Абдерахман Режеб a , Алиреза Абдоллахи b , Карим Режеб c , Хорст Трейблмайер d,
- a Ромын Тор Вергата их сургуулийн Эдийн засгийн факультет, Менежмент, хуулийн тэнхим, Виа Колумбиа, 2, Ром 00133, Итали
- b Харазми Их Сургуулийн Удирдлагын факультет, Бизнесийн удирдлагын тэнхим, 1599964511 Тегеран, Иран
- c Бизертийн шинжлэх ухааны факультет, Карфагены их сургууль, Зарзоуна, 7021 Бизерте, Тунис
- d Олон улсын менежментийн сургууль, Модулийн их сургуулийн Вена, Ам Каленберг 1, 1190 Вена, Австри
ӨГҮҮЛЛИЙН МЭДЭЭ | Товч |
Түлхүүр үг: Drones АХА Нарийн хөдөө аж ахуй Зүйлс Интернэт Библиометр | Нисгэгчгүй агаарын тээврийн хэрэгсэл (UAV) гэж нэрлэгддэг нисгэгчгүй онгоцууд сүүлийн хэдэн арван жилд гайхалтай хөгжлийг гэрчлээд байна. Хөдөө аж ахуйд тэд тариаланчдад ихээхэн хэмнэлт, өсөлтийг санал болгосноор газар тариалангийн практикийг өөрчилсөн. үйл ажиллагааны үр ашиг, илүү сайн ашиг. Сүүлийн хэдэн арван жилийн хугацаанд хөдөө аж ахуйн нисгэгчгүй онгоцнуудын сэдэв бий болсон эрдэм шинжилгээний гайхалтай анхаарлыг татсан. Тиймээс бид библиометрийн судалгаанд тулгуурлан иж бүрэн судалгаа хийдэг одоо байгаа эрдэм шинжилгээний уран зохиолыг нэгтгэн дүгнэх, бүтэцжүүлэх, өнөөгийн судалгааны чиг хандлага, халуун цэгүүдийг илрүүлэх. Бид библиометрийн арга техникийг хэрэглэж, хөдөө аж ахуйн дронуудын эргэн тойрон дахь уран зохиолд дүн шинжилгээ хийж, нэгтгэн дүгнэж, өмнөх судалгааг үнэлэх. Бидний хийсэн дүн шинжилгээ нь зайнаас тандан судлах, нарийн хөдөө аж ахуй, гүнзгий суралцах, машин сургалт, интернетийн зүйлс нь хөдөө аж ахуйн дронтой холбоотой чухал сэдэв болохыг харуулж байна. Хамтарсан ишлэл Шинжилгээ нь уран зохиолын зургаан өргөн хүрээний судалгааны кластерийг харуулж байна. Энэхүү судалгаа нь хөдөө аж ахуй дахь дронуудын судалгааг нэгтгэн дүгнэж, цаашдын судалгааны чиглэлийг санал болгох анхны оролдлогуудын нэг юм. |
Оршил
Хөдөө аж ахуй нь дэлхийн хүнсний гол эх үүсвэрийг төлөөлдөг (Фриха нар, 2021) бөгөөд энэ нь гамшгийн улмаас хүнд сорилтуудтай тулгарч байна.
хүнсний бүтээгдэхүүний эрэлт хэрэгцээ нэмэгдэж, хүнсний аюулгүй байдал, аюулгүй байдлын асуудал, түүнчлэн байгаль орчныг хамгаалах, ус хадгалах,
тогтвортой байдал (Inoue, 2020). 9.7 он гэхэд дэлхийн хүн ам 2050 тэрбумд хүрнэ гэж тооцоолж байгаа тул энэхүү хөгжил үргэлжлэх төлөвтэй байна.
