van publicaties met betrekking tot alle drone-toepassingen in de landbouw werden opgevraagd. Vervolgens hebben we de geselecteerde artikelen geanalyseerd en off-topic artikelen uit de analyse verwijderd.
- We analyseerden de literatuur en identificeerden de belangrijkste trefwoorden die in het onderzoeksgebied werden gebruikt.
- Met behulp van citatie-analyse hebben we het verband tussen auteurs en documenten onderzocht om onderliggende citatiepatronen te onthullen. We hebben ook de meest invloedrijke auteurs en publicaties geïdentificeerd met significante bijdragen op het gebied van landbouwdrones.
- We hebben een co-citatie-analyse uitgevoerd om vergelijkbare publicaties in clusters te groeperen.
- Ten slotte analyseerden we de verbindingen en verbanden tussen landen, instellingen en tijdschriften om het samenwerkingsnetwerk weer te geven.
Identificatie van geschikte zoektermen
We hebben de volgende zoektermen toegepast voor gegevensaggregatie: (drone* OR “unmanned aerial vehicle” OR uav* OR “unmanned aircraft system” OF uas OF "op afstand bestuurd vliegtuig"”) AND (landbouw OF landbouw OF landbouw OF landbouwer). De zoektocht werd uitgevoerd in september 2021. Drones hebben verschillende aanduidingen, waaronder UAV, UAS en op afstand bestuurde vliegtuigen (Sah et al., 2021). De specifieke zoektermen gerelateerd aan landbouw werden geïdentificeerd op basis van de studie van Abdollahi et al. (2021). Voor de duidelijkheid en transparantie is de exacte zoekopdracht die we hebben gebruikt weergegeven in bijlage 1. Na een gegevensopschoningsproces hebben we een tekstbestand gemaakt dat vervolgens is geladen in BibExcel, een veelgebruikt hulpmiddel voor citatie- en co-citatieanalyse. Deze tool biedt ook eenvoudige interactie met andere software en biedt een aanzienlijke mate van vrijheid bij het verwerken en analyseren van gegevens. VOSviewer versie 1.6.16 werd gebruikt om de bevindingen te visualiseren en de bibliometrische netwerken te genereren (Eck & Waltman, 2009). VOSviewer biedt een scala aan intuïtieve visualisaties, met name voor het analyseren van bibliometrische kaarten (Geng et al., 2020). Bovendien helpt het bij het leveren van duidelijke visuele resultaten die helpen om de resultaten beter te begrijpen (Abdollahi et al., 2021). Door de zoekreeksen toe te passen zoals hierboven vermeld, hebben we alle relevante publicaties verzameld en opgeslagen. De eerste zoekresultaten leverden in totaal 5,085 documenten op. Om de kwaliteit van de geselecteerde steekproef te waarborgen, werden in het onderzoek alleen peer-reviewed tijdschriftartikelen in aanmerking genomen, wat resulteerde in de uitsluiting van andere documenttypen, zoals boeken, hoofdstukken, congresverslagen en redactionele notities. Tijdens een screening werden irrelevante (dwz buiten het bestek van dit werk) overbodige (dwz duplicaten afkomstig van dubbele indexering) en niet-Engelstalige publicaties uitgefilterd. Dit proces resulteerde in de opname van 4,700 documenten in de uiteindelijke analyse.
Bevindingen en discussie
Om te beginnen hebben we de ontwikkelingen in publicatie-output in de huidige literatuur over landbouwdrones geanalyseerd. De temporele spreiding van wetenschappelijk onderzoek is weergegeven in figuur 1. Vanaf het jaar 2011 (30 publicaties) zien we een snelle toename van publicaties; daarom hebben we besloten de analyseperiode op te splitsen in twee verschillende fasen. De periode tussen 1990 en 2010 noemen we de opbouwfase, waar jaarlijks ongeveer zeven papers uitkwamen. De periode na 2010 wordt de groeifase genoemd, aangezien het onderzoek naar dronetoepassingen in de landbouw in deze periode een exponentiële stijging kende. Na 2010 bevestigt het toenemende aantal publicaties de groeiende belangstelling van onderzoekers, wat ook weergeeft dat drones zijn toegepast op teledetectie en worden gebruikt in precisielandbouw (Deng et al., 2018; Maes & Steppe, 2019; Messina & Modica, 2020 ). Concreet steeg het aantal publicaties van 108 in 2013 naar 498 in 2018 en piekte op 1,275 in 2020. In totaal zijn er tussen januari en half september 935 2021 artikelen gepubliceerd. Vervolgens hebben we ervoor gekozen om onze analyse meer te richten op de groeifase aangezien deze periode de meest recente en belangrijke subtiliteiten van landbouwdrones weerspiegelt.
Zoekwoordanalyse
De trefwoorden die auteurs voor een publicatie selecteren, hebben een cruciale invloed op hoe het artikel wordt weergegeven en hoe het wordt gecommuniceerd binnen wetenschappelijke gemeenschappen. Ze identificeren de belangrijkste onderwerpen van het onderzoek en bepalen het potentieel om te bloeien of te mislukken (Day & Gastel, 1998.; Kim et al., 2016; Uddin et al., 2015). Trefwoordenanalyse, een hulpmiddel om bredere onderzoekstrends en -richtingen te onthullen, verwijst naar de compilatie van de trefwoorden van alle gerelateerde publicaties in een domein (Dixit & Jakhar, 2021). In de huidige studie hebben we de geaggregeerde zoekwoorden in twee sets verdeeld (dwz tot 2010 en 2011-2021) om de meest populaire onderwerpen te onderzoeken. Door dit te doen, kunnen we de cruciale trefwoorden in beide sets traceren en ervoor zorgen dat we alle benodigde gegevens hebben vastgelegd. Voor elke set worden de tien belangrijkste trefwoorden weergegeven in Tabel 3. We hebben inconsistenties geëlimineerd door semantisch identieke trefwoorden samen te voegen, zoals 'drone' en 'drones' of, op dezelfde manier, 'Internet of Things' en 'IoT'.
Tabel 3 laat zien dat "onbemand luchtvaartuig" een vaker gebruikt trefwoord is in vergelijking met "drone" en "onbemand luchtsysteem" in beide tijdsperioden. Ook "remote sensing", "precisielandbouw" en "landbouw" worden in beide perioden hoog gewaardeerd. In de eerste periode stond "precisielandbouw" op de vijfde plaats en in de tweede periode op de tweede plaats, wat illustreert hoe drones steeds belangrijker worden bij het bereiken van precisielandbouw, omdat ze monitoring,
detectie- en schattingspraktijken sneller, goedkoper en gemakkelijker uit te voeren in vergelijking met andere remote-sensing en grondgebaseerde systemen. Ze kunnen ook de precieze hoeveelheid input (bijvoorbeeld water of pesticiden) sproeien wanneer dat nodig is (Guo et al., 2020; Inoue, 2020; Panday, Pratihast, et al., 2020).
Lijst met meest gebruikte zoekwoorden.
Rang | 1990-2010 | Nee voorvallen | 2011-2021 | Nee voorvallen |
1 | onbemande antenne voertuig | 28 | onbemande luchtvoertuig | 1628 |
2 | teledetectie | 7 | nauwkeurigheid landbouw | 489 |
3 | landbouw | 4 | teledetectie | 399 |
4 | in de lucht | 4 | dar | 374 |
5 | nauwkeurigheid landbouw | 4 | onbemande antenne systeem | 271 |
6 | onbemande antenne | 4 | landbouw | 177 |
7 | hyperspectraal sensor | 3 | diepgaand leren | 151 |
8 | kunstmatige neurale netwerken | 2 | machine leren | 149 |
9 | autonome vlucht | 2 | vegetatie Index | 142 |
10 | koffie | 2 | internet van Things | 124 |
Een ander interessant kenmerk is de aanwezigheid van complementaire technologieën. In de eerste fase behoren 'Hyperspectrale Sensor' en 'kunstmatige neurale netwerken' (ANN) tot de top tien van trefwoorden. Hyperspectrale beeldvorming zorgde voor een revolutie in traditionele beeldvorming door een groot aantal beelden op verschillende golflengten te verzamelen. Daarbij kunnen de sensoren tegelijkertijd betere ruimtelijke en spectrale informatie verzamelen in vergelijking met multispectrale beeldvorming, spectroscopie en RGB-beelden (Adao ˜ et al.,
2017). Het voorkomen van "ANN" in de eerste fase en "deep learning" (DL) en "machine learning" (ML) in de tweede fase impliceert dat de meeste gepubliceerde werken gericht waren op het onderzoek van het potentieel van AI-technieken voor drone- gebaseerde landbouw. Hoewel drones autonoom kunnen vliegen, hebben ze nog steeds de betrokkenheid van een piloot nodig, wat een laag niveau van apparaatintelligentie impliceert. Dit probleem kan echter worden opgelost door de vooruitgang van AI-technieken, die een beter situationeel bewustzijn en autonome beslissingsondersteuning kunnen bieden. Uitgerust met AI kunnen drones botsingen tijdens navigatie vermijden, bodem- en gewasbeheer verbeteren (Inoue, 2020) en arbeid en stress voor mensen verminderen (BK Sharma et al., 2019).
Vanwege hun flexibiliteit en het vermogen om grote hoeveelheden niet-lineaire gegevens te verwerken, zijn AI-technieken geschikte methoden om de gegevens die worden verzonden door drones en andere teledetectie- en grondgebaseerde systemen te analyseren voor voorspelling en besluitvorming (Ali et al., 2015; Inoué, 2020). Bovendien wijst de aanwezigheid van “IoT” in de tweede periode op zijn opkomende rol in de landbouw. IoT zorgt voor een revolutie in de landbouw door andere technologieën met elkaar te verbinden, waaronder drones, ML, DL, WSN's en big data. Een van de belangrijkste voordelen van het implementeren van IoT is het vermogen om verschillende taken (gegevensverwerving, gegevensanalyse en -verwerking, besluitvorming en implementatie) in bijna realtime efficiënt en effectief samen te voegen (Elijah et al., 2018; Feng et al. , 2019; Muangprathub et al., 2019). Bovendien worden drones beschouwd als efficiënte hulpmiddelen voor het vastleggen van de gegevens die nodig zijn voor het berekenen van de groeikracht en vegetatie-eigenschappen van vegetatie (Candiago et al., 2015). Fig. 2a en 2b illustreren de sleutelwoord-co-occurrence-netwerken voor beide tijdsperioden.
Invloedrijke auteurs
In deze sectie bepalen we de invloedrijke auteurs en onderzoeken we hoe auteurscitatienetwerken de huidige literatuur kunnen visualiseren en ordenen. Fig. 3 toont de chronologische overlay van alle onderzoekers met het hoogste aantal citaties. De kleurenschaal geeft de jaargewijze variatie van auteurscitaten weer. We onderzoeken de citatiestructuur van onderzoekers die studies over landbouwdrones publiceerden door een drempel van minimaal 50 citaties en tien publicaties te hanteren. uit
12,891 auteurs, slechts 115 voldeden aan deze voorwaarde. Tabel 4 geeft de top tien van invloedrijke auteurs weer, gesorteerd op maximaal aantal citaties. Lopez-Granados F. voert de lijst aan met 1,963 citaties, gevolgd door Zarco-Tejada PJ met 1,909 citaties.
Lijst van meest geciteerde auteurs.
Ranking | Auteur | Citaten |
1 | Lopez-Granados ´F. | 1,963 |
2 | Zarco-Tejada PJ | 1,909 |
3 | Pena JM | 1,644 |
4 | Torres-S´ Anchez J. | 1,576 |
5 | Fereres E | 1,339 |
6 | Remondino F | 1,235 |
7 | Bolten A | 1,160 |
8 | Bareth G | 1,155 |
9 | Berni JA | 1,132 |
10 | de Castro AI | 1,036 |
Als het gaat om individuele publicaties, is het artikel van Zhang en Kovacs (2012) het meest geciteerde onderzoek dat is gepubliceerd in Precision Agriculture. Hierin hebben de auteurs de toepassing van UAS in precisielandbouw beoordeeld. De bevindingen van hun onderzoek suggereren dat het platformontwerp, de productie, de standaardisatie van georeferentie van afbeeldingen en de workflow voor het ophalen van informatie moeten worden verbeterd om boeren te voorzien van betrouwbare eindproducten. Bovendien raden ze aan om de boer sterker te betrekken, vooral bij veldplanning, het vastleggen van afbeeldingen en gegevensinterpretatie en -analyse. Belangrijk is dat deze studie een van de eerste was die het belang aantoonde van UAV bij het in kaart brengen van velden, het in kaart brengen van de groeikracht, het meten van het chemische gehalte, het monitoren van vegetatiestress en de evaluatie van de effecten van meststoffen op de plantengroei. De uitdagingen met betrekking tot de technologie omvatten ook onbetaalbare kosten, sensorcapaciteit, platformstabiliteit en betrouwbaarheid, gebrek aan standaardisatie en consistente procedures om enorme hoeveelheden gegevens te analyseren.
Citaatanalyse
Citatieanalyse vertegenwoordigt de studie van de invloed van artikelen, hoewel gevoelig voor stromingen (bijv. citatiebias, zelfcitatie) wordt beschouwd als een van de standaardinstrumenten voor de impactevaluatie (Osareh, 1996; A. Rejeb et al., 2022; Sarli et al., 2010). Citaten weerspiegelen ook het belang en de vitaliteit van de bijdragen van de papers aan de literatuur over een specifiek onderwerp (R. Sharma et al., 2022). We voerden een citatieanalyse uit om de meest invloedrijke studies over landbouwdrones te bepalen en vatten de inhoud samen. Tabel 5 geeft de lijst weer van de vijftien meest invloedrijke kranten voor de periode 1990-2010 en 2011-2021. De artikelen van Berni et al. (2009)b en Austin (2010) zijn het meest geciteerd in 1990 en 2010, met respectievelijk 831 en 498 citaten. Bernie et al. (2009)b illustreerde het potentieel om kwantitatieve teledetectieproducten te ontwikkelen via een op helikopter gebaseerde UAV uitgerust met betaalbare thermische en smalbandige multispectrale beeldsensoren. Vergeleken met traditionele bemande sensoren in de lucht, kan een goedkoop UAV-systeem voor de landbouw vergelijkbare schattingen van de biofysische parameters van gewassen bereiken, zo niet beter. De betaalbare kosten en operationele flexibiliteit, naast de hoge spectrale, ruimtelijke en temporele resoluties die beschikbaar zijn in een snelle doorlooptijd, maken UAV's geschikt voor een reeks toepassingen die tijdkritisch beheer vereisen, waaronder irrigatieplanning en precisielandbouw. Het artikel van Berni et al. (2009)b wordt veel geciteerd omdat het een onbemand draaivleugelplatform en digitale en thermische sensoren effectief integreerde met de nodige kalibratiemechanismen voor landbouwtoepassingen. De op één na meest geciteerde publicatie is een boek geschreven door Austin (2010), waarin UAV's werden besproken vanuit het perspectief van ontwerp, ontwikkeling en implementatie. In de landbouw ondersteunen UAV's gewasmonitoring door ziekten vroegtijdig te detecteren door kleurveranderingen van het gewas, het zaaien en sproeien van gewassen te vergemakkelijken en kuddes te bewaken en te besturen.
De studies van Sullivan et al. (2007), Lumme et al. (2008), en Gokto ¨ ǧan et al. (2010) voltooien de lijst van de top vijftien van meest geciteerde artikelen. Deze artikelen illustreren de ontwikkeling van op UAV gebaseerde systemen ter ondersteuning van de landbouw. Ze bieden oplossingen voor verschillende problemen, zoals gewasmonitoring en -scanning, onkruidbewaking en -beheer en beslissingsondersteuning. Ze suggereren en bespreken ook het vermogen van UAV om de efficiëntie van de bemonstering te vergroten en boeren te helpen bij het bedenken van nauwkeurige en effectieve
aanplant strategieën. Twee artikelen zijn geschreven door Berni (Berni et al., 2009b; Berni et al., 2009a), wat zijn significante impact op landbouw-dronegerelateerd onderzoek onderstreept. Het artikel van Zarco-Tejada et al. (2014) was een van de baanbrekende onderzoeken om de noodzaak te illustreren om goedkope UAV-beelden te gebruiken bij het kwantificeren van boomhoogten.
Lijst van meest geciteerde publicaties.
Rang | Van 1990 tot 2010 | Van 2011 tot 2021 | ||
Document | Citaat | Document | Citaat | |
1 | (Berni et al., 2009b) | 831 | (C. Zhang & Kovacs, 2012) | 967 |
2 | (Austin, 2010) | 498 | (Nex & Remondino, 2014) | 893 |
3 | (Hunt et al., 2010) | 331 | (Floreano & Hout, 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 | (Advertentie oa et al., 2017) | 335 |
10 | (Schmale III et al., 2008) | 119 | (Honkvaara et al., 2013a) | 331 |
11 | (Abd-Elrahman et al., 2005) | 79 | (Candiago et al., 2015) | 327 |
12 | (Techy et al., 2010) | 69 | (Xiang & Tian, 2011) | 307 |
13 | (Sullivan et al., 2007) | 51 | (Matese et al., 2015) | 303 |
14 | (Lumme et al., 2008) | 42 | (Gago et al., 2015) | 275 |
15 | (Gokto ¨ !an et al., 2010) | 40 | (Aasen et al., 2015a) | 269 |
In de tweede periode (2011-2021) resulteerde het onderzoek van Zhang en Kovacs (2012) en Nex en Remondino (2014) in de meest geciteerde publicaties. Zhang en Kovacs (2012) stellen dat precisielandbouw baat zou kunnen hebben bij het implementeren van geospatiale technieken en sensoren, zoals geografische informatiesystemen, GPS en teledetectie, om variaties in het veld vast te leggen en deze aan te pakken door alternatieve strategieën te gebruiken. Als een game-changer in precisielandbouw, heeft de adoptie van drones een nieuw tijdperk ingeluid op het gebied van teledetectie, vereenvoudiging van observatie vanuit de lucht, het vastleggen van gegevens over gewasgroei, bodemgesteldheid en sproeigebieden. De recensie van Zhang en Kovacs (2012) is baanbrekend omdat het inzicht biedt in UAV's door het bestaande gebruik en de uitdagingen van deze apparaten in milieumonitoring en precisielandbouw te onthullen, zoals platform- en camerabeperkingen, uitdagingen op het gebied van gegevensverwerking, betrokkenheid van boeren en luchtvaartregelgeving . De seconde
meest geciteerde studie van Nex en Remondino (2014) beoordeelde de stand van de techniek van UAV's voor het vastleggen, verwerken en analyseren van aardbeelden.
