Աբդերահման Ռեջեբ a , Ալիռեզա Աբդոլլահի b , Քարիմ Ռեջեբ c , Հորստ Թրեյբլմայեր d,
- a Կառավարման և իրավունքի բաժին, Տնտեսագիտության ֆակուլտետ, Հռոմի Համալսարան Tor Vergata, Via Columbia, 2, Rome 00133, Italy
- b Խարազմի համալսարանի կառավարման ֆակուլտետի բիզնեսի կառավարման բաժին, 1599964511 Թեհրան, Իրան
- c Բիզերտեի գիտությունների ֆակուլտետ, Կարթագենի համալսարան, Զարզունա, 7021 Բիզերտե, Թունիս
- d Միջազգային կառավարման դպրոց, Modul University Vienna, Am Kahlenberg 1, 1190 Վիեննա, Ավստրիա
ՀՈԴՎԱԾ ՏԵՂԵԿՈՒԹՅՈՒՆՆԵՐ | Աբստրակտ |
Keywords: Drones UAV Precշգրիտ գյուղատնտեսություն Ինտերնետ բաների Մատենագիտություն | Անօդաչու թռչող սարքերը, որոնք նաև կոչվում են անօդաչու թռչող սարքեր (ԱԹՍ), վերջին տասնամյակների ընթացքում ուշագրավ զարգացման ականատես են եղել: Գյուղատնտեսության ոլորտում նրանք փոխել են գյուղատնտեսական պրակտիկան՝ առաջարկելով ֆերմերներին ծախսերի զգալի խնայողություններ՝ ավելացնելով. գործառնական արդյունավետություն և ավելի լավ շահութաբերություն: Անցած տասնամյակների ընթացքում գյուղատնտեսական դրոնների թեման եղել է գրավեց ուշագրավ ակադեմիական ուշադրություն: Ուստի մենք իրականացնում ենք համապարփակ ակնարկ՝ հիմնված մատենագիտության վրա ամփոփել և կառուցվածքավորել առկա ակադեմիական գրականությունը և բացահայտել հետազոտական ընթացիկ միտումներն ու թեժ կետերը: Մենք կիրառել մատենաչափական տեխնիկա և վերլուծել գյուղատնտեսական դրոնների շուրջ գրականությունը՝ ամփոփելու և գնահատել նախորդ հետազոտությունները. Մեր վերլուծությունը ցույց է տալիս, որ հեռահար զոնդավորումը, ճշգրիտ գյուղատնտեսությունը, խորը ուսուցումը, մեքենայական ուսուցումը և իրերի ինտերնետը կարևոր թեմաներ են՝ կապված գյուղատնտեսական դրոնների հետ: Համատեղ մեջբերումը վերլուծությունը գրականության մեջ բացահայտում է հետազոտական վեց լայն կլաստերներ: Այս ուսումնասիրությունը գյուղատնտեսության մեջ անօդաչու թռչող սարքերի հետազոտություններն ամփոփելու և ապագա հետազոտական ուղղություններ առաջարկելու առաջին փորձերից է։ |
ներածություն
Գյուղատնտեսությունը ներկայացնում է աշխարհի հիմնական սննդի աղբյուրը (Friha et al., 2021), և այն բախվել է լուրջ մարտահրավերների՝ պայմանավորված
սննդամթերքի պահանջարկի, սննդամթերքի անվտանգության և անվտանգության մտահոգությունների աճ, ինչպես նաև շրջակա միջավայրի պահպանության, ջրի պահպանման և պահպանման կոչեր.
կայունություն (Inoue, 2020): Կանխատեսվում է, որ այս զարգացումը կշարունակվի, քանի որ մինչև 9.7 թվականը աշխարհի բնակչությունը կհասնի 2050 միլիարդի:
(2019): Քանի որ գյուղատնտեսությունը ջրի սպառման ամենաակնառու օրինակն է աշխարհում, ակնկալվում է, որ սննդի և ջրի պահանջարկը
սպառումը տեսանելի ապագայում կտրուկ կաճի։ Ավելին, պարարտանյութերի և թունաքիմիկատների սպառման աճը
գյուղատնտեսական գործունեության ակտիվացման հետ մեկտեղ կարող են հանգեցնել ապագա բնապահպանական մարտահրավերների: Նմանապես, վարելահողերը սահմանափակ են, և
Աշխարհում ֆերմերների թիվը նվազում է. Այս մարտահրավերները ընդգծում են նորարարական և կայուն գյուղատնտեսական լուծումների անհրաժեշտությունը (Elijah
et al., 2018; Friha et al., 2021; Ինուե, 2020; Ցունիս և այլք, 2017):
Նոր տեխնոլոգիաների ներդրումը ճանաչվել է որպես այս մարտահրավերներին դիմակայելու խոստումնալից լուծում: Խելացի գյուղատնտեսություն (Brewster et al.,
2017 թ. Tang et al., 2021) և ճշգրիտ գյուղատնտեսությունը (Feng et al., 2019; Khanna & Kaur, 2019) առաջացել են նման բանավեճերի արդյունքում: Այն
առաջինը ընդհանուր հասկացություն է տեղեկատվական հաղորդակցության տեխնոլոգիաների (ՏՀՏ) և գյուղատնտեսական գործունեության մեջ այլ առաջադեմ նորարարությունների ընդունման համար՝ արդյունավետությունն ու արդյունավետությունը բարձրացնելու համար (Haque et al., 2021): Վերջինս կենտրոնանում է տեղանքի հատուկ կառավարման վրա, որի դեպքում հողը բաժանվում է
միատարր մասեր, և յուրաքանչյուր մաս ստանում է գյուղատնտեսական ներդրման ճշգրիտ քանակությունը մշակաբույսերի բերքի օպտիմալացման համար նոր տեխնոլոգիաների միջոցով (Feng et al., 2019; Khanna & Kaur, 2019): Նշանավոր տեխնոլոգիաները, որոնք գրավել են գիտնականների ուշադրությունն այս ոլորտում, ներառում են անլար սենսորային ցանցերը (WSN) (J. Zheng & Yang, 2018; Y. Zhou et al., 2016), Իրերի ինտերնետը (IoT) (Gill et al., 2017; He et al., 2021; Liu et al., 2019),
արհեստական ինտելեկտի (AI) տեխնիկան, ներառյալ մեքենայական ուսուցումը և խորը ուսուցումը (Liakos et al., 2018; Parsaeian et al., 2020; Shadrin et al.,
2019), հաշվողական տեխնոլոգիաներ (Hsu et al., 2020; Jinbo et al., 2019; Zamora-Izquierdo et al., 2019), մեծ տվյալներ (Gill et al., 2017; Tantalaki
et al., 2019) և blockchain (PW Khan et al., 2020; Pincheira et al., 2021):
Ի լրումն վերը նշված տեխնոլոգիաների, հեռահար զոնդավորումը համարվել է կատարելագործման մեծ ներուժ ունեցող տեխնոլոգիական գործիք.
խելացի և ճշգրիտ գյուղատնտեսություն: Արբանյակները, մարդու անձնակազմով ինքնաթիռները և անօդաչու թռչող սարքերը հեռակառավարման հանրաճանաչ տեխնոլոգիաներ են (Tsouros et al., 2019):
Անօդաչու թռչող սարքերը, որոնք հայտնի են որպես անօդաչու թռչող սարքեր (ԱԹՍ), անօդաչու թռչող սարքեր (ԱԹՍ) և հեռահար օդաչուներ,
մեծ նշանակություն ունեն, քանի որ դրանք ունեն բազմաթիվ առավելություններ՝ համեմատած հեռակառավարման այլ տեխնոլոգիաների հետ: Օրինակ, անօդաչու սարքերը կարող են առաքել
բարձրորակ և բարձր լուծաչափով պատկերներ ամպամած օրերին (Manfreda et al., 2018): Բացի այդ, դրանց հասանելիությունը և փոխանցման արագությունը այլ են
օգուտներ (Radoglou-Grammatikis et al., 2020): Ինքնաթիռների հետ համեմատած՝ անօդաչու սարքերը շատ ծախսարդյունավետ են և հեշտ են տեղադրվում և պահպանվում (Tsouros et al., 2019): Չնայած ի սկզբանե հիմնականում օգտագործվել են ռազմական նպատակներով, անօդաչու սարքերը կարող են օգտվել բազմաթիվ քաղաքացիական ծրագրերից, օրինակ՝ մատակարարման շղթայի կառավարման մեջ (A. Rejeb, Rejeb, et al., 2021a), մարդասիրական նպատակներով (A. Rejeb, Rejeb, et al., 2021c), խելացի գյուղատնտեսություն, գեոդեզիա և քարտեզագրում, մշակութային ժառանգության փաստաթղթեր, աղետների կառավարում և անտառների և վայրի բնության պահպանում (Panday, Pratihast, et al., 2020): Գյուղատնտեսության մեջ կան անօդաչու թռչող սարքերի կիրառման բազմաթիվ ոլորտներ, քանի որ դրանք կարող են ինտեգրվել նոր տեխնոլոգիաների, հաշվողական հնարավորությունների և ներքին սենսորների հետ՝ մշակաբույսերի կառավարումն աջակցելու համար (օրինակ՝ քարտեզագրում, մոնիտորինգ, ոռոգում, բույսերի ախտորոշում) (H. Huang et al., 2021): , աղետների նվազեցում, վաղ նախազգուշացման համակարգեր, վայրի բնության և անտառային տնտեսության պահպանում, մի քանիսը նշելու համար (Negash et al., 2019): Նմանապես, անօդաչու սարքերը կարող են օգտագործվել մի շարք գյուղատնտեսական գործունեության մեջ, ներառյալ բերքի և աճի մոնիտորինգը, բերքատվության գնահատումը, ջրի սթրեսի գնահատումը և մոլախոտերի, վնասատուների և հիվանդությունների հայտնաբերումը (Inoue, 2020; Panday, Pratihast, et al., 2020): Անօդաչու թռչող սարքերը կարող են օգտագործվել ոչ միայն մոնիտորինգի, գնահատման և հայտնաբերման նպատակով՝ հիմնված դրանց զգայական տվյալների վրա, այլ նաև ճշգրիտ ոռոգման և մոլախոտերի, վնասատուների և հիվանդությունների ճշգրիտ կառավարման համար: Այլ կերպ ասած, անօդաչու թռչող սարքերը կարող են ճշգրիտ քանակությամբ ջուր և թունաքիմիկատներ ցողել՝ հիմնվելով բնապահպանական տվյալների վրա: Անօդաչու թռչող սարքերի առավելությունները գյուղատնտեսության մեջ ամփոփված են Աղյուսակ 1-ում:
Անօդաչու թռչող սարքերի հիմնական առավելությունները գյուղատնտեսության մեջ.
Օգուտ | Հղում(ներ) |
Ընդլայնել ժամանակային և տարածական զգայական լուծումներ | (Gago et al., 2015; Niu et al., 2020; Srivastava եւ այլն, 2020) |
Հեշտացնել ճշգրիտ գյուղատնտեսությունը | (L. Deng et al., 2018; Kalischuk et al., 2019; Maimaitijiang et al., 2017) |
Դասակարգում և հետախուզում մշակաբույսերը | (Inoue, 2020; Kalischuk et al., 2019; Lopez- ´ Granados et al., 2016; Maimaitijiang et al., 2017; Մելվիլ և այլք, 2019; Moharana & Dutta, 2016) |
Պարարտանյութի օգտագործումը | (L. Deng et al., 2018; Guan et al., 2019) |
Երաշտի մոնիտորինգ | (Fawcett et al., 2020; Panday, Pratihast, et al., 2020 թ. Սու և այլք, 2018) |
Կենսազանգվածի գնահատում | (Bendig et al., 2014) |
Եկամտաբերության գնահատում | (Inoue, 2020; Panday, Shrestha, et al., 2020; Tao եւ այլն, 2020) |
Աղետների նվազեցում | (Նեգաշ և այլք, 2019) |
Վայրի բնության պահպանում և անտառաբուծություն | (Negash et al., 2019; Panday, Pratihast, et al., 2020) |
Ջրային սթրեսի գնահատում | (Inoue, 2020; J. Su, Coombes, et al., 2018; L. Zhang et al., 2019) |
Վնասատուներ, մոլախոտեր և հիվանդություն հայտնաբերում | (Gaˇsparovi´c et al., 2020; Inoue, 2020; J. Su, Liu, et al., 2018; X. Zhang et al., 2019) |
Մյուս կողմից, անօդաչու սարքերը նույնպես սահմանափակումների են հանդիպում: Օդաչուների ներգրավվածություն, շարժիչի հզորություն, կայունություն և հուսալիություն, սենսորների որակը ծանրաբեռնվածության պատճառով
քաշի սահմանափակումները, իրականացման ծախսերը և ավիացիայի կարգավորումը դրանց թվում են (C. Zhang & Kovacs, 2012): Մենք համեմատում ենք թերությունները
Աղյուսակ 2-ի երեք շարժական հեռահար զոնդավորման տեխնոլոգիաներից: Հեռահար զոնդավորման այլ տեխնոլոգիաներ, ինչպիսիք են հողի սենսորները, դուրս են այս ուսումնասիրության ուշադրության կենտրոնում:
Բջջային հեռակառավարման տարբեր տեխնոլոգիաների թերությունները.
Հեռակառավարման զգայարան տեխնոլոգիաներ | Բացթողումները | Սայլակ |
Անօդաչու թռչող սարք (ԱԹՍ) | Օդաչուների ներգրավվածություն; պատկերներ' որակ (միջին); իրականացման ծախսեր (միջին); կայունություն, մանևրելիություն և հուսալիություն; ստանդարտացում; շարժիչի հզորություն; սահմանափակ հզորություն աղբյուրներ (մարտկոցի երկարակեցություն); թռիչքի սահմանափակ տեւողություն, բախում և կիբերհարձակումներ; սահմանափակված ծանրաբեռնվածության քաշը; մեծ տվյալների հավաքածուներ և սահմանափակ տվյալների մշակում կարողություններ; կարգավորման բացակայություն; փորձաքննության բացակայություն, բարձր մուտք մուտքի խոչընդոտները գյուղատնտեսական դրոններ; | (Bacco et al., 2018; Dawaliby et al., 2020; Հարդին և Հարդին, 2010; Հարդին և Ջենսեն, 2011; Լագկասը և այլք. 2018 թ. Laliberte et al., 2007; Laliberte & Rango, 2011; Manfreda et al., 2018, 2018; Nebiker et al., 2008; Պուրի et al., 2017; Վելուսամի և այլք, 2022; C. Zhang & Kovacs, 2012) |
Արբանյակային | Պարբերական արբանյակային ծածկույթ, սահմանափակ սպեկտրային լուծում; տեսանելիության խնդիրների նկատմամբ խոցելիություն (օրինակ, ամպեր); Անհասանելիություն և փոխանցման ցածր արագություն; կողմնորոշում և վինետավորում ազդում է ծախսատար տարածական տվյալների վրա հավաքածու; դանդաղ տվյալների առաքում վերջնական օգտագործողների ժամանակը | (Aboutalebi et al., 2019; Cen et al., 2019; Չենը և այլք. 2019 թ. Նանսեն և Էլիոթ, 2016 թ. Պանդայ, Պրատիհաստ, et al., 2020; Սայ Վայնեթ եւ այլն, 2019) |
Ինքնաթիռ | Ընդունման բարձր ծախսեր; բարդ կարգավորում; պահպանման ծախսեր; հուսալիության բացակայություն ինքնաթիռներ, երկրաչափություն է պատկերներ; ոչ կանոնավոր տվյալներ ձեռքբերում; ճկունության բացակայություն; մահացու վթարներ; սենսորային տվյալներ տատանումներ թրթռումների պատճառով; գեոռենֆերանսի խնդիրներ | (Armstrong et al., 2011; Ատկինսոն և այլք, 2018; Barbedo & Koenigkan, 2018; Կովալև և Վորոշիլովա, 2020 թ. Սուոմալայնեն և այլք, 2013 թ. Թամմ և այլք, 2013) |
Որպես բազմամասնագիտական և բազմաֆունկցիոնալ տեխնոլոգիա գյուղատնտեսության մեջ, անօդաչու սարքերը հետազոտվել են տարբեր տեսանկյուններից: Օրինակ, գիտնականները ուսումնասիրել են անօդաչու թռչող սարքերի կիրառությունները գյուղատնտեսության մեջ (Kulbacki et al., 2018; Mogili & Deepak, 2018), նրանց ներդրումը ճշգրիտ գյուղատնտեսության մեջ (Puri et al., 2017; Tsouros et al., 2019), դրանց փոխլրացումը այլների հետ: գերժամանակակից տեխնոլոգիաներ (Al-Thani et al., 2020; Dutta & Mitra, 2021; Nayyar et al., 2020; Saha et al., 2018), և նրանց նավիգացիոն և զգայական կարողությունների առաջխաղացման հնարավորությունները (Bareth et al. , 2015; Suomalainen et al., 2014): Քանի որ գյուղատնտեսության մեջ անօդաչու թռչող սարքերի կիրառման հետազոտությունները դարձել են գերակշռող (Khan et al., 2021)), անհրաժեշտություն կա ամփոփելու գոյություն ունեցող գրականությունը և բացահայտելու տիրույթի ինտելեկտուալ կառուցվածքը: Ավելին, որպես շարունակական բարելավումներով բարձր տեխնոլոգիական ոլորտ, անհրաժեշտ է կազմակերպված վերանայումներ իրականացնել՝ պարբերաբար ամփոփելու գոյություն ունեցող գրականությունը և բացահայտելու կարևոր հետազոտական բացերը: Դեպի
ամսաթիվը, կան մի քանի ակնարկներ, որոնք քննարկում են անօդաչու թռչող սարքերի կիրառությունները գյուղատնտեսության ոլորտում: Օրինակ, Mogili and Deepak (2018) համառոտ վերանայել են դրոնների ազդեցությունը բերքի մոնիտորինգի և թունաքիմիկատների սրսկման համար: Inoue-ն (2020) իրականացնում է գյուղատնտեսության մեջ հեռահար զոնդավորման մեջ արբանյակների և դրոնների օգտագործման վերանայում: Հեղինակն ուսումնասիրում է խելացի գյուղատնտեսության ընդունման տեխնոլոգիական մարտահրավերները և արբանյակների և անօդաչու թռչող սարքերի ներդրումը դեպքերի ուսումնասիրությունների և լավագույն փորձի հիման վրա: Ցուրոսը և այլք։ (2019) ամփոփում է անօդաչու թռչող սարքերի տարբեր տեսակներ և դրանց հիմնական կիրառությունները գյուղատնտեսության մեջ՝ ընդգծելով տվյալների հավաքման և մշակման տարբեր մեթոդներ: Վերջերս Ասլանը և այլք. (2022 թ.) իրականացրեց գյուղատնտեսական գործունեության մեջ ԱԹՍ-ների կիրառման համապարփակ վերանայում և ընդգծեց ջերմոցում անօդաչու թռչող սարքի միաժամանակյա տեղայնացման և քարտեզագրման կարևորությունը: Դիազ-Գոնսալեսը և այլք: (2022) վերանայել է մշակաբույսերի բերքատվության արտադրության վերջին ուսումնասիրությունները՝ հիմնված տարբեր մեքենայական ուսուցման տեխնիկայի և հեռակառավարման վրա
զգայական համակարգեր. Նրանց բացահայտումները ցույց տվեցին, որ անօդաչու թռչող սարքերը օգտակար են հողի ցուցիչները գնահատելու և արբանյակային համակարգերին գերազանցելու համար՝ տարածական լուծման, տեղեկատվության ժամանակավորության և ճկունության տեսանկյունից: Բասիրին և այլք: (2022 թ.) կատարել է ճշգրիտ գյուղատնտեսության համատեքստում բազմաբնույթ անօդաչու թռչող սարքերի ուղու պլանավորման մարտահրավերները հաղթահարելու տարբեր մոտեցումների և մեթոդների սպառիչ վերանայում: Ավելին, Awais et al. (2022 թ.) ամփոփեց մշակաբույսերի մեջ անօդաչու թռչող սարքերի հեռահար զոնդավորման տվյալների կիրառումը ջրի կարգավիճակը գնահատելու համար և տրամադրեց անօդաչու թռչող սարքերի հեռահար զոնդավորման հեռանկարային կարողությունների խորը սինթեզ՝ թափոնների սթրեսի կիրառման համար: Վերջապես, Aquilani et al. (2022) վերանայել է արոտավայրերի վրա հիմնված անասնաբուծական համակարգերում կիրառվող կանխատեսվող գյուղատնտեսական տեխնոլոգիաները և եզրակացրել, որ անօդաչու թռչող սարքերի միջոցով թույլատրված հեռահար զոնդավորումը ձեռնտու է կենսազանգվածի գնահատման և հոտի կառավարման համար:
Բացի այդ, վերջերս հաղորդվել է անասնագլխաքանակի անօդաչու թռչող սարքերի օգտագործման փորձեր՝ անասունների մոնիտորինգի, հետևելու և հավաքագրելու համար:
Թեև այս ակնարկները տալիս են նոր և կարևոր պատկերացումներ, գրականության մեջ չի կարելի գտնել մատենագիտության վրա հիմնված համապարփակ և արդի ակնարկ, որը ներկայացնում է հստակ գիտելիքների բաց: Ավելին, նշվել է, որ երբ գիտական արտադրությունն աճում է գիտական տիրույթում, հետազոտողների համար կենսական է դառնում օգտագործել քանակական վերանայման մոտեցումներ՝ տիրույթի գիտելիքների կառուցվածքը հասկանալու համար (Rivera & Pizam, 2015): Նմանապես, Ferreira et al. (2014) պնդում էր, որ քանի որ հետազոտական ոլորտները հասունանում և դառնում են բարդ, գիտնականները պետք է նպատակ ունենան երբեմն իմաստավորել ստացված և կուտակված գիտելիքը՝ բացահայտելու նոր ներդրում, հետազոտական ավանդույթներ և միտումներ գրավելու, որոշելու, թե որ թեմաներն են ուսումնասիրվում և խորանում գիտելիքների կառուցվածքի մեջ: ոլորտը և հնարավոր հետազոտական ուղղությունները։ Մինչ Raparelli-ն և Bajocco-ն (2019) իրականացրել են մատենագիտական վերլուծություն՝ ուսումնասիրելու անօդաչու թռչող սարքերի կիրառման գիտելիքների տիրույթը գյուղատնտեսության և անտառային տնտեսության մեջ, նրանց ուսումնասիրությունը վերաբերում է միայն 1995-ից 2017 թվականներին հրապարակված գիտական հետազոտություններին, որոնք չեն արտացոլում այս արագընթաց տարածքի դինամիկան: Ավելին, հեղինակները չեն փորձել բացահայտել ոլորտում ամենաազդեցիկ ներդրումները, խմբավորել գրականությունը և գնահատել ինտելեկտուալ կառուցվածքը` օգտագործելով համատեղ մեջբերումների վերլուծություն: Արդյունքում, անհրաժեշտ է ամփոփել գրականությունը՝ բացահայտելու ընթացիկ հետազոտական օջախները, միտումները և թեժ կետերը:
Գիտելիքների այս բացը լրացնելու համար մենք օգտագործում ենք քանակական մեթոդաբանություն և խիստ մատենագիտական մեթոդներ՝ ուսումնասիրելու անօդաչու թռչող սարքերի և գյուղատնտեսության խաչմերուկում հետազոտության ներկա վիճակը: Մենք պնդում ենք, որ ընթացիկ ուսումնասիրությունը մի քանի ներդրում է կատարում առկա գրականության մեջ՝ ուսումնասիրելով զարգացող տեխնոլոգիան, որը խիստ անհրաժեշտ է գյուղատնտեսության մեջ, քանի որ այն հսկայական ներուժ է տալիս այս ոլորտում մի քանի ասպեկտներ փոխելու համար: Գյուղատնտեսական դրոնների մատենագիտական վերլուծության անհրաժեշտությունը ավելի է զգացվում՝ հաշվի առնելով գյուղատնտեսության համատեքստում դրոնների մասին ցրված և մասնատված գիտելիքները: Նմանապես, գյուղատնտեսական անօդաչու թռչող սարքերին վերաբերող գրականությունը պետք է համակարգված կերպով խմբավորվի՝ հաշվի առնելով ամենաազդեցիկ ուսումնասիրությունները, որոնք կառուցում են այս հետազոտական դաշտի հիմքը: Վերլուծության արժանիքը ներառում է նաև գրականության մեջ ներկայացված հիմնական հետազոտական թեմաների պարզաբանումը: Հաշվի առնելով տեխնոլոգիայի տրանսֆորմացիոն ներուժը, մենք ենթադրում ենք, որ ցանցի խորը վերլուծությունը նոր պատկերացումներ է տալիս՝ որոշելով ազդեցիկ աշխատանքները և բացահայտելով անօդաչու թռչող սարքերի ներուժը գյուղատնտեսության համար:
Հետևաբար, մենք ձգտում ենք հասնել հետևյալ հետազոտական նպատակներին.
- Գյուղատնտեսության ոլորտում անօդաչու թռչող սարքերի կիրառման մեջ ակնառու ներդրում ունեցող ազդեցիկ հրապարակումների բացահայտում:
- Գրականության կլաստերավորում, հետազոտական օջախների բացահայտում և հիմնական «ինտելեկտուալ կառուցվածքի» ուսումնասիրությունների քարտեզագրում՝ իմաստային նմանության հիման վրա՝ օգտագործելով համատեղ մեջբերումների վերլուծություն:
- Ժամանակի ընթացքում ոլորտի տարբեր հրապարակումների միջև կապերի և մեջբերումների ցանցերի էվոլյուցիայի ըմբռնում և ապագա հետազոտական ուղղությունների և թեժ թեմաների բացահայտում:
Թղթի մնացած մասը կազմված է հետևյալ կերպ. բաժին 2-ում ուրվագծվում են մեթոդաբանությունը և տվյալների հավաքագրման քայլերը. 3-րդ բաժինը ներկայացնում է վերլուծությունների արդյունքները. և 4-րդ բաժինը քննարկում է գտածոները և ավարտվում է հետազոտական ներդրումներով, հետևանքներով և ապագա ուղղություններով:
Մեթոդաբանությունը
Այս ընթացիկ հետազոտական ուսումնասիրության մեջ մենք անցկացնում ենք բիբլիոմետրիկ վերլուծություն՝ ուսումնասիրելու անօդաչու թռչող սարքերի կիրառությունները գյուղատնտեսության մեջ: Այս քանակական մոտեցումը բացահայտում է գիտելիքի տիրույթի ինտելեկտուալ կառուցվածքը (Arora & Chakraborty, 2021) և ներկայիս կարգավիճակը, թեժ թեմաները և ապագա հետազոտական ուղղությունները, որոնք կարող են հետաքննել այս մեթոդի կիրառմամբ (Kapoor et al., 2018; Mishra et al. , 2017; A. Rejeb, Rejeb, et al., 2021b; A. Rejeb et al., 2021d; MA Rejeb et al., 2020): Ընդհանուր առմամբ, մատենաչափական վերլուծությունը ուսումնասիրում է գոյություն ունեցող գրականությունը՝ ամփոփելու և բացահայտելու գրավոր հաղորդակցության թաքնված օրինաչափությունները և կարգապահության էվոլյուցիան՝ հիմնված վիճակագրության և մաթեմատիկական մեթոդների վրա, և այն կիրառվում է տվյալների մեծ հավաքածուների համար (Pritchard, 1969; Small, 1999; Tahai & Rigsby: , 1998): Օգտագործելով մատենագիտությունը՝ մենք ձգտում ենք ավելի լավ հասկանալ գոյություն ունեցող պարադիգմները և հետազոտական կենտրոնները, որոնք նպաստում են տիրույթին՝ հիմնված նմանության վրա (Thelwall, 2008): Bibliometrics-ը նոր պատկերացումներ է տալիս՝ հիմնված մեթոդաբանության օբյեկտիվ քանակական ուժի վրա (Casillas & Acedo, 2007): Բազմաթիվ գիտնականներ նախկինում իրականացրել են մատենագիտական ուսումնասիրություններ հարակից ոլորտներում, ներառյալ գյուղատնտեսությունը, հեռահար զոնդավորումը և թվային փոխակերպումը (Armenta-Medina et al., 2020; Bouzembrak et al., 2019; A. Rejeb, Treiblmaier, et al., 2021; Wamba: & Queiroz, 2021; Wang et al., 2019):
Մեջբերումների վերլուծություն
Մեջբերումների վերլուծությունը բացահայտում է տարբեր պատկերացումներ տվյալ հետազոտական ոլորտի վերաբերյալ: Առաջին հերթին, այն օգնում է բացահայտել ամենաազդեցիկ հեղինակներին և հրապարակումներին, որոնք նպաստում են տվյալ հետազոտական ոլորտին և զգալի ազդեցություն են թողնում (Gundolf & Filser, 2013): Երկրորդ, գիտելիքի հոսքը և հեղինակների միջև հաղորդակցական կապերը կարող են բացահայտվել: Վերջապես, մեջբերված և վկայակոչվող աշխատանքների միջև կապերը հետևելով՝ կարելի է ուսումնասիրել գիտելիքների տիրույթի փոփոխություններն ու էվոլյուցիան ժամանակի ընթացքում (Պուրնադեր
et al., 2020): Հրապարակման բարձր մեջբերումների թիվը արտացոլում է դրա արդիականությունը և զգալի ներդրումը հետազոտության ոլորտում (Baldi, 1998; Gundolf & Filser, 2013; Marinko, 1998): Հրապարակումների մեջբերումների վերլուծությունը նաև օգնում է բացահայտել համապատասխան աշխատանքները և հետևել դրանց ժողովրդականությանը և առաջընթացին ժամանակի ընթացքում:
Փաստաթղթի համակցումային վերլուծություն
Համատեղ մեջբերումների վերլուծությունը արժեքավոր մեթոդ է՝ ուսումնասիրելու հրապարակումների միջև հարաբերությունները և պատկերելու ոլորտի ինտելեկտուալ կառուցվածքը (Ներուր և ուրիշներ, 2008): Այլ կերպ ասած, բացահայտելով ամենաշատ մեջբերվող հրապարակումները և դրանց կապերը, մեթոդը հրապարակումները խմբավորում է առանձին հետազոտական կլաստերների, որտեղ կլաստերի հրապարակումները պարբերաբար կիսում են նմանատիպ գաղափարներ (McCain, 1990; Small, 1973): Կարևոր է նշել, որ նմանությունը չի նշանակում, որ հրապարակումների բացահայտումները կան
համերաշխ և համաձայն են միմյանց հետ; հրապարակումները պատկանում են միևնույն կլաստերին թեմայի նմանության պատճառով, սակայն դրանք կարող են ունենալ հակասական տեսակետներ:
Տվյալների հավաքագրում եւ վերլուծություն
Հետևելով Ուայթի և Գրիֆիթի (1981) առաջարկած մեթոդաբանությանը, մենք կատարեցինք ամսագրերի հոդվածների համապարփակ որոնում՝ գյուղատնտեսության մեջ անօդաչու թռչող սարքերի կիրառման ամբողջ հետազոտական տիրույթն ընդգրկելու համար՝ հետևելով հետևյալ հինգ քայլերին.