(2019). Хөдөө аж ахуй нь дэлхийн хэмжээнд усны хэрэглээний хамгийн тод жишээг бүрдүүлдэг тул хүнсний хэрэгцээ, ус
хэрэглээ ойрын ирээдүйд эрс нэмэгдэх болно. Цаашлаад бордоо, пестицидийн хэрэглээ нэмэгдэж байна
газар тариалангийн үйл ажиллагааг эрчимжүүлэхтэй зэрэгцэн цаашид байгаль орчны сорилтыг бий болгож болзошгүй. Үүний нэгэн адил тариалангийн талбай хязгаарлагдмал, мөн
Дэлхий даяар тариаланчдын тоо буурч байна. Эдгээр сорилтууд нь шинэлэг, тогтвортой газар тариалангийн шийдлүүдийн хэрэгцээг онцолж байна (Елиа
нар, 2018; Фриха нар, 2021; Иноуэ, 2020; Tzounis et al., 2017).
Эдгээр сорилтыг шийдвэрлэх ирээдүйтэй шийдэл нь шинэ технологиудыг нэвтрүүлэх нь тодорхой болсон. Ухаалаг газар тариалан (Brewster нар.,
2017; Tang нар, 2021) болон нарийн хөдөө аж ахуй (Feng нар, 2019; Khanna & Kaur, 2019) ийм мэтгэлцээний үр дүнд бий болсон. The
Эхнийх нь үр ашиг, үр ашгийг нэмэгдүүлэхийн тулд мэдээллийн харилцаа холбооны технологи (МХТ) болон бусад дэвшилтэт инновацийг хөдөө аж ахуйн үйл ажиллагаанд нэвтрүүлэх ерөнхий ойлголт юм (Haque et al., 2021). Сүүлийнх нь газрыг хуваах талбайн тусгай менежментэд анхаарлаа хандуулдаг
нэгэн төрлийн хэсгүүд, хэсэг бүр нь шинэ технологийн тусламжтайгаар газар тариалангийн ургацыг оновчтой болгох хөдөө аж ахуйн орцын тодорхой хэмжээг авдаг (Feng нар, 2019; Khanna & Kaur, 2019). Энэ салбарт эрдэмтдийн анхаарлыг татсан алдартай технологид Утасгүй мэдрэгчтэй сүлжээ (WSNs) (J. Zheng & Yang, 2018; Y. Zhou нар, 2016), зүйлсийн интернет (IoT) (Gill et al., 2017; Хэ нар, 2021; Лю нар, 2019),
хиймэл оюун ухааны (AI) техник, үүнд машин суралцах, гүнзгий суралцах (Liakos et al., 2018; Parsaeian et al., 2020; Shadrin et al.,
2019), тооцоолох технологи (Hsu et al., 2020; Jinbo et al., 2019; Zamora-Izquierdo et al., 2019), big data (Gill et al., 2017; Tantalaki).
нар, 2019), блокчэйн (PW Khan нар, 2020; Pincheira нар, 2021).
Дээр дурдсан технологиос гадна зайнаас тандан судлах нь сайжруулах өндөр боломж бүхий технологийн хэрэгсэл гэж тооцогддог
ухаалаг, нарийн хөдөө аж ахуй. Хиймэл дагуулууд, хүний хөлөг онгоц, нисгэгчгүй онгоцууд нь алсаас тандан судлах түгээмэл технологи юм (Цурос нар, 2019).
