აბდერაჰმან რეჯები a ალირეზა აბდოლაჰი b , კარიმ რეჯები c , ჰორსტ ტრეიბლმაიერი d,
- a მართვისა და სამართლის დეპარტამენტი, ეკონომიკის ფაკულტეტი, რომის უნივერსიტეტი Tor Vergata, Via Columbia, 2, Rome 00133, Italy
- b ხარაზმის უნივერსიტეტის მენეჯმენტის ფაკულტეტის ბიზნესის ადმინისტრირების დეპარტამენტი, 1599964511 თეირანი, ირანი
- c ბიზერტის მეცნიერებათა ფაკულტეტი, კართაგენის უნივერსიტეტი, ზარზუნა, 7021 ბიზერტე, ტუნისი
- d საერთაშორისო მენეჯმენტის სკოლა, Modul University Vienna, Am Kahlenberg 1, 1190 ვენა, ავსტრია
სტატიის ინფორმაცია | რეფერატი |
Keywords: უპილოტო საფრენი აპარატები უპილოტო ზუსტი სოფლის მეურნეობა ინტერნეტი Things ბიბლიომეტრია | თვითმფრინავები, რომლებსაც ასევე უწოდებენ უპილოტო საჰაერო ხომალდებს (UAV), ბოლო ათწლეულების განმავლობაში მნიშვნელოვანი განვითარების მოწმე გახდა. სოფლის მეურნეობაში, მათ შეცვალეს ფერმერული პრაქტიკა, ფერმერებს შესთავაზეს მნიშვნელოვანი დანაზოგი, გაზრდილი ოპერაციული ეფექტურობა და უკეთესი მომგებიანობა. ბოლო ათწლეულების განმავლობაში, სასოფლო-სამეურნეო დრონების თემა იყო მიიპყრო შესანიშნავი აკადემიური ყურადღება. ამიტომ ჩვენ ვატარებთ ყოვლისმომცველ მიმოხილვას ბიბლიომეტრიის საფუძველზე არსებული აკადემიური ლიტერატურის შეჯამება და სტრუქტურირება და კვლევის მიმდინარე ტენდენციებისა და ცხელი წერტილების გამოვლენა. ჩვენ გამოიყენოს ბიბლიომეტრიული ტექნიკა და გააანალიზოს სასოფლო-სამეურნეო დრონების ირგვლივ არსებული ლიტერატურა, რათა შეაჯამოს და შეაფასეთ წინა კვლევა. ჩვენი ანალიზი მიუთითებს, რომ დისტანციური ზონდირება, ზუსტი სოფლის მეურნეობა, ღრმა სწავლება, მანქანათმცოდნეობა და ნივთების ინტერნეტი არის კრიტიკული თემები, რომლებიც დაკავშირებულია სასოფლო-სამეურნეო თვითმფრინავებთან. თანაციტირება ანალიზი ავლენს ექვს ფართო კვლევის კლასტერს ლიტერატურაში. ეს კვლევა ერთ-ერთი პირველი მცდელობაა შეაჯამოს დრონების კვლევა სოფლის მეურნეობაში და შემოგვთავაზოს სამომავლო კვლევის მიმართულებები. |
შესავალი
სოფლის მეურნეობა წარმოადგენს მსოფლიოს ძირითად კვების წყაროს (Friha et al., 2021) და ის მძიმე გამოწვევების წინაშე დგას იმის გამო, რომ
სურსათზე მოთხოვნილების გაზრდა, სურსათის უვნებლობა და უსაფრთხოების საკითხები, ასევე მოწოდებები გარემოს დაცვაზე, წყლის შენარჩუნებაზე და
მდგრადობა (Inoue, 2020). ვარაუდობენ, რომ ეს განვითარება გაგრძელდება, რადგან 9.7 წლისთვის მსოფლიოს მოსახლეობა 2050 მილიარდს მიაღწევს.
(2019). ვინაიდან სოფლის მეურნეობა წარმოადგენს წყლის მოხმარების ყველაზე თვალსაჩინო მაგალითს გლობალურად, მოსალოდნელია საკვებისა და წყლის მოთხოვნილება
მოხმარება მკვეთრად გაიზრდება უახლოეს მომავალში. გარდა ამისა, იზრდება სასუქებისა და პესტიციდების მოხმარება
ფერმერული საქმიანობის გააქტიურებასთან ერთად შეიძლება გამოიწვიოს მომავალი გარემოსდაცვითი გამოწვევები. ანალოგიურად, სახნავი მიწა შეზღუდულია და
მსოფლიოში ფერმერების რაოდენობა მცირდება. ეს გამოწვევები ხაზს უსვამს ინოვაციური და მდგრადი ფერმერული გადაწყვეტილებების საჭიროებას (ელია
და სხვ., 2018; ფრიჰა და სხვ., 2021; ინოუე, 2020; ცუნისი და სხვ., 2017).
ახალი ტექნოლოგიების ჩართვა გამოვლინდა, როგორც პერსპექტიული გადაწყვეტა ამ გამოწვევების გადასაჭრელად. ჭკვიანი მეურნეობა (Brewster et al.,
2017 წელი; Tang et al., 2021) და ზუსტი სოფლის მეურნეობა (Feng et al., 2019; Khanna & Kaur, 2019) წარმოიშვა ასეთი დებატების შედეგად. The
პირველი არის ზოგადი ცნება ინფორმაციული საკომუნიკაციო ტექნოლოგიების (ICT) და სხვა უახლესი ინოვაციების გამოყენებისთვის ფერმერულ საქმიანობაში ეფექტურობისა და ეფექტურობის გაზრდის მიზნით (Haque et al., 2021). ეს უკანასკნელი ფოკუსირებულია უბნის სპეციფიკურ მენეჯმენტზე, რომელშიც მიწა იყოფა
ერთგვაროვანი ნაწილები და თითოეული ნაწილი იღებს სასოფლო-სამეურნეო შეტანის ზუსტ რაოდენობას მოსავლის მოსავლიანობის ოპტიმიზაციისთვის ახალი ტექნოლოგიების საშუალებით (Feng et al., 2019; Khanna & Kaur, 2019). გამორჩეული ტექნოლოგიები, რომლებმაც მიიპყრეს მეცნიერთა ყურადღება ამ სფეროში, მოიცავს უსადენო სენსორულ ქსელებს (WSN) (J. Zheng & Yang, 2018; Y. Zhou et al., 2016), ნივთების ინტერნეტს (IoT) (Gill et al., 2017; ჰე და სხვ., 2021; ლიუ და სხვ., 2019),
ხელოვნური ინტელექტის (AI) ტექნიკები, მათ შორის მანქანური სწავლა და ღრმა სწავლა (Liakos et al., 2018; Parsaeian et al., 2020; Shadrin et al.,
2019), გამოთვლითი ტექნოლოგიები (Hsu et al., 2020; Jinbo et al., 2019; Zamora-Izquierdo et al., 2019), დიდი მონაცემები (Gill et al., 2017; Tantalaki
et al., 2019) და blockchain (PW Khan et al., 2020; Pincheira et al., 2021).
ზემოაღნიშნული ტექნოლოგიების გარდა, დისტანციური ზონდირება განიხილება გაუმჯობესების მაღალი პოტენციალის მქონე ტექნოლოგიურ იარაღად.
ჭკვიანი და ზუსტი სოფლის მეურნეობა. თანამგზავრები, ადამიანის ეკიპაჟის მქონე თვითმფრინავები და დრონები პოპულარული დისტანციური ზონდირების ტექნოლოგიებია (Tsouros et al., 2019).
დრონები, რომლებიც ცნობილია როგორც უპილოტო საჰაერო ხომალდები (UAVs), უპილოტო თვითმფრინავების სისტემები (UAS) და დისტანციურად პილოტირებადი თვითმფრინავები, არის
დიდი მნიშვნელობა აქვს, რადგან მათ აქვთ მრავალი უპირატესობა სხვა დისტანციური ზონდირების ტექნოლოგიებთან შედარებით. მაგალითად, დრონებს შეუძლიათ მიწოდება
მაღალი ხარისხის და მაღალი გარჩევადობის სურათები მოღრუბლულ დღეებში (Manfreda et al., 2018). ასევე, მათი ხელმისაწვდომობა და გადაცემის სიჩქარე წარმოადგენს სხვას
სარგებელი (Radoglou-Grammatikis et al., 2020). თვითმფრინავებთან შედარებით, დრონები ძალიან ეკონომიური და მარტივია დაყენება და შენარჩუნება (Tsouros et al., 2019). მიუხედავად იმისა, რომ თავდაპირველად ძირითადად სამხედრო მიზნებისთვის გამოიყენებოდა, თვითმფრინავებს შეუძლიათ ისარგებლონ მრავალი სამოქალაქო აპლიკაციით, მაგალითად, მიწოდების ჯაჭვის მენეჯმენტში (A. Rejeb, Rejeb, et al., 2021a), ჰუმანიტარული მიზნებისთვის (A. Rejeb, Rejeb, et al., 2021c), ჭკვიანი სოფლის მეურნეობა, კვლევა და რუკების შედგენა, კულტურული მემკვიდრეობის დოკუმენტაცია, კატასტროფების მართვა და ტყისა და ველური ბუნების კონსერვაცია (პანდეი, პრატიჰასტი, და სხვ., 2020). სოფლის მეურნეობაში, დრონების გამოყენების მრავალი სფერო არსებობს, რადგან მათი ინტეგრირება შესაძლებელია ახალ ტექნოლოგიებთან, გამოთვლით შესაძლებლობებთან და ბორტ სენსორებთან მოსავლის მენეჯმენტის მხარდასაჭერად (მაგ. რუკების შედგენა, მონიტორინგი, სარწყავი, მცენარეთა დიაგნოსტიკა) (H. Huang et al., 2021). , კატასტროფების შემცირება, ადრეული გაფრთხილების სისტემები, ველური ბუნებისა და სატყეო მეურნეობის კონსერვაცია რომ დავასახელოთ რამდენიმე (ნეგაში და სხვ., 2019). ანალოგიურად, დრონების გამოყენება შესაძლებელია რამდენიმე სასოფლო-სამეურნეო საქმიანობაში, მათ შორის მოსავლისა და ზრდის მონიტორინგი, მოსავლიანობის შეფასება, წყლის სტრესის შეფასება და სარეველების, მავნებლებისა და დაავადებების გამოვლენა (Inoue, 2020; Panday, Pratihast, et al., 2020). დრონების გამოყენება შესაძლებელია არა მხოლოდ მონიტორინგის, შეფასებისა და გამოვლენის მიზნით მათი სენსორული მონაცემების საფუძველზე, არამედ ზუსტი ირიგაციისა და სარეველების, მავნებლებისა და დაავადებების ზუსტი მართვისთვის. სხვა სიტყვებით რომ ვთქვათ, დრონებს შეუძლიათ შეასხურონ წყალი და პესტიციდები ზუსტი რაოდენობით გარემოსდაცვითი მონაცემების საფუძველზე. დრონების სარგებელი სოფლის მეურნეობაში შეჯამებულია ცხრილში 1.
დრონების ძირითადი სარგებელი სოფლის მეურნეობაში.
ბენეფისი | მითითება(ები) |
გააძლიერეთ დროითი და სივრცითი რეზოლუციების შეგრძნება | (გაგო და სხვ., 2015; ნიუ და სხვ., 2020; სრივასტავა და სხვა., 2020) |
ხელი შეუწყოს ზუსტი სოფლის მეურნეობას | (L. Deng et al., 2018; Kalischuk et al., 2019; Maimaitijiang და სხვ., 2017) |
კლასიფიკაცია და სკაუტინგი კულტურების | (Inoue, 2020; Kalischuk et al., 2019; Lopez-' Granados et al., 2016; Maimaitijiang და სხვ., 2017; მელვილი და სხვები, 2019; მოჰარანა და დუტა, 2016) |
სასუქის გამოყენება | (L. Deng et al., 2018; Guan et al., 2019) |
გვალვის მონიტორინგი | (Fawcett et al., 2020; Panday, Pratihast, et al., 2020 წელი; სუ და სხვები, 2018) |
ბიომასის შეფასება | (Bendig et al., 2014) |
მოსავლიანობის შეფასება | (Inoue, 2020; Panday, Shrestha, et al., 2020; Tao და სხვა., 2020) |
კატასტროფის შემცირება | (ნეგაში და სხვ., 2019) |
ველური ბუნების დაცვა და სატყეო | (ნეგაში და სხვ., 2019; პანდეი, პრატიჰასტი და სხვ., 2020) |
წყლის სტრესის შეფასება | (Inoue, 2020; J. Su, Coombes, et al., 2018; L. ჟანგი და სხვები, 2019) |
მავნებლები, სარეველები და დაავადებები გამოვლენის | (Gaˇsparovi´c et al., 2020; Inoue, 2020; J. Su, Liu, და სხვ., 2018; X. Zhang და სხვები, 2019) |
მეორეს მხრივ, დრონებს ასევე ექმნებათ შეზღუდვები. პილოტის ჩართულობა, ძრავის სიმძლავრე, სტაბილურობა და საიმედოობა, სენსორების ხარისხი დატვირთვის გამო
მათ შორისაა წონის შეზღუდვები, განხორციელების ხარჯები და საავიაციო რეგულირება (C. Zhang & Kovacs, 2012). ჩვენ ვადარებთ ხარვეზებს
ცხრილი 2-ში მოცემული სამი მობილური დისტანციური ზონდირების ტექნოლოგიებიდან. სხვა დისტანციური ზონდირების ტექნოლოგიები, როგორიცაა ნიადაგის სენსორები, სცილდება ამ კვლევის ფოკუსს.
სხვადასხვა მობილური დისტანციური ზონდირების ტექნოლოგიების ნაკლოვანებები.
დისტანციური ზონდირება ტექნოლოგიები | ხარვეზები | ლიტერატურა |
დრონი (UAV) | პილოტების ჩართულობა; სურათები' ხარისხი (საშუალო); განხორციელების ხარჯები (საშუალო); სტაბილურობა, მანევრირება და საიმედოობა; სტანდარტიზაცია; ძრავის ძალა; შეზღუდული ძალა წყაროები (ბატარეის ხანგრძლივობა); შეზღუდული ფრენის ხანგრძლივობა, შეჯახება და კიბერშეტევები; შეზღუდული ტვირთამწეობის წონა; დიდი მონაცემთა ნაკრები და შეზღუდული მონაცემთა დამუშავება შესაძლებლობები; რეგულირების ნაკლებობა; ექსპერტიზის ნაკლებობა, მაღალი შესვლა ხელმისაწვდომობის ბარიერები სასოფლო-სამეურნეო დრონები; | (Bacco et al., 2018; Dawaliby და სხვ., 2020; ჰარდინი და ჰარდინი, 2010; ჰარდინი და ჯენსენი, 2011; ლაგკასი და სხვ. 2018 წელი; ლალიბერტე და სხვ., 2007; Laliberte & Rango, 2011; მანფრედა და სხვები, 2018, 2018; ნებიკერი და სხვ., 2008; პური და სხვ., 2017; ველუსამი და სხვ. 2022 წელი; C. Zhang & Kovacs, 2012) |
Satellite | პერიოდული სატელიტური გაშუქება, შეზღუდული სპექტრული გარჩევადობა; ხილვადობის საკითხებისადმი დაუცველობა (მაგ. ღრუბლები); მიუწვდომლობა და დაბალი გადაცემის სიჩქარე; ორიენტაცია და ვინეტირება გავლენას ახდენს ძვირადღირებულ სივრცულ მონაცემებზე კოლექცია; მონაცემთა ნელი მიწოდება საბოლოო მომხმარებლების დრო | (აბუთალები და სხვ., 2019; ც და სხვ., 2019; ჩენი და სხვ. 2019 წელი; ნანსენი და ელიოტი, 2016 წელი; პანდეი, პრატიჰასტი, და სხვ., 2020; საი ვინეთი და სხვა., 2019) |
თვითმფრინავი | შვილად აყვანის მაღალი ხარჯები; რთული დაყენება; ტექნიკური ხარჯები; საიმედოობის მიუწვდომლობა თვითმფრინავები, გეომეტრია სურათები; არარეგულარული მონაცემები შეძენა; მოქნილობის ნაკლებობა; სასიკვდილო ავარიები; სენსორის მონაცემები ვიბრაციების გამო ვარიაციები; გეორეფერენციაციის საკითხები | (არმსტრონგი და სხვ., 2011; ატკინსონი და სხვ., 2018; Barbedo & Koenigkan, 2018; კოვალევი და ვოროშილოვა, 2020 წელი; სუომალაინენი და სხვ., 2013 წელი; Thamm et al., 2013) |
როგორც მულტიდისციპლინური და მრავალფუნქციური ტექნოლოგია სოფლის მეურნეობაში, დრონები გამოიკვლიეს სხვადასხვა პერსპექტივიდან. მაგალითად, მეცნიერებმა გამოიკვლიეს თვითმფრინავების გამოყენება სოფლის მეურნეობაში (Kulbacki et al., 2018; Mogili & Deepak, 2018), მათი წვლილი ზუსტი სოფლის მეურნეობაში (Puri et al., 2017; Tsouros et al., 2019), მათი კომპლემენტარულობა სხვებთან. უახლესი ტექნოლოგიები (Al-Thani et al., 2020; Dutta & Mitra, 2021; Nayyar et al., 2020; Saha et al., 2018) და მათი ნავიგაციისა და ზონდირების შესაძლებლობების გაუმჯობესების შესაძლებლობები (Bareth et al. , 2015; Suomalainen et al., 2014). მას შემდეგ, რაც სოფლის მეურნეობაში თვითმფრინავების გამოყენებაზე კვლევა გავრცელდა (Khan et al., 2021)), საჭიროა არსებული ლიტერატურის შეჯამება და დომენის ინტელექტუალური სტრუქტურის გამოვლენა. გარდა ამისა, როგორც მაღალტექნოლოგიური სფერო მუდმივი გაუმჯობესებით, საჭიროა სტრუქტურირებული მიმოხილვების ჩატარება, რათა პერიოდულად მოხდეს არსებული ლიტერატურის შეჯამება და მნიშვნელოვანი კვლევის ხარვეზების იდენტიფიცირება. რომ
თარიღით, არის რამდენიმე მიმოხილვა, რომელიც განიხილავს თვითმფრინავების აპლიკაციებს სოფლის მეურნეობის სექტორში. მაგალითად, მოგილი და დიპაკი (2018) მოკლედ მიმოიხილეს დრონების გავლენა მოსავლის მონიტორინგზე და პესტიციდების შესხურებაზე. Inoue (2020) ატარებს თანამგზავრისა და დრონის გამოყენების მიმოხილვას სოფლის მეურნეობაში დისტანციური ზონდირებაში. ავტორი იკვლევს ტექნოლოგიურ გამოწვევებს ჭკვიანი მეურნეობის მიღებისა და თანამგზავრებისა და თვითმფრინავების წვლილს შემთხვევის კვლევებსა და საუკეთესო პრაქტიკაზე დაყრდნობით. ცოუროსი და სხვ. (2019) აჯამებს დრონების სხვადასხვა ტიპს და მათ ძირითად აპლიკაციებს სოფლის მეურნეობაში, ხაზს უსვამს მონაცემთა შეძენისა და დამუშავების სხვადასხვა მეთოდებს. ახლახან ასლანმა და სხვ. (2022) ჩაატარა უპილოტო საფრენი აპარატების გამოყენების ყოვლისმომცველი მიმოხილვა სასოფლო-სამეურნეო საქმიანობაში და ხაზი გაუსვა სათბურში უპილოტო საფრენი აპარატის ერთდროული ლოკალიზაციისა და რუკების შესაბამისობას. დიაზ-გონსალესი და სხვ. (2022) მიმოიხილა მოსავლის მოსავლიანობის წარმოების ბოლოდროინდელი კვლევები, რომელიც დაფუძნებულია მანქანათმცოდნეობის სხვადასხვა ტექნიკაზე და დისტანციურად
სენსორული სისტემები. მათმა დასკვნებმა აჩვენა, რომ უპილოტო საფრენი აპარატები სასარგებლოა ნიადაგის ინდიკატორების შესაფასებლად და სატელიტურ სისტემებს აჯობებს სივრცითი გარჩევადობის, ინფორმაციის დროებითობისა და მოქნილობის თვალსაზრისით. ბასირი და სხვ. (2022) ამომწურავი მიმოხილვა მოახდინა სხვადასხვა მიდგომებისა და მეთოდების დასაძლევად მრავალროტორული უპილოტო საფრენი აპარატების გზის დაგეგმვის გამოწვევების დასაძლევად ზუსტი სოფლის მეურნეობის კონტექსტში. უფრო მეტიც, ავაისი და სხვ. (2022) შეაჯამა უპილოტო საფრენი აპარატების დისტანციური ზონდირების მონაცემების გამოყენება კულტურებში წყლის სტატუსის შესაფასებლად და უზრუნველყო უპილოტო საფრენი აპარატის დისტანციური ზონდირების პერსპექტიული შესაძლებლობების სიღრმისეული სინთეზი ნარჩენების სტრესის გამოყენებისთვის. ბოლოს აკვილანი და სხვ. (2022) მიმოიხილა წინასწარი მეურნეობის ტექნოლოგიები, რომლებიც გამოიყენება საძოვრებზე დაფუძნებულ პირუტყვის სისტემებში და დაასკვნა, რომ უპილოტო საფრენი აპარატების მიერ ჩართული დისტანციური ზონდირება ხელსაყრელია ბიომასის შეფასებისა და ნახირის მართვისთვის.
ასევე, ბოლო დროს დაფიქსირდა უპილოტო საფრენი აპარატების გამოყენების მცდელობები მეცხოველეობის მონიტორინგში, თვალყურის დევნებასა და შეკრებაში.
მიუხედავად იმისა, რომ ეს მიმოხილვები იძლევა ახალ და მნიშვნელოვან შეხედულებებს, ბიბლიომეტრიაზე დაფუძნებული ყოვლისმომცველი და განახლებული მიმოხილვა არ მოიძებნება ლიტერატურაში, რაც ცოდნის აშკარა ხარვეზს წარმოადგენს. უფრო მეტიც, ნათქვამია, რომ როდესაც სამეცნიერო წარმოება იზრდება სამეცნიერო დომენში, მკვლევრებისთვის სასიცოცხლოდ მნიშვნელოვანია გამოიყენონ რაოდენობრივი მიმოხილვის მიდგომები დომენის ცოდნის სტრუქტურის გასაგებად (რივერა და პიზამი, 2015). ანალოგიურად, ფერეირა და სხვ. (2014) ამტკიცებდა, რომ როდესაც კვლევის სფეროები მწიფდება და რთულდება, მეცნიერებმა უნდა მიზნად ისახავდნენ დროდადრო გენერირებული და დაგროვილი ცოდნის გააზრებას, რათა გამოავლინონ ახალი წვლილი, დაიჭირონ კვლევის ტრადიციები და ტენდენციები, დაადგინონ, რომელი თემებია შესწავლილი და ჩაუღრმავდნენ ცოდნის სტრუქტურას. სფერო და პოტენციური კვლევის მიმართულებები. მიუხედავად იმისა, რომ Raparelli და Bajocco-მ (2019) ჩაატარეს ბიბლიომეტრიული ანალიზი სოფლის მეურნეობაში და სატყეო მეურნეობაში დრონების გამოყენების ცოდნის დომენის შესასწავლად, მათი კვლევა ითვალისწინებს მხოლოდ 1995-2017 წლებში გამოქვეყნებულ მეცნიერულ კვლევას, რომელიც არ ასახავს ამ სწრაფად მოძრავი ტერიტორიის დინამიკას. გარდა ამისა, ავტორებს არ უცდიათ ამ სფეროში ყველაზე გავლენიანი წვლილის იდენტიფიცირება, ლიტერატურის დაჯგუფება და ინტელექტუალური სტრუქტურის შეფასება თანაციტირების ანალიზის გამოყენებით. შედეგად, აუცილებელია ლიტერატურის შეჯამება მიმდინარე კვლევის კერების, ტენდენციებისა და ცხელ წერტილების გამოსავლენად.
ამ ცოდნის ხარვეზის შესავსებად, ჩვენ ვიყენებთ რაოდენობრივ მეთოდოლოგიას და მკაცრ ბიბლიომეტრულ მეთოდებს დრონებისა და სოფლის მეურნეობის კვეთაზე კვლევის ამჟამინდელი მდგომარეობის შესასწავლად. ჩვენ ვამტკიცებთ, რომ მიმდინარე კვლევა რამდენიმე წვლილს შეაქვს არსებულ ლიტერატურაში განვითარებადი ტექნოლოგიის შესწავლით, რომელიც ძალიან საჭიროა სოფლის მეურნეობაში, რადგან ის უზარმაზარ პოტენციალს იძლევა ამ სექტორში რამდენიმე ასპექტის შესაცვლელად. სასოფლო-სამეურნეო თვითმფრინავების ბიბლიომეტრიული ანალიზის აუცილებლობა კიდევ უფრო იგრძნობა სოფლის მეურნეობის კონტექსტში თვითმფრინავების შესახებ მიმოფანტული და ფრაგმენტული ცოდნის გათვალისწინებით. ანალოგიურად, ლიტერატურა, რომელიც ეხება სასოფლო-სამეურნეო თვითმფრინავებს, საჭიროა სისტემატური კლასტერირება, ყველაზე გავლენიანი კვლევების გათვალისწინებით, რომლებიც ქმნიან ამ კვლევის სფეროს საფუძველს. ანალიზის დამსახურებაა აგრეთვე ლიტერატურაში წარმოდგენილი ძირითადი კვლევის თემების გარკვევა. ტექნოლოგიის ტრანსფორმაციული პოტენციალის გათვალისწინებით, ჩვენ ვვარაუდობთ, რომ ქსელის სიღრმისეული ანალიზი იძლევა ახალ შეხედულებებს გავლენიანი ნამუშევრების განსაზღვრით და სოფლის მეურნეობისთვის თვითმფრინავების პოტენციალის შესახებ თემების გამოვლენით.
ამიტომ, ჩვენ ვცდილობთ მივაღწიოთ შემდეგი კვლევის მიზნებს:
- გავლენიანი პუბლიკაციების იდენტიფიცირება სოფლის მეურნეობის სფეროში თვითმფრინავების აპლიკაციებში განსაკუთრებული წვლილით.
- ლიტერატურის კლასტერირება, კვლევის კერების იდენტიფიცირება და ძირითადი „ინტელექტუალური სტრუქტურის“ კვლევების რუკების დახატვა სემანტიკური მსგავსების საფუძველზე, თანაციტირების ანალიზის გამოყენებით.
- დროთა განმავლობაში კავშირებისა და ციტირების ქსელების ევოლუციის გააზრება დარგის სხვადასხვა პუბლიკაციებს შორის და მომავალი კვლევის მიმართულებებისა და ცხელი თემების იდენტიფიცირება.
ნაშრომის დანარჩენი სტრუქტურა შემდეგნაირადაა სტრუქტურირებული: მე-2 ნაწილში მოცემულია მეთოდოლოგია და მონაცემთა შეგროვების ეტაპები; მე-3 ნაწილში მოცემულია ანალიზის შედეგები; და მე-4 ნაწილი განიხილავს დასკვნებს და მთავრდება კვლევის წვლილით, შედეგებით და სამომავლო მიმართულებებით.
მეთოდოლოგია
ამ მიმდინარე კვლევით კვლევაში, ჩვენ ვატარებთ ბიბლიომეტრულ ანალიზს, რათა გამოვიკვლიოთ თვითმფრინავების გამოყენება სოფლის მეურნეობაში. ეს რაოდენობრივი მიდგომა ავლენს ცოდნის დომენის ინტელექტუალურ სტრუქტურას (Arora & Chakraborty, 2021) და მიმდინარე სტატუსს, ცხელ თემებს და სამომავლო კვლევის მიმართულებებს, რომლებიც შეიძლება გამოიკვლიოს ამ მეთოდის გამოყენებით (Kapoor et al., 2018; Mishra et al. , 2017; A. Rejeb, Rejeb, et al., 2021b; A. Rejeb et al., 2021d; MA Rejeb et al., 2020). ზოგადად, ბიბლიომეტრიული ანალიზი იკვლევს არსებულ ლიტერატურას, რათა შეაჯამოს და აღმოაჩინოს წერილობითი კომუნიკაციის ფარული ნიმუშები და დისციპლინის ევოლუცია, რომელიც დაფუძნებულია სტატისტიკასა და მათემატიკურ მეთოდებზე, და ის ვრცელდება მონაცემთა დიდ ნაკრებებზე (Pritchard, 1969; Small, 1999; Tahai & Rigsby. , 1998). ბიბლიომეტრიის გამოყენებით, ჩვენ ვცდილობთ უკეთ გავიგოთ არსებული პარადიგმები და კვლევის კერები, რომლებიც ხელს უწყობენ მსგავსებაზე დაფუძნებულ დომენს (Thelwall, 2008). ბიბლიომეტრიკა გვაწვდის ახალ შეხედულებებს მეთოდოლოგიის ობიექტური რაოდენობრივი სიძლიერით (Casillas & Acedo, 2007). მრავალმა მეცნიერმა ადრე ჩაატარა ბიბლიომეტრიული კვლევები შესაბამის სფეროებში, მათ შორის სოფლის მეურნეობა, დისტანციური ზონდირება და ციფრული ტრანსფორმაცია (Armenta-Medina et al., 2020; Bouzembrak et al., 2019; A. Rejeb, Treiblmaier, et al., 2021; Wamba. & Queiroz, 2021; Wang et al., 2019).