Hun werk bood ook een overzicht van verschillende UAV-platforms, toepassingen en gebruiksscenario's, waarbij de nieuwste ontwikkelingen op het gebied van UAV-beeldverwerking werden getoond. In de landbouw zouden boeren UAV's kunnen gebruiken om effectieve beslissingen te nemen om kosten en tijd te besparen, een snel en nauwkeurig overzicht van schade te krijgen en te anticiperen op mogelijke problemen. In tegenstelling tot conventionele hoogwerkers, kunnen UAV's de operationele kosten verlagen en het gevaar van toegang op moeilijke locaties verminderen, terwijl het hoge precisiepotentieel behouden blijft. Hun paper vat verschillende voordelen van UAV's samen, met name in termen van nauwkeurigheid en resolutie.
Van de overige dertien meest geciteerde publicaties tussen 2011 en 2021, merkten we een grotere concentratie op onderzoek in verband met drone-toepassingen in beeldvormingsmissies (Bendig et al., 2014; Ma et al., 2017; Zarco-Tejada et al., 2014) , precisielandbouw (Candiago et al., 2015; Honkavaara et al., 2013a), precisiewijnbouw (Matese et al., 2015), waterstressbeoordeling (Gago et al., 2015) en vegetatiemonitoring (Aasen et al. , 2015a). In de beginjaren richtten onderzoekers zich op
meer over het ontwikkelen van goedkope, lichtgewicht en nauwkeurige UAV-gebaseerde systemen voor de landbouw; meer recent onderzoek heeft zich meer gericht op beoordelingen van UAV-toepassingen voor landbouw en veldonderzoek. Samenvattend laat deze analyse zien dat de invloedrijke publicaties voornamelijk beoordelingen hebben gegeven van eerdere onderzoeken om de huidige wetenschappelijke en technologische status van UAV's te evalueren en UAV-systemen hebben ontwikkeld ter ondersteuning van precisielandbouw. Interessant is dat we geen studies hebben gevonden die empirische
methodologieën of beschrijvende casestudies, wat een aanzienlijke kennislacune vormt en vraagt om meer onderzoek over dit onderwerp.
Co-citatie analyse
Volgens Gmür (2006) identificeert co-citatie-analyse vergelijkbare publicaties en clustert ze. Zorgvuldige bestudering van een cluster kan een gemeenschappelijk onderzoeksgebied tussen de publicaties aan het licht brengen. We onderzoeken de co-citatie van de literatuur met betrekking tot landbouwdrones om gerelateerde onderwerpen te illustreren en de intellectuele patronen van publicaties te detecteren. In dit opzicht beval Small (1973) het gebruik van cocitatie-analyse aan om het meest invloedrijke en baanbrekende onderzoek te bestuderen
binnen een discipline. Om de set te beperken tot de meest baanbrekende artikelen (Goyal & Kumar, 2021), stellen we een co-citatiedrempel van 25, wat betekent dat twee artikelen samen moeten zijn geciteerd in de referentielijsten van 25 of meer verschillende publicaties. De clustering is ook uitgevoerd met een minimale clustergrootte 1 en zonder enige methode om kleinere clusters samen te voegen met grotere. Als resultaat werden zes clusters gegenereerd op basis van de gelijkenis van studies en hun intellectuele structuur. Tabel 6 toont de verdeling van publicaties per cluster.
Cluster 1: Dit cluster bevat achttien documenten die zijn gepubliceerd na De publicaties in dit cluster gaan in op de rol van drones bij het ondersteunen van milieumonitoring, gewasbeheer en onkruidbeheer. Manfreda et al. (2018) geven een overzicht van het huidige onderzoek en de implementatie van UAV in de monitoring van natuurlijke landbouwecosystemen en stellen dat de technologie een enorm potentieel biedt om de monitoring van het milieu drastisch te verbeteren en de
de bestaande kloof tussen veldobservatie en conventionele teledetectie in de lucht en in de ruimte. Dit kan door op een betaalbare manier nieuwe capaciteit aan te bieden voor een betere temporele ontsluiting en ruimtelijk inzicht in grote gebieden. UAV's kunnen constant de omgeving waarnemen en de resulterende gegevens verzenden naar intelligente, gecentraliseerde/gedecentraliseerde entiteiten die sensoren aansturen om eventuele problemen te identificeren, zoals een gebrek aan ziekte of waterdetectie (Padua ´ et al., 2017). Adao et al. (2017) stellen dat UAV's ideaal zijn voor het beoordelen van de omstandigheden van planten door een enorme hoeveelheid onbewerkte gegevens vast te leggen met betrekking tot de waterstatus, biomassaschatting en krachtbeoordeling. Op UAV gemonteerde sensoren kunnen ook snel worden ingezet in de juiste omgevingsomstandigheden om de tijdige registratie van teledetectiegegevens mogelijk te maken (Von Bueren et al., 2015). Door middel van UAV's kunnen boeren indoor farming-activiteiten uitvoeren door metingen te verkrijgen vanaf praktisch elke plaats in de driedimensionale ruimte van indoor farming-omgevingen (bijv. ., 2015). In de context van precisie
landbouw, vereisen gewasbeheerbeslissingen nauwkeurige, betrouwbare gewasgegevens met een geschikte temporele en ruimtelijke resolutie (Gebbers & Adamchuk, 2010; Gevaert et al., 2015; Maes & Steppe, 2019). Om deze reden hebben Agüera Vega et al. (2015) gebruikten een op een UAV gemonteerd multispectraal sensorsysteem om tijdens het groeiseizoen beelden van een zonnebloemgewas te verkrijgen. Evenzo Huang et al. (2009) merken op dat teledetectie op basis van UAV's de meting van gewassen en bodem uit de verzamelde spectrale gegevens zou kunnen vergemakkelijken. Verger et al. (2014) ontwikkelden en testten een techniek voor het schatten van een groene gebiedsindex (GAI) van UAV-reflectiemetingen in precisielandbouwtoepassingen, met de nadruk op tarwe- en koolzaadgewassen. Daarom bieden drones nieuwe mogelijkheden voor het ophalen van informatie over de staat van gewassen met frequente bezoeken en een hoge ruimtelijke resolutie (Dong et al., 2019; Garzonio et al., 2017; H. Zheng et al., 2016).
Clustering van invloedrijke publicaties over landbouwdrones.
TROS | Breed thema | Referenties |
1 | Milieumonitoring, gewas beheer, onkruidbeheer | (Advertentie oa et al., 2017; Agüera Vega et al., 2015; de Castro et al., 2018; Gomez-Cand 'op' 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; P´erez-Ortiz et al., 2015; Rasmussen et al., 2013, 2016; Torres-S´ Anchez et al., 2014; Torres-Sanchez, ´ Lopez-Granados, ´ & Pena, ˜ 2015; Verger et al., 2014; von Bueren et al., 2015; C. Zhang & Kovacs, 2012) |
2 | Fenotypering op afstand, opbrengst schatting, gewasoppervlakmodel, planten tellen | (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 | Thermische beeldvorming voor water, multispectrale beeldvorming | (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 | Hypersectrale beeldvorming, spectrale beeldvorming | (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 | Toepassingen voor 3D-kaarten | (Jim'enez-Brenes et al., 2017; Nex & Remondino, 2014; Salami et al., 2014; Torres-S´ anchez, Lopez- ´ Granados, Serrano, et al., 2015; Zahawi et al., 2015; Zarco-Tejada et al., 2014) |
6 | Landbouwtoezicht | (SR Herwitz et al., 2004; Hunt et al., 2010; CCD Lelong et al., 2008; Primicerio et al., 2012; Xiang & Tian, 2011) |
Verder zijn drones handig voor uitdagende taken in de landbouw, waaronder het in kaart brengen van onkruid. Beelden die door de apparaten zijn vastgelegd, hebben hun nut bewezen voor vroege onkruiddetectie in velden (de Castro et al., 2018; Jim´enez-Brenes et al., 2017; Lam et al., 2021; Lopez-Granados´ et al., 2016; Rozenberg et al., 2021). In dit verband hebben de Castro et al. (2018) stellen dat de samenvoeging van UAV-beelden en Object-Based Image Analysis (OBIA) beoefenaars in staat heeft gesteld het probleem van het automatiseren van vroege detectie van graslandgewassen in het vroege seizoen te overwinnen, wat een grote stap voorwaarts is in onkruidonderzoek. Evenzo Pena ˜ et al. (2013) wijzen erop dat het gebruik van beelden met ultrahoge ruimtelijke resolutie van UAV in combinatie met een OBIA-procedure het mogelijk maakt om onkruidkaarten te genereren in vroege maïsgewassen die kunnen worden gebruikt bij het plannen van de implementatie van onkruidbestrijdingsmaatregelen in het seizoen, een taak die het vermogen van satellietbeelden en traditionele luchtbeelden te boven gaat. In vergelijking met algoritmen voor beeldclassificatie of objectdetectie zijn semantische segmentatietechnieken effectiever bij het in kaart brengen van onkruid (J. Deng et al., 2020), waardoor boeren de veldomstandigheden kunnen detecteren, verliezen kunnen beperken en de opbrengsten kunnen verbeteren gedurende het groeiseizoen (Ramesh et al., 2020). Op diep leren gebaseerde semantische segmentatie kan ook een nauwkeurige meting van de vegetatiebedekking bieden op basis van luchtfoto's met hoge resolutie (Ramesh et al., 2020; A. Zheng et al., 2022). Ondanks hun potentieel voor remote
detectie van pixelclassificatie, semantische segmentatietechnieken vereisen aanzienlijke berekeningen en een onbetaalbaar hoog GPU-geheugen (J. Deng et al., 2020).
Gebaseerd op machine learning en UAV, P'erez-Ortiz et al. (2015) suggereerde een benadering voor het in kaart brengen van onkruid om locatiespecifieke strategieën voor onkruidbestrijding te bieden wanneer boeren de vroege onkruidbestrijding na opkomst toepassen. Tot slot Rasmussen et al. (2013) benadrukten dat drones goedkope detectie bieden met een grote flexibiliteit in ruimtelijke resolutie. Over het algemeen richten de publicaties in dit cluster zich op het verkennen van de mogelijkheden van UAV's ter ondersteuning van teledetectie, gewasmonitoring en onkruidkartering. Er is aanvullend diepgaand onderzoek nodig om verder te onderzoeken hoe drone-toepassingen in milieumonitoring, gewasbeheer en onkruidkartering een duurzamere landbouw kunnen bereiken (Chamuah & Singh, 2019; Islam et al., 2021; Popescu et al., 2020; J Su, Liu, et al., 2018) en behandelen bestuurskwesties van deze technologie in toepassingen voor gewasverzekeringen (Basnet & Bang, 2018; Chamuah & Singh, 2019, 2022; Meinen & Robinson, 2021). Onderzoekers moeten zich concentreren op het valideren van door UAV verzamelde metingen met efficiënte verwerkingstechnieken om de uiteindelijke kwaliteit van verwerkte gegevens te verbeteren (Manfreda et al., 2018). Verder is de ontwikkeling nodig van geschikte algoritmen die pixels herkennen die onkruid in de digitale beelden weergeven en irrelevante achtergrond elimineren tijdens UAV-onkruidkartering (Gaˇsparovi´c et al., 2020; Hamylton et al., 2020; H. Huang et al. , 2018, 2020; Lopez-´Granados et al., 2016). Aanvullend onderzoek naar de toepassing van semantische segmentatietechnieken bij plantherkenning, bladclassificatie en ziektekartering is welkom (Fuentes-Pacheco et al., 2019; Kerkech et al., 2020).
Cluster 2. De publicaties in dit cluster waren gericht op verschillende aspecten van landbouwdrones. Gerelateerd aan fenotypering op afstand, Sankaran et al. (2015) onderzochten het potentieel van het gebruik van luchtfoto's op lage hoogte met hoge resolutie met UAV's voor snelle fenotypering van gewassen in het veld, en zij stellen dat, in vergelijking met op de grond gebaseerde waarnemingsplatforms, kleine UAV's met adequate sensoren verschillende voordelen bieden , zoals eenvoudigere toegang tot het veld, gegevens met hoge resolutie, efficiënte gegevensverzameling,
snelle beoordelingen van de groeiomstandigheden in het veld en lage operationele kosten. De auteurs merken echter ook op dat de effectieve toepassing van UAV voor veldfenotypering afhankelijk is van twee fundamentele elementen, namelijk UAV-kenmerken (bijv. veiligheid, stabiliteit, positionering, autonomie) en sensorkenmerken (bijv. resolutie, gewicht, spectrale golflengten, veld van uitzicht). Haghighattalab et al. (2016) stelden een semi-geautomatiseerde pijplijn voor beeldverwerking voor om gegevens op plotniveau op te halen uit UAV-beelden en het fokproces te versnellen. Holman et al. (2016) ontwikkelde een hoge
doorvoerveld fenotyperingssysteem en benadrukte dat UAV in staat is om hoogwaardige, omvangrijke, veldgebaseerde fenotypische gegevens te verzamelen en dat het apparaat effectief is voor grote gebieden en op verschillende veldlocaties.
Aangezien opbrengstschatting een ongelooflijk belangrijk stuk informatie is, vooral wanneer ze op tijd beschikbaar zijn, is er een potentieel voor UAV's om alle veldmetingen te leveren en efficiënt hoogwaardige gegevens te verkrijgen (Daakir et al., 2017; Demir et al., 2018 ; Enciso et al., 2019; Kulbacki et al., 2018; Pudelko et al., 2012). In dit verband hebben Jin et al. (2017) maakten gebruik van de beelden met hoge resolutie verkregen door UAV's op zeer lage hoogten om een methode te ontwikkelen en te beoordelen voor het schatten van de dichtheid van tarweplanten in het stadium van opkomst. Volgens de auteurs overwinnen UAV's de beperkingen van rover-systemen die zijn uitgerust met camera's en vertegenwoordigen ze een niet-invasieve methode om de plantdichtheid in gewassen te schatten, waardoor boeren de hoge doorvoer kunnen bereiken die nodig is voor veldfenotypering, onafhankelijk van de berijdbaarheid van de bodem. Li et al. (2016) verzamelden honderden stereobeelden met een extreem hoge resolutie met behulp van een UAV-gebaseerd systeem om maïsparameters te schatten, waaronder de hoogte van het bladerdak en de bovengrondse biomassa. Ten slotte, Yue et al. (2017) ontdekten dat de gewashoogte bepaald met UAV's de schatting van de bovengrondse biomassa (AGB) zou kunnen verbeteren.
Een benadering om de gewasgroei te monitoren is het idee om modellen voor het gewasoppervlak te ontwikkelen (Bendig et al., 2014, 2015; Holman et al., 2016; Panday, Shrestha, et al., 2020; Sumesh et al., 2021). Verschillende onderzoeken hebben de haalbaarheid aangetoond van beelden die met UAV zijn gemaakt om de hoogte van planten vast te leggen en hun groei te volgen. Bijvoorbeeld Bendig et al. (2013) beschreef de ontwikkeling van multitemporele modellen van gewasoppervlakken met een zeer hoge resolutie van minder dan 0.05 m met behulp van UAV. Ze waren gericht op het detecteren van gewassen
groeivariabiliteit en de afhankelijkheid van gewasbehandeling, cultivar en stress. Bendig et al. (2014) gebruikten UAV's om verse en droge biomassa te schatten op basis van planthoogte geëxtraheerd uit gewasoppervlakmodellen en ontdekten dat, in tegenstelling tot platforms in de lucht en terrestrische laserscanning, de hoge resolutiebeelden van UAV's de nauwkeurigheid van planthoogtemodellering voor verschillende groei aanzienlijk kunnen vergroten stadia. In dezelfde geest hebben Geipel et al. (2014) gebruikten UAV's in hun onderzoek om beelden te verkrijgen
datasets voor de voorspelling van de maïsopbrengst in drie verschillende groeifasen van het vroege tot het middenseizoen en concludeerden dat de combinatie van spectrale en ruimtelijke modellering op basis van luchtfoto's en gewasoppervlakmodellen een geschikte methode is om de maïsopbrengst halverwege het seizoen te voorspellen. Ten slotte onderzochten Gnadinger ¨ en Schmidhalter (2017) het nut van UAV bij precisiefenotypering en benadrukten dat het gebruik van deze technologie het bedrijfsbeheer zou kunnen verbeteren en veldexperimenten voor fok- en agronomische doeleinden mogelijk zou maken. Over het algemeen zien we dat de publicaties in cluster 2 zich richten op de belangrijkste voordelen van UAV's op afstand
fenotypering, schatting van de opbrengst, modellering van het gewasoppervlak en het tellen van planten. Toekomstige studies kunnen dieper graven door nieuwe methoden te ontwikkelen voor fenotypering op afstand die de verwerking van remote sensing data kunnen automatiseren en optimaliseren (Barabaschi et al., 2016; Liebisch et al., 2015; Mochida et al., 2015; S. Zhou et al. ., 2021). Bovendien moeten de prestaties van IoT-sensoren die op UAV's zijn gemonteerd en de afweging tussen hun kosten, arbeid en nauwkeurigheid van de schatting van de opbrengst worden onderzocht in de
toekomst (Ju & Son, 2018a, 2018b; Xie & Yang, 2020; Yue et al., 2018). Uiteindelijk is er behoefte aan het ontwikkelen van efficiënte beeldverwerkingsmethoden die betrouwbare informatie kunnen genereren, de efficiëntie van de landbouwproductie kunnen maximaliseren en het handmatige telwerk van de boeren kunnen minimaliseren (RU Khan et al., 2021; Koh et al., 2021; Lin & Guo, 2020; C. Zhang et al., 2020).