Нисгэгчгүй нисэх төхөөрөмж (UAVs), нисгэгчгүй нисэх онгоцны систем (UAS) болон алсаас удирддаг нисэх онгоцууд гэгддэг дронууд нь
Эдгээр нь бусад зайнаас тандан судлах технологитой харьцуулахад олон давуу талтай тул маш чухал юм. Жишээлбэл, дронууд хүргэх боломжтой
үүлэрхэг өдрүүдэд өндөр чанартай, өндөр нарийвчлалтай зургууд (Manfreda et al., 2018). Мөн тэдгээрийн хүртээмж, дамжуулах хурд нь бусад зүйлийг бүрдүүлдэг
ашиг тус (Radoglou-Grammatikis нар, 2020). Нисэх онгоцтой харьцуулахад дрон нь өндөр өртөг хэмнэлттэй бөгөөд суурилуулах, засвар үйлчилгээ хийхэд хялбар байдаг (Tsuros et al., 2019). Нисгэгчгүй онгоцыг анх цэргийн зориулалтаар ашиглаж байсан хэдий ч олон тооны иргэний хэрэглээнд, тухайлбал нийлүүлэлтийн сүлжээний менежментэд (A. Rejeb, Rejeb, et al., 2021a), хүмүүнлэгийн зорилгоор (A. Rejeb, Rejeb, et al., 2021c), ухаалаг хөдөө аж ахуй, судалгаа, зураглал, соёлын өвийн баримтжуулалт, гамшгийн менежмент, ой, зэрлэг ан амьтдыг хамгаалах (Panday, Pratihast, et al., 2020). Газар тариалангийн салбарт дронуудыг шинэ технологи, тооцоолох чадвар, газар тариалангийн менежментийг (жишээ нь, газрын зураглал, хяналт, усалгаа, ургамлын оношлогоо) дэмжих зориулалттай мэдрэгчтэй нэгтгэх боломжтой тул олон талт хэрэглээний талбарууд байдаг (H. Huang et al., 2021) , гамшгийг бууруулах, эрт зарлан мэдээлэх систем, зэрлэг ан амьтад, ойн аж ахуйг хамгаалах зэрэг цөөн хэдэн зүйлийг дурдвал (Negash et al., 2019). Үүний нэгэн адил дроныг газар тариалан, өсөлтийн хяналт, ургацын тооцоо, усны стрессийн үнэлгээ, хогийн ургамал, хортон шавьж, өвчин илрүүлэх зэрэг хөдөө аж ахуйн хэд хэдэн үйл ажиллагаанд ашиглаж болно (Inoue, 2020; Panday, Pratihast, et al., 2020). Дроныг зөвхөн мэдрэхүйн өгөгдөлд үндэслэн хянах, тооцоолох, илрүүлэх зорилгоор ашиглахаас гадна нарийн усалгаа, хогийн ургамал, хортон шавьж, өвчинтэй тэмцэх зэрэгт ашиглах боломжтой. Өөрөөр хэлбэл, дронууд байгаль орчны мэдээлэлд үндэслэн ус, пестицидийг тодорхой хэмжээгээр шүрших чадвартай. Хөдөө аж ахуйд дронуудын ашиг тусыг 1-р хүснэгтэд нэгтгэн харуулав.
Хөдөө аж ахуйд дронуудын гол ашиг тус.
Ашиг тус | Лавлагаа(ууд) |
Цаг хугацаа болон орон зайн байдлыг сайжруулах мэдрэгчтэй нягтралууд | (Гаго нар, 2015; Ниу нар, 2020; Шривастава et al., 2020) |
Нарийвчлалтай газар тариаланг хөнгөвчлөх | (Л. Дэн нар, 2018; Калищук нар, 2019; Maimaitijiang нар, 2017) |
Ангилал ба скаут үр тариа | (Inoue, 2020; Калищук нар, 2019; Лопез- ' Гранадос нар, 2016; Maimaitijiang нар, 2017; Мелвилл нар, 2019; Мохарана ба Дутта, 2016) |
Бордооны хэрэглээ | (Л. Дэн нар, 2018; Гуан нар, 2019) |
Гангийн хяналт | (Fawcett нар, 2020; Panday, Pratihast, et al., 2020; Су нар, 2018) |
Биомассын тооцоолол | (Бэндиг нар, 2014) |
Ургацын тооцоо | (Inoue, 2020; Panday, Shrestha, et al., 2020; Tao et al., 2020) |
Гамшгийг бууруулах | (Негаш нар, 2019) |
Зэрлэг ан амьтдыг хамгаалах ба ойн аж ахуй | (Negash et al., 2019; Panday, Pratihast, et al., 2020) |
Усны стрессийн үнэлгээ | (Inoue, 2020; J. Su, Coombes, et al., 2018; Л. Жан нар, 2019) |
Хортон шавьж, хогийн ургамал, өвчин илрүүлэх | (Gaˇsparovi´c нар, 2020; Inoue, 2020; J. Su, Liu, нар, 2018; X. Zhang нар, 2019) |
Нөгөөтэйгүүр, дронууд бас хязгаарлалттай тулгардаг. Нисгэгчийн оролцоо, хөдөлгүүрийн хүч, тогтвортой байдал, найдвартай байдал, даацын улмаас мэдрэгчийн чанар
жингийн хязгаарлалт, хэрэгжүүлэх зардал, нисэхийн зохицуулалт зэрэг нь эдгээрийн нэг юм (C. Zhang & Kovacs, 2012). Бид дутагдлыг харьцуулж үздэг
Хүснэгт 2-т байгаа гурван хөдөлгөөнт алсын зайнаас тандан судлах технологийн. Хөрсний мэдрэгч зэрэг зайнаас тандан судлах бусад технологи нь энэхүү судалгааны анхаарлын төвд ороогүй болно.