ციტირების ანალიზი
ციტირების ანალიზი ავლენს სხვადასხვა შეხედულებებს მოცემულ კვლევის სფეროში. უპირველეს ყოვლისა, ის ეხმარება გამოავლინოს ყველაზე გავლენიანი ავტორები და პუბლიკაციები, რომლებიც ხელს უწყობენ მოცემულ კვლევის სფეროს და მნიშვნელოვან გავლენას ახდენენ (Gundolf & Filser, 2013). მეორეც, ცოდნის ნაკადი და ავტორებს შორის საკომუნიკაციო კავშირები შეიძლება გამოვლინდეს. დაბოლოს, ციტირებულ და ციტირებულ ნაწარმოებებს შორის კავშირების მოკვლევით, შეიძლება დროთა განმავლობაში შეისწავლოს ცოდნის დომენის ცვლილებები და ევოლუცია (Pournader
და სხვ., 2020). პუბლიკაციის მაღალი ციტირების რაოდენობა ასახავს მის შესაბამისობას და მნიშვნელოვან წვლილს კვლევის სფეროში (Baldi, 1998; Gundolf & Filser, 2013; Marinko, 1998). პუბლიკაციების ციტირების ანალიზი ასევე ხელს უწყობს შესაბამისი ნაწარმოებების იდენტიფიცირებას და დროთა განმავლობაში მათი პოპულარობისა და პროგრესის თვალყურის დევნებას.
დოკუმენტის თანაციტირების ანალიზი
თანაციტირების ანალიზი ღირებული მეთოდია პუბლიკაციებს შორის ურთიერთობების შესასწავლად და დარგის ინტელექტუალური სტრუქტურის გამოსახატავად (Nerur et al., 2008). სხვა სიტყვებით რომ ვთქვათ, ყველაზე ციტირებული პუბლიკაციების და მათი კავშირების იდენტიფიცირებით, მეთოდი აჯგუფებს პუბლიკაციებს განსხვავებულ კვლევით კლასტერებად, სადაც კლასტერში პუბლიკაციები რეგულარულად იზიარებენ მსგავს იდეებს (McCain, 1990; Small, 1973). მნიშვნელოვანია აღინიშნოს, რომ მსგავსება არ ნიშნავს იმას, რომ პუბლიკაციების დასკვნები არის
შეკრული და ეთანხმებიან ერთმანეთს; პუბლიკაციები მიეკუთვნება იმავე კლასტერს თემის მსგავსების გამო, მაგრამ მათ შეიძლება ჰქონდეთ ურთიერთსაწინააღმდეგო შეხედულებები.
მონაცემთა შეგროვება და ანალიზი
უაითისა და გრიფიტის (1981) მიერ შემოთავაზებული მეთოდოლოგიის მიხედვით, ჩვენ ჩავატარეთ ჟურნალის სტატიების ყოვლისმომცველი ძიება სოფლის მეურნეობაში დრონების გამოყენების მთელი კვლევის დომენის დასაფარად, შემდეგი ხუთი ნაბიჯის გატარებით:
- პირველი ნაბიჯი იყო მონაცემთა შეგროვება. Scopus შეირჩა, როგორც ერთ-ერთი ყველაზე სრულყოფილი და სანდო მონაცემთა ბაზა სტანდარტიზებული შედეგებით. მოძიებული იქნა პუბლიკაციების მეტა-მონაცემები, რომლებიც დაკავშირებულია სოფლის მეურნეობაში ყველა დრონის გამოყენებასთან. შემდეგ გავაანალიზეთ შერჩეული სტატიები, ამოვიღეთ არათემატური სტატიები ანალიზიდან.
- ჩვენ გავაანალიზეთ ლიტერატურა და გამოვავლინეთ კვლევის სფეროში გამოყენებული ყველაზე მნიშვნელოვანი საკვანძო სიტყვები.
- ციტირების ანალიზის გამოყენებით, ჩვენ გამოვიკვლიეთ კავშირი ავტორებსა და დოკუმენტებს შორის, რათა გამოვავლინოთ ციტირების ძირითადი ნიმუშები. ჩვენ ასევე გამოვავლინეთ ყველაზე გავლენიანი ავტორები და პუბლიკაციები, რომლებმაც მნიშვნელოვანი წვლილი შეიტანეს სასოფლო-სამეურნეო დრონების სფეროში.
- ჩვენ ჩავატარეთ ერთობლივი ციტირების ანალიზი მსგავსი პუბლიკაციების კლასტერებად დასაჯგუფებლად.
- და ბოლოს, ჩვენ გავაანალიზეთ კავშირები და კავშირები ქვეყნებს, ინსტიტუტებსა და ჟურნალებს შორის თანამშრომლობის ქსელის გამოსახატავად.
შესაბამისი საძიებო ტერმინების იდენტიფიცირება
ჩვენ გამოვიყენეთ შემდეგი საძიებო სტრიქონები მონაცემთა აგრეგაციისთვის: (დრონი* ან „უპილოტო საჰაერო ხომალდი“ ან „უპილოტო საჰაერო ხომალდი“ ან „უპილოტო საჰაერო ხომალდის სისტემა“”ან uas ან „დისტანციურად მფრინავი თვითმფრინავი”) AND (სოფლის მეურნეობა ან სოფლის მეურნეობა ან მეურნეობა ან ფერმერი). ჩხრეკა ჩატარდა 2021 წლის სექტემბერში. დრონებს აქვთ რამდენიმე დასახელება, მათ შორის უპილოტო საფრენი აპარატი, უპილოტო საფრენი აპარატი და დისტანციურად მართვადი თვითმფრინავი (Sah et al., 2021). სოფლის მეურნეობასთან დაკავშირებული კონკრეტული საძიებო ტერმინები გამოვლინდა Abdollahi et al-ის კვლევის საფუძველზე. (2021). სიცხადისა და გამჭვირვალობის მიზნით, ჩვენ მიერ გამოყენებული ზუსტი მოთხოვნა მოცემულია დანართ 1-ში. მონაცემთა გაწმენდის პროცესის შემდეგ, ჩვენ შევქმენით ტექსტური ფაილი, რომელიც შემდგომ ჩაიტვირთა BibExcel-ში, ციტირებისა და თანაციტირების ანალიზის საერთო ინსტრუმენტში. ეს ინსტრუმენტი ასევე გთავაზობთ მარტივ ურთიერთქმედებას სხვა პროგრამულ უზრუნველყოფასთან და გთავაზობთ თავისუფლების მნიშვნელოვან ხარისხს მონაცემთა დამუშავებისა და ანალიზის დროს. VOSviewer ვერსია 1.6.16 გამოიყენებოდა დასკვნების ვიზუალიზაციისთვის და ბიბლიომეტრიული ქსელების გენერირებისთვის (Eck & Waltman, 2009). VOSviewer გთავაზობთ ინტუიციური ვიზუალიზაციის სპექტრს, განსაკუთრებით ბიბლიომეტრიული რუქების ანალიზისთვის (Geng et al., 2020). გარდა ამისა, ის ხელს უწყობს უბრალო ვიზუალური შედეგების მიწოდებას, რაც ხელს უწყობს შედეგების უკეთ გაგებას (აბდოლაჰი და სხვ., 2021). საძიებო სტრიქონების გამოყენებით, როგორც ზემოთ აღინიშნა, ჩვენ შევიკრიბეთ და შევინახეთ ყველა შესაბამისი პუბლიკაცია. ძიების პირველმა შედეგებმა მოიტანა სულ 5,085 დოკუმენტი. შერჩეული ნიმუშის ხარისხის უზრუნველსაყოფად, კვლევაში განიხილებოდა მხოლოდ რეცენზირებული ჟურნალის სტატიები, რის შედეგადაც გამოირიცხა სხვა ტიპის დოკუმენტები, როგორიცაა წიგნები, თავები, კონფერენციის მასალები და სარედაქციო ჩანაწერები. სკრინინგის პროცესის დროს გაფილტრული იქნა არარელევანტური (ანუ, ამ სამუშაოს ფარგლებს გარეთ), ზედმეტი (ანუ ორმაგი ინდექსაციის შედეგად წარმოქმნილი დუბლიკატები) და არაინგლისურენოვანი პუბლიკაციები. ამ პროცესმა საბოლოო ანალიზში 4,700 დოკუმენტის ჩართვა გამოიწვია.
დასკვნები და დისკუსია
დასაწყისისთვის, ჩვენ გავაანალიზეთ პუბლიკაციების განვითარება სასოფლო-სამეურნეო დრონების შესახებ მიმდინარე ლიტერატურაში. მეცნიერული კვლევის დროებითი განაწილება ნაჩვენებია ნახ. 1-ში. ჩვენ ვხედავთ პუბლიკაციების სწრაფ ზრდას 2011 წლიდან (30 პუბლიკაცია) მოყოლებული; ამიტომ გადავწყვიტეთ ანალიზის პერიოდი ორ განსხვავებულ ეტაპად დავყოთ. ჩვენ ვუწოდებთ პერიოდს 1990-დან 2010 წლამდე, როგორც დაწყების ეტაპი, რომელიც ყოველწლიურად გამოქვეყნდა დაახლოებით შვიდი ნაშრომი. 2010 წლის შემდგომ პერიოდს ეწოდა ზრდის სტადია, რადგან ამ პერიოდის განმავლობაში თვითმფრინავების გამოყენებაზე კვლევამ ექსპონენციალური ზრდა დაფიქსირდა. 2010 წლის შემდეგ, პუბლიკაციების მზარდი რაოდენობა ადასტურებს მკვლევართა მზარდ ინტერესს, რაც ასევე ასახავს, რომ დრონები გამოიყენეს დისტანციური ზონდირებისთვის და გამოიყენეს ზუსტი სოფლის მეურნეობაში (Deng et al., 2018; Maes & Steppe, 2019; Messina & Modica, 2020 წ. ). კონკრეტულად, პუბლიკაციების რაოდენობა გაიზარდა 108-დან 2013 წელს 498-მდე 2018 წელს და მიაღწია პიკს 1,275-მდე 2020 წელს. სულ 935 სტატია გამოიცა 2021 წლის იანვრიდან სექტემბრის შუა რიცხვებამდე. შემდგომში, ჩვენ გადავწყვიტეთ ჩვენი ანალიზი უფრო მეტად გავამახვილოთ ზრდის სტადიაზე. ვინაიდან ეს პერიოდი ასახავს სასოფლო-სამეურნეო დრონების უახლეს და მნიშვნელოვან დახვეწილობას.
საკვანძო სიტყვების ანალიზი
საკვანძო სიტყვები, რომლებსაც ავტორები ირჩევენ პუბლიკაციისთვის, აქვს გადამწყვეტი გავლენა იმაზე, თუ როგორ არის წარმოდგენილი ნაშრომი და როგორ ხდება მისი კომუნიკაცია სამეცნიერო თემებში. ისინი იდენტიფიცირებენ კვლევის ძირითად სუბიექტებს და განსაზღვრავენ მის პოტენციალს აყვავების ან წარუმატებლობისთვის (Day & Gastel, 1998.; Kim et al., 2016; Uddin et al., 2015). საკვანძო სიტყვების ანალიზი, ინსტრუმენტი უფრო ფართო კვლევის ტენდენციებისა და მიმართულებების გამოსავლენად, ეხება ყველა დაკავშირებული პუბლიკაციის საკვანძო სიტყვების შედგენას დომენში (Dixit & Jakhar, 2021). მიმდინარე კვლევაში, ჩვენ დავყავით აგრეგირებული საკვანძო სიტყვები ორ ნაწილად (ანუ 2010 და 2011–2021 წლამდე) ყველაზე პოპულარული თემების შესასწავლად. ამით ჩვენ შეგვიძლია მივაკვლიოთ გადამწყვეტი საკვანძო სიტყვები ორივე კომპლექტში და დავრწმუნდეთ, რომ ჩვენ მივიღეთ ყველა საჭირო მონაცემი. თითოეული ნაკრებისთვის, ტოპ ათეული საკვანძო სიტყვა წარმოდგენილია ცხრილში 3. ჩვენ აღმოვფხვრათ შეუსაბამობები სემანტიკურად იდენტური საკვანძო სიტყვების შერწყმით, როგორიცაა „დრონი“ და „დრონები“ ან, ანალოგიურად, „ნივთების ინტერნეტი“ და „IoT“.
ცხრილი 3 გვიჩვენებს, რომ „უპილოტო საჰაერო ხომალდი“ უფრო ხშირად გამოყენებული საკვანძო სიტყვაა, ვიდრე „დრონი“ და „უპილოტო საჰაერო სისტემა“ ორივე დროის მონაკვეთში. ასევე, „დისტანციური ზონდირება“, „ზუსტი სოფლის მეურნეობა“ და „სოფლის მეურნეობა“ მაღალი რანგის ორივე პერიოდშია. პირველ პერიოდში, „ზუსტი სოფლის მეურნეობა“ მეხუთე ადგილზე იყო, ხოლო მეორე ადგილზე იყო მეორე, რაც ასახავს, თუ როგორ ხდება დრონები უფრო მნიშვნელოვანი ზუსტი სოფლის მეურნეობის მისაღწევად, რადგან მათ შეუძლიათ მონიტორინგი განახორციელონ.
აღმოჩენისა და შეფასების პრაქტიკა უფრო სწრაფი, იაფი და ადვილი შესასრულებელია სხვა დისტანციური და სახმელეთო სისტემებთან შედარებით. ასევე, მათ შეუძლიათ შეასხურონ შეყვანის ზუსტი რაოდენობა (მაგ. წყალი ან პესტიციდები) საჭიროების შემთხვევაში (Guo et al., 2020; Inoue, 2020; Panday, Pratihast, et al., 2020).
ყველაზე ხშირად გამოყენებული საკვანძო სიტყვების სია.
რანგის | 1990-2010 | არა მოვლენები | 2011-2021 | არა მოვლენები |
1 | უპილოტო საჰაერო ხომალდი მანქანა | 28 | უპილოტოა საჰაერო მანქანა | 1628 |
2 | დისტანციური ზონდირება | 7 | ზუსტი სოფლის მეურნეობა | 489 |
3 | სოფლის მეურნეობა | 4 | დისტანციური ზონდირება | 399 |
4 | ჰაეროვანი | 4 | თვითმფრინავის | 374 |
5 | ზუსტი სოფლის მეურნეობა | 4 | უპილოტოა საჰაერო სისტემა | 271 |
6 | უპილოტო საჰაერო ხომალდი | 4 | სოფლის მეურნეობა | 177 |
7 | ჰიპერსპექტრული სენსორი | 3 | ღრმა სწავლება | 151 |
8 | ხელოვნური ნერვული ქსელები | 2 | მანქანა სასწავლო | 149 |
9 | ავტონომიური ფრენა | 2 | მცენარეულობა ინდექსი | 142 |
10 | ყავა | 2 | ინტერნეტის Things | 124 |
კიდევ ერთი საინტერესო თვისება არის დამატებითი ტექნოლოგიების არსებობა. პირველ ეტაპზე „ჰიპერსპექტრული სენსორი“ და „ხელოვნური ნერვული ქსელები“ (ANN) საკვანძო სიტყვის ათეულშია. ჰიპერსპექტრული გამოსახულებამ მოახდინა რევოლუცია ტრადიციული გამოსახულებით სხვადასხვა ტალღის სიგრძის სურათების უზარმაზარი რაოდენობის შეგროვებით. ამით, სენსორებს შეუძლიათ ერთდროულად შეაგროვონ უკეთესი სივრცითი და სპექტრული ინფორმაცია მულტისპექტრულ გამოსახულებასთან, სპექტროსკოპიასთან და RGB გამოსახულებასთან შედარებით (Adao ˜ et al.,
2017). პირველ ეტაპზე „ANN“ და მეორე ეტაპზე „ღრმა სწავლება“ (DL) და „მანქანური სწავლება“ (ML) გამოჩენა გულისხმობს, რომ გამოქვეყნებული ნაშრომების უმეტესობა ფოკუსირებული იყო დრონისთვის ხელოვნური ინტელექტის ტექნიკის პოტენციალის შესწავლაზე. დაფუძნებული სოფლის მეურნეობა. მიუხედავად იმისა, რომ დრონებს შეუძლიათ დამოუკიდებლად ფრენა, ისინი მაინც საჭიროებენ პილოტის ჩართვას, რაც გულისხმობს მოწყობილობის ინტელექტის დაბალ დონეს. თუმცა, ამ პრობლემის გადაჭრა შესაძლებელია ხელოვნური ინტელექტის ტექნიკის წინსვლის გამო, რაც უზრუნველყოფს უკეთეს სიტუაციურ ცნობიერებას და ავტონომიურ გადაწყვეტილების მხარდაჭერას. AI-ით აღჭურვილ თვითმფრინავებს შეუძლიათ აირიდონ შეჯახება ნავიგაციის დროს, გააუმჯობესონ ნიადაგისა და მოსავლის მენეჯმენტი (Inoue, 2020) და შეამცირონ შრომა და სტრესი ადამიანებისთვის (BK Sharma et al., 2019).
მათი მოქნილობისა და დიდი რაოდენობით არაწრფივი მონაცემების დამუშავების შესაძლებლობის გამო, ხელოვნური ინტელექტის ტექნიკა არის შესაფერისი მეთოდები დრონებით და სხვა დისტანციური ზონდირების და სახმელეთო სისტემებით გადაცემული მონაცემების გასაანალიზებლად პროგნოზირებისა და გადაწყვეტილების მისაღებად (Ali et al., 2015; ინოუე, 2020). გარდა ამისა, მეორე პერიოდში „IoT“-ის არსებობა მიუთითებს მის როლზე სოფლის მეურნეობაში. IoT ახდენს რევოლუციას სოფლის მეურნეობაში სხვა ტექნოლოგიების, მათ შორის თვითმფრინავების, ML, DL, WSN და დიდი მონაცემების ურთიერთდაკავშირებით. IoT-ის დანერგვის ერთ-ერთი მთავარი სარგებელი არის მისი უნარი ეფექტურად და ეფექტურად შეაერთოს სხვადასხვა ამოცანები (მონაცემთა მოპოვება, მონაცემთა ანალიზი და დამუშავება, გადაწყვეტილების მიღება და განხორციელება) თითქმის რეალურ დროში (Elijah et al., 2018; Feng et al. , 2019; Muangprathub et al., 2019). გარდა ამისა, დრონები განიხილება ეფექტურ ინსტრუმენტად მცენარეული სიძლიერის და მცენარეული თვისებების გამოსათვლელად საჭირო მონაცემების დასაჭერად (Candiago et al., 2015). ნახ. 2a და 2b ასახავს საკვანძო სიტყვის თანადამთხვევის ქსელებს ორივე დროის პერიოდისთვის.
გავლენიანი ავტორები
ამ განყოფილებაში ჩვენ განვსაზღვრავთ გავლენიან ავტორებს და ვამოწმებთ, თუ როგორ შეუძლიათ ავტორის ციტირების ქსელებს არსებული ლიტერატურის ვიზუალიზაცია და ორგანიზება. ნახ. 3 გვიჩვენებს ყველა მკვლევარის ქრონოლოგიურ გადაფარვას, რომელთაც აქვთ ციტატების ყველაზე მეტი რაოდენობა. ფერის მასშტაბი ასახავს ავტორის ციტატების წლიურ ცვალებადობას. ჩვენ განვიხილავთ მკვლევართა ციტირების სტრუქტურას, რომლებმაც გამოაქვეყნეს კვლევები სასოფლო-სამეურნეო თვითმფრინავებზე, მინიმუმ 50 ციტატის და ათი პუბლიკაციის ზღვრის გამოყენებით. გარეთ
12,891 ავტორი, მხოლოდ 115 აკმაყოფილებდა ამ პირობას. ცხრილში 4 ჩამოთვლილია ტოპ ათეული გავლენიანი ავტორი, დალაგებულია ციტატების მაქსიმალური რაოდენობის მიხედვით. სიას ლიდერობს Lopez- Granados F. 1,963 ციტირებით, რასაც მოჰყვება Zarco-Tejada PJ 1,909 ციტირებით.
ყველაზე ციტირებული ავტორების სია.
რანჟირება | ავტორი | Citations |
1 | ლოპეს-გრანადოსი ფ. | 1,963 |
2 | ზარკო-თეჯადა პიჯ | 1,909 |
3 | პენა ˜ JM | 1,644 |
4 | ტორეს-ს ანჩეზ ჯ. | 1,576 |
5 | ფერერეს ე | 1,339 |
6 | რემონდინო ფ | 1,235 |
7 | ბოლტენ ა | 1,160 |
8 | ბარეთ გ | 1,155 |
9 | ბერნი JA | 1,132 |
10 | დე კასტრო აი | 1,036 |
რაც შეეხება ცალკეულ პუბლიკაციებს, Zhang and Kovacs-ის (2012) სტატია იყო ყველაზე ციტირებული კვლევა გამოქვეყნებული Precision Agriculture-ში. აქ ავტორებმა მიმოიხილეს UAS-ის გამოყენება ზუსტი სოფლის მეურნეობაში. მათი კვლევის შედეგებმა აჩვენა, რომ საჭიროა პლატფორმის დიზაინის წინსვლა, წარმოება, გამოსახულების გეორეფერენციაციის სტანდარტიზაცია და ინფორმაციის მოძიება, რათა ფერმერებს მივაწოდოთ საიმედო საბოლოო პროდუქტები. გარდა ამისა, ისინი რეკომენდაციას უწევენ ფერმერის უფრო ძლიერ ჩართვას, განსაკუთრებით საველე დაგეგმარებაში, სურათის გადაღებაში, ასევე მონაცემთა ინტერპრეტაციასა და ანალიზში. მნიშვნელოვანია, რომ ეს კვლევა იყო ერთ-ერთი პირველი, რომელმაც აჩვენა უპილოტო საფრენი აპარატის მნიშვნელობა საველე რუკებში, ენერგიულ რუკებში, ქიმიური შემცველობის გაზომვაში, მცენარეული სტრესის მონიტორინგში და სასუქების ზემოქმედების შეფასებაში მცენარის ზრდაზე. ტექნოლოგიასთან დაკავშირებული გამოწვევები ასევე მოიცავს აკრძალულ ხარჯებს, სენსორის შესაძლებლობებს, პლატფორმის სტაბილურობას და საიმედოობას, სტანდარტიზაციის ნაკლებობას და მონაცემთა მასიური რაოდენობის ანალიზის თანმიმდევრულ პროცედურას.
ციტირების ანალიზი
ციტირების ანალიზი წარმოადგენს სტატიების გავლენის შესწავლას, თუმცა ნაკადებისადმი მიდრეკილი (მაგ., ციტირების მიკერძოება, თვითციტირება) განიხილება ზემოქმედების შეფასების ერთ-ერთ სტანდარტულ ინსტრუმენტად (Osareh, 1996; A. Rejeb et al., 2022; სარლი და სხვები, 2010). ციტატები ასევე ასახავს ნაშრომების წვლილის მნიშვნელობას და სიცოცხლისუნარიანობას კონკრეტულ თემაზე ლიტერატურაში (R. Sharma et al., 2022). ჩვენ ჩავატარეთ ციტირების ანალიზი სასოფლო-სამეურნეო დრონების ყველაზე გავლენიანი კვლევების დასადგენად და შევაჯამეთ შინაარსი. მე-5 ცხრილში წარმოდგენილია თხუთმეტი ყველაზე გავლენიანი ნაშრომის სია 1990-2010 და 2011-2021 წლების პერიოდებისთვის. ბერნის და სხვების სტატიები. (2009)b და Austin (2010) ყველაზე მეტი ციტირება იყო 1990 და 2010 წლებში, შესაბამისად 831 და 498 ციტირებით. ბერნი და სხვ. (2009)b აჩვენა რაოდენობრივი დისტანციური გაზომვის პროდუქტების განვითარების პოტენციალი ვერტმფრენზე დაფუძნებული უპილოტო საფრენი აპარატის საშუალებით, რომელიც აღჭურვილია ხელმისაწვდომი თერმული და ვიწროზოლიანი მრავალსპექტრული გამოსახულების სენსორებით. ტრადიციულ პილოტირებული საჰაერო სადესანტო სენსორებთან შედარებით, სოფლის მეურნეობისთვის დაბალფასიანი UAV სისტემას შეუძლია მიაღწიოს კულტურების ბიოფიზიკური პარამეტრების შესადარებელ შეფასებას, თუ არა უკეთესი. ხელმისაწვდომი ღირებულება და ოპერაციული მოქნილობა, მაღალი სპექტრული, სივრცითი და დროითი რეზოლუციების გარდა, რომლებიც ხელმისაწვდომია სწრაფი მოქმედების დროს, უპილოტო საფრენი აპარატებს შესაფერისს ხდის სხვადასხვა აპლიკაციებისთვის, რომლებიც საჭიროებენ დროის კრიტიკულ მენეჯმენტს, მათ შორის ირიგაციის დაგეგმვასა და ზუსტი მეურნეობას. ნაშრომი ბერნიდან და სხვ. (2009)b ძალიან ციტირებულია, რადგან ის ეფექტურად აერთიანებს უპილოტო მბრუნავი ფრთების პლატფორმას და ციფრულ და თერმულ სენსორებს სასოფლო-სამეურნეო პროგრამებისთვის საჭირო კალიბრაციის მექანიზმებთან. მეორე ყველაზე ციტირებული პუბლიკაცია არის ოსტინის (2010) ავტორის წიგნი, რომელიც განიხილავდა უპილოტო საფრენი აპარატებს დიზაინის, განვითარებისა და განლაგების პერსპექტივიდან. სოფლის მეურნეობაში, უპილოტო საფრენი აპარატები მხარს უჭერენ მოსავლის მონიტორინგს დაავადებების ადრეული გამოვლენით მოსავლის ფერის ცვლილების გზით, ხელს უწყობს მოსავლის თესვასა და შესხურებას, და ნახირების მონიტორინგსა და მართვას.
სალივანის და სხვ. (2007), Lumme et al. (2008) და Gokto ¨ ǧan et al. (2010) დაასრულეთ თხუთმეტი ყველაზე ციტირებული სტატიის სია. ეს სტატიები ასახავს უპილოტო საფრენ აპარატზე დაფუძნებული სისტემების განვითარებას სოფლის მეურნეობის მხარდასაჭერად. ისინი გვთავაზობენ გადაწყვეტილებებს სხვადასხვა პრობლემებისთვის, როგორიცაა მოსავლის მონიტორინგი და სკანირება, სარეველების ზედამხედველობა და მართვა და გადაწყვეტილების მხარდაჭერა. ისინი ასევე გვთავაზობენ და განიხილავენ უპილოტო საფრენი აპარატის უნარს გაზარდოს სინჯების ეფექტურობა და დაეხმარონ ფერმერებს ზუსტი და ეფექტური შემუშავებაში.
დარგვის სტრატეგიები. ბერნის ავტორი იყო ორი ნაშრომი (Berni et al., 2009b; Berni et al., 2009a), რომელიც ხაზს უსვამს მის მნიშვნელოვან გავლენას სოფლის მეურნეობის თვითმფრინავებთან დაკავშირებულ კვლევებზე. ნაშრომი Zarco-Tejada et al. (2014) იყო ერთ-ერთი პიონერული კვლევა, რომელიც ასახავს ხის სიმაღლის რაოდენობრივ განსაზღვრაში დაბალფასიანი უპილოტო საფრენი აპარატების გამოსახულების გამოყენების აუცილებლობას.
ყველაზე ციტირებული პუბლიკაციების სია.
რანგის | მდებარეობა 1990 to 2010 | მდებარეობა 2011 to 2021 | ||
დოკუმენტი | Citation | დოკუმენტი | Citation | |
1 | (Berni et al., 2009b) | 831 | (C. Zhang & Kovacs, 2012) | 967 |
2 | (ოსტინი, 2010) | 498 | (Nex & Remondino, 2014) | 893 |
3 | (Hunt et al., 2010) | 331 | (ფლორანო და ვუდი, 2015) | 552 |
4 | (SR Herwitz et al., 2004) | 285 | (ჰოსეინ მოთლაგი და სხვ., 2016) | 391 |
5 | (CCD Lelong et al., 2008) | 272 | (შახატრე და სხვ., 2019) | 383 |
6 | (Berni et al., 2009b) | 250 | (მა და სხვები, 2017) | 373 |
7 | (გრენზდორფერი ¨ და სხვ., 2008) | 198 | (Bendig et al., 2014) | 360 |
8 | (ჰრაბარი და სხვ., 2005) | 175 | (ზარკო-ტეჯადა და სხვ., 2014) | 347 |
9 | (Y. Huang et al., 2009) | 129 | (ad˜ ao et al., 2017) | 335 |
10 | (შმალე III და სხვ., 2008) | 119 | (ჰონკავარაა და სხვ., 2013) | 331 |
11 | (აბდ-ელრაჰმანი და სხვ., 2005) | 79 | (Candiago et al., 2015) | 327 |
12 | (Techy et al., 2010) | 69 | (Xiang & Tian, 2011) | 307 |
13 | (სალივანი და სხვ., 2007) | 51 | (Matese et al., 2015) | 303 |
14 | (Lumme et al., 2008) | 42 | (გაგო და სხვები, 2015) | 275 |
15 | (გოქტო ¨ ǧan et al., 2010) | 40 | (Aasen et al., 2015a) | 269 |
მეორე პერიოდში (2011–2021) Zhang and Kovacs (2012) და Nex and Remondino (2014) კვლევამ გამოიწვია ყველაზე ხშირად ციტირებული პუბლიკაციები. Zhang და Kovacs (2012) ამტკიცებენ, რომ ზუსტი სოფლის მეურნეობა შეიძლება ისარგებლოს გეოსივრცული ტექნიკის და სენსორების დანერგვით, როგორიცაა გეოგრაფიული საინფორმაციო სისტემები, GPS და დისტანციური ზონდირება, რათა აღბეჭდოს ვარიაციები დარგში და გაუმკლავდეს მათ ალტერნატიული სტრატეგიების გამოყენებით. როგორც ზუსტი სოფლის მეურნეობის თამაშის შემცვლელი, დრონების მიღებამ ახალი ეპოქა გამოაცხადა დისტანციური ზონდირებაში, გაამარტივა საჰაერო დაკვირვება, მოსავლის ზრდის მონაცემების აღება, ნიადაგის პირობები და შესხურების ადგილები. Zhang and Kovacs-ის (2012) მიმოხილვა არის მნიშვნელოვანი, რადგან ის გვთავაზობს ინფორმაციას უპილოტო საფრენი აპარატების შესახებ ამ მოწყობილობების არსებული გამოყენებისა და გამოწვევების გამოვლენით გარემოს მონიტორინგსა და ზუსტი სოფლის მეურნეობაში, როგორიცაა პლატფორმისა და კამერის შეზღუდვები, მონაცემთა დამუშავების გამოწვევები, ფერმერების ჩართულობა და საავიაციო რეგულაციები. . Მეორე
Nex-ისა და Remondino-ს (2014) ყველაზე ციტირებულმა კვლევამ მიმოიხილა უპილოტო საფრენი აპარატების ტექნიკის დონე დედამიწის სურათების გადაღების, დამუშავებისა და ანალიზისთვის.