Cluster 3. De publicaties in dit cluster bespreken de verschillende soorten beeldvormingssystemen voor teledetectie van landbouwbronnen die worden gebruikt op UAV-platforms. In dit opzicht maakt thermische beeldvorming het mogelijk om oppervlaktetemperaturen te monitoren om schade aan gewassen te voorkomen en droogtestress vroegtijdig te detecteren (Awais et al., 2022; García-Tejero et al., 2018; Sankaran et al., 2015; Santesteban et al., 2017; Yeom, 2021). Baluja et al. (2012) beweerden dat het gebruik van multispectrale en thermische camera's aan boord van de
UAV stelde onderzoekers in staat om beelden met een hoge resolutie te verkrijgen en de waterstatus van de wijnstok te beoordelen. Dit kan nuttig zijn om nieuwe modellen voor waterplanning te ontwikkelen met behulp van teledetectiegegevens (Baluja et al., 2012). Vanwege de
beperkte laadcapaciteit van UAV's, Ribeiro-Gomes et al. (2017) hebben de integratie van ongekoelde thermische camera's in UAV's overwogen om waterstress in de fabrieken te bepalen, wat dit type UAV's efficiënter en levensvatbaarder maakt dan traditionele satellietgebaseerde teledetectie en UAV's uitgerust met gekoelde thermische camera's. Volgens de auteurs zijn ongekoelde thermische camera's lichter dan gekoelde camera's, waardoor een juiste kalibratie vereist is. Gonzalez-Dugo et al. (2014) toonden aan dat warmtebeelden effectief ruimtelijke kaarten genereren van waterstressindices van gewassen voor het beoordelen van de waterstatus en het kwantificeren van waterstress tussen en binnen citrusboomgaarden. Gonzalez-Dugo et al. (2013) en Santesteban et al. (2017) onderzochten het gebruik van UAV-warmtebeelden met hoge resolutie om de variabiliteit van de waterstatus van een commerciële boomgaard en een wijngaard te schatten.
Multispectrale beeldvorming kan enorme gegevens opleveren in vergelijking met traditionele RGB-afbeeldingen (rood, groen en blauw) (Ad˜ ao et al., 2017; Navia et al., 2016). Deze spectrale gegevens kunnen, samen met ruimtelijke gegevens, helpen bij classificatie, kartering, voorspelling, voorspelling en detectie (Berni et al., 2009b). Volgens Candiago et al. (2015) kunnen op UAV gebaseerde multispectrale beeldvorming een enorme bijdrage leveren aan de beoordeling van gewassen en nauwkeurige landbouw als een betrouwbare en efficiënte hulpbron. Ook,
Khaliq et al. (2019) maakten een vergelijking tussen satelliet- en UAV-gebaseerde multispectrale beeldvorming. De UAV-gebaseerde afbeeldingen resulteerden in een nauwkeurigere beschrijving van de variabiliteit van de wijngaard en in groeikaarten voor het weergeven van luifels van gewassen. In een notendop bespreken artikelen in dit cluster de integratie van thermische en multispectrale beeldsensoren in landbouw-UAV's. Dienovereenkomstig is meer onderzoek nodig om te begrijpen hoe thermische en multispectrale beeldvorming kan worden geïntegreerd met AI
technieken (bijv. deep learning) om plantenstress te detecteren (Ampatzidis et al., 2020; Ampatzidis & Partel, 2019; Jung et al., 2021; Santesteban et al., 2017; Syeda et al., 2021). Dergelijke inzichten zullen helpen zorgen voor een efficiëntere en nauwkeurigere detectie en monitoring van plantengroei, stress en fenologie (Buters et al., 2019; Cao et al., 2020; Neupane & BaysalGurel, 2021; L. Zhou et al., 2020).
Cluster 4. Dit cluster bestaat uit zeven artikelen die draaien om de cruciale rol van spectrale beeldvorming en hyperspectrale beeldvorming bij het ondersteunen van landbouwpraktijken. Hyperspectrale beeldvorming heeft zichzelf bewezen als een teledetectiemethode die kwantitatieve beoordeling van het aardsysteem mogelijk maakt (Schaepman et al., 2009). Om preciezer te zijn, maakt het de identificatie van oppervlaktematerialen, de kwantificering van (relatieve) concentraties en de toewijzing van de verhoudingen van oppervlaktecomponenten
binnen gemengde pixels (Kirsch et al., 2018; Zhao et al., 2022). Met andere woorden, de hogere spectrale resolutie van hyperspectrale systemen maakt nauwkeurigere schattingen mogelijk van verschillende parameters, zoals vegetarische eigenschappen of bladwatergehalte (Suomalainen et al., 2014). De onderzoekers in dit cluster hebben verschillende aspecten van dergelijke systemen onderzocht. Onder andere Aasen et al. (2015b) bood een unieke benadering voor het afleiden van driedimensionale hyperspectrale informatie uit lichtgewicht
snapshotcamera's die op UAV's worden gebruikt voor het monitoren van vegetatie. Lucier et al. (2014) bespraken het ontwerp, de ontwikkeling en de luchtoperaties van een nieuwe hyperspectrale UAS, evenals de kalibratie, analyse en interpretatie van de daarmee verzamelde beeldgegevens. Tot slot, Honkavaara et al. (2013b) ontwikkelden een uitgebreide verwerkingsaanpak voor op FabryPerot interferometer gebaseerde spectrale beelden en toonden het gebruik ervan in een procedure voor het schatten van biomassa voor precisielandbouw. Mogelijke toekomstige trajecten voor dit huidige cluster zijn onder meer het benadrukken van de noodzaak van technische verbeteringen in sensortechnologieën (Aasen et al., 2015b) en de noodzaak om complementaire technologieën op te nemen en te verbeteren, met name big data en analyse (Ang & Seng, 2021; Radoglou -Grammatikis et al., 2020; Shakoor et al., 2019). Dit laatste komt voornamelijk voort uit de steeds groter wordende gegevens die worden gegenereerd door verschillende sensoren die zijn geïmplementeerd in slimme landbouw (C. Li & Niu, 2020; A. Rejeb et al., 2022; Y. Su & Wang, 2021).
Cluster 5. De publicaties in dit cluster onderzochten op drones gebaseerde 3Dmapping-toepassingen. Het gebruik van drones voor 3D-mapping zou het complexe veldwerk kunnen verlichten en de efficiëntie aanzienlijk kunnen verhogen (Torres-Sanchez ´ et al., 2015). De vijf artikelen in het cluster waren voornamelijk gericht op toepassingen voor plantmonitoring. Om bijvoorbeeld driedimensionale gegevens te verkrijgen over het bladerdak, de boomhoogte en het kroonvolume, hebben Torres-Sanchez ´ et al. (2015) gebruikten UAV-technologie om digitale oppervlaktemodellen te genereren en vervolgens objectgebaseerde beeldanalyse (OBIA) benaderingen. Verder Zarco-Tejada et al. (2014) kwantificeerde boomhoogte door UAV-technologie en driedimensionale foto-reconstructiemethoden te integreren. Jim'enez-Brenes Lopez-Granados, 'De Castro, et al. (2017) demonstreerde een nieuw proces voor multitemporele, 3D-monitoring van tientallen olijfbomen door UAV-technologie te integreren met geavanceerde OBIA-methodologie. Interessante trajecten voor toekomstige werkzaamheden in dit cluster zijn onder meer het verbeteren van de huidige
methodologieën (Zarco-Tejada et al., 2014) voor doeleinden van digitale oppervlaktemodellering (Ajayi et al., 2017; Jaud et al., 2016), zoals OBIA (de Castro et al., 2018, 2020; Ventura et al. , 2018), en fotoreconstructie of het ontwikkelen van nieuwe methoden (Díaz-Varela et al., 2015; Torres-S´anchez et al., 2015).
Cluster 6. Dit cluster gaat in op de rol van drones in landbouwtoezicht. UAV's zouden de tekortkomingen van satelliet- en vliegtuigbeeldvorming kunnen aanvullen en verhelpen. Ze zouden bijvoorbeeld bijna realtime beeldvorming met hoge resolutie kunnen bieden met minder brandstof of pilootuitdagingen, wat resulteert in constante en realtime bewaking en verbeteringen in de besluitvorming (S. Herwitz et al., 2004). Een andere belangrijke bijdrage van UAV's is hun vermogen om locatiespecifieke gegevens te leveren voor precisielandbouw of locatiespecifieke landbouw, aangezien hun hoge resolutie, gedetailleerde gegevens over verschillende parameters boeren in staat stellen het land in homogene delen te verdelen en dienovereenkomstig te behandelen (Hunt et al. , 2010; CC Lelong et al., 2008; Primicerio et al., 2012). Dergelijke op UAV's gebaseerde landbouwsurveillance kan het toezicht op de voedselzekerheid en de besluitvorming ondersteunen (SR Herwitz et al., 2004). Om onderzoek naar landbouwtoezicht vooruit te helpen, zijn niet alleen verbeteringen in sensoren, UAV's en andere gerelateerde technologieën en hun communicatie- en gegevensoverdrachtmethoden nodig (Ewing et al., 2020; Shuai et al., 2019), maar ook de integratie van drones met verschillende technologieën voor het optimaliseren van verschillende taken met betrekking tot slimme landbouw, zoals monitoring, landbouwtoezicht en besluitvorming, is een onderzoeksgebied met een hoog potentieel (Alsamhi et al., 2021; Popescu et al., 2020; Vuran et al., 2018). In dit opzicht bieden IoT, WSN's en big data interessante complementaire mogelijkheden (van der Merwe et al., 2020). Implementatiekosten, kostenbesparingen, energie-efficiëntie en gegevensbeveiliging behoren tot de onvoldoende onderzochte gebieden voor een dergelijke integratie (Masroor et al., 2021).
Landen en academische instellingen
De laatste stap omvatte het onderzoek naar het land van herkomst en de academische voorkeuren van de auteurs. Met deze analyse willen we de geografische spreiding van wetenschappers die bijdragen aan de toepassingen van drones in de landbouw beter begrijpen. Opvallend is de diversiteit van landen en academische instellingen. Landelijk gezien staan de VS, China, India en Italië bovenaan de lijst wat betreft het aantal publicaties (tabel 7). De stroom
onderzoek naar landbouwdrones is grotendeels gecentreerd in Noord-Amerikaanse en Aziatische landen, voornamelijk vanwege hun hoge betrokkenheid bij precisielandbouwtoepassingen. In de VS werd de markt van landbouwdrones bijvoorbeeld geschat op 841.9 miljoen USD in het jaar 2020, goed voor ongeveer 30% van het wereldwijde marktaandeel (ReportLinker, 2021). China, gerangschikt als 's werelds grootste economie, zal naar verwachting een marktomvang van ongeveer 2.6 miljard USD bereiken in het jaar 2027. Dit land is aantrekkelijk voor landbouwdrones om productiviteitsproblemen te overwinnen en betere opbrengsten, arbeidsverlichting en minder productie-input te bereiken. De acceptatie van de technologie in China wordt echter ook gedreven door factoren zoals de omvang van de populatie en de noodzaak om te innoveren en bestaande gewasbeheerpraktijken te verbeteren.
Top meest productieve landen en universiteiten/organisaties die bijdragen aan:
agrarisch drone-gerelateerd onderzoek.
Rang | Landen |
1 | USA |
2 | China |
3 | India |
4 | Italië |
5 | Spanje |
6 | Duitsland |
7 | Brazilië |
8 | Australië |
9 | Japan |
10 | United Kingdom |
Rang | Universiteiten/organisaties |
1 | Chinese Wetenschapsacademie |
2 | Ministerie van Landbouw van de Volksrepubliek China |
3 | Consejo Superior de Investigaciones Científicas |
4 | Texas A & M University |
5 | China Agricultural University |
6 | Landbouwonderzoeksdienst van USDA |
7 | CSIC – Instituto de Agricultura Sostenible IAS |
8 | Purdue University |
9 | National Research Council |
10 | Zuid-Chinese landbouwuniversiteit |
Vanuit een universitair en organisatorisch perspectief voert de Chinese Academie van Wetenschappen de lijst aan wat betreft het aantal publicaties, gevolgd door het Ministerie van Landbouw van de Volksrepubliek China en de Consejo Superior de Investigaciones Científicas. Chinese Academie van Wetenschappen wordt vertegenwoordigd door de auteurs Liao Xiaohan en Li Jun; Han Wenting vertegenwoordigt het Ministerie van Landbouw van de Volksrepubliek China; en Consejo Superior de Investigaciones Científicas wordt vertegenwoordigd door Lopez-Granados, ´ F. en Pena, ˜ Jos´e María S. Uit de VS vinden universiteiten zoals de Texas A&M University en Purdue University hun
noemen. De universiteiten met het hoogste aantal publicaties en hun connecties zijn weergegeven in Fig. 4. Daarnaast bevat deze lijst instellingen zoals de Consiglio Nazionale delle Ricerche en de Consejo Superior de Investigaciones Científicas die actief zijn in wetenschappelijk onderzoek, maar geen academische instellingen zijn .
Onze selectie omvatte een grote verscheidenheid aan tijdschriften, die vrijwel alle beschikbare gegevens omvatten. Zoals blijkt uit tabel 8, staat Remote Sensing met 258 artikelen bovenaan, gevolgd door Journal of Intelligent and Robotic Systems: Theory and Applications met 126 en Computers and Electronics in Agriculture met 98 artikelen. Terwijl Remote Sensing vooral gericht is op de toepassing en ontwikkeling van drones, omvat Computers en elektronica in de landbouw voornamelijk de vooruitgang op het gebied van computerhardware, software, elektronica en besturingssystemen in de landbouw. Cross-area verkooppunten, zoals IEEE Robotics and Automation Letters met 87 publicaties en IEEE Access met 34 publicaties, zijn ook vooraanstaande verkooppunten in het veld. De top vijftien van outlets hebben bijgedragen aan de literatuur met 959 documenten, dat is ongeveer 20.40% van alle publicaties. Een co-citatieanalyse van tijdschriften stelt ons in staat om het belang en de overeenkomst tussen publicaties te onderzoeken. De co-citatie-analyse levert drie clusters op, zoals weergegeven in Fig. 5. Het rode cluster bestaat uit tijdschriften als Remote Sensing, Computer and Electronics in Agriculture, Sensors,
en het International Journal of Remote Sensing. Al deze verkooppunten zijn gerenommeerde tijdschriften op het gebied van teledetectie en precisielandbouw. Het groene cluster bevat tijdschriften over robotica, zoals Journal of Intelligent and Robotic Systems: Theory and Applications, IEEE Robotics and Automation Letters, IEEE Access en Drones. Deze verkooppunten publiceren meestal artikelen over automatisering en zijn nuttig voor landbouwingenieurs. Het laatste cluster wordt gevormd door tijdschriften op het gebied van agronomie en landbouwtechniek, zoals Agronomie en International Journal of Agricultural and Biological Engineering.
Top 15-tijdschriften in agrarisch drone-gerelateerd onderzoek.
Rang | Blog | Tellen |
1 | Remote Sensing | 258 |
2 | Journal of Intelligent and Robotic Systems: Theorie en Toepassingen | 126 |
3 | Computers en elektronica in de landbouw | 98 |
4 | IEEE Robotica en automatiseringsbrieven | 87 |
5 | Sensoren | 73 |
6 | International Journal of Remote Sensing | 42 |
7 | Precisielandbouw | 41 |
8 | Drones | 40 |
9 | Agronomie | 34 |
10 | IEEE-toegang | 34 |
11 | Internationaal tijdschrift voor geavanceerde robotsystemen | 31 |
12 | Internationaal tijdschrift voor landbouw- en biologische techniek | 25 |
13 | PLoS ONE | 25 |
14 | Journal of veldrobotica | 23 |
15 | Biosystems Engineering | 23 |
Conclusie
Samengevat
In deze studie hebben we bestaand onderzoek naar landbouwdrones samengevat en geanalyseerd. Met behulp van verschillende bibliometrische technieken hebben we gestreefd naar een beter begrip van de intellectuele structuur van agrarisch drone-gerelateerd onderzoek. Kortom, onze review biedt verschillende bijdragen door trefwoorden in de literatuur te identificeren en te bespreken, kennisclusters te onthullen en semantisch vergelijkbare gemeenschappen op het gebied van drones te vormen, eerder onderzoek te schetsen en toekomstige onderzoeksrichtingen te suggereren. Hieronder schetsen we de belangrijkste bevindingen van de review over de ontwikkeling van landbouwdrones:
• De totale literatuur is snel gegroeid en heeft het afgelopen decennium enorm veel aandacht gekregen, zoals blijkt uit de stijging van het aantal artikelen na 2012. Ook al is dit kennisveld nog niet tot volle wasdom gekomen (Barrientos et al., 2011; Maes & Steppe, 2019), zijn er nog een aantal vragen onbeantwoord. Zo staat het nut van drones in indoor farming nog steeds ter discussie (Aslan et al., 2022; Krul et al., 2021; Rold´an et al., 2015). De complexiteit van veldscènes en de verschillende beeldomstandigheden (bijv. schaduwen en verlichting) kunnen resulteren in een hogere spectrale variantie in de klas (Yao et al., 2019). Zelfs in de latere onderzoeksfasen werden onderzoekers uitgedaagd om optimale vluchtplannen te bepalen volgens bepaalde scenario's en vereiste beeldkwaliteit (Soares et al., 2021; Tu et al.,
2020).
• We merken dat het vakgebied is geëvolueerd van het ontwikkelen van efficiënte UAV-systemen naar het incorporeren van AI-technieken, zoals machine learning en deep learning in het ontwerp van landbouwdrones (Bah et al., 2018; Kitano et al., 2019; Maimaitijiang et al. , 2020; Mazzia et al., 2020; Tetila et al., 2020).
• Onderzoek naar landbouwdrones ging voornamelijk over teledetectie door de mogelijkheden van de technologie te verkennen voor milieumonitoring, gewasbeheer en onkruidbeheer (cluster 1), evenals fenotypering op afstand en opbrengstschatting (cluster 2). Een reeks invloedrijke studies over landbouwdrones omvatten Austin (2010), Berni et al. (2009)a, Herwitz et al. (2004), Nex en Remondino (2014), en Zhang en Kovacs (2012). Deze studies ontwikkelden de conceptuele basis van drone-gerelateerd onderzoek in de context van de landbouw.
• Met betrekking tot de methodologie hebben we vastgesteld dat het grootste deel van het tot nu toe uitgevoerde onderzoek was samengesteld uit systeemontwerp-, conceptuele of review-gebaseerde studies (Inoue, 2020; Nex & Remondino, 2014; P´erez-Ortiz et al. , 2015; Yao et al., 2019). We merken ook een gebrek aan empirische, kwalitatieve en case-study-gebaseerde methoden bij het onderzoek naar landbouwdrones.