- Առաջին քայլը տվյալների հավաքագրումն էր: Scopus-ը ընտրվել է որպես ստանդարտացված արդյունքներով ամենաընդգրկուն և վստահելի տվյալների բազաներից մեկը: Գյուղատնտեսության մեջ դրոնների բոլոր կիրառություններին վերաբերող հրապարակումների մետատվյալները վերցվեցին։ Հետո վերլուծեցինք ընտրված հոդվածները՝ վերլուծությունից հանելով թեմայից դուրս հոդվածները։
- Մենք վերլուծեցինք գրականությունը և բացահայտեցինք հետազոտության ոլորտում օգտագործվող ամենակարևոր հիմնաբառերը:
- Օգտագործելով մեջբերումների վերլուծությունը՝ մենք ուսումնասիրեցինք հեղինակների և փաստաթղթերի միջև կապը՝ հիմքում ընկած մեջբերումների օրինաչափությունները բացահայտելու համար: Մենք նաև բացահայտեցինք գյուղատնտեսական անօդաչու թռչող սարքերի ոլորտում նշանակալի ավանդ ունեցող ամենաազդեցիկ հեղինակներին և հրապարակումներին:
- Մենք համատեղ մեջբերումների վերլուծություն ենք անցկացրել՝ նմանատիպ հրապարակումները կլաստերների մեջ խմբավորելու համար:
- Վերջապես, մենք վերլուծեցինք երկրների, հաստատությունների և ամսագրերի միջև կապերն ու կապերը՝ համագործակցության ցանցը պատկերելու համար:
Համապատասխան որոնման տերմինների նույնականացում
Մենք կիրառել ենք որոնման հետևյալ տողերը տվյալների համախմբման համար.«ԿԱՄ uas ԿԱՄ «հեռակառավարվող օդանավ») ԵՎ (գյուղատնտեսական ԿԱՄ գյուղատնտեսություն ԿԱՄ հողագործություն ԿԱՄ ֆերմեր) Որոնումն իրականացվել է 2021 թվականի սեպտեմբերին: Անօդաչու թռչող սարքերն ունեն մի քանի անվանումներ, այդ թվում՝ անօդաչու թռչող սարք, անօդաչու թռչող սարք և հեռակառավարվող ինքնաթիռներ (Sah et al., 2021): Գյուղատնտեսության հետ կապված հատուկ որոնման տերմինները բացահայտվել են Աբդոլլահիի և այլոց ուսումնասիրության հիման վրա: (2021). Հստակության և թափանցիկության համար մեր օգտագործած ճշգրիտ հարցումը տրված է Հավելված 1-ում: Տվյալների մաքրման գործընթացից հետո մենք ստեղծեցինք տեքստային ֆայլ, որը հետագայում բեռնվեց BibExcel-ում՝ մեջբերումների և համատեղ մեջբերումների վերլուծության ընդհանուր գործիք: Այս գործիքը նաև առաջարկում է պարզ փոխազդեցություն այլ ծրագրերի հետ և առաջարկում է զգալի ազատություն տվյալների մշակման և վերլուծության մեջ: VOSviewer-ի 1.6.16 տարբերակը օգտագործվել է գտածոները պատկերացնելու և մատենաչափական ցանցերը ստեղծելու համար (Eck & Waltman, 2009): VOSviewer-ն առաջարկում է մի շարք ինտուիտիվ վիզուալիզացիա, մասնավորապես մատենաչափական քարտեզները վերլուծելու համար (Geng et al., 2020): Ավելին, այն օգնում է պարզ տեսողական արդյունքների տրամադրմանը, որոնք օգնում են ավելի լավ հասկանալ արդյունքները (Abdollahi et al., 2021): Կիրառելով որոնման տողերը, ինչպես նշված է վերևում, մենք հավաքեցինք և պահեցինք բոլոր համապատասխան հրապարակումները: Առաջին որոնման արդյունքները տվել են ընդհանուր առմամբ 5,085 փաստաթուղթ: Ընտրված նմուշի որակն ապահովելու համար հետազոտության ընթացքում դիտարկվել են միայն գրախոսվող ամսագրի հոդվածները, ինչը հանգեցրել է փաստաթղթերի այլ տեսակների բացառմանը, ինչպիսիք են գրքերը, գլուխները, կոնֆերանսի նյութերը և խմբագրական նշումները: Սքրինինգի գործընթացի ընթացքում զտվեցին անտեղի (այսինքն՝ այս աշխատանքի շրջանակներից դուրս), ավելորդ (այսինքն՝ կրկնակի ինդեքսավորումից առաջացած կրկնօրինակները) և ոչ անգլալեզու հրապարակումները: Այս գործընթացի արդյունքում վերջնական վերլուծության մեջ ընդգրկվեցին 4,700 փաստաթղթեր:
Գտածոներ և քննարկում
Սկսելու համար մենք վերլուծեցինք գյուղատնտեսական անօդաչու թռչող սարքերի վերաբերյալ ընթացիկ գրականության հրապարակումների զարգացումները: Գիտական հետազոտությունների ժամանակային բաշխումը ներկայացված է Նկար 1-ում: Մենք տեսնում ենք հրապարակումների արագ աճ 2011 թվականից (30 հրապարակում) սկսած. հետևաբար, մենք որոշեցինք վերլուծության ժամանակաշրջանը բաժանել երկու տարբեր փուլերի: Մենք վերաբերում ենք 1990-ից 2010 թվականներին ընկած ժամանակաշրջանին որպես կառուցման փուլ, որն ուներ տարեկան տպագրվող մոտավորապես յոթ հոդված: 2010 թվականից հետո շրջանը կոչվում է աճի փուլ, քանի որ գյուղատնտեսության մեջ անօդաչու թռչող սարքերի կիրառման հետազոտություններն այս ժամանակահատվածում ականատես են եղել էքսպոնենցիալ աճի: 2010 թվականից հետո հրապարակումների աճող թիվը հաստատում է հետազոտողների աճող հետաքրքրությունը, ինչը նաև արտացոլում է, որ անօդաչու սարքերը կիրառվել են հեռահար զոնդավորման համար և օգտագործվել ճշգրիտ գյուղատնտեսության մեջ (Deng et al., 2018; Maes & Steppe, 2019; Messina & Modica, 2020 թ. ) Մասնավորապես, հրապարակումների թիվը 108-ի 2013-ից հասել է 498-ի 2018-ին, իսկ 1,275-ին հասել է 2020-ի: Ընդհանուր առմամբ 935 հոդված է հրապարակվել 2021-ի հունվարից սեպտեմբերի կեսերն ընկած ժամանակահատվածում: Հետագայում մենք որոշեցինք մեր վերլուծությունն ավելի կենտրոնացնել աճի փուլի վրա: քանի որ այս շրջանն արտացոլում է գյուղատնտեսական դրոնների ամենավերջին և կարևոր նրբությունները:
Հիմնաբառերի վերլուծություն
Հիմնաբառերը, որոնք հեղինակները ընտրում են հրապարակման համար, վճռորոշ ազդեցություն ունեն այն բանի վրա, թե ինչպես է ներկայացված փաստաթուղթը և ինչպես է այն հաղորդակցվում գիտական համայնքներում: Նրանք բացահայտում են հետազոտության հիմնական սուբյեկտները և որոշում դրա ծաղկման կամ ձախողման ներուժը (Day & Gastel, 1998; Kim et al., 2016; Uddin et al., 2015): Հիմնաբառերի վերլուծությունը, հետազոտության ավելի լայն միտումներն ու ուղղությունները բացահայտելու գործիք, վերաբերում է տիրույթում բոլոր հարակից հրապարակումների հիմնաբառերի հավաքմանը (Dixit & Jakhar, 2021): Ընթացիկ ուսումնասիրության մեջ մենք բաժանել ենք համախառն հիմնաբառերը երկու խմբի (այսինքն՝ մինչև 2010 և 2011–2021 թվականները)՝ ուսումնասիրելու ամենահայտնի թեմաները: Դրանով մենք կարող ենք հետևել կարևոր հիմնաբառերին երկու հավաքածուներում և վստահեցնել, որ մենք հավաքել ենք բոլոր անհրաժեշտ տվյալները: Յուրաքանչյուր հավաքածուի համար լավագույն տասը հիմնաբառերը ներկայացված են Աղյուսակ 3-ում: Մենք վերացրեցինք անհամապատասխանությունները՝ միաձուլելով իմաստային առումով նույնական հիմնաբառեր, ինչպիսիք են «անօդաչու թռչող սարք» և «անօդաչու թռչող սարք» կամ, նմանապես, «Իրերի ինտերնետ» և «IoT»:
Աղյուսակ 3-ը ցույց է տալիս, որ «անօդաչու թռչող սարքը» երկու ժամանակաշրջաններում «անօդաչու թռչող սարքի» և «անօդաչու թռչող սարքի» համեմատ ավելի հաճախ օգտագործվող հիմնաբառ է: Նաև երկու ժամանակաշրջաններում բարձր տեղ են զբաղեցնում «հեռաճանաչումը», «ճշգրիտ գյուղատնտեսությունը» և «գյուղատնտեսությունը»: Առաջին շրջանում «ճշգրիտ գյուղատնտեսությունը» զբաղեցրել է հինգերորդ տեղը, իսկ երկրորդում՝ երկրորդում, ինչը ցույց է տալիս, թե ինչպես են անօդաչու թռչող սարքերը դառնում ավելի կարևոր՝ ճշգրիտ գյուղատնտեսության հասնելու համար, քանի որ նրանք կարող են մոնիտորինգ իրականացնել:
հայտնաբերման և գնահատման պրակտիկան ավելի արագ, ավելի էժան և հեշտ է կատարել՝ համեմատած այլ հեռակառավարման և ցամաքային համակարգերի հետ: Նաև անհրաժեշտության դեպքում նրանք կարող են ցողել մուտքի ճշգրիտ քանակությունը (օրինակ՝ ջուր կամ թունաքիմիկատներ) (Guo et al., 2020; Inoue, 2020; Panday, Pratihast, et al., 2020):
Ամենահաճախ օգտագործվող հիմնաբառերի ցանկը:
Աստիճան | 1990-2010 | Ո՛չ դեպքեր | 2011-2021 | Ո՛չ դեպքեր |
1 | անօդաչու թռչող սարք փոխադրամիջոց | 28 | անօդաչու օդանավ | 1628 |
2 | հեռավոր զգայարանք | 7 | դիպուկություն գյուղատնտեսություն | 489 |
3 | գյուղատնտեսություն | 4 | հեռավոր զգայարանք | 399 |
4 | օդով տեղափոխվող | 4 | բզզոց | 374 |
5 | դիպուկություն գյուղատնտեսություն | 4 | անօդաչու օդային համակարգ | 271 |
6 | անօդաչու թռչող սարք | 4 | գյուղատնտեսություն | 177 |
7 | հիպերսպեկտրալ սենսոր | 3 | խորը ուսուցում | 151 |
8 | արհեստական նյարդային ցանցեր | 2 | մեքենա ուսուցման | 149 |
9 | ինքնավար թռիչք | 2 | բուսականություն ինդեքս | 142 |
10 | սուրճ | 2 | -ի ինտերնետ Things | 124 |
Մեկ այլ հետաքրքիր առանձնահատկություն է լրացուցիչ տեխնոլոգիաների առկայությունը: Առաջին փուլում «Հիպերսպեկտրալ սենսորը» և «արհեստական նեյրոնային ցանցերը» (ANN) տեղ են գտել հիմնական հիմնաբառերի տասնյակում։ Հիպերսպեկտրալ պատկերումը հեղափոխեց ավանդական պատկերագրությունը՝ հավաքելով հսկայական թվով պատկերներ տարբեր ալիքների երկարությամբ: Դրանով տվիչները կարող են միաժամանակ հավաքել ավելի լավ տարածական և սպեկտրային տեղեկատվություն՝ համեմատած բազմասպեկտրային պատկերների, սպեկտրոսկոպիայի և RGB պատկերների հետ (Adao ˜ et al.,
2017): Առաջին փուլում «ANN»-ի, իսկ երկրորդում՝ «խորը ուսուցման» (DL) և «մեքենայական ուսուցման» (ML) հայտնվելը ենթադրում է, որ հրապարակված աշխատանքների մեծ մասը կենտրոնացած է անօդաչու թռչող սարքի AI տեխնիկայի ներուժի ուսումնասիրության վրա: հիմնված գյուղատնտեսություն. Չնայած անօդաչու թռչող սարքերն ի վիճակի են ինքնուրույն թռչել, դրանք դեռևս պահանջում են օդաչուի ներգրավում, ինչը ենթադրում է սարքի հետախուզության ցածր մակարդակ: Այնուամենայնիվ, այս խնդիրը կարող է լուծվել արհեստական ինտելեկտի տեխնիկայի առաջխաղացման շնորհիվ, որը կարող է ապահովել ավելի լավ իրավիճակային իրազեկում և ինքնավար որոշումների աջակցություն: Արհեստական ինտելեկտով հագեցած անօդաչու սարքերը կարող են խուսափել նավիգացիայի ժամանակ բախումներից, բարելավել հողի և բերքի կառավարումը (Inoue, 2020) և նվազեցնել աշխատուժը և սթրեսը մարդկանց համար (BK Sharma et al., 2019):
Շնորհիվ իրենց ճկունության և հսկայական քանակությամբ ոչ գծային տվյալների մշակման ունակության, AI տեխնիկան հարմար մեթոդներ են անօդաչու թռչող սարքերով և կանխատեսման և որոշումների կայացման այլ հեռակառավարման և ցամաքային համակարգերով փոխանցված տվյալների վերլուծության համար (Ali et al., 2015; Ինուե, 2020): Ավելին, երկրորդ շրջանում «IoT»-ի առկայությունը ցույց է տալիս գյուղատնտեսության մեջ նրա դերակատարումը: IoT-ը հեղափոխում է գյուղատնտեսությունը՝ փոխկապակցելով այլ տեխնոլոգիաներ, ներառյալ անօդաչու սարքերը, ML, DL, WSN-ները և մեծ տվյալները: IoT-ի ներդրման հիմնական առավելություններից մեկն այն է, որ դրա կարողությունն է արդյունավետ և արդյունավետ կերպով միաձուլել տարբեր առաջադրանքներ (տվյալների ձեռքբերում, տվյալների վերլուծություն և մշակում, որոշումների կայացում և իրականացում) գրեթե իրական ժամանակում (Elijah et al., 2018; Feng et al. , 2019; Muangprathub et al., 2019): Ավելին, անօդաչու սարքերը համարվում են արդյունավետ գործիքներ՝ բուսականության ուժգնությունը և բուսականության հատկությունները հաշվարկելու համար անհրաժեշտ տվյալները (Candiago et al., 2015): Նկ. 2ա և 2բ-ը ցույց են տալիս հիմնաբառի համակցված ցանցերը երկու ժամանակաշրջանների համար:
Ազդեցիկ հեղինակներ
Այս բաժնում մենք որոշում ենք ազդեցիկ հեղինակներին և ուսումնասիրում, թե ինչպես կարող են հեղինակների մեջբերումների ցանցերը պատկերացնել և կազմակերպել ընթացիկ գրականությունը: Նկար 3-ը ցույց է տալիս ամենաշատ մեջբերումներով բոլոր հետազոտողների ժամանակագրական համադրումը: Գունային սանդղակը արտացոլում է հեղինակների մեջբերումների տարեցտարի տարբերությունը: Մենք ուսումնասիրում ենք գյուղատնտեսական անօդաչու թռչող սարքերի վերաբերյալ ուսումնասիրություններ հրապարակած հետազոտողների մեջբերումների կառուցվածքը՝ օգտագործելով նվազագույնը 50 մեջբերումների և տասը հրապարակումների շեմը: Դուրս
12,891 հեղինակ, միայն 115-ն է բավարարել այս պայմանը: Աղյուսակ 4-ում ներկայացված են ազդեցիկ հեղինակների լավագույն տասնյակը՝ դասավորված ըստ մեջբերումների առավելագույն քանակի: Ցուցակը գլխավորում է Lopez- Granados F.-ը՝ 1,963 մեջբերումով, որին հաջորդում է Zarco-Tejada PJ-ը՝ 1,909 մեջբերումով։
Ամենա մեջբերվող հեղինակների ցանկը.
Աղյուսակում | հեղինակ | Մեջբերումներ |
1 | Լոպես-Գրանադոս Ֆ. | 1,963 |
2 | Zarco-Tejada PJ | 1,909 |
3 | Պենա ˜ JM | 1,644 |
4 | Տորես-Ս Անչես Ջ. | 1,576 |
5 | Ֆերերես Է | 1,339 |
6 | Ռեմոնդինո Ֆ | 1,235 |
7 | Բոլթեն Ա | 1,160 |
8 | Բարեթ Գ | 1,155 |
9 | Բերնի Ջ.Ա | 1,132 |
10 | դե Կաստրո Ա.Ի | 1,036 |
Ինչ վերաբերում է առանձին հրատարակություններին, ապա Zhang and Kovacs-ի (2012) հոդվածը եղել է Precision Agriculture-ում հրապարակված ամենաշատ մեջբերված հետազոտությունը: Այստեղ հեղինակները վերանայեցին UAS-ի կիրառումը ճշգրիտ գյուղատնտեսության մեջ: Նրանց հետազոտության արդյունքները ցույց են տալիս, որ անհրաժեշտություն կա առաջ մղել հարթակի նախագծումը, արտադրությունը, պատկերների աշխարհագրման ստանդարտացումը և տեղեկատվության որոնման աշխատանքային հոսքը՝ ֆերմերներին հուսալի վերջնական արտադրանք տրամադրելու համար: Բացի այդ, նրանք խորհուրդ են տալիս ավելի ուժեղ ներգրավել ֆերմերին, հատկապես դաշտային պլանավորման, պատկերների նկարահանման, ինչպես նաև տվյալների մեկնաբանման և վերլուծության մեջ: Կարևոր է, որ այս ուսումնասիրությունն առաջիններից էր, որը ցույց տվեց անօդաչու թռչող սարքի կարևորությունը դաշտային քարտեզագրման, ուժի քարտեզագրման, քիմիական պարունակության չափման, բուսականության սթրեսի մոնիտորինգի և պարարտանյութերի ազդեցության գնահատման գործում բույսերի աճի վրա: Տեխնոլոգիայի հետ կապված մարտահրավերները ներառում են նաև արգելող ծախսեր, սենսորների հնարավորություններ, պլատֆորմի կայունություն և հուսալիություն, ստանդարտացման բացակայություն և հսկայական քանակությամբ տվյալների վերլուծության հետևողական ընթացակարգ:
Մեջբերումների վերլուծություն
Մեջբերումների վերլուծությունը ներկայացնում է հոդվածների ազդեցության ուսումնասիրությունը, թեև հոսքերի նկատմամբ հակված է (օրինակ՝ մեջբերումների կողմնակալություն, ինքնահղում), համարվում է ազդեցության գնահատման ստանդարտ գործիքներից մեկը (Osareh, 1996; A. Rejeb et al., 2022; Սարլի և այլք, 2010): Մեջբերումները նաև արտացոլում են թղթերի ներդրման կարևորությունն ու կենսունակությունը կոնկրետ թեմայի վերաբերյալ գրականության մեջ (R. Sharma et al., 2022): Մենք կատարեցինք մեջբերումների վերլուծություն՝ որոշելու գյուղատնտեսական դրոնների վերաբերյալ ամենաազդեցիկ ուսումնասիրությունները և ամփոփեցինք բովանդակությունը: Աղյուսակ 5-ում ներկայացված է 1990-2010 և 2011-2021 թվականների 2009 ամենաազդեցիկ հոդվածների ցանկը: Բեռնիի և այլոց հոդվածները։ (2010)b և Austin (1990) ամենաշատ մեջբերումներն են եղել 2010 և 831 թվականներին՝ համապատասխանաբար 498 և 2009 մեջբերումներով: Բերնին և այլք: (2009)b-ն ցույց է տվել քանակական հեռահար ախտորոշման արտադրանքի մշակման ներուժը ուղղաթիռի վրա հիմնված անօդաչու թռչող սարքի միջոցով, որը հագեցած է մատչելի ջերմային և նեղ շղթայով բազմասպեկտրային պատկերման տվիչներով: Համեմատած ավանդական կառավարվող օդային տվիչների հետ՝ գյուղատնտեսության համար էժան անօդաչու թռչող սարքերի համակարգն ի վիճակի է հասնել մշակաբույսերի կենսաֆիզիկական պարամետրերի համեմատելի գնահատականների, եթե ոչ ավելի լավ: Մատչելի արժեքը և գործառնական ճկունությունը, սպեկտրային, տարածական և ժամանակային բարձր լուծումների հետ մեկտեղ, որոնք հասանելի են արագ շրջադարձի ժամանակ, անօդաչու թռչող սարքերը հարմար են դարձնում մի շարք ծրագրերի համար, որոնք պահանջում են ժամանակի կարևոր կառավարում, ներառյալ ոռոգման պլանավորումը և ճշգրիտ գյուղատնտեսությունը: Բեռնի և այլոց թերթը: (2010)b-ը բարձր է հիշատակվում, քանի որ այն արդյունավետորեն միավորել է անօդաչու պտտվող թևերի հարթակը և թվային և ջերմային սենսորները գյուղատնտեսական կիրառությունների համար անհրաժեշտ չափաբերման մեխանիզմներով: Երկրորդ ամենաշատ մեջբերվող հրատարակությունը Օսթինի հեղինակած գիրքն է (XNUMX թ.), որը քննարկել է անօդաչու թռչող սարքերը նախագծման, մշակման և տեղակայման տեսանկյունից: Գյուղատնտեսության մեջ անօդաչու թռչող սարքերն աջակցում են մշակաբույսերի մոնիտորինգին՝ վաղաժամ հիվանդությունները հայտնաբերելով մշակաբույսերի գույնի փոփոխության միջոցով, հեշտացնելով մշակաբույսերի ցանքն ու ցողումը, ինչպես նաև վերահսկելով և քշելով հոտերը:
Սալիվանի և այլոց ուսումնասիրությունները: (2007), Lumme et al. (2008), և Gokto ¨ ǧan et al. (2010) ավարտում է ամենաշատ մեջբերվող հոդվածների լավագույն տասնյակը: Այս հոդվածները ցույց են տալիս անօդաչու թռչող սարքերի վրա հիմնված համակարգերի զարգացումը գյուղատնտեսությանն աջակցելու համար: Նրանք առաջարկում են լուծումներ տարբեր խնդիրների համար, ինչպիսիք են բերքի մոնիտորինգը և սկանավորումը, մոլախոտերի հսկողությունն ու կառավարումը, ինչպես նաև որոշումների ընդունումը: Նրանք նաև առաջարկում և քննարկում են անօդաչու թռչող սարքի կարողությունը բարձրացնել ընտրանքային արդյունավետությունը և օգնել ֆերմերներին ճշգրիտ և արդյունավետ մշակելիս:
տնկման ռազմավարություններ. Բերնին հեղինակել է երկու աշխատություն (Berni et al., 2009b; Berni et al., 2009a), որոնք ընդգծում են նրա զգալի ազդեցությունը գյուղատնտեսական դրոնների հետ կապված հետազոտությունների վրա: Զարկո-Տեջադա et al. (2014 թ.) եղել է այն առաջնակարգ ուսումնասիրություններից մեկը, որը ցույց է տալիս ծառերի բարձրության քանակականացման համար էժան անօդաչու թռչող սարքերի պատկերների օգտագործման անհրաժեշտությունը:
Ամենա մեջբերվող հրապարակումների ցանկը:
Աստիճան | From 1990 է 2010 | From 2011 է 2021 | ||
Փաստաթուղթ | Հիշատակություն | Փաստաթուղթ | Հիշատակություն | |
1 | (Berni et al., 2009b) | 831 | (C. Zhang & Kovacs, 2012) | 967 |
2 | (Օսթին, 2010) | 498 | (Nex & Remondino, 2014) | 893 |
3 | (Hunt et al., 2010) | 331 | (Ֆլորեանո և փայտ, 2015) | 552 |
4 | (SR Herwitz et al., 2004) | 285 | (Հոսեյն Մոտլաղ և այլք, 2016) | 391 |
5 | (CCD Lelong et al., 2008) | 272 | (Շախատրեհ և այլք, 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 | (Հրաբար և այլք, 2005 թ.) | 175 | (Zarco-Tejada et al., 2014) | 347 |
9 | (Y. Huang et al., 2009) | 129 | (Հայտարարություն աո և այլք, 2017) | 335 |
10 | (Schmale III et al., 2008) | 119 | (Honkavaara et al., 2013a) | 331 |
11 | (Աբդ-Էլռահման և այլք, 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 | (Գագո և այլք, 2015) | 275 |
15 | (Gokto ¨ ǧan et al., 2010) | 40 | (Aasen et al., 2015a) | 269 |
Երկրորդ շրջանում (2011–2021) Zhang and Kovacs (2012) և Nex and Remondino (2014) հետազոտությունները հանգեցրել են ամենահաճախ հիշատակվող հրապարակումներին։ Zhang-ը և Kovacs-ը (2012) պնդում են, որ ճշգրիտ գյուղատնտեսությունը կարող է օգուտ քաղել աշխարհատարածական տեխնիկայի և սենսորների ներդրումից, ինչպիսիք են աշխարհագրական տեղեկատվական համակարգերը, GPS-ը և հեռահար զոնդավորումը, որպեսզի ֆիքսվեն դաշտի տատանումները և կարգավորեն դրանք՝ օգտագործելով այլընտրանքային ռազմավարություններ: Որպես ճշգրիտ գյուղատնտեսության մեջ խաղը փոխող անօդաչու սարքերի ընդունումը նոր դարաշրջան է ազդարարել հեռահար զոնդավորման մեջ՝ պարզեցնելով օդային դիտարկումը, հավաքելով բերքի աճի տվյալները, հողի պայմանները և ցողման տարածքները: Zhang and Kovacs-ի (2012) վերանայումը կարևոր նշանակություն ունի, քանի որ այն առաջարկում է անօդաչու թռչող սարքերի մասին պատկերացումներ՝ բացահայտելով այդ սարքերի առկա օգտագործումը և մարտահրավերները շրջակա միջավայրի մոնիտորինգի և ճշգրիտ գյուղատնտեսության մեջ, ինչպիսիք են հարթակի և տեսախցիկի սահմանափակումները, տվյալների մշակման մարտահրավերները, ֆերմերների ներգրավվածությունը և ավիացիոն կանոնակարգերը: . Երկրորդ