მათმა ნაშრომმა ასევე წარმოადგინა უპილოტო საფრენი აპარატების რამდენიმე პლატფორმის, აპლიკაციისა და გამოყენების შემთხვევების მიმოხილვა, სადაც ნაჩვენებია უპილოტო საფრენი აპარატების გამოსახულების დამუშავების უახლესი მიღწევები. სოფლის მეურნეობაში ფერმერებს შეუძლიათ გამოიყენონ უპილოტო საფრენი აპარატები, რათა მიიღონ ეფექტური გადაწყვეტილებები ხარჯებისა და დროის დაზოგვის მიზნით, მიიღონ ზარალის სწრაფი და ზუსტი ჩანაწერი და წინასწარ განსაზღვრონ შესაძლო პრობლემები. ჩვეულებრივი საჰაერო პლატფორმებისგან განსხვავებით, უპილოტო საფრენი აპარატებს შეუძლიათ შეამცირონ საოპერაციო ხარჯები და შეამცირონ უხეში მდებარეობებში წვდომის საფრთხე, მიუხედავად იმისა, რომ ინარჩუნებენ მაღალი სიზუსტის პოტენციალს. მათი ნაშრომი აჯამებს უპილოტო საფრენი აპარატების სხვადასხვა უპირატესობებს, განსაკუთრებით სიზუსტისა და გარჩევადობის თვალსაზრისით.
დარჩენილ ცამეტ ყველაზე ციტირებულ პუბლიკაციას შორის 2011 და 2021 წლებში, ჩვენ შევამჩნიეთ უფრო დიდი კონცენტრაცია კვლევაზე, რომელიც დაკავშირებულია დრონის აპლიკაციებთან ვიზუალიზაციის მისიებში (Bendig et al., 2014; Ma et al., 2017; Zarco-Tejada et al., 2014). ზუსტი სოფლის მეურნეობა (Candiago et al., 2015; Honkavaara et al., 2013a), ზუსტი მევენახეობა (Matese et al., 2015), წყლის სტრესის შეფასება (Gago et al., 2015) და მცენარეულობის მონიტორინგი (Aasen et al. , 2015 ა). პირველ წლებში მკვლევარები ყურადღებას ამახვილებდნენ
მეტი სოფლის მეურნეობისთვის იაფი, მსუბუქი და ზუსტი უპილოტო საფრენი აპარატების დაფუძნებული სისტემების შემუშავებაზე; უახლესი კვლევები უფრო მეტად ფოკუსირებულია უპილოტო საფრენი აპარატების აპლიკაციების მიმოხილვაზე სოფლის მეურნეობისა და საველე გამოკვლევისთვის. მოკლედ, ეს ანალიზი ცხადყოფს, რომ გავლენიანმა პუბლიკაციებმა ძირითადად წარმოადგინეს წინა კვლევების მიმოხილვა უპილოტო საფრენი აპარატების ამჟამინდელი სამეცნიერო და ტექნოლოგიური სტატუსის შესაფასებლად და შემუშავებული უპილოტო საფრენი აპარატების სისტემები ზუსტი სოფლის მეურნეობის მხარდასაჭერად. საინტერესოა, რომ ჩვენ ვერ ვიპოვნეთ ემპირიული კვლევები
მეთოდოლოგიები ან აღწერილობითი შემთხვევის შესწავლა, რაც წარმოადგენს მნიშვნელოვან ცოდნის ხარვეზს და მოითხოვს მეტი კვლევის ჩატარებას ამ თემაზე.
თანაციტირების ანალიზი
Gmür-ის (2006) მიხედვით, თანაციტირების ანალიზი ავლენს მსგავს პუბლიკაციებს და აჯგუფებს მათ. კლასტერის ფრთხილად გამოკვლევამ შეიძლება გამოავლინოს პუბლიკაციებს შორის კვლევის საერთო სფერო. ჩვენ ვიკვლევთ სასოფლო-სამეურნეო თვითმფრინავებთან დაკავშირებული ლიტერატურის ერთობლივ ციტირებას, რათა ილუსტრაციოთ შესაბამისი თემატიკა და აღმოვაჩინოთ პუბლიკაციების ინტელექტუალური ნიმუშები. ამასთან დაკავშირებით, სმოლმა (1973) რეკომენდაცია გაუწია კოციტაციური ანალიზის გამოყენებას ყველაზე გავლენიანი და მნიშვნელოვანი კვლევის შესასწავლად.
დისციპლინის ფარგლებში. ნაკრების ყველაზე მნიშვნელოვანი სტატიებით შესაზღუდად (გოიალი და კუმარი, 2021), ჩვენ დავაწესეთ თანაციტირების ზღვარი 25, რაც იმას ნიშნავს, რომ ორი სტატია ერთად უნდა იყოს ციტირებული 25 ან მეტი სხვადასხვა პუბლიკაციების საცნობარო სიებში. კლასტერირება ასევე ჩატარდა კლასტერების მინიმალური ზომით 1 და ყოველგვარი მეთოდის გარეშე პატარა კლასტერების უფრო დიდთან შერწყმისა. შედეგად, ექვსი კლასტერი შეიქმნა კვლევების მსგავსებისა და მათი ინტელექტუალური სტრუქტურის საფუძველზე. ცხრილი 6 გვიჩვენებს პუბლიკაციების განაწილებას თითოეულ კლასტერში.
კლასტერი 1: ეს კლასტერი შეიცავს თვრამეტი დოკუმენტს, რომელიც გამოქვეყნდა მას შემდეგ, რაც ამ კლასტერის პუბლიკაციები განიხილავს დრონების როლს გარემოს მონიტორინგის, მოსავლის მენეჯმენტისა და სარეველების მენეჯმენტის მხარდაჭერაში. მაგალითად, მანფრედა და სხვ. (2018) გთავაზობთ მიმოხილვას უპილოტო საფრენი აპარატის მიმდინარე კვლევებისა და განხორციელების შესახებ ბუნებრივი სასოფლო-სამეურნეო ეკოსისტემის მონიტორინგში და ამტკიცებს, რომ ტექნოლოგია გთავაზობთ უზარმაზარ პოტენციალს გარემოს მონიტორინგის მკვეთრად გაძლიერებისა და შემცირებისთვის
არსებული უფსკრული საველე დაკვირვებასა და ჩვეულებრივ საჰაერო და კოსმოსურ დისტანციურ ზონდირებას შორის. ეს შეიძლება გაკეთდეს ახალი შესაძლებლობების შეთავაზებით გაუმჯობესებული დროებითი მოძიებისა და ფართო ტერიტორიების სივრცითი ინფორმაციის ხელმისაწვდომ ფასად. უპილოტო საფრენი აპარატებს შეუძლიათ მუდმივად შეიგრძნონ გარემო და მიღებული მონაცემები გაუგზავნონ ინტელექტუალურ, ცენტრალიზებულ/დეცენტრალიზებულ ერთეულებს, რომლებიც აკონტროლებენ სენსორებს შესაძლო პრობლემების იდენტიფიცირებისთვის, როგორიცაა დაავადების ნაკლებობა ან წყლის გამოვლენა (პადუა ´ et al., 2017). ადაო ˜ და სხვ. (2017) ვარაუდობენ, რომ უპილოტო საფრენი აპარატები იდეალურია მცენარეთა პირობების შესაფასებლად წყლის სტატუსთან, ბიომასის შეფასებასთან და სიმძლავრის შეფასებასთან დაკავშირებული ნედლეულის დიდი მოცულობის აღებით. უპილოტო საფრენ აპარატზე დამონტაჟებული სენსორები ასევე შეიძლება დროულად განთავსდეს შესაბამის გარემო პირობებში, რათა მოხდეს დისტანციური ზონდირების მონაცემების დროული აღრიცხვა (Von Bueren et al., 2015). უპილოტო საფრენი აპარატების საშუალებით ფერმერებს შეუძლიათ განახორციელონ შიდა მეურნეობის აქტივობები, გაზომვების მიღებით თითქმის ნებისმიერი ადგილიდან შიდა მეურნეობის სამგანზომილებიანი სივრციდან (მაგ., სათბურები), რითაც უზრუნველყოფენ ადგილობრივი კლიმატის კონტროლს და მცენარეთა მონიტორინგს (Roldan' et al. ., 2015). სიზუსტის კონტექსტში
სოფლის მეურნეობა, მოსავლის მენეჯმენტის გადაწყვეტილებები საჭიროებს მოსავლის ზუსტ, სანდო მონაცემებს შესაბამისი დროითი და სივრცითი გარჩევადობით (Gebbers & Adamchuk, 2010; Gevaert et al., 2015; Maes & Steppe, 2019). ამ მიზეზით, Agüera Vega et al. (2015) გამოიყენა უპილოტო საფრენი აპარატზე დამონტაჟებული მულტისპექტრული სენსორული სისტემა მზესუმზირის მოსავლის გამოსახულების მისაღებად მზარდი სეზონის განმავლობაში. ანალოგიურად, Huang et al. (2009) აღნიშნავენ, რომ უპილოტო საფრენ აპარატებზე დაფუძნებული დისტანციური ზონდირება ხელს შეუწყობს ნათესებისა და ნიადაგის გაზომვას შეგროვებული სპექტრული მონაცემებიდან. ვერგერი და სხვ. (2014) შეიმუშავა და გამოსცადა ტექნიკა მწვანე ფართობის ინდექსის (GAI) შესაფასებლად უპილოტო საფრენი აპარატების ასახვის გაზომვებიდან ზუსტი სოფლის მეურნეობის აპლიკაციებში, ფოკუსირებული ხორბლისა და რაფსის კულტურებზე. აქედან გამომდინარე, დრონები იძლევა ახალ შესაძლებლობებს მოსავლის მდგომარეობის შესახებ ინფორმაციის მისაღებად ხშირი ვიზიტებით და მაღალი სივრცითი გარჩევადობით (Dong et al., 2019; Garzonio et al., 2017; H. Zheng et al., 2016).
სასოფლო-სამეურნეო დრონების შესახებ გავლენიანი პუბლიკაციების კლასტერირება.
კასეტური | ფართო თემა | ლიტერატურა |
1 | გარემოს მონიტორინგი, მოსავალი მართვა, სარეველების მართვა | (ad˜ აო და სხვ., 2017; აგუერა ვეგა და სხვ., 2015; დე კასტრო და სხვ., 2018; Gomez-Cand 'on' et al., 2014; YB Huang et al., 2013; ხანალი და სხვ. 2017 წელი; ლოპეს-გრანადოსი, ´ 2011; მანფრედა და სხვ., 2018; P' ადუა და სხვ., 2017 წელი; Pena ˜ et al., 2013; პერეზ-ორტისი და სხვ., 2015; რასმუსენი და სხვები, 2013 წ. 2016 წელი; ტორეს-ს ანჩესი და სხვები, 2014; ტორეს-სანჩესი, "ლოპეს-გრანადოსი" და პენა, ˜ 2015; ვერგერი და სხვ., 2014; ფონ Bueren et al., 2015; C. Zhang & კოვაქსი, 2012) |
2 | დისტანციური ფენოტიპირება, მოსავლიანობა შეფასება, მოსავლის ზედაპირის მოდელი, მცენარეების დათვლა | (Bendig et al., 2013, 2014; Geipel და სხვ., 2014; გნადინგერი ¨ & შმიდჰალტერი, 2017; ჰაგიღატალაბი და სხვ., 2016; Holman et al., 2016; ჯინ და სხვ., 2017; W. Li et al., 2016; Maimaitijiang და სხვ., 2017; სანკარანი და სხვ., 2015; Schirrmann და სხვ., 2016; ში და სხვები, 2016; Yue et al., 2017; X. Zhou et al., 2017) |
3 | წყლის თერმული გამოსახულება, მრავალსპექტრული გამოსახულება | (Baluja et al., 2012; Berni et al., 2009ბ; ბერნი და სხვები, 2009ა; კანდიაგო და სხვ., 2015; გაგო და სხვ., 2015; Gonzalez-Dugo et al., 2013, 2014; Grenzdorffer ¨ et al., 2008; ხალიკი და სხვ., 2019; Matese et al., 2015; რიბეირო-გომესი და სხვ., 2017; სანტესტებანი და სხვ., 2017; უტო და სხვ. 2013) |
4 | ჰიპერსექტრული გამოსახულება, სპექტრალური ვიზუალიზაციის | (Aasen et al., 2015a; Bareth et al., 2015 წელი; ჰაკალა და სხვ., 2013; ჰონკავაარა და სხვ., 2013ა; ლუსიერი და სხვ., 2014; საარი და სხვ., 2011; Suomalainen et al., 2014) |
5 | 3D რუკების აპლიკაციები | (Jim'enez-Brenes et al., 2017; Nex & რემონდინო, 2014; სალამი და სხვ. 2014 წელი; ტორეს-ს ანჩესი, ლოპესი- '' Granados, Serrano, et al., 2015; Zahawi et al., 2015; ზარკო-თეჯადა და სხვა., 2014) |
6 | სოფლის მეურნეობის მეთვალყურეობა | (SR Herwitz et al., 2004; Hunt და სხვ., 2010; CCD ლელონგი და სხვ., 2008 წელი; Primicerio et al., 2012; სიანგი & Tian, 2011) |
გარდა ამისა, დრონები სასარგებლოა სოფლის მეურნეობაში რთული ამოცანების შესასრულებლად, სარეველების რუქების ჩათვლით. მოწყობილობების მიერ გადაღებულმა სურათებმა დაამტკიცა მათი სარგებლობა მინდვრებში სარეველების ადრეული გამოვლენისთვის (de Castro et al., 2018; Jim'enez-Brenes et al., 2017; Lam et al., 2021; Lopez-Granados ´ et al., 2016; როზენბერგი და სხვები, 2021). ამასთან დაკავშირებით დე კასტრო და სხვ. (2018) ვარაუდობენ, რომ უპილოტო საფრენი აპარატების გამოსახულების და ობიექტზე დაფუძნებული გამოსახულების ანალიზის (OBIA) შერწყმამ პრაქტიკოსებს საშუალება მისცა გადალახონ ადრეული სეზონის მდელოების კულტურებში ადრეული გამოვლენის ავტომატიზაციის საკითხი, რაც დიდი წინგადადგმული ნაბიჯია სარეველების კვლევაში. ანალოგიურად, პენა ˜ და სხვ. (2013) აღნიშნავენ, რომ უპილოტო საფრენი აპარატიდან ულტრა მაღალი სივრცითი გარჩევადობის სურათების გამოყენება OBIA პროცედურასთან ერთად შესაძლებელს ხდის სარეველების რუქების გენერირებას ადრეულ სიმინდის კულტურებში, რომლებიც შეიძლება გამოყენებულ იქნას სეზონური სარეველების კონტროლის ღონისძიებების განხორციელების დაგეგმვისას. ამოცანა, რომელიც აღემატება სატელიტური და ტრადიციული საჰაერო სადესანტო სურათების შესაძლებლობებს. გამოსახულების კლასიფიკაციის ან ობიექტების აღმოჩენის ალგორითმებთან შედარებით, სემანტიკური სეგმენტაციის ტექნიკა უფრო ეფექტურია სარეველების რუკების ამოცანებისას (J. Deng et al., 2020), რითაც ფერმერებს საშუალებას აძლევს აღმოაჩინონ მინდვრის პირობები, შეამცირონ დანაკარგები და გააუმჯობესონ მოსავლიანობა მზარდი სეზონის განმავლობაში (რამეში). და სხვ., 2020). ღრმა სწავლაზე დაფუძნებული სემანტიკური სეგმენტაცია ასევე შეუძლია უზრუნველყოს მცენარეული საფარის ზუსტი გაზომვა მაღალი გარჩევადობის საჰაერო სურათებიდან (Ramesh et al., 2020; A. Zheng et al., 2022). მიუხედავად მათი პოტენციალისა დისტანციურად
სენსორული პიქსელების კლასიფიკაცია, სემანტიკური სეგმენტაციის ტექნიკა მოითხოვს მნიშვნელოვან გამოთვლას და აკრძალვით მაღალ GPU მეხსიერებას (J. Deng et al., 2020).
მანქანური სწავლისა და უპილოტო საფრენი აპარატის საფუძველზე, P´erez-Ortiz et al. (2015) შემოგვთავაზა სარეველების რუკების მიდგომა, რათა უზრუნველყოს სარეველების კონტროლის ადგილი კონკრეტული სტრატეგიები, როდესაც ფერმერები მიიღებენ ადრე აღმოცენების შემდგომი სარეველების კონტროლს. და ბოლოს, რასმუსენმა და სხვ. (2013) ხაზგასმით აღნიშნეს, რომ დრონები უზრუნველყოფენ იაფ ზონდირებას დიდი სივრცითი გარჩევადობის მოქნილობით. მთლიანობაში, ამ კლასტერში გამოქვეყნებული პუბლიკაციები ფოკუსირებულია უპილოტო საფრენი აპარატების პოტენციალის შესწავლაზე დისტანციური ზონდირების, მოსავლის მონიტორინგისა და სარეველების რუქების მხარდასაჭერად. საჭიროა დამატებითი სიღრმისეული კვლევა შემდგომი გამოსაძიებლად, თუ როგორ შეუძლია დრონის გამოყენებამ გარემოს მონიტორინგში, მოსავლის მენეჯმენტსა და სარეველების რუკების შემუშავებაში უფრო მდგრადი სოფლის მეურნეობის მიღწევა (Chamuah & Singh, 2019; Islam et al., 2021; Popescu et al., 2020; J. Su, Liu, et al., 2018) და განიხილავს ამ ტექნოლოგიის მართვის საკითხებს მოსავლის დაზღვევის აპლიკაციებში (Basnet & Bang, 2018; Chamuah & Singh, 2019, 2022; Meinen & Robinson, 2021). მკვლევარებმა კონცენტრირება უნდა მოახდინონ უპილოტო საფრენი აპარატების შეგროვებული გაზომვების დადასტურებაზე დამუშავების ეფექტური ტექნიკით, რათა გააუმჯობესონ დამუშავებული მონაცემების საბოლოო ხარისხი (Manfreda et al., 2018). გარდა ამისა, საჭიროა შესაბამისი ალგორითმების შემუშავება, რომლებიც ამოიცნობენ პიქსელებს, რომლებიც აჩვენებენ სარეველებს ციფრულ სურათებში და აღმოფხვრის შეუსაბამო ფონს უპილოტო სარეველების რუკის დროს (Gaˇsparovi´c et al., 2020; Hamylton et al., 2020; H. Huang et al. , 2018, 2020; Lopez-' Granados et al., 2016). მისასალმებელია დამატებითი კვლევა მცენარის ამოცნობაში, ფოთლების კლასიფიკაციასა და დაავადების რუკებში სემანტიკური სეგმენტაციის ტექნიკის გამოყენების შესახებ (Fuentes-Pacheco et al., 2019; Kerkech et al., 2020).
კლასტერი 2. პუბლიკაციები ამ კლასტერში ფოკუსირებული იყო სასოფლო-სამეურნეო დრონების რამდენიმე ასპექტზე. დაკავშირებული დისტანციურ ფენოტიპირებასთან, Sankaran et al. (2015) განიხილეს უპილოტო საფრენი აპარატებით დაბალი სიმაღლის, მაღალი რეზოლუციის აერო გამოსახულების გამოყენების პოტენციალი მინდორში კულტურების სწრაფი ფენოტიპისთვის და ისინი ამტკიცებენ, რომ მიწისზე დაფუძნებულ სენსორულ პლატფორმებთან შედარებით, მცირე უპილოტო საფრენი აპარატები ადეკვატური სენსორებით გთავაზობთ რამდენიმე უპირატესობას. როგორიცაა უფრო ადვილი წვდომა ველზე, მაღალი გარჩევადობის მონაცემები, მონაცემთა ეფექტური შეგროვება,
საველე ზრდის პირობების სწრაფი შეფასება და დაბალი საოპერაციო ხარჯები. თუმცა, ავტორები ასევე აღნიშნავენ, რომ უპილოტო საფრენი აპარატის ეფექტური გამოყენება საველე ფენოტიპისთვის ეყრდნობა ორ ფუნდამენტურ ელემენტს, კერძოდ, უპილოტო საფრენი აპარატის მახასიათებლებს (მაგ. უსაფრთხოება, სტაბილურობა, პოზიციონირება, ავტონომია) და სენსორის მახასიათებლებს (მაგ. გარჩევადობა, წონა, სპექტრული ტალღის სიგრძე, ველი). ხედვა). Haghighattalab და სხვ. (2016) შემოგვთავაზა ნახევრად ავტომატური გამოსახულების დამუშავების მილსადენი, რათა მოიპოვოს ნაკვეთის დონის მონაცემები უპილოტო საფრენი აპარატების გამოსახულებებიდან და დააჩქაროს გამრავლების პროცესი. ჰოლმანი და სხვ. (2016) განვითარდა მაღალი
გამტარუნარიანობის ველის ფენოტიპის სისტემა და ხაზგასმით აღინიშნა, რომ UAV-ს შეუძლია შეაგროვოს ხარისხიანი, მოცულობითი, ველზე დაფუძნებული ფენოტიპური მონაცემები და რომ მოწყობილობა ეფექტურია დიდ ტერიტორიებზე და სხვადასხვა საველე ადგილებზე.
რამდენადაც მოსავლიანობის შეფასება წარმოუდგენლად სასიცოცხლო ინფორმაციაა, განსაკუთრებით მაშინ, როდესაც ის დროულად არის ხელმისაწვდომი, უპილოტო საფრენი აპარატებისთვის არის პოტენციალი, უზრუნველყონ ყველა საველე გაზომვა და ეფექტურად მიიღონ მაღალი ხარისხის მონაცემები (Daakir et al., 2017; Demir et al., 2018 წ. ენსისო და სხვ., 2019; კულბაკი და სხვ., 2018; პუდელკო და სხვ., 2012). ამასთან დაკავშირებით, ჯინი და სხვ. (2017) ისარგებლა უპილოტო საფრენი აპარატების მიერ ძალიან დაბალ სიმაღლეზე მიღებული მაღალი რეზოლუციის გამოსახულებებით, რათა შეემუშავებინა და შეაფასა ხორბლის მცენარის სიმკვრივის შეფასების მეთოდი აღმოცენების ეტაპზე. ავტორების აზრით, უპილოტო საფრენი აპარატები გადალახავს კამერებით აღჭურვილი როვერ სისტემების შეზღუდვებს და წარმოადგენს არაინვაზიურ მეთოდს ნათესებში მცენარის სიმკვრივის შესაფასებლად, რაც ფერმერებს საშუალებას აძლევს მიაღწიონ საველე ფენოტიპისთვის საჭირო მაღალ გამტარუნარიანობას, ნიადაგის ტრანსპორტირებადობისგან დამოუკიდებლად. ლი და სხვ. (2016) შეაგროვა ასობით სტერეო სურათი უკიდურესად მაღალი გარჩევადობით UAV-ზე დაფუძნებული სისტემის გამოყენებით სიმინდის პარამეტრების შესაფასებლად, მათ შორის ტილოების სიმაღლე და მიწისზედა ბიომასა. და ბოლოს, Yue et al. (2017) აღმოაჩინა, რომ უპილოტო საფრენი აპარატებიდან განსაზღვრულმა მოსავლის სიმაღლემ შეიძლება გააძლიეროს მიწისზედა ბიომასის (AGB) შეფასება.
მოსავლის ზრდის მონიტორინგის მიდგომაა მოსავლის ზედაპირის მოდელების შემუშავების იდეა (Bendig et al., 2014, 2015; Holman et al., 2016; Panday, Shrestha, et al., 2020; Sumesh et al., 2021). რამდენიმე კვლევამ ხაზგასმით აღნიშნა უპილოტო საფრენი აპარატიდან გადაღებული სურათების მიზანშეწონილობა მცენარეთა სიმაღლის დასაფიქსირებლად და მათი ზრდის მონიტორინგისთვის. მაგალითად, ბენდიგი და სხვ. (2013) აღწერა მრავალდროიანი მოსავლის ზედაპირის მოდელების შემუშავება 0.05 მ-ზე ნაკლები ძალიან მაღალი გარჩევადობით უპილოტო საფრენი აპარატის გამოყენებით. ისინი მიზნად ისახავდნენ მოსავლის აღმოჩენას
ზრდის ცვალებადობა და მისი დამოკიდებულება მოსავლის მკურნალობაზე, ჯიშზე და სტრესზე. ბენდიგი და სხვ. (2014) გამოიყენა უპილოტო საფრენი აპარატები ახალი და მშრალი ბიომასის შესაფასებლად მოსავლის ზედაპირის მოდელებიდან მოპოვებული მცენარის სიმაღლეზე და დაადგინა, რომ საჰაერო პლატფორმებისგან და ხმელეთის ლაზერული სკანირებისგან განსხვავებით, უპილოტო საფრენი აპარატებიდან მაღალი გარჩევადობის სურათებს შეუძლიათ მნიშვნელოვნად გაზარდონ მცენარის სიმაღლის მოდელირების სიზუსტე სხვადასხვა ზრდისთვის. ეტაპები. ამავე თვალსაზრისით, გეიპელი და სხვ. (2014) გამოიყენეს უპილოტო საფრენი აპარატები გამოსახულებების მისაღებად
მონაცემთა ნაკრები სიმინდის მარცვლის მოსავლიანობის პროგნოზირებისთვის სამი სხვადასხვა ზრდის ფაზაში ადრეული სეზონის შუა პერიოდში და დაასკვნეს, რომ სპექტრული და სივრცითი მოდელირების კომბინაცია საჰაერო სურათებსა და მოსავლის ზედაპირის მოდელებზე დაფუძნებული არის შესაფერისი მეთოდი შუა სეზონის სიმინდის მოსავლიანობის პროგნოზირებისთვის. დაბოლოს, გნადინგერმა და შმიდჰალტერმა (2017) შეისწავლეს უპილოტო საფრენი აპარატის სარგებლობა ზუსტი ფენოტიპირებისას და ხაზგასმით აღნიშნეს, რომ ამ ტექნოლოგიის გამოყენებამ შეიძლება გააძლიეროს ფერმის მენეჯმენტი და გაზარდოს საველე ექსპერიმენტები მეცხოველეობისა და აგრონომიული მიზნებისთვის. საერთო ჯამში, ჩვენ ვხედავთ, რომ პუბლიკაციები 2 კლასტერში ფოკუსირებულია უპილოტო საფრენი აპარატების მთავარ უპირატესობებზე დისტანციურად.
ფენოტიპირება, მოსავლიანობის შეფასება, მოსავლის ზედაპირის მოდელირება და მცენარეთა დათვლა. სამომავლო კვლევებს შეუძლია უფრო ღრმად იჭრებოდეს დისტანციური ფენოტიპის ახალი მეთოდების შემუშავებით, რომელსაც შეუძლია ავტომატიზირება და ოპტიმიზაცია მოახდინოს დისტანციური ზონდირებადი მონაცემების დამუშავება (ბარაბასჩი და სხვ., 2016; Liebisch et al., 2015; Mochida et al., 2015; S. Zhou et al. ., 2021). გარდა ამისა, უპილოტო საფრენ აპარატებზე დამონტაჟებული IoT სენსორების მოქმედება და მათ ხარჯებს, შრომას და მოსავლიანობის შეფასების სიზუსტეს შორის ურთიერთგაგების შესწავლა საჭიროა.
მომავალი (Ju & Son, 2018a, 2018b; Xie & Yang, 2020; Yue et al., 2018). საბოლოო ჯამში, საჭიროა გამოსახულების დამუშავების ეფექტური მეთოდების შემუშავება, რომელსაც შეუძლია შექმნას სანდო ინფორმაცია, მაქსიმალურად გაზარდოს ეფექტურობა სასოფლო-სამეურნეო წარმოებაში და შეამციროს ფერმერების ხელით დათვლის სამუშაოები (RU Khan et al., 2021; Koh et al., 2021; Lin. & Guo, 2020; C. Zhang და სხვ., 2020).