• Recentelijk hebben onderwerpen met betrekking tot precisielandbouw, AI-technieken, precisie-wijnbouw en de beoordeling van waterstress veel aandacht getrokken (Espinoza et al., 2017; Gomez-Cand 'on' et al., 2016; Matese et al., 2015; Matese & Di Gennaro, 2018, 2021; Z. Zhou et al., 2021). Zorgvuldig onderzoek van onderzoeksclusters in twee afzonderlijke tijdperken, 1990-2010 en 2011-2021, onthult de voortgang van de intellectuele structuur van het domein. De periode van 1990 tot 2010 vormde de opbouw van centrale noties en de concepten van drones, wat duidelijk wordt uit de bespreking van UAV-ontwerp, -ontwikkeling en -implementatie. In het tweede tijdperk breidt de onderzoeksfocus zich uit op eerdere studies, waarbij een poging wordt gedaan om UAV-use-cases in de landbouw te synthetiseren. We hebben ook tal van onderzoeken gevonden die drone-toepassingen in beeldvormingstaken en precisielandbouw bespreken.
Rang | Blog | Tellen |
1 | Remote Sensing | 258 |
2 | Journal of Intelligent and Robotic Systems: Theorie en | 126 |
Toepassingen | ||
3 | Computers en elektronica in de landbouw | 98 |
4 | IEEE Robotica en automatiseringsbrieven | 87 |
5 | Sensoren | 73 |
6 | International Journal of Remote Sensing | 42 |
7 | Precisielandbouw | 41 |
8 | Drones | 40 |
9 | Agronomie | 34 |
10 | IEEE-toegang | 34 |
11 | Internationaal tijdschrift voor geavanceerde robotsystemen | 31 |
12 | Internationaal tijdschrift voor landbouw- en biologische techniek | 25 |
13 | PLoS ONE | 25 |
14 | Journal of veldrobotica | 23 |
15 | Biosystems Engineering | 22 |
Gevolgen
Onze bibliometrische beoordeling is ontworpen en uitgevoerd met wetenschappers, boeren, landbouwexperts, gewasadviseurs en ontwerpers van UAV-systemen in gedachten. Voor zover de auteurs weten, is dit een van de eerste originele recensies die een diepgaande bibliometrische analyse van
dronetoepassingen in de landbouw. We hebben dit kennislichaam uitgebreid onder de loep genomen, gebruikmakend van citatie- en co-citatieanalyses van publicaties. Onze pogingen om de intellectuele structuur van drone-onderzoek te beschrijven, bieden ook nieuwe inzichten voor wetenschappers. Een zorgvuldige beoordeling van de trefwoorden die in de loop van de tijd zijn gebruikt, onthult de hotspots en focusonderzoeksgebieden in de drone-gerelateerde literatuur. Verder presenteren we een lijst van de meest geciteerde studies om de meest impactvolle onderzoekswerken te identificeren die in het veld zijn voltooid. De identificatie van artikelen en trefwoorden zou bijgevolg een solide startpunt kunnen bieden om verschillende wegen voor toekomstig onderzoek te ontdekken.
Belangrijk is dat we clusters onthulden die vergelijkbare werken classificeren en de resultaten verder uitwerkten. De studies die in clusters zijn ingedeeld, helpen bij het begrijpen van de intellectuele structuur van UAV-onderzoek. We ontdekten met name een gebrek aan studies die de adoptiefactoren van drones onderzoeken
en belemmeringen in landbouwactiviteiten (zie tabel 9). Toekomstige onderzoekers zouden deze potentiële kloof kunnen dichten door empirisch onderzoek uit te voeren dat de adoptiefactoren van drones in verschillende landbouwactiviteiten en klimatologische omstandigheden evalueert. Bovendien moet case study-gebaseerd onderzoek naar de effectiviteit van drones worden ondersteund met echte gegevens uit het veld. Ook zou het betrekken van boeren en managers bij academisch onderzoek voordelig zijn voor zowel de theoretische als praktische vooruitgang van drone-onderzoek. We waren ook in staat om de meest prominente onderzoekers en hun bijdragen te identificeren, wat waardevol is omdat bekendheid met recente baanbrekende werken een leidraad kan zijn voor toekomstige academische inspanningen.
Tabel 9
UAV-adoptiebarrières.
Barrière | Omschrijving |
Gegevensbeveiliging | Cybersecurity is een grote uitdaging voor implementatie IoT-oplossingen (Masroor et al., 2021). |
Interoperabiliteit en integratie | Verschillende technologieën zoals UAV, WSN, IoT, enz. moeten worden geïntegreerd en gegevens verzenden die: het complexiteitsniveau verhogen (Alsamhi et al., 2021; Popescu et al., 2020; Vuran et al., 2018). |
Implementatiekosten | Dit is met name het geval voor kleine boeren en voor integratie van verschillende geavanceerde technologieën ( Masroor et al., 2021). |
Arbeidskennis en expertise | Er zijn bekwame dronepiloten nodig om UAV's te bedienen. Ook het implementeren van verschillende geavanceerde technologieën vereist geschoolde werknemers (YB Huang et al., 2013; Tsouros et al., 2019). |
Motorvermogen en vlucht duur | Drones kunnen niet voor lange uren worden gebruikt en bedekken grote gebieden (Hardin & Hardin, 2010; Laliberte et al., 2007). |
Stabiliteit, betrouwbaarheid en wendbaarheid | Drones zijn niet stabiel tijdens slechte weersomstandigheden (Hardin & Hardin, 2010; Laliberte et al., 2007). |
Payloadbeperkingen en kwaliteit van sensoren | Drones kunnen alleen beperkte ladingen vervoeren naar: mogelijkheid om sensoren van lagere kwaliteit te laden (Nebiker et al., 2008). |
Regulatie | Omdat drones ook gevaarlijk kunnen zijn, zijn er ernstige regelgeving op sommige gebieden (Hardin & Jensen, 2011; Laliberte & Rango, 2011). |
Kennis van boeren en belang | Net als andere geavanceerde technologieën, zijn de drones succesvolle implementatie vereist expertise en ook gepaard met onzekerheden (Fisher et al., 2009; Lambert et al., 2004; Stafford, 2000). |
Omdat er een constante behoefte is om de beschikbare middelen efficiënt te gebruiken om de opbrengst te maximaliseren, kunnen boeren profiteren van drones om snel, nauwkeurig en kosteneffectief hun velden te scannen. De technologie kan boeren helpen om de toestand van hun gewassen te bepalen en de waterstatus, het rijpingsstadium, insectenplagen en voedingsbehoeften te beoordelen. De teledetectiemogelijkheden van drones kunnen boeren cruciale gegevens bieden om in een vroeg stadium te anticiperen op problemen en snel passende interventies te ondernemen. De voordelen van de technologie kunnen echter alleen worden gerealiseerd als de uitdagingen goed worden aangepakt. In het licht van de
huidige problemen met betrekking tot gegevensbeveiliging, sensortechnologiekwesties (bijvoorbeeld de betrouwbaarheid of nauwkeurigheid van metingen), complexiteit van integratie en aanzienlijke implementatiekosten, toekomstige studies moeten ook de technische, economische en operationele haalbaarheid onderzoeken van de integratie van landbouwdrones en andere snij- randtechnologieën.
Beperkingen
Onze studie heeft verschillende beperkingen. Ten eerste worden de bevindingen bepaald door de publicaties die zijn geselecteerd voor de uiteindelijke analyse. Het is een uitdaging om alle relevante studies met betrekking tot landbouwdrones vast te leggen, met name die welke niet zijn geïndexeerd in de Scopus-database. Verder is het gegevensverzamelingsproces beperkt tot het instellen van zoekwoorden, die mogelijk niet inclusief zijn en tot niet-overtuigende bevindingen leiden. Toekomstige studies moeten dus meer aandacht besteden aan het onderliggende probleem van gegevensverzameling om ervoor te zorgen dat
betrouwbaardere conclusies. Een andere beperking betreft nieuwe publicaties met een laag aantal citaties. De bibliometrische analyse is bevooroordeeld in de richting van eerdere publicaties, omdat deze in de loop der jaren meer citaten ontvangen. Recente onderzoeken hebben een bepaalde tijd nodig om de aandacht te trekken en citaten te verzamelen. Bijgevolg zouden recente studies die een paradigmaverschuiving met zich meebrengen, niet in de top tien van invloedrijke werken staan. Deze beperking komt veel voor bij het onderzoek van snel opkomende onderzoeksdomeinen zoals landbouwdrones. Aangezien we Scopus hebben geraadpleegd om de literatuur voor dit werk te bestuderen, zouden toekomstige onderzoekers anders kunnen overwegen
databases, zoals het Web of Science en IEEE Xplore, om de horizon te verbreden en de onderzoeksstructuur te verbeteren.
Mogelijke bibliometrische studies kunnen andere essentiële kennisbronnen zoals conferentiepapers, hoofdstukken en boeken in overweging nemen om nieuwe inzichten te genereren. Ondanks het in kaart brengen en onderzoeken van wereldwijde publicaties over landbouwdrones, onthulden onze bevindingen niet de redenen achter de wetenschappelijke resultaten van universiteiten. Dit effent de weg naar een nieuw onderzoeksgebied door kwalitatief uit te leggen waarom sommige universiteiten productiever zijn dan andere als het gaat om onderzoek naar landbouw.
drones. Bovendien zouden toekomstige studies inzicht kunnen bieden in het potentieel van drones om de duurzaamheid van de landbouw op verschillende manieren te vergroten, zoals milieumonitoring, gewasbeheer en onkruidkartering, zoals aangegeven door verschillende onderzoekers (Chamuah & Singh, 2019; Islam et al., 2021; Popescu et al., 2020; J. Su, Liu, et al., 2018b). Aangezien de tekstuele analyse niet mogelijk was vanwege het grote aantal geselecteerde artikelen, is er behoefte aan systematische literatuuronderzoeken die de
gebruikte onderzoeksmethoden en de betrokkenheid van boeren bij eerdere onderzoeken. Kortom, onze analyse van drone-onderzoek legt de onzichtbare verbanden van dit kennislichaam bloot. Dit overzicht helpt daarom de relaties tussen publicaties bloot te leggen en verkent de intellectuele structuur van het onderzoeksveld. Het geeft ook de verbanden weer tussen de verschillende aspecten van de literatuur, zoals trefwoorden van auteurs, voorkeuren en landen.
Verklaring van concurrerende belangen
De auteurs verklaren dat ze geen concurrerende financiële belangen of persoonlijke relaties hebben gekend die van invloed zouden kunnen zijn geweest op het werk dat in dit document wordt gerapporteerd.
Bijlage 1
TITEL-ABS-SLEUTEL (((drone* OF "onbemand luchtvaartuig" OF uav* OF "onbemand luchtvaartuigsysteem” OF uas OF "op afstand bestuurd vliegtuig"”) AND (landbouw OF landbouw OF landbouw OF landbouwer))) AND (UITSLUITEN (PUBYEAR, 2022)) EN (LIMIT-TO (TAAL, "Engels")).
Referenties
Aasen, H., Burkart, A., Bolten, A., Bareth, G., 2015. 3D-hyperspectrale informatie genereren met lichtgewicht UAV-snapshotcamera's voor vegetatiemonitoring: van
camerakalibratie tot kwaliteitsborging. ISPRS J. Photogramm. Afstandsbedieningssensor 108, 245–259. https://doi.org/10.1016/j.isprsjprs.2015.08.002.
Abd-Elrahman, A., Pearlstine, L., Percival, F., 2005. Ontwikkeling van een patroonherkenningsalgoritme voor automatische vogeldetectie uit beelden van onbemande luchtvaartuigen.
Vragenlijst. Land informeren. Wetenschap. 65 (1), 37-45.
Abdollahi, A., Rejeb, K., Rejeb, A., Mostafa, MM, Zailani, S., 2021. Draadloze sensornetwerken in de landbouw: inzichten uit bibliometrische analyse. Duurzaamheid 13 (21)
12011.
Aboutalebi, M., Torres-Rua, AF, Kustas, WP, Nieto, H., Coopmans, C., McKee, M., Beoordeling van verschillende methoden voor schaduwdetectie in optische beelden met hoge resolutie en evaluatie van schaduwimpact op berekening van NDVI en verdamping. irrigatie. Wetenschap. 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. Hyperspectrale beeldvorming: een overzicht van op UAV gebaseerde sensoren, gegevens verwerken en
toepassingen voor land- en bosbouw. Teledetectie 9 (11). https://doi.org/10.3390/rs9111110.
Agüera Vega, F., Ramírez, FC, Saiz, MP, Rosúa, FO, 2015. Multi-temporele beeldvorming met behulp van een onbemand luchtvaartuig voor het bewaken van een zonnebloemgewas. Biosysteem. Ing.
132, 19–27. https://doi.org/10.1016/j.biosystemseng.2015.01.008.
Ajayi, OG, Salubi, AA, Angbas, AF, Odigure, MG, 2017. Generatie van nauwkeurige digitale hoogtemodellen van UAV verkregen overlappende beelden met een laag percentage. 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. Herziening van machine learning-benaderingen voor het ophalen van biomassa en bodemvocht uit teledetectiegegevens. Teledetectie 7 (12), 16398-16421.
Alsamhi, SH, Afghah, F., Sahal, R., Hawbani, A., Al-qaness, MAA, Lee, B., Guizani, M., Green internet of things met UAV's in B5G-netwerken: een overzicht van toepassingen
en strategieën. Advertentie. Hoc. Netw. 117, 102505 https://doi.org/10.1016/j. ad-hoc.2021.102505.
Al-Thani, N., Albuainain, A., Alnaimi, F., Zorba, N., 2020. Drones voor monitoring van schapenvee. In: 20e IEEE Mediterrane Elektrotechnische Conferentie. https://doi.
org/10.1109/MELECON48756.2020.9140588.
Ampatzidis, Y., Partel, V., 2019. UAV-gebaseerde fenotypering met hoge doorvoer in citrus met behulp van multispectrale beeldvorming en kunstmatige intelligentie. Remote Sensing 11 (4), https://doi.org/10.3390/rs11040410.
Ampatzidis, Y., Partel, V., Costa, L., 2020. Agroview: cloudgebaseerde applicatie voor het verwerken, analyseren en visualiseren van door UAV verzamelde gegevens voor precisielandbouwtoepassingen met behulp van kunstmatige intelligentie. Berekenen. Elektron. agrarisch. 174, 105457 https://doi. org/10.1016/j.compag.2020.105457.
Ang, K.-L.-M., Seng, JKP, 2021. Big data en machine learning met hyperspectrale informatie in de landbouw. IEEE Access 9, 36699-36718. https://doi.org/10.1109/
TOEGANG.2021.3051196.
Aquilani, C., Confessore, A., Bozzi, R., Sirtori, F., Pugliese, C., 2022. Review: precisieveehouderijtechnologieën in op weiden gebaseerde veesystemen. Dier 16 (1), https://doi.org/10.1016/j.animal.2021.100429.
Armenta-Medina, D., Ramirez-Delreal, TA, Villanueva-Vasquez, ´ D., Mejia-Aguirre, C., Trends op het gebied van geavanceerde informatie- en communicatietechnologieën voor
verbetering van de landbouwproductiviteit: een bibliometrische analyse. Agronomie 10 (12), Artikel 12. https://doi.org/10.3390/agronomy10121989.
Armstrong, I., Pirrone-Brusse, M., Smith, A., Jadud, M., 2011. De vliegende alligator: naar luchtrobotica in occam-π. gemeenschappelijk. Proces architect. 2011, 329-340. https://doi. org/10.3233/978-1-60750-774-1-329.
Arora, SD, Chakraborty, A., 2021. Intellectuele structuur van onderzoek naar klagend consumentengedrag (CCB): een bibliometrische analyse. J. Zakelijk onderzoek. 122, 60-74.
Aslan, MF, Durdu, A., Sabanci, K., Ropelewska, E., Gültekin, SS, 2022.
Een uitgebreid overzicht van de recente onderzoeken met UAV voor precisielandbouw in vollegrond en kassen. toepassing Wetenschap. 12 (3), 1047. https://doi.org/10.3390/
app12031047.
Atkinson, JA, Jackson, RJ, Bentley, AR, Ober, E., & Wells, DM (2018). Veld fenotypering voor de toekomst. In jaarlijkse plantenrecensies online (pp. 719-736). John
Wiley & Sons, Ltd. doi: 10.1002/9781119312994.apr0651.
Austin, R., 2010. Onbemande vliegtuigsystemen: ontwerp, ontwikkeling en implementatie van UAVS. In: Unmanned Aircraft Systems: UAVS Design, Development and
Inzet. John Wiley en zonen. 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-gebaseerde teledetectie bij plantstress stel je voor dat je een thermische sensor met hoge resolutie gebruikt voor digitale landbouwpraktijken: een meta-review. Int. J. Omgeving. Wetenschap. technologie. 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. Slimme landbouw: kansen, uitdagingen
en technologie-enablers. 2018 IoT Verticaal en. Topische top over landbouw - Toscane (IOT Toscane) 1-6. https://doi.org/10.1109/IOTTUSCANY.2018.8373043.
Bah, MD, Hafiane, A., Canals, R., 2018. Diepgaand leren met onbewaakte gegevenslabels voor onkruiddetectie in lijngewassen in UAV-beelden. Teledetectie 10 (11), 1690.
https://doi.org/10.3390/rs10111690.
Baldi, S., 1998. Normatieve versus sociaal-constructivistische processen bij de toewijzing van citaten: een netwerkanalytisch model. Ben. sociaal. Openb. 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. Beoordeling van de variabiliteit van de waterstatus van de wijngaard door thermisch en multispectraal
beelden met behulp van een onbemand luchtvaartuig (UAV). irrigatie. Wetenschap. 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., volgende generatie fokken. Plant Sci. 242, 3–13. https://doi.org/10.1016/j.
plantenci.2015.07.010.
Barbedo, JGA, Koenigkan, LV, 2018. Perspectieven op het gebruik van onbemande luchtsystemen om vee te monitoren. Outlook Agric. 47 (3), 214-222. https://doi.org/10.1177/0030727018781876.