Төрөл бүрийн хөдөлгөөнт алсын зайнаас тандан судлах технологийн дутагдал.
Зайнаас тандан судлах технологи | Хохирол | Ашигласан материал |
Дрон (UAV) | Нисгэгчийн оролцоо; зураг' чанар (дундаж); хэрэгжүүлэх зардал (дундаж); тогтвортой байдал, маневрлах чадвар, ба найдвартай байдал; стандартчилал; хөдөлгүүрийн хүч; хязгаарлагдмал хүч эх үүсвэрүүд (батерейны урт наслалт); хязгаарлагдмал нислэгийн хугацаа, мөргөлдөөн ба кибер халдлага; хязгаарлагдмал даацын жин; том өгөгдлийн багц болон хязгаарлагдмал өгөгдөл боловсруулах чадвар; зохицуулалт дутмаг; туршлага дутмаг, өндөр нэвтрэлт нэвтрэхэд саад тотгор учруулдаг хөдөө аж ахуйн дрон; | (Bacco et al., 2018; Dawaliby нар, 2020; Хардин & Хардин, 2010; Хардин & Женсен, 2011; Лагкас нар. 2018; Лалиберте нар, 2007; Лалиберте & Ранго, 2011; Манфреда нар, 2018, 2018; Небикер нар, 2008; Пури нар, 2017; Велусами нар. 2022; C. Zhang & Kovacs, 2012) |
хиймэл дагуулын | Үе үе хиймэл дагуулын хамрах хүрээ, хязгаарлагдмал спектрийн нарийвчлал; харагдах байдлын асуудалд эмзэг байдал (жишээлбэл, үүл); Боломжгүй дамжуулах хурд бага; чиг баримжаа болон виньет зардал ихтэй орон зайн өгөгдөлд нөлөөлдөг цуглуулга; мэдээлэл дамжуулах удаашралтай эцсийн хэрэглэгчдэд хүрэх цаг | (Абуталеби нар, 2019; Cen нар, 2019; Чен нар. 2019; Нансен, Эллиотт, 2016; Пандей, Пратихаст, нар, 2020; Сай Винет et al., 2019) |
Нисэх онгоцны | Үрчлэлтийн зардал өндөр; төвөгтэй тохиргоо; засвар үйлчилгээний зардал; найдвартай байх боломжгүй онгоц, геометр зураг; тогтмол бус өгөгдөл олж авах; уян хатан чанар дутмаг; үхлийн аюултай осол; мэдрэгчийн өгөгдөл чичиргээнээс үүдэлтэй өөрчлөлтүүд; газарзүйн лавлагааны асуудлууд | (Армстронг нар, 2011; Аткинсон нар, 2018; Barbedo & Koenigkan, 2018; Ковалев, Ворошилова нар 2020; Суомалайнен нар. 2013; Тэмм нар, 2013) |
Хөдөө аж ахуйд олон талт, олон зориулалттай технологи болохын хувьд дроныг янз бүрийн өнцгөөс судалж ирсэн. Жишээлбэл, эрдэмтэд хөдөө аж ахуйд дрон ашиглах (Kulbacki нар, 2018; Mogili & Deepak, 2018), нарийн хөдөө аж ахуйд оруулсан хувь нэмэр (Puri et al., 2017; Tsouros et al., 2019), бусадтай нийцэж байгааг судалжээ. хамгийн сүүлийн үеийн технологи (Al-Thani et al., 2020; Dutta & Mitra, 2021; Nayyar et al., 2020; Saha et al., 2018), мөн тэдгээрийн навигацийн болон мэдрэгчийг сайжруулах боломжууд (Барет нар. , 