კლასტერი 3. ამ კლასტერის პუბლიკაციები განიხილავს სხვადასხვა ტიპის ვიზუალიზაციის სისტემას სოფლის მეურნეობის რესურსების დისტანციური ზონდირებისთვის, რომლებიც გამოიყენება UAV პლატფორმებზე. ამასთან დაკავშირებით, თერმული გამოსახულება საშუალებას იძლევა ზედაპირული ტემპერატურის მონიტორინგი, რათა თავიდან აიცილოს მოსავლის დაზიანება და გვალვის სტრესის ადრეული გამოვლენა (Awais et al., 2022; García-Tejero et al., 2018; Sankaran et al., 2015; Santesteban et al., 2017; Yeom, 2021). ბალუჯა და სხვ. (2012) ამტკიცებდა, რომ ბორტზე მულტისპექტრული და თერმული კამერების გამოყენება
უპილოტო საფრენმა აპარატმა მკვლევარებს საშუალება მისცა მიეღოთ მაღალი გარჩევადობის სურათები და შეეფასებინათ ვაზის წყლის მდგომარეობა. ეს შეიძლება სასარგებლო იყოს წყლის დაგეგმვის ახალი მოდელების შესაქმნელად დისტანციური ზონდირების მონაცემების გამოყენებით (Baluja et al., 2012). იმის გამო, რომ
უპილოტო საფრენი აპარატების შეზღუდული დატვირთვის მოცულობა, Ribeiro-Gomes et al. (2017) განიხილეს გაუცივებელი თერმული კამერების ინტეგრაცია უპილოტო საფრენ აპარატებში წყლის სტრესის დასადგენად მცენარეებში, რაც ამ ტიპის უპილოტო საფრენ აპარატებს უფრო ეფექტურს და სიცოცხლისუნარიანს ხდის, ვიდრე ტრადიციული სატელიტური დისტანციური ზონდირება და გაცივებული თერმული კამერებით აღჭურვილი უპილოტო საფრენი აპარატები. ავტორების აზრით, გაუცივებელი თერმული კამერები უფრო მსუბუქია, ვიდრე გაცივებული კამერები და საჭიროებენ შესაბამის კალიბრაციას. გონსალეს-დუგო და სხვ. (2014) აჩვენა, რომ თერმული გამოსახულება ეფექტურად წარმოქმნის მოსავლის წყლის სტრესის ინდექსების სივრცულ რუქებს წყლის მდგომარეობის შესაფასებლად და წყლის სტრესის რაოდენობრივ განსაზღვრაში ციტრუსის ბაღებში და შიგნით. გონსალეს-დუგო და სხვ. (2013) და Santesteban et al. (2017) გამოიკვლია მაღალი რეზოლუციის უპილოტო საფრენი აპარატის თერმული გამოსახულების გამოყენება კომერციული ბაღისა და ვენახის წყლის სტატუსის ცვალებადობის შესაფასებლად.
მულტისპექტრული გამოსახულება შეიძლება უზრუნველყოს მასიური მონაცემები ტრადიციულ RGB (წითელი, მწვანე და ლურჯი) სურათებთან შედარებით (Ad˜ ao et al., 2017; Navia et al., 2016). ეს სპექტრული მონაცემები, სივრცულ მონაცემებთან ერთად, შეიძლება დაეხმარონ კლასიფიკაციას, რუქას, პროგნოზირებას, პროგნოზირებას და გამოვლენის მიზნებს (Berni et al., 2009b). Candiago et al. (2015), უპილოტო საფრენ აპარატზე დაფუძნებული მულტისპექტრული გამოსახულება შეიძლება დიდი წვლილი შეიტანოს მოსავლის შეფასებასა და ზუსტი სოფლის მეურნეობის, როგორც საიმედო და ეფექტური რესურსის განვითარებაში. ასევე,
ხალიქი და სხვ. (2019) გააკეთა შედარება თანამგზავრისა და UAV დაფუძნებული მულტისპექტრული გამოსახულების შესახებ. უპილოტო საფრენი აპარატზე დაფუძნებული ნახატები უფრო ზუსტი იყო ვენახის ცვალებადობის აღწერისას, ისევე როგორც ენერგიული რუქები მოსავლის ტილოების წარმოსადგენად. მოკლედ, ამ კლასტერის სტატიები განიხილავს თერმული და მულტისპექტრული გამოსახულების სენსორების ჩართვას სასოფლო-სამეურნეო უპილოტო საფრენ აპარატებში. შესაბამისად, მეტი კვლევაა საჭირო იმის გასაგებად, თუ როგორ შეიძლება თერმული და მრავალსპექტრული გამოსახულების ინტეგრირება AI-სთან
ტექნიკა (მაგ. ღრმა სწავლა) მცენარეთა სტრესის გამოსავლენად (Ampatzidis et al., 2020; Ampatzidis & Partel, 2019; Jung et al., 2021; Santesteban et al., 2017; Syeda et al., 2021). ასეთი შეხედულებები ხელს შეუწყობს უფრო ეფექტური და ზუსტი გამოვლენის უზრუნველყოფას, ასევე მცენარის ზრდის, სტრესის და ფენოლოგიის მონიტორინგს (Buters et al., 2019; Cao et al., 2020; Neupane & BaysalGurel, 2021; L. Zhou et al., 2020).
კლასტერი 4. ეს კლასტერი შედგება შვიდი ნაშრომისგან, რომლებიც ტრიალებს სპექტრული გამოსახულების და ჰიპერსპექტრული გამოსახულების გადამწყვეტ როლს სოფლის მეურნეობის პრაქტიკის მხარდაჭერაში. ჰიპერსპექტრული გამოსახულება ჩამოყალიბდა, როგორც დისტანციური ზონდირების მეთოდი, რომელიც იძლევა დედამიწის სისტემის რაოდენობრივ შეფასებას (Schaepman et al., 2009). უფრო ზუსტად რომ ვთქვათ, ის იძლევა ზედაპირული მასალების იდენტიფიკაციის საშუალებას, (ფარდობითი) კონცენტრაციების რაოდენობრივ განსაზღვრას და ზედაპირის კომპონენტების პროპორციების მინიჭება
შერეულ პიქსელებში (Kirsch et al., 2018; Zhao et al., 2022). სხვა სიტყვებით რომ ვთქვათ, ჰიპერსპექტრული სისტემების მიერ მოწოდებული უფრო მაღალი სპექტრული გარჩევადობა იძლევა სხვადასხვა პარამეტრის უფრო ზუსტ შეფასებას, როგორიცაა მცენარეული თვისებები ან ფოთლების წყლის შემცველობა (Suomalainen et al., 2014). ამ კლასტერის მკვლევარებმა გამოიკვლიეს ასეთი სისტემების სხვადასხვა ასპექტები. სხვათა შორის, Aasen et al. (2015b) შესთავაზა უნიკალური მიდგომა მსუბუქი წონისგან სამგანზომილებიანი ჰიპერსპექტრული ინფორმაციის მისაღებად
კადრების კამერები, რომლებიც გამოიყენება უპილოტო საფრენ აპარატებზე მცენარეულობის მონიტორინგისთვის. ლუსიერი და სხვ. (2014) განიხილეს ახალი ჰიპერსპექტრული UAS-ის დიზაინი, განვითარება და საჰაერო ოპერაციები, ასევე მასთან შეგროვებული გამოსახულების მონაცემების კალიბრაცია, ანალიზი და ინტერპრეტაცია. და ბოლოს, ჰონკავაარა და სხვ. (2013b) შეიმუშავა ყოვლისმომცველი დამუშავების მიდგომა FabryPerot ინტერფერომეტრზე დაფუძნებული სპექტრული გამოსახულებისთვის და აჩვენა მისი გამოყენება ბიომასის შეფასების პროცედურაში ზუსტი სოფლის მეურნეობისთვის. ამ მიმდინარე კლასტერის პოტენციური სამომავლო გზები მოიცავს ხაზს უსვამს სენსორულ ტექნოლოგიებში ტექნიკური გაუმჯობესების აუცილებლობას (Aasen et al., 2015b), ასევე დამატებითი ტექნოლოგიების, განსაკუთრებით დიდი მონაცემებისა და ანალიტიკის ჩართვისა და გაძლიერების აუცილებლობას (Ang & Seng, 2021; Radoglou. -Grammatikis et al., 2020; Shakoor et al., 2019). ეს უკანასკნელი ძირითადად მომდინარეობს გონივრული სოფლის მეურნეობაში დანერგილი სხვადასხვა სენსორების მიერ მუდმივად მზარდი მონაცემებიდან (C. Li & Niu, 2020; A. Rejeb et al., 2022; Y. Su & Wang, 2021).
კლასტერი 5. ამ კლასტერის პუბლიკაციებმა შეისწავლეს თვითმფრინავებზე დაფუძნებული 3Dmapping აპლიკაციები. დრონების გამოყენებამ 3D რუკებისთვის შეიძლება შეამსუბუქოს რთული საველე სამუშაოები და არსებითად გაზარდოს ეფექტურობა (Torres-Sanchez' et al., 2015). კლასტერში ხუთი სტატია ძირითადად ფოკუსირებული იყო მცენარეთა მონიტორინგის აპლიკაციებზე. მაგალითად, ტილოების ფართობის, ხის სიმაღლისა და გვირგვინის მოცულობის შესახებ სამგანზომილებიანი მონაცემების მისაღებად, Torres-Sanchez' et al. (2015) გამოიყენა UAV ტექნოლოგია ციფრული ზედაპირის მოდელების შესაქმნელად და შემდეგ ობიექტზე დაფუძნებული გამოსახულების ანალიზის (OBIA) მიდგომებისთვის. შემდგომ, ზარკო-თეჯადა და სხვ. (2014) რაოდენობრივად განსაზღვრა ხის სიმაღლე UAV ტექნოლოგიისა და სამგანზომილებიანი ფოტო-რეკონსტრუქციის მეთოდების ინტეგრირებით. ჯიმენეს-ბრენეს ლოპეს-გრანადოსი, დე კასტრო და სხვ. (2017) აჩვენა ახალი პროცესი ათობით ზეთისხილის ხის მრავალდროული, 3D მონიტორინგისთვის უპილოტო საფრენი აპარატების ტექნოლოგიის ინტეგრირებით მოწინავე OBIA მეთოდოლოგიასთან. ამ კლასტერში მომავალი სამუშაოების საინტერესო გზები მოიცავს მიმდინარეობის გაუმჯობესებას
მეთოდოლოგიები (Zarco-Tejada et al., 2014) ზედაპირის ციფრული მოდელირების მიზნებისათვის (Ajayi et al., 2017; Jaud et al., 2016), როგორიცაა OBIA (de Castro et al., 2018, 2020; Ventura et al. , 2018) და ფოტოების რეკონსტრუქცია ან ახალი მეთოდების შემუშავება (დიაზ-ვარელა და სხვ., 2015; Torres-S´ anchez et al., 2015).
კლასტერი 6. ეს კლასტერი განიხილავს დრონების როლს სასოფლო-სამეურნეო მეთვალყურეობაში. უპილოტო საფრენ აპარატებს შეუძლიათ შეავსონ და გადალახონ სატელიტური და თვითმფრინავების გამოსახულების ნაკლოვანებები. მაგალითად, მათ შეუძლიათ უზრუნველყონ მაღალი გარჩევადობა რეალურ დროში გამოსახულების მახლობლად ნაკლები საწვავის ან პილოტირების გამოწვევებით, რაც გამოიწვევს მუდმივ და რეალურ დროში მეთვალყურეობას და გაუმჯობესებას გადაწყვეტილების მიღების პროცესში (S. Herwitz et al., 2004). უპილოტო საფრენი აპარატების კიდევ ერთი მნიშვნელოვანი წვლილი არის მათი უნარი, მიაწოდოს კონკრეტული ინფორმაცია ზუსტი სოფლის მეურნეობისთვის ან კონკრეტული ტერიტორიის მეურნეობისთვის, რადგან მათი მაღალი გარჩევადობა, დეტალური მონაცემები სხვადასხვა პარამეტრებზე საშუალებას აძლევს ფერმერებს დაყოს მიწა ერთგვაროვან ნაწილებად და მათ შესაბამისად მოექცნენ (Hunt et al. , 2010; CC Lelong et al., 2008; Primicerio et al., 2012). ამგვარ უპილოტო საფრენ აპარატზე დაფუძნებული სასოფლო-სამეურნეო მეთვალყურეობა ხელს შეუწყობს სურსათის უსაფრთხოების მონიტორინგს და გადაწყვეტილების მიღებას (SR Herwitz et al., 2004). სოფლის მეურნეობის მეთვალყურეობის სფეროში კვლევის წინსვლისთვის საჭიროა არა მხოლოდ სენსორების, უპილოტო საფრენი აპარატების და სხვა დაკავშირებული ტექნოლოგიების გაუმჯობესება და მათი კომუნიკაციისა და მონაცემთა გადაცემის მეთოდები (Ewing et al., 2020; Shuai et al., 2019), არამედ დრონების ინტეგრირება სხვადასხვასთან. ჭკვიან სოფლის მეურნეობასთან დაკავშირებით სხვადასხვა ამოცანების ოპტიმიზაციის ტექნოლოგიები, როგორიცაა მონიტორინგი, სასოფლო-სამეურნეო მეთვალყურეობა და გადაწყვეტილების მიღება, არის მაღალი პოტენციური კვლევის სფერო (Alsamhi et al., 2021; Popescu et al., 2020; Vuran et al., 2018). ამასთან დაკავშირებით, IoT, WSN და დიდი მონაცემები გვთავაზობენ საინტერესო დამატებით შესაძლებლობებს (van der Merwe et al., 2020). დანერგვის ხარჯები, დანახარჯების დაზოგვა, ენერგოეფექტურობა და მონაცემთა უსაფრთხოება არის ასეთი ინტეგრაციის არასათანადო გამოკვლევის სფეროები (Masroor et al., 2021).
ქვეყნები და აკადემიური ინსტიტუტები
საბოლოო ნაბიჯი მოიცავდა წარმოშობის ქვეყნის და ავტორების აკადემიური კუთვნილების გამოკვლევას. ამ ანალიზის საშუალებით ჩვენ მიზნად ისახავს უკეთ გავიგოთ მეცნიერთა გეოგრაფიული განაწილება, რომლებიც ხელს უწყობენ დრონების გამოყენებას სოფლის მეურნეობაში. აღსანიშნავია ქვეყნებისა და აკადემიური ინსტიტუტების მრავალფეროვნება. ქვეყნების თვალსაზრისით, აშშ, ჩინეთი, ინდოეთი და იტალია პუბლიკაციების რაოდენობით სიის სათავეში არიან (ცხრილი 7). Მიმდინარე
სასოფლო-სამეურნეო თვითმფრინავების კვლევა ძირითადად ორიენტირებულია ჩრდილოეთ ამერიკისა და აზიის ქვეყნებში, ძირითადად მათი მაღალი ჩართულობის გამო ზუსტი სოფლის მეურნეობის აპლიკაციებში. მაგალითად, შეერთებულ შტატებში, სასოფლო-სამეურნეო თვითმფრინავების ბაზარი შეფასდა 841.9 მილიონ აშშ დოლარად 2020 წელს, რაც შეადგენს გლობალური ბაზრის დაახლოებით 30%-ს (ReportLinker, 2021). ჩინეთს, როგორც მსოფლიოს უდიდეს ეკონომიკას, სავარაუდოდ მიაღწევს ბაზრის მიახლოებით ზომას 2.6 მილიარდ აშშ დოლარს 2027 წელს. ეს ქვეყანა მიმართავს სასოფლო-სამეურნეო თვითმფრინავებს პროდუქტიულობის პრობლემების დასაძლევად და უკეთესი მოსავლიანობის მისაღწევად, შრომის შემცირებისა და წარმოების მცირე შემოსავალზე. თუმცა, ჩინეთში ტექნოლოგიის მიღება ასევე განპირობებულია ისეთი ფაქტორებით, როგორიცაა მოსახლეობის რაოდენობა და არსებული მოსავლის მართვის პრაქტიკის ინოვაციისა და გაუმჯობესების აუცილებლობა.
ყველაზე პროდუქტიული ქვეყნები და უნივერსიტეტები/ორგანიზაციები, რომლებიც წვლილი შეაქვს
სასოფლო-სამეურნეო თვითმფრინავებთან დაკავშირებული კვლევა.
რანგის | ქვეყნები |
1 | ამერიკის შეერთებული შტატები |
2 | China |
3 | ინდოეთში |
4 | იტალიაში |
5 | ესპანეთი |
6 | გერმანია |
7 | Brazil |
8 | ავსტრალია |
9 | იაპონია |
10 | გაერთიანებული სამეფო |
რანგის | უნივერსიტეტები/ორგანიზაციები |
1 | ჩინეთის მეცნიერებათა აკადემიის |
2 | ჩინეთის სახალხო რესპუბლიკის სოფლის მეურნეობის სამინისტრო |
3 | სამეცნიერო გამოკვლევების უმაღლესი საბჭო |
4 | ტეხასის A&M უნივერსიტეტი |
5 | ჩინეთის აგრარული უნივერსიტეტი |
6 | USDA სოფლის მეურნეობის კვლევის სამსახური |
7 | CSIC – Instituto de Agricultura Sostenible IAS |
8 | Purdue უნივერსიტეტი |
9 | კვლევითი ეროვნული საბჭო |
10 | სამხრეთ ჩინეთის სოფლის მეურნეობის უნივერსიტეტი |
საუნივერსიტეტო და ორგანიზაციული თვალსაზრისით, ჩინეთის მეცნიერებათა აკადემია ლიდერობს პუბლიკაციების რაოდენობის მიხედვით, შემდეგ მოდის ჩინეთის სახალხო რესპუბლიკის სოფლის მეურნეობის სამინისტრო და Consejo Superior de Investigaciones Científicas. ჩინეთის მეცნიერებათა აკადემიას წარმოადგენენ ავტორები ლიაო სიაოჰანი და ლი ჯუნი; ჰან ვენტინგი წარმოადგენს ჩინეთის სახალხო რესპუბლიკის სოფლის მეურნეობის სამინისტროს; და Consejo Superior de Investigaciones Científicas წარმოდგენილია Lopez-Granados, 'F. and Pena, ˜ Jos'e María S. აშშ-დან, უნივერსიტეტები, როგორიცაა ტეხასის A&M უნივერსიტეტი და პერდუის უნივერსიტეტი.
ხსენება. პუბლიკაციების ყველაზე მეტი რაოდენობის მქონე უნივერსიტეტები და მათი კავშირები ნაჩვენებია ნახაზზე 4. გარდა ამისა, ეს სია მოიცავს ინსტიტუტებს, როგორიცაა Consiglio Nazionale delle Ricerche და Consejo Superior de Investigaciones Científicas, რომლებიც აქტიურობენ სამეცნიერო კვლევებში, მაგრამ არ არიან აკადემიური ინსტიტუტები. .
ჩვენი არჩევანი მოიცავდა ჟურნალების მრავალფეროვნებას, რომლებიც მოიცავს პრაქტიკულად ყველა არსებულ მონაცემს. როგორც მე-8 ცხრილშია ნაჩვენები, დისტანციური ზონდირება 258 სტატიით პირველ ადგილზეა, შემდეგ მოდის ჟურნალი ინტელექტუალური და რობოტული სისტემებით: თეორია და აპლიკაციები 126-ით და კომპიუტერები და ელექტრონიკა სოფლის მეურნეობაში 98 სტატიით. მიუხედავად იმისა, რომ დისტანციური ზონდი ძირითადად ფოკუსირებულია თვითმფრინავების გამოყენებასა და განვითარებაზე, კომპიუტერები და ელექტრონიკა სოფლის მეურნეობაში ძირითადად მოიცავს მიღწევებს კომპიუტერულ აპარატურაში, პროგრამულ უზრუნველყოფას, ელექტრონიკასა და საკონტროლო სისტემებში სოფლის მეურნეობაში. სხვადასხვა სფეროს მაღაზიები, როგორიცაა IEEE Robotics and Automation Letters 87 პუბლიკაციით და IEEE Access 34 პუბლიკაციით, ასევე არის ამ სფეროში საუკეთესო საშუალებები. საუკეთესო თხუთმეტმა გამოცემამ თავისი წვლილი შეიტანა ლიტერატურაში 959 დოკუმენტით, რაც შეადგენს ყველა პუბლიკაციების დაახლოებით 20.40%-ს. ჟურნალის კოციტირების ანალიზი საშუალებას გვაძლევს გამოვიკვლიოთ პუბლიკაციებს შორის მნიშვნელობა და მსგავსება. ერთობლივი ციტირების ანალიზი იძლევა სამ კლასტერს, როგორც ნაჩვენებია ნახ. 5-ში. წითელი კლასტერი შედგება ჟურნალებისგან, როგორიცაა დისტანციური ზონდირების, კომპიუტერული და ელექტრონიკა სოფლის მეურნეობაში, სენსორები,
და დისტანციური ზონდირების საერთაშორისო ჟურნალი. ყველა ეს გამოცემა არის მაღალი რეპუტაციის ჟურნალი დისტანციური ზონდირებისა და ზუსტი სოფლის მეურნეობის სფეროებში. მწვანე კლასტერი შეიცავს ჟურნალებს, რომლებიც ეხება რობოტიკას, როგორიცაა Journal of Intelligent and Robotic Systems: Theory and Applications, IEEE Robotics and Automation Letters, IEEE Access და Drones. ეს საშუალებები ძირითადად აქვეყნებენ ნაშრომებს ავტომატიზაციის შესახებ და სასარგებლოა სოფლის მეურნეობის ინჟინრებისთვის. საბოლოო კლასტერს ქმნიან ჟურნალები, რომლებიც დაკავშირებულია აგრონომიასთან და სასოფლო-სამეურნეო ინჟინერიასთან, როგორიცაა Agronomy და International Journal of Agricultural and Biological Engineering.
ტოპ 15 ჟურნალი სასოფლო-სამეურნეო თვითმფრინავებთან დაკავშირებულ კვლევებში.
რანგის | ჟურნალი | იმედი |
1 | დისტანციური ზონდირება | 258 |
2 | ინტელექტუალური და რობოტული სისტემების ჟურნალი: თეორია და პროგრამები | 126 |
3 | კომპიუტერები და ელექტრონიკა სოფლის მეურნეობაში | 98 |
4 | IEEE Robotics and Automation Letters | 87 |
5 | სენსორები | 73 |
6 | დისტანციური ზონდირების საერთაშორისო ჟურნალი | 42 |
7 | ზუსტი სოფლის მეურნეობა | 41 |
8 | უპილოტო საფრენი აპარატები | 40 |
9 | აგრონომია | 34 |
10 | IEEE Access | 34 |
11 | მოწინავე რობოტული სისტემების საერთაშორისო ჟურნალი | 31 |
12 | სოფლის მეურნეობის და ბიოლოგიური ინჟინერიის საერთაშორისო ჟურნალი | 25 |
13 | PLoS ONE | 25 |
14 | საველე რობოტიკის ჟურნალი | 23 |
15 | Biosystems საინჟინრო | 23 |
დასკვნა
შემაჯამებელი
ამ კვლევაში ჩვენ შევაჯამეთ და გავაანალიზეთ არსებული კვლევები სასოფლო-სამეურნეო დრონების შესახებ. სხვადასხვა ბიბლიომეტრიული ტექნიკის გამოყენებით, ჩვენ ვცდილობდით უკეთ გაგვეგო სასოფლო-სამეურნეო თვითმფრინავებთან დაკავშირებული კვლევის ინტელექტუალური სტრუქტურა. მოკლედ, ჩვენი მიმოხილვა გვთავაზობს რამდენიმე წვლილს ლიტერატურაში საკვანძო სიტყვების იდენტიფიცირებით და განხილვით, ცოდნის კლასტერების გამოვლენისას თვითმფრინავების სფეროში სემანტიკურად მსგავსი თემების ფორმირებისას, ადრინდელი კვლევების ასახვით და მომავალი კვლევის მიმართულებების შეთავაზებით. ქვემოთ, ჩვენ გამოვყოფთ მიმოხილვის მთავარ დასკვნებს სასოფლო-სამეურნეო დრონების განვითარების შესახებ:
• მთლიანი ლიტერატურა სწრაფად გაიზარდა და მიიპყრო უზარმაზარი ყურადღება ბოლო ათწლეულის განმავლობაში, რაც მიუთითებს სტატიების რაოდენობის ზრდაზე 2012 წლის შემდეგ. მიუხედავად იმისა, რომ ამ ცოდნის სფეროს ჯერ კიდევ არ აქვს მიღწეული სრული სიმწიფე (Barrientos et al., 2011; Maes. & სტეპი, 2019), რამდენიმე კითხვა ჯერ კიდევ პასუხგაუცემელია. მაგალითად, დრონების გამოყენება შიდა მეურნეობაში ჯერ კიდევ ღიაა დებატებისთვის (Aslan et al., 2022; Krul et al., 2021; Rold´ an et al., 2015). ველების სცენების სირთულემ და გამოსახულების სხვადასხვა გარემოებებმა (მაგ., ჩრდილები და განათება) შეიძლება გამოიწვიოს უფრო მაღალი სპექტრალური დისპერსიული კლასში (Yao et al., 2019). კვლევის შემდგომ ფაზებშიც კი, მკვლევარებს გამოწვევა გაუჩნდათ ფრენის ოპტიმალური გეგმების განსაზღვრა კონკრეტული სცენარის და გამოსახულების საჭირო ხარისხის მიხედვით (Soares et al., 2021; Tu et al.,
2020).
• ჩვენ შევამჩნიეთ, რომ სფერო გადავიდა ეფექტური უპილოტო საფრენი აპარატების სისტემების შემუშავებიდან ხელოვნური ინტელექტის ტექნიკის ჩართვამდე, როგორიცაა მანქანათმცოდნეობა და ღრმა სწავლება სასოფლო-სამეურნეო დრონების დიზაინში (Bah et al., 2018; Kitano et al., 2019; Maimaitijiang et al. , 2020; მაზია და სხვ., 2020; ტეტილა და სხვ., 2020).
• სასოფლო-სამეურნეო თვითმფრინავების კვლევა ძირითადად განიხილავდა დისტანციური ზონდირებას ტექნოლოგიის პოტენციალის შესწავლით გარემოსდაცვითი მონიტორინგის, მოსავლის მენეჯმენტისა და სარეველების მენეჯმენტში (კლასტერი 1), ასევე დისტანციური ფენოტიპების და მოსავლიანობის შეფასებაში (კლასტერი 2). სასოფლო-სამეურნეო თვითმფრინავებზე გავლენიანი კვლევების ნაკრები მოიცავს Austin (2010), Berni et al. (2009)ა, ჰერვიცი და სხვ. (2004), Nex and Remondino (2014) და Zhang and Kovacs (2012). ამ კვლევებმა შეიმუშავა თვითმფრინავთან დაკავშირებული კვლევის კონცეპტუალური საფუძველი სოფლის მეურნეობის კონტექსტში.
• მეთოდოლოგიასთან დაკავშირებით, ჩვენ დავაფიქსირეთ, რომ აქამდე ჩატარებული კვლევის უმეტესობა შედგებოდა სისტემის დიზაინის, კონცეპტუალური ან მიმოხილვაზე დაფუძნებული კვლევებისგან (Inoue, 2020; Nex & Remondino, 2014; P´erez-Ortiz et al. , 2015; იაო და სხვები, 2019). ჩვენ ასევე ვამჩნევთ ემპირიული, ხარისხობრივი და შემთხვევის შესწავლაზე დაფუძნებული მეთოდების ნაკლებობას სასოფლო-სამეურნეო დრონების გამოკვლევისას.
• ბოლო დროს მნიშვნელოვანი ყურადღება მიიპყრო ზუსტ სოფლის მეურნეობასთან, ხელოვნური ინტელექტის ტექნიკასთან, ზუსტ მევენახეობასთან და წყლის სტრესის შეფასებასთან დაკავშირებულმა თემებმა (Espinoza et al., 2017; Gomez-Cand ´ on ´ et al., 2016; Matese et al., 2015; Matese & Di Gennaro, 2018, 2021; Z. Zhou et al., 2021). კვლევის კლასტერების ფრთხილად გამოკვლევა ორ ცალკეულ ეპოქაში, 1990–2010 და 2011–2021 წლებში, ავლენს დომენის ინტელექტუალური სტრუქტურის პროგრესს. 1990 წლიდან 2010 წლამდე პერიოდი შეადგენდა ცენტრალური ცნებებისა და თვითმფრინავების კონცეფციების ჩამოყალიბებას, რაც აშკარაა უპილოტო საფრენი აპარატების დიზაინის, განვითარებისა და განხორციელების განხილვიდან. მეორე ეპოქაში კვლევის ფოკუსი ფართოვდება წინა კვლევებზე, ცდილობს სინთეზირდეს უპილოტო საფრენი აპარატების გამოყენების შემთხვევები სოფლის მეურნეობაში. ჩვენ ასევე აღმოვაჩინეთ მრავალი კვლევა, რომელიც განიხილავს დრონის აპლიკაციებს გამოსახულების ამოცანებსა და ზუსტი სოფლის მეურნეობაში.