Nex-ի և Remondino-ի (2014) ամենաշատ մեջբերված հետազոտությունը վերանայել է անօդաչու թռչող սարքերի արդի վիճակը՝ երկրագնդի պատկերները նկարելու, մշակելու և վերլուծելու համար:
Նրանց աշխատանքը նաև ներկայացրեց մի քանի անօդաչու թռչող սարքերի պլատֆորմների, հավելվածների և օգտագործման դեպքերի ակնարկ՝ ցուցադրելով անօդաչու թռչող սարքերի պատկերների մշակման նորագույն առաջընթացները: Գյուղատնտեսության մեջ ֆերմերները կարող են օգտագործել անօդաչու թռչող սարքեր՝ արդյունավետ որոշումներ կայացնելու՝ ծախսերի և ժամանակի խնայողությունների հասնելու, վնասների արագ և ճշգրիտ գրանցման և հնարավոր խնդիրների կանխատեսման համար: Ի տարբերություն սովորական օդային հարթակների, անօդաչու թռչող սարքերը կարող են կրճատել գործառնական ծախսերը և նվազեցնել կոշտ վայրերում մուտքի վտանգը՝ միաժամանակ պահպանելով բարձր ճշգրտության ներուժը: Նրանց աշխատությունն ամփոփում է անօդաչու թռչող սարքերի տարբեր առավելությունները, մասնավորապես ճշգրտության և լուծման առումով:
2011-ից 2021 թվականների ընթացքում մնացած տասներեք ամենաշատ մեջբերված հրապարակումների մեջ մենք նկատեցինք ավելի մեծ կենտրոնացում անօդաչու թռչող սարքերի կիրառման հետ կապված հետազոտությունների վրա՝ պատկերազարդման առաքելություններում (Bendig et al., 2014; Ma et al., 2017; Zarco-Tejada et al., 2014): , ճշգրիտ գյուղատնտեսություն (Candiago et al., 2015; Honkavaara et al., 2013a), ճշգրիտ խաղողագործություն (Matese et al., 2015), ջրային սթրեսի գնահատում (Gago et al., 2015) և բուսականության մոնիտորինգ (Aasen et al. 2015 ա): Առաջին տարիներին հետազոտողները կենտրոնանում էին
ավելին գյուղատնտեսության համար էժան, թեթև և ճշգրիտ անօդաչու թռչող սարքերի վրա հիմնված համակարգերի մշակման վերաբերյալ. Վերջին հետազոտություններն ավելի շատ կենտրոնացած են գյուղատնտեսության և դաշտային հետազոտությունների համար անօդաչու թռչող սարքերի կիրառման վերանայումների վրա: Ամփոփելով, այս վերլուծությունը ցույց է տալիս, որ ազդեցիկ հրապարակումները հիմնականում տրամադրել են նախորդ ուսումնասիրությունների ակնարկներ՝ գնահատելու ԱԹՍ-ների ներկայիս գիտական և տեխնոլոգիական կարգավիճակը և մշակված անօդաչու թռչող սարքերի համակարգեր՝ ճշգրիտ գյուղատնտեսությանը աջակցելու համար: Հետաքրքիր է, որ մենք չգտանք էմպիրիկ ուսումնասիրություններ
մեթոդոլոգիաներ կամ նկարագրական դեպքերի ուսումնասիրություններ, ինչը գիտելիքի զգալի բաց է և պահանջում է ավելի շատ հետազոտություններ այս թեմայի շուրջ:
Համատեղումբերման վերլուծություն
Ըստ Gmür-ի (2006թ.)՝ համատեղ մեջբերումների վերլուծությունը նույնականացնում է նմանատիպ հրապարակումները և խմբավորում դրանք: Կլաստերի մանրակրկիտ ուսումնասիրությունը կարող է բացահայտել հրապարակումների միջև հետազոտության ընդհանուր դաշտ: Մենք ուսումնասիրում ենք գյուղատնտեսական անօդաչու թռչող սարքերի հետ կապված գրականության համատեղ մեջբերումը՝ համապատասխան առարկայական ոլորտները լուսաբանելու և հրապարակումների ինտելեկտուալ օրինաչափությունները հայտնաբերելու համար: Այս առումով Small-ը (1973) խորհուրդ է տվել օգտագործել կոմիտացիոն վերլուծություն՝ ուսումնասիրելու ամենաազդեցիկ և կարևոր հետազոտությունները:
կարգապահության շրջանակներում: Բազմաթիվը ամենակարևոր հոդվածներով սահմանափակելու համար (Գոյալ և Կումար, 2021), մենք սահմանել ենք համակցման շեմ՝ 25, ինչը նշանակում է, որ երկու հոդված պետք է միասին մեջբերված լինեն 25 կամ ավելի տարբեր հրապարակումների տեղեկատու ցուցակներում: Կլաստերավորումն իրականացվել է նաև կլաստերի նվազագույն չափով 1 և առանց փոքր կլաստերների միաձուլման ավելի մեծերի հետ որևէ մեթոդի: Արդյունքում ստեղծվել է վեց կլաստեր՝ հիմնվելով ուսումնասիրությունների նմանության և դրանց ինտելեկտուալ կառուցվածքի վրա: Աղյուսակ 6-ում ներկայացված է հրապարակումների բաշխվածությունը յուրաքանչյուր կլաստերում:
Կլաստեր 1. Այս կլաստերը պարունակում է տասնութ փաստաթղթեր, որոնք հրապարակվել են այն բանից հետո, երբ այս կլաստերի հրապարակումները քննարկում են դրոնների դերը շրջակա միջավայրի մոնիտորինգի, մշակաբույսերի կառավարման և մոլախոտերի կառավարման գործում աջակցելու գործում: Օրինակ, Manfreda et al. (2018) ներկայացնում է բնական գյուղատնտեսական էկոհամակարգի մոնիտորինգում անօդաչու թռչող սարքի ընթացիկ հետազոտությունների և ներդրման ակնարկ և պնդում, որ տեխնոլոգիան հսկայական ներուժ է առաջարկում շրջակա միջավայրի մոնիտորինգը կտրուկ բարձրացնելու և նվազեցնելու համար
դաշտային դիտարկման և սովորական օդային և տիեզերական հեռահար զոնդավորման միջև առկա բացը: Դա կարելի է անել՝ առաջարկելով նոր հնարավորություններ՝ ընդարձակ տարածքների բարելավված ժամանակային որոնման և տարածական պատկերացումների համար մատչելի ձևով: Անօդաչու թռչող սարքերը կարող են մշտապես զգալ շրջակա միջավայրը և ստացված տվյալները ուղարկել խելացի, կենտրոնացված/ապակենտրոնացված կազմակերպություններին, որոնք վերահսկում են սենսորները՝ հայտնաբերելու հնարավոր խնդիրները, ինչպիսիք են հիվանդության կամ ջրի հայտնաբերման բացակայությունը (Padua ´ et al., 2017): Adao ˜ et al. (2017) ենթադրում է, որ անօդաչու թռչող սարքերը իդեալական են բույսերի պայմանները գնահատելու համար՝ հավաքելով ջրի կարգավիճակի, կենսազանգվածի գնահատման և ուժի գնահատման հետ կապված հումքի հսկայական ծավալի տվյալները: Անօդաչու թռչող սարքերի վրա տեղադրված սենսորները կարող են նաև անհապաղ տեղակայվել շրջակա միջավայրի համապատասխան պայմաններում՝ թույլ տալու հեռակառավարման տվյալների ժամանակին հավաքագրումը (Von Bueren et al., 2015): Անօդաչու թռչող սարքերի միջոցով ֆերմերները կարող են իրականացնել փակ ֆերմերային գործունեություն՝ չափումներ ստանալով փակ գյուղատնտեսական միջավայրի եռաչափ տարածության գրեթե ցանկացած վայրից (օրինակ՝ ջերմոցներ), դրանով իսկ ապահովելով տեղական կլիմայի վերահսկում և բույսերի մոնիտորինգ (Roldan' et al. ., 2015): Ճշգրտության համատեքստում
գյուղատնտեսությունը, բերքի կառավարման որոշումները պահանջում են ճշգրիտ, հուսալի տվյալներ մշակաբույսերի մասին՝ համապատասխան ժամանակային և տարածական լուծմամբ (Gebbers & Adamchuk, 2010; Gevaert et al., 2015; Maes & Steppe, 2019): Այս պատճառով, Agüera Vega et al. (2015 թ.) օգտագործել է անօդաչու թռչող սարքի վրա տեղադրված բազմասպեկտրային սենսորային համակարգ՝ աճող սեզոնի ընթացքում արևածաղկի բերքի պատկերներ ստանալու համար: Նմանապես, Huang et al. (2009) նշում են, որ անօդաչու թռչող սարքերի վրա հիմնված հեռահար զոնդավորումը կարող է հեշտացնել հավաքված սպեկտրային տվյալների հիման վրա բերքի և հողի չափումը: Վերգերը և այլք: (2014 թ.) մշակել և փորձարկել է կանաչ տարածքի ինդեքսը (GAI) գնահատելու տեխնիկան ճշգրիտ գյուղատնտեսության կիրառություններում անօդաչու թռչող սարքերի արտացոլման չափումներից՝ կենտրոնանալով ցորենի և ռապևի մշակաբույսերի վրա: Հետևաբար, անօդաչու թռչող սարքերը նոր հնարավորություններ են ընձեռում բերքի վիճակի մասին տեղեկատվություն ստանալու համար՝ հաճախակի այցելություններով և բարձր տարածական լուծումներով (Dong et al., 2019; Garzonio et al., 2017; H. Zheng et al., 2016):
Գյուղատնտեսական դրոնների վերաբերյալ ազդեցիկ հրապարակումների կլաստերավորում.
Բույլ | Լայն թեմա | Սայլակ |
1 | Շրջակա միջավայրի մոնիտորինգ, բերք կառավարում, մոլախոտերի կառավարում | (Հայտարարություն ao et al., 2017; Ագուերա Վեգա et al., 2015; de Castro et al., 2018; Gomez-Cand 'on' et al., 2014; ՅԲ Huang et al., 2013; Խանալը և ուրիշներ, 2017 թ. Լոպես-Գրանադոս, «2011; Manfreda et al., 2018; Պ adua et al., 2017 թ. Pena ˜ et al., 2013; Պերես-Օրտիս et al., 2015; Ռասմուսենը և այլք, 2013 թ. 2016 թ. Տորես-Ս anchez et al., 2014; Տորես-Սանչես, «Լոպես-Գրանադոս» և Պենա, ˜ 2015; Verger et al., 2014; ֆոն Bueren et al., 2015; C. Zhang & Կովաչ, 2012) |
2 | Հեռավոր ֆենոտիպավորում, բերքատվություն գնահատում, բերքի մակերեսի մոդել, բույսերի հաշվարկ | (Bendig et al., 2013, 2014; Geipel et al., 2014; Գնադինգեր ¨ & Շմիդհալտեր, 2017; Հաղիղաթալաբ et al., 2016; Holman et al., 2016; Ջին et al., 2017; W. Li et al., 2016; Maimaitijiang et al., 2017; Սանկարան et al., 2015; Schirrmann et al., 2016; Շի և այլք, 2016; Yue et al., 2017; X. Zhou et al., 2017) |
3 | Ջրի ջերմային պատկերացում, բազմասպեկտրալ պատկերացում | (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; Խալիք et al., 2019; Matese et al., 2015; Ribeiro-Gomes et al., 2017; Santesteban et al., 2017; Ուտո և ուրիշներ, 2013) |
4 | Hypersectral imaging, սպեկտրալ Imaging | (Aasen et al., 2015a; Bareth et al., 2015 թ. Hakala et al., 2013; Honkavaara et al., 2013a; Լյուսիեր et al., 2014; Saari et al., 2011; Suomalainen et al., 2014) |
5 | 3D-Քարտեզագրման հավելվածներ | (Jim´enez-Brenes et al., 2017; Nex & Remondino, 2014; Սալամին և այլք, 2014 թ. Տորես-Ս anchez, Lopez- ' Granados, Serrano, et al., 2015; Zahawi et al., 2015; Զարկո-Տեխադա եւ այլն, 2014) |
6 | Գյուղատնտեսության վերահսկողություն | (SR Herwitz et al., 2004; Hunt et al., 2010; CCD Լելոնգ և այլք, 2008 թ. Primicerio et al., 2012; Սյան & Tian, 2011) |
Ավելին, անօդաչու թռչող սարքերը օգտակար են գյուղատնտեսության մեջ դժվար առաջադրանքների համար, ներառյալ մոլախոտերի քարտեզագրումը: Սարքերի կողմից նկարահանված պատկերներն ապացուցել են իրենց օգտակարությունը դաշտերում մոլախոտերի վաղ հայտնաբերման համար (de Castro et al., 2018; Jim´enez-Brenes et al., 2017; Lam et al., 2021; Lopez-Granados ´ et al., 2016; Ռոզենբերգ և այլք, 2021): Այս առումով դե Կաստրոն և այլք. (2018) ենթադրում է, որ անօդաչու թռչող սարքերի պատկերների և օբյեկտների վրա հիմնված պատկերների վերլուծության (OBIA) միաձուլումը պրակտիկանտներին հնարավորություն է տվել հաղթահարել վաղ սեզոնի խոտածածկ մշակաբույսերի վաղ հայտնաբերման ավտոմատացման խնդիրը, ինչը մեծ առաջընթաց է մոլախոտերի հետազոտության մեջ: Նմանապես, Pena ˜ et al. (2013 թ.) նշում են, որ անօդաչու թռչող սարքից գերբարձր տարածական լուծաչափի պատկերների օգտագործումը OBIA ընթացակարգի հետ համատեղ հնարավորություն է տալիս եգիպտացորենի վաղ մշակաբույսերում ստեղծել մոլախոտերի քարտեզներ, որոնք կարող են օգտագործվել սեզոնային մոլախոտերի դեմ պայքարի միջոցառումների պլանավորման մեջ, խնդիր, որը վեր է արբանյակային և ավանդական օդային պատկերների հնարավորություններից: Համեմատ պատկերների դասակարգման կամ օբյեկտների հայտնաբերման ալգորիթմների հետ՝ իմաստային հատվածավորման տեխնիկան ավելի արդյունավետ են մոլախոտերի քարտեզագրման առաջադրանքների ժամանակ (J. Deng et al., 2020), այդպիսով ֆերմերներին հնարավորություն տալով հայտնաբերել դաշտի պայմանները, նվազեցնել կորուստները և բարելավել բերքատվությունը աճող սեզոնի ընթացքում (Ռամեշ): et al., 2020): Խորը ուսուցման վրա հիմնված իմաստային հատվածավորումը կարող է նաև ապահովել բուսական ծածկույթի ճշգրիտ չափում բարձր լուծաչափով օդային պատկերներից (Ramesh et al., 2020; A. Zheng et al., 2022): Չնայած նրանց ներուժին հեռավոր
զգայուն պիքսելների դասակարգումը, իմաստային սեգմենտավորման տեխնիկան պահանջում է զգալի հաշվարկ և արգելող բարձր GPU հիշողություն (J. Deng et al., 2020):
Հիմնվելով մեքենայական ուսուցման և անօդաչու թռչող սարքերի վրա՝ P´erez-Ortiz et al. (2015 թ.) առաջարկել է մոլախոտերի քարտեզագրման մոտեցում, որը տրամադրում է տեղանքին հատուկ մոլախոտերի դեմ պայքարի ռազմավարություններ, երբ ֆերմերները ընդունում են մոլախոտերի դեմ պայքարը վաղ աճից հետո: Վերջապես, Ռասմուսենը և այլք. (2013) ընդգծել է, որ անօդաչու թռչող սարքերն ապահովում են էժան զգայություն՝ մեծ տարածական լուծման ճկունությամբ: Ընդհանուր առմամբ, այս կլաստերի հրապարակումները կենտրոնանում են անօդաչու թռչող սարքերի ներուժի ուսումնասիրության վրա՝ աջակցելու հեռահար զոնդավորմանը, բերքի մոնիտորինգին և մոլախոտերի քարտեզագրմանը: Լրացուցիչ խորը հետազոտություն է անհրաժեշտ՝ հետագայում ուսումնասիրելու համար, թե ինչպես կարող են անօդաչու թռչող սարքերի կիրառությունները շրջակա միջավայրի մոնիտորինգի, մշակաբույսերի կառավարման և մոլախոտերի քարտեզագրման մեջ հասնել ավելի կայուն գյուղատնտեսության (Chamuah & Singh, 2019; Islam et al., 2021; Popescu et al., 2020; J. Su, Liu, et al., 2018) և անդրադառնում են այս տեխնոլոգիայի կառավարման խնդիրներին բերքի ապահովագրման կիրառություններում (Basnet & Bang, 2018; Chamuah & Singh, 2019, 2022; Meinen & Robinson, 2021): Հետազոտողները պետք է կենտրոնանան անօդաչու թռչող սարքերի հավաքագրված չափումների վավերացման վրա՝ արդյունավետ մշակման տեխնիկայով՝ մշակված տվյալների վերջնական որակը բարձրացնելու համար (Manfreda et al., 2018): Բացի այդ, անհրաժեշտ է մշակել համապատասխան ալգորիթմներ, որոնք ճանաչում են պիքսելները, որոնք ցուցադրում են մոլախոտերը թվային պատկերներում և վերացնում են անհամապատասխան ֆոնը անօդաչու թռչող սարքերի մոլախոտերի քարտեզագրման ժամանակ (Gaˇsparovi´c et al., 2020; Hamylton et al., 2020; H. Huang et al. , 2018, 2020; Lopez-' Granados et al., 2016): Բույսերի ճանաչման, տերևների դասակարգման և հիվանդությունների քարտեզագրման իմաստային հատվածավորման տեխնիկայի ընդունման վերաբերյալ լրացուցիչ հետազոտությունները ողջունելի են (Fuentes-Pacheco et al., 2019; Kerkech et al., 2020):
Կլաստեր 2. Այս կլաստերի հրապարակումները կենտրոնացած էին գյուղատնտեսական դրոնների մի քանի ասպեկտների վրա: Հեռավոր ֆենոտիպավորման հետ կապված՝ Sankaran et al. (2015) վերանայել են ցածր բարձրության վրա, բարձր լուծաչափով օդային պատկերների օգտագործման ներուժը ԱԹՍ-ներով՝ դաշտում բերքի արագ ֆենոտիպավորման համար, և նրանք պնդում են, որ, համեմատած ցամաքային զգայական հարթակների հետ, համապատասխան սենսորներով փոքր ԱԹՍ-ներն առաջարկում են մի քանի առավելություններ: , օրինակ՝ ավելի հեշտ մուտք դեպի դաշտ, բարձրորակ տվյալներ, տվյալների արդյունավետ հավաքագրում,
դաշտերի աճի պայմանների արագ գնահատում և գործառնական ցածր ծախսեր: Այնուամենայնիվ, հեղինակները նաև նշում են, որ դաշտային ֆենոտիպավորման համար անօդաչու թռչող սարքի արդյունավետ կիրառումը հիմնված է երկու հիմնարար տարրերի վրա, այն է՝ անօդաչու թռչող սարքի առանձնահատկությունները (օրինակ՝ անվտանգություն, կայունություն, դիրքավորում, ինքնավարություն) և սենսորային բնութագրերը (օրինակ՝ լուծում, քաշ, սպեկտրային ալիքի երկարություններ, դաշտ: տեսակետ): Haghighattalab et al. (2016թ.) առաջարկել է պատկերի մշակման կիսաավտոմատացված խողովակաշար՝ անօդաչու թռչող սարքերի պատկերներից սյուժեի մակարդակի տվյալները ստանալու և բուծման գործընթացը արագացնելու համար: Holman et al. (2016) զարգացել է բարձր
թողունակության դաշտի ֆենոտիպավորման համակարգը և ընդգծել, որ UAV-ն ի վիճակի է հավաքել որակյալ, ծավալուն, դաշտային ֆենոտիպային տվյալներ, և որ սարքն արդյունավետ է մեծ տարածքների և դաշտերի տարբեր վայրերում:
Քանի որ եկամտաբերության գնահատումը աներևակայելի կարևոր տեղեկատվություն է, հատկապես, երբ հասանելի է ժամանակին, անօդաչու թռչող սարքերի համար հնարավորություն կա ապահովելու դաշտային բոլոր չափումները և արդյունավետ կերպով ձեռք բերել բարձրորակ տվյալներ (Daakir et al., 2017; Demir et al., 2018 թ. Էնսիսոն և այլք, 2019; Կուլբակին և այլք, 2018; Պուդելկո և այլք, 2012): Այս առումով Ջին և այլք. (2017թ.) օգտվել է շատ ցածր բարձրությունների վրա անօդաչու թռչող սարքերի կողմից ստացված բարձր լուծաչափ պատկերներից՝ մշակելու և գնահատելու մեթոդ՝ ցորենի բույսի խտությունը վերարտադրության փուլում: Հեղինակների կարծիքով՝ անօդաչու թռչող սարքերը հաղթահարում են տեսախցիկներով հագեցած ռովեր համակարգերի սահմանափակումները և ներկայացնում են մշակաբույսերի բույսերի խտությունը գնահատելու ոչ ինվազիվ մեթոդ՝ թույլ տալով ֆերմերներին հասնել դաշտերի ֆենոտիպավորման համար անհրաժեշտ բարձր թողունակության՝ անկախ հողի երթևեկելիությունից: Լի et al. (2016) հավաքեց հարյուրավոր ստերեո պատկերներ՝ չափազանց բարձր լուծաչափով, օգտագործելով անօդաչու թռչող սարքերի վրա հիմնված համակարգ՝ գնահատելու եգիպտացորենի պարամետրերը, ներառյալ հովանոցի բարձրությունը և վերգետնյա կենսազանգվածը: Վերջապես, Yue et al. (2017) պարզել է, որ անօդաչու թռչող սարքերից որոշված բերքի բարձրությունը կարող է բարձրացնել վերգետնյա կենսազանգվածի (AGB) գնահատումը:
Մշակաբույսերի աճի մոնիտորինգի մոտեցումը մշակաբույսերի մակերեսի մոդելների մշակման գաղափարն է (Bendig et al., 2014, 2015; Holman et al., 2016; Panday, Shrestha, et al., 2020; Sumesh et al., 2021): Մի շարք ուսումնասիրություններ ընդգծեցին անօդաչու թռչող սարքից արված պատկերների իրագործելիությունը՝ բույսերի բարձրությունը ֆիքսելու և դրանց աճը վերահսկելու համար: Օրինակ, Bendig et al. (2013 թ.) նկարագրել է մշակաբույսերի մակերևույթի բազմաժամանակյա մոդելների մշակումը 0.05 մ-ից ցածր շատ բարձր թույլատրելիությամբ՝ օգտագործելով UAV: Նրանք նպատակ են ունեցել հայտնաբերել բերքը
աճի փոփոխականությունը և դրա կախվածությունը մշակաբույսերի մշակումից, սորտից և սթրեսից: Bendig et al. (2014 թ.) օգտագործեց անօդաչու թռչող սարքեր՝ թարմ և չոր կենսազանգվածը գնահատելու համար՝ հիմնվելով մշակաբույսերի մակերևույթի մոդելներից ստացված բույսի բարձրության վրա և պարզեց, որ, ի տարբերություն օդային հարթակների և ցամաքային լազերային սկանավորման, անօդաչու թռչող սարքերի բարձր լուծաչափով պատկերները կարող են զգալիորեն մեծացնել բույսերի բարձրության մոդելավորման ճշգրտությունը տարբեր աճի համար։ փուլերը. Նույն ուղղությամբ Գեյպելը և այլք. (2014 թ.) պատկերներ ձեռք բերելու համար իրենց հետազոտություններում օգտագործել են անօդաչու թռչող սարքեր
Եգիպտացորենի հացահատիկի բերքատվության կանխատեսման տվյալների հավաքածուները աճի երեք տարբեր փուլերում՝ վաղ մինչև սեզոնի կեսը, և եզրակացրեցին, որ օդային պատկերների և մշակաբույսերի մակերևույթի մոդելների վրա հիմնված սպեկտրային և տարածական մոդելավորման համադրությունը հարմար մեթոդ է միջին սեզոնային եգիպտացորենի բերքատվությունը կանխատեսելու համար: Վերջապես, Gnadinger ¨ և Schmidhalter (2017) ուսումնասիրեցին անօդաչու թռչող սարքի օգտակարությունը ճշգրիտ ֆենոտիպավորման մեջ և ընդգծեցին, որ այս տեխնոլոգիայի օգտագործումը կարող է ուժեղացնել ֆերմայի կառավարումը և հնարավորություն տալ դաշտային փորձարկումներ բուծման և ագրոնոմիական նպատակներով: Ընդհանուր առմամբ, մենք նկատում ենք, որ 2-րդ կլաստերի հրապարակումները կենտրոնանում են հեռավորության վրա ԱԹՍ-ների հիմնական առավելությունների վրա.