2015; Суомалайнен нар, 2014). Хөдөө аж ахуйд дрон ашиглах судалгаа дэлгэрч байгаа тул (Khan et al., 2021)) одоо байгаа уран зохиолыг нэгтгэн дүгнэж, домэйны оюуны бүтцийг илчлэх шаардлагатай байна. Цаашилбал, тасралтгүй сайжруулалт бүхий өндөр технологийн салбарын хувьд одоо байгаа уран зохиолыг нэгтгэн дүгнэж, судалгааны чухал дутагдлыг тодорхойлохын тулд бүтэцлэгдсэн тоймыг үе үе хийх шаардлагатай байдаг. руу
огноо, хөдөө аж ахуйн салбарт дрон ашиглах талаар ярилцсан тойм цөөн байдаг. Жишээлбэл, Могили ба Дипак (2018) дронуудын үр тарианы хяналт, пестицид цацахад үзүүлэх нөлөөг товч тоймлон авч үзсэн. Inoue (2020) хөдөө аж ахуйд зайнаас тандан судлахад хиймэл дагуул болон нисгэгчгүй аппаратын ашиглалтын үнэлгээг хийдэг. Зохиогч ухаалаг фермерийн аж ахуйг нэвтрүүлэхэд тулгарч буй технологийн сорилтууд болон хиймэл дагуул, нисгэгчгүй онгоцны оруулсан хувь нэмрийг кейс судалгаа, шилдэг туршлагад үндэслэн судалсан. Цурос нар. (2019) янз бүрийн төрлийн дрон ба тэдгээрийн хөдөө аж ахуй дахь үндсэн хэрэглээг нэгтгэн дүгнэж, янз бүрийн мэдээлэл олж авах, боловсруулах аргуудыг онцлон тэмдэглэв. Саяхан Aslan et al. (2022) ХАА-н үйл ажиллагаан дахь UAV хэрэглээний талаар иж бүрэн дүн шинжилгээ хийж, хүлэмжинд UAV-ийг нэгэн зэрэг нутагшуулах, зураглах нь чухал болохыг онцлон тэмдэглэв. Диаз-Гонзалес нар. (2022) янз бүрийн машин сургалтын техник, алсын зайнаас үндэслэн тариалангийн ургацын сүүлийн үеийн судалгааг хянаж үзсэн
мэдрэгч систем. Тэдний олж мэдсэнээр UAV нь хөрсний үзүүлэлтийг тооцоолоход тустай бөгөөд орон зайн нарийвчлал, мэдээллийн цаг хугацаа, уян хатан байдлын хувьд хиймэл дагуулын системээс илүү сайн болохыг харуулж байна. Басири нар. (2022) нарийн газар тариалангийн хүрээнд олон ротортой UAV-уудын зам төлөвлөлтийн сорилтуудыг даван туулах янз бүрийн арга барил, аргуудын талаар дэлгэрэнгүй тойм хийсэн. Үүнээс гадна, Awais et al. (2022) нь усны төлөв байдлыг тооцоолохын тулд газар тариалангийн UAV зайнаас тандан судлах өгөгдлийг ашиглахыг нэгтгэн дүгнэж, хаягдлын стресст зориулсан UAV зайнаас тандан судлах чадавхийг гүнзгийрүүлэн нэгтгэсэн болно. Эцэст нь, Aquilani et al. (2022) бэлчээрт суурилсан мал аж ахуйн системд хэрэглэгдэж буй фермийн аж ахуйн технологиудыг судалж үзээд UAV-уудаар зайнаас тандан судлах нь биомассын үнэлгээ болон сүргийн менежментэд ашигтай гэж дүгнэсэн.