რანგის | ჟურნალი | იმედი |
1 | დისტანციური ზონდირება | 258 |
2 | ინტელექტუალური და რობოტული სისტემების ჟურნალი: თეორია და | 126 |
პროგრამები | ||
3 | კომპიუტერები და ელექტრონიკა სოფლის მეურნეობაში | 98 |
4 | IEEE Robotics and Automation Letters | 87 |
5 | სენსორები | 73 |
6 | დისტანციური ზონდირების საერთაშორისო ჟურნალი | 42 |
7 | ზუსტი სოფლის მეურნეობა | 41 |
8 | უპილოტო საფრენი აპარატები | 40 |
9 | აგრონომია | 34 |
10 | IEEE Access | 34 |
11 | მოწინავე რობოტული სისტემების საერთაშორისო ჟურნალი | 31 |
12 | სოფლის მეურნეობის და ბიოლოგიური ინჟინერიის საერთაშორისო ჟურნალი | 25 |
13 | PLoS ONE | 25 |
14 | საველე რობოტიკის ჟურნალი | 23 |
15 | Biosystems საინჟინრო | 22 |
შედეგები
ჩვენი ბიბლიომეტრიული მიმოხილვა შეიქმნა და ჩატარდა მეცნიერების, ფერმერების, სოფლის მეურნეობის ექსპერტების, მოსავლის კონსულტანტებისა და უპილოტო საფრენი აპარატების სისტემის დიზაინერების გათვალისწინებით. ავტორთა საუკეთესო ცოდნით, ეს არის ერთ-ერთი პირველი ორიგინალური მიმოხილვა, რომელმაც ჩაატარა სიღრმისეული ბიბლიომეტრიული ანალიზი.
თვითმფრინავების გამოყენება სოფლის მეურნეობაში. ჩვენ ჩავატარეთ ამ ცოდნის ორგანოს ყოვლისმომცველი მიმოხილვა, გამოვიყენეთ პუბლიკაციების ციტირებისა და თანაციტირების ანალიზი. დრონის კვლევის ინტელექტუალური სტრუქტურის აღწერის ჩვენი მცდელობები ასევე გვთავაზობს ახალ შეხედულებებს აკადემიკოსებისთვის. დროთა განმავლობაში გამოყენებული საკვანძო სიტყვების გულდასმით მიმოხილვა ავლენს ცხელ წერტილებსა და კვლევის ფოკუსურ სფეროებს თვითმფრინავთან დაკავშირებულ ლიტერატურაში. გარდა ამისა, ჩვენ წარმოგიდგენთ ყველაზე ციტირებული კვლევების ჩამონათვალს ამ სფეროში დასრულებული ყველაზე გავლენიანი კვლევითი სამუშაოების გამოსავლენად. სტატიებისა და საკვანძო სიტყვების იდენტიფიკაცია, შესაბამისად, შეიძლება იყოს მყარი საწყისი წერტილი მომავალი კვლევებისთვის რამდენიმე გზის გამოსავლენად.
რაც მთავარია, ჩვენ გამოვავლინეთ კლასტერები, რომლებიც კლასიფიცირებს შესადარებელ სამუშაოებს და განვიხილეთ შედეგები. კლასტერებში კლასიფიცირებული კვლევები ხელს უწყობს UAV კვლევის ინტელექტუალური სტრუქტურის გაგებას. აღსანიშნავია, რომ ჩვენ აღმოვაჩინეთ კვლევების ნაკლებობა, რომლებიც იკვლევენ დრონების მიღების ფაქტორებს
და ბარიერები ფერმერულ საქმიანობაში (იხ. ცხრილი 9). მომავალ მკვლევარებს შეუძლიათ ამ პოტენციური ხარვეზის აღმოფხვრა ემპირიული გამოკვლევების ჩატარებით, რომლებიც აფასებენ დრონების მიღების ფაქტორებს სხვადასხვა ფერმერულ საქმიანობასა და კლიმატურ პირობებში. გარდა ამისა, შემთხვევის შესწავლაზე დაფუძნებული კვლევა დრონების ეფექტურობასთან დაკავშირებით უნდა იყოს გამყარებული რეალური მონაცემებით ველიდან. ასევე, ფერმერებისა და მენეჯერების ჩართვა აკადემიურ კვლევებში ხელსაყრელი იქნება თვითმფრინავების კვლევის თეორიული და პრაქტიკული წინსვლისთვის. ჩვენ ასევე მოვახერხეთ ყველაზე გამოჩენილი მკვლევარების და მათი წვლილის იდენტიფიცირება, რაც ღირებულია, რადგან უახლესი საფუძვლიანი სამუშაოების შესახებ ცნობადობა შეიძლება შემოგთავაზოთ გარკვეული სახელმძღვანელო მომავალი აკადემიური მცდელობებისთვის.
მაგიდის 9
უპილოტო საფრენი აპარატების მიღების ბარიერები.
ბარიერი | აღწერა |
მონაცემთა უსაფრთხოება | კიბერუსაფრთხოება განხორციელების მთავარი გამოწვევაა IoT გადაწყვეტილებები (Masroor et al., 2021). |
თავსებადობა და ინტეგრაციის | სხვადასხვა ტექნოლოგიები, როგორიცაა UAV, WSN, IoT და ა.შ. უნდა იყოს ინტეგრირებული და გადასცეს მონაცემები რომელიც გაზარდოს სირთულის დონე (Alsamhi et al., 2021; პოპესკუ და სხვები, 2020; ვურანი და სხვები, 2018). |
განხორციელების ხარჯები | ეს განსაკუთრებით ეხება მცირე ფერმერებს და სხვადასხვა უახლესი ტექნოლოგიების ინტეგრირება ( მასროორი და სხვ., 2021). |
შრომის ცოდნა და ექსპერტიზა | უპილოტო საფრენი აპარატების მუშაობისთვის საჭიროა დრონის გამოცდილი პილოტები. ასევე, სხვადასხვა უახლესი ტექნოლოგიების განხორციელება ტექნოლოგიები მოითხოვს კვალიფიციურ მუშაკებს (YB Huang და სხვ., 2013; ცოუროსი და სხვ., 2019). |
ძრავის სიმძლავრე და ფრენა ხანგრძლივობა | დრონი არ შეიძლება მუშაობდეს ხანგრძლივი საათის განმავლობაში და საფარით დიდი ტერიტორიები (Hardin & Hardin, 2010; Laliberte et al., 2007). |
სტაბილურობა, საიმედოობა და მანევრირება | დრონი არ არის სტაბილური ცუდი ამინდის პირობებში (Hardin & Hardin, 2010; Laliberte et al., 2007). |
დატვირთვის შეზღუდვები და სენსორების ხარისხი | დრონებს შეუძლიათ მხოლოდ შეზღუდული ტვირთის გადატანა დაბალი ხარისხის სენსორების ჩატვირთვის შესაძლებლობა (Nebiker et al., 2008). |
რეგულირების | იმის გამო, რომ თვითმფრინავები ასევე შეიძლება საშიში იყოს, არსებობს მძიმე რეგულაციები ზოგიერთ სფეროში (Hardin & Jensen, 2011; ლალიბერტე და რანგო, 2011). |
ფერმერების ცოდნა და ინტერესი | სხვა უახლესი ტექნოლოგიების მსგავსად, დრონები წარმატებული განხორციელება საჭიროებს გამოცდილებას და ასევე თან ახლავს გაურკვევლობები (ფიშერი და სხვ., 2009; ლამბერტი და სხვ., 2004; Stafford, 2000). |
იმის გამო, რომ მუდმივი საჭიროებაა ხელმისაწვდომი რესურსების ეფექტურად გამოყენება მაქსიმალური მოსავლიანობისთვის, ფერმერებს შეუძლიათ ისარგებლონ დრონებით, რათა უზრუნველყონ თავიანთი მინდვრების სწრაფი, ზუსტი და ეკონომიური სკანირება. ტექნოლოგიას შეუძლია ფერმერებს ხელი შეუწყოს მათი კულტურების მდგომარეობის განსაზღვრაში და წყლის სტატუსის, სიმწიფის სტადიის, მწერების ინფიცირებისა და კვების საჭიროებების შესაფასებლად. დრონების დისტანციური ზონდირების შესაძლებლობებს შეუძლია ფერმერებს მიაწოდოს გადამწყვეტი მონაცემები ადრეულ ეტაპზე პრობლემების მოსალოდნელად და დროულად განახორციელონ შესაბამისი ინტერვენციები. თუმცა, ტექნოლოგიის უპირატესობების რეალიზება შესაძლებელია მხოლოდ იმ შემთხვევაში, თუ გამოწვევები სათანადოდ იქნება გადაწყვეტილი. იმ ფონზე
მიმდინარე პრობლემები მონაცემთა უსაფრთხოებასთან დაკავშირებით, სენსორული ტექნოლოგიების საკითხებთან დაკავშირებით (მაგ., გაზომვების საიმედოობა ან სიზუსტე), ინტეგრაციის სირთულე და განხორციელების მნიშვნელოვანი ხარჯები, სამომავლო კვლევებმა ასევე უნდა შეისწავლოს სასოფლო-სამეურნეო თვითმფრინავების ინტეგრაციის ტექნიკური, ეკონომიკური და ოპერატიული მიზანშეწონილობა. ბოლო ტექნოლოგიები.
შეზღუდვები
ჩვენს კვლევას აქვს რამდენიმე შეზღუდვა. პირველ რიგში, დასკვნები განისაზღვრება საბოლოო ანალიზისთვის შერჩეული პუბლიკაციებით. რთულია სასოფლო-სამეურნეო თვითმფრინავებთან დაკავშირებული ყველა შესაბამისი კვლევის გადაღება, განსაკუთრებით ის, რაც არ არის ინდექსირებული Scopus-ის მონაცემთა ბაზაში. გარდა ამისა, მონაცემთა შეგროვების პროცესი შემოიფარგლება საძიებო საკვანძო სიტყვების პარამეტრით, რომელიც შეიძლება არ იყოს ინკლუზიური და გამოიწვიოს არაზუსტი დასკვნები. ამრიგად, მომავალმა კვლევებმა მეტი ყურადღება უნდა მიაქციოს მონაცემთა შეგროვების ძირითად საკითხს
უფრო საიმედო დასკვნები. კიდევ ერთი შეზღუდვა ეხება ახალ პუბლიკაციებს ციტატების დაბალი რაოდენობით. ბიბლიომეტრიული ანალიზი მიკერძოებულია ადრინდელი პუბლიკაციების მიმართ, რადგან ისინი წლების განმავლობაში უფრო მეტ ციტატებს იღებენ. ბოლო კვლევებს გარკვეული დრო სჭირდება ყურადღების მიქცევისა და ციტატების დასაგროვებლად. შესაბამისად, ბოლოდროინდელი კვლევები, რომლებიც პარადიგმის ცვლილებას მოაქვს, არ მოხვდება გავლენიანი ნაშრომების ათეულში. ეს შეზღუდვა გავრცელებულია სწრაფად განვითარებადი კვლევითი სფეროების შესწავლისას, როგორიცაა სასოფლო-სამეურნეო თვითმფრინავები. ვინაიდან ამ სამუშაოს ლიტერატურის შესასწავლად სკოპუსს მივმართეთ, მომავალმა მკვლევარებმა შეიძლება განიხილონ განსხვავებული
მონაცემთა ბაზები, როგორიცაა Web of Science და IEEE Xplore, ჰორიზონტის გაფართოებისა და კვლევის სტრუქტურის გასაძლიერებლად.
პოტენციური ბიბლიომეტრიული კვლევები შეიძლება განიხილონ სხვა სასიცოცხლო ცოდნის წყაროები, როგორიცაა საკონფერენციო ნაშრომები, თავები და წიგნები ახალი შეხედულებების შესაქმნელად. მიუხედავად სასოფლო-სამეურნეო თვითმფრინავების შესახებ გლობალური პუბლიკაციების რუქებისა და გამოკვლევისა, ჩვენმა აღმოჩენებმა არ გამოავლინა უნივერსიტეტების სამეცნიერო შედეგების მიზეზები. ეს გზას უხსნის კვლევის ახალი სფეროს თვისობრივად ახსნას, თუ რატომ არის ზოგიერთი უნივერსიტეტი უფრო პროდუქტიული ვიდრე სხვები, როცა საქმე ეხება სოფლის მეურნეობის კვლევას.
დრონები. გარდა ამისა, სამომავლო კვლევებმა შეიძლება უზრუნველყოს დრონების პოტენციალი, რათა გაზარდოს ფერმერული მეურნეობის მდგრადობა რამდენიმე გზით, როგორიცაა გარემოს მონიტორინგი, მოსავლის მენეჯმენტი და სარეველების რუკა, როგორც მითითებულია რამდენიმე მკვლევარის მიერ (Chamuah & Singh, 2019; Islam et al., 2021; პოპესკუ და სხვ., 2020; ჯ. სუ, ლიუ, და სხვ., 2018ბ). ვინაიდან ტექსტის ანალიზი შეუძლებელი იყო შერჩეული ნაშრომების დიდი რაოდენობის გამო, საჭიროა სისტემატური ლიტერატურის მიმოხილვა, რომელიც შეისწავლის
გამოყენებული კვლევის მეთოდები და ფერმერების ჩართვა წინა კვლევებში. მოკლედ, დრონის კვლევის ჩვენი ანალიზი ავლენს ამ ცოდნის ორგანოს უხილავ კავშირებს. ამრიგად, ეს მიმოხილვა ეხმარება პუბლიკაციებს შორის ურთიერთობების გამოვლენას და კვლევის სფეროს ინტელექტუალურ სტრუქტურას. ის ასევე ასახავს კავშირებს ლიტერატურის სხვადასხვა ასპექტს შორის, როგორიცაა ავტორების საკვანძო სიტყვები, კუთვნილება და ქვეყნები.
კონკურენტული ინტერესის დეკლარაცია
ავტორები აცხადებენ, რომ მათ არ აქვთ ცნობილი კონკურენტული ფინანსური ინტერესები ან პირადი ურთიერთობები, რომლებიც შეიძლება გავლენას ახდენდეს ამ ნაშრომში მოხსენიებულ სამუშაოებზე.
დანართი 1
TITLE-ABS-KEY ((დრონი* ან „უპილოტო საჰაერო ხომალდი“ ან „უპილოტო საჰაერო ხომალდი“ ან „უპილოტო თვითმფრინავის სისტემა”ან uas ან „დისტანციურად მფრინავი თვითმფრინავი”) AND (სოფლის მეურნეობა ან სოფლის მეურნეობა ან მეურნეობა ან ფერმერი))) AND (EXCLUDE (PUBYEAR, 2022)) AND (LIMIT-TO (LANGUAGE, „ინგლისური“)).
ლიტერატურა
Aasen, H., Burkart, A., Bolten, A., Bareth, G., 2015. 3D ჰიპერსპექტრული ინფორმაციის გენერირება მსუბუქი უპილოტო საფრენი აპარატების სნეპშოტის კამერებით მცენარეულობის მონიტორინგისთვის: საწყისი
კამერის კალიბრაცია ხარისხის უზრუნველყოფის მიზნით. ISPRS J. Photogramm. დისტანციური სენსორები 108, 245–259. https://doi.org/10.1016/j.isprsjprs.2015.08.002.
Abd-Elrahman, A., Pearlstine, L., Percival, F., 2005. შაბლონის ამოცნობის ალგორითმის შემუშავება ფრინველის ავტომატური გამოვლენისთვის უპილოტო საფრენი აპარატის გამოსახულებებიდან.
გამოკითხვა. Land Inform. მეცნიერება. 65 (1), 37–45.
Abdollahi, A., Rejeb, K., Rejeb, A., Mostafa, MM, Zailani, S., 2021. უსადენო სენსორული ქსელები სოფლის მეურნეობაში: შეხედულებები ბიბლიომეტრიული ანალიზიდან. მდგრადობა 13 (21),
12011.
Aboutalebi, M., Torres-Rua, AF, Kustas, WP, Nieto, H., Coopmans, C., McKee, M., ჩრდილების გამოვლენის სხვადასხვა მეთოდების შეფასება მაღალი რეზოლუციის ოპტიკურ გამოსახულებაში და ჩრდილის ზემოქმედების შეფასება გაანგარიშებაზე NDVI-ს და აორთქლებას. ირიგ. მეცნიერ. 37 (3), 407–429 წ. https://doi.org/10.1007/s00271-018-0613-9.
Adao, ˜ T., Hruˇska, J., Padua, ´ L., Bessa, J., Peres, E., Morais, R., Sousa, JJ, 2017. ჰიპერსპექტრული გამოსახულება: მიმოხილვა UAV-ზე დაფუძნებულ სენსორებზე, მონაცემებზე დამუშავება და
განაცხადები სოფლის მეურნეობისა და სატყეო მეურნეობისთვის. დისტანციური ზონდირება 9 (11). https://doi.org/ 10.3390/rs9111110.
Agüera Vega, F., Ramírez, FC, Saiz, MP, Rosúa, FO, 2015. მრავალდროული გამოსახულება უპილოტო საფრენი აპარატის გამოყენებით მზესუმზირის მოსავლის მონიტორინგისთვის. ბიოსისტი. ინჟ.
132, 19–27. https://doi.org/10.1016/j.biosystemseng.2015.01.008.
Ajayi, OG, Salubi, AA, Angbas, AF, Odigure, MG, 2017. უპილოტო საფრენი აპარატიდან ზუსტი ციფრული სიმაღლის მოდელების გენერაციამ შეიძინა დაბალი პროცენტული გადაფარვის სურათები. ინტ.
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 წ. Remote Sensing 7 (12), 16398–16421.
Alsamhi, SH, Afghah, F., Sahal, R., Hawbani, A., Al-qaness, MAA, Lee, B., Guizani, M., საგნების მწვანე ინტერნეტი UAV-ების გამოყენებით B5G ქსელებში: აპლიკაციების მიმოხილვა
და სტრატეგიები. რეკლამა ჰოკ. Netw. 117, 102505 https://doi.org/10.1016/j. adhoc.2021.102505.
Al-Thani, N., Albuainain, A., Alnaimi, F., Zorba, N., 2020. თვითმფრინავები ცხვრის პირუტყვის მონიტორინგისთვის. In: მე-20 IEEE Mediterranean Electrotechnical Conference. https://doi.
org/10.1109/MELECON48756.2020.9140588.
Ampatzidis, Y., Partel, V., 2019. UAV-ზე დაფუძნებული მაღალი გამტარუნარიანობის ფენოტიპირება ციტრუსში, მულტისპექტრული გამოსახულების და ხელოვნური ინტელექტის გამოყენებით. დისტანციური ზონდირება 11 (4), https://doi.org/10.3390/rs11040410.
Ampatzidis, Y., Partel, V., Costa, L., 2020. Agroview: ღრუბელზე დაფუძნებული აპლიკაცია უპილოტო საფრენი აპარატების მიერ შეგროვებული მონაცემების დასამუშავებლად, ანალიზისა და ვიზუალიზაციისთვის ზუსტი სოფლის მეურნეობის აპლიკაციებისთვის ხელოვნური ინტელექტის გამოყენებით. გამოთვლა. ელექტრონი. აგრ. 174, 105457 https://doi. org/10.1016/j.compag.2020.105457.
Ang, K.-L.-M., Seng, JKP, 2021. დიდი მონაცემები და მანქანათმცოდნეობა ჰიპერსპექტრული ინფორმაციით სოფლის მეურნეობაში. IEEE Access 9, 36699–36718. https://doi.org/10.1109/
წვდომა.2021.3051196.
Aquilani, C., Confessore, A., Bozzi, R., Sirtori, F., Pugliese, C., 2022. მიმოხილვა: Precision Livestock Farming ტექნოლოგიები საძოვრებზე დაფუძნებულ პირუტყვის სისტემებში. Animal 16 (1), https://doi.org/10.1016/j.animal.2021.100429.
Armenta-Medina, D., Ramirez-Delreal, TA, Villanueva-Vasquez, ´ D., Mejia-Aguirre, C., მოწინავე საინფორმაციო და საკომუნიკაციო ტექნოლოგიების ტენდენციები
სოფლის მეურნეობის პროდუქტიულობის გაუმჯობესება: ბიბლიომეტრიული ანალიზი. აგრონომია 10 (12), მუხლი 12. https://doi.org/10.3390/agronomy10121989.
Armstrong, I., Pirrone-Brusse, M., Smith, A., Jadud, M., 2011. მფრინავი გაატორი: საჰაერო რობოტიკის მიმართ occam-π. კომუნ. პროცესის არქიტექტორი. 2011, 329–340. https://doi. org/10.3233/978-1-60750-774-1-329.
Arora, SD, Chakraborty, A., 2021. მომხმარებელთა ჩივილის ქცევის (CCB) ინტელექტუალური სტრუქტურა კვლევა: ბიბლიომეტრიული ანალიზი. J. Business Res. 122, 60–74.
ასლან, მფ, დურდუ, ა., საბანჩი, კ., როპელევსკა, ე., გიულტეკინი, სს, 2022 წ.
ყოვლისმომცველი კვლევა უპილოტო საფრენი აპარატით ზუსტი სოფლის მეურნეობისთვის ღია მინდვრებში და სათბურებში. აპლ. მეცნიერება. 12 (3), 1047. https://doi.org/10.3390/
app12031047.
Atkinson, JA, Jackson, RJ, Bentley, AR, Ober, E., & Wells, DM (2018). საველე ფენოტიპირება მომავლისთვის. Innual Plant Reviews ონლაინ-ში (გვ. 719–736). იოანე
Wiley & Sons, Ltd. doi: 10.1002/9781119312994.apr0651.
Austin, R., 2010. უპილოტო თვითმფრინავების სისტემები: UAVS დიზაინი, განვითარება და განლაგება. In: უპილოტო თვითმფრინავების სისტემები: UAVS დიზაინი, განვითარება და
განლაგება. ჯონ უილი და შვილები. https://doi.org/10.1002/9780470664797.
Awais, M., Li, W., Cheema, MJM, Zaman, QU, Shaheen, A., Aslam, B., Zhu, W., Ajmal, M., Faheem, M., Hussain, S., Nadeem, AA, Afzal, MM, Liu, C., 2022. UAV-ზე დაფუძნებული დისტანციური ზონდირება მცენარეთა სტრესში წარმოიდგინეთ მაღალი გარჩევადობის თერმული სენსორის გამოყენებით ციფრული სოფლის მეურნეობის პრაქტიკისთვის: მეტა-მიმოხილვა. ინტ. J. Environ. მეცნიერება. ტექნოლ. https://doi.
org/10.1007/s13762-021-03801-5.
Bacco, M., Berton, A., Ferro, E., Gennaro, C., Gotta, A., Matteoli, S., Paonesa, F., Ruggeri, M., Virone, G., Zanella, A., 2018. ჭკვიანი მეურნეობა: შესაძლებლობები, გამოწვევები
და ტექნოლოგიების გამაძლიერებლები. 2018 IoT ვერტიკალური და. აქტუალური სამიტი სოფლის მეურნეობის შესახებ -ტოსკანა (IOT Tuscany) 1–6. https://doi.org/10.1109/IOTTUSCANY.2018.8373043.
Bah, MD, Hafiane, A., Canals, R., 2018. ღრმა სწავლება უკონტროლო მონაცემების მარკირებით სარეველების გამოვლენისთვის ნათესებში უპილოტო საფრენი აპარატების სურათებში. დისტანციური ზონდირება 10 (11), 1690 წ.
https://doi.org/10.3390/rs10111690.
Baldi, S., 1998. ნორმატიული წინააღმდეგ სოციალური კონსტრუქტივისტული პროცესები ციტატების განაწილებაში: ქსელურ-ანალიტიკური მოდელი. Ვარ. სოციოლ. 63 (6), 829–846 წწ. https://doi.
org/10.2307/2657504.
Baluja, J., Diago, MP, Balda, P., Zorer, R., Meggio, F., Morales, F., Tardaguila, J., 2012. ვენახის წყლის სტატუსის ცვალებადობის შეფასება თერმული და მრავალსპექტრულით
გამოსახულება უპილოტო საფრენი აპარატის (UAV) გამოყენებით. ირიგ. მეცნიერ. 30 (6), 511–522 წ. https://doi.org/10.1007/s00271-012-0382-9.
Barabaschi, D., Tondelli, A., Desiderio, F., Volante, A., Vaccino, P., Val`e, G., Cattivelli, L.,შემდეგი თაობის გამოყვანა. მცენარეთა მეცნიერება. 242, 3–13. https://doi.org/10.1016/j.
მცენარეები.2015.07.010.
Barbedo, JGA, Koenigkan, LV, 2018. უპილოტო საჰაერო სისტემების გამოყენების პერსპექტივები პირუტყვის მონიტორინგისთვის. 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. დაბალი წონის და UAV-ზე დაფუძნებული ჰიპერსპექტრული სრული კადრი კამერები
კულტურების მონიტორინგისთვის: სპექტრული შედარება პორტატული სპექტრორადიომეტრის გაზომვებთან. 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., საჰაერო დისტანციური ზონდირება სოფლის მეურნეობაში: პრაქტიკული მიდგომა ტერიტორიის დაფარვისადმი
და ბილიკის დაგეგმვა მინი საჰაერო რობოტების ფლოტებისთვის. J. Field Rob. 28 (5), 667–689 წ. https://doi.org/10.1002/rob.20403.
Basiri, A., Mariani, V., Silano, G., Aatif, M., Iannelli, L., Glielmo, L., 2022. კვლევა მრავალ როტორული უპილოტო საფრენი აპარატების ბილიკის დაგეგმვის ალგორითმების გამოყენების შესახებ სიზუსტით.
სოფლის მეურნეობა. ჯ.ნავიგი. 75 (2), 364–383 წწ.
Basnet, B., Bang, J., 2018. ცოდნის ინტენსიური სოფლის მეურნეობის უახლესი დონე: მიმოხილვა გამოყენებითი სენსორული სისტემებისა და მონაცემთა ანალიტიკის შესახებ. J. Sens. 2018, 1–13.
Bendig, J., Bolten, A., Bareth, G., 2013. UAV-ზე დაფუძნებული გამოსახულება მრავალდროიანი, ძალიან მაღალი გარჩევადობის მოსავლის ზედაპირის მოდელებისთვის მოსავლის ზრდის ცვალებადობის მონიტორინგისთვის. 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. ქერის ბიომასის შეფასება მოსავლის ზედაპირის მოდელების (CSMs) გამოყენებით, მიღებული UAV-ზე დაფუძნებული RGB გამოსახულება. დისტანციური ზონდირება 6 (11), 10395–10412.
Bendig, J., Yu, K., Aasen, H., Bolten, A., Bennertz, S., Broscheit, J., Gnyp, ML, Bareth, G., 2015. კომბინირება UAV-ზე დაფუძნებული მცენარის სიმაღლე მოსავლის ზედაპირიდან მოდელები,
ხილული და ინფრაწითელი მცენარეულობის ინდიკატორები ქერში ბიომასის მონიტორინგისთვის. ინტ. J. Appl. დედამიწის ობს. გეოინფ. 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. ტილოების გამტარობისა და CWSI-ის დახატვა ზეთისხილის ბაღებში მაღალი გარჩევადობის გამოყენებით
თერმული დისტანციური ზონდირების გამოსახულება. დისტანციური სენსორები. 113 (11), 2380–2388 წწ. https://doi.org/10.1016/j.rse.2009.06.018.
Berni, JA, Zarco-Tejada, PJ, Suarez, 'L., Fereres, E., 2009b. თერმული და ვიწროზოლიანი მრავალსპექტრული დისტანციური ზონდირება უპილოტო საფრენი აპარატიდან მცენარეულობის მონიტორინგისთვის. IEEE Trans. გეოსცი. დისტანციური სენსორები 47 (3), 722–738.
Bouzembrak, Y., Klüche, M., Gavai, A., Marvin, HJP, 2019. ნივთების ინტერნეტი სურსათის უვნებლობაში: ლიტერატურის მიმოხილვა და ბიბლიომეტრიული ანალიზი. ტენდენციები კვების მეცნიერება. ტექნოლ. 94,54–64. https://doi.org/10.1016/j.tifs.2019.11.002.
Brewster, C., Roussaki, I., Kalatzis, N., Doolin, K., Ellis, K., 2017. IoT სოფლის მეურნეობაში: ევროპის მასშტაბით ფართომასშტაბიანი პილოტის დიზაინი. IEEE Commun. მაგ. 55 (9), 26–33.
Buters, TM, Belton, D., Cross, AT, 2019. მულტი-სენსორული უპილოტო საფრენი აპარატის თვალყურის დევნება ცალკეულ ნერგებსა და ნერგების ერთობლიობებზე მილიმეტრული სიზუსტით. დრონები 3 (4), 81.
https://doi.org/10.3390/drones3040081.
Candiago, S., Remondino, F., De Giglio, M., Dubbini, M., Gattelli, M., 2015. მულტისპექტრული გამოსახულებებისა და მცენარეულობის ინდექსების შეფასება უპილოტო საფრენი აპარატების სურათებიდან ზუსტი მეურნეობის აპლიკაციებისთვის. დისტანციური ზონდირება 7 (4), 4026–4047. https://doi.org/10.3390/rs70404026.
Cao, Y., Li, GL, Luo, YK, Pan, Q., Zhang, SY, 2020. შაქრის ჭარხლის ზრდის ინდიკატორების მონიტორინგი ფართო დინამიური დიაპაზონის მცენარეულობის ინდექსის (WDRVI) გამოყენებით, მიღებული UAV-დან
მრავალსპექტრული გამოსახულებები. გამოთვლა. ელექტრონი. აგრ. 171, 105331 https://doi.org/10.1016/j.compag.2020.105331.