ֆենոտիպավորում, բերքատվության գնահատում, մշակաբույսերի մակերեսի մոդելավորում և բույսերի հաշվում: Ապագա ուսումնասիրությունները կարող են ավելի խորանալ՝ զարգացնելով հեռավոր ֆենոտիպավորման նոր մեթոդներ, որոնք կարող են ավտոմատացնել և օպտիմալացնել հեռակառավարվող տվյալների մշակումը (Barabaschi et al., 2016; Liebisch et al., 2015; Mochida et al., 2015; S. Zhou et al. ., 2021): Բացի այդ, անօդաչու թռչող սարքերի վրա տեղադրված IoT սենսորների աշխատանքը և դրանց ծախսերի, աշխատուժի և եկամտաբերության գնահատման ճշգրտության փոխզիջումը պետք է ուսումնասիրվեն
ապագան (Ju & Son, 2018a, 2018b; Xie & Yang, 2020; Yue et al., 2018): Ի վերջո, անհրաժեշտ է մշակել պատկերների մշակման արդյունավետ մեթոդներ, որոնք կարող են ստեղծել հուսալի տեղեկատվություն, առավելագույնի հասցնել արդյունավետությունը գյուղատնտեսական արտադրության մեջ և նվազագույնի հասցնել ֆերմերների ձեռքով հաշվարկի աշխատանքը (RU Khan et al., 2021; Koh et al., 2021; Lin. & Guo, 2020; C. Zhang et al., 2020):
Կլաստեր 3. Այս կլաստերի հրապարակումները քննարկում են անօդաչու թռչող սարքերի հարթակներում օգտագործվող գյուղատնտեսական ռեսուրսների հեռահար զոնդավորման տարբեր տեսակի պատկերային համակարգեր: Այս առումով, ջերմային պատկերը թույլ է տալիս վերահսկել մակերևույթի ջերմաստիճանը` կանխելու մշակաբույսերի վնասը և վաղաժամ երաշտի սթրեսը հայտնաբերելու համար (Awais et al., 2022; García-Tejero et al., 2018; Sankaran et al., 2015; Santesteban et al., 2017; Yeom, 2021): Բալուջա և այլք: (2012) պնդեց, որ բազմասպեկտրային և ջերմային տեսախցիկների օգտագործումը նավում
Անօդաչու թռչող սարքը հետազոտողներին հնարավորություն է տվել ստանալ բարձր լուծաչափով պատկերներ և գնահատել խաղողի ջրի վիճակը: Սա կարող է օգտակար լինել ջրի պլանավորման նոր մոդելներ մշակելու համար՝ օգտագործելով հեռակառավարման տվյալները (Baluja et al., 2012): Քանի որ
անօդաչու թռչող սարքերի սահմանափակ բեռնվածքի հզորությունը, Ribeiro-Gomes et al. (2017թ.) դիտարկել է չսառեցված ջերմային տեսախցիկների ինտեգրումը UAVS-ում՝ որոշելու ջրային սթրեսը կայաններում, ինչը դարձնում է այս տիպի անօդաչու թռչող սարքերն ավելի արդյունավետ և կենսունակ, քան ավանդական արբանյակային հեռակառավարման և սառեցված ջերմային տեսախցիկներով հագեցած ԱԹՍ-ները: Հեղինակների կարծիքով, չսառեցված ջերմային տեսախցիկները ավելի թեթև են, քան սառեցված տեսախցիկները, որոնք պահանջում են համապատասխան չափորոշում: Գոնսալես-Դուգոն և այլք: (2014 թ.) ցույց է տվել, որ ջերմային պատկերները արդյունավետորեն ստեղծում են մշակաբույսերի ջրի սթրեսի ինդեքսների տարածական քարտեզները՝ ջրի կարգավիճակը գնահատելու և ցիտրուսային այգիների մեջ և ներսում ջրի սթրեսը չափելու համար: Գոնսալես-Դուգոն և այլք: (2013) և Santesteban et al. (2017) ուսումնասիրել է բարձր լուծաչափով անօդաչու թռչող սարքի ջերմային պատկերների օգտագործումը առևտրային այգու և խաղողի այգու ջրի կարգավիճակի փոփոխականությունը գնահատելու համար:
Բազմասպեկտրային պատկերումը կարող է հսկայական տվյալներ տրամադրել ավանդական RGB (կարմիր, կանաչ և կապույտ) պատկերների համեմատությամբ (Ad˜ ao et al., 2017; Navia et al., 2016): Այս սպեկտրային տվյալները, տարածական տվյալների հետ մեկտեղ, կարող են օգնել դասակարգման, քարտեզագրման, կանխատեսման, կանխատեսման և հայտնաբերման նպատակներին (Berni et al., 2009b): Ըստ Candiago et al. (2015), UAV-ի վրա հիմնված բազմասպեկտրային պատկերումը կարող է մեծապես նպաստել բերքի գնահատմանը և ճշգրիտ գյուղատնտեսությանը որպես հուսալի և արդյունավետ ռեսուրս: Նաև,
Khaliq et al. (2019) համեմատություն արեց արբանյակի և UAV-ի վրա հիմնված բազմասպեկտրային պատկերների միջև: Անօդաչու թռչող սարքերի վրա հիմնված պատկերներն ավելի ճշգրիտ են եղել խաղողի այգիների փոփոխականության նկարագրության մեջ, ինչպես նաև մշակաբույսերի հովանոցները ներկայացնելու ուժգին քարտեզները: Մի խոսքով, այս կլաստերի հոդվածները քննարկում են ջերմային և բազմասպեկտրային պատկերման սենսորների ներդրումը գյուղատնտեսական անօդաչու թռչող սարքերում: Համապատասխանաբար, ավելի շատ հետազոտություններ են անհրաժեշտ՝ հասկանալու համար, թե ինչպես կարելի է ջերմային և բազմասպեկտրային պատկերները ինտեգրվել AI-ի հետ
բույսերի սթրեսը հայտնաբերելու տեխնիկա (օրինակ՝ խորը ուսուցում) (Ampatzidis et al., 2020; Ampatzidis & Partel, 2019; Jung et al., 2021; Santesteban et al., 2017; Syeda et al., 2021): Նման պատկերացումները կօգնեն ապահովել ավելի արդյունավետ և ճշգրիտ հայտնաբերում, ինչպես նաև բույսերի աճի, սթրեսի և ֆենոլոգիայի մոնիտորինգ (Buters et al., 2019; Cao et al., 2020; Neupane & BaysalGurel, 2021; L. Zhou et al., 2020):
Կլաստեր 4. Այս կլաստերը բաղկացած է յոթ հոդվածից, որոնք պտտվում են սպեկտրային պատկերների և հիպերսպեկտրալ պատկերների կարևոր դերի շուրջ գյուղատնտեսական պրակտիկաներին աջակցելու գործում: Հիպերսպեկտրալ պատկերումը հաստատվել է որպես հեռաճանաչման մեթոդ, որը թույլ է տալիս երկրային համակարգի քանակական գնահատում (Schaepman et al., 2009): Ավելի ճշգրիտ լինելու համար, այն հնարավորություն է տալիս նույնականացնել մակերևութային նյութերը, (հարաբերական) կոնցենտրացիաների քանակականացումը և մակերեսային բաղադրիչների համամասնությունների նշանակումը
խառը պիքսելների ներսում (Kirsch et al., 2018; Zhao et al., 2022): Այլ կերպ ասած, հիպերսպեկտրային համակարգերի կողմից տրամադրվող ավելի բարձր սպեկտրային լուծումը հնարավորություն է տալիս ավելի ճշգրիտ գնահատել տարբեր պարամետրերը, ինչպիսիք են բուսական հատկությունները կամ տերևների ջրի պարունակությունը (Suomalainen et al., 2014): Այս կլաստերի հետազոտողները ուսումնասիրել են նման համակարգերի տարբեր ասպեկտներ: Ի թիվս այլոց, Aasen et al. (2015b) առաջարկել է եզակի մոտեցում՝ թեթև քաշից եռաչափ հիպերսպեկտրային տեղեկատվություն ստանալու համար
Լուսանկարչական տեսախցիկներ, որոնք օգտագործվում են անօդաչու թռչող սարքերի վրա՝ բուսականության մոնիտորինգի համար: Lucieer et al. (2014) քննարկել են նոր հիպերսպեկտրային UAS-ի նախագծումը, մշակումը և օդային գործողությունները, ինչպես նաև դրա հետ հավաքված պատկերի տվյալների չափաբերումը, վերլուծությունը և մեկնաբանումը: Վերջապես, Հոնկավաարան և այլք. (2013b) մշակել է FabryPerot ինտերֆերոմետրի վրա հիմնված սպեկտրային պատկերների մշակման համապարփակ մոտեցում և ցույց է տվել դրա օգտագործումը ճշգրիտ գյուղատնտեսության համար կենսազանգվածի գնահատման ընթացակարգում: Ներկայիս կլաստերի համար հնարավոր ապագա ուղիները ներառում են սենսորային տեխնոլոգիաների տեխնիկական բարելավման անհրաժեշտության շեշտը (Aasen et al., 2015b), ինչպես նաև լրացուցիչ տեխնոլոգիաների, մասնավորապես մեծ տվյալների և վերլուծությունների ներդրման և ընդլայնման անհրաժեշտությունը (Ang & Seng, 2021; Radoglou): - Grammatikis et al., 2020; Shakoor et al., 2019): Վերջինս հիմնականում բխում է խելացի գյուղատնտեսության մեջ կիրառվող տարբեր սենսորների կողմից ստեղծվող անընդհատ աճող տվյալներից (C. Li & Niu, 2020; A. Rejeb et al., 2022; Y. Su & Wang, 2021):
Կլաստեր 5. Այս կլաստերի հրապարակումները ուսումնասիրել են դրոնների վրա հիմնված 3Dmapping հավելվածները: Անօդաչու սարքերի օգտագործումը 3D քարտեզագրման համար կարող է մեղմել բարդ դաշտային աշխատանքը և էապես բարձրացնել արդյունավետությունը (Torres-Sanchez ´ et al., 2015): Կլաստերի հինգ հոդվածները հիմնականում կենտրոնացած էին բույսերի մոնիտորինգի կիրառությունների վրա: Օրինակ՝ հովանոցների տարածքի, ծառի բարձրության և պսակի ծավալի վերաբերյալ եռաչափ տվյալներ ստանալու համար Տորես-Սանչեսը և այլք: (2015) օգտագործեց UAV տեխնոլոգիան՝ մակերևույթի թվային մոդելներ ստեղծելու համար, այնուհետև օբյեկտի վրա հիմնված պատկերի վերլուծության (OBIA) մոտեցումներ: Այնուհետև, Զարկո-Թեջադան և այլք. (2014) քանակականացրեց ծառի բարձրությունը՝ ինտեգրելով UAV տեխնոլոգիան և եռաչափ ֆոտովերակառուցման մեթոդները: Ջիմենես-Բրենես Լոպես-Գրանադոս, Դե Կաստրո և այլն: (2017 թ.) ցուցադրեց տասնյակ ձիթենիների բազմաչափ, 3D մոնիտորինգի նոր գործընթաց՝ ինտեգրելով UAV տեխնոլոգիան առաջադեմ OBIA մեթոդաբանության հետ: Հետաքրքիր ուղիները այս կլաստերի ապագա աշխատանքների համար ներառում են կա՛մ ընթացիկի բարելավումը
մեթոդոլոգիաներ (Zarco-Tejada et al., 2014) թվային մակերևույթի մոդելավորման նպատակներով (Ajayi et al., 2017; Jaud et al., 2016), ինչպիսիք են OBIA (de Castro et al., 2018, 2020; Ventura et al. , 2018), և լուսանկարների վերակառուցում կամ նոր մեթոդների մշակում (Díaz-Varela et al., 2015; Torres-S´ anchez et al., 2015):
Կլաստեր 6. Այս կլաստերը քննարկում է անօդաչու թռչող սարքերի դերը գյուղատնտեսական հսկողության մեջ: Անօդաչու թռչող սարքերը կարող են լրացնել և հաղթահարել արբանյակային և օդանավերի նկարահանման թերությունները: Օրինակ, նրանք կարող են ապահովել բարձր լուծաչափություն իրական ժամանակի պատկերների մոտ՝ ավելի քիչ վառելիքով կամ փորձնական մարտահրավերներով, ինչը հանգեցնում է մշտական և իրական ժամանակի հսկողության և որոշումների կայացման բարելավմանը (S. Herwitz et al., 2004): Անօդաչու թռչող սարքերի մեկ այլ կարևոր ներդրումը նրանց կարողությունն է ճշգրիտ գյուղատնտեսության կամ տեղամասային գյուղատնտեսության համար հատուկ տվյալներ տրամադրելու, քանի որ դրանց բարձր լուծաչափը, տարբեր պարամետրերի վերաբերյալ մանրամասն տվյալները ֆերմերներին հնարավորություն են տալիս հողը բաժանել միատարր մասերի և համապատասխանաբար վերաբերվել դրանց (Hunt et al. , 2010; CC Lelong et al., 2008; Primicerio et al., 2012): Նման անօդաչու թռչող սարքերի վրա հիմնված գյուղատնտեսական հսկողությունը կարող է աջակցել պարենային անվտանգության մոնիտորինգին և որոշումների կայացմանը (SR Herwitz et al., 2004): Գյուղատնտեսական հսկողության ոլորտում հետազոտությունն առաջ մղելու համար անհրաժեշտ են ոչ միայն սենսորների, անօդաչու թռչող սարքերի և այլ հարակից տեխնոլոգիաների և դրանց հաղորդակցման և տվյալների փոխանցման մեթոդների բարելավում (Ewing et al., 2020; Shuai et al., 2019), այլ նաև անօդաչու սարքերի ինտեգրում տարբեր տարբեր սարքերի հետ: Խելացի գյուղատնտեսության հետ կապված տարբեր առաջադրանքների օպտիմալացման տեխնոլոգիաները, ինչպիսիք են մոնիտորինգը, գյուղատնտեսական հսկողությունը և որոշումների կայացումը, մեծ ներուժ ունեցող հետազոտական տարածք է (Alsamhi et al., 2021; Popescu et al., 2020; Vuran et al., 2018): Այս առումով, IoT, WSN-ները և մեծ տվյալները առաջարկում են հետաքրքիր լրացուցիչ հնարավորություններ (van der Merwe et al., 2020): Իրականացման ծախսերը, ծախսերի խնայողությունները, էներգաարդյունավետությունը և տվյալների անվտանգությունը նման ինտեգրման համար չուսումնասիրված ոլորտներից են (Masroor et al., 2021):
Երկրներ և ակադեմիական հաստատություններ
Վերջնական քայլը ներառում էր ծագման երկրի և հեղինակների ակադեմիական պատկանելության հետաքննությունը: Այս վերլուծության միջոցով մենք նպատակ ունենք ավելի լավ հասկանալ գիտնականների աշխարհագրական բաշխվածությունը, ովքեր նպաստում են գյուղատնտեսության մեջ դրոնների կիրառմանը: Հատկանշական է նկատել երկրների և ակադեմիական հաստատությունների բազմազանությունը։ Երկրի տեսանկյունից հրապարակումների քանակով ցուցակի առաջին տեղում են ԱՄՆ-ը, Չինաստանը, Հնդկաստանը և Իտալիան (Աղյուսակ 7): Ընթացիկ
Գյուղատնտեսական անօդաչու թռչող սարքերի վերաբերյալ հետազոտությունները հիմնականում կենտրոնացած են Հյուսիսային Ամերիկայի և Ասիայի երկրներում՝ հիմնականում ճշգրիտ գյուղատնտեսության կիրառման մեջ նրանց մեծ ներգրավվածության շնորհիվ: Օրինակ՝ ԱՄՆ-ում գյուղատնտեսական անօդաչու թռչող սարքերի շուկան 841.9 թվականին գնահատվել է 2020 միլիոն ԱՄՆ դոլար՝ կազմելով համաշխարհային շուկայի մասնաբաժնի մոտավորապես 30%-ը (ReportLinker, 2021): Դասակարգվելով որպես աշխարհի ամենամեծ տնտեսություն՝ Չինաստանը կանխատեսվում է, որ 2.6 թվականին մոտավոր շուկայական չափը կկազմի 2027 միլիարդ ԱՄՆ դոլար: Այս երկիրը կոչ է անում գյուղատնտեսական անօդաչուներին՝ հաղթահարել արտադրողականության խնդիրները և հասնել ավելի լավ եկամտաբերության, աշխատուժի մեղմացման և արտադրության ավելի քիչ ներդրման: Այնուամենայնիվ, Չինաստանում տեխնոլոգիայի ընդունումը պայմանավորված է նաև այնպիսի գործոններով, ինչպիսիք են պոպուլյացիայի չափը և մշակաբույսերի կառավարման առկա պրակտիկաները նորարարելու և բարելավելու անհրաժեշտությունը:
Լավագույն ամենաարդյունավետ երկրները և համալսարանները/կազմակերպությունները, որոնք նպաստում են
գյուղատնտեսական դրոնների հետ կապված հետազոտություններ:
Աստիճան | Երկրների |
1 | USA |
2 | ճենապակի |
3 | Հնդկաստան |
4 | italy |
5 | Իսպանիա |
6 | Գերմանիա |
7 | brazil |
8 | Ավստրալիա |
9 | ճապոնական լաքած իր |
10 | Միացյալ թագավորություն |
Աստիճան | Համալսարաններ/կազմակերպություններ |
1 | Չինաստանի գիտությունների ակադեմիայի |
2 | Չինաստանի Ժողովրդական Հանրապետության գյուղատնտեսության նախարարություն |
3 | Գիտական հետաքննությունների գերագույն խորհուրդ |
4 | Տեխասի A&M համալսարան |
5 | Չինաստանի գյուղատնտեսական համալսարան |
6 | USDA գյուղատնտեսական հետազոտությունների ծառայություն |
7 | CSIC – Instituto de Agricultura Sostenible IAS |
8 | Purdue University |
9 | Ազգային հետազոտական խորհուրդ |
10 | Հարավային Չինաստանի գյուղատնտեսական համալսարան |
Համալսարանական և կազմակերպչական տեսանկյունից հրապարակումների քանակով ցուցակը գլխավորում է Չինաստանի Գիտությունների ակադեմիան, որին հաջորդում են Չինաստանի Ժողովրդական Հանրապետության գյուղատնտեսության նախարարությունը և Consejo Superior de Investigaciones Científicas-ը: Չինաստանի Գիտությունների ակադեմիան ներկայացնում են հեղինակներ Լիաո Սյաոհանը և Լի Ջունը; Հան Վենթինգը ներկայացնում է Չինաստանի Ժողովրդական Հանրապետության գյուղատնտեսության նախարարությունը; և Consejo Superior de Investigaciones Científicas-ը ներկայացնում են Լոպես-Գրանադոսը, Ֆ. և Պենան, Խոսե Մարիա Ս. ԱՄՆ-ից, այնպիսի համալսարաններ, ինչպիսիք են Տեխասի A&M համալսարանը և Փրդյու համալսարանը, գտնում են իրենց
նշել. Առավելագույն թվով հրապարակումներ ունեցող համալսարանները և դրանց կապերը ներկայացված են Նկար 4-ում: Բացի այդ, այս ցանկը ներառում է այնպիսի հաստատություններ, ինչպիսիք են Consiglio Nazionale delle Ricerche-ը և Consejo Superior de Investigaciones Científicas-ը, որոնք ակտիվ են գիտական հետազոտություններում, բայց ակադեմիական հաստատություններ չեն: .
Մեր ընտրությունը ներառում էր ամսագրերի լայն տեսականի՝ ընդգրկելով գրեթե բոլոր առկա տվյալները: Ինչպես ցույց է տրված Աղյուսակ 8-ում, հեռահար զոնդավորումը 258 հոդվածով զբաղեցնում է առաջին հորիզոնականը, որին հաջորդում են Խելացի և ռոբոտային համակարգերի ամսագիրը. տեսություն և կիրառումներ՝ 126 և Համակարգիչներ և էլեկտրոնիկա գյուղատնտեսության մեջ՝ 98 հոդվածներով: Մինչ Remote Sensing-ը հիմնականում կենտրոնացած է անօդաչու թռչող սարքերի կիրառման և զարգացման վրա, Համակարգիչները և էլեկտրոնիկան գյուղատնտեսության մեջ հիմնականում ընդգրկում են առաջընթացները համակարգչային տեխնիկայի, ծրագրային ապահովման, էլեկտրոնիկայի և գյուղատնտեսության կառավարման համակարգերում: Տարածքային կետերը, ինչպիսիք են IEEE Robotics and Automation Letters-ը՝ 87 հրապարակումներով, և IEEE Access-ը՝ 34 հրապարակումներով, նույնպես ոլորտում առաջնակարգ կետեր են: Լավագույն տասնհինգ կետերը նպաստել են գրականությանը 959 փաստաթղթերով, ինչը կազմում է բոլոր հրապարակումների մոտավորապես 20.40%-ը: Ամսագրի համատեղ մեջբերումների վերլուծությունը մեզ հնարավորություն է տալիս ուսումնասիրել հրապարակումների կարևորությունն ու նմանությունը: Համատեղ մեջբերումների վերլուծությունը տալիս է երեք կլաստեր, ինչպես ցույց է տրված Նկար 5-ում: Կարմիր կլաստերը բաղկացած է այնպիսի ամսագրերից, ինչպիսիք են Remote Sensing, Computer and Electronics in Agriculture, Sensors,
և Հեռակառավարման միջազգային ամսագիր: Այս բոլոր վաճառակետերը շատ հեղինակավոր ամսագրեր են հեռահար զոնդավորման և ճշգրիտ գյուղատնտեսության ոլորտներում: Կանաչ կլաստերը պարունակում է ամսագրեր, որոնք զբաղվում են ռոբոտաշինությամբ, ինչպիսիք են Journal of Intelligent and Robotic Systems: Theory and Applications, IEEE Robotics and Automation Letters, IEEE Access և Drones: Այս վաճառակետերը հիմնականում տպագրում են փաստաթղթեր ավտոմատացման վերաբերյալ և օգտակար են գյուղատնտեսության ինժեներների համար: Վերջնական կլաստերը ձևավորվում է ագրոնոմիային և գյուղատնտեսական ճարտարագիտությանը վերաբերող ամսագրերից, ինչպիսիք են Agronomy-ը և International Journal of Agricultural and Biological Engineering-ը:
Գյուղատնտեսական դրոնների հետ կապված հետազոտությունների լավագույն 15 ամսագրերը:
Աստիճան | Հանդես | Հաշվել |
1 | Հեռակառավարման ցուցիչ | 258 |
2 | Խելացի և ռոբոտային համակարգերի ամսագիր. տեսություն և Ծրագրեր | 126 |
3 | Համակարգիչները և էլեկտրոնիկան գյուղատնտեսության մեջ | 98 |
4 | IEEE Robotics and Automation Letters | 87 |
5 | Սենսորների | 73 |
6 | Հեռակառավարման միջազգային ամսագիր | 42 |
7 | Cշգրիտ գյուղատնտեսություն | 41 |
8 | Drones | 40 |
9 | Ագրոնոմիա | 34 |
10 | IEEE Access | 34 |
11 | Առաջադեմ ռոբոտային համակարգերի միջազգային ամսագիր | 31 |
12 | Գյուղատնտեսական և կենսաբանական ճարտարագիտության միջազգային հանդես | 25 |
13 | PLoS ONE | 25 |
14 | Դաշտային ռոբոտաշինության ամսագիր | 23 |
15 | Biosystems Engineering | 23 |
Եզրափակում
Ամփոփում
Այս ուսումնասիրության մեջ մենք ամփոփեցինք և վերլուծեցինք գյուղատնտեսական անօդաչու թռչող սարքերի վերաբերյալ առկա հետազոտությունները: Կիրառելով տարբեր բիբլիոմետրիկ մեթոդներ՝ մենք ձգտեցինք ավելի լավ պատկերացում կազմել գյուղատնտեսական դրոնների հետ կապված հետազոտությունների ինտելեկտուալ կառուցվածքի մասին: Ընդհանուր առմամբ, մեր ակնարկն առաջարկում է մի քանի ներդրում՝ բացահայտելով և քննարկելով հիմնաբառերը գրականության մեջ, բացահայտելով գիտելիքների կլաստերներ՝ միաժամանակ ձևավորելով իմաստային առումով նմանատիպ համայնքներ անօդաչու սարքերի ոլորտում, նախանշելով ավելի վաղ հետազոտությունները և առաջարկելով հետագա հետազոտության ուղղությունները: Ստորև ներկայացնում ենք գյուղատնտեսական անօդաչու թռչող սարքերի մշակման վերաբերյալ վերանայման հիմնական արդյունքները.
• Ընդհանուր գրականությունը արագորեն աճել է և հսկայական ուշադրություն է գրավել վերջին տասնամյակի ընթացքում, ինչի մասին վկայում է 2012 թվականից հետո հոդվածների թվի աճը: Թեև այս գիտելիքի ոլորտը դեռ պետք է հասնի իր լիարժեք հասունությանը (Barrientos et al., 2011; Maes. & Steppe, 2019), մի քանի հարցեր դեռ անպատասխան են: Օրինակ, փակ հողագործության մեջ դրոնների օգտակարությունը դեռևս բաց է բանավեճի համար (Aslan et al., 2022; Krul et al., 2021; Rold´ an et al., 2015): Դաշտային տեսարանների բարդությունը և տարբեր պատկերային հանգամանքները (օրինակ՝ ստվերները և լուսավորությունը) կարող են հանգեցնել ավելի բարձր սպեկտրալ դասի շեղումների (Yao et al., 2019): Նույնիսկ հետագա հետազոտական փուլերում հետազոտողներին մարտահրավեր է նետվել՝ որոշելու թռիչքների օպտիմալ պլանները՝ ըստ որոշակի սցենարների և պահանջվող պատկերի որակի (Soares et al., 2021; Tu et al.,
2020).
• Մենք նկատում ենք, որ ոլորտն առաջընթաց է ապրել՝ արդյունավետ անօդաչու թռչող սարքերի համակարգերի մշակումից դեպի AI տեխնիկաներ ներառելու, ինչպիսիք են մեքենայական ուսուցումը և խորը ուսուցումը գյուղատնտեսական դրոնների նախագծման մեջ (Bah et al., 2018; Kitano et al., 2019; Maimaitijiang et al. , 2020; Mazzia et al., 2020; Tetila et al., 2020):
• Գյուղատնտեսական դրոնների վերաբերյալ հետազոտությունները հիմնականում քննարկել են հեռահար զոնդավորումը՝ ուսումնասիրելով շրջակա միջավայրի մոնիտորինգի, մշակաբույսերի կառավարման և մոլախոտերի կառավարման տեխնոլոգիայի ներուժը (կլաստեր 1), ինչպես նաև հեռավոր ֆենոտիպավորման և բերքատվության գնահատման (կլաստեր 2): Գյուղատնտեսական դրոնների վերաբերյալ ազդեցիկ ուսումնասիրությունների շարքը ներառում է Austin (2010), Berni et al. (2009) ա, Հերվից և այլք. (2004), Nex and Remondino (2014) և Zhang and Kovacs (2012): Այս ուսումնասիրությունները մշակել են անօդաչու թռչող սարքերի հետ կապված հետազոտությունների հայեցակարգային հիմքերը գյուղատնտեսության համատեքստում:
• Մեթոդաբանության հետ կապված՝ մենք նկատեցինք, որ մինչ այժմ կատարված հետազոտությունների մեծ մասը կազմված էր կամ համակարգի նախագծումից, հայեցակարգային կամ վերանայման վրա հիմնված ուսումնասիրություններից (Inoue, 2020; Nex & Remondino, 2014; P´erez-Ortiz et al. , 2015; Յաո և այլք, 2019): Մենք նաև նկատում ենք գյուղատնտեսական անօդաչու թռչող սարքերի ուսումնասիրության էմպիրիկ, որակական և դեպքերի ուսումնասիրության վրա հիմնված մեթոդների բացակայություն:
• Վերջերս ճշգրիտ գյուղատնտեսության, AI տեխնիկայի, ճշգրիտ խաղողագործության և ջրային սթրեսի գնահատման հետ կապված թեմաները էական ուշադրություն են գրավել (Espinoza et al., 2017; Gomez-Cand ´ on ´ et al., 2016; Matese et al., 2015; Matese & Di Gennaro, 2018, 2021; Z. Zhou et al., 2021): Հետազոտական կլաստերների մանրակրկիտ ուսումնասիրությունը երկու առանձին ժամանակաշրջաններում՝ 1990–2010 և 2011–2021, բացահայտում է տիրույթի ինտելեկտուալ կառուցվածքի առաջընթացը։ 1990-ից մինչև 2010 թվականը ընկած ժամանակահատվածը կազմեց կենտրոնական պատկերացումների և անօդաչու թռչող սարքերի հայեցակարգերի ձևավորում, ինչը ակնհայտ է անօդաչու թռչող սարքերի նախագծման, մշակման և ներդրման քննարկումից: Երկրորդ դարաշրջանում հետազոտական կենտրոնացումը ընդլայնվում է նախորդ ուսումնասիրությունների վրա՝ ջանքեր գործադրելով սինթեզել անօդաչու թռչող սարքերի օգտագործման դեպքերը գյուղատնտեսության մեջ: Մենք նաև գտանք բազմաթիվ ուսումնասիրություններ, որոնք քննարկում են անօդաչու թռչող սարքերի կիրառությունները պատկերային առաջադրանքներում և ճշգրիտ գյուղատնտեսությունում:
Աստիճան | Հանդես | Հաշվել |
1 | Հեռակառավարման ցուցիչ | 258 |
2 | Խելացի և ռոբոտային համակարգերի ամսագիր. տեսություն և | 126 |
Ծրագրեր | ||
3 | Համակարգիչները և էլեկտրոնիկան գյուղատնտեսության մեջ | 98 |
4 | IEEE Robotics and Automation Letters | 87 |
5 | Սենսորների | 73 |
6 | Հեռակառավարման միջազգային ամսագիր | 42 |
7 | Cշգրիտ գյուղատնտեսություն | 41 |
8 | Drones | 40 |
9 | Ագրոնոմիա | 34 |
10 | IEEE Access | 34 |
11 | Առաջադեմ ռոբոտային համակարգերի միջազգային ամսագիր | 31 |
12 | Գյուղատնտեսական և կենսաբանական ճարտարագիտության միջազգային հանդես | 25 |
13 | PLoS ONE | 25 |
14 | Դաշտային ռոբոտաշինության ամսագիր | 23 |
15 | Biosystems Engineering | 22 |
Հետեւանքները
Մեր մատենագիտական ակնարկը նախագծվել և իրականացվել է գիտնականների, ֆերմերների, գյուղատնտեսական փորձագետների, մշակաբույսերի խորհրդատուների և անօդաչու թռչող սարքերի համակարգերի նախագծողների մտքում ունենալով: Հեղինակների լավագույն իմացությամբ սա առաջին բնօրինակ ակնարկներից մեկն է, որը ձեռնարկել է մատենագիտական խորը վերլուծություն
անօդաչու թռչող սարքերի կիրառումը գյուղատնտեսության մեջ. Մենք իրականացրել ենք այս գիտելիքի մարմնի համապարփակ վերանայում` կիրառելով հրապարակումների մեջբերումներ և համահեղինակային վերլուծություններ: Անօդաչու թռչող սարքերի հետազոտության ինտելեկտուալ կառուցվածքը նկարագրելու մեր փորձերը նաև նոր պատկերացումներ են տալիս գիտնականների համար: Ժամանակի ընթացքում օգտագործված հիմնաբառերի մանրակրկիտ վերանայումը բացահայտում է անօդաչու թռչող սարքերի հետ կապված գրականության թեժ կետերը և հետազոտական կենտրոնական ոլորտները: Ավելին, մենք ներկայացնում ենք ամենաշատ մեջբերված ուսումնասիրությունների ցանկը՝ բացահայտելու ոլորտում կատարված ամենաազդեցիկ հետազոտական աշխատանքները: Հոդվածների և հիմնաբառերի նույնականացումը, հետևաբար, կարող է ամուր մեկնարկային կետ ապահովել ապագա ուսումնասիրությունների համար մի քանի ուղիներ բացահայտելու համար:
Կարևորն այն է, որ մենք բացահայտեցինք կլաստերներ, որոնք դասակարգում են համադրելի աշխատանքները և մանրամասն մշակեցինք արդյունքները: Կլաստերների մեջ դասակարգված ուսումնասիրությունները օգնում են հասկանալ անօդաչու թռչող սարքերի հետազոտության ինտելեկտուալ կառուցվածքը: Հատկանշական է, որ մենք հայտնաբերել ենք անօդաչու թռչող սարքերի ընդունման գործոնները ուսումնասիրող հետազոտությունների պակաս
և գյուղատնտեսական գործունեության խոչընդոտները (տես Աղյուսակ 9): Ապագա հետազոտողները կարող են լուծել այս հնարավոր բացը` անցկացնելով էմպիրիկ հետազոտություններ, որոնք գնահատում են անօդաչու թռչող սարքերի ընդունման գործոնները տարբեր գյուղատնտեսական գործունեության և կլիմայական պայմաններում: Ավելին, անօդաչու թռչող սարքերի արդյունավետության վերաբերյալ դեպքերի ուսումնասիրության վրա հիմնված հետազոտությունը պետք է ապահովված լինի դաշտի իրական տվյալներով: Նաև ֆերմերների և մենեջերների ներգրավումը ակադեմիական հետազոտություններում ձեռնտու կլինի անօդաչու թռչող սարքերի հետազոտության տեսական և գործնական առաջխաղացման համար: Մենք կարողացանք նաև բացահայտել ամենահայտնի հետազոտողներին և նրանց ներդրումները, ինչը արժեքավոր է, քանի որ վերջին կարևոր աշխատանքների մասին տեղեկացվածությունը կարող է որոշակի ուղեցույց առաջարկել ապագա ակադեմիական ջանքերի համար:
Աղյուսակ 9
UAV ընդունման խոչընդոտներ.