Bareth, G., Aasen, H., Bendig, J., Gnyp, ML, Bolten, A., Jung, A., Michels, R., Soukkamaki, ¨ J., 2015. Laag gewicht en op UAV gebaseerde hyperspectrale full-frame camera's
voor het monitoren van gewassen: Spectrale vergelijking met draagbare spectroradiometermetingen. Fotogrammetrie, Fernerkundung, Geo-informatie 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 de landbouw: een praktische benadering van gebiedsdekking
en padplanning voor vloten van mini-luchtrobots. J. Veld 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. Een onderzoek naar de toepassing van padplanningsalgoritmen voor multi-rotor UAV's in precisie
landbouw. J. Navig. 75 (2), 364-383.
Basnet, B., Bang, J., 2018. De state-of-the-art van kennisintensieve landbouw: een overzicht van toegepaste detectiesystemen en data-analyse. J. Sens. 2018, 1-13.
Bendig, J., Bolten, A., Bareth, G., 2013. UAV-gebaseerde beeldvorming voor multitemporele, zeer hoge resolutie gewasoppervlakmodellen om de variabiliteit van de gewasgroei te monitoren. Fotogrammetrie, Fernerkundung, Geo-informatie 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. Schatting van de biomassa van gerst met behulp van gewasoppervlakmodellen (CSM's) afgeleid van UAV-gebaseerde RGB-beeldvorming. Teledetectie 6 (11), 10395-10412.
Bendig, J., Yu, K., Aasen, H., Bolten, A., Bennertz, S., Broscheit, J., Gnyp, ML, Bareth, G., 2015. Combinatie van UAV-gebaseerde planthoogte vanaf het gewasoppervlak modellen,
zichtbare en nabij-infrarode vegetatie-indexen voor biomassamonitoring in gerst. Int. J. Appl. Aarde 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. In kaart brengen van de geleidbaarheid van het bladerdak en CWSI in olijfboomgaarden met hoge resolutie
thermische teledetectiebeelden. Remote Sens. omgeving. 113 (11), 2380-2388. https://doi.org/10.1016/j.rse.2009.06.018.
Berni, JA, Zarco-Tejada, PJ, Suarez, ´ L., Fereres, E., 2009b. Thermische en smalband multispectrale teledetectie voor vegetatiemonitoring vanuit een onbemand luchtvoertuig. IEEE Trans. Geosci. Afstandsbediening 47 (3), 722–738.
Bouzembrak, Y., Klüche, M., Gavai, A., Marvin, HJP, 2019. Internet of Things in voedselveiligheid: literatuuroverzicht en een bibliometrische analyse. Trends Voedselwetenschap. technologie. 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 de landbouw: ontwerpen van een grootschalige pilot voor heel Europa. IEEE Comm. Mag. 55 (9), 26-33.
Buters, TM, Belton, D., Cross, AT, 2019. Multi-sensor UAV-tracking van individuele zaailingen en zaailinggemeenschappen tot op de millimeter nauwkeurig. Drones 3 (4), 81.
https://doi.org/10.3390/drones3040081.
Candiago, S., Remondino, F., De Giglio, M., Dubbini, M., Gattelli, M., 2015. Evaluatie van multispectrale beelden en vegetatie-indexen voor precisielandbouwtoepassingen op basis van UAV-beelden. Teledetectie 7 (4), 4026-4047. https://doi.org/10.3390/rs70404026.
Cao, Y., Li, GL, Luo, YK, Pan, Q., Zhang, SY, 2020. Monitoring van suikerbietengroei-indicatoren met behulp van wide-dynamic-range vegetatie-index (WDRVI) afgeleid van UAV
multispectrale beelden. Berekenen. Elektron. agrarisch. 171, 105331 https://doi.org/10.1016/j.compag.2020.105331.
Casillas, J., Acedo, F., 2007. Evolutie van de intellectuele structuur van familiebedrijfsliteratuur: een bibliometrische studie van FBR. Familiebedrijf Rev. 20 (2), 141-162.
Cen, H., Wan, L., Zhu, J., Li, Y., Li, X., Zhu, Y., Weng, H., Wu, W., Yin, W., Xu, C., Bao, Y., Feng, L., Shou, J., He, Y., 2019. Dynamische monitoring van biomassa van rijst onder
verschillende stikstofbehandelingen met behulp van een lichtgewicht UAV met dual image-frame snapshot-camera's. Plantmethoden 15 (1), 32. https://doi.org/10.1186/s13007-019-
0418-8.
Chamuah, A., Singh, R., 2019. Duurzaamheid in de Indiase landbouw veiligstellen door middel van civiele UAV: een verantwoord innovatieperspectief. SN-app. Wetenschap. 2 (1), 106. https://
doi.org/10.1007/s42452-019-1901-6.
Chamuah, A., Singh, R., 2022. Verantwoordelijk bestuur van innovaties voor civiele onbemande luchtvaartuigen (UAV) voor Indiase oogstverzekeringstoepassingen. J. Verantwoordelijke
technologie. 9, 100025 https://doi.org/10.1016/j.jrt.2022.100025.
Chen, A., Orlov-Levin, V., Meron, M., 2019. Toepassing van luchtfoto's met zichtbaar kanaal met hoge resolutie van het bladerdak van gewassen op nauwkeurig irrigatiebeheer. agrarisch. Water
Beheer. 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. Lichtgewicht UAV met on-board fotogrammetrie en GPS-positionering met één frequentie voor metrologische toepassingen. ISPRS J. Photogramm. Afstandsbedieningssensor 127, 115–126. https://doi.org/10.1016/j.isprsjprs.2016.12.007.
Dawaliby, S., Aberkane, A., Bradai, A., 2020. Blockchain-gebaseerd IoT-platform voor autonoom beheer van drone-operaties. In: Handelingen van de 2e ACM
MobiCom-workshop over drone-ondersteunde draadloze communicatie voor 5G en meer, pp. 31-36. https://doi.org/10.1145/3414045.3415939.
Day, RA, Gastel, B., 1998. Hoe een wetenschappelijk artikel te schrijven en te publiceren. Cambridge University Press. de Castro, AI, Pena, ˜ JM, Torres-Sanchez, ´ J., Jim´enez-Brenes, FM, ValenciaGredilla, F., Recasens, J., Lopez-Granados, ´ F., 2020. Cynodon-dactylon-infestatie in kaart brengen bedek gewassen met een automatische beslisboom-OBIA-procedure en UAV-beelden voor nauwkeurige wijnbouw. Remote Sensing 12 (1), 56. https://doi.org/10.3390/rs12010056.
de Castro, AI, Torres-S´ anchez, J., Pena, ˜ JM, Jim´enez-Brenes, FM, Csillik, O., Lopez-´Granados, F., 2018. Een automatisch willekeurig bos-OBIA-algoritme voor vroege onkruidkartering tussen en binnen gewasrijen met behulp van UAV-beelden. Teledetectie 10 (2). https://doi.org/10.3390/rs10020285.
Demir, N., Sonmez, ¨ NK, Akar, T., Ünal, S., 2018. Geautomatiseerde meting van planthoogte van tarwegenotypen met behulp van een DSM afgeleid van UAV-beelden. Procedure 2 (7), 350. https://doi.org/10.3390/ecrs-2-05163.
Deng, J., Zhong, Z., Huang, H., Lan, Y., Han, Y., Zhang, Y., 2020. Lichtgewicht semantisch segmentatienetwerk voor realtime onkruidkartering met behulp van onbemande luchtvaartuigen. toepassing Wetenschap. 10 (20), 7132. https://doi.org/10.3390/app10207132.
Deng, L., Mao, Z., Li, X., Hu, Z., Duan, F., Yan, Y., 2018. UAV-gebaseerde multispectrale teledetectie voor precisielandbouw: een vergelijking tussen verschillende camera's. ISPRS J. Photogramm. Afstandsbedieningssensor 146, 124–136.
Diaz-Gonzalez, FA, Vuelvas, J., Correa, CA, Vallejo, VE, Patino, D., 2022. Machine learning en teledetectietechnieken toegepast om bodemindicatoren te schatten - beoordeling. Ecol. Ind. 135, 108517 https://doi.org/10.1016/j.ecolind.2021.108517.
Díaz-Varela, RA, De la Rosa, R., Leon, ´ L., Zarco-Tejada, PJ, 2015. Hoge resolutie UAV-beelden in de lucht om de kroonparameters van olijfbomen te beoordelen met behulp van 3D-foto
reconstructie: toepassing in veredelingsproeven. Teledetectie 7 (4), 4213–4232. https://doi.org/10.3390/rs70404213.
Dixit, A., Jakhar, SK, 2021. Luchthavencapaciteitsbeheer: een overzicht en bibliometrische analyse. J. Luchttransp. Beheer. 91, 102010.
Dong, T., Shang, J., Liu, J., Qian, B., Jing, Q., Ma, B., Huffman, T., Geng, X., Zeug, A., Shi, Y., Canisius, F., Jiao, X., Kovacs, JM, Walters, D., Kabel, J., Wilson, J., 2019.
RapidEye-beelden gebruiken om variabiliteit binnen het veld van gewasgroei en opbrengst te identificeren in Ontario, Canada. Precisie landbouw. 20 (6), 1231-1250. https://doi.org/10.1007/
s11119-019-09646-w.
Dutta, PK, Mitra, S., 2021. Toepassing van landbouwdrones en iot om de voedselvoorzieningsketen te begrijpen tijdens post COVID-19. In: Choudhury, A., Biswas, A., Prateek, M.,
Chakrabarti, A. (Eds.), Landbouwinformatica: automatisering met behulp van het internet der dingen en machinaal leren. Wiley, blz. 67-87. van Eck, N., Waltman, L., 2009. Software-enquête: VOSviewer, een computerprogramma voor bibliometrische mapping. Scientometrie 84 (2), 523-538. https://doi.org/10.1007/s11192-009-0146-3.
Elijah, O., Rahman, TA, Orikumhi, I., Leow, CY, Hindia, MN, 2018. Een overzicht van Internet of Things (IoT) en data-analyse in de landbouw: voordelen en uitdagingen.
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. Validatie van agronomische UAV en veld
metingen voor tomatenrassen. Berekenen. Elektron. agrarisch. 158, 278-283. https://doi.org/10.1016/j.compag.2019.02.011.
Espinoza, CZ, Khot, LR, Sankaran, S., Jacoby, PW, 2017. Hoge resolutie multispectrale en thermische teledetectie-gebaseerde waterstressbeoordeling in
ondergrondse geïrrigeerde wijnstokken. Teledetectie 9 (9), 961. https://doi.org/10.3390/rs9090961.
Ewing, J., Oommen, T., Jayakumar, P., Alger, R., 2020. Gebruik maken van hyperspectrale teledetectie voor bodemgradatie. Teledetectie 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. Multischaalevaluatie van op drones gebaseerde multispectrale oppervlaktereflectie en vegetatie-indexen in operationele omstandigheden. Teledetectie 12 (3), 514.
Feng, X., Yan, F., Liu, X., 2019. Studie van draadloze communicatietechnologieën op Internet of Things voor precisielandbouw. Draadloze pers. gemeenschappelijk. 108 (3),
1785-1802.
Ferreira, MP, Pinto, CF, Serra, FR, 2014. De transactiekostentheorie in internationaal bedrijfsonderzoek: een bibliometrische studie over drie decennia. Scientometrics 98 (3), 1899-1922. https://doi.org/10.1007/s11192-013-1172-8.
Fisher, P., Abuzar, M., Rab, M., Best, F., Chandra, S., 2009. Vooruitgang in precisielandbouw in het zuidoosten van Australië. I. een regressiemethodologie om te simuleren
ruimtelijke variatie in graanopbrengsten met behulp van historische paddockopbrengsten van boeren en genormaliseerde verschilvegetatie-index. Gewas Weiland Sci. 60 (9), 844-858.
Floreano, D., Wood, RJ, 2015. Wetenschap, technologie en de toekomst van kleine autonome drones. Natuur 521 (7553), 460-466. https://doi.org/10.1038/nature14542.
Friha, O., Ferrag, MA, Shu, L., Maglaras, LA, Wang, X., 2021. Internet of things voor de toekomst van slimme landbouw: een uitgebreid overzicht van opkomende technologieën. 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. Segmentatie van vijgenplanten van luchtfoto's met behulp van een diep convolutief encoder-decodernetwerk. Teledetectie 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. UAV's dagen uit om waterstress te beoordelen voor
duurzame landbouw. agrarisch. Water Beheer. 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. Warmtebeeldvorming in de fabriek
niveau om de gewaswaterstatus in amandelbomen (cv. Guara) te beoordelen onder irrigatiestrategieën met een tekort. agrarisch. Water Beheer. 208, 176-186. https://doi.org/10.1016/j.
agwat.2018.06.002.
Garzonio, R., Di Mauro, B., Colombo, R., Cogliati, S., 2017. Oppervlaktereflectie en door de zon geïnduceerde fluorescentiespectroscopiemetingen met behulp van een kleine hyperspectrale UAS. Teledetectie 9 (5), 472. https://doi.org/10.3390/rs9050472. Gaˇsparovi´c, M., Zrinjski, M., Barkovi´c, Đ., Radoˇcaj, D., 2020. Een automatische methode voor
onkruidkartering in havervelden op basis van UAV-beelden. Berekenen. Elektron. agrarisch.
Gebbers, R., Adamchuk, VI, 2010. Precisielandbouw en voedselzekerheid. Wetenschap 327 (5967), 828-831. https://doi.org/10.1126/science.1183899.
Geipel, J., Link, J., Claupein, W., 2014. Gecombineerde spectrale en ruimtelijke modellering van maïsopbrengst op basis van luchtfoto's en gewasoppervlakmodellen verkregen met een onbemand vliegtuigsysteem. Teledetectie 6 (11), 10335–10355. https://doi.org/10.3390/rs61110335.
Geng, D., Feng, Y., Zhu, Q., 2020. Duurzaam ontwerp voor gebruikers: een literatuuronderzoek en bibliometrische analyse. omgeving. Wetenschap. Vervuiling. Onderzoek 27 (24), 29824-29836. https://doi. org/10.1007/s11356-020-09283-1.
Gevaert, CM, Suomalainen, J., Tang, J., Kooistra, L., 2015. Genereren van spectrale-temporele responsoppervlakken door multispectrale satelliet en hyperspectrale te combineren
UAV-beelden voor toepassingen in de precisielandbouw. IEEE J. Sel. Bovenkant. toepassing Aarde Obs. Afstandsbedieningssensor 8 (6), 3140-3146. ttps://doi.org/10.1109/JSTARS.2015.2406339.
Gill, SS, Chana, I., Buyya, R., 2017. Op IoT gebaseerde landbouw als cloud en big dataservice: het begin van digitaal India. J.Org. en Eindgebruiker Computing. (JOEUC) 29 (4),
1-23.
Gmür, M., 2006. Co-citatie-analyse en de zoektocht naar onzichtbare colleges: een methodologische evaluatie. Scientometrie 57 (1), 27-57. https://doi.org/10.1023/
een: 1023619503005.
Gnadinger, ¨ F., Schmidhalter, U., 2017. Digitale tellingen van maïsplanten door onbemande luchtvaartuigen (UAV's). Teledetectie 9 (6). Https://doi.org/10.3390/rs9060544.
Gokto ¨ ǧan, AH, Sukkarieh, S., Bryson, M., Randle, J., Lupton, T., Hung, C., 2010. Een onbemand luchtvoertuig met roterende vleugels voor het bewaken van waterplanten en
beheer. J. Intel. Robotsysteem: Theor. toepassing 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. Beoordeling van de nauwkeurigheid van mozaïeken van onbemande luchtvaartuigen (UAV) voor precisielandbouw in tarwe. precies. agrarisch. 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. Veldfenotypering van waterstress op boomschaal door UAV-gevoelige beelden : nieuwe inzichten voor
thermische acquisitie en kalibratie. precies. agrarisch. 17 (6), 786-800. https://doi.org/10.1007/s11119-016-9449-6.
Gonzalez-Dugo, V., Zarco-Tejada, PJ, Fereres, E., 2014. Toepasbaarheid en beperkingen van het gebruik van de waterstressindex van gewassen als een indicator van watertekorten in citrusboomgaarden. agrarisch. Voor. Meteorol. 198-199, 94-104. https://doi.org/10.1016/j. agrformet.2014.08.003.
Gonzalez-Dugo, V., Zarco-Tejada, P., Nicolas, ´ E., Nortes, PA, Alarcon, ´ JJ, Intrigliolo, DS, Fereres, E., 2013. UAV-warmtebeelden met hoge resolutie gebruiken om
de variabiliteit in de watertoestand van vijf fruitboomsoorten binnen een commerciële boomgaard beoordelen. precies. agrarisch. 14 (6), 660-678. https://doi.org/10.1007/s11119-013-9322-9.
Goyal, K., Kumar, S., 2021. Financiële geletterdheid: een systematische review en bibliometrische analyse. Int. J. Consumentenstudies 45 (1), 80-105. https://doi.org/10.1111/
ijcs.12605.
Grenzdorffer, ¨ GJ, Engel, A., Teichert, B., 2008. Het fotogrammetrische potentieel van goedkope uavs in bosbouw en landbouw. Internationale archieven van fotogrammetrie, teledetectie en ruimtelijke informatiewetenschappen - ISPRS-archieven 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. Beoordelen van de correlatie van hoge resolutie
NDVI met bemestingsniveau en opbrengst van rijst- en tarwegewassen met kleine UAV's. Teledetectie 11 (2), 112.
Gundolf, K., Filser, M., 2013. Managementonderzoek en religie: een citatieanalyse. J. Bus. Ethiek 112 (1), 177-185.
Guo, Q., Zhu, Y., Tang, Y., Hou, C., He, Y., Zhuang, J., Zheng, Y., Luo, S., 2020. CFD-simulatie en experimentele verificatie van de ruimtelijke en temporele verdelingen van
de neerwaartse luchtstroom van een quad-rotor landbouw UAV in hover. Berekenen. Elektron. agrarisch. 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. , Polen, J., 2016.
Toepassing van onbemande antennesystemen voor high-throughput fenotypering van grote tarwekweekkwekerijen. Plantmethoden 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. Spectrale beeldvorming van UAV's onder verschillende lichtomstandigheden . In GG Bill R. (red.), International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences—ISPRS Archives (Vol. 40, Issue 1W2, pp. 189-194). Internationale Vereniging voor Fotogrammetrie en Remote Sensing. https://www.scopus.com/inward/record.uri?eid=2-s2.0-848875632.