Casillas, J., Acedo, F., 2007. საოჯახო ბიზნესის ლიტერატურის ინტელექტუალური სტრუქტურის ევოლუცია: FBR-ის ბიბლიომეტრიული შესწავლა. საოჯახო ბიზნესი 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. ბრინჯის ბიომასის დინამიური მონიტორინგი
სხვადასხვა აზოტის მკურნალობა მსუბუქი უპილოტო საფრენი აპარატის გამოყენებით ორმაგი გამოსახულების ჩარჩოს კადრების კამერით. მცენარეთა მეთოდები 15 (1), 32. https://doi.org/10.1186/s13007-019-
0418-8.
Chamuah, A., Singh, R., 2019. მდგრადობის უზრუნველყოფა ინდოეთის სოფლის მეურნეობაში სამოქალაქო უპილოტო საფრენი აპარატის საშუალებით: პასუხისმგებელი ინოვაციის პერსპექტივა. SN Appl. მეცნიერება. 2 (1), 106. https://
doi.org/10.1007/s42452-019-1901-6.
Chamuah, A., Singh, R., 2022. სამოქალაქო უპილოტო საფრენი აპარატის (UAV) ინოვაციების პასუხისმგებელი მართვა ინდოეთის მოსავლის დაზღვევის აპლიკაციებისთვის. J. პასუხისმგებელი
ტექნოლ. 9, 100025 https://doi.org/10.1016/j.jrt.2022.100025.
Chen, A., Orlov-Levin, V., Meron, M., 2019. მოსავლის ტილოების მაღალი გარჩევადობის ხილული არხით აერო გამოსახულების გამოყენება ზუსტი სარწყავი მენეჯმენტისთვის. აგრ. წყალი
მანაგ. 216, 196–205 წწ. 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. მსუბუქი უპილოტო საფრენი აპარატი ბორტზე ფოტოგრამეტრიით და ერთი სიხშირის GPS პოზიციონირებით მეტროლოგიური აპლიკაციებისთვის. ISPRS J. Photogramm. დისტანციური სენსორები 127, 115–126. https://doi.org/10.1016/j.isprsjprs.2016.12.007.
Dawaliby, S., Aberkane, A., Bradai, A., 2020. Blockchain-ზე დაფუძნებული IoT პლატფორმა ავტონომიური დრონის ოპერაციების მართვისთვის. In: მე-2 ACM-ის შრომები
MobiCom-ის სემინარი უსადენო კომუნიკაციების შესახებ თვითმფრინავის დახმარებით 5G და მის ფარგლებს გარეთ, გვ. 31–36. https://doi.org/10.1145/3414045.3415939.
Day, RA, Gastel, B., 1998. როგორ დავწეროთ და გამოვაქვეყნოთ სამეცნიერო ნაშრომი. კემბრიჯის უნივერსიტეტის გამოცემა. de Castro, AI, Pena, ˜ JM, Torres-Sanchez, ´ J., Jim'enez-Brenes, FM, ValenciaGredilla, F., Recasens, J., Lopez-Granados, ´ F., 2020. ცინოდონის დაქტილონის შეტევა დაფარავს ნათესებს ავტომატური გადაწყვეტილების ხე-OBIA პროცედურებით და უპილოტო საფრენი აპარატების გამოსახულებით ზუსტი მევენახეობისთვის. დისტანციური ზონდირება 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. ავტომატური შემთხვევითი ტყე-OBIA ალგორითმი ადრეული სარეველების რუკა მოსავლის მწკრივებს შორის და შიგნით უპილოტო საფრენი აპარატების გამოსახულების გამოყენებით. დისტანციური ზონდირება 10 (2). https://doi.org/10.3390/rs10020285.
Demir, N., Sonmez, ¨ NK, Akar, T., Ünal, S., 2018. ხორბლის გენოტიპების მცენარის სიმაღლის ავტომატური გაზომვა UAV გამოსახულებადან მიღებული DSM-ის გამოყენებით. 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. მსუბუქი სემანტიკური სეგმენტაციის ქსელი რეალურ დროში სარეველების რუკებისთვის უპილოტო საფრენი აპარატების გამოყენებით. აპლ. მეცნიერება. 10 (20), 7132. https://doi.org/10.3390/app10207132.
Deng, L., Mao, Z., Li, X., Hu, Z., Duan, F., Yan, Y., 2018. UAV-ზე დაფუძნებული მულტისპექტრული დისტანციური ზონდირება ზუსტი სოფლის მეურნეობისთვის: შედარება სხვადასხვა კამერებს შორის. ISPRS J. Photogramm. დისტანციური სენსორები 146, 124–136.
Diaz-Gonzalez, FA, Vuelvas, J., Correa, CA, Vallejo, VE, Patino, D., 2022. მანქანათმცოდნეობის და დისტანციური ზონდირების ტექნიკა გამოყენებული ნიადაგის ინდიკატორების შესაფასებლად – მიმოხილვა. ეკოლ. ინდ. 135, 108517 https://doi.org/10.1016/j.ecolind.2021.108517.
Díaz-Varela, RA, De la Rosa, R., Leon, ´ L., Zarco-Tejada, PJ, 2015. მაღალი გარჩევადობის საჰაერო ხომალდის უპილოტო საფრენი აპარატის გამოსახულება ზეთისხილის ხის გვირგვინის პარამეტრების შესაფასებლად 3D ფოტოს გამოყენებით
რეკონსტრუქცია: გამოყენება მეცხოველეობის ცდებში. დისტანციური ზონდირება 7 (4), 4213–4232. https://doi.org/10.3390/rs70404213.
Dixit, A., Jakhar, SK, 2021. აეროპორტის სიმძლავრის მართვა: მიმოხილვა და ბიბლიომეტრიული ანალიზი. J. Air Transp. მანაგ. 91, 102010 წ.
Dong, T., Shang, J., Liu, J., Qian, B., Jing, Q., Ma, B., Huffman, T., Geng, X., Sow, A., Shi, Y., Canisius, F., Jiao, X., Kovacs, JM, Walters, D., Cable, J., Wilson, J., 2019 წ.
RapidEye გამოსახულების გამოყენება მოსავლის ზრდისა და მოსავლიანობის შიდა ცვალებადობის დასადგენად ონტარიოში, კანადა. ზუსტი აგრ. 20 (6), 1231–1250 წწ. https://doi.org/10.1007/
s11119-019-09646-w.
Dutta, PK, Mitra, S., 2021. სასოფლო-სამეურნეო დრონების და iot-ის გამოყენება საკვების მიწოდების ჯაჭვის გასაგებად COVID-19-ის შემდგომ პერიოდში. In: Choudhury, A., Biswas, A., Prateek, M.,
ჩაკრაბარტი, ა. (რედ.), სოფლის მეურნეობის ინფორმატიკა: ავტომატიზაცია IoT და მანქანათმცოდნეობის გამოყენებით. უილი, გვ. 67–87. van Eck, N., Waltman, L., 2009. პროგრამული გამოკითხვა: VOSviewer, კომპიუტერული პროგრამა ბიბლიომეტრიული რუკებისთვის. 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. ნივთების ინტერნეტის (IoT) და მონაცემთა ანალიტიკის მიმოხილვა სოფლის მეურნეობაში: სარგებელი და გამოწვევები.
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. აგრონომიის ვალიდაცია უპილოტო საფრენი აპარატი და საველე
გაზომვები პომიდვრის ჯიშებისთვის. გამოთვლა. ელექტრონი. აგრ. 158, 278–283 წწ. https:// doi.org/10.1016/j.compag.2019.02.011.
Espinoza, CZ, Khot, LR, Sankaran, S., Jacoby, PW, 2017. მაღალი გარჩევადობის მრავალსპექტრული და თერმული დისტანციური ზონდირების საფუძველზე წყლის სტრესის შეფასება
მიწისქვეშა სარწყავი ვაზი. დისტანციური ზონდირება 9 (9), 961. https://doi.org/ 10.3390/rs9090961.
Ewing, J., Oommen, T., Jayakumar, P., Alger, R., 2020. ნიადაგის გრადაციისთვის ჰიპერსპექტრული დისტანციური ზონდირების გამოყენება. დისტანციური ზონდირება 12 (20), 3312. ttps://doi.org/10.3390/
rs12203312.
ფოსეტი, დ., პანიგადა, ტ., ტალიაბუე, გ., ბოშეტი, მ., სელესტი, მ., ევდოკიმოვი, ა., ბირიუკოვა, კ., კოლომბო, რ., მილიეტა, ფ., რასჩერი, უ. ანდერსონი, კ., 2020. დრონით დაფუძნებული მულტისპექტრული ზედაპირის ასახვისა და მცენარეულობის ინდექსების მრავალმასშტაბიანი შეფასება საოპერაციო პირობებში. დისტანციური ზონდირება 12 (3), 514.
Feng, X., Yan, F., Liu, X., 2019. უსადენო საკომუნიკაციო ტექნოლოგიების შესწავლა ნივთების ინტერნეტში ზუსტი სოფლის მეურნეობისთვის. უსადენო პერს. კომუნ. 108 (3),
1785-1802.
Ferreira, MP, Pinto, CF, Serra, FR, 2014. ტრანზაქციის ხარჯების თეორია საერთაშორისო ბიზნეს კვლევაში: ბიბლიომეტრიული კვლევა სამი ათწლეულის მანძილზე. Scientometrics 98 (3), 1899–1922 წწ. https://doi.org/10.1007/s11192-013-1172-8.
Fisher, P., Abuzar, M., Rab, M., Best, F., Chandra, S., 2009. მიღწევები ზუსტი სოფლის მეურნეობაში სამხრეთ-აღმოსავლეთ ავსტრალიაში. I. რეგრესიის მეთოდოლოგია სიმულაციისთვის
მარცვლეულის მოსავლიანობის სივრცითი ცვალებადობა ფერმერების ისტორიული ბუჩქის მოსავლიანობის და ნორმალიზებული სხვაობის მცენარეულობის ინდექსის გამოყენებით. მოსავლის საძოვრების მეცნიერ. 60 (9), 844–858 წწ.
Floreano, D., Wood, RJ, 2015. მეცნიერება, ტექნოლოგია და მცირე ავტონომიური თვითმფრინავების მომავალი. ბუნება 521 (7553), 460–466 წ. https://doi.org/10.1038/nature14542.
Friha, O., Ferrag, MA, Shu, L., Maglaras, LA, Wang, X., 2021. ნივთების ინტერნეტი ჭკვიანი სოფლის მეურნეობის მომავლისთვის: განვითარებადი ტექნოლოგიების ყოვლისმომცველი კვლევა. IEEE CAA J. Autom. სინიკა 8 (4), 718–752 წწ.
Fuentes-Pacheco, J., Torres-Olivares, J., Roman-Rangel, E., Cervantes, S., JuarezLopez, P., Hermosillo-Valadez, J., Rendon-Mancha, ´ JM, 2019. ლეღვის მცენარის სეგმენტაცია საჰაერო სურათებიდან ღრმა კონვოლუციური ენკოდერ-დეკოდერის ქსელის გამოყენებით. დისტანციური ზონდირება 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. უპილოტო საფრენი აპარატების გამოწვევა წყლის სტრესის შესაფასებლად
მდგრადი სოფლის მეურნეობა. აგრ. წყლის მენეჯ. 153, 9–19. https://doi.org/10.1016/j. აგვათ.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. თერმული გამოსახულება ქარხანაში
ნუშის ხეებში მოსავალ-წყლის სტატუსის შესაფასებლად (გ. გუარა) დეფიციტური სარწყავი სტრატეგიების პირობებში. აგრ. წყლის მენეჯ. 208, 176–186 წწ. https://doi.org/10.1016/j.
აგვათ.2018.06.002.
Garzonio, R., Di Mauro, B., Colombo, R., Cogliati, S., 2017. ზედაპირის არეკვლა და მზისგან გამოწვეული ფლუორესცენციის სპექტროსკოპიის გაზომვები მცირე ჰიპერსპექტრული UAS-ის გამოყენებით. დისტანციური ზონდირება 9 (5), 472. https://doi.org/10.3390/rs9050472. Gaˇsparovi´c, M., Zrinjski, M., Barkovi´c, Đ., Radoˇcaj, D., 2020. ავტომატური მეთოდი
სარეველების რუკა შვრიის მინდვრებში უპილოტო საფრენი აპარატების გამოსახულების საფუძველზე. გამოთვლა. ელექტრონი. აგრ.
Gebbers, R., Adamchuk, VI, 2010. ზუსტი სოფლის მეურნეობა და სასურსათო უსაფრთხოება. Science 327 (5967), 828–831 წწ. https://doi.org/10.1126/science.1183899.
Geipel, J., Link, J., Claupein, W., 2014. სიმინდის მოსავლიანობის კომბინირებული სპექტრალური და სივრცითი მოდელირება საჰაერო სურათებისა და მოსავლის ზედაპირის მოდელების საფუძველზე, რომლებიც შეძენილია უპილოტო თვითმფრინავის სისტემით. დისტანციური ზონდირება 6 (11), 10335–10355. https://doi.org/10.3390/rs61110335.
Geng, D., Feng, Y., Zhu, Q., 2020. მდგრადი დიზაინი მომხმარებლებისთვის: ლიტერატურის მიმოხილვა და ბიბლიომეტრიული ანალიზი. გარემო. მეცნიერება. დაბინძურება. რეზ. 27 (24), 29824–29836. https://doi. org/10.1007/s11356-020-09283-1.
Gevaert, CM, Suomalainen, J., Tang, J., Kooistra, L., 2015. სპექტრული დროებითი რეაგირების ზედაპირების გენერაცია მულტისპექტრული თანამგზავრისა და ჰიპერსპექტრული კომბინაციით
უპილოტო საფრენი აპარატების გამოსახულება ზუსტი სოფლის მეურნეობის აპლიკაციებისთვის. IEEE J. Sel. ზედა. აპლ. დედამიწის ობს. დისტანციური სენსორები 8 (6), 3140–3146. ttps://doi.org/10.1109/JSTARS.2015.2406339.
Gill, SS, Chana, I., Buyya, R., 2017. IoT დაფუძნებული სოფლის მეურნეობა, როგორც ღრუბელი და დიდი მონაცემთა სერვისი: ციფრული ინდოეთის დასაწყისი. ჯ.ორგ. და საბოლოო მომხმარებლის გამოთვლა. (JOEUC) 29 (4),
1-23.
Gmür, M., 2006. თანაციტირების ანალიზი და უხილავი კოლეჯების ძიება: მეთოდოლოგიური შეფასება. მეცნიერომეტრია 57 (1), 27–57. https://doi.org/10.1023/
a:1023619503005.
Gnadinger, ¨ F., Schmidhalter, U., 2017. სიმინდის მცენარეების ციფრული რაოდენობა უპილოტო საფრენი აპარატებით (UAVs). დისტანციური ზონდირება 9 (6). Https://doi.org/10.3390/rs9060544.
Gokto ¨ ǧan, AH, Sukkarieh, S., Bryson, M., Randle, J., Lupton, T., Hung, C., 2010. მბრუნავი ფრთებით უპილოტო საჰაერო მანქანა წყლის სარეველების მეთვალყურეობისთვის და
მენეჯმენტი. ჯ ინტელი. Robotic Syst.: Theor. აპლ. 57 (1–4), 467–484 წწ. https://doi. org/10.1007/s10846-009-9371-5.
Gomez-Cand 'on, ' D., De Castro, AI, Lopez-Granados, 'F., 2014. უპილოტო საჰაერო ხომალდის (UAV) გამოსახულების მოზაიკის სიზუსტის შეფასება ხორბალში ზუსტი სოფლის მეურნეობის მიზნებისთვის. ზუსტი. აგრ. 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. წყლის სტრესის საველე ფენოტიპირება ხეების მასშტაბით უპილოტო საფრენი აპარატის სენსორული გამოსახულების საშუალებით : ახალი შეხედულებები ამისთვის
თერმული მიღება და დაკალიბრება. ზუსტი. აგრ. 17 (6), 786–800 წწ. https://doi.org/10.1007/s11119-016-9449-6.
Gonzalez-Dugo, V., Zarco-Tejada, PJ, Fereres, E., 2014. მოსავლის წყლის სტრესის ინდექსის გამოყენებადობა და შეზღუდვები ციტრუსის ბაღებში წყლის დეფიციტის ინდიკატორად. აგრ. ამისთვის. მეტეოროლი. 198–199, 94–104. https://doi.org/10.1016/j. აგრფორმეტი.2014.08.003.
Gonzalez-Dugo, V., Zarco-Tejada, P., Nicolas, 'E., Nortes, PA, Alarcon, ' JJ, Intrigliolo, DS, Fereres, E., 2013. მაღალი გარჩევადობის UAV თერმული გამოსახულების გამოყენება
შეაფასოს წყლის სტატუსის ცვალებადობა ხუთი ხეხილის სახეობის კომერციულ ბაღში. ზუსტი. აგრ. 14 (6), 660–678 წწ. https://doi.org/10.1007/s11119-013-9322-9.
Goyal, K., Kumar, S., 2021. ფინანსური წიგნიერება: სისტემატური მიმოხილვა და ბიბლიომეტრიული ანალიზი. ინტ. J. Consumer Studies 45 (1), 80–105. https://doi.org/10.1111/
ijcs.12605.
Grenzdorffer, ¨ GJ, Engel, A., Teichert, B., 2008. დაბალფასიანი uav-ების ფოტოგრამეტრიული პოტენციალი სატყეო და სოფლის მეურნეობაში. ფოტოგრამეტრიის, დისტანციური ზონდირების და სივრცითი ინფორმაციის მეცნიერების საერთაშორისო არქივები – ISPRS Archives 37, 1207–1213. https://www.scopus.com/inward/record.uri?eid=2-s2.0-85039543258&partnerI D=40&md5=b4b2d639257e8ddb5a373d15959c4e1e.
გუან, ს., ფუკამი, კ., მაცუნაკა, ჰ., ოკამი, მ., ტანაკა, რ., ნაკანო, ჰ., საკაი, ტ., ნაკანო, კ., ოჰდან, ჰ., ტაკაჰაში, კ. 2019. მაღალი გარჩევადობის კორელაციის შეფასება
NDVI სასუქის გამოყენების დონით და ბრინჯის და ხორბლის მოსავლიანობით მცირე უპილოტო საფრენი აპარატების გამოყენებით. დისტანციური ზონდირება 11 (2), 112.
Gundolf, K., Filser, M., 2013. მენეჯმენტის კვლევა და რელიგია: ციტირების ანალიზი. ჯ ავტობუსი. ეთიკა 112 (1), 177–185.
Guo, Q., Zhu, Y., Tang, Y., Hou, C., He, Y., Zhuang, J., Zheng, Y., Luo, S., 2020. CFD სიმულაცია და სივრცის ექსპერიმენტული დადასტურება და დროებითი განაწილება
ოთხროტორიანი სასოფლო-სამეურნეო უპილოტო საფრენი აპარატის ჩამორეცხვის ჰაერის ნაკადი ჰოვერში. გამოთვლა. ელექტრონი. აგრ. 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, დ. , პოლონეთი, ჯ., 2016 წ.
უპილოტო საჰაერო სისტემების გამოყენება დიდი ხორბლის მეცხოველეობის სანერგეების მაღალი გამტარუნარიანობის ფენოტიპისთვის. მცენარეთა მეთოდები 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. სპექტრული გამოსახულება UAV-ებიდან სხვადასხვა განათების პირობებში . GG Bill R.-ში (რედ.), ფოტოგრამეტრიის, დისტანციური ზონდირების და სივრცითი ინფორმაციის მეცნიერების საერთაშორისო არქივები — IPRS Archives (ტ. 40, გამოცემა 1W2, გვ. 189–194). ფოტოგრამეტრიისა და დისტანციური ზონდირების საერთაშორისო საზოგადოება. 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. უპილოტო საჰაერო ხომალდიდან კუნძულის მცენარეულობის რუკების შეფასების ტექნიკის შეფასება
ავტომობილის (UAV) სურათები: პიქსელების კლასიფიკაცია, ვიზუალური ინტერპრეტაცია და მანქანური სწავლის მიდგომები. ინტ. J. Appl. დედამიწის ობს. გეოინფ. 89, 102085 https://doi.org/
10.1016/j.jag.2020.102085.
Haque, A., Islam, N., Samrat, NH, Dey, S., Ray, B., 2021. ჭკვიანი მეურნეობა პასუხისმგებელი ხელმძღვანელობით ბანგლადეშში: შესაძლებლობები, შესაძლებლობები და მის ფარგლებს გარეთ.
მდგრადობა 13 (8), 4511.
Hardin, PJ, Hardin, TJ, 2010. მცირე მასშტაბის დისტანციური პილოტირებადი მანქანები გარემოსდაცვით კვლევაში. გეოგრაფიის კომპასი 4 (9), 1297–1311 წწ. ttps://doi.org/10.1111/j.1749-
8198.2010.00381.x.
Hardin, PJ, Jensen, RR, 2011. მცირე მასშტაბის უპილოტო საფრენი აპარატები გარემოს დისტანციური ზონდირებაში: გამოწვევები და შესაძლებლობები. GISci. დისტანციური სენსორები 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). სპრინგერი.
Herwitz, SR, Johnson, LF, Dunagan, SE, Higgins, RG, Sullivan, DV, Zheng, J., Lobitz, BM, Leung, JG, Gallmeyer, BA, Aoyagi, M., Slye, RE, Brass, JA, 2004 წ.
უპილოტო საფრენი აპარატიდან გამოსახულება: სასოფლო-სამეურნეო მეთვალყურეობა და გადაწყვეტილების მხარდაჭერა. გამოთვლა. ელექტრონი. აგრ. 44 (1), 49–61. https://doi.org/10.1016/j.
კომპაგ.2004.02.006.
Holman, FH, Riche, AB, Michalski, A., Castle, M., Wooster, MJ, Hawkesford, MJ, ხორბლის მცენარის სიმაღლისა და ზრდის ტემპის მაღალი გამტარუნარიანობის საველე ფენოტიპირება საველე ნაკვეთის ცდებში UAV-ზე დაფუძნებული დისტანციური ზონდირების გამოყენებით. დისტანციური ზონდირება 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. დამუშავება და შეფასება სპექტრომეტრიული, სტერეოსკოპული გამოსახულება, შეგროვებული მსუბუქი უპილოტო საფრენი აპარატის სპექტრული კამერის გამოყენებით ზუსტი სოფლის მეურნეობისთვის. დისტანციური ზონდირება 5 (10), 5006–5039. https://doi.org/10.3390/rs5105006.
Hossein Motlagh, N., Taleb, T., Arouk, O., 2016. დაბალ სიმაღლეზე უპილოტო საჰაერო ხომალდებზე დაფუძნებული ნივთების ინტერნეტ სერვისები: ყოვლისმომცველი კვლევა და სამომავლო პერსპექტივები. 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. ურბანული კანიონების კომბინირებული ოპტიკური ნაკადი და სტერეო ნავიგაცია უპილოტო საფრენი აპარატისთვის. In: 2005 IEEE/RSJ
საერთაშორისო კონფერენცია ინტელექტუალური რობოტებისა და სისტემების შესახებ, გვ. 3309–3316. https://doi.org/10.1109/IROS.2005.1544998.
Hsu, T.-C., Yang, H., Chung, Y.-C., Hsu, C.-H., 2020. კრეატიული IoT სოფლის მეურნეობის პლატფორმა ღრუბლოვანი ნისლის გამოთვლისთვის. შენარჩუნება. გამოთვლა. ინფ. სისტ. 28, 100285.
Huang, H., Deng, J., Lan, Y., Yang, A., Deng, X., Zhang, L., Gonzalez-Andujar, JL, 2018. სრულად კონვოლუციური ქსელი უპილოტო საჰაერო ხომალდის სარეველების რუკებისთვის ( UAV) გამოსახულება. PLoS ONE 13 (4), e0196302.
Huang, H., Lan, Y., Yang, A., Zhang, Y., Wen, S., Deng, J., 2020. ღრმა სწავლა ობიექტზე დაფუძნებული გამოსახულების ანალიზის (OBIA) წინააღმდეგ უპილოტო საფრენი აპარატების გამოსახულების სარეველების რუქაში. ინტ. ჯ.
დისტანციური სენსორები 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 წ. ღრმა ფერის კალიბრაცია უპილოტო საფრენი აპარატის გამოსახულების მოსავლის მონიტორინგში
სემანტიკური სტილის გადაცემის გამოყენებით ლოკალური გლობალური ყურადღებით. ინტ. J. Appl. დედამიწის ობს. გეოინფ. 104, 102590 https://doi.org/10.1016/j.jag.2021.102590.
Huang, YB, Thomson, SJ, Hoffmann, WC, Lan, YB, Fritz, BK, 2013. სოფლის მეურნეობის წარმოებისთვის უპილოტო საფრენი აპარატების ტექნოლოგიების განვითარება და პერსპექტივა
მენეჯმენტი. ინტ. ჯ.აგრიკ. ბიოლ. ინჟ. 6 (3), 1–10. https://doi.org/10.3965/j. ijabe.20130603.001.
Huang, Y., Hoffmann, WC, Lan, Y., Wu, W., Fritz, BK, 2009. უპილოტო საფრენი აპარატის პლატფორმის სპრეის სისტემის შემუშავება. აპლ. ინჟ. აგრ. 25 (6), 803–809 წწ.
Hunt Jr., ER, Dean Hively, W., Fujikawa, SJ, Linden, DS, Daughtry, CST, McCarty, GW, 2010. NIR-მწვანე-ლურჯი ციფრული ფოტოების შეძენა
უპილოტო თვითმფრინავი მოსავლის მონიტორინგისთვის. დისტანციური ზონდირება 2 (1), 290–305. https://doi. org/10.3390/rs2010290. Inoue, Y., 2020. სატელიტური და დრონით დაფუძნებული კულტურების და ნიადაგების დისტანციური ზონდირება ჭკვიანი მეურნეობისთვის – მიმოხილვა. ნიადაგის მეცნიერება. მცენარე ნუტრ. 66 (6), 798–810 წწ. https://doi.org/10.1080/00380768.2020.1738899.
Islam, N., Rashid, MM, Pasandideh, F., Ray, B., Moore, S., Kadel, R., 2021. აპლიკაციებისა და საკომუნიკაციო ტექნოლოგიების მიმოხილვა ნივთების ინტერნეტისთვის (IoT) და
უპილოტო საჰაერო ხომალდზე (UAV) დაფუძნებული მდგრადი ჭკვიანი მეურნეობა. 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. მაღალი გარჩევადობის ციფრული ზედაპირის მოდელების სიზუსტის შეფასება გამოთვლილია მიერ
PhotoScan® და MicMac® არაოპტიმალური კვლევის პირობებში. დისტანციური ზონდირება 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. გასხვლის ზემოქმედების რაოდენობრივი შეფასება ზეთისხილის ხის არქიტექტურაზე და წლიურ ტილოების ზრდა UAV-ზე დაფუძნებული 3D მოდელირების გამოყენებით. მცენარეთა მეთოდები 13 (1). https://doi.org/10.1186/s13007-017-0205-3.
Jin, X., Liu, S., Baret, F., Hemerl´e, M., Comar, A., 2017. ხორბლის კულტურების მცენარის სიმკვრივის შეფასებები აღმოცენებისას ძალიან დაბალი სიმაღლის უპილოტო საფრენი აპარატებიდან გამოსახულებებიდან. დისტანციური სენსორები.
გარემო. 198, 105–114. https://doi.org/10.1016/j.rse.2017.06.007.
Jinbo, C., Xiangliang, C., Han-Chi, F., Lam, A., 2019. სოფლის მეურნეობის პროდუქტების მონიტორინგის სისტემა მხარდაჭერილი ღრუბლოვანი გამოთვლით. კლასტერული გამოთვლა. 22 (4), 8929–8938 წწ.
Ju, C., & Son, HI 2018a. სოფლის მეურნეობაში დისტანციური ზონდირების მრავალი უპილოტო საფრენი აპარატის სისტემის მუშაობის შეფასება. სემინარის მასალები სოფლის მეურნეობაში რობოტული ხედვისა და მოქმედების შესახებ IEEE საერთაშორისო კონფერენციაზე რობოტიკისა და ავტომატიზაციის შესახებ (ICRA), ბრისბენი, ავსტრალია, 21–26.
Ju, C., Son, HI, 2018b. მრავალჯერადი უპილოტო საფრენი აპარატების სისტემა სასოფლო-სამეურნეო პროგრამებისთვის: კონტროლი, განხორციელება და შეფასება. ელექტრონიკა 7 (9), 162. https://doi.org/10.3390/
ელექტრონიკა7090162.
Jung, J., Maeda, M., Chang, A., Bhandari, M., Ashapure, A., Landivar-Bowles, J., 2021. დისტანციური ზონდირების და ხელოვნური ინტელექტის პოტენციალი, როგორც ინსტრუმენტები გაუმჯობესების მიზნით.
სოფლის მეურნეობის წარმოების სისტემების გამძლეობა. Curr. აზრი. ბიოტექნოლოგი. 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. მოსავლის სკაუტინგის გაუმჯობესებული ტექნიკა, რომელიც აერთიანებს უპილოტო საჰაერო ხომალდის მულტისპექტრულ გამოსახულებას საზამთროში ღეროს ღეროს დაბინძურების ჩვეულებრივი სკაუტური პრაქტიკაში. მცენარეთა დის. 103 (7), 1642–1650 წწ.
Kapoor, KK, Tamilmani, K., Rana, NP, Patil, P., Dwivedi, YK, Nerur, S., 2018. მიღწევები სოციალური მედიის კვლევაში: წარსული, აწმყო და მომავალი. ინფორმირება. სისტ. წინა. 20
(3), 531-558.