Արգելքը | Նկարագրություն |
Տվյալների ապահովություն | Կիբերանվտանգությունը իրականացման համար լուրջ մարտահրավեր է IoT լուծումներ (Masroor et al., 2021): |
Փոխգործունակություն և ինտեգրում | Տարբեր տեխնոլոգիաներ, ինչպիսիք են UAV, WSN, IoT և այլն: պետք է ինտեգրվեն և փոխանցեն տվյալներ, որոնք բարձրացնել բարդության մակարդակը (Alsamhi et al., 2021; Պոպեսկու և այլք, 2020; Վուրան և ուրիշներ, 2018): |
Իրականացման ծախսերը | Սա հատկապես վերաբերում է փոքր ֆերմերներին և նրանց համար տարբեր առաջադեմ տեխնոլոգիաների ինտեգրում ( Մասրուր և այլք, 2021): |
Աշխատանքային գիտելիքներ և փորձաքննություն | Անօդաչու թռչող սարքերի շահագործման համար անհրաժեշտ են հմուտ անօդաչու օդաչուներ: Նաև զանազան գերժամանակակից իրականացում տեխնոլոգիաները պահանջում են հմուտ աշխատողներ (YB Huang et al., 2013; Ցուրոս և այլք, 2019): |
Շարժիչի հզորությունը և թռիչքը տեւողությունը | Անօդաչու թռչող սարքերը չեն կարող երկար ժամերով շահագործվել և ծածկել մեծ տարածքներ (Hardin & Hardin, 2010; Laliberte et al., 2007). |
Կայունություն, հուսալիություն և մանևրելիություն | Դրոնները կայուն չեն եղանակային վատ պայմանների ժամանակ (Hardin & Hardin, 2010; Laliberte et al., 2007): |
Օգտակար բեռի սահմանափակումներ և սենսորների որակը | Անօդաչու թռչող սարքերը կարող են միայն սահմանափակ բեռներ տեղափոխել ավելի ցածր որակի սենսորներ բեռնելու հնարավորություն (Nebiker et al., 2008): |
Կանոնավորում | Քանի որ անօդաչու թռչող սարքերը նույնպես կարող են վտանգավոր լինել, կան ծանր կանոնակարգերը որոշ ոլորտներում (Hardin & Jensen, 2011; Laliberte & Rango, 2011): |
ֆերմերների գիտելիքները և հետաքրքրություն | Որպես այլ առաջադեմ տեխնոլոգիաներ, անօդաչու սարքերը. հաջող իրականացումը պահանջում է փորձաքննություն և նաև ուղեկցվում է անորոշություններով (Fisher et al., 2009; Lambert et al., 2004; Սթաֆորդ, 2000): |
Քանի որ մշտական կարիք կա արդյունավետորեն օգտագործել առկա ռեսուրսները՝ առավելագույն բերքատվությունը բարձրացնելու համար, ֆերմերները կարող են օգտվել դրոններից՝ ապահովելու իրենց դաշտերի արագ, ճշգրիտ և ծախսարդյունավետ սկանավորումը: Տեխնոլոգիան կարող է աջակցել ֆերմերներին որոշելու իրենց բերքի վիճակը և գնահատելու ջրի կարգավիճակը, հասունացման փուլը, միջատների վարակումը և սննդային կարիքները: Անօդաչու թռչող սարքերի հեռակառավարման հնարավորությունները կարող են ֆերմերներին տրամադրել կարևոր տվյալներ՝ խնդիրները վաղ փուլում կանխատեսելու և համապատասխան միջամտություններ կատարելու համար: Այնուամենայնիվ, տեխնոլոգիայի օգուտները կարող են իրականացվել միայն այն դեպքում, եթե մարտահրավերները պատշաճ կերպով լուծվեն: լույսի ներքո
տվյալների անվտանգությանը, սենսորային տեխնոլոգիայի խնդիրներին (օրինակ՝ չափումների հուսալիությունը կամ ճշտությունը), ինտեգրման բարդությունը և իրականացման զգալի ծախսերը, ապագա ուսումնասիրությունները պետք է նաև ուսումնասիրեն գյուղատնտեսական անօդաչու թռչող սարքերի և այլ արտադրությունների ինտեգրման տեխնիկական, տնտեսական և գործառնական իրագործելիությունը: եզրային տեխնոլոգիաներ.
Սահմանափակումները
Մեր ուսումնասիրությունն ունի մի քանի սահմանափակում. Նախ, արդյունքները որոշվում են վերջնական վերլուծության համար ընտրված հրապարակումներով: Դժվար է գրավել գյուղատնտեսական անօդաչու թռչող սարքերի հետ կապված բոլոր համապատասխան ուսումնասիրությունները, հատկապես նրանք, որոնք ինդեքսավորված չեն Scopus տվյալների բազայում: Ավելին, տվյալների հավաքագրման գործընթացը սահմանափակվում է որոնման հիմնաբառերի սահմանմամբ, որոնք կարող են ներառական չլինել և հանգեցնել անորոշ բացահայտումների: Այսպիսով, ապագա ուսումնասիրությունները պետք է ավելի մեծ ուշադրություն դարձնեն տվյալների հավաքագրման հիմքում ընկած խնդրին
ավելի հուսալի եզրակացություններ. Մյուս սահմանափակումը վերաբերում է ցածր թվով մեջբերումներով նոր հրատարակություններին: Բիբլիոմետրիկ վերլուծությունը կողմնակալ է ավելի վաղ հրապարակումների նկատմամբ, քանի որ դրանք տարիների ընթացքում հակված են ավելի շատ մեջբերումներ ստանալ: Վերջին ուսումնասիրությունները որոշակի ժամանակ են պահանջում ուշադրություն գրավելու և մեջբերումներ կուտակելու համար: Հետևաբար, պարադիգմային փոփոխություն բերող վերջին ուսումնասիրությունները չեն դասվի ազդեցիկ աշխատանքների լավագույն տասնյակում: Այս սահմանափակումը տարածված է արագ զարգացող հետազոտական տիրույթների ուսումնասիրության մեջ, ինչպիսիք են գյուղատնտեսական դրոնները: Քանի որ մենք խորհրդակցել ենք Scopus-ի հետ՝ ուսումնասիրելու այս աշխատանքի գրականությունը, ապագա հետազոտողները կարող են տարբեր մտածել
տվյալների բազաները, ինչպիսիք են Web of Science-ը և IEEE Xplore-ը, հորիզոնն ընդլայնելու և հետազոտության կառուցվածքը բարելավելու համար:
Պոտենցիալ մատենագիտական ուսումնասիրությունները կարող են դիտարկել այլ կենսական գիտելիքների աղբյուրներ, ինչպիսիք են կոնֆերանսի հոդվածները, գլուխները և գրքերը՝ նոր պատկերացումներ ստեղծելու համար: Չնայած գյուղատնտեսական անօդաչու թռչող սարքերի վերաբերյալ գլոբալ հրապարակումների քարտեզագրմանը և հետաքննությանը, մեր բացահայտումները չբացահայտեցին համալսարանների գիտական արդյունքների հիմքում ընկած պատճառները: Սա ճանապարհ է հարթում դեպի հետազոտությունների նոր տարածք՝ որակապես բացատրելով, թե ինչու են որոշ համալսարաններ ավելի արդյունավետ, քան մյուսները, երբ խոսքը վերաբերում է գյուղատնտեսության վերաբերյալ հետազոտություններին:
դրոններ. Բացի այդ, ապագա ուսումնասիրությունները կարող են պատկերացում կազմել անօդաչու թռչող սարքերի ներուժի մասին՝ բարձրացնելու գյուղատնտեսության կայունությունը մի քանի եղանակներով, ինչպիսիք են շրջակա միջավայրի մոնիտորինգը, բերքի կառավարումը և մոլախոտերի քարտեզագրումը, ինչպես ցույց են տվել մի քանի հետազոտողներ (Chamuah & Singh, 2019; Islam et al., 2021; Popescu et al., 2020; J. Su, Liu, et al., 2018b): Քանի որ տեքստային վերլուծությունը հնարավոր չի եղել ընտրված հոդվածների մեծ քանակի պատճառով, անհրաժեշտ է համակարգված գրականության ակնարկներ, որոնք ուսումնասիրում են
օգտագործված հետազոտական մեթոդները և ֆերմերների ներգրավումը նախորդ ուսումնասիրություններին: Մի խոսքով, անօդաչու սարքերի հետազոտության մեր վերլուծությունը բացահայտում է այս գիտելիքի մարմնի անտեսանելի կապերը: Հետևաբար, այս ակնարկն օգնում է բացահայտել հրապարակումների միջև փոխհարաբերությունները և ուսումնասիրել հետազոտական դաշտի ինտելեկտուալ կառուցվածքը: Այն նաև պատկերում է կապը գրականության տարբեր ասպեկտների միջև, ինչպիսիք են հեղինակների հիմնաբառերը, պատկանելությունները և երկրները:
Մրցակցային հետաքրքրությունների հայտարարագիր
Հեղինակները հայտարարում են, որ իրենք չունեն հայտնի մրցակցային ֆինանսական շահեր կամ անձնական հարաբերություններ, որոնք կարող էին կարծես ազդել սույն աշխատանքում զեկուցված աշխատանքի վրա:
Հավելված 1
TITLE-ABS-KEY (((անօդաչու սարք* ԿԱՄ «անօդաչու թռչող սարք» ԿԱՄ uav* ԿԱՄ «անօդաչու թռչող սարք«ԿԱՄ uas ԿԱՄ «հեռակառավարվող օդանավ») ԵՎ (գյուղատնտեսական ԿԱՄ գյուղատնտեսություն ԿԱՄ հողագործություն ԿԱՄ ֆերմեր))) ԵՎ (ԲԱՑԱՌՈՒՄ (PUBYEAR, 2022)) ԵՎ (ԼԵԶՈՒ, «Անգլերեն»)):
Սայլակ
Aasen, H., Burkart, A., Bolten, A., Bareth, G., 2015 թ.: Բուսականության մոնիտորինգի համար թեթև անօդաչու թռչող սարքի նկարահանման տեսախցիկներով 3D հիպերսպեկտրային տեղեկատվության ստեղծում.
տեսախցիկի չափորոշում որակի ապահովման համար: ISPRS J. Photogramm. Հեռակառավարման ցուցիչ 108, 245–259: https://doi.org/10.1016/j.isprsjprs.2015.08.002.
Abd-Elrahman, A., Pearlstine, L., Percival, F., 2005. Անօդաչու թռչող սարքերի պատկերներից թռչունների ավտոմատ հայտնաբերման համար օրինաչափությունների ճանաչման ալգորիթմի մշակում:
Հարցում. Land Inform. Գիտ. 65 (1), 37–45։
Abdollahi, A., Rejeb, K., Rejeb, A., Mostafa, MM, Zailani, S., 2021. Անլար սենսորային ցանցերը գյուղատնտեսության մեջ. պատկերացումներ բիբլիոմետրիկ վերլուծությունից: Կայունություն 13 (21),
12011:
Aboutalebi, M., Torres-Rua, AF, Kustas, WP, Nieto, H., Coopmans, C., McKee, M., Ստվերների հայտնաբերման տարբեր մեթոդների գնահատում բարձր լուծաչափով օպտիկական պատկերներում և ստվերի ազդեցության գնահատում հաշվարկի վրա NDVI և գոլորշիացում: Ոռոգել. Գիտ. 37 (3), 407–429 թթ. https://doi.org/10.1007/s00271-018-0613-9.
Adao, ˜ T., Hruˇska, J., Padua, ´ L., Bessa, J., Peres, E., Morais, R., Sousa, JJ, 2017: Հիպերսպեկտրալ պատկերացում. անօդաչու թռչող սարքերի վրա հիմնված տվիչների, տվյալների վերանայում մշակում և
դիմումներ գյուղատնտեսության և անտառային տնտեսության համար: Հեռակառավարում 9 (11). https://doi.org/ 10.3390/rs9111110:
Agüera Vega, F., Ramírez, FC, Saiz, MP, Rosúa, FO, 2015: Բազմաժամանակային պատկերացում՝ օգտագործելով անօդաչու թռչող սարք՝ արևածաղկի բերքը մոնիտորինգի համար: Բիոսիստ. Անգլ.
132, 19–27. https://doi.org/10.1016/j.biosystemseng.2015.01.008.
Ajayi, OG, Salubi, AA, Angbas, AF, Odigure, MG, 2017: Անօդաչու թռչող սարքից բարձրության ճշգրիտ թվային մոդելների ստեղծումը ձեռք է բերել ցածր տոկոսով համընկնող պատկերներ: Միջ.
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. Հեռահար զոնդավորման տվյալներից կենսազանգվածի և հողի խոնավության որոնման մեքենայական ուսուցման մոտեցումների վերանայում: Remote Sensing 7 (12), 16398–16421:
Alsamhi, SH, Afghah, F., Sahal, R., Hawbani, A., Al-qaness, MAA, Lee, B., Guizani, M., B5G ցանցերում անօդաչու սարքեր օգտագործող իրերի կանաչ ինտերնետ.
և ռազմավարություններ։ Հայտարարություն. Հոկ. Ցանց 117, 102505 https://doi.org/10.1016/j. adhoc.2021.102505.
Al-Thani, N., Albuainain, A., Alnaimi, F., Zorba, N., 2020: Անօդաչու սարքեր ոչխարների անասնաբուծության մոնիտորինգի համար: IEEE Միջերկրական էլեկտրատեխնիկական 20-րդ կոնֆերանս: https://doi.
org/10.1109/MELECON48756.2020.9140588.
Ampatzidis, Y., Partel, V., 2019. UAV-ի վրա հիմնված բարձր թողունակության ֆենոտիպավորում ցիտրուսներում՝ օգտագործելով բազմասպեկտրային պատկերավորումը և արհեստական ինտելեկտը: Հեռակառավարում 11 (4), https://doi.org/10.3390/rs11040410:
Ampatzidis, Y., Partel, V., Costa, L., 2020: Agroview. Cloud-ի վրա հիմնված հավելված՝ մշակելու, վերլուծելու և պատկերացնելու համար հավաքագրված անօդաչու թռչող սարքերի միջոցով հավաքված տվյալները՝ արհեստական ինտելեկտի օգտագործմամբ գյուղատնտեսության ճշգրիտ կիրառությունների համար: Հաշվարկ. Էլեկտրոն. Ագրոգ. 174, 105457 https://doi. org/10.1016/j.compag.2020.105457.
Ang, K.-L.-M., Seng, JKP, 2021: Մեծ տվյալներ և մեքենայական ուսուցում գյուղատնտեսության մեջ հիպերսպեկտրային տեղեկատվության հետ: IEEE Access 9, 36699–36718: https://doi.org/10.1109/
ՄՈՒՏՔ.2021.3051196.
Aquilani, C., Confessore, A., Bozzi, R., Sirtori, F., Pugliese, C., 2022. Վերանայում. Անասնաբուծության ճշգրիտ տեխնոլոգիաներ արոտավայրերի վրա հիմնված անասնաբուծական համակարգերում: Animal 16 (1), https://doi.org/10.1016/j.animal.2021.100429.
Armenta-Medina, D., Ramirez-Delreal, TA, Villanueva-Vasquez, ´ D., Mejia-Aguirre, C., Առաջադեմ տեղեկատվական և հաղորդակցական տեխնոլոգիաների միտումները:
գյուղատնտեսական արտադրողականության բարելավում. մատենաչափական վերլուծություն. Ագրոնոմիա 10 (12), հոդված 12. https://doi.org/10.3390/agronomy10121989.
Armstrong, I., Pirrone-Brusse, M., Smith, A., Jadud, M., 2011: The Flying Gator. to aerial robotics in occam-π. կոմուն. Գործընթացների ճարտարապետ. 2011, 329–340: https://doi. org/10.3233/978-1-60750-774-1-329.
Arora, SD, Chakraborty, A., 2021. Սպառողների բողոքող վարքագծի ինտելեկտուալ կառուցվածքը (CCB) հետազոտություն. մատենագիտական վերլուծություն: J. Business Res. 122, 60–74։
Aslan, MF, Durdu, A., Sabanci, K., Ropelewska, E., Gültekin, SS, 2022:
Բաց դաշտերում և ջերմոցներում ճշգրիտ գյուղատնտեսության համար անօդաչու թռչող սարքերի հետ կապված վերջին ուսումնասիրությունների համապարփակ հետազոտություն: Ապլ. Գիտ. 12 (3), 1047. https://doi.org/10.3390/
հավելված 12031047.
Atkinson, JA, Jackson, RJ, Bentley, AR, Ober, E., & Wells, DM (2018): Դաշտային ֆենոտիպավորում ապագայի համար: Annual Plant Reviews online-ում (էջ 719–736): Ջոն
Wiley & Sons, Ltd. doi՝ 10.1002/9781119312994.apr0651:
Austin, R., 2010. Անօդաչու թռչող սարքերի համակարգեր. UAVS նախագծում, մշակում և տեղակայում: Անօդաչու թռչող սարքերի համակարգեր՝ անօդաչու թռչող սարքերի նախագծում, մշակում և
Տեղակայում. Ջոն Ուայլի և որդիներ. 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: Բույսերի սթրեսի ժամանակ անօդաչու թռչող սարքերի վրա հիմնված հեռահար զոնդավորումը պատկերացրեք՝ օգտագործելով բարձր լուծաչափով ջերմային սենսորը թվային գյուղատնտեսության պրակտիկայի համար. մետա-ակնարկ: Միջ. J. Environ. Գիտ. Տեխնոլ. https://doi.
org/10.1007/s13762-021-03801-5.
Բակկո, Մ., Բերտոն, Ա., Ֆերրո, Է., Ջեննարո, Ս., Գոտտա, Ա., Մատեոլի, Ս., Պաոնեսսա, Ֆ., Ռուջերի, Մ., Վիրոնե, Գ., Զանելլա, Ա., 2018. Խելացի գյուղատնտեսություն. հնարավորություններ, մարտահրավերներ
և տեխնոլոգիաների հնարավորությունները: 2018 IoT Ուղղահայաց և. Գյուղատնտեսության թեմատիկ գագաթնաժողով - Տոսկանա (IOT Tuscana) 1–6. https://doi.org/10.1109/IOTTUSCANY.2018.8373043.
Bah, MD, Hafiane, A., Canals, R., 2018: Խորը ուսուցում չվերահսկվող տվյալների պիտակավորումով մոլախոտերի հայտնաբերման համար գծային մշակաբույսերում UAV պատկերներում: Հեռակառավարման հսկողություն 10 (11), 1690 թ.
https://doi.org/10.3390/rs10111690.
Բալդի, Ս., 1998. Նորմատիվ ընդդեմ սոցիալական կոնստրուկտիվիստական գործընթացները մեջբերումների տեղաբաշխման մեջ. ցանցային-վերլուծական մոդել. Ամ. Սոցիոլ. 63 (6), 829–846 թթ. https://doi.
org / 10.2307 / 2657504:
Baluja, J., Diago, MP, Balda, P., Zorer, R., Meggio, F., Morales, F., Tardaguila, J., 2012. Խաղողի ջրի կարգավիճակի փոփոխականության գնահատում ջերմային և բազմասպեկտրային եղանակով:
պատկերներ՝ օգտագործելով անօդաչու թռչող սարք (ԱԹՍ): Ոռոգել. Գիտ. 30 (6), 511–522 թթ. https://doi.org/10.1007/s00271-012-0382-9.
Barabaschi, D., Tondelli, A., Desiderio, F., Volante, A., Vaccino, P., Val`e, G., Cattivelli, L., Հաջորդ սերնդի բուծում: Բույսերի գիտ. 242, 3–13։ https://doi.org/10.1016/j.
բույսերի.2015.07.010.
Barbedo, JGA, Koenigkan, LV, 2018. Անօդաչու թռչող սարքերի օգտագործման հեռանկարներ խոշոր եղջերավոր անասունների մոնիտորինգի համար: 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. Ցածր քաշի և անօդաչու թռչող սարքերի վրա հիմնված հիպերսպեկտրալ լրիվ կադր տեսախցիկներ
մշակաբույսերի մոնիտորինգի համար. Սպեկտրային համեմատություն շարժական սպեկտրոռադիոմետրերի չափումների հետ: Photogrammetrie, Fernerkundung, Geoinformation 2015 (1), 69–79.
https://doi.org/10.1127/pfg/2015/0256.
Barrientos, A., Colorado, J., del Cerro, J., Martinez, A., Rossi, C., Sanz, D., Valente, J., Օդային հեռահար զոնդավորումը գյուղատնտեսությունում. տարածքների ծածկույթի գործնական մոտեցում
և ուղու պլանավորում մինի օդային ռոբոտների նավատորմի համար: J. Field Rob. 28 (5), 667–689 թթ. https://doi.org/10.1002/rob.20403.
Basiri, A., Mariani, V., Silano, G., Aatif, M., Iannelli, L., Glielmo, L., 2022: Հետազոտություն բազմառոտորային անօդաչու թռչող սարքերի համար ուղու պլանավորման ալգորիթմների կիրառման ճշգրտությամբ:
գյուղատնտեսություն։ Ջ.Նավիգ. 75 (2), 364–383։
Basnet, B., Bang, J., 2018: Գիտելիքների ինտենսիվ գյուղատնտեսության նորագույն արդիականությունը. ակնարկ կիրառական զգայական համակարգերի և տվյալների վերլուծության վերաբերյալ: J. Sens. 2018, 1–13:
Bendig, J., Bolten, A., Bareth, G., 2013. UAV-ի վրա հիմնված պատկերացում բազմաժամանակյա, շատ բարձր լուծաչափով մշակաբույսերի մակերեսի մոդելների համար՝ մշակաբույսերի աճի փոփոխականությունը վերահսկելու համար: Photogrammetrie, Fernerkundung, Geoinformation 2013 (6), 551–562: https://doi. org/10.1127/1432-8364/2013/0200.
Bendig, J., Bolten, A., Bennertz, S., Broscheit, J., Eichfuss, S., Bareth, G., 2014. Գարու կենսազանգվածի գնահատում` օգտագործելով մշակաբույսերի մակերեսային մոդելները (CSMs)՝ ստացված UAV-ի վրա հիմնված RGB պատկերացումից: Remote Sensing 6 (11), 10395–10412:
Bendig, J., Yu, K., Aasen, H., Bolten, A., Bennertz, S., Broscheit, J., Gnyp, ML, Bareth, G., 2015. Համատեղելով անօդաչու թռչող սարքերի վրա հիմնված բույսերի բարձրությունը մշակաբույսերի մակերեւույթից մոդելներ,
տեսանելի և մոտ ինֆրակարմիր բուսականության ցուցանիշները գարու մեջ կենսազանգվածի մոնիտորինգի համար: Միջ. J. Appl. Earth Obs. Geoinf. 39, 79–87։ https://doi.org/10.1016/j.jag.2015.02.012.
Berni, JA, Zarco-Tejada, PJ, Sepulcre-Canto, 'G., Fereres, E., Villalobos, F., 2009a: Ձիթապտղի այգիներում հովանոցների հաղորդունակության և CWSI-ի քարտեզագրում՝ օգտագործելով բարձր լուծաչափություն
ջերմային հեռակառավարման պատկերներ: Հեռակառավարման սենսորային միջավայր: 113 (11), 2380–2388 թթ. https://doi.org/10.1016/j.rse.2009.06.018.
Berni, JA, Zarco-Tejada, PJ, Suarez, ´ L., Fereres, E., 2009b. Անօդաչու թռչող սարքից բուսականության մոնիտորինգի համար ջերմային և նեղաշերտ բազմասպեկտրալ հեռահար զոնդավորում: IEEE Trans. Geosci. Remote Sens. 47 (3), 722–738.
Bouzembrak, Y., Klüche, M., Gavai, A., Marvin, HJP, 2019: Իրերի ինտերնետ սննդի անվտանգության մեջ. Գրականության վերանայում և մատենագիտական վերլուծություն: Թրենդներ Սննդի գիտ. Տեխնոլ. 94,54–64 թթ. https://doi.org/10.1016/j.tifs.2019.11.002.
Brewster, C., Roussaki, I., Kalatzis, N., Doolin, K., Ellis, K., 2017. IoT գյուղատնտեսությունում. IEEE Commun. Մագ. 55 (9), 26–33։
Buters, TM, Belton, D., Cross, AT, 2019: Անհատական սածիլների և սածիլների համայնքների բազմասենսորային անօդաչու թռչող սարքի հետևում միլիմետրային ճշգրտությամբ: Դրոններ 3 (4), 81.
https://doi.org/10.3390/drones3040081.
Candiago, S., Remondino, F., De Giglio, M., Dubbini, M., Gattelli, M., 2015. Գնահատելով բազմասպեկտրային պատկերները և բուսականության ինդեքսները անօդաչու թռչող սարքերի պատկերներից ճշգրիտ գյուղատնտեսական կիրառումների համար: Հեռահաշվարկ 7 (4), 4026–4047: https://doi.org/10.3390/rs70404026.
Cao, Y., Li, GL, Luo, YK, Pan, Q., Zhang, SY, 2020: Շաքարի ճակնդեղի աճի ցուցանիշների մոնիտորինգ՝ օգտագործելով լայն դինամիկ տիրույթի բուսականության ինդեքսը (WDRVI)՝ ստացված UAV-ից
բազմասպեկտրային պատկերներ. Հաշվարկ. Էլեկտրոն. Ագրոգ. 171, 105331 https://doi.org/10.1016/j.compag.2020.105331:
Casillas, J., Acedo, F., 2007. Ընտանեկան բիզնեսի գրականության ինտելեկտուալ կառուցվածքի էվոլյուցիան. FBR-ի մատենագիտական ուսումնասիրություն: Family Business 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. Բրինձի կենսազանգվածի դինամիկ մոնիտորինգ
տարբեր ազոտային մշակումներ՝ օգտագործելով թեթև անօդաչու թռչող սարք՝ կրկնակի պատկերի շրջանակի նկարահանման տեսախցիկներով: Բույսերի մեթոդներ 15 (1), 32. https://doi.org/10.1186/s13007-019-
0418-8.
Chamuah, A., Singh, R., 2019: Հնդկաստանի գյուղատնտեսության կայունության ապահովումը քաղաքացիական անօդաչու թռչող սարքերի միջոցով. պատասխանատու նորարարության հեռանկար: SN Appl. Գիտ. 2 (1), 106. https://
doi.org/10.1007/s42452-019-1901-6.
Chamuah, A., Singh, R., 2022. Քաղաքացիական անօդաչու թռչող սարքերի (ԱԹՍ) նորարարությունների պատասխանատու կառավարում հնդկական բերքի ապահովագրության կիրառման համար: J. Պատասխանատու
Տեխնոլ. 9, 100025 https://doi.org/10.1016/j.jrt.2022.100025.
Chen, A., Orlov-Levin, V., Meron, M., 2019: Կիրառելով մշակաբույսերի հովանոցների բարձր լուծաչափով տեսանելի օդային պատկերումը ոռոգման ճշգրիտ կառավարման համար: Ագրոգ. Ջուր
Մանագ. 216, 196–205 թթ. 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: Թեթև անօդաչու թռչող սարք՝ ինտերիերի ֆոտոգրամետրիայով և մեկ հաճախականությամբ GPS դիրքորոշմամբ: չափագիտության կիրառությունների համար։ ISPRS J. Photogramm. Remote Sens. 127, 115–126: https://doi.org/10.1016/j.isprsjprs.2016.12.007.
Dawaliby, S., Aberkane, A., Bradai, A., 2020. Blockchain-ի վրա հիմնված IoT հարթակ ինքնավար անօդաչու սարքերի գործառնությունների կառավարման համար: In: Procedures of the 2nd ACM
MobiCom սեմինար անօդաչու սարքերի օգնությամբ անլար հաղորդակցությունների վերաբերյալ 5G և ավելին, էջ 31–36: https://doi.org/10.1145/3414045.3415939.
Օր, ՀՀ, Գաստել, Բ., 1998. Ինչպես գրել և հրատարակել գիտական աշխատանք. Քեմբրիջի համալսարանի հրատարակչություն. de Castro, AI, Pena, ˜ JM, Torres-Sanchez, ´ J., Jim´enez-Brenes, FM, ValenciaGredilla, F., Recasens, J., Lopez-Granados, ˜ JM, 2020. Քարտեզագրում cynodon dactylon infesting ծածկել մշակաբույսերը ավտոմատ որոշման ծառ-OBIA ընթացակարգով և անօդաչու թռչող սարքի պատկերներով ճշգրիտ խաղողագործության համար: Հեռակառավարում 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: Ավտոմատ պատահական անտառ-OBIA ալգորիթմ համար վաղ մոլախոտերի քարտեզագրում մշակաբույսերի շարքերի միջև և ներսում՝ օգտագործելով UAV պատկերներ: Հեռակառավարում 10 (2). https://doi.org/10.3390/rs10020285.