Hamylton, SM, Morris, RH, Carvalho, RC, Roder, N., Barlow, P., Mills, K., Wang, L. Evaluatietechnieken voor het in kaart brengen van eilandvegetatie vanuit onbemande lucht
voertuig (UAV) afbeeldingen: Pixelclassificatie, visuele interpretatie en machine learning-benaderingen. Int. J. Appl. Aarde Obs. Geoinfo. 89, 102085 https://doi.org/
10.1016/j.jag.2020.102085.
Haque, A., Islam, N., Samrat, NH, Dey, S., Ray, B., 2021. Slimme landbouw door verantwoord leiderschap in Bangladesh: mogelijkheden, kansen en meer.
Duurzaamheid 13 (8), 4511.
Hardin, PJ, Hardin, TJ, 2010. Kleinschalige op afstand bestuurde voertuigen voor milieuonderzoek. Aardrijkskundekompas 4 (9), 1297-1311. ttps://doi.org/10.1111/j.1749-
8198.2010.00381.x.
Hardin, PJ, Jensen, RR, 2011. Kleinschalige onbemande luchtvaartuigen in externe teledetectie: uitdagingen en kansen. GISci. Afstandsbedieningssensor 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: technologieën en toepassingen, (1st ed. 2021-editie). springer.
Herwitz, SR, Johnson, LF, Dunagan, SE, Higgins, RG, Sullivan, DV, Zheng, J., Lobitz, BM, Leung, JG, Gallmeyer, BA, Aoyagi, M., Slye, RE, Messing, JA, 2004.
Beeldvorming vanuit een onbemand luchtvaartuig: landbouwtoezicht en beslissingsondersteuning. Berekenen. Elektron. agrarisch. 44 (1), 49-61. https://doi.org/10.1016/j.
compag.2004.02.006.
Holman, FH, Riche, AB, Michalski, A., Castle, M., Wooster, MJ, Hawkesford, MJ, Fenotypering van veldfenotypering van tarweplanthoogte en groeisnelheid in veldplotproeven met behulp van op UAV gebaseerde teledetectie. Teledetectie 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. Verwerking en beoordeling van spectrometrische, stereoscopische beelden verzameld met behulp van een lichtgewicht UAV-spectrale camera voor precisielandbouw. Teledetectie 5 (10), 5006-5039. https://doi.org/10.3390/rs5105006.
Hossein Motlagh, N., Taleb, T., Arouk, O., 2016. Onbemande luchtvaartuigen op lage hoogte op basis van internet of things-diensten: uitgebreid onderzoek en toekomstperspectieven. 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. Gecombineerde optic-flow en stereo-gebaseerde navigatie van stedelijke canyons voor een UAV. In: 2005 IEEE/RSJ
Internationale conferentie over intelligente robots en systemen, pp. 3309-3316. https://doi.org/10.1109/IROS.2005.1544998.
Hsu, T.-C., Yang, H., Chung, Y.-C., Hsu, C.-H., 2020. Een creatief IoT-landbouwplatform voor cloud fog computing. Aanhouden. Berekenen. Inf. Syst. 28, 100285.
Huang, H., Deng, J., Lan, Y., Yang, A., Deng, X., Zhang, L., Gonzalez-Andujar, JL, 2018. Een volledig convolutioneel netwerk voor het in kaart brengen van onkruid van onbemande luchtvaartuigen ( UAV) beelden. PLoS ONE 13 (4), e0196302.
Huang, H., Lan, Y., Yang, A., Zhang, Y., Wen, S., Deng, J., 2020. Diep leren versus objectgebaseerde beeldanalyse (OBIA) bij het in kaart brengen van onkruid van UAV-beelden. Int. J.
Afstandsbediening 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., Hij, Y., Guo, Q., Luo, S., 2021. Diepe kleurkalibratie voor UAV-beelden in gewasmonitoring
gebruik van semantische stijloverdracht met lokale naar wereldwijde aandacht. Int. J. Appl. Aarde Obs. Geoinf. 104, 102590 https://doi.org/10.1016/j.jag.2021.102590.
Huang, YB, Thomson, SJ, Hoffmann, WC, Lan, YB, Fritz, BK, 2013. Ontwikkeling en vooruitzicht van onbemande luchtvaartuigtechnologieën voor landbouwproductie
beheer. Int. J. Agric. 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. Ontwikkeling van een sproeisysteem voor een onbemand hoogwerkerplatform. toepassing Ing. agrarisch. 25 (6), 803-809.
Hunt Jr., ER, Dean Hively, W., Fujikawa, SJ, Linden, DS, Daughtry, CST, McCarty, GW, 2010. Verwerving van NIR-groen-blauwe digitale foto's van
onbemande vliegtuigen voor gewasmonitoring. Teledetectie 2 (1), 290–305. https://doi. org/10.3390/rs2010290. Inoue, Y., 2020. Op satellieten en drones gebaseerde teledetectie van gewassen en bodems voor slimme landbouw - een overzicht. Bodem Wetenschap. Plant Nutr. 66 (6), 798-810. https://doi.org/10.1080/00380768.2020.1738899.
Islam, N., Rashid, MM, Pasandideh, F., Ray, B., Moore, S., Kadel, R., 2021. Een overzicht van toepassingen en communicatietechnologieën voor Internet of Things (IoT) en
Op Unmanned Aerial Vehicle (UAV) gebaseerde duurzame slimme landbouw. Duurzaamheid 13 (4), 1821. https://doi.org/10.3390/su13041821.
Jaud, M., Passot, S., Le Bivic, R., Delacourt, C., Grandjean, P., Le Dantec, N., 2016. Beoordeling van de nauwkeurigheid van digitale oppervlaktemodellen met hoge resolutie, berekend door
PhotoScan® en MicMac® in suboptimale meetomstandigheden. Remote Sensing 8 (6), https://doi.org/10.3390/rs8060465.
Jim´enez-Brenes, FM, Lopez-Granados, ´ F., Castro, AI, Torres-S´ anchez, J., Serrano, N., Pena, ˜ JM, 2017. Kwantificering van de snoeieffecten op de olijfboomarchitectuur en jaarlijks luifelgroei met behulp van UAV-gebaseerde 3D-modellering. Plantmethoden 13 (1). https://doi.org/10.1186/s13007-017-0205-3.
Jin, X., Liu, S., Baret, F., Hemerl´e, M., Comar, A., 2017. Schattingen van de plantdichtheid van tarwegewassen bij opkomst uit UAV-beelden op zeer lage hoogte. afstandsbediening
omgeving. 198, 105–114. https://doi.org/10.1016/j.rse.2017.06.007.
Jinbo, C., Xiangliang, C., Han-Chi, F., Lam, A., 2019. Monitoringsysteem voor landbouwproducten ondersteund door cloud computing. Clustercomputer. 22 (4), 8929-8938.
Ju, C., & zoon, HI 2018a. Prestatie-evaluatie van meerdere UAV-systemen voor teledetectie in de landbouw. Proceedings of the Workshop on Robotic Vision and Action in Agriculture op de IEEE International Conference on Robotics and Automation (ICRA), Brisbane, Australië, 21-26.
Ju, C., zoon, HI, 2018b. Meerdere UAV-systemen voor landbouwtoepassingen: controle, implementatie en evaluatie. Elektronica 7 (9), 162. https://doi.org/10.3390/
elektronica7090162.
Jung, J., Maeda, M., Chang, A., Bhandari, M., Ashapure, A., Landivar-Bowles, J., 2021. Het potentieel van teledetectie en kunstmatige intelligentie als hulpmiddelen om de
veerkracht van landbouwproductiesystemen. Curr. Opin. Biotechnologie. 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. Een verbeterde techniek voor het verkennen van gewassen, waarbij door onbemande luchtvaartuigen geassisteerde multispectrale beeldvorming van gewassen wordt geïntegreerd in conventionele verkenningspraktijken voor gummy-stamziekte in watermeloen. Plant Dis. 103 (7), 1642-1650.
Kapoor, KK, Tamilmani, K., Rana, NP, Patil, P., Dwivedi, YK, Nerur, S., 2018. Vooruitgang in onderzoek naar sociale media: verleden, heden en toekomst. Informeer. Syst. Voorkant. 20
(3), 531-558.
Kerkech, M., Hafiane, A., Canals, R., 2020. VddNet: detectienetwerk voor wijnstokken op basis van multispectrale afbeeldingen en dieptekaart. Remote Sensing 12 (20), 3305. https://doi. org/10.3390/rs12203305.
Khaliq, A., Comba, L., Biglia, A., Ricauda Aimonino, D., Chiaberge, M., Gay, P., 2019. Vergelijking van satelliet- en UAV-gebaseerde multispectrale beelden voor wijngaard
beoordeling van de variabiliteit. Teledetectie 11 (4). https://doi.org/10.3390/rs11040436.
Khan, PW, Byun, Y.-C., Park, N., 2020. IoT-blockchain maakte een geoptimaliseerd herkomstsysteem mogelijk voor de voedingsindustrie 4.0 met behulp van geavanceerde deep learning. Sensoren 20 (10), 2990.
Khan, RU, Khan, K., Albattah, W., Qamar, AM, Ullah, F., 2021. Op afbeeldingen gebaseerde detectie van plantenziekten: van klassieke machine learning tot deep learning. Draadloos gemeenschappelijk. Mobiele computer. 2021, 1-13.
Khan, S., Tufail, M., Khan, MT, Khan, ZA, Iqbal, J., Alam, M., Le, KNQ, 2021. Een nieuw semi-gesuperviseerd raamwerk voor UAV-gebaseerde classificatie van gewassen / onkruid. PLoS ONE 16 (5), e0251008.
Khanal, S., Fulton, J., Shearer, S., 2017. Een overzicht van huidige en potentiële toepassingen van thermische teledetectie in precisielandbouw. Berekenen. Elektron.
agrarisch. 139, 22-32. https://doi.org/10.1016/j.compag.2017.05.001.
Khanna, A., Kaur, S., 2019. Evolutie van Internet of Things (IoT) en de aanzienlijke impact ervan op het gebied van precisielandbouw. Berekenen. Elektron. agrarisch. 157, 218-231.
Kim, W., Khan, GF, Wood, J., Mahmood, MT, 2016. Medewerkersbetrokkenheid voor duurzame organisaties: trefwoordanalyse met behulp van sociale netwerkanalyse en burst
detectie benadering. Duurzaamheid 8 (7), 631.
Kirsch, M., Lorenz, S., Zimmermann, R., Tusa, L., Mockel, ¨ R., Hodl, ¨ P., Booysen, R., Khodadadzadeh, M., Gloaguen, R., 2018. Integratie van terrestrische en drone-gedragen
hyperspectrale en fotogrammetrische detectiemethoden voor het in kaart brengen van exploratie en monitoring van mijnbouw. Teledetectie 10 (9), 1366. https://doi.org/10.3390/
rs10091366.
Kitano, BT, Mendes, CCT, Geus, AR, Oliveira, HC, Souza, JR, 2019. Tellen van maïsplanten met behulp van deep learning en UAV-beelden. IEEE Geosci. Afstandsbediening Lett. 1–5 https://doi.org/10.1109/LGRS.2019.2930549.
Koh, JCO, Spangenberg, G., Kant, S., 2021. Geautomatiseerde machine learning voor high-throughput beeldgebaseerde fenotypering van planten. Teledetectie 13 (5), 858. https://
doi.org/10.3390/rs13050858.
Kovalev, IV, Voroshilova, AA, 2020. Moderne technologische trends in de ontwikkeling van het ecosysteem van vracht-UAV's. J. Fys. Conf. ser. 1515 (5), 052068 https://doi. org/10.1088/1742-6596/1515/5/052068.
Krul, S., Pantos, C., Frangulea, M., Valente, J., 2021. Visual SLAM voor binnenvee en landbouw met behulp van een kleine drone met een monoculaire camera: een haalbaarheidsstudie.
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. Onderzoek naar drones voor landbouwautomatisering van planten tot
oogst. In: INES 2018 - IEEE 22e internationale conferentie over intelligente engineeringsystemen, pp. 000353-358. https://doi.org/10.1109/INES.2018.8523943.
Lagkas, T., Argyriou, V., Bibi, S., Sarigiannidis, P., 2018. UAV IoT-raamwerkvisies en -uitdagingen: naar het beschermen van drones als "dingen". Sensoren 18 (11), 4015. https://doi.org/10.3390/s18114015.
Laliberte, AS, Rango, A., 2011. Beeldverwerkings- en classificatieprocedures voor analyse van sub-decimeterbeelden die zijn verkregen met een onbemand vliegtuig boven droge
uitlopers. GISci. Afstandsbedieningssensor 48 (1), 4–23. https://doi.org/10.2747/1548-1603.48.1.4.
Laliberte, AS, Rango, A., Herrick, JE, 2007. Onbemande luchtvaartuigen voor het in kaart brengen en monitoren van rangeland: een vergelijking van twee systemen. ASPRS jaarlijkse conferentie Proceedings.
Lam, OHY, Dogotari, M., Prüm, M., Vithlani, HN, Roers, C., Melville, B., Zimmer, F., Becker, R., 2021. Een open source workflow voor het in kaart brengen van onkruid in inheems grasland
gebruik van onbemand luchtvaartuig: Rumex obtusifolius gebruiken als een case study. EUR. J.Remote Sens. 54 (sup1), 71-88. https://doi.org/10.1080/22797254.2020.1793687.
Lambert, DM, Lowenberg-DeBoer, J., Griffin, TW, Peone, J., Payne, T., Daberkow, SG, 2004. Adoptie, winstgevendheid en beter gebruik maken van gegevens over precisielandbouw.
Werkdocument. Purdue universiteit. https://doi.org/10.22004/ag.econ.28615.
Lelong, CCD, Burger, P., Jubelin, G., Roux, B., Labb'e, S., Baret, F., 2008. Beoordeling van beelden van onbemande luchtvaartuigen voor kwantitatieve monitoring van tarweoogst in kleine percelen. Sensoren 8 (5), 3557–3585. https://doi.org/10.3390/s8053557.
Li, C., Niu, B., 2020. Ontwerp van slimme landbouw op basis van big data en internet der dingen. Int. J. Verdeel. Sens. Netw. 16 (5) ttps://doi.org/10.1177/1550147720917065.
Li, W., Niu, Z., Chen, H., Li, D., Wu, M., Zhao, W., 2016. Schatting op afstand van de hoogte van het bladerdak en de bovengrondse biomassa van maïs met behulp van stereobeelden met hoge resolutie van een goedkoop onbemand luchtvaartuigsysteem. Ecol. Ind. 67, 637-648. https://doi.org/10.1016/j.ecolind.2016.03.036.
Liakos, KG, Busato, P., Moshou, D., Pearson, S., Bochtis, D., 2018. Machine learning in de landbouw: een overzicht. Sensoren 18 (8), 2674.
Liebisch, F., Kirchgessner, N., Schneider, D., Walter, A., Hund, A., 2015. Fenotypering op afstand van maïskenmerken met een mobiele multisensorbenadering. Plantmethoden 11 (1), 9. https://doi.org/10.1186/s13007-015-0048-8.
Lin, Z., Guo, W., 2020. Sorghum-pluimdetectie en -telling met behulp van onbemande luchtsysteembeelden en diepgaand leren. Voorkant. Plant Sci. 11.
Liu, S., Guo, L., Webb, H., Ya, X., Chang, X., 2019. Internet of Things-monitoringsysteem van moderne eco-landbouw op basis van cloud computing. IEEE Access 7, 37050-37058.
Lopez-Granados, ´ F., 2011. Onkruiddetectie voor locatiespecifiek onkruidbeheer: mapping en realtime benaderingen. onkruid res. 51 (1), 1-11. https://doi.org/10.1111/j.1365-3180.2010.00829.x.
Lopez-Granados, ´ F., Torres-Sanchez, ´ J., De Castro, A.-I., Serrano-P´erez, A., MesasCarrascosa, F.-J., Pena, ˜ J.-M. , 2016. Objectgebaseerde vroege monitoring van een grasonkruid in een grasgewas met behulp van UAV-beelden met hoge resolutie. Agro. Aanhouden. ontwikkelaar 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. Onkruidkartering in het vroege seizoen in zonnebloem met behulp van UAV-technologie: variabiliteit van herbicidebehandelingskaarten tegen onkruiddrempels. precies. agrarisch. 17 (2), 183-199.
Lucieer, A., Malenovský, Z., Veness, T., Wallace, L., 2014. HyperUAS - beeldvormingsspectroscopie van een onbemand vliegtuigsysteem met meerdere rotoren. J. Veld 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. Terrestrische laserscanning van landbouwgewassen. in JJ
Chen J. Maas H–G. (Ed.), International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences-ISPRS Archives (Vol. 37, pp. 563-566).
Internationale Vereniging voor Fotogrammetrie en Remote Sensing. https://www.scopus.com/inward/record.uri?eid=2-s2.0-84919356328&partnerID=40&md5=574
b802131a99d16318ce619a01ca1bf.
Ma, L., Li, M., Ma, X., Cheng, L., Du, P., Liu, Y., 2017. Een overzicht van gesuperviseerde objectgebaseerde classificatie van landbedekkingsbeelden. ISPRS J. Photogramm. Afstandsbedieningssensor 130,
277-293. https://doi.org/10.1016/j.isprsjprs.2017.06.001.
Maes, WH, Steppe, K., 2019. Perspectieven voor teledetectie met onbemande luchtvaartuigen in precisielandbouw. Trends Plant Sci. 24 (2), 152-164. https://doi.org/10.1016/j.tplants.2018.11.007.
Maimaitiyiming, M., Ghulam, A., Sidike, P., Hartling, S., Maimaitiyiming, M., Peterson, K., Shavers, E., Fishman, J., Peterson, J., Kadam, S., Burken, J., Fritschi, F., 2017.
Onbemande luchtsysteem (UAS)-gebaseerde fenotypering van soja met behulp van multi-sensor datafusie en extreme leermachine. ISPRS J. Photogramm. Afstandsbedieningssensor 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.