Kerkech, M., Hafiane, A., Canals, R., 2020. VddNet: ვაზის დაავადების გამოვლენის ქსელი, რომელიც დაფუძნებულია მრავალსპექტრულ სურათებსა და სიღრმის რუქაზე. დისტანციური ზონდირება 12 (20), 3305. https://doi. org/10.3390/rs12203305.
Khaliq, A., Comba, L., Biglia, A., Ricauda Aimonino, D., Chiaberge, M., Gay, P., 2019. სატელიტური და UAV-ზე დაფუძნებული მრავალსპექტრული გამოსახულების შედარება ვენახისთვის
ცვალებადობის შეფასება. დისტანციური ზონდირება 11 (4). https://doi.org/10.3390/rs11040436.
Khan, PW, Byun, Y.-C., Park, N., 2020. IoT-ბლოკჩეინმა ჩართო კვების მრეწველობის 4.0 ოპტიმიზირებული წარმოშობის სისტემა, გაფართოებული ღრმა სწავლის გამოყენებით. სენსორები 20 (10), 2990.
Khan, RU, Khan, K., Albattah, W., Qamar, AM, Ullah, F., 2021. მცენარეთა დაავადებების გამოსახულებაზე დაფუძნებული გამოვლენა: კლასიკური მანქანური სწავლებიდან ღრმა სწავლის მოგზაურობამდე. უსადენო კომუნ. მობილური კომპიუტერი. 2021, 1–13.
Khan, S., Tufail, M., Khan, MT, Khan, ZA, Iqbal, J., Alam, M., Le, KNQ, 2021. ახალი ნახევრად ზედამხედველობის ჩარჩო უპილოტო საფრენი აპარატზე დაფუძნებული მოსავლის/სარეველების კლასიფიკაციისთვის. PLoS ONE 16 (5), e0251008.
Khanal, S., Fulton, J., Shearer, S., 2017. თერმული დისტანციური ზონდირების მიმდინარე და პოტენციური გამოყენების მიმოხილვა ზუსტი სოფლის მეურნეობაში. გამოთვლა. ელექტრონი.
აგრ. 139, 22–32. https://doi.org/10.1016/j.compag.2017.05.001.
Khanna, A., Kaur, S., 2019. ნივთების ინტერნეტის (IoT) ევოლუცია და მისი მნიშვნელოვანი გავლენა ზუსტი სოფლის მეურნეობის სფეროში. გამოთვლა. ელექტრონი. აგრ. 157, 218–231 წწ.
Kim, W., Khan, GF, Wood, J., Mahmood, MT, 2016. თანამშრომლების ჩართულობა მდგრადი ორგანიზაციებისთვის: საკვანძო სიტყვების ანალიზი სოციალური ქსელის ანალიზისა და ადიდებულის გამოყენებით
გამოვლენის მიდგომა. მდგრადობა 8 (7), 631.
Kirsch, M., Lorenz, S., Zimmermann, R., Tusa, L., Mockel, ¨ R., Hodl, ¨ P., Booysen, R., Khodadadzadeh, M., Gloaguen, R., 2018. ინტეგრაცია ხმელეთისა და თვითმფრინავით გადამტანი
ჰიპერსპექტრული და ფოტოგრამეტრიული ზონდირების მეთოდები საძიებო რუკების და სამთო მონიტორინგისთვის. დისტანციური ზონდირება 10 (9), 1366. https://doi.org/10.3390/
rs10091366.
Kitano, BT, Mendes, CCT, Geus, AR, Oliveira, HC, Souza, JR, 2019. სიმინდის მცენარის დათვლა ღრმა სწავლისა და უპილოტო საფრენი აპარატების სურათების გამოყენებით. IEEE Geosci. დისტანციური სენსორები. 1–5 https://doi.org/10.1109/LGRS.2019.2930549.
Koh, JCO, Spangenberg, G., Kant, S., 2021. ავტომატური მანქანური სწავლება მაღალი გამტარუნარიანობის გამოსახულებაზე დაფუძნებული მცენარეთა ფენოტიპისთვის. დისტანციური ზონდირება 13 (5), 858. https://
doi.org/10.3390/rs13050858.
კოვალევი, IV, ვოროშილოვა, AA, 2020. თანამედროვე ტექნოლოგიური ტენდენციები ტვირთის უპილოტო საფრენი აპარატების ეკოსისტემის განვითარებაში. ჯ.ფიზ. კონფ. სერ. 1515 (5), 052068 https://doi. org/10.1088/1742-6596/1515/5/052068.
Krul, S., Pantos, C., Frangulea, M., Valente, J., 2021. ვიზუალური SLAM შიდა მეცხოველეობისა და მეურნეობისთვის პატარა დრონის გამოყენებით მონოკულარული კამერით: ტექნიკურ-ეკონომიკური შესწავლა.
დრონები 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. დრონების კვლევა სოფლის მეურნეობის ავტომატიზაციისთვის დარგვიდან
მოსავალი. In: INES 2018 – IEEE 22nd International Conference on Intelligent Engineering Systems, გვ. 000353–358. https://doi.org/10.1109/INES.2018.8523943.
Lagkas, T., Argyriou, V., Bibi, S., Sarigiannidis, P., 2018. UAV IoT ჩარჩოს შეხედულებები და გამოწვევები: დრონების, როგორც „ნივთების“ დაცვის მიმართ. სენსორები 18 (11), 4015. https://doi.org/10.3390/s18114015.
Laliberte, AS, Rango, A., 2011. გამოსახულების დამუშავებისა და კლასიფიკაციის პროცედურები ქვე-დეციმეტრული გამოსახულების ანალიზისთვის, შეძენილი უპილოტო თვითმფრინავით არიდზე
მინდვრები. GISci. დისტანციური სენსორები 48 (1), 4–23. https://doi.org/10.2747/1548-1603.48.1.4.
Laliberte, AS, Rango, A., Herrick, JE, 2007. უპილოტო საფრენი აპარატები ზონის რუკების და მონიტორინგისთვის: ორი სისტემის შედარება. ASPRS ყოველწლიური კონფერენციის მასალები.
Lam, OHY, Dogotari, M., Prüm, M., Vithlani, HN, Roers, C., Melville, B., Zimmer, F., Becker, R., 2021. სარეველების რუკების ღია წყაროს სამუშაო ნაკადი მშობლიურ ბალახეულში
უპილოტო საფრენი აპარატის გამოყენებით: Rumex obtusifolius-ის გამოყენება, როგორც საქმის შესწავლა. Ევრო. 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. ზუსტი მეურნეობის მონაცემების მიღება, მომგებიანობა და უკეთესი გამოყენება.
Სამუშაო ქაღალდი. პერდუს უნივერსიტეტი. https://doi.org/10.22004/ag.econ.28615.
Lelong, CCD, Burger, P., Jubelin, G., Roux, B., Labb´e, S., Baret, F., 2008. უპილოტო საფრენი აპარატების გამოსახულების შეფასება მცირე ნაკვეთებზე ხორბლის მოსავლის რაოდენობრივი მონიტორინგისთვის. სენსორები 8 (5), 3557–3585. https://doi.org/10.3390/s8053557.
Li, C., Niu, B., 2020. ჭკვიანი სოფლის მეურნეობის დიზაინი, რომელიც დაფუძნებულია დიდ მონაცემებზე და ნივთების ინტერნეტზე. ინტ. J. Distrib. სენსორული ქსელი. 16 (5) ttps://doi.org/10.1177/1550147720917065.
Li, W., Niu, Z., Chen, H., Li, D., Wu, M., Zhao, W., 2016. ტილოების სიმაღლისა და სიმინდის მიწისზედა ბიომასის დისტანციური შეფასება მაღალი რეზოლუციის სტერეო სურათების გამოყენებით იაფი უპილოტო საჰაერო ხომალდის სისტემა. ეკოლ. ინდ. 67, 637–648 წწ. https://doi.org/10.1016/j.ecolind.2016.03.036.
Liakos, KG, Busato, P., Moshou, D., Pearson, S., Bochtis, D., 2018. მანქანათმცოდნეობა სოფლის მეურნეობაში: მიმოხილვა. სენსორები 18 (8), 2674.
Liebisch, F., Kirchgessner, N., Schneider, D., Walter, A., Hund, A., 2015. სიმინდის თვისებების დისტანციური, საჰაერო ფენოტიპირება მობილური მრავალსენსორული მიდგომით. მცენარეთა მეთოდები 11 (1), 9. https://doi.org/10.1186/s13007-015-0048-8.
Lin, Z., Guo, W., 2020. სორგოს პანიკის გამოვლენა და დათვლა უპილოტო საჰაერო სისტემის სურათებისა და ღრმა სწავლის გამოყენებით. წინა. მცენარეთა მეცნიერება. 11.
Liu, S., Guo, L., Webb, H., Ya, X., Chang, X., 2019. თანამედროვე ეკო-სოფლის მეურნეობის მონიტორინგის სისტემა, რომელიც დაფუძნებულია ღრუბლოვან გამოთვლებზე. IEEE Access 7, 37050–37058.
Lopez-Granados, ´ F., 2011. სარეველების გამოვლენა უბნის სპეციფიკური სარეველების მართვისთვის: რუქა და რეალურ დროში მიდგომები. Weed Res. 51 (1), 1–11. https://doi.org/10.1111/j.1365-3180.2010.00829.x.
ლოპეს-გრანადოსი, ფ., ტორეს-სანჩესი, ჯ., დე კასტრო, ა.-ი., სერანო-პერესი, ა., მესასკარასკოსა, ფ.-ჯ., პენა, ჯ.-მ. , 2016. ობიექტზე დაფუძნებული ადრეული მონიტორინგი ბალახის სარეველაზე ბალახის კულტურაში მაღალი გარჩევადობის უპილოტო საფრენი აპარატების გამოსახულების გამოყენებით. აგრონმა. შენარჩუნება. დევ. 36 (4), 1–12
Lopez-Granados, 'F., Torres-S' anchez, J., Serrano-P'erez, A., de Castro, AI, MesasCarrascosa, F.-J., Pena, ˜ J.-M., 2016 წ. მზესუმზირაში ადრეული სეზონის სარეველების რუკა უპილოტო საფრენი აპარატის ტექნოლოგიის გამოყენებით: ჰერბიციდების სამკურნალო რუქების ცვალებადობა სარეველების ზღურბლებთან მიმართებაში. ზუსტი. აგრ. 17 (2), 183–199.
Lucieer, A., Malenovský, Z., Veness, T., Wallace, L., 2014. HyperUAS – ვიზუალიზაციის სპექტროსკოპია მრავალროტორული უპილოტო თვითმფრინავის სისტემიდან. J. Field Rob. 31 (4),
571–590 წწ. 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. ხმელეთის ლაზერული სკანირება სასოფლო-სამეურნეო კულტურები. JJ-ში
Chen J. Maas H–G. (რედ.), ფოტოგრამეტრიის, დისტანციური ზონდირების და სივრცითი ინფორმაციის მეცნიერების საერთაშორისო არქივები - ISPRS არქივები (ტ. 37, გვ. 563–566).
ფოტოგრამეტრიისა და დისტანციური ზონდირების საერთაშორისო საზოგადოება. 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. ზედამხედველობის ქვეშ მყოფ ობიექტზე დაფუძნებული მიწის საფარის გამოსახულების კლასიფიკაციის მიმოხილვა. ISPRS J. Photogramm. დისტანციური სენსორები 130,
277–293 წწ. https://doi.org/10.1016/j.isprsjprs.2017.06.001.
Maes, WH, Steppe, K., 2019. დისტანციური ზონდირების პერსპექტივები უპილოტო საფრენი აპარატებით ზუსტი სოფლის მეურნეობაში. ტენდენციები მცენარეთა მეცნიერება. 24 (2), 152–164 წწ. 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., Fritchchi, F., 2017.
უპილოტო საჰაერო სისტემაზე (UAS) დაფუძნებული სოიოს ფენოტიპირება მრავალ სენსორული მონაცემთა შერწყმისა და ექსტრემალური სასწავლო მანქანის გამოყენებით. ISPRS J. Photogramm. დისტანციური სენსორები 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 წ.
მოსავლის მონიტორინგი სატელიტური/UAV მონაცემთა შერწყმისა და მანქანური სწავლების გამოყენებით. დისტანციური ზონდირება 12 (9), 1357. https://doi.org/10.3390/rs12091357.
მანფრედა, ს., მაკკეიბი, მ., მილერი, პ., ლუკასი, რ., პაჟუელო მადრიგალი, ვ., მალინისი, გ., ბენ დორი, ე., ჰელმანი, დ., ესტესი, ლ., სირაოლო, გ. ., მიულეროვა, ´ J., Tauro, F., de Lima, M., de
ლიმა, ჯ., მალტე, ა., ფრენსის, ფ., კეილორი, კ., კოჰვ, მ., პერქსი, მ., რუიზ-პერესი, გ., სუ, ზ., ვიკო, გ., ტოტი , ბ., 2018. უპილოტო საჰაერო სისტემების გამოყენების შესახებ
გარემოს მონიტორინგი. დისტანციური ზონდირება 10 (4), 641.
Marinko, RA, 1998. ციტატები ქალთა კვლევების ჟურნალებში დისერტაციებში, 1989 და The Serials Librarian 35 (1–2), 29–44. https://doi.org/10.1300/J123v35n01_
03.
Masroor, R., Naeem, M., Ejaz, W., 2021. რესურსების მართვა UAV-ის დახმარებით უკაბელო ქსელებში: ოპტიმიზაციის პერსპექტივა. Ad Hoc Netw. 121, 102596 https://doi.org/10.1016/j.adhoc.2021.102596.
Matese, A., Di Gennaro, SF, 2018. მულტისენსორული უპილოტო საფრენი აპარატის პლატფორმის პრაქტიკული გამოყენება, რომელიც დაფუძნებულია მულტისპექტრულ, თერმულ და RGB მაღალი გარჩევადობის სურათებზე ზუსტი სიზუსტით
მევენახეობა. სოფლის მეურნეობა 8 (7), 116. https://doi.org/10.3390/agriculture8070116.
Matese, A., Di Gennaro, SF, 2021. ტრადიციული NDVI ინდექსის მიღმა, როგორც უპილოტო საფრენი აპარატის გამოყენების ძირითადი ფაქტორი ზუსტი მევენახეობაში. მეცნიერება. 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 წ. უპილოტო საფრენი აპარატის, თვითმფრინავის შედარება
და სატელიტური დისტანციური ზონდირების პლატფორმები ზუსტი მევენახეობისთვის. Remote Sensing 7 (3), 2971–2990. https://doi.org/10.3390/rs70302971.
Mazzia, V., Comba, L., Khaliq, A., Chiaberge, M., Gay, P., 2020. უპილოტო საფრენი აპარატი და მანქანათმცოდნეობის საფუძველზე სატელიტური მცენარეული ინდექსის დახვეწა სიზუსტისთვის
სოფლის მეურნეობა. სენსორები 20 (9), 2530. https://doi.org/10.3390/s20092530.
მაკკეინი, KW, 1990. ავტორების რუქები ინტელექტუალურ სივრცეში: ტექნიკური მიმოხილვა. ჯ.ამ. სოც. ინფორმაცია. მეცნიერება. 41 (6), 433–443 წწ.
Meinen, BU, Robinson, DT, 2021. სოფლის მეურნეობის ეროზიის მოდელირება: USLE და WEPP საველე მასშტაბის ეროზიის შეფასებების შეფასება უპილოტო საფრენი აპარატების დროის სერიის მონაცემების გამოყენებით. გარემო. მოდელი. პროგრამული უზრუნველყოფა 137, 104962. https://doi.org/10.1016/j.envsoft.2021.104962.
მელვილი, ბ., ლუსიერი, ა., არიალი, ჯ., 2019. დაბლობზე ადგილობრივი ბალახოვანი თემების კლასიფიკაცია ჰიპერსპექტრული უპილოტო თვითმფრინავის სისტემის (UAS) გამოსახულების გამოყენებით
ტასმანიის შუაგულები. დრონი 3 (1), 5.
მესინა, გ., მოდიკა, გ., 2020. უპილოტო საფრენი აპარატების თერმული გამოსახულების გამოყენება ზუსტი სოფლის მეურნეობაში: თანამედროვე და სამომავლო კვლევის პერსპექტივა. დისტანციური ზონდირება 12 (9), https://doi.org/10.3390/rs12091491.
Mishra, D., Luo, Z., Jiang, S., Papadopoulos, T., Dubey, R., 2017. ბიბლიოგრაფიული კვლევა დიდ მონაცემებზე: ცნებები, ტენდენციები და გამოწვევები. ბიზნეს პროცესის მენეჯ. J. 23 (3),
555-573.
Mochida, K., Saisho, D., Hirayama, T., 2015. მოსავლის გაუმჯობესება საველე პირობებში შეძენილი სასიცოცხლო ციკლის მონაცემთა ნაკრების გამოყენებით. წინა. მცენარეთა მეცნიერება. 6 https://doi.org/10.3389/
fpls.2015.00740.
მოგილი, UM.R., Deepak, BBVL, 2018. მიმოხილვა თვითმფრინავების სისტემების გამოყენების შესახებ ზუსტი სოფლის მეურნეობაში. Procedia Comput. მეცნიერება. 133, 502–509 წწ.
Moharana, S., Dutta, S., 2016. ბრინჯის ქლოროფილისა და აზოტის შემცველობის სივრცითი ცვალებადობა ჰიპერსპექტრული გამოსახულებებიდან. ISPRS J. Photogramm. დისტანციური სენსორები 122, 17–29.
Muangprathub, J., Boonnam, N., Kajornkasirat, S., Lekbangpong, N., Wanichsombat, A.,
Nillaor, P., 2019. IoT და სოფლის მეურნეობის მონაცემთა ანალიზი ჭკვიანი ფერმისთვის. გამოთვლა. ელექტრონი. აგრ. 156, 467–474 წწ.
Nansen, C., Elliott, N., 2016. დისტანციური ზონდირების და რეფლექსიის პროფილირება ენტომოლოგიაში. ანნუ. მეუფე ენტომოლი. 61 (1), 139–158. https://doi.org/10.1146/annurev-ento010715-023834.
Navia, J., Mondragon, I., Patino, D., Colorado, J., 2016. მულტისპექტრული რუქა სოფლის მეურნეობაში: რელიეფის მოზაიკა ავტონომიური კვადკოპტერის უპილოტო საფრენი აპარატის გამოყენებით. ინტ. კონფ.
უპილოტო თვითმფრინავების სისტემა. (ICUAS) 2016, 1351–1358. https://doi.org/10.1109/ ICUAS.2016.7502606.
Nayyar, A., Nguyen, B.-L., Nguyen, NG, 2020. დრონის საგნების ინტერნეტი (Iodt): ჭკვიანი დრონების მომავალი ხედვა. ადვ. ინტელ. სისტ. გამოთვლა. 1045, 563–580 წწ. https://doi.org/10.1007/978-981-15-0029-9_45.
Nebiker, S., Annen, A., Scherrer, M., Oesch, D., 2008. მსუბუქი წონის მრავალსპექტრული სენსორი მიკრო უპილოტო საფრენი აპარატისთვის - შესაძლებლობები ძალიან მაღალი გარჩევადობის საჰაერო დისტანციური ზონდირებისთვის. ინტ. არქ. ფოტოგრამა. დისტანციური სენსორები. ინფ. Sci 37 (B1), 1193–1200 წწ.
Negash, L., Kim, H.-Y., Choi, H.-L., 2019. განვითარებადი უპილოტო საფრენი აპარატების გამოყენება სოფლის მეურნეობაში. In: 2019 მე-7 საერთაშორისო კონფერენცია Robot Intelligence Technology და
აპლიკაციები (RiTA), გვ. 254–257. https://doi.org/10.1109/RITAPP.2019.8932853.
Nerur, SP, Rasheed, AA, Natarajan, V., 2008. სტრატეგიული მენეჯმენტის სფეროს ინტელექტუალური სტრუქტურა: ავტორის ერთობლივი ციტირების ანალიზი. სტრატეგი. მანაგ. J. 29 (3),
319-336.
Neupane, K., Baysal-Gurel, F., 2021. მცენარეთა დაავადებების ავტომატური იდენტიფიკაცია და მონიტორინგი უპილოტო საფრენი აპარატების გამოყენებით: მიმოხილვა. დისტანციური ზონდირება 13 (19), 3841. https://doi.org/10.3390/rs13193841.
Nex, F., Remondino, F., 2014. UAV 3D რუკების აპლიკაციებისთვის: მიმოხილვა. აპლ. გეომატიკა 6 (1), 1–15. https://doi.org/10.1007/s12518-013-0120-x.
Niu, H., Hollenbeck, D., Zhao, T., Wang, D., Chen, Y., 2020. აორთქლების შეფასება მცირე უპილოტო საფრენი აპარატებით ზუსტი სოფლის მეურნეობაში. სენსორები 20 (22), 6427. https://
doi.org/10.3390/s20226427.
Osareh, F., 1996. Bibliometrics, Citation Analysis და Co-Citation Analysis. ლიტერატურის მიმოხილვა 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, სენსორები და მონაცემთა დამუშავება აგროტყეობაში: მიმოხილვა პრაქტიკული აპლიკაციების მიმართ. ინტ. J. Remote Sens. 38 (8–10), 2349–2391. https://doi.org/10.1080/01431161.2017.1297548.
პანდეი, აშშ, Pratihast, AK, Aryal, J., Kayastha, RB, 2020. მიმოხილვა თვითმფრინავზე დაფუძნებული მონაცემების გადაწყვეტილებებზე მარცვლეული კულტურებისთვის. დრონები 4 (3), 1–29. https://doi.org/10.3390/
დრონები4030041.
Parsaeian, M., Shahabi, M., Hassanpour, H., 2020. სეზამის თესლის ზეთისა და ცილის შემცველობის შეფასება გამოსახულების დამუშავებისა და ხელოვნური ნერვული ქსელის გამოყენებით. ჯ.ამ. ზეთი
ქიმიკოსთა სოც. 97 (7), 691–702 წწ.
Pena, ˜ JM, Torres-S´anchez, J., de Castro, AI, Kelly, M., Lopez-Granados, ´ F., Suarez, O., სარეველების რუქა ადრეული სეზონის სიმინდის მინდვრებში ობიექტზე დაფუძნებული ანალიზის გამოყენებით დან
უპილოტო საფრენი აპარატის (UAV) სურათები. PLoS ONE 8 (10), e77151.
პერეზ-ორტისი, მ., პენა, ˜ ჯ.მ., გუტიერესი, PA, ტორეს-ს ანჩესი, ჯ., ჰერვ ას-მარტინესი, კ.,
Lopez-Granados, ´ F., 2015. მზესუმზირის კულტურებში სარეველების რუკების ნახევრად ზედამხედველობის სისტემა უპილოტო საფრენი აპარატების და მოსავლის რიგის გამოვლენის მეთოდის გამოყენებით. აპლ. რბილი გამოთვლა. J. 37, 533–544. https://doi.org/10.1016/j.asoc.2015.08.027.
Pincheira, M., Vecchio, M., Giaffreda, R., Kanhere, SS, 2021. ხარჯთეფექტური IoT მოწყობილობები, როგორც სანდო მონაცემთა წყაროები ბლოკჩეინზე დაფუძნებული წყლის მართვის სისტემისთვის ზუსტი სოფლის მეურნეობაში. გამოთვლა. ელექტრონი. აგრ. 180, 105889.
Popescu, D., Stoican, F., Stamatescu, G., Ichim, L., Dragana, C., 2020. გაფართოებული UAV–WSN სისტემა ინტელექტუალური მონიტორინგისთვის ზუსტი სოფლის მეურნეობაში. სენსორები 20 (3), https://doi.org/10.3390/s20030817.
Pournader, M., Shi, Y., Seuring, S., Koh, SL, 2020. ბლოკჩეინის აპლიკაციები მიწოდების ჯაჭვებში, ტრანსპორტსა და ლოჯისტიკაში: ლიტერატურის სისტემატური მიმოხილვა. ინტ. J. პროდ. რეზ. 58 (7), 2063–2081 წწ.
Primicerio, J., Di Gennaro, SF, Fiorillo, E., Genesio, L., Lugato, E., Matese, A., Vaccari, FP, 2012. მოქნილი უპილოტო საფრენი აპარატი ზუსტი სოფლის მეურნეობისთვის.
ზუსტი. აგრ. 13 (4), 517–523 წ. https://doi.org/10.1007/s11119-012-9257-6.
Pritchard, A., 1969. სტატისტიკური ბიბლიოგრაფია ან ბიბლიომეტრია. J. დოკუმენტი. 25 (4), 348–349 წ.
Pudelko, R., Stuczynski, T., Borzecka-Walker, M., 2012. უპილოტო საფრენი აპარატის (UAV) ვარგისიანობა ექსპერიმენტული მინდვრებისა და კულტურების შეფასებისთვის. სოფლის მეურნეობა 99 (4), 431–436 წ.
Puri, V., Nayyar, A., Raja, L., 2017. სოფლის მეურნეობის თვითმფრინავები: თანამედროვე გარღვევა ზუსტი სოფლის მეურნეობაში. ჯ.სტატისი. მანაგ. სისტ. 20 (4), 507–518 წწ.
Radoglou-Grammatikis, P., Sarigiannidis, P., Lagkas, T., Moscholios, I., 2020. უპილოტო საფრენი აპარატების აპლიკაციების კრებული ზუსტი სოფლის მეურნეობისთვის. გამოთვლა. Netw. 172,
107148 https://doi.org/10.1016/j.comnet.2020.107148.
Ramesh, KV, Rakesh, V., Prakasa Rao, EVS, 2020. დიდი მონაცემების ანალიტიკისა და ხელოვნური ინტელექტის გამოყენება აგრონომიულ კვლევებში. ინდოელი ჯ.აგრონი. 65 (4), 383–395 წწ.
Raparelli, E., Bajocco, S., 2019. ბიბლიომეტრიული ანალიზი უპილოტო საფრენი აპარატების გამოყენების შესახებ სასოფლო-სამეურნეო და სატყეო კვლევებში. ინტ. J. Remote Sens. 40 (24),
9070–9083 წწ. https://doi.org/10.1080/01431161.2019.1569793.
რასმუსენი, ჯ., ნილსენი, ჯ., გარსია-რუიზი, ფ., კრისტენსენი, ს., სტრეიბიგი, ჯ.კ., ლოცი, ბ., 2013 წ.
მცირე უპილოტო თვითმფრინავების სისტემების (UAS) პოტენციური გამოყენება სარეველების კვლევაში. Weed Res. 53 (4), 242–248.
რასმუსენი, ჯ., ნტაკოსი, გ., ნილსენი, ჯ., სვენსგარდი, ჯ., პულსენი, რ.
უპილოტო საფრენი აპარატები საკმარისად საიმედოა ექსპერიმენტული ნაკვეთების შესაფასებლად? Ევრო. ჯ.აგრონი. 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. დიგიტალიზაცია საკვების მიწოდების ჯაჭვებში: ბიბლიომეტრიული მიმოხილვა და საკვანძო მარშრუტის ძირითადი გზა
ანალიზი. მდგრადობა 14 (1), 83. https://doi.org/10.3390/su14010083.
Rejeb, A., Rejeb, K., Simske, SJ, Treiblmaier, H., 2021a. თვითმფრინავები მიწოდების ჯაჭვის მენეჯმენტისა და ლოჯისტიკისთვის: მიმოხილვა და კვლევის დღის წესრიგი. ინტ. ჯ.ლოგისტი. რეზ. აპლ.
1–24 წწ. https://doi.org/10.1080/13675567.2021.1981273.
Rejeb, A., Rejeb, K., Simske, S., Treiblmaier, H., 2021b. ბლოკჩეინის ტექნოლოგიები ლოჯისტიკაში და მიწოდების ჯაჭვის მენეჯმენტში: ბიბლიომეტრიული მიმოხილვა. ლოგისტიკა 5 (4), 72.
https://doi.org/10.3390/logistics5040072.
Rejeb, A., Rejeb, K., Simske, S., Treiblmaier, H., 2021c. ჰუმანიტარული თვითმფრინავები: მიმოხილვა და კვლევის დღის წესრიგი. ნივთების ინტერნეტი 16, 100434. https://doi.org/10.1016/j.
iot.2021.100434.
Rejeb, A., Treiblmaier, H., Rejeb, K., Zailani, S., 2021d. ბლოკჩეინის კვლევა ჯანდაცვის სფეროში: ბიბლიომეტრიული მიმოხილვა და კვლევის მიმდინარე ტენდენციები. დათას ჯ. და
მანაგ. 3 (2), 109–124.
Rejeb, A., Simske, S., Rejeb, K., Treiblmaier, H., Zailani, S., 2020. ნივთების ინტერნეტის კვლევა მიწოდების ჯაჭვის მენეჯმენტსა და ლოჯისტიკაში: ბიბლიომეტრიული ანალიზი. ინტერნეტი
ნივთების 12, 100318.
ReportLinker, 2021. გლობალური სოფლის მეურნეობის დრონების ბაზარი ყოველწლიურად მიაღწევს 15.2 მილიარდ აშშ დოლარს 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- წელი-2027.html.