Demir, N., Sonmez, ¨ NK, Akar, T., Ünal, S., 2018. Ցորենի գենոտիպերի բույսերի բարձրության ավտոմատացված չափումը UAV պատկերներից ստացված DSM-ի միջոցով: Proceedings 2 (7), 350. https://doi.org/10.3390/ecrs-2-05163.
Deng, J., Zhong, Z., Huang, H., Lan, Y., Han, Y., Zhang, Y., 2020: Թեթև իմաստային հատվածավորման ցանց իրական ժամանակում մոլախոտերի քարտեզագրման համար՝ օգտագործելով անօդաչու թռչող սարքեր: Ապլ. Գիտ. 10 (20), 7132. https://doi.org/10.3390/app10207132.
Deng, L., Mao, Z., Li, X., Hu, Z., Duan, F., Yan, Y., 2018. Անօդաչու թռչող սարքերի վրա հիմնված բազմասպեկտրալ հեռահար զոնդավորում ճշգրիտ գյուղատնտեսության համար. տարբեր տեսախցիկների համեմատություն: ISPRS J. Photogramm. Հեռակառավարման ցուցիչ 146, 124–136:
Diaz-Gonzalez, FA, Vuelvas, J., Correa, CA, Vallejo, VE, Patino, D., 2022: Մեքենաների ուսուցում և հեռահար զոնդավորման մեթոդներ, որոնք կիրառվում են հողի ցուցիչների գնահատման համար. վերանայում: Էկոլ. 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: Բարձր լուծաչափով օդային անօդաչու թռչող սարքի պատկերներ՝ ձիթենու պսակի պարամետրերը գնահատելու համար՝ օգտագործելով 3D լուսանկար
վերակառուցում. կիրառություն բուծման փորձարկումներում: Հեռակառավարում 7 (4), 4213–4232: https://doi.org/10.3390/rs70404213.
Dixit, A., Jakhar, SK, 2021. Օդանավակայանի կարողությունների կառավարում. վերանայում և մատենագիտական վերլուծություն: J. Air Transp. Մանագ. 91, 102010։
Դոնգ, Տ., Շանգ, Ջ., Լյու, Ջ., Քյան, Բ., Ջինգ, Ք., Մա, Բ., Հաֆման, Տ., Գենգ, Իքս., Սոու, Ա., Շի, Յ., Canisius, F., Jiao, X., Kovacs, JM, Walters, D., Cable, J., Wilson, J., 2019:
Օգտագործելով RapidEye պատկերները՝ Կանադա Օնտարիո քաղաքում բերքի աճի և բերքատվության դաշտային փոփոխականությունը հայտնաբերելու համար: Ճշգրիտ գյուղատնտես. 20 (6), 1231–1250 թթ. https://doi.org/10.1007/
s11119-019-09646-w.
Dutta, PK, Mitra, S., 2021: Գյուղատնտեսական դրոնների և iot-ի կիրառում սննդի մատակարարման շղթան հասկանալու համար COVID-19-ից հետո: Չոուդուրի, Ա., Բիսվաս, Ա., Պրատեկ, Մ.,
Chakrabarti, A. (Eds.), Agricultural Informatics. Automation Using the IoT and Machine Learning. Wiley, էջ 67–87։ van Eck, N., Waltman, L., 2009. Ծրագրային հետազոտություն. VOSviewer, համակարգչային ծրագիր մատենագիտական քարտեզագրման համար: Scientometrics 84 (2), 523–538։ https://doi.org/10.1007/s11192-009-0146-3.
Elijah, O., Rahman, TA, Orikumhi, I., Leow, CY, Hindia, MN, 2018: Իրերի ինտերնետի (IoT) և տվյալների վերլուծության ակնարկ գյուղատնտեսության մեջ. առավելություններ և մարտահրավերներ:
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 թ.: Ագրոնոմիական վավերացում UAV եւ դաշտ
չափումներ լոլիկի սորտերի համար. Հաշվարկ. Էլեկտրոն. Ագրոգ. 158, 278–283։ https://doi.org/10.1016/j.compag.2019.02.011.
Espinoza, CZ, Khot, LR, Sankaran, S., Jacoby, PW, 2017: Բարձր լուծաչափով բազմասպեկտրալ և ջերմային հեռահար զոնդավորման վրա հիմնված ջրի սթրեսի գնահատում
ստորգետնյա ոռոգվող խաղողի վազեր. Հեռակառավարում 9 (9), 961. https://doi.org/ 10.3390/rs9090961:
Ewing, J., Oommen, T., Jayakumar, P., Alger, R., 2020: Օգտագործելով հիպերսպեկտրային հեռահար զոնդավորում հողի աստիճանավորման համար: Հեռակառավարում 12 (20), 3312. ttps://doi.org/10.3390/
rs12203312.
Ֆոսեթ, Դ., Պանիգադա, Կ., Տալիաբուե, Գ., Բոշետտի, Մ., Սելեստի, Մ., Եվդոկիմով, Ա., Բիրյուկովա, Կ., Կոլոմբո, Ռ., Միգլիետա, Ֆ., Ռաշեր, Ու., Anderson, K., 2020. Դրոնի վրա հիմնված բազմասպեկտրային մակերևույթի արտացոլման և բուսականության ինդեքսների բազմամասշտաբ գնահատում գործառնական պայմաններում: Հեռակառավարում 12 (3), 514.
Feng, X., Yan, F., Liu, X., 2019. Անլար կապի տեխնոլոգիաների ուսումնասիրություն իրերի ինտերնետում ճշգրիտ գյուղատնտեսության համար: Անլար Pers. կոմուն. 108 (3),
1785-1802.
Ferreira, MP, Pinto, CF, Serra, FR, 2014: Գործարքի ծախսերի տեսությունը միջազգային բիզնես հետազոտություններում. բիբլիոմետրիկ ուսումնասիրություն երեք տասնամյակների ընթացքում: Scientometrics 98 (3), 1899–1922 թթ. https://doi.org/10.1007/s11192-013-1172-8.
Fisher, P., Abuzar, M., Rab, M., Best, F., Chandra, S., 2009: Ավստրալիայի հարավ-արևելքում ճշգրիտ գյուղատնտեսության առաջընթացը: I. մոդելավորման ռեգրեսիայի մեթոդաբանություն
Հացահատիկի բերքատվության տարածական տատանումները՝ օգտագործելով ֆերմերների պատմական պանդոկի բերքատվությունը և նորմալացված տարբերության բուսականության ինդեքսը: Բուսաբուծության արոտավայրերի գիտ. 60 (9), 844–858 թթ.
Floreano, D., Wood, RJ, 2015. Գիտություն, տեխնոլոգիա և փոքր ինքնավար դրոնների ապագան: Բնություն 521 (7553), 460–466 թթ. https://doi.org/10.1038/nature14542.
Friha, O., Ferrag, MA, Shu, L., Maglaras, LA, Wang, X., 2021: Իրերի ինտերնետ խելացի գյուղատնտեսության ապագայի համար. զարգացող տեխնոլոգիաների համապարփակ հետազոտություն: IEEE CAA J. Autom. Սինիկա 8 (4), 718–752 թթ.
Fuentes-Pacheco, J., Torres-Olivares, J., Roman-Rangel, E., Cervantes, S., JuarezLopez, P., Hermosillo-Valadez, J., Rendon-Mancha, ´ JM, 2019 թզի բույսերի հատվածավորում օդային պատկերներից՝ օգտագործելով խորը կոնվոլյուցիոն կոդավորիչ-ապակոդավորող ցանց: Հեռակառավարում 11 (10), 1157. https://doi.org/10.3390/rs11101157:
Gago, J., Douthe, C., Coopman, RE, Gallego, PP, Ribas-Carbo, M., Flexas, J., Escalona, J., Medrano, H., 2015: UAVs մարտահրավեր է գնահատել ջրի սթրեսը
կայուն գյուղատնտեսություն. Ագրոգ. Ջրի կառավարում. 153, 9–19։ https://doi.org/10.1016/j. աղվատ.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: Ջերմային պատկերացում գործարանում
մակարդակը գնահատելու համար բերքի ջրի կարգավիճակը նուշի ծառերում (նշ. Գուարա) ոռոգման դեֆիցիտի ռազմավարությունների ներքո: Ագրոգ. Ջրի կառավարում. 208, 176–186։ https://doi.org/10.1016/j.
աղվատ.2018.06.002.
Garzonio, R., Di Mauro, B., Colombo, R., Cogliati, S., 2017. Մակերեւութային անդրադարձման և արևի առաջացրած ֆլուորեսցենտային սպեկտրոսկոպիայի չափումներ՝ օգտագործելով փոքր հիպերսպեկտրալ UAS: Հեռակառավարում 9 (5), 472. https://doi.org/10.3390/rs9050472: Gaˇsparovi´c, M., Zrinjski, M., Barkovi´c, Đ., Radoˇcaj, D., 2020: Ավտոմատ մեթոդ
մոլախոտերի քարտեզագրում վարսակի դաշտերում՝ հիմնված անօդաչու թռչող սարքերի պատկերների վրա: Հաշվարկ. Էլեկտրոն. Ագրոգ.
Gebbers, R., Adamchuk, VI, 2010. Ճշգրիտ գյուղատնտեսություն և պարենային անվտանգություն. Գիտություն 327 (5967), 828–831 թթ. https://doi.org/10.1126/science.1183899.
Geipel, J., Link, J., Claupein, W., 2014. Եգիպտացորենի բերքի համակցված սպեկտրային և տարածական մոդելավորում՝ հիմնված օդային պատկերների և բերքի մակերեսի մոդելների վրա, որոնք ձեռք են բերվել անօդաչու թռչող սարքերի համակարգով: Remote Sensing 6 (11), 10335–10355: https://doi.org/10.3390/rs61110335.
Geng, D., Feng, Y., Zhu, Q., 2020: Կայուն ձևավորում օգտվողների համար. գրականության ակնարկ և մատենագիտական վերլուծություն: Շրջակա միջավայր. Գիտ. Աղտոտում. Ռես. 27 (24), 29824–29836 թթ. https://doi. org/10.1007/s11356-020-09283-1.
Gevaert, CM, Suomalainen, J., Tang, J., Kooistra, L., 2015. Սպեկտրալժամանակային արձագանքման մակերեսների առաջացում՝ բազմասպեկտրալ արբանյակի և հիպերսպեկտրայինի համադրմամբ
Անօդաչու թռչող սարքերի պատկերներ՝ ճշգրիտ գյուղատնտեսության կիրառման համար: IEEE J. Sel. Գագաթ. Ապլ. Earth Obs. Հեռակառավարման ցուցիչ 8 (6), 3140–3146: ttps://doi.org/10.1109/JSTARS.2015.2406339.
Gill, SS, Chana, I., Buyya, R., 2017: IoT-ի վրա հիմնված գյուղատնտեսությունը որպես ամպ և տվյալների մեծ ծառայություն. թվային Հնդկաստանի սկիզբը: Ջ.Օրգ. և վերջնական օգտագործողի հաշվարկ: (JOEUC) 29 (4),
1-23.
Gmür, M., 2006. Համատեղ մեջբերումների վերլուծություն և անտեսանելի քոլեջների որոնում. մեթոդաբանական գնահատում. Scientometrics 57 (1), 27–57. https://doi.org/10.1023/
a:1023619503005.
Gnadinger, ¨ F., Schmidhalter, U., 2017. Անօդաչու թռչող սարքերի (ԱԹՍ) եգիպտացորենի բույսերի թվային հաշվարկներ: Հեռակառավարում 9 (6). Https://doi.org/10.3390/rs9060544:
Gokto ¨ ǧan, AH, Sukkarieh, S., Bryson, M., Randle, J., Lupton, T., Hung, C., 2010: Պտտվող թևով անօդաչու օդային մեքենա ջրային մոլախոտերի հսկողության համար և
կառավարում։ J. Ինտել. Ռոբոտային համակարգ՝ տես. Ապլ. 57 (1–4), 467–484 թթ. https://doi. org/10.1007/s10846-009-9371-5.
Gomez-Cand 'on,' D., De Castro, AI, Lopez-Granados, 'F., 2014. Գնահատելով անօդաչու թռչող սարքերի (ԱԹՍ) պատկերներից խճանկարների ճշգրտությունը ցորենի ճշգրիտ գյուղատնտեսական նպատակների համար: Ճշգրիտ. Ագրոգ. 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: Ջրային սթրեսի դաշտային ֆենոտիպավորումը ծառերի մասշտաբով անօդաչու թռչող սարքերի միջոցով ընկալվող պատկերներով : նոր պատկերացումներ համար
ջերմային ձեռքբերում և չափաբերում: Ճշգրիտ. Ագրոգ. 17 (6), 786–800 թթ. https://doi.org/10.1007/s11119-016-9449-6.
Gonzalez-Dugo, V., Zarco-Tejada, PJ, Fereres, E., 2014. Բուսաբուծության ջրի սթրեսի ինդեքսը որպես ցիտրուսային այգիներում ջրի դեֆիցիտի ցուցիչ օգտագործելու կիրառելիությունը և սահմանափակումները: Ագրոգ. Համար. Մետեորոլ. 198–199, 94–104։ https://doi.org/10.1016/j. ագրֆորմետ.2014.08.003.
Gonzalez-Dugo, V., Zarco-Tejada, P., Nicolas, 'E., Nortes, PA, Alarcon, ' JJ, Intrigliolo, DS, Fereres, E., 2013: Օգտագործելով բարձր լուծաչափով UAV ջերմային պատկերներ
գնահատել ջրի վիճակի փոփոխականությունը կոմերցիոն այգում հինգ պտղատու ծառատեսակների մեջ: Ճշգրիտ. Ագրոգ. 14 (6), 660–678 թթ. https://doi.org/10.1007/s11119-013-9322-9.
Գոյալ, Կ., Կումար, Ս., 2021. Ֆինանսական գրագիտություն. համակարգված վերանայում և մատենագիտական վերլուծություն: Միջ. J. Consumer Studies 45 (1), 80–105: https://doi.org/10.1111/
ijcs.12605.
Grenzdorffer, ¨ GJ, Engel, A., Teichert, B., 2008. Անտառաբուծության և գյուղատնտեսության մեջ ցածրարժեք uav-ների ֆոտոգրամետրիկ ներուժը: Միջազգային արխիվներ ֆոտոգրամետրիայի, հեռահար զոնդավորման և տարածական տեղեկատվության գիտությունների միջազգային արխիվներ – ISPRS Արխիվներ 37, 1207–1213: https://www.scopus.com/inward/record.uri?eid=2-s2.0-85039543258&partnerI D=40&md5=b4b2d639257e8ddb5a373d15959c4e1e.
Գուան, Ս., Ֆուկամի, Կ., Մացունակա, Հ., Օկամի, Մ., Տանակա, Ռ., Նականո, Հ., Սակայ, Տ., Նականո, Կ., Օհդան, Հ., Տակահաշի, Կ. 2019. Բարձր լուծաչափի հարաբերակցության գնահատում
NDVI պարարտանյութի կիրառման մակարդակով և փոքր անօդաչու թռչող սարքերի օգտագործմամբ բրնձի և ցորենի մշակաբույսերի բերքատվությամբ: Հեռակառավարում 11 (2), 112.
Գյունդոլֆ, Կ., Ֆիլսեր, Մ., 2013. Կառավարման հետազոտություն և կրոն. մեջբերումների վերլուծություն: J. Ավտոբուս. Էթիկա 112 (1), 177–185.
Guo, Q., Zhu, Y., Tang, Y., Hou, C., He, Y., Zhuang, J., Zheng, Y., Luo, S., 2020: CFD մոդելավորում և տարածականության փորձարարական ստուգում և ժամանակային բաշխումները
չորս ռոտորով գյուղատնտեսական անօդաչու թռչող սարքի ներլվացման օդի հոսքը սավառնելիս: Հաշվարկ. Էլեկտրոն. Ագրոգ. 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. , Լեհաստան, Ջ., 2016։
Անօդաչու թռչող համակարգերի կիրառում ցորենի բուծման խոշոր տնկարանների բարձր թողունակության ֆենոտիպավորման համար: Բույսերի մեթոդներ 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: Սպեկտրալ պատկերացում UAV-ներից տարբեր լուսավորության պայմաններում . GG Bill R.-ում (Ed.), International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences—ISPRS Archives (Vol. 40, Issue 1W2, pp. 189–194): Ֆոտոգրամետրիայի և հեռակառավարման միջազգային միություն: 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. Անօդաչու թռչող սարքերից կղզիների բուսականության քարտեզագրման տեխնիկայի գնահատում
տրանսպորտային միջոցների (ԱԹՍ) պատկերներ. պիքսելների դասակարգում, տեսողական մեկնաբանություն և մեքենայական ուսուցման մոտեցումներ: Միջ. J. Appl. Earth Obs. Geoinf. 89, 102085 https://doi.org/
10.1016/j.jag.2020.102085.
Haque, A., Islam, N., Samrat, NH, Dey, S., Ray, B., 2021: Խելացի գյուղատնտեսություն Բանգլադեշում պատասխանատու ղեկավարության միջոցով. հնարավորություններ, հնարավորություններ և դրանից դուրս:
Կայունություն 13 (8), 4511.
Hardin, PJ, Hardin, TJ, 2010. Փոքր մասշտաբով հեռակառավարվող տրանսպորտային միջոցներ բնապահպանական հետազոտություններում: Աշխարհագրության կողմնացույց 4 (9), 1297–1311 թթ. ttps://doi.org/10.1111/j.1749-
8198.2010.00381.x.
Hardin, PJ, Jensen, RR, 2011: Փոքր մասշտաբի անօդաչու թռչող սարքերը շրջակա միջավայրի հեռահար զոնդավորման մեջ. մարտահրավերներ և հնարավորություններ: GISci. Հեռակառավարման ցուցիչ 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: Technology and applications, (1st ed. 2021 edition): Springer.
Հերվից, Ս.Ռ., Ջոնսոն, Լ.Ֆ., Դունագան, Սեյ, Հիգինս, Ռ.Ջ., Սալիվան, Դ.Վ., Չժենգ, Ջ., Լոբից, Բ.Մ., Լյուն, Ջ.Ջ., Գալմեյեր, Բ.Ա., Աոյագի, Մ., Սլայ, Ռ.Ե., Բրաս, Ջեյ, 2004 թ.
Պատկերում անօդաչու թռչող սարքից. գյուղատնտեսական հսկողություն և որոշումների աջակցություն: Հաշվարկ. Էլեկտրոն. Ագրոգ. 44 (1), 49–61։ https://doi.org/10.1016/j.
կոմպագ.2004.02.006.
Holman, FH, Riche, AB, Michalski, A., Castle, M., Wooster, MJ, Hawkesford, MJ, Ցորենի բույսի բարձրության և աճի արագության դաշտային ֆենոտիպավորում դաշտային հողամասի փորձարկումներում՝ օգտագործելով անօդաչու թռչող սարքերի վրա հիմնված հեռահար զոնդավորում: Հեռակառավարում 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. Մշակում և գնահատում սպեկտրոմետրիկ, ստերեոսկոպիկ պատկերներ, որոնք հավաքվել են՝ օգտագործելով թեթև անօդաչու թռչող սարքի սպեկտրալ տեսախցիկ՝ ճշգրիտ գյուղատնտեսության համար: Հեռահաշվարկ 5 (10), 5006–5039: https://doi.org/10.3390/rs5105006.
Hossein Motlagh, N., Taleb, T., Arouk, O., 2016. Ցածր բարձրության անօդաչու թռչող սարքերի վրա հիմնված իրերի ինտերնետ ծառայություններ. համապարփակ հետազոտություն և ապագա հեռանկարներ: 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. Քաղաքային ձորերի համակցված օպտիկական հոսքի և ստերեո նավարկություն UAV-ի համար: 2005 թ. IEEE/RSJ
Խելացի ռոբոտների և համակարգերի միջազգային գիտաժողով, էջ 3309–3316: https://doi.org/10.1109/IROS.2005.1544998.
Hsu, T.-C., Yang, H., Chung, Y.-C., Hsu, C.-H., 2020: Ստեղծագործական IoT գյուղատնտեսական հարթակ ամպային մառախուղի հաշվարկման համար: Պահպանել. Հաշվարկ. Ինֆ. Սիստ. 28, 100285։
Huang, H., Deng, J., Lan, Y., Yang, A., Deng, X., Zhang, L., Gonzalez-Andujar, JL, 2018: Անօդաչու թռչող սարքի մոլախոտերի քարտեզագրման լիովին համակցված ցանց ( UAV) պատկերներ. PLoS ONE 13 (4), e0196302.
Huang, H., Lan, Y., Yang, A., Zhang, Y., Wen, S., Deng, J., 2020: Խորը ուսուցում ընդդեմ օբյեկտի վրա հիմնված պատկերի վերլուծության (OBIA) անօդաչու թռչող սարքերի պատկերների մոլախոտերի քարտեզագրման մեջ: Միջ. Ջ.
Remote Sens. 41 (9), 3446–3479: https://doi.org/10.1080/01431161.2019.1706112.
Huang, H., Yang, A., Tang, Y., Zhuang, J., Hou, C., Tan, Z., Dananjayan, S., He, Y., Guo, Q., Luo, S., 2021. Խորը գույնի չափաբերում անօդաչու թռչող սարքերի պատկերների համար բերքի մոնիտորինգում
օգտագործելով իմաստային ոճի փոխանցում տեղականից գլոբալ ուշադրությամբ: Միջ. J. Appl. Earth Obs. Geoinf. 104, 102590 https://doi.org/10.1016/j.jag.2021.102590:
Huang, YB, Thomson, SJ, Hoffmann, WC, Lan, YB, Fritz, BK, 2013: Գյուղատնտեսական արտադրության համար անօդաչու թռչող սարքերի տեխնոլոգիաների մշակում և հեռանկար
կառավարում։ Միջ. Ջ.Ագրիկ. Բիոլ. Անգլ. 6 (3), 1–10։ https://doi.org/10.3965/j. ijabe.20130603.001.
Huang, Y., Hoffmann, WC, Lan, Y., Wu, W., Fritz, BK, 2009. Անօդաչու թռչող սարքերի հարթակի համար ցողման համակարգի մշակում: Ապլ. Անգլ. Ագրոգ. 25 (6), 803–809 թթ.
Hunt Jr., ER, Dean Hively, W., Fujikawa, SJ, Linden, DS, Daughtry, CST, McCarty, GW, 2010: NIR-կանաչ-կապույտ թվային լուսանկարների ձեռքբերում ից
անօդաչու թռչող սարքեր՝ բերքի մոնիտորինգի համար: Հեռահաշվարկ 2 (1), 290–305: https://doi. org/10.3390/rs2010290: Inoue, Y., 2020. Արբանյակային և անօդաչու սարքերի վրա հիմնված մշակաբույսերի և հողերի հեռահար զոնդավորում խելացի գյուղատնտեսության համար – վերանայում: Հողի գիտ. Բույս Nutr. 66 (6), 798–810 թթ. https://doi.org/10.1080/00380768.2020.1738899.
Islam, N., Rashid, MM, Pasandideh, F., Ray, B., Moore, S., Kadel, R., 2021: Իրերի ինտերնետի (IoT) և կապի տեխնոլոգիաների ակնարկ:
Անօդաչու թռչող սարքերի (ԱԹՍ) վրա հիմնված կայուն խելացի գյուղատնտեսություն: Sustainability 13 (4), 1821. https://doi.org/10.3390/su13041821.
Jaud, M., Passot, S., Le Bivic, R., Delacourt, C., Grandjean, P., Le Dantec, N., 2016. Գնահատելով բարձր լուծաչափով թվային մակերևույթի մոդելների ճշգրտությունը՝ հաշվարկված
PhotoScan® և MicMac® հետազոտության ենթաօպտիմալ պայմաններում: Հեռակառավարում 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: Էտման ազդեցությունների քանակականացում ձիթենու ճարտարապետության վրա և տարեկան հովանոցների աճ՝ օգտագործելով UAV-ի վրա հիմնված 3D մոդելավորում: Բույսերի մեթոդներ 13 (1). https://doi.org/10.1186/s13007-017-0205-3.
Jin, X., Liu, S., Baret, F., Hemerl´e, M., Comar, A., 2017: Ցորենի մշակաբույսերի բույսերի խտության գնահատականները շատ ցածր բարձրության անօդաչու թռչող սարքի պատկերներից դուրս գալու ժամանակ: Հեռակառավարման սենսորներ.
Շրջակա միջավայր. 198, 105–114։ https://doi.org/10.1016/j.rse.2017.06.007.
Jinbo, C., Xiangliang, C., Han-Chi, F., Lam, A., 2019: Գյուղատնտեսական արտադրանքի մոնիտորինգի համակարգ, որն աջակցվում է ամպային հաշվարկով: Կլաստերային հաշվարկ: 22 (4), 8929–8938 թթ.
Ju, C., & Son, HI 2018a. Գյուղատնտեսության մեջ հեռահար զոնդավորման համար բազմակի ԱԹՍ համակարգերի կատարողականի գնահատում: Ռոբոտային տեսլականի և գյուղատնտեսության մեջ գործողության վերաբերյալ աշխատաժողովի նյութերը IEEE-ի ռոբոտաշինության և ավտոմատացման միջազգային կոնֆերանսում (ICRA), Բրիսբեն, Ավստրալիա, 21–26:
Ju, C., Son, HI, 2018b. Բազմաթիվ անօդաչու թռչող սարքեր գյուղատնտեսական կիրառությունների համար՝ վերահսկում, ներդրում և գնահատում: Էլեկտրոնիկա 7 (9), 162. https://doi.org/10.3390/
էլեկտրոնիկա7090162.
Jung, J., Maeda, M., Chang, A., Bhandari, M., Ashapure, A., Landivar-Bowles, J., 2021: Հեռահար զոնդավորման և արհեստական ինտելեկտի ներուժը որպես գործիքներ բարելավելու համար
գյուղատնտեսական արտադրության համակարգերի ճկունություն. Curr. Կարծիք. Կենսատեխնոլոգիա. 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. Բարելավված մշակաբույսերի հետախուզման տեխնիկան, որը ներառում է անօդաչու թռչող սարքերի օգնությամբ բազմասպեկտրալ մշակաբույսերի պատկերումը ձմերուկում ցողունի ցողունի ախտահարման սովորական հետախուզական պրակտիկայում: Plant Dis. 103 (7), 1642–1650 թթ.
Kapoor, KK, Tamilmani, K., Rana, NP, Patil, P., Dwivedi, YK, Nerur, S., 2018: Սոցիալական լրատվամիջոցների հետազոտության առաջընթացը. անցյալ, ներկա և ապագա: Տեղեկացնել. Սիստ. Ճակատ. 20
(3), 531-558:
Kerkech, M., Hafiane, A., Canals, R., 2020: VddNet. խաղողի հիվանդության հայտնաբերման ցանց՝ հիմնված բազմասպեկտրային պատկերների և խորության քարտեզի վրա: Հեռակառավարում 12 (20), 3305. https://doi. org/10.3390/rs12203305.
Khaliq, A., Comba, L., Biglia, A., Ricauda Aimonino, D., Chiaberge, M., Gay, P., 2019: Խաղողի այգիների համար արբանյակային և անօդաչու թռչող սարքերի վրա հիմնված բազմասպեկտրային պատկերների համեմատություն
փոփոխականության գնահատում. Հեռակառավարում 11 (4). https://doi.org/10.3390/rs11040436.
Khan, PW, Byun, Y.-C., Park, N., 2020: IoT-blockchain-ը հնարավորություն է տվել օպտիմիզացված ծագման համակարգ սննդի արդյունաբերության համար 4.0՝ օգտագործելով խորը ուսուցման առաջադեմ համակարգը: Սենսորներ 20 (10), 2990:
Khan, RU, Khan, K., Albattah, W., Qamar, AM, Ullah, F., 2021: Բույսերի հիվանդությունների պատկերի վրա հիմնված հայտնաբերում. դասական մեքենայական ուսուցումից մինչև խորը ուսուցման ճամփորդություն: Անլար կոմուն. Բջջային համակարգիչ. 2021, 1–13.
Khan, S., Tufail, M., Khan, MT, Khan, ZA, Iqbal, J., Alam, M., Le, KNQ, 2021: Անօդաչու թռչող սարքերի վրա հիմնված մշակաբույսերի/մոլախոտերի դասակարգման նոր կիսավերահսկվող շրջանակ: PLoS ONE 16 (5), e0251008.