Gewasmonitoring met behulp van satelliet/UAV-gegevensfusie en machine learning. Teledetectie 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., Maltees, A., Frances, F., Caylor, K., Kohv, M., Perks, M., Ruiz-P´erez, G., Su, Z., Vico, G., Toth , B., 2018. Over het gebruik van onbemande antennesystemen voor:
milieu Controle. Teledetectie 10 (4), 641.
Marinko, RA, 1998. Citaten naar tijdschriften voor vrouwenstudies in proefschriften, 1989 en The Serials Librarian 35 (1-2), 29-44. https://doi.org/10.1300/J123v35n01_
03.
Masroor, R., Naeem, M., Ejaz, W., 2021. Resourcebeheer in UAV-ondersteunde draadloze netwerken: een optimalisatieperspectief. Ad Hoc Netw. 121, 102596 https://doi.org/10.1016/j.adhoc.2021.102596.
Matese, A., Di Gennaro, SF, 2018. Praktische toepassingen van een multisensor UAV-platform op basis van multispectrale, thermische en RGB-afbeeldingen met hoge resolutie in precisie
wijnbouw. Landbouw 8 (7), 116. https://doi.org/10.3390/agriculture8070116.
Matese, A., Di Gennaro, SF, 2021. Voorbij de traditionele NDVI-index als een sleutelfactor om het gebruik van UAV in precisie-wijnbouw te mainstreamen. Wetenschap. Rep. 11 (1), 2721. https://doi.org/10.1038/s41598-021-81652-3.
Matese, A., Toscano, P., Di Gennaro, SF, Genesio, L., Vaccari, FP, Primicerio, J., Belli, C., Zaldei, A., Bianconi, R., Gioli, B., 2015 Onderlinge vergelijking van UAV, vliegtuigen
en satelliet remote sensing platforms voor precisie wijnbouw. Teledetectie 7 (3), 2971–2990. https://doi.org/10.3390/rs70302971.
Mazzia, V., Comba, L., Khaliq, A., Chiaberge, M., Gay, P., 2020. Op UAV en machine learning gebaseerde verfijning van een satellietgestuurde vegetatie-index voor precisie
landbouw. Sensoren 20 (9), 2530. https://doi.org/10.3390/s20092530.
McCain, KW, 1990. Auteurs in de intellectuele ruimte in kaart brengen: een technisch overzicht. J. Ben. Soc. Informatie. Wetenschap. 41 (6), 433-443.
Meinen, BU, Robinson, DT, 2021. Modellering van landbouwerosie: evaluatie van USLE- en WEPP-erosieschattingen op veldschaal met behulp van UAV-tijdreeksgegevens. omgeving. Modell. Software 137, 104962. https://doi.org/10.1016/j.envsoft.2021.104962.
Melville, B., Lucieer, A., Aryal, J., 2019. Classificatie van inheemse graslandgemeenschappen in het laagland met behulp van hyperspectrale Unmanned Aircraft System (UAS)-beelden in de
Tasmaanse binnenlanden. Drones 3 (1), 5.
Messina, G., Modica, G., 2020. Toepassingen van UAV-warmtebeelden in precisielandbouw: state-of-the-art en toekomstig onderzoeksvooruitzichten. Remote Sensing 12 (9), https://doi.org/10.3390/rs12091491.
Mishra, D., Luo, Z., Jiang, S., Papadopoulos, T., Dubey, R., 2017. Een bibliografische studie over big data: concepten, trends en uitdagingen. Bedrijfsprocesbeheer. J.23 (3),
555-573.
Mochida, K., Saisho, D., Hirayama, T., 2015. Gewasverbetering met behulp van levenscyclusdatasets verkregen onder veldomstandigheden. Voorkant. Plant Sci. 6 https://doi.org/10.3389/
fpls.2015.00740.
Mogili, UM.R., Deepak, BBVL, 2018. Review over de toepassing van drone-systemen in precisielandbouw. Procedia-computer. Wetenschap. 133, 502-509.
Moharana, S., Dutta, S., 2016. Ruimtelijke variabiliteit van het chlorofyl- en stikstofgehalte van rijst uit hyperspectrale beelden. ISPRS J. Photogramm. Afstandsbedieningssensor 122, 17–29.
Muangprathub, J., Boonnam, N., Kajornkasirat, S., Lekbangpong, N., Wanichsombat, A.,
Nillaor, P., 2019. Gegevensanalyse van IoT en landbouw voor slimme boerderijen. Berekenen. Elektron. agrarisch. 156, 467-474.
Nansen, C., Elliott, N., 2016. Teledetectie en reflectieprofilering in entomologie. Ann. Rev. Entomol. 61 (1), 139-158. https://doi.org/10.1146/annurev-ento010715-023834.
Navia, J., Mondragon, I., Patino, D., Colorado, J., 2016. Multispectrale kartering in de landbouw: terreinmozaïek met behulp van een autonome quadcopter-UAV. Int. Conf.
Onbemande vliegtuigen Syst. (ICUAS) 2016, 1351-1358. https://doi.org/10.1109/ ICUAS.2016.7502606.
Nayyar, A., Nguyen, B.-L., Nguyen, NG, 2020. Het internet van drone-dingen (Iodt): toekomstvisie van slimme drones. Adv. Intel. Syst. Berekenen. 1045, 563-580. https://doi.org/10.1007/978-981-15-0029-9_45.
Nebiker, S., Annen, A., Scherrer, M., Oesch, D., 2008. Een lichtgewicht multispectrale sensor voor micro-UAV - mogelijkheden voor remote sensing vanuit de lucht met een zeer hoge resolutie. Int. Boog. Fotogram. Remote Sens. Spat. Inf. Sci 37 (B1), 1193-1200.
Negash, L., Kim, H.-Y., Choi, H.-L., 2019. Opkomende UAV-toepassingen in de landbouw. In: 2019 7e internationale conferentie over robotintelligentietechnologie en
Toepassingen (RiTA), blz. 254-257. https://doi.org/10.1109/RITAPP.2019.8932853.
Nerur, SP, Rasheed, AA, Natarajan, V., 2008. De intellectuele structuur van het strategisch managementveld: een co-citatieanalyse van een auteur. strategie. Beheer. J.29 (3),
319-336.
Neupane, K., Baysal-Gurel, F., 2021. Automatische identificatie en monitoring van plantenziekten met behulp van onbemande luchtvaartuigen: een overzicht. Teledetectie 13 (19), 3841. https://doi.org/10.3390/rs13193841.
Nex, F., Remondino, F., 2014. UAV voor 3D-kaarttoepassingen: een overzicht. toepassing Geomatica 6 (1), 1-15. https://doi.org/10.1007/s12518-013-0120-x.
Niu, H., Hollenbeck, D., Zhao, T., Wang, D., Chen, Y., 2020. Schatting van de verdamping met kleine UAV's in precisielandbouw. Sensoren 20 (22), 6427. https://
doi.org/10.3390/s20226427.
Osareh, F., 1996. Bibliometrie, citatie-analyse en co-citatie-analyse. Een literatuuroverzicht 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, sensoren en gegevensverwerking in agroforestry: een terugblik op praktische toepassingen. Int. J. Remote Sens. 38 (8–10), 2349–2391. https://doi.org/10.1080/01431161.2017.1297548.
Panday, VS, Pratihast, AK, Aryal, J., Kayastha, RB, 2020. Een overzicht van op drones gebaseerde data-oplossingen voor graangewassen. Drones 4 (3), 1-29. https://doi.org/10.3390/
drones4030041.
Parsaeian, M., Shahabi, M., Hassanpour, H., 2020. Schatting van het olie- en eiwitgehalte van sesamzaad met behulp van beeldverwerking en een kunstmatig neuraal netwerk. J. Ben. Olie
Chemici Soc. 97 (7), 691–702.
Pena, ˜ JM, Torres-S'anchez, J., de Castro, AI, Kelly, M., Lopez-Granados, ´ F., Suarez, O., Onkruidkartering in maïsvelden in het vroege seizoen met behulp van objectgebaseerde analyse van
onbemande luchtvaartuigen (UAV) Afbeeldingen. 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. Een semi-gesuperviseerd systeem voor het in kaart brengen van onkruid in zonnebloemgewassen met behulp van onbemande luchtvaartuigen en een methode voor het detecteren van gewasrijen. toepassing Zachte computer. J.37, 533-544. https://doi.org/10.1016/j.asoc.2015.08.027.
Pincheira, M., Vecchio, M., Giaffreda, R., Kanhere, SS, 2021. Kosteneffectieve IoT-apparaten als betrouwbare gegevensbronnen voor een op blockchain gebaseerd waterbeheersysteem in precisielandbouw. Berekenen. Elektron. agrarisch. 180, 105889.
Popescu, D., Stoican, F., Stamatescu, G., Ichim, L., Dragana, C., 2020. Geavanceerd UAV-WSN-systeem voor intelligente monitoring in precisielandbouw. Sensoren 20 (3), https://doi.org/10.3390/s20030817.
Pournader, M., Shi, Y., Seuring, S., Koh, SL, 2020. Blockchain-toepassingen in toeleveringsketens, transport en logistiek: een systematische review van de literatuur. Int. J. Prod. Onderzoek 58 (7), 2063-2081.
Primicerio, J., Di Gennaro, SF, Fiorillo, E., Genesio, L., Lugato, E., Matese, A., Vaccari, FP, 2012. Een flexibel onbemand luchtvaartuig voor precisielandbouw.
precies. agrarisch. 13 (4), 517-523. https://doi.org/10.1007/s11119-012-9257-6.
Pritchard, A., 1969. Statistische bibliografie of bibliometrie. J. Document. 25 (4), 348-349.
Pudelko, R., Stuczynski, T., Borzecka-Walker, M., 2012. De geschiktheid van een onbemand luchtvaartuig (UAV) voor de evaluatie van proefvelden en gewassen. Landbouw 99 (4), 431-436.
Puri, V., Nayyar, A., Raja, L., 2017. Landbouwdrones: een moderne doorbraak in precisielandbouw. J. Statis. Beheer. Syst. 20 (4), 507-518.
Radoglou-Grammatikis, P., Sarigiannidis, P., Lagkas, T., Moscholios, I., 2020. Een compilatie van UAV-toepassingen voor precisielandbouw. Berekenen. Netw. 172,
107148 https://doi.org/10.1016/j.comnet.2020.107148.
Ramesh, KV, Rakesh, V., Prakasa Rao, EVS, 2020. Toepassing van big data-analyse en kunstmatige intelligentie in agronomisch onderzoek. Indiaan J. Agron. 65 (4), 383-395.
Raparelli, E., Bajocco, S., 2019. Een bibliometrische analyse van het gebruik van onbemande luchtvaartuigen in land- en bosbouwstudies. Int. J. Afstandsbedieningssensor 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.
Mogelijke toepassingen van kleine onbemande vliegtuigsystemen (UAS) in onkruidonderzoek. onkruid res. 53 (4), 242–248.
Rasmussen, J., Ntakos, G., Nielsen, J., Svensgaard, J., Poulsen, RN, Christensen, S., Zijn vegetatie-indexen afgeleid van camera's van consumentenkwaliteit gemonteerd op
UAV's voldoende betrouwbaar voor het beoordelen van proefpercelen? EUR. J. Agron. 74, 75-92. https://doi.org/10.1016/j.eja.2015.11.026.
Rejeb, A., Rejeb, K., Abdollahi, A., Zailani, S., Iranmanesh, M., Ghobakhloo, M., 2022. Digitalisering in voedselvoorzieningsketens: een bibliometrisch overzicht en de belangrijkste route
analyse. Duurzaamheid 14 (1), 83. https://doi.org/10.3390/su14010083.
Rejeb, A., Rejeb, K., Simske, SJ, Treiblmaier, H., 2021a. Drones voor supply chain management en logistiek: een evaluatie- en onderzoeksagenda. Int. J. Logistiek. Onderzoek toepassing
1-24. https://doi.org/10.1080/13675567.2021.1981273.
Rejeb, A., Rejeb, K., Simske, S., Treiblmaier, H., 2021b. Blockchain-technologieën in logistiek en supply chain management: een bibliometrisch overzicht. Logistiek 5 (4), 72.
https://doi.org/10.3390/logistics5040072.
Rejeb, A., Rejeb, K., Simske, S., Treiblmaier, H., 2021c. Humanitaire drones: een evaluatie- en onderzoeksagenda. Internet of Things 16, 100434. https://doi.org/10.1016/j.
iot.2021.100434.
Rejeb, A., Treiblmaier, H., Rejeb, K., Zailani, S., 2021d. Blockchain-onderzoek in de gezondheidszorg: een bibliometrisch overzicht en actuele onderzoekstrends. J. van Data, Inf. en
Beheer. 3 (2), 109-124.
Rejeb, A., Simske, S., Rejeb, K., Treiblmaier, H., Zailani, S., 2020. Internet of Things-onderzoek in supply chain management en logistiek: een bibliometrische analyse. internet
van Dingen 12, 100318.
ReportLinker, 2021. Wereldwijde markt voor landbouwdrones bereikt $ 15.2 miljard per jaarGlobeNewswire News Room. https://www.globenewswire.com/news-release/2021/08/10/2277986/0/en/Global-Agriculture-Drones-Market-to-Reach-US-15-2-Billion-by-the- Jaar-2027.html.
Ribeiro-Gomes, K., Hernandez-L ´ opez, ´ D., Ortega, JF, Ballesteros, R., Poblete, T., Moreno, MA, 2017. Kalibratie van ongekoelde thermische camera en optimalisatie van de
fotogrammetrieproces voor UAV-toepassingen in de landbouw. Sensoren (Zwitserland) 17 (10). https://doi.org/10.3390/s17102173.
Rivera, MA, Pizam, A., 2015. Vooruitgang in gastvrijheidsonderzoek: "Van Rodney Dangerfield tot Aretha Franklin". Int. J. Tijdgenoot. Ziekenhuis. Beheer. 27 (3),
362–378. https://doi.org/10.1108/IJCHM-03-2014-0146.
Roldan, ´ JJ, Joossen, G., Sanz, D., Del Cerro, J., Barrientos, A., 2015. Mini-UAV-gebaseerd sensorisch systeem voor het meten van omgevingsvariabelen in kassen. Sensoren 15 (2), 3334–3350. https://doi.org/10.3390/s150203334.
Rozenberg, G., Kent, R., Blank, L., 2021. UAV van consumentenkwaliteit gebruikt voor het detecteren en analyseren van ruimtelijke verspreidingspatronen van onkruid in het late seizoen in commerciële uienvelden. precies. agrarisch. 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. Onbemand door een luchtvoertuig (UAV) bediend spectraal camerasysteem voor bos- en landbouwtoepassingen. Doorgaan. SPIE – Int. Soc. opt. Ing. 8174 https://doi.org/10.1117/12.897585.
Sah, B., Gupta, R., Bani-Hani, D., 2021. Analyse van belemmeringen voor het implementeren van drone-logistiek. Int. J. Logistiek. Onderzoek toepassing 24 (6), 531-550. https://doi.org/10.1080/
13675567.2020.1782862.
Saha, AK, Saha, J., Ray, R., Sircar, S., Dutta, S., Chattopadhyay, SP, & Saha, HN, IOT-gebaseerde drone voor verbetering van de gewaskwaliteit op landbouwgebied. in SH
N. Chakrabarti S. (Ed.), 2018 IEEE 8e jaarlijkse computer- en communicatieworkshop en conferentie, CCWC 2018 (Vols. 2018-januari, pp. 612-615). Instituut
van Electrical and Electronics Engineers Inc. doi: 10.1109/CCWC.2018.8301662.
Sai Vineeth, KV, Vara Prasad, YR, Dubey, SR, Venkataraman, H., 2019. LEDCOM: een nieuwe en efficiënte LED-gebaseerde communicatie voor precisielandbouw. IEEE Conf. Informatie. gemeenschappelijk. technologie. 2019, 1-5. https://doi.org/10.1109/CICT48419.2019.9066177.
Salamí, E., Barrado, C., Pastor, E., 2014. UAV-vluchtexperimenten toegepast op teledetectie van begroeide gebieden. Teledetectie 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.
Luchtbeeldsystemen op lage hoogte met hoge resolutie voor fenotypering van rij- en veldgewassen: een overzicht. EUR. J. Agron. 70, 112-123. https://doi.org/10.1016/j.
eja.2015.07.004.
Santesteban, LG, Di Gennaro, SF, Herrero-Langreo, A., Miranda, C., Royo, JB, Matese, A., 2017. Hoge resolutie UAV-gebaseerde thermische beeldvorming om de
momentane en seizoensgebonden variabiliteit van de waterstatus van planten binnen een wijngaard. agrarisch. Water Beheer. 183, 49-59. https://doi.org/10.1016/j.agwat.2016.08.026.
Sarli, CC, Dubinsky, EK, Holmes, KL, 2010. Voorbij citatieanalyse: een model voor de beoordeling van onderzoeksimpact. J. Med. Bibliotheek Assoc. : JMLA 98 (1), 17-23. https://doi.org/10.3163/1536-5050.98.1.008.
Schaepman, ME, Ustin, SL, Plaza, AJ, Painter, TH, Verrelst, J., Liang, S., 2009. Beeldvormingsspectroscopie met betrekking tot aardsysteemwetenschap - een beoordeling. Remote Sens. omgeving. 113, S123-S137.
Schirrmann, M., Giebel, A., Gleiniger, F., Pflanz, M., Lentschke, J., Dammer, K.-H., 2016. Monitoring van agronomische parameters van wintertarwegewassen met goedkope UAV
beeldspraak. Teledetectie 8 (9). https://doi.org/10.3390/rs8090706.
Schmale III, DG, Dingus, BR, Reinholtz, C., 2008. Ontwikkeling en toepassing van een autonoom onbemand luchtvaartuig voor nauwkeurige aerobiologische bemonstering hierboven
agrarische velden. J. Veld Rob. 25 (3), 133-147. https://doi.org/10.1002/rob.20232.
Shadrin, D., Menshchikov, A., Somov, A., Bornemann, G., Hauslage, J., Fedorov, M.,
Precisielandbouw mogelijk maken via embedded sensing met kunstmatige intelligentie. IEEE Trans. Instrument. meten. 69 (7), 4103-4113.