Ribeiro-Gomes, K., Hernandez-L ´opez, ´ D., Ortega, JF, Ballesteros, R., Poblete, T.,Moreno, MA, 2017. გაუცივებელი თერმული კამერის კალიბრაცია და ოპტიმიზაცია
ფოტოგრამეტრიული პროცესი უპილოტო საფრენი აპარატების გამოყენებისთვის სოფლის მეურნეობაში. სენსორები (შვეიცარია) 17 (10). https://doi.org/10.3390/s17102173.
Rivera, MA, Pizam, A., 2015. მიღწევები სტუმართმოყვარეობის კვლევაში: „როდნი დენჯერფილდიდან არეტა ფრანკლინამდე“. ინტ. J. Contempor. საავადმყოფო. მანაგ. 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. სათბურებში გარემო ცვლადების გაზომვის მინი-UAV-ზე დაფუძნებული სენსორული სისტემა. სენსორები 15 (2), 3334–3350. https://doi.org/10.3390/s150203334.
Rozenberg, G., Kent, R., Blank, L., 2021. სამომხმარებლო კლასის უპილოტო საფრენი აპარატი გამოიყენება გვიანი სეზონის სარეველების სივრცითი განაწილების ნიმუშების გამოსავლენად და ანალიზისთვის კომერციულ ხახვის მინდვრებში. ზუსტი. აგრ. 22 (4), 1317–1332 წწ. 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. უპილოტო საჰაერო სატრანსპორტო საშუალების (UAV) მოქმედი სპექტრული კამერის სისტემა ტყისა და სოფლის მეურნეობისთვის. გაგრძელება. SPIE – ინტ. სოც. არჩევა ინჟ. 8174 https://doi.org/10.1117/12.897585.
Sah, B., Gupta, R., Bani-Hani, D., 2021. ბარიერების ანალიზი დრონის ლოგისტიკის განსახორციელებლად. ინტ. ჯ.ლოგისტი. რეზ. აპლ. 24 (6), 531–550 წწ. https://doi.org/10.1080/
13675567.2020.1782862.
Saha, AK, Saha, J., Ray, R., Sircar, S., Dutta, S., Chattopadhyay, SP, & Saha, HN, IOT-ზე დაფუძნებული დრონი სოფლის მეურნეობის სფეროში მოსავლის ხარისხის გასაუმჯობესებლად. შ.ს.-ში
N. Chakrabarti S. (რედ.), 2018 IEEE 8th Annual Computing and Communication Workshop and Conference, CCWC 2018 (ტ. 2018-იანვარი, გვ. 612–615). ინსტიტუტი
of Electrical and Electronics Engineers Inc. doi: 10.1109/CCWC.2018.8301662.
Sai Vineeth, KV, Vara Prasad, YR, Dubey, SR, Venkataraman, H., 2019. LEDCOM: ახალი და ეფექტური LED დაფუძნებული კომუნიკაცია ზუსტი სოფლის მეურნეობისთვის. IEEE Conf. ინფორმაცია. კომუნ. ტექნოლ. 2019, 1–5. https://doi.org/10.1109/CICT48419.2019.9066177.
Salamí, E., Barrado, C., Pastor, E., 2014. უპილოტო საფრენი აპარატების ფრენის ექსპერიმენტები გამოიყენება მცენარეული ტერიტორიების დისტანციური ზონდირებისთვის. დისტანციური ზონდირება 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 წ.
დაბალი სიმაღლის, მაღალი რეზოლუციის საჰაერო გამოსახულების სისტემები მწკრივისა და მინდვრის მოსავლის ფენოტიპისთვის: მიმოხილვა. Ევრო. ჯ.აგრონი. 70, 112–123 წწ. https://doi.org/10.1016/j.
ეჯა.2015.07.004.
Santesteban, LG, Di Gennaro, SF, Herrero-Langreo, A., Miranda, C., Royo, JB, Matese, A., 2017. მაღალი რეზოლუციის უპილოტო საფრენი აპარატზე დაფუძნებული თერმული გამოსახულება შეფასებისთვის
მცენარის წყლის სტატუსის მყისიერი და სეზონური ცვალებადობა ვენახში. აგრ. წყლის მენეჯ. 183, 49–59. https://doi.org/10.1016/j.agwat.2016.08.026.
Sarli, CC, Dubinsky, EK, Holmes, KL, 2010. ციტირების ანალიზის მიღმა: კვლევის გავლენის შეფასების მოდელი. ჯ.მედ. ბიბლიოთეკის ასოც. : 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. დედამიწის სისტემის მეცნიერებასთან დაკავშირებული ვიზუალიზაციის სპექტროსკოპია - შეფასება. დისტანციური სენსორები. 113, S123–S137.
Schirrmann, M., Giebel, A., Gleiniger, F., Pflanz, M., Lentschke, J., Dammer, K.-H., 2016. ზამთრის ხორბლის კულტურების აგრონომიული პარამეტრების მონიტორინგი იაფი უპილოტო საფრენი აპარატით
გამოსახულება. დისტანციური ზონდირება 8 (9). https://doi.org/10.3390/rs8090706.
Schmale III, DG, Dingus, BR, Reinholtz, C., 2008. ავტონომიური უპილოტო საჰაერო ხომალდის შემუშავება და გამოყენება ზუსტი აერობიოლოგიური სინჯების ზემოთ ზემოთ
სასოფლო-სამეურნეო დარგები. J. Field Rob. 25 (3), 133–147. https://doi.org/10.1002/rob.20232.
შადრინი, დ., მენშჩიკოვი, ა., სომოვი, ა., ბორნემანი, გ., ჰაუსლაგე, ჯ., ფედოროვი, მ.
ზუსტი სოფლის მეურნეობის ჩართვა ხელოვნური ინტელექტის ჩაშენებული სენსორით. IEEE Trans. ინსტრუმენტი. მესი. 69 (7), 4103–4113 წწ.
Shakhatreh, H., Sawalmeh, AH, Al-Fuqaha, A., Dou, Z., Almaita, E., Khalil, I.,
Othman, NS, Khreishah, A., Guizani, M., 2019. უპილოტო საჰაერო ხომალდები (უპილოტო საფრენი აპარატები): კვლევა სამოქალაქო აპლიკაციებსა და კვლევის ძირითად გამოწვევებზე. IEEE Access 7,
48572–48634. https://doi.org/10.1109/ACCESS.2019.2909530.
Shakoor, N., Northrup, D., Murray, S., Mockler, TC, 2019. დიდი მონაცემებით ორიენტირებული სოფლის მეურნეობა: დიდი მონაცემების ანალიტიკა მცენარეთა მოშენებაში, გენომიკა და დისტანციური ზონდირების გამოყენება
ტექნოლოგიები მოსავლის პროდუქტიულობის გასაუმჯობესებლად. მცენარეული ფენომენი J. 2 (1), 1–8.
Sharma, BK, Chandra, G., Mishra, VP, 2019. უპილოტო საფრენი აპარატის და AI-ის შედარებითი ანალიზი და გავლენა სასამართლო გამოძიებაში. In: Proceedings – 2019 Amity International
კონფერენცია ხელოვნური ინტელექტის შესახებ. https://doi.org/10.1109/AICAI.2019.8701407.
Sharma, R., Shishodia, A., Gunasekaran, A., Min, H., Munim, ZH, 2022. ხელოვნური ინტელექტის როლი მიწოდების ჯაჭვის მენეჯმენტში: ტერიტორიის რუკა. ინტ. ჯ.
პროდ. რეზ. 1–24. https://doi.org/10.1080/00207543.2022.2029611.
Shi, Y., Thomasson, JA, Murray, SC, Pugh, NA, Rooney, WL, Shafian, S., Rajan, N., Rouze, G., Morgan, CLS, Neely, HL, Rana, A., Bagavathiannan , MV,
ჰენრიქსონი, ჯ., ბოუდენი, ე., ვალასეკი, ჯ., ოლსენჰოლერი, ჯ., ეპისკოპოსი, დეპუტატი, შერიდანი, რ., პუტმანი, ე.ბ., პოპესკუ, ს., ბურკსი, ტ., კოპე, დ., იბრაჰიმი, A., McCutchen, BF,
Baltensperger, DD, Avant, RV, Vidrine, M., Yang, C., Zhang, J., 2016. უპილოტო საფრენი აპარატები მაღალი გამტარუნარიანობის ფენოტიპებისა და აგრონომიული კვლევისთვის. PLoS ONE
11 (7), e0159781.
Shuai, G., Martinez-Feria, RA, Zhang, J., Li, S., Price, R., Basso, B., 2019. სიმინდის სადგამის ჰეტეროგენურობის აღება მოსავლიანობის სტაბილურობის ზონებში უპილოტო საჰაერო ხომალდის გამოყენებით
მანქანები (UAV). სენსორები 19 (20), 4446. https://doi.org/10.3390/s19204446.
Small, H., 1973. თანაციტირება სამეცნიერო ლიტერატურაში: ახალი საზომი ურთიერთობის ორ დოკუმენტს შორის. ჯ.ამ. სოც. ინფორმაცია. მეცნიერ. 24 (4), 265–269.
Small, H., Rorvig, ME, Lunin, LF, 1999. მეცნიერების ვიზუალიზაცია ციტირების რუქებით. ჯ.ამ. სოც. ინფორმაცია. მეცნიერება. 50 (9), 799–813 წწ.
Soares, VHA, Ponti, MA, Gonçalves, RA, Campello, RJGB, 2021. პირუტყვის დათვლა ველურში გეოლოკაციური საჰაერო სურათებით დიდ საძოვრებზე. გამოთვლა. ელექტრონი. აგრ. 189, 106354 https://doi.org/10.1016/j.compag.2021.106354.
Srivastava, K., Pandey, PC, Sharma, JK, 2020. მიდგომა მარშრუტის ოპტიმიზაციისთვის ზუსტი სოფლის მეურნეობის აპლიკაციებში უპილოტო საფრენი აპარატების გამოყენებით. დრონები 4 (3), 58. https://doi.org/ 10.3390/drones4030058.
Stafford, JV, 2000. ზუსტი სოფლის მეურნეობის განხორციელება 21-ე საუკუნეში. ჯ.აგრიკ. ინჟ. რეზ. 76 (3), 267–275 წ.
Su, J., Coombes, M., Liu, C., Guo, L., Chen, W.-H., 2018. ხორბლის გვალვის შეფასება დისტანციური ზონდირების გამოსახულების გამოყენებით უპილოტო საჰაერო ხომალდის გამოყენებით. 2018 წელს ჩინეთის 37-ე საკონტროლო კონფერენცია (CCC).
Su, J., Liu, C., Coombes, M., Hu, X., Wang, C., Xu, X., Li, Q., Guo, L., Chen, W.-H., 2018 წ. ხორბლის ყვითელი ჟანგის მონიტორინგი მრავალსპექტრული უპილოტო საფრენი აპარატების აერო გამოსახულებების შესწავლით.
გამოთვლა. ელექტრონი. აგრ. 155, 157–166 წწ. https://doi.org/10.1016/j. კომპაგ.2018.10.017.
Su, Y., Wang, X., 2021. სოფლის მეურნეობის ეკონომიკური მენეჯმენტის ინოვაცია დიდი მონაცემებით ჭკვიანი სოფლის მეურნეობის აგების პროცესში. მდგრადი კომპიუტერი. ინფ. სისტ. 31, 100579 https://doi.org/10.1016/j.suscom.2021.100579.
Sullivan, DG, Fulton, JP, Shaw, JN, Bland, GL, 2007. უპილოტო თერმული ინფრაწითელი საჰაერო სისტემის მგრძნობელობის შეფასება ბამბის ტილოში წყლის სტრესის გამოსავლენად. ტრანს. ASABE 50 (6), 1955–1962 წწ.
Sumesh, KC, Ninsawat, S., Som-ard, J., 2021. RGB-ზე დაფუძნებული მცენარეული ინდექსის, მოსავლის ზედაპირის მოდელისა და ობიექტზე დაფუძნებული გამოსახულების ანალიზის მიდგომის ინტეგრაცია შაქრის ლერწმის მოსავლიანობის შეფასებისთვის უპილოტო საჰაერო ხომალდის გამოყენებით. გამოთვლა. ელექტრონი. აგრ. 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. მსუბუქი წონის ჰიპერსპექტრული რუკების სისტემა
უპილოტო საფრენი აპარატები - პირველი შედეგები. In: 2013 მე-5 სემინარი ჰიპერსპექტრული გამოსახულების და სიგნალის დამუშავების შესახებ: ევოლუცია დისტანციურ ზონდირებაში (WHISPERS), გვ. 1–4. https://doi.org/10.1109/WHISPERS.2013.8080721.
Suomalainen, J., Anders, N., Iqbal, S., Roerink, G., Franke, J., Wenting, P., Hünniger, D., Bartholomeus, H., Becker, R., Kooistra, L., 2014. მსუბუქი ჰიპერსპექტრული
რუკების სისტემა და ფოტოგრამეტრიული დამუშავების ჯაჭვი უპილოტო საფრენი აპარატებისთვის. დისტანციური ზონდირება 6 (11), 11013–11030. https://doi.org/10.3390/
rs61111013.
Syeda, IH, Alam, MM, Illahi, U., Su'ud, MM, 2021. წინასწარი კონტროლის სტრატეგიები გამოსახულების დამუშავების, უპილოტო საფრენი აპარატების და ხელოვნური ინტელექტის გამოყენებით სოფლის მეურნეობაში: მიმოხილვა. World J. Eng. 18 (4),
579–589. https://doi.org/10.1108/WJE-09-2020-0459.
Tahai, A., Rigsby, JT, 1998. ინფორმაციის დამუშავება ციტატების გამოყენებით ბუღალტრული აღრიცხვაში ჟურნალის გავლენის გამოსაკვლევად. ინფ. პროცესი. Მართვა. 34 (2–3), 341–359 წწ.
Tang, Y., Dananjayan, S., Hou, C., Guo, Q., Luo, S., He, Y., 2021. კვლევა 5G ქსელზე და მისი გავლენა სოფლის მეურნეობაზე: გამოწვევები და შესაძლებლობები. გამოთვლა.
ელექტრონი. აგრ. 180, 105895 https://doi.org/10.1016/j.compag.2020.105895.
Tantalaki, N., Souravlas, S., Roumeliotis, M., 2019. მონაცემების საფუძველზე გადაწყვეტილების მიღება ზუსტი სოფლის მეურნეობაში: დიდი მონაცემების ზრდა სოფლის მეურნეობის სისტემებში. ჯ.აგრიკ. საკვების ინფორმაცია.
20 (4), 344–380 წწ.
Tao, H., Feng, H., Xu, L., Miao, M., Yang, G., Yang, X., Fan, L., 2020. ზამთრის ხორბლის მოსავლიანობის და მცენარის სიმაღლის შეფასება UAV-ის გამოყენებით დაფუძნებული ჰიპერსპექტრული გამოსახულებები.
სენსორები 20 (4), 1231.
Techy, L., Schmale III, DG, Woolsey, CA, 2010. მცენარეთა პათოგენის კოორდინირებული აერობიოლოგიური ნიმუშის აღება ქვედა ატმოსფეროში ორი ავტონომიური უპილოტო საფრენი აპარატის გამოყენებით. 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. სოიოს მავნებლების გამოვლენა და კლასიფიკაცია ღრმა სწავლის გამოყენებით
უპილოტო საფრენი აპარატის სურათებით. გამოთვლა. ელექტრონი. აგრ. 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- და WetSeason მდგრადი სოფლის მეურნეობისთვის და Terra-Sar X მონაცემებისთვის საფუძვლიანი ჭეშმარიტების მიწოდებისთვის. In: ISPRS – International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, გვ. 401–406. https://doi.org/10.5194/isprsarchivesXL-1-W2-401-2013.
Thelwall, M., 2008. ბიბლიომეტრია ვებომეტრამდე. J. ინფო. მეცნიერება. 34 (4), 605–621 წ.
Torres-Sanchez, ' J., Lopez-Granados, ' F., Pena, ˜ JM, 2015. ავტომატური ობიექტზე დაფუძნებული მეთოდი უპილოტო საფრენი აპარატების სურათებში ოპტიმალური ზღურბლისთვის: ბალახოვან კულტურებში მცენარეულობის გამოვლენის განაცხადი. გამოთვლა. ელექტრონი. აგრ. 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. მაღალი წარმადობის 3-D მონიტორინგი სასოფლო-სამეურნეო-ხეების პლანტაციებით უპილოტო საფრენი აპარატის (UAV) ტექნოლოგია. PLoS ONE 10 (6), e0130479.
Torres-Sanchez, ´ J., Pena, ˜ JM, de Castro, AI, Lopez-Granados, ´ F., 2014. მცენარეული ფრაქციის მრავალდროებითი რუკა ადრეული სეზონის ხორბლის მინდვრებში უპილოტო საფრენი აპარატის სურათების გამოყენებით. გამოთვლა. ელექტრონი. აგრ. 103, 104–113. https://doi.org/10.1016/j. კომპაგ.2014.02.009.
Tsouros, DC, Bibi, S., Sarigiannidis, PG, 2019. მიმოხილვა უპილოტო საფრენი აპარატებზე დაფუძნებულ აპლიკაციებზე ზუსტი სოფლის მეურნეობისთვის. ინფორმაცია (შვეიცარია) 10 (11). https://doi.org/10.3390/info10110349.
Tu, Y.-H., Phinn, S., Johansen, K., Robson, A., Wu, D., 2020. დრონით ფრენის დაგეგმვის ოპტიმიზაცია მებაღეობის ხეების მოსავლის სტრუქტურის გასაზომად. ISPRS J. Photogramm.
დისტანციური სენსორები 160, 83–96. https://doi.org/10.1016/j.isprsjprs.2019.12.006
Tzounis, A., Katsoulas, N., Bartzanas, T., Kittas, C., 2017. ნივთების ინტერნეტი სოფლის მეურნეობაში, ბოლოდროინდელი მიღწევები და მომავალი გამოწვევები. ბიოსისტი. ინჟ. 164, 31–48.
https://doi.org/10.1016/j.biosystemseng.2017.09.007.
Uddin, A., Singh, VK, Pinto, D., Olmos, I., 2015. კომპიუტერული მეცნიერების კვლევის მეცნიერომეტრიული რუკა მექსიკაში. Scientometrics 105 (1), 97–114.
UN., 2019. მსოფლიო მოსახლეობის პერსპექტივები 2019. https://population.un.org/wpp/ (წვდომა 15/04/2022).
Uto, K., Seki, H., Saito, G., Kosugi, Y., 2013. ბრინჯის ველების დახასიათება UAV-ზე დამონტაჟებული მინიატურული ჰიპერსპექტრული სენსორული სისტემის მიერ. IEEE J. Sel. ზედა. აპლ. დედამიწის ობს.
დისტანციური სენსორები 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. დრონები in
სოფლის მეურნეობა. ადვ. აგრონმა. 162, 1–30.
Velusamy, P., Rajendran, S., Mahendran, RK, Naseer, S., Shafiq, M., Choi, J.-G., 2022.
უპილოტო საჰაერო ხომალდები (UAV) ზუსტი სოფლის მეურნეობაში: აპლიკაციები და გამოწვევები. ენერგიები 15 (1), 217. https://doi.org/10.3390/en15010217.
Ventura, D., Bonifazi, A., Gravina, MF, Belluscio, A., Ardizzone, G., 2018. ეკოლოგიურად მგრძნობიარე საზღვაო ჰაბიტატების რუკა და კლასიფიკაცია უპილოტო საჰაერო ხომალდის გამოყენებით
ავტომობილის (UAV) გამოსახულება და ობიექტზე დაფუძნებული გამოსახულების ანალიზი (OBIA). დისტანციური ზონდირება 10 (9), 1331. https://doi.org/10.3390/rs10091331.
Verger, A., Vigneau, N., Ch´eron, C., Gilliot, J.-M., Comar, A., Baret, F., 2014. მწვანე ფართობის ინდექსი უპილოტო საჰაერო სისტემიდან ხორბლისა და რაფსის კულტურებზე . დისტანციური სენსორები. 152, 654–664 წწ. https://doi.org/10.1016/j.rse.2014.06.006.
Von Bueren, SK, Burkart, A., Hueni, A., Rascher, U., Tuohy, MP, Yule, IJ, 2015. ოთხი ოპტიკური UAV-ზე დაფუძნებული სენსორის განლაგება მდელოზე: გამოწვევები და
შეზღუდვები. Biogeosciences 12 (1), 163–175. https://doi.org/10.5194/bg-12-163-2015.
Vuran, MC, Salam, A., Wong, R., Irmak, S., 2018. მიწისქვეშა საგნების ინტერნეტი ზუსტი სოფლის მეურნეობაში: არქიტექტურა და ტექნოლოგიების ასპექტები. Ad Hoc Netw. 81,
160–173 წწ. https://doi.org/10.1016/j.adhoc.2018.07.017.
Wamba, SF, Queiroz, MM, 2021. პასუხისმგებელი ხელოვნური ინტელექტი, როგორც საიდუმლო ინგრედიენტი ციფრული ჯანმრთელობისთვის: ბიბლიომეტრიული ანალიზი, შეხედულებები და კვლევის მიმართულებები.
ინფორმაცია. სისტ. წინა. 1–16.
Wang, L., Zhang, G., Wang, Z., Liu, J., Shang, J., Liang, L., 2019. დისტანციური ზონდირების კვლევის ტენდენციის ბიბლიომეტრიული ანალიზი მოსავლის ზრდის მონიტორინგში: შემთხვევის შესწავლა ჩინეთში. დისტანციური ზონდირება 11 (7). https://doi.org/10.3390/rs11070809.
White, HD, Griffith, BC, 1981. ავტორის კოციტაცია: ინტელექტუალური სტრუქტურის ლიტერატურული საზომი. ჯ.ამ. სოც. ინფორმაცია. მეცნიერება. 32 (3), 163–171 წწ.
Xiang, H., Tian, L., 2011. იაფი სასოფლო-სამეურნეო დისტანციური ზონდირების სისტემის შემუშავება, რომელიც დაფუძნებულია ავტონომიურ უპილოტო საჰაერო ხომალდზე (UAV). ბიოსისტი. ინჟ. 108 (2), 174–190 წწ. https://doi.org/10.1016/j.biosystemseng.2010.11.010.
Xie, C., Yang, C., 2020. მიმოხილვა მცენარეთა მაღალი გამტარუნარიანობის ფენოტიპური თვისებების შესახებ UAV დაფუძნებული სენსორების გამოყენებით. გამოთვლა. ელექტრონი. აგრ. 178, 105731 https://doi.org/10.1016/j.
კომპაგ.2020.105731.
Yao, H., Qin, R., Chen, X., 2019. უპილოტო საფრენი აპარატი დისტანციური ზონდირების აპლიკაციებისთვის — მიმოხილვა. დისტანციური ზონდირება 11 (12). https://doi.org/10.3390/
rs11121443.
Yeom, S., 2021. ხალხის მოძრავი თვალყურის დევნება და ყალბი ტრასების ამოღება ინფრაწითელი თერმული გამოსახულების გამოყენებით მულტიროტორით. დრონები 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. მოსავლის პარამეტრების შეფასების შედარება სურათების გამოყენებით უპილოტო საფრენი აპარატიდან დამონტაჟებული
კადრის ჰიპერსპექტრული სენსორი და მაღალი გარჩევადობის ციფრული კამერა. დისტანციური ზონდირება 10 (7), 1138. https://doi.org/10.3390/rs10071138.
Yue, J., Yang, G., Li, C., Li, Z., Wang, Y., Feng, H., Xu, B., 2017. ზამთრის ხორბლის მიწისზედა ბიომასის შეფასება უპილოტო საჰაერო ხომალდის გამოყენებით- დაფუძნებული სნეპშოტი
ჰიპერსპექტრული სენსორი და მოსავლის სიმაღლის გაუმჯობესებული მოდელები. დისტანციური ზონდირება 9 (7). https://doi.org/10.3390/rs9070708.
Zahawi, RA, Dandois, JP, Holl, KD, Nadwodny, D., Reid, JL, Ellis, EC, 2015. მსუბუქი უპილოტო საფრენი აპარატების გამოყენება ტროპიკული ტყეების აღდგენის მონიტორინგისთვის. ბიოლ.
კონსერვაცია. 186, 287–295 წწ. https://doi.org/10.1016/j.biocon.2015.03.031. Zamora-Izquierdo, MA, Santa, J., Martínez, JA, Martínez, V., Skarmeta, AF, 2019 წ.
ჭკვიანი ფერმერული IoT პლატფორმა, რომელიც დაფუძნებულია ზღვარზე და ღრუბლოვან გამოთვლებზე. ბიოსისტი. ინჟ. 177,
4-17.
Zarco-Tejada, PJ, Diaz-Varela, R., Angileri, V., Loudjani, P., 2014. ხის სიმაღლის რაოდენობრივი განსაზღვრა უპილოტო საჰაერო ხომალდიდან მიღებული ძალიან მაღალი გარჩევადობის გამოსახულების გამოყენებით
ავტომობილის (UAV) და ავტომატური 3D ფოტო-რეკონსტრუქციის მეთოდები. Ევრო. ჯ.აგრონი. 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. ყვავილობის ინტენსივობის გამოსახულებაზე დაფუძნებული ფენოტიპირება მაგარი სეზონის კულტურებში. სენსორები 20 (5), 1450. https://doi.org/10.3390/s20051450.
Zhang, C., Kovacs, JM, 2012. მცირე უპილოტო საჰაერო სისტემების გამოყენება ზუსტი სოფლის მეურნეობისთვის: მიმოხილვა. ზუსტი. აგრ. 13 (6), 693–712 წწ. https://doi.org/
10.1007/s11119-012-9274-5.
Zhang, L., Zhang, H., Niu, Y., Han, W., 2019. სიმინდის წყლის სტრესის რუკაზე დაფუძნებული UAV მრავალსპექტრული დისტანციური ზონდირების საფუძველზე. დისტანციური ზონდირება 11 (6), 605.
Zhang, X., Han, L., Dong, Y., Shi, Y., Huang, W., Han, L., Gonz´ alez-Moreno, P., Ma, H., Ye, H., Sobeih , ტ., 2019. ღრმა სწავლაზე დაფუძნებული მიდგომა ავტომატური ყვითელი ჟანგისთვის
დაავადების გამოვლენა მაღალი რეზოლუციის ჰიპერსპექტრული UAV სურათებიდან. დისტანციური ზონდირება 11 (13), 1554 წ.
Zhao, X., Zhang, J., Huang, Y., Tian, Y., Yuan, L., 2022. ჩაის მცენარეების დაავადებისა და მწერების სტრესის გამოვლენა და დისკრიმინაცია ჰიპერსპექტრული გამოსახულების გამოყენებით, ტალღის ანალიზთან ერთად. გამოთვლა. ელექტრონი. აგრ. 193, 106717 https://doi.org/10.1016/j. კომპაგ.2022.106717.
Zheng, A., Wang, M., Li, C., Tang, J., Luo, B., 2022. ენტროპიით მართვადი საპირისპირო დომენის ადაპტაცია საჰაერო გამოსახულების სემანტიკური სეგმენტაციისთვის. IEEE Trans. გ
Zheng, H., Cheng, T., Yao, X., Deng, X., Tian, Y., Cao, W., Zhu, Y., 2016. ბრინჯის ფენოლოგიის გამოვლენა მიწისზე დაფუძნებული სპექტრული დროის სერიების ანალიზით ინდექსის მონაცემები. მინდვრის კულტურების რეზ. 198, 131–139. https://doi.org/10.1016/j.fcr.2016.08.027.
Zheng, J., Yang, W., 2018. ზუსტი სოფლის მეურნეობის გაჟონვის დათესვის სისტემის დიზაინი, რომელიც დაფუძნებულია უკაბელო სენსორებზე. ინტ. J. Online Eng. 14 (05), 184.
Zhou, L., Gu, X., Cheng, S., Yang, G., Shu, M., Sun, Q., 2020. შეტანილი სიმინდის მცენარის სიმაღლის ცვლილებების ანალიზი UAV-LiDAR მონაცემების გამოყენებით. სოფლის მეურნეობა 10 (5), 146. https://
doi.org/10.3390/agriculture10050146.
Zhou, S., Chai, X., Yang, Z., Wang, H., Yang, C., Sun, T., 2021. Maize-IAS: სიმინდის გამოსახულების ანალიზის პროგრამული უზრუნველყოფა ღრმა სწავლის გამოყენებით მცენარეთა მაღალი წარმადობის ფენოტიპისთვის . მცენარეთა მეთოდები 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. მარცვლეულის მოსავლიანობის პროგნოზირება ბრინჯი მრავალდროული მცენარეულობის გამოყენებით
ინდექსები UAV-ზე დაფუძნებული მულტისპექტრული და ციფრული გამოსახულებებიდან. ISPRS J. Photogramm. დისტანციური სენსორები 130, 246–255. https://doi.org/10.1016/j.isprsjprs.2017.05.003.
Zhou, Y., Xie, Y., Shao, L., 2016. უკაბელო სენსორულ ქსელზე დაფუძნებული სათბურის მონიტორინგის სისტემის ძირითადი ტექნოლოგიის სიმულაცია. ინტ. J. Online Eng. 12 (05),
43.
Zhou, Z., Majeed, Y., Diverres Naranjo, G., Gambacorta, EMT, 2021. შეფასება მოსავლის წყლის სტრესისთვის ინფრაწითელი თერმული გამოსახულებით ზუსტი სოფლის მეურნეობაში: მიმოხილვა
და ღრმა სწავლის აპლიკაციების სამომავლო პერსპექტივები. გამოთვლა. ელექტრონი. აგრ. 182, 106019 https://doi.org/10.1016/j.compag.2021.106019.