Khanal, S., Fulton, J., Shearer, S., 2017. Ճշգրիտ գյուղատնտեսության մեջ ջերմային հեռահար զոնդավորման ընթացիկ և հնարավոր կիրառությունների ակնարկ: Հաշվարկ. Էլեկտրոն.
Ագրոգ. 139, 22–32։ https://doi.org/10.1016/j.compag.2017.05.001.
Khanna, A., Kaur, S., 2019. Իրերի ինտերնետի (IoT) էվոլյուցիան և դրա նշանակալի ազդեցությունը ճշգրիտ գյուղատնտեսության ոլորտում: Հաշվարկ. Էլեկտրոն. Ագրոգ. 157, 218–231։
Kim, W., Khan, GF, Wood, J., Mahmood, MT, 2016: Աշխատակիցների ներգրավվածությունը կայուն կազմակերպությունների համար. հիմնաբառերի վերլուծություն՝ օգտագործելով սոցիալական ցանցի վերլուծությունը և պայթյունը
հայտնաբերման մոտեցում. Կայունություն 8 (7), 631.
Kirsch, M., Lorenz, S., Zimmermann, R., Tusa, L., Mockel, ¨ R., Hodl, ¨ P., Booysen, R., Khodadadzadeh, M., Gloaguen, R., 2018. Ինտեգրում ցամաքային և անօդաչու թռչող սարքերի միջոցով
Հետախուզական քարտեզագրման և հանքարդյունաբերության մոնիտորինգի հիպերսպեկտրալ և ֆոտոգրամետրիկ զգայական մեթոդներ: Հեռակառավարում 10 (9), 1366. https://doi.org/10.3390/
rs10091366.
Kitano, BT, Mendes, CCT, Geus, AR, Oliveira, HC, Souza, JR, 2019: Եգիպտացորենի բույսերի հաշվարկը՝ օգտագործելով խորը ուսուցում և UAV պատկերներ: IEEE Geosci. Հեռակառավարման սենսորներ Lett. 1–5 https://doi.org/10.1109/LGRS.2019.2930549.
Koh, JCO, Spangenberg, G., Kant, S., 2021. Ավտոմատացված մեքենայական ուսուցում բարձր արդյունավետության պատկերի վրա հիմնված բույսերի ֆենոտիպավորման համար: Հեռակառավարում 13 (5), 858. https://
doi.org/10.3390/rs13050858.
Կովալև, IV, Վորոշիլովա, Ա.Ա., 2020. Բեռնատար անօդաչու թռչող սարքերի էկոհամակարգի զարգացման ժամանակակից տեխնոլոգիական միտումները: Ջ.Ֆիզ. Conf. Սեր. 1515 (5), 052068 https://doi. org/10.1088/1742-6596/1515/5/052068.
Krul, S., Pantos, C., Frangulea, M., Valente, J., 2021. Վիզուալ SLAM ներքին անասնաբուծության և գյուղատնտեսության համար՝ օգտագործելով փոքրիկ դրոն՝ միաձույլ տեսախցիկով. տեխնիկատնտեսական հիմնավորում:
Դրոններ 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: Անօդաչու թռչող սարքերի հետազոտություն գյուղատնտեսության ավտոմատացման համար տնկումից մինչև
բերքահավաք. INES 2018 – IEEE 22-րդ միջազգային կոնֆերանս ինտելեկտուալ ինժեներական համակարգերի վերաբերյալ, էջ 000353–358: https://doi.org/10.1109/INES.2018.8523943.
Lagkas, T., Argyriou, V., Bibi, S., Sarigiannidis, P., 2018: UAV IoT շրջանակի տեսակետները և մարտահրավերները. Սենսորներ 18 (11), 4015. https://doi.org/10.3390/s18114015.
Laliberte, AS, Rango, A., 2011: Պատկերի մշակման և դասակարգման ընթացակարգեր՝ անօդաչու թռչող սարքերով ձեռք բերված ենթադեցիմետրային պատկերների վերլուծության համար:
արոտավայրեր. GISci. Հեռակառավարման ցուցիչ 48 (1), 4–23. https://doi.org/10.2747/1548-1603.48.1.4.
Laliberte, AS, Rango, A., Herrick, JE, 2007 թ. Անօդաչու թռչող սարքեր՝ արոտավայրերի քարտեզագրման և մոնիտորինգի համար. երկու համակարգերի համեմատություն: ASPRS տարեկան գիտաժողովի նյութեր.
Lam, OHY, Dogotari, M., Prüm, M., Vithlani, HN, Roers, C., Melville, B., Zimmer, F., Becker, R., 2021: Բաց կոդով աշխատանքային հոսք մոլախոտերի քարտեզագրման համար հայրենի խոտհարքներում
օգտագործելով անօդաչու թռչող սարք. Rumex obtusifolius-ի օգտագործումը որպես դեպքի ուսումնասիրություն: Եվր. 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: Որդեգրում, շահութաբերություն և ճշգրիտ գյուղատնտեսական տվյալների ավելի լավ օգտագործում:
Աշխատանքային թուղթ. Պերդյու համալսարան. https://doi.org/10.22004/ag.econ.28615.
Lelong, CCD, Burger, P., Jubelin, G., Roux, B., Labb´e, S., Baret, F., 2008. Անօդաչու թռչող սարքերի պատկերների գնահատում ցորենի բերքի քանակական մոնիտորինգի համար փոքր հողամասերում: Սենսորներ 8 (5), 3557–3585: https://doi.org/10.3390/s8053557.
Li, C., Niu, B., 2020. Խելացի գյուղատնտեսության ձևավորում՝ հիմնված մեծ տվյալների և իրերի ինտերնետի վրա: Միջ. J. Distrib. Sens. Netw. 16 (5) ttps://doi.org/10.1177/1550147720917065:
Li, W., Niu, Z., Chen, H., Li, D., Wu, M., Zhao, W., 2016: Հովանոցի բարձրության և եգիպտացորենի վերգետնյա կենսազանգվածի հեռավոր գնահատում` օգտագործելով բարձր լուծաչափով ստերեո պատկերներ էժան անօդաչու թռչող սարքերի համակարգ. Էկոլ. 67, 637–648 թթ. https://doi.org/10.1016/j.ecolind.2016.03.036.
Liakos, KG, Busato, P., Moshou, D., Pearson, S., Bochtis, D., 2018. Մեքենայի ուսուցումը գյուղատնտեսությունում. վերանայում. Սենսորներ 18 (8), 2674:
Liebisch, F., Kirchgessner, N., Schneider, D., Walter, A., Hund, A., 2015. Եգիպտացորենի հատկությունների հեռավոր, օդային ֆենոտիպավորում շարժական բազմասենսորային մոտեցմամբ: Բույսերի մեթոդներ 11 (1), 9. https://doi.org/10.1186/s13007-015-0048-8.
Lin, Z., Guo, W., 2020. Սորգո խուճապի հայտնաբերում և հաշվում` օգտագործելով անօդաչու օդային համակարգի պատկերներ և խորը ուսուցում: Ճակատ. Բույսերի գիտ. 11.
Liu, S., Guo, L., Webb, H., Ya, X., Chang, X., 2019: Ժամանակակից էկո-գյուղատնտեսության մոնիտորինգի համակարգ՝ հիմնված ամպային հաշվարկի վրա: IEEE Access 7, 37050–37058:
Lopez-Granados, ´ F., 2011. Մոլախոտերի հայտնաբերում տեղանքի հատուկ մոլախոտերի կառավարման համար. քարտեզագրում և իրական ժամանակի մոտեցումներ: Weed Res. 51 (1), 1–11։ https://doi.org/10.1111/j.1365-3180.2010.00829.x.
Լոպես-Գրանադոս, «Ֆ., Տորես-Սանչես, «Ջ., Դե Կաստրո, Ա.-Ի., Սերանո-Պերես, Ա., ՄեսասԿարասկոսա, Ֆ.-Ջ., Պենա, Ջ.-Մ. , 2016. Խոտաբույսերի մոլախոտի օբյեկտների վրա հիմնված վաղ մոնիտորինգ խոտաբույսերի մեջ՝ օգտագործելով բարձր լուծաչափով UAV պատկերներ: Ագրոն. Պահպանել. Dev. 36 (4), 1–12
Լոպես-Գրանադոս, «Ֆ., Տորես-Ս» անչես, Ջ., Սերանո-Պերես, Ա., դե Կաստրո, Ա.Ի., ՄեսասԿարասկոսա, Ֆ.-Ջ., Պենա, ˜ Ջ.-Մ., 2016թ. Վաղ սեզոնի մոլախոտերի քարտեզագրում արևածաղկի մեջ՝ օգտագործելով UAV տեխնոլոգիա. թունաքիմիկատների մշակման քարտեզների փոփոխականությունը մոլախոտերի շեմերի նկատմամբ: Ճշգրիտ. Ագրոգ. 17 (2), 183–199։
Lucieer, A., Malenovský, Z., Veness, T., Wallace, L., 2014: HyperUAS – պատկերային սպեկտրոսկոպիա բազմառոտորային անօդաչու թռչող սարքերի համակարգից: J. Field Rob. 31 (4),
571–590 թթ. 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: Երկրային լազերային սկանավորում գյուղատնտեսական մշակաբույսեր. ՋՋ-ում
Chen J. Maas H–G. (Խմբ.), Ֆոտոգրամետրիայի, հեռահար զոնդավորման և տարածական տեղեկատվական գիտությունների միջազգային արխիվներ —ISPRS արխիվներ (հատոր 37, էջ 563–566)։
Ֆոտոգրամետրիայի և հեռակառավարման միջազգային միություն: 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: Վերահսկվող օբյեկտների վրա հիմնված ցամաքային ծածկույթի պատկերների դասակարգման վերանայում: ISPRS J. Photogramm. Հեռակառավարման ցուցիչ 130,
277–293 թթ. https://doi.org/10.1016/j.isprsjprs.2017.06.001.
Maes, WH, Steppe, K., 2019: Անօդաչու թռչող սարքերով հեռահար զոնդավորման հեռանկարներ ճշգրիտ գյուղատնտեսության մեջ: Trends Plant գիտ. 24 (2), 152–164։ https://doi.org/10.1016/j.tplants.2018.11.007.
Maimaitijiang, M., Ghulam, A., Sidike, P., Hartling, S., Maimaitiyiming, M., Peterson, K., Shavers, E., Fishman, J., Peterson, J., Kadam, S., Burken, J., Fritschi, F., 2017:
Անօդաչու օդային համակարգի (UAS) վրա հիմնված սոյայի ֆենոտիպավորում՝ օգտագործելով բազմասենսորային տվյալների միաձուլում և ծայրահեղ ուսուցման մեքենա: ISPRS J. Photogramm. Remote Sens. 134, 43–58: https://doi.org/10.1016/j.isprsjprs.2017.10.011. Maimaitijiang, M., Sagan, V., Sidike, P., Daloye, AM, Erkbol, H., Fritschi, FB, 2020:
Բերքի մոնիտորինգ արբանյակային/ԱԹՍ տվյալների միաձուլման և մեքենայական ուսուցման միջոցով: Հեռակառավարում 12 (9), 1357. https://doi.org/10.3390/rs12091357:
Մանֆրեդա, Ս., Մաքքեյբ, Մ., Միլեր, Պ., Լուկաս, Ռ., Պաուելո Մադրիգալ, Վ., Մալինիս, Գ., Բեն Դոր, Է., Հելման, Դ., Էստես, Լ., Սիրաոլո, Գ. ., Մյուլերովա, «Ջ., Տաուրո, Ֆ., դե Լիմա, Մ., դե
Լիմա, Ջ., Մալթերեն, Ա., Ֆրենսիս, Ֆ., Կեյլոր, Կ., Կոհվ, Մ., Պերկս, Մ., Ռուիզ-Պերես, Գ., Սու, Զ., Վիկո, Գ., Տոտ , Բ., 2018. Անօդաչու թռչող սարքերի օգտագործման վերաբերյալ
շրջակա միջավայրի մոնիտորինգ: Հեռակառավարում 10 (4), 641:
Marinko, RA, 1998. Մեջբերումներ կանացի ուսումնասիրությունների ամսագրերին ատենախոսություններում, 1989 և The Serials Librarian 35 (1–2), 29–44: https://doi.org/10.1300/J123v35n01_
03:
Masroor, R., Naeem, M., Ejaz, W., 2021. Ռեսուրսների կառավարում UAV-ի օգնությամբ անլար ցանցերում. օպտիմալացման հեռանկար: Ad Hoc Netw. 121, 102596 https://doi.org/10.1016/j.adhoc.2021.102596.
Matese, A., Di Gennaro, SF, 2018: Բազմասենսորային անօդաչու թռչող սարքերի պլատֆորմի գործնական կիրառությունները, որոնք հիմնված են բազմասպեկտրային, ջերմային և RGB բարձր լուծաչափով պատկերների վրա՝ ճշգրտությամբ
խաղողագործություն. Գյուղատնտեսություն 8 (7), 116. https://doi.org/10.3390/agriculture8070116.
Matese, A., Di Gennaro, SF, 2021: Ավանդական NDVI ինդեքսից այն կողմ, որպես ճշգրիտ խաղողագործության մեջ անօդաչու թռչող սարքերի օգտագործման հիմնական գործոն: Գիտ. 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 թ. Անօդաչու թռչող սարքերի, ինքնաթիռների միջհամեմատություն
և արբանյակային հեռահար զոնդավորման հարթակներ ճշգրիտ խաղողագործության համար: Remote Sensing 7 (3), 2971–2990: https://doi.org/10.3390/rs70302971.
Mazzia, V., Comba, L., Khaliq, A., Chiaberge, M., Gay, P., 2020: Անօդաչու թռչող սարք և մեքենայական ուսուցման վրա հիմնված արբանյակի վրա հիմնված բուսականության ինդեքսի ճշգրտում ճշգրտության համար
գյուղատնտեսություն։ Սենսորներ 20 (9), 2530. https://doi.org/10.3390/s20092530.
McCain, KW, 1990. Հեղինակների քարտեզագրում ինտելեկտուալ տարածքում. տեխնիկական ակնարկ. J. Am. Սոց. Ինֆո. Գիտ. 41 (6), 433–443։
Meinen, BU, Robinson, DT, 2021. Գյուղատնտեսական էրոզիայի մոդելավորում. USLE և WEPP դաշտային մասշտաբի էրոզիայի գնահատումները՝ օգտագործելով UAV-ի ժամանակային շարքի տվյալները: Շրջակա միջավայր. Մոդել. Ծրագրային ապահովում 137, 104962. https://doi.org/10.1016/j.envsoft.2021.104962:
Melville, B., Lucieer, A., Aryal, J., 2019: Ցածրադիր վայրի խոտհարքների համայնքների դասակարգում, օգտագործելով գերսպեկտրային անօդաչու թռչող սարքերի համակարգ (UAS) պատկերներ
Թասմանյան միջնամասեր. Դրոններ 3 (1), 5.
Messina, G., Modica, G., 2020: UAV ջերմային պատկերների կիրառությունները ճշգրիտ գյուղատնտեսության մեջ. Հեռակառավարում 12 (9), https://doi.org/10.3390/rs12091491:
Mishra, D., Luo, Z., Jiang, S., Papadopoulos, T., Dubey, R., 2017. Մեծ տվյալների վերաբերյալ մատենագիտական ուսումնասիրություն. հասկացություններ, միտումներ և մարտահրավերներ: Բիզնես գործընթացների կառավարում. J. 23 (3),
555-573.
Mochida, K., Saisho, D., Hirayama, T., 2015. Բուսաբուծության բարելավում` օգտագործելով դաշտային պայմաններում ձեռք բերված կյանքի ցիկլի տվյալների հավաքածուները: Ճակատ. Բույսերի գիտ. 6 https://doi.org/10.3389/
fpls.2015.00740.
Mogili, UM.R., Deepak, BBVL, 2018. Անօդաչու սարքերի համակարգերի կիրառման վերանայում ճշգրիտ գյուղատնտեսության մեջ: Procedia Comput. Գիտ. 133, 502–509 թթ.
Moharana, S., Dutta, S., 2016. Բրինձի քլորոֆիլի և ազոտի պարունակության տարածական փոփոխականությունը հիպերսպեկտրային պատկերներից: ISPRS J. Photogramm. Հեռակառավարման սենսորներ 122, 17–29:
Muangprathub, J., Boonnam, N., Kajornkasirat, S., Lekbangpong, N., Wanichsombat, A.,
Nillaor, P., 2019. IoT և գյուղատնտեսության տվյալների վերլուծություն խելացի ֆերմայի համար: Հաշվարկ. Էլեկտրոն. Ագրոգ. 156, 467–474 թթ.
Nansen, C., Elliott, N., 2016. Հեռաճանաչման և արտացոլման պրոֆիլավորում միջատաբանության մեջ: Աննու. Էնտոմոլ վրդ. 61 (1), 139–158։ https://doi.org/10.1146/annurev-ento010715-023834.
Navia, J., Mondragon, I., Patino, D., Colorado, J., 2016. Բազմասպեկտրային քարտեզագրում գյուղատնտեսության մեջ. տեղանքի խճանկար՝ օգտագործելով ինքնավար քառակոպտերային UAV: Միջ. Conf.
Անօդաչու ինքնաթիռների սիստ. (ICUAS) 2016, 1351–1358: https://doi.org/10.1109/ ICUAS.2016.7502606.
Nayyar, A., Nguyen, B.-L., Nguyen, NG, 2020: Անօդաչու սարքերի իրերի ինտերնետ (Iodt). խելացի դրոնների ապագա պատկերացում: Adv. Ինտել. Սիստ. Հաշվարկ. 1045, 563–580 թթ. https://doi.org/10.1007/978-981-15-0029-9_45:
Nebiker, S., Annen, A., Scherrer, M., Oesch, D., 2008. Թեթև բազմասպեկտրային սենսոր միկրո UAV-ի համար. Միջ. Արք. Ֆոտոգրամ. Հեռակառավարման սենսոր: Ինֆ. Sci 37 (B1), 1193–1200 թթ.
Negash, L., Kim, H.-Y., Choi, H.-L., 2019: Գյուղատնտեսության մեջ անօդաչու թռչող սարքերի առաջացող կիրառություններ: 2019 7-րդ միջազգային կոնֆերանս ռոբոտների հետախուզական տեխնոլոգիաների և
Դիմումներ (RiTA), էջ 254–257: https://doi.org/10.1109/RITAPP.2019.8932853.
Ներուր, Ս.Պ., Ռաշիդ, Ա.Ա., Նատարաջան, Վ., 2008. Ռազմավարական կառավարման դաշտի ինտելեկտուալ կառուցվածքը. հեղինակային համատեղ մեջբերումների վերլուծություն: ստրատեգ. Մանագ. J. 29 (3),
319-336.
Neupane, K., Baysal-Gurel, F., 2021. Բույսերի հիվանդությունների ավտոմատ նույնականացում և մոնիտորինգ՝ օգտագործելով անօդաչու թռչող սարքեր. Հեռակառավարում 13 (19), 3841. https://doi.org/10.3390/rs13193841:
Nex, F., Remondino, F., 2014. UAV 3D քարտեզագրման հավելվածների համար. Ապլ. Գեոմատիկա 6 (1), 1–15. https://doi.org/10.1007/s12518-013-0120-x.
Niu, H., Hollenbeck, D., Zhao, T., Wang, D., Chen, Y., 2020. Գոլորշիացվող թրթռման գնահատում փոքր անօդաչու թռչող սարքերով ճշգրիտ գյուղատնտեսության մեջ: Սենսորներ 20 (22), 6427. https://
doi.org/10.3390/s20226427.
Osareh, F., 1996. Bibliometrics, Citation Analysis and Co-Citation Analysis. Գրականության ակնարկ I 46 (3), 149–158. https://doi.org/10.1515/libr.1996.46.3.149.
P´ adua, L., Vanko, J., Hruˇska, J., Ad˜ ao, T., Sousa, JJ, Peres, E., Morais, R., 2017. UAS, sensors, and data processing in agroforestry: վերանայում գործնական կիրառությունների նկատմամբ: Միջ. J. Remote Sens. 38 (8–10), 2349–2391: https://doi.org/10.1080/01431161.2017.1297548.
Panday, US, Pratihast, AK, Aryal, J., Kayastha, RB, 2020: Հացահատիկային մշակաբույսերի համար դրոնների վրա հիմնված տվյալների լուծումների ակնարկ: Դրոններ 4 (3), 1–29. https://doi.org/10.3390/
դրոններ4030041.
Փարսայան, Մ., Շահաբի, Մ., Հասանփուր, Հ., 2020. Քնջութի սերմերի յուղի և սպիտակուցի պարունակության գնահատումը պատկերի մշակման և արհեստական նեյրոնային ցանցի միջոցով: J. Am. Յուղ
Քիմիկոսների սոց. 97 (7), 691–702 թթ.
Pena, ˜ JM, Torres-S'anchez, J., de Castro, AI, Kelly, M., Lopez-Granados, ´ F., Suarez, O., Մոլախոտերի քարտեզագրում վաղ սեզոնի եգիպտացորենի դաշտերում՝ օգտագործելով օբյեկտի վրա հիմնված վերլուծություն -ից
անօդաչու թռչող սարք (ԱԹՍ) Նկարներ. PLoS ONE 8 (10), e77151:
Պերես-Օրթիզ, Մ., Պենա, ˜ JM, Գուտիերես, Պ.Ա., Տորես-Ս անչեզ, Ջ., Հերվ աս-Մարտինեզ, Ք.,
Lopez-Granados, ´ F., 2015. Արևածաղկի մշակաբույսերում մոլախոտերի քարտեզագրման կիսավերահսկվող համակարգ՝ օգտագործելով անօդաչու թռչող սարքեր և մշակաբույսերի շարքերի հայտնաբերման մեթոդ: Ապլ. Փափուկ հաշվարկ. J. 37, 533–544։ https://doi.org/10.1016/j.asoc.2015.08.027.
Pincheira, M., Vecchio, M., Giaffreda, R., Kanhere, SS, 2021: Ծախսերի արդյունավետ IoT սարքերը որպես հուսալի տվյալների աղբյուրներ բլոկչեյնի վրա հիմնված ջրի կառավարման համակարգի համար ճշգրիտ գյուղատնտեսության մեջ: Հաշվարկ. Էլեկտրոն. Ագրոգ. 180, 105889։
Popescu, D., Stoican, F., Stamatescu, G., Ichim, L., Dragana, C., 2020: Ճշգրիտ գյուղատնտեսության մեջ խելացի մոնիտորինգի առաջադեմ UAV–WSN համակարգ: Սենսորներ 20 (3), https://doi.org/10.3390/s20030817:
Pournader, M., Shi, Y., Seuring, S., Koh, SL, 2020: Blockchain կիրառությունները մատակարարման շղթաներում, տրանսպորտում և լոգիստիկայում. գրականության համակարգված վերանայում: Միջ. J. Արդ. Ռես. 58 (7), 2063–2081 թթ.
Primicerio, J., Di Gennaro, SF, Fiorillo, E., Genesio, L., Lugato, E., Matese, A., Vaccari, FP, 2012: Ճկուն անօդաչու թռչող սարք՝ ճշգրիտ գյուղատնտեսության համար:
Ճշգրիտ. Ագրոգ. 13 (4), 517–523 թթ. https://doi.org/10.1007/s11119-012-9257-6.
Pritchard, A., 1969. Վիճակագրական մատենագիտություն կամ մատենագիտություն. J. Փաստաթուղթ. 25 (4), 348–349։
Pudelko, R., Stuczynski, T., Borzecka-Walker, M., 2012. Անօդաչու թռչող սարքի (ԱԹՍ) համապատասխանությունը փորձարարական դաշտերի և մշակաբույսերի գնահատման համար: Գյուղատնտեսություն 99 (4), 431–436 թթ.
Puri, V., Nayyar, A., Raja, L., 2017. Գյուղատնտեսական դրոններ. ժամանակակից առաջընթաց ճշգրիտ գյուղատնտեսության մեջ: J. Statis. Մանագ. Սիստ. 20 (4), 507–518 թթ.
Radoglou-Grammatikis, P., Sarigiannidis, P., Lagkas, T., Moscholios, I., 2020: Ճշգրիտ գյուղատնտեսության համար անօդաչու թռչող սարքերի կիրառման հավաքածու: Հաշվարկ. Ցանց 172,
107148 https://doi.org/10.1016/j.comnet.2020.107148.
Ramesh, KV, Rakesh, V., Prakasa Rao, EVS, 2020: Մեծ տվյալների վերլուծության և արհեստական ինտելեկտի կիրառումը ագրոնոմիական հետազոտություններում: Հնդիկ Ջ.Ագրոն. 65 (4), 383–395 թթ.
Raparelli, E., Bajocco, S., 2019. Անօդաչու թռչող սարքերի օգտագործման վերաբերյալ բիբլիոմետրիկ վերլուծություն գյուղատնտեսական և անտառային ուսումնասիրություններում: Միջ. J. Remote Sens. 40 (24),
9070–9083 թթ. https://doi.org/10.1080/01431161.2019.1569793.
Rasmussen, J., Nielsen, J., Garcia-Ruiz, F., Christensen, S., Streibig, JC, Lotz, B., 2013:
Փոքր անօդաչու թռչող սարքերի համակարգերի (UAS) հնարավոր օգտագործումը մոլախոտերի հետազոտության մեջ: Weed Res. 53 (4), 242–248։
Rasmussen, J., Ntakos, G., Nielsen, J., Svensgaard, J., Poulsen, RN, Christensen, S., Արդյո՞ք բուսականության ինդեքսները բխում են սպառողական կարգի տեսախցիկներից, որոնք տեղադրված են
Անօդաչու թռչող սարքերը բավականաչափ հուսալի են փորձարարական հողամասերը գնահատելու համար: Եվր. Ջ.Ագրոն. 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: Թվայնացումը սննդի մատակարարման շղթաներում.
վերլուծություն. Կայունություն 14 (1), 83. https://doi.org/10.3390/su14010083.
Rejeb, A., Rejeb, K., Simske, SJ, Treiblmaier, H., 2021a: Անօդաչու սարքեր մատակարարման շղթայի կառավարման և լոգիստիկայի համար. վերանայում և հետազոտական օրակարգ: Միջ. Ջ.Լոգիստ. Ռես. Ապլ.
1–24 թթ. https://doi.org/10.1080/13675567.2021.1981273.
Rejeb, A., Rejeb, K., Simske, S., Treiblmaier, H., 2021b. Բլոկչեյն տեխնոլոգիաները լոգիստիկայի և մատակարարման շղթայի կառավարման մեջ. մատենագիտական ակնարկ. Լոգիստիկա 5 (4), 72.
https://doi.org/10.3390/logistics5040072.
Rejeb, A., Rejeb, K., Simske, S., Treiblmaier, H., 2021c. Մարդասիրական անօդաչու թռչող սարքեր. վերանայման և հետազոտության օրակարգ. Իրերի ինտերնետ 16, 100434. https://doi.org/10.1016/j.
իոտ.2021.100434.
Rejeb, A., Treiblmaier, H., Rejeb, K., Zailani, S., 2021d. Բլոկչեյն հետազոտություն առողջապահության ոլորտում. մատենագիտական ակնարկ և ընթացիկ հետազոտական միտումներ: Տվյալների Ջ. և
Մանագ. 3 (2), 109–124։
Rejeb, A., Simske, S., Rejeb, K., Treiblmaier, H., Zailani, S., 2020: Իրերի ինտերնետ հետազոտություն մատակարարման շղթայի կառավարման և լոգիստիկայի մեջ. բիբլիոմետրիկ վերլուծություն: Համացանց
իրերի 12, 100318.
ReportLinker, 2021. Գյուղատնտեսության անօդաչու թռչող սարքերի համաշխարհային շուկան տարեկան կհասնի 15.2 միլիարդ ԱՄՆ դոլարի GlobeNewswire 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- Տարի-2027.html.
Ribeiro-Gomes, K., Hernandez-L' opez, ´ D., Ortega, JF, Ballesteros, R., Poblete, T., Moreno, MA, 2017: Չսառեցված ջերմային խցիկի չափորոշում և օպտիմալացում
Գյուղատնտեսության մեջ անօդաչու թռչող սարքերի կիրառման ֆոտոգրամետրիայի գործընթաց: Սենսորներ (Շվեյցարիա) 17 (10). https://doi.org/10.3390/s17102173.
Ռիվերա, Մ.Ա., Պիզամ, Ա., 2015: Հյուրընկալության հետազոտության առաջընթաց. «Ռոդնի Դանգերֆիլդից մինչև Արետա Ֆրանկլին»: Միջ. J. Contempor. Հիվանդանոց. Մանագ. 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: Մինի-UAV-ի վրա հիմնված զգայական համակարգ ջերմոցներում շրջակա միջավայրի փոփոխականների չափման համար: Սենսորներ 15 (2), 3334–3350: https://doi.org/10.3390/s150203334.