Мөн сүүлийн үед малыг хянах, хянах, цуглуулах зэрэгт UAV ашиглах оролдлого гарч байна.
Эдгээр тоймууд нь шинэ бөгөөд чухал ойлголтуудыг өгдөг хэдий ч ном зохиолд үндэслэсэн иж бүрэн бөгөөд сүүлийн үеийн тойм олдохгүй байгаа нь тодорхой мэдлэгийн зөрүүг харуулж байна. Түүгээр ч зогсохгүй, эрдэм шинжилгээний үйлдвэрлэл шинжлэх ухааны салбарт өсөхөд судлаачид домэйны мэдлэгийн бүтцийг ойлгохын тулд тоон үнэлгээний аргыг ашиглах нь амин чухал болж байна гэж мэдэгджээ (Rivera & Pizam, 2015). Үүнтэй адилаар Ferreira et al. (2014) судалгааны талбарууд төлөвшиж, нарийн төвөгтэй болохын хэрээр эрдэмтэд шинэ хувь нэмэр оруулах, судалгааны уламжлал, чиг хандлагыг олж авах, ямар сэдвүүдийг судалж байгааг тодорхойлох, мэдлэгийн бүтцийг судлах зорилгоор бий болгож, хуримтлуулсан мэдлэгээ үе үе ойлгохыг зорьж байх ёстой гэж үзсэн. талбар ба боломжит судалгааны чиглэлүүд. Рапарелли, Бажокко (2019) нар хөдөө аж ахуй, ойн аж ахуйд дрон ашиглах мэдлэгийн хүрээг судлахын тулд библиометрийн шинжилгээ хийсэн боловч тэдний судалгаанд зөвхөн 1995-2017 оны хооронд нийтлэгдсэн эрдэм шинжилгээний судалгааг авч үзсэн бөгөөд энэ нь хурдацтай хөгжиж буй бүс нутгийн динамикийг тусгаагүй болно. Цаашилбал, зохиогчид энэ салбарт хамгийн их нөлөө үзүүлсэн хувь нэмрийг тодорхойлох, уран зохиолыг нэгтгэх, хамтарсан ишлэлийн шинжилгээг ашиглан оюуны бүтцийг үнэлэх оролдлого хийсэнгүй. Үүний үр дүнд өнөөгийн судалгааны гол чиглэл, чиг хандлага, халуун цэгүүдийг тодруулахын тулд уран зохиолыг нэгтгэн дүгнэх шаардлагатай байна.
Энэхүү мэдлэгийн цоорхойг нөхөхийн тулд бид дрон ба хөдөө аж ахуйн огтлолцол дахь судалгааны өнөөгийн байдлыг судлахын тулд тоон арга зүй, нарийн библиометрийн аргуудыг ашигладаг. Энэхүү судалгаа нь хөдөө аж ахуйд нэн шаардлагатай байгаа шинэ технологийг судалж үзэх замаар одоо байгаа уран зохиолд хэд хэдэн хувь нэмэр оруулж байгаа бөгөөд энэ нь энэ салбарын хэд хэдэн талыг өөрчлөх асар их боломжийг олгодог гэж бид үзэж байна. Хөдөө аж ахуйн чиглэлээр дронуудын талаарх тархай бутархай, хуваагдмал мэдлэгийг харгалзан хөдөө аж ахуйн дронуудад библиометрийн шинжилгээ хийх хэрэгцээ бүр ч илүү мэдрэгдэж байна. Үүний нэгэн адил