Shakhatreh, H., Sawalmeh, AH, Al-Fuqaha, A., Dou, Z., Almaita, E., Khalil, I.,
Othman, NS, Khreishah, A., Guizani, M., 2019. Unmanned Aerial Vehicles (UAV's): een onderzoek naar civiele toepassingen en belangrijke onderzoeksuitdagingen. IEEE-toegang 7,
48572-48634. https://doi.org/10.1109/ACCESS.2019.2909530.
Shakoor, N., Northrup, D., Murray, S., Mockler, TC, 2019. Big data-gedreven landbouw: big data-analyse in plantenveredeling, genomica en het gebruik van teledetectie
technologieën om de productiviteit van gewassen te verbeteren. Plantenfenomeen J. 2 (1), 1-8.
Sharma, BK, Chandra, G., Mishra, VP, 2019. Vergelijkende analyse en implicatie van UAV en AI in forensisch onderzoek. In: Proceedings – 2019 Amity International
Conferentie over kunstmatige intelligentie. https://doi.org/10.1109/AICAI.2019.8701407.
Sharma, R., Shishodia, A., Gunasekaran, A., Min, H., Munim, ZH, 2022. De rol van kunstmatige intelligentie in supply chain management: het territorium in kaart brengen. Int. J.
Prod. Onderzoek 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. Onbemande luchtvaartuigen voor fenotypering met hoge doorvoer en agronomisch onderzoek. PLoS ONE
11 (7), e0159781.
Shuai, G., Martinez-Feria, RA, Zhang, J., Li, S., Price, R., Basso, B., 2019. Het vastleggen van heterogeniteit van maïsopstanden in opbrengststabiliteitszones met behulp van onbemande antenne
Voertuigen (UAV). Sensoren 19 (20), 4446. https://doi.org/10.3390/s19204446.
Small, H., 1973. Co-citatie in de wetenschappelijke literatuur: een nieuwe maatstaf voor de relatie tussen twee documenten. J. Ben. Soc. Informatie. Wetenschap. 24 (4), 265-269.
Small, H., Rorvig, ME, Lunin, LF, 1999. Wetenschap visualiseren door citatiemapping. J. Ben. Soc. Informatie. Wetenschap. 50 (9), 799-813.
Soares, VHA, Ponti, MA, Gonçalves, RA, Campello, RJGB, 2021. Veetelling in het wild met geolokaliseerde luchtfoto's in grote weilandgebieden. Berekenen. Elektron. agrarisch. 189, 106354 https://doi.org/10.1016/j.compag.2021.106354.
Srivastava, K., Pandey, PC, Sharma, JK, 2020. Een benadering voor route-optimalisatie in toepassingen van precisielandbouw met behulp van UAV's. Drones 4 (3), 58. https://doi.org/10.3390/drones4030058.
Stafford, JV, 2000. Implementatie van precisielandbouw in de 21e eeuw. J. Agric. Ing. Onderzoek 76 (3), 267-275.
Su, J., Coombes, M., Liu, C., Guo, L., Chen, W.-H., 2018. Beoordeling van de droogte van tarwe door teledetectiebeelden met onbemand luchtvaartuig. In 2018 37e Chinese Controleconferentie (CCC).
Su, J., Liu, C., Coombes, M., Hu, X., Wang, C., Xu, X., Li, Q., Guo, L., Chen, W.-H., 2018. Monitoring van tarwegele roest door te leren van multispectrale UAV-luchtbeelden.
Berekenen. Elektron. agrarisch. 155, 157-166. https://doi.org/10.1016/j. compag.2018.10.017.
Su, Y., Wang, X., 2021. Innovatie van agrarisch economisch management tijdens het bouwen van slimme landbouw door big data. Duurzame computer. Inf. Syst. 31, 100579 https://doi.org/10.1016/j.suscom.2021.100579.
Sullivan, DG, Fulton, JP, Shaw, JN, Bland, GL, 2007. Evaluatie van de gevoeligheid van een onbemand thermisch infrarood antennesysteem om waterstress in een katoenen luifel te detecteren. Trans. ASABE 50 (6), 1955-1962.
Sumesh, KC, Ninsawat, S., Som-ard, J., 2021. Integratie van op RGB gebaseerde vegetatie-index, gewasoppervlakmodel en objectgebaseerde beeldanalysebenadering voor schatting van suikerrietopbrengst met behulp van onbemande luchtvaartuigen. Berekenen. Elektron. agrarisch. 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. Een lichtgewicht hyperspectraal kaartsysteem voor
onbemande luchtvaartuigen - de eerste resultaten. In: 2013 5e workshop over hyperspectrale beeld- en signaalverwerking: evolutie in teledetectie (WHISPERS), pp. 1–4. https://doi.org/10.1109/WHISPERS.2013.8080721.
Suomalainen, J., Anders, N., Iqbal, S., Roerink, G., Franke, J., Wenting, P., Hünniger, D., Bartholomeus, H., Becker, R., Kooistra, L., 2014. Een lichtgewicht hyperspectraal
kaartsysteem en fotogrammetrische verwerkingsketen voor onbemande luchtvaartuigen. Teledetectie 6 (11), 11013–11030. https://doi.org/10.3390/
rs61111013.
Syeda, IH, Alam, MM, Illahi, U., Su'ud, MM, 2021. Geavanceerde controlestrategieën met behulp van beeldverwerking, UAV en AI in de landbouw: een overzicht. Wereld J. Eng. 18 (4),
579–589. https://doi.org/10.1108/WJE-09-2020-0459.
Tahai, A., Rigsby, JT, 1998. Informatieverwerking met behulp van citaten om de invloed van tijdschriften in de boekhouding te onderzoeken. Inf. Proces. Beheren. 34 (2-3), 341-359.
Tang, Y., Dananjayan, S., Hou, C., Guo, Q., Luo, S., He, Y., 2021. Een onderzoek naar het 5G-netwerk en de impact ervan op de landbouw: uitdagingen en kansen. Berekenen.
Elektron. agrarisch. 180, 105895 https://doi.org/10.1016/j.compag.2020.105895.
Tantalaki, N., Souravlas, S., Roumeliotis, M., 2019. Datagestuurde besluitvorming in precisielandbouw: de opkomst van big data in landbouwsystemen. J. Agric. Informatie over eten.
20 (4), 344-380.
Tao, H., Feng, H., Xu, L., Miao, M., Yang, G., Yang, X., Fan, L., 2020. Schatting van de opbrengst en planthoogte van wintertarwe met behulp van UAV- gebaseerde hyperspectrale beelden.
Sensoren 20 (4), 1231.
Techy, L., Schmale III, DG, Woolsey, CA, 2010. Gecoördineerde aerobiologische bemonstering van een plantpathogeen in de lagere atmosfeer met behulp van twee autonome onbemande luchtvaartuigen. J. Veld 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. Detectie en classificatie van sojabonenplagen met behulp van deep learning
met UAV-beelden. Berekenen. Elektron. agrarisch. 179, 105836.
Thamm, H.-P., Menz, G., Becker, M., Kuria, DN, Misana, S., Kohn, D., 2013. Het gebruik van Ua's voor het beoordelen van landbouwsystemen in een moerasland in Tanzania in de— En WetSeason voor duurzame landbouw en het verstrekken van grondwaarheid voor Terra-Sar X-gegevens. In: ISPRS – Internationale archieven van de fotogrammetrie, teledetectie en ruimtelijke informatiewetenschappen, pp. 401-406. https://doi.org/10.5194/isprsarchivesXL-1-W2-401-2013.
Thelwall, M., 2008. Bibliometrie naar webometrie. J. Info. Wetenschap. 34 (4), 605-621.
Torres-Sanchez, ´ J., Lopez-Granados, ´ F., Pena, ˜ JM, 2015. Een automatische objectgebaseerde methode voor optimale drempelwaarde in UAV-beelden: toepassing voor vegetatiedetectie in kruidachtige gewassen. Berekenen. Elektron. agrarisch. 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 3D-monitoring van agrarische boomplantages met Technologie voor onbemande luchtvaartuigen (UAV). PLoS ONE 10 (6), e0130479.
Torres-Sanchez, ´ J., Pena, ˜ JM, de Castro, AI, Lopez-Granados, ´ F., 2014. Multitemporele kartering van de vegetatiefractie in tarwevelden in het vroege seizoen met behulp van beelden van UAV. Berekenen. Elektron. agrarisch. 103, 104-113. https://doi.org/10.1016/j. compag.2014.02.009.
Tsouros, DC, Bibi, S., Sarigiannidis, PG, 2019. Een overzicht van UAV-gebaseerde toepassingen voor precisielandbouw. Informatie (Zwitserland) 10 (11). https://doi.org/10.3390/info10110349.
Tu, Y.-H., Phinn, S., Johansen, K., Robson, A., Wu, D., 2020. Optimalisatie van de planning van dronevluchten voor het meten van de boomstructuur in de tuinbouw. ISPRS J. Photogramm.
Afstandsbedieningssensor 160, 83–96. https://doi.org/10.1016/j.isprsjprs.2019.12.006
Tzounis, A., Katsoulas, N., Bartzanas, T., Kittas, C., 2017. Internet of Things in de landbouw, recente ontwikkelingen en toekomstige uitdagingen. Biosysteem. Ing. 164, 31-48.
https://doi.org/10.1016/j.biosystemseng.2017.09.007.
Uddin, A., Singh, VK, Pinto, D., Olmos, I., 2015. Scientometrische kartering van computerwetenschappelijk onderzoek in Mexico. Scientometrics 105 (1), 97-114.
UN., 2019. Vooruitzichten voor de wereldbevolking 2019. https://population.un.org/wpp/ (Betreden op 15/04/2022).
Uto, K., Seki, H., Saito, G., Kosugi, Y., 2013. Karakterisering van rijstvelden door een UAV-gemonteerd miniatuur hyperspectraal sensorsysteem. IEEE J. Sel. Bovenkant. toepassing Aarde Obs.
Afstandsbedieningssensor 6 (2), 851–860. https://doi.org/10.1109/JSTARS.2013.2250921. van der Merwe, D., Burchfield, DR, Witt, TD, Prijs, KP, Sharda, A., 2020. Drones in
landbouw. Adv. Agro. 162, 1-30.
Velusamy, P., Rajendran, S., Mahendran, RK, Naseer, S., Shafiq, M., Choi, J.-G., 2022.
Unmanned Aerial Vehicles (UAV) in precisielandbouw: toepassingen en uitdagingen. Energieën 15 (1), 217. https://doi.org/10.3390/en15010217.
Ventura, D., Bonifazi, A., Gravina, MF, Belluscio, A., Ardizzone, G., 2018. In kaart brengen en classificeren van ecologisch gevoelige mariene habitats met behulp van onbemande luchtfoto's
Voertuigbeelden (UAV) en objectgebaseerde beeldanalyse (OBIA). Teledetectie 10 (9), 1331. https://doi.org/10.3390/rs10091331.
Verger, A., Vigneau, N., Ch´eron, C., Gilliot, J.-M., Comar, A., Baret, F., 2014. Groene gebiedsindex van een onbemand luchtsysteem boven tarwe- en koolzaadgewassen . Remote Sens. omgeving. 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. Het inzetten van vier optische UAV-gebaseerde sensoren boven grasland: uitdagingen en
beperkingen. Biogeowetenschappen 12 (1), 163-175. https://doi.org/10.5194/bg-12-163-2015.
Vuran, MC, Salam, A., Wong, R., Irmak, S., 2018. Internet van ondergrondse dingen in precisielandbouw: aspecten van architectuur en technologie. Ad Hoc Netw. 81,
160–173. https://doi.org/10.1016/j.adhoc.2018.07.017.
Wamba, SF, Queiroz, MM, 2021. Verantwoorde kunstmatige intelligentie als geheim ingrediënt voor digitale gezondheid: bibliometrische analyse, inzichten en onderzoeksrichtingen.
Informatie. Syst. Voorkant. 1-16.
Wang, L., Zhang, G., Wang, Z., Liu, J., Shang, J., Liang, L., 2019. Bibliometrische analyse van onderzoekstrends op het gebied van teledetectie bij het monitoren van gewasgroei: een casestudy in China. Teledetectie 11 (7). https://doi.org/10.3390/rs11070809.
White, HD, Griffith, BC, 1981. Cocitatie van de auteur: een literatuurmaatstaf van intellectuele structuur. J. Ben. Soc. Informatie. Wetenschap. 32 (3), 163–171.
Xiang, H., Tian, L., 2011. Ontwikkeling van een goedkoop agrarisch teledetectiesysteem op basis van een autonoom onbemand luchtvaartuig (UAV). Biosysteem. Ing. 108 (2), 174-190. https://doi.org/10.1016/j.biosystemseng.2010.11.010.
Xie, C., Yang, C., 2020. Een overzicht van fenotyperingskenmerken met hoge doorvoer van planten met behulp van op UAV gebaseerde sensoren. Berekenen. Elektron. agrarisch. 178, 105731 https://doi.org/10.1016/j.
compag.2020.105731.
Yao, H., Qin, R., Chen, X., 2019. Onbemand luchtvaartuig voor teledetectietoepassingen - een recensie. Teledetectie 11 (12). https://doi.org/10.3390/
rs11121443.
Yeom, S., 2021. Bewegende mensen volgen en verwijderen van valse sporen met infrarood thermische beeldvorming door een multirotor. Drones 5 (3), 65. https://doi.org/10.3390/drones5030065.
Yue, J., Feng, H., Jin, X., Yuan, H., Li, Z., Zhou, C., Yang, G., Tian, Q., 2018. Een vergelijking van de schatting van gewasparameters met behulp van afbeeldingen vanaf UAV-gemonteerd
snapshot hyperspectrale sensor en high-definition digitale camera. Teledetectie 10 (7), 1138. https://doi.org/10.3390/rs10071138.
Yue, J., Yang, G., Li, C., Li, Z., Wang, Y., Feng, H., Xu, B., 2017. Schatting van de bovengrondse biomassa van wintertarwe met behulp van onbemande luchtvaartuigen- gebaseerde momentopname
hyperspectrale sensor en verbeterde modellen voor gewashoogte. Teledetectie 9 (7). https://doi.org/10.3390/rs9070708.
Zahawi, RA, Dandois, JP, Holl, KD, Nadwodny, D., Reid, JL, Ellis, EC, 2015. Gebruik van lichtgewicht onbemande luchtvaartuigen om het herstel van tropische bossen te monitoren. Biol.
behouden. 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.
Smart farming IoT-platform op basis van edge- en cloudcomputing. Biosysteem. Ing. 177,
4-17.
Zarco-Tejada, PJ, Diaz-Varela, R., Angileri, V., Loudjani, P., 2014. Kwantificering van de boomhoogte met behulp van beelden met een zeer hoge resolutie verkregen van een onbemande antenne
voertuig (UAV) en automatische 3D-fotoreconstructiemethoden. EUR. J. Agron. 55, 89-99. https://doi.org/10.1016/j.eja.2014.01.004.
Zhang, C., Craine, WA, McGee, RJ, Vandemark, GJ, Davis, JB, Brown, J., Hulbert, SH, Sankaran, S., 2020. Op afbeeldingen gebaseerde fenotypering van bloeiintensiteit in gewassen in het koude seizoen. Sensoren 20 (5), 1450. https://doi.org/10.3390/s20051450.
Zhang, C., Kovacs, JM, 2012. De toepassing van kleine onbemande luchtsystemen voor precisielandbouw: een overzicht. precies. agrarisch. 13 (6), 693-712. https://doi.org/
10.1007/s11119-012-9274-5.
Zhang, L., Zhang, H., Niu, Y., Han, W., 2019. In kaart brengen van waterstress bij maïs op basis van UAV multispectrale teledetectie. Teledetectie 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. Een op deep learning gebaseerde benadering voor geautomatiseerde gele roest
ziektedetectie van hyperspectrale UAV-beelden met hoge resolutie. Teledetectie 11 (13), 1554.
Zhao, X., Zhang, J., Huang, Y., Tian, Y., Yuan, L., 2022. Detectie en discriminatie van ziekte en insectenstress van theeplanten met behulp van hyperspectrale beeldvorming in combinatie met wavelet-analyse. Berekenen. Elektron. agrarisch. 193, 106717 https://doi.org/10.1016/j. compag.2022.106717.
Zheng, A., Wang, M., Li, C., Tang, J., Luo, B., 2022. Entropie-geleide vijandige domeinaanpassing voor semantische segmentatie van luchtfoto's. IEEE Trans. G
Zheng, H., Cheng, T., Yao, X., Deng, X., Tian, Y., Cao, W., Zhu, Y., 2016. Detectie van rijstfenologie door middel van tijdreeksanalyse van spectrale op de grond indexgegevens. Veldgewassen Res. 198, 131-139. https://doi.org/10.1016/j.fcr.2016.08.027.
Zheng, J., Yang, W., 2018. Ontwerp van een lekzaaisysteem voor precisielandbouw op basis van draadloze sensoren. Int. J. Online Eng. 14 (05), 184.
Zhou, L., Gu, X., Cheng, S., Yang, G., Shu, M., Sun, Q., 2020. Analyse van planthoogteveranderingen van vastzittende maïs met behulp van UAV-LiDAR-gegevens. Landbouw 10 (5), 146. https://
doi.org/10.3390/agriculture10050146.
Zhou, S., Chai, X., Yang, Z., Wang, H., Yang, C., Sun, T., 2021. Maize-IAS: een maïsbeeldanalysesoftware die deep learning gebruikt voor plantfenotypering met hoge doorvoer . Plantmethoden 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. Voorspelling van graanopbrengst in rijst met behulp van multitemporele vegetatie
indices van op UAV gebaseerde multispectrale en digitale beelden. ISPRS J. Photogramm. Afstandsbedieningssensor 130, 246–255. https://doi.org/10.1016/j.isprsjprs.2017.05.003.
Zhou, Y., Xie, Y., Shao, L., 2016. Simulatie van de kerntechnologie van een kasmonitoringsysteem op basis van een draadloos sensornetwerk. Int. J. Online Eng. 12 (05),
43.
Zhou, Z., Majeed, Y., Diverres Naranjo, G., Gambacorta, EMT, 2021. Beoordeling van waterstress bij gewassen met infrarood warmtebeelden in precisielandbouw: een overzicht
en toekomstperspectieven voor deep learning-toepassingen. Berekenen. Elektron. agrarisch. 182, 106019 https://doi.org/10.1016/j.compag.2021.106019.