Rozenberg, G., Kent, R., Blank, L., 2021. Սպառողական կարգի անօդաչու թռչող սարք, որն օգտագործվում է ուշ սեզոնային մոլախոտերի տարածական բաշխման ձևերը առևտրային սոխի դաշտերում հայտնաբերելու և վերլուծելու համար: Ճշգրիտ. Ագրոգ. 22 (4), 1317–1332 թթ. 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. Անօդաչու: Անտառային և գյուղատնտեսական կիրառությունների համար սպեկտրալ տեսախցիկի համակարգ՝ օդանավով (ԱԹՍ): Շարունակել. SPIE – Միջ. Սոց. Ընտրել Անգլ. 8174 https://doi.org/10.1117/12.897585.
Sah, B., Gupta, R., Bani-Hani, D., 2021. Անօդաչու սարքերի լոգիստիկայի իրականացման խոչընդոտների վերլուծություն: Միջ. Ջ.Լոգիստ. Ռես. Ապլ. 24 (6), 531–550 թթ. https://doi.org/10.1080/
13675567.2020.1782862:
Saha, AK, Saha, J., Ray, R., Sircar, S., Dutta, S., Chattopadhyay, SP, & Saha, HN, IOT վրա հիմնված անօդաչու թռչող սարք՝ գյուղատնտեսական ոլորտում բերքի որակի բարելավման համար: Շ.Հ.-ում
N. Chakrabarti S. (Ed.), 2018 IEEE 8th Annual Computing and Communication Workshop and Conference, CCWC 2018 (Vols. 2018-January, pp. 612–615): ինստիտուտ
of Electrical and Electronics Engineers Inc. doi: 10.1109/CCWC.2018.8301662.
Sai Vineeth, KV, Vara Prasad, YR, Dubey, SR, Venkataraman, H., 2019: LEDCOM՝ նոր և արդյունավետ լուսադիոդային հաղորդակցություն ճշգրիտ գյուղատնտեսության համար: IEEE Conf. Ինֆո. կոմուն. Տեխնոլ. 2019, 1–5. https://doi.org/10.1109/CICT48419.2019.9066177.
Salamí, E., Barrado, C., Pastor, E., 2014. UAV թռիչքային փորձերը կիրառվել են բուսական տարածքների հեռահար զոնդավորման համար: Remote Sensing 6 (11), 11051–11081: https://doi.org/10.3390/rs61111051.
Sankaran, S., Khot, LR, Espinoza, CZ, Jarolmasjed, S., Sathuvalli, VR, Vandemark, GJ, Miklas, PN, Carter, AH, Pumphrey, MO, Knowles, NRN, Pavek, MJ, 2015 թ.
Ցածր բարձրության վրա, բարձր լուծաչափով օդային պատկերման համակարգեր շարքի և դաշտային մշակաբույսերի ֆենոտիպավորման համար. վերանայում: Եվր. Ջ.Ագրոն. 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: Բարձր լուծաչափով UAV-ի վրա հիմնված ջերմային պատկերացում գնահատելու համար
խաղողի այգում բույսերի ջրի կարգավիճակի ակնթարթային և սեզոնային փոփոխականությունը: Ագրոգ. Ջրի կառավարում. 183, 49–59։ https://doi.org/10.1016/j.agwat.2016.08.026.
Sarli, CC, Dubinsky, EK, Holmes, KL, 2010. Մեջբերման վերլուծությունից դուրս. հետազոտության ազդեցության գնահատման մոդել: J. Med. Գրադարանի դոց. 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: Երկրի համակարգի գիտության հետ կապված պատկերային սպեկտրոսկոպիա՝ գնահատում: Հեռակառավարման սենսորային միջավայր: 113, S123–S137։
Schirrmann, M., Giebel, A., Gleiniger, F., Pflanz, M., Lentschke, J., Dammer, K.-H., 2016. Ձմեռային ցորենի մշակաբույսերի ագրոնոմիական պարամետրերի մոնիտորինգ էժան անօդաչու թռչող սարքով
պատկերազարդում. Հեռակառավարում 8 (9). https://doi.org/10.3390/rs8090706.
Schmale III, DG, Dingus, BR, Reinholtz, C., 2008. Ինքնավար անօդաչու թռչող սարքի մշակում և կիրառում վերը նշված ճշգրիտ աէրոբիոլոգիական նմուշառման համար
գյուղատնտեսական դաշտեր. J. Field Rob. 25 (3), 133–147։ https://doi.org/10.1002/rob.20232.
Շադրին, Դ., Մենշչիկով, Ա., Սոմով, Ա., Բորնեման, Գ., Հաուսլագեն, Ջ., Ֆեդորով, Մ.
Ճշգրիտ գյուղատնտեսության հնարավորություն՝ արհեստական ինտելեկտի միջոցով ներկառուցված զգայության միջոցով: IEEE Trans. գործիք. Միջոցներ. 69 (7), 4103–4113 թթ.
Շախաթրեհ, Հ., Սավալմե, Ա.Հ., Ալ-Ֆուկահա, Ա., Դու, Զ., Ալմայտա, Է., Խալիլ, Ի.,
Othman, NS, Khreishah, A., Guizani, M., 2019: Անօդաչու թռչող սարքեր (ԱԹՍ). քաղաքացիական կիրառությունների և հիմնական հետազոտական մարտահրավերների վերաբերյալ հետազոտություն: IEEE Access 7,
48572–48634 թթ. https://doi.org/10.1109/ACCESS.2019.2909530.
Shakoor, N., Northrup, D., Murray, S., Mockler, TC, 2019: Մեծ տվյալների վրա հիմնված գյուղատնտեսություն. մեծ տվյալների վերլուծություն բույսերի բուծման, գենոմիկայի և հեռահար զոնդավորման մեջ
մշակաբույսերի արտադրողականությունը բարձրացնելու տեխնոլոգիաները: Բույսերի ֆենոմա J. 2 (1), 1–8.
Sharma, BK, Chandra, G., Mishra, VP, 2019. Համեմատական վերլուծություն և անօդաչու թռչող սարքի և AI-ի ազդեցությունը դատաբժշկական հետաքննություններում: In: Proceedings – 2019 Amity International
Արհեստական ինտելեկտին նվիրված կոնֆերանս. https://doi.org/10.1109/AICAI.2019.8701407.
Sharma, R., Shishodia, A., Gunasekaran, A., Min, H., Munim, ZH, 2022: Արհեստական ինտելեկտի դերը մատակարարման շղթայի կառավարման մեջ. տարածքի քարտեզագրում: Միջ. Ջ.
Արդ. Ռես. 1–24։ https://doi.org/10.1080/00207543.2022.2029611.
Շի, Յ., Թոմասսոն, Ջեյ, Մյուրեյ, Ս.Ս., Պուգ, Ն.Ա., Ռունի, Վ.Լ., Շաֆյան, Ս., Ռաջան, Ն., Ռուզե, Գ., Մորգան, ԿԼՍ, Նիլի, Հ.Լ., Ռանա, Ա., Բագավաթիաննան , MV,
Հենրիքսոն, Ջ., Բոուդեն, Է., Վալասեկ, Ջ., Օլսենհոլեր, Ջ. Ա., ՄակՔաթչեն, Բ.Ֆ.,
Baltensperger, DD, Avant, RV, Vidrine, M., Yang, C., Zhang, J., 2016. Անօդաչու թռչող սարքեր բարձր թողունակության ֆենոտիպավորման և ագրոնոմիական հետազոտությունների համար: PLoS ONE
11 (7), e0159781.
Shuai, G., Martinez-Feria, RA, Zhang, J., Li, S., Price, R., Basso, B., 2019 թ.: Եգիպտացորենի դիրքի տարասեռության հայտնաբերում բերքատվության կայուն գոտիներում՝ օգտագործելով անօդաչու թռչող սարք
Տրանսպորտ (ԱԹՍ): Սենսորներ 19 (20), 4446. https://doi.org/10.3390/s19204446.
Small, H., 1973. Համատեղում գիտական գրականության մեջ. երկու փաստաթղթերի փոխհարաբերությունների նոր չափում. J. Am. Սոց. Ինֆո. Գիտ. 24 (4), 265–269։
Small, H., Rorvig, ME, Lunin, LF, 1999. Գիտության պատկերացում՝ մեջբերումների քարտեզագրման միջոցով: J. Am. Սոց. Ինֆո. Գիտ. 50 (9), 799–813 թթ.
Soares, VHA, Ponti, MA, Gonçalves, RA, Campello, RJGB, 2021: Վայրի բնության մեջ խոշոր եղջերավոր անասունների հաշվում աշխարհագրական օդային պատկերներով մեծ արոտավայրերում: Հաշվարկ. Էլեկտրոն. Ագրոգ. 189, 106354 https://doi.org/10.1016/j.compag.2021.106354:
Srivastava, K., Pandey, PC, Sharma, JK, 2020: Ճշգրիտ գյուղատնտեսության կիրառություններում երթուղու օպտիմալացման մոտեցում՝ օգտագործելով UAVs: Դրոններ 4 (3), 58. https://doi.org/ 10.3390/drones4030058.
Stafford, JV, 2000. Ճշգրիտ գյուղատնտեսության իրականացում 21-րդ դարում: Ջ.Ագրիկ. Անգլ. Ռես. 76 (3), 267–275։
Su, J., Coombes, M., Liu, C., Guo, L., Chen, W.-H., 2018. Ցորենի երաշտի գնահատում հեռահար զոնդավորման պատկերներով՝ օգտագործելով անօդաչու թռչող սարք: 2018 թվականին Չինաստանի 37-րդ վերահսկողական համաժողովը (CCC):
Su, J., Liu, C., Coombes, M., Hu, X., Wang, C., Xu, X., Li, Q., Guo, L., Chen, W.-H., 2018 թ. Ցորենի դեղին ժանգի մոնիտորինգ՝ սովորելով բազմասպեկտրային UAV օդային պատկերներից:
Հաշվարկ. Էլեկտրոն. Ագրոգ. 155, 157–166 թթ. https://doi.org/10.1016/j. compag.2018.10.017.
Su, Y., Wang, X., 2021: Գյուղատնտեսական տնտեսական կառավարման նորարարությունը մեծ տվյալների միջոցով խելացի գյուղատնտեսություն կառուցելու գործընթացում: Կայուն հաշվարկ. Ինֆ. Սիստ. 31, 100579 https://doi.org/10.1016/j.suscom.2021.100579.
Sullivan, DG, Fulton, JP, Shaw, JN, Bland, GL, 2007: Գնահատելով անօդաչու ջերմային ինֆրակարմիր օդային համակարգի զգայունությունը բամբակյա հովանոցում ջրի սթրեսը հայտնաբերելու համար: Տրանս. ASABE 50 (6), 1955–1962 թթ.
Sumesh, KC, Ninsawat, S., Som-ard, J., 2021. RGB-ի վրա հիմնված բուսականության ինդեքսի, մշակաբույսերի մակերեսի մոդելի և օբյեկտի վրա հիմնված պատկերի վերլուծության մոտեցման ինտեգրում շաքարեղեգի բերքատվության գնահատման համար՝ օգտագործելով անօդաչու թռչող սարք: Հաշվարկ. Էլեկտրոն. Ագրոգ. 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. Թեթև քաշի հիպերսպեկտրալ քարտեզագրման համակարգ
անօդաչու թռչող սարքեր՝ առաջին արդյունքները. 2013թ. Հիպերսպեկտրալ պատկերի և ազդանշանների մշակման 5-րդ աշխատաժողով. Էվոլյուցիան հեռակառավարման մեջ (Շշուկներ), էջ 1–4: https://doi.org/10.1109/WHISPERS.2013.8080721.
Սուոմալայնեն, Ջ., Անդերս, Ն., Իքբալ, Ս., Ռոերինկ, Գ., Ֆրանկե, Ջ., Վենտինգ, Պ., Հյունիգեր, Դ., Բարթոլոմեուս, Հ., Բեկեր, Ռ., Կույստրա, Լ., 2014. Թեթև հիպերսպեկտրալ
քարտեզագրման համակարգ և ֆոտոգրամետրիկ մշակման շղթա անօդաչու թռչող սարքերի համար: Remote Sensing 6 (11), 11013–11030: https://doi.org/10.3390/
rs61111013.
Syeda, IH, Alam, MM, Illahi, U., Su'ud, MM, 2021: Գյուղատնտեսության մեջ պատկերների մշակման, անօդաչու թռչող սարքերի և արհեստական ինտելեկտի օգտագործմամբ առաջադեմ վերահսկման ռազմավարություններ. World J. Eng. 18 (4),
579–589. https://doi.org/10.1108/WJE-09-2020-0459.
Tahai, A., Rigsby, JT, 1998. Տեղեկատվության մշակում՝ օգտագործելով մեջբերումներ՝ հաշվապահության մեջ ամսագրի ազդեցությունը ուսումնասիրելու համար: Ինֆ. Գործընթացը. Կառավարել. 34 (2–3), 341–359։
Tang, Y., Dananjayan, S., Hou, C., Guo, Q., Luo, S., He, Y., 2021: Հարցում 5G ցանցի և դրա ազդեցության վերաբերյալ գյուղատնտեսության վրա. մարտահրավերներ և հնարավորություններ: Հաշվարկ.
Էլեկտրոն. Ագրոգ. 180, 105895 https://doi.org/10.1016/j.compag.2020.105895:
Tantalaki, N., Souravlas, S., Roumeliotis, M., 2019: Տվյալների վրա հիմնված որոշումների կայացում ճշգրիտ գյուղատնտեսությունում. մեծ տվյալների աճը գյուղատնտեսական համակարգերում: Ջ.Ագրիկ. Սննդի մասին տեղեկատվություն.
20 (4), 344–380:
Tao, H., Feng, H., Xu, L., Miao, M., Yang, G., Yang, X., Fan, L., 2020: Ձմեռային ցորենի բերքատվության և բույսի բարձրության գնահատում UAV-ի միջոցով: հիմնված հիպերսպեկտրային պատկերներ.
Սենսորներ 20 (4), 1231։
Techy, L., Schmale III, DG, Woolsey, CA, 2010. Մթնոլորտի ստորին հատվածում բույսերի պաթոգենների համակարգված աէրոբիոլոգիական նմուշառում` օգտագործելով երկու ինքնավար անօդաչու թռչող սարքեր: J. Field Rob. 27 (3), 335–343։ https://doi.org/10.1002/rob.20335.
Tetila, EC, Machado, BB, Astolfi, G., Belete, NAdS, Amorim, WP, Roel, AR, Pistori, H., 2020: Սոյայի վնասատուների հայտնաբերում և դասակարգում խորը ուսուցման միջոցով
UAV պատկերներով։ Հաշվարկ. Էլեկտրոն. Ագրոգ. 179, 105836։
Thamm, H.-P., Menz, G., Becker, M., Kuria, DN, Misana, S., Kohn, D., 2013: The Use of Uas for Assessing Agricultural Systems in AN Wetland in Tanzania in the- Եվ WetSeason-ը կայուն գյուղատնտեսության և Terra-Sar X տվյալների համար հիմնավոր ճշմարտության ապահովման համար: In: ISPRS – Միջազգային արխիվներ Ֆոտոգրամետրիայի, Հեռակառավարման և Տարածական տեղեկատվական գիտությունների միջազգային արխիվ, էջ 401–406: https://doi.org/10.5194/isprsarchivesXL-1-W2-401-2013.
Thelwall, M., 2008. Bibliometrics to webometrics. J. Ինֆո. Գիտ. 34 (4), 605–621 թթ.
Torres-Sanchez, 'J., Lopez-Granados, 'F., Pena, ˜ JM, 2015: Ավտոմատ օբյեկտի վրա հիմնված մեթոդ անօդաչու թռչող սարքերի պատկերներում օպտիմալ շեմերի սահմանման համար. Հաշվարկ. Էլեկտրոն. Ագրոգ. 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: Գյուղատնտեսական ծառերի տնկարկների բարձր արդյունավետության 3-D մոնիտորինգ Անօդաչու թռչող սարք (ԱԹՍ) տեխնոլոգիա. PLoS ONE 10 (6), e0130479.
Torres-Sanchez, J., Pena, ˜ JM, de Castro, AI, Lopez-Granados, ´ F., 2014: Բուսական մասի բազմաժամանակային քարտեզագրում վաղ սեզոնի ցորենի դաշտերում՝ օգտագործելով UAV-ի պատկերները: Հաշվարկ. Էլեկտրոն. Ագրոգ. 103, 104–113։ https://doi.org/10.1016/j. compag.2014.02.009.
Tsouros, DC, Bibi, S., Sarigiannidis, PG, 2019: Ճշգրիտ գյուղատնտեսության համար անօդաչու թռչող սարքերի վրա հիմնված կիրառությունների վերանայում: Տեղեկություն (Շվեյցարիա) 10 (11). https://doi.org/10.3390/info10110349.
Tu, Y.-H., Phinn, S., Johansen, K., Robson, A., Wu, D., 2020. Օպտիմալացնելով անօդաչու թռչող սարքերի պլանավորումը այգեգործական ծառերի մշակաբույսերի կառուցվածքի չափման համար: ISPRS J. Photogramm.
Remote Sens. 160, 83–96. https://doi.org/10.1016/j.isprsjprs.2019.12.006
Tzounis, A., Katsoulas, N., Bartzanas, T., Kittas, C., 2017. Գյուղատնտեսության մեջ իրերի ինտերնետը, վերջին առաջընթացները և ապագա մարտահրավերները: Բիոսիստ. Անգլ. 164, 31–48։
https://doi.org/10.1016/j.biosystemseng.2017.09.007.
Uddin, A., Singh, VK, Pinto, D., Olmos, I., 2015. Համակարգչային գիտության հետազոտության գիտաչափական քարտեզագրում Մեքսիկայում: Scientometrics 105 (1), 97–114.
ՄԱԿ., 2019. Աշխարհի բնակչության հեռանկարները 2019. https://population.un.org/wpp/ (Մուտք գործած է 15/04/2022):
Uto, K., Seki, H., Saito, G., Kosugi, Y., 2013. Բրնձի դաշտերի բնութագրումը UAV-ով տեղադրված մանրանկարչական հիպերսպեկտրային սենսորային համակարգի միջոցով: IEEE J. Sel. Գագաթ. Ապլ. Earth Obs.
Հեռակառավարման ցուցիչ 6 (2), 851–860. https://doi.org/10.1109/JSTARS.2013.2250921. van der Merwe, D., Burchfield, DR, Witt, TD, Price, KP, Sharda, A., 2020: Դրոններ
գյուղատնտեսություն։ Adv. Ագրոն. 162, 1–30։
Velusamy, P., Rajendran, S., Mahendran, RK, Naseer, S., Shafiq, M., Choi, J.-G., 2022:
Անօդաչու թռչող սարքեր (ԱԹՍ) ճշգրիտ գյուղատնտեսության մեջ. կիրառություններ և մարտահրավերներ. Էներգիաներ 15 (1), 217. https://doi.org/10.3390/en15010217.
Ventura, D., Bonifazi, A., Gravina, MF, Belluscio, A., Ardizzone, G., 2018. Էկոլոգիապես զգայուն ծովային միջավայրերի քարտեզագրում և դասակարգում` օգտագործելով անօդաչու թռչող սարք
Ավտոմեքենաների (ԱԹՍ) պատկերներ և օբյեկտների վրա հիմնված պատկերների վերլուծություն (OBIA): Հեռակառավարում 10 (9), 1331. https://doi.org/10.3390/rs10091331:
Verger, A., Vigneau, N., Ch´eron, C., Gilliot, J.-M., Comar, A., Baret, F., 2014: Կանաչ տարածքի ինդեքսը անօդաչու օդային համակարգից ցորենի և ռապևի մշակաբույսերի վրա . Հեռակառավարման սենսորային միջավայր: 152, 654–664 թթ. https://doi.org/10.1016/j.rse.2014.06.006.
Von Bueren, SK, Burkart, A., Hueni, A., Rascher, U., Tuohy, MP, Yule, IJ, 2015: Չորս օպտիկական անօդաչու թռչող սարքերի վրա հիմնված սենսորների տեղակայում խոտհարքների վրա. մարտահրավերներ և
սահմանափակումներ. Biogeosciences 12 (1), 163–175. https://doi.org/10.5194/bg-12-163-2015.
Vuran, MC, Salam, A., Wong, R., Irmak, S., 2018. Ստորգետնյա իրերի ինտերնետ ճշգրիտ գյուղատնտեսության մեջ. ճարտարապետություն և տեխնոլոգիական ասպեկտներ: Ad Hoc Netw. 81,
160–173 թթ. https://doi.org/10.1016/j.adhoc.2018.07.017.
Wamba, SF, Queiroz, MM, 2021: Պատասխանատու արհեստական ինտելեկտը որպես թվային առողջության գաղտնի բաղադրիչ. մատենաչափական վերլուծություն, պատկերացումներ և հետազոտական ուղղություններ:
Ինֆո. Սիստ. Ճակատ. 1–16.
Wang, L., Zhang, G., Wang, Z., Liu, J., Shang, J., Liang, L., 2019: Հեռակառավարման հետազոտության տենդենցի մատենագիտական վերլուծություն մշակաբույսերի աճի մոնիտորինգում. դեպքի ուսումնասիրություն Չինաստանում: Հեռակառավարում 11 (7). https://doi.org/10.3390/rs11070809.
White, HD, Griffith, BC, 1981. Հեղինակային շարադրանք. ինտելեկտուալ կառուցվածքի գրականության չափում: J. Am. Սոց. Ինֆո. Գիտ. 32 (3), 163–171 թթ.
Xiang, H., Tian, L., 2011. Ինքնավար անօդաչու թռչող սարքի (ԱԹՍ) վրա հիմնված էժան գյուղատնտեսական հեռահար զոնդավորման համակարգի մշակում: Բիոսիստ. Անգլ. 108 (2), 174–190։ https://doi.org/10.1016/j.biosystemseng.2010.11.010.
Xie, C., Yang, C., 2020: Բույսերի բարձր թողունակության ֆենոտիպավորման հատկությունների ակնարկ՝ օգտագործելով UAV-ի վրա հիմնված սենսորները: Հաշվարկ. Էլեկտրոն. Ագրոգ. 178, 105731 https://doi.org/10.1016/j.
կոմպագ.2020.105731.
Yao, H., Qin, R., Chen, X., 2019 թ.: Անօդաչու թռչող սարք հեռակառավարման կիրառման համար. վերանայում: Հեռակառավարում 11 (12). https://doi.org/10.3390/
rs11121443.
Yeom, S., 2021. Շարժվող մարդկանց հետագծում և կեղծ ուղու հեռացում ինֆրակարմիր ջերմային պատկերման միջոցով մուլտիռոտորի միջոցով: Դրոններ 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: Պատկերների օգտագործմամբ բերքի պարամետրերի գնահատման համեմատություն անօդաչու թռչող սարքից տեղադրված
լուսանկարի հիպերսպեկտրային սենսոր և բարձր հստակությամբ թվային ֆոտոխցիկ: Հեռահաշվարկ 10 (7), 1138. https://doi.org/10.3390/rs10071138:
Yue, J., Yang, G., Li, C., Li, Z., Wang, Y., Feng, H., Xu, B., 2017. Ձմեռային ցորենի վերգետնյա կենսազանգվածի գնահատում անօդաչու թռչող սարքի օգտագործմամբ. հիմնված ակնթարթ
հիպերսպեկտրալ սենսորային և բերքի բարձրության բարելավված մոդելներ: Հեռակառավարում 9 (7). https://doi.org/10.3390/rs9070708.
Zahawi, RA, Dandois, JP, Holl, KD, Nadwodny, D., Reid, JL, Ellis, EC, 2015: Թեթև անօդաչու թռչող սարքերի օգտագործումը արևադարձային անտառների վերականգնման համար: Բիոլ.
Պահպանել. 186, 287–295 թթ. https://doi.org/10.1016/j.biocon.2015.03.031. Zamora-Izquierdo, MA, Santa, J., Martínez, JA, Martínez, V., Skarmeta, AF, 2019 թ.
Խելացի գյուղատնտեսական IoT հարթակ, որը հիմնված է եզրային և ամպային հաշվարկների վրա: Բիոսիստ. Անգլ. 177,
4-17.
Zarco-Tejada, PJ, Diaz-Varela, R., Angileri, V., Loudjani, P., 2014: Ծառի բարձրության քանակականացում՝ օգտագործելով անօդաչու թռչող սարքից ստացված շատ բարձր լուծաչափով պատկերներ
փոխադրամիջոցի (ԱԹՍ) և ավտոմատ 3D ֆոտովերակառուցման մեթոդներ։ Եվր. Ջ.Ագրոն. 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: Սառը սեզոնի մշակաբույսերի ծաղկման ինտենսիվության պատկերի վրա հիմնված ֆենոտիպավորում: Սենսորներ 20 (5), 1450. https://doi.org/10.3390/s20051450.
Zhang, C., Kovacs, JM, 2012: Փոքր անօդաչու օդային համակարգերի կիրառումը ճշգրիտ գյուղատնտեսության համար. վերանայում: Ճշգրիտ. Ագրոգ. 13 (6), 693–712 թթ. https://doi.org/
10.1007/s11119-012-9274-5.
Zhang, L., Zhang, H., Niu, Y., Han, W., 2019. Եգիպտացորենի ջրի սթրեսի քարտեզագրում, որը հիմնված է UAV-ի բազմասպեկտրային հեռահար զոնդավորման վրա: Հեռակառավարում 11 (6), 605.
Zhang, X., Han, L., Dong, Y., Shi, Y., Huang, W., Han, L., Gonz´ alez-Moreno, P., Ma, H., Ye, H., Sobeih , Թ., 2019. Ավտոմատացված դեղին ժանգի խորը ուսուցման վրա հիմնված մոտեցում
հիվանդության հայտնաբերում բարձր լուծաչափով հիպերսպեկտրալ UAV պատկերներից: Հեռակառավարում 11 (13), 1554 թ.
Zhao, X., Zhang, J., Huang, Y., Tian, Y., Yuan, L., 2022: Թեյի բույսերի հիվանդությունների և միջատների սթրեսի հայտնաբերում և տարբերակում, օգտագործելով հիպերսպեկտրալ պատկերներ՝ համակցված ալիքային վերլուծության հետ: Հաշվարկ. Էլեկտրոն. Ագրոգ. 193, 106717 https://doi.org/10.1016/j. compag.2022.106717.
Zheng, A., Wang, M., Li, C., Tang, J., Luo, B., 2022. Էնտրոպիա առաջնորդվող հակառակորդ տիրույթի հարմարեցում օդային պատկերի իմաստային հատվածավորման համար: IEEE Trans. Գ
Zheng, H., Cheng, T., Yao, X., Deng, X., Tian, Y., Cao, W., Zhu, Y., 2016: Բրինձի ֆենոլոգիայի հայտնաբերումը գետնի վրա հիմնված սպեկտրալի ժամանակային շարքերի վերլուծության միջոցով ինդեքսային տվյալներ: Field Crops Res. 198, 131–139։ https://doi.org/10.1016/j.fcr.2016.08.027.
Zheng, J., Yang, W., 2018. Ճշգրիտ գյուղատնտեսական արտահոսքի սերմանման համակարգի նախագծում, որը հիմնված է անլար սենսորների վրա: Միջ. J. Online Eng. 14 (05), 184։
Zhou, L., Gu, X., Cheng, S., Yang, G., Shu, M., Sun, Q., 2020 թ. Բույսերի բարձրության փոփոխությունների վերլուծություն՝ իջած եգիպտացորենի՝ օգտագործելով UAV-LiDAR տվյալները: Գյուղատնտեսություն 10 (5), 146. https://
doi.org/10.3390/agriculture10050146.
Zhou, S., Chai, X., Yang, Z., Wang, H., Yang, C., Sun, T., 2021: Maize-IAS. Եգիպտացորենի պատկերի վերլուծության ծրագիր, որն օգտագործում է խորը ուսուցում բույսերի բարձր արդյունավետության ֆենոտիպավորման համար . Բույսերի մեթոդներ 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: Հացահատիկի բերքատվության կանխատեսում բրինձ՝ օգտագործելով բազմաժամկետ բուսականություն
ինդեքսներ անօդաչու թռչող սարքերի վրա հիմնված բազմասպեկտրային և թվային պատկերներից: ISPRS J. Photogramm. Remote Sens. 130, 246–255: https://doi.org/10.1016/j.isprsjprs.2017.05.003.
Zhou, Y., Xie, Y., Shao, L., 2016. Անլար սենսորային ցանցի վրա հիմնված ջերմոցային մոնիտորինգի համակարգի հիմնական տեխնոլոգիայի մոդելավորում: Միջ. J. Online Eng. 12 (05),
43:
Zhou, Z., Majeed, Y., Diverres Naranjo, G., Gambacorta, EMT, 2021: Գնահատում մշակաբույսերի ջրի սթրեսի համար ինֆրակարմիր ջերմային պատկերներով ճշգրիտ գյուղատնտեսության մեջ. վերանայում
և խորը ուսուցման ծրագրերի ապագա հեռանկարները: Հաշվարկ. Էլեկտրոն. Ագրոգ. 182, 106019 https://doi.org/10.1016/j.compag.2021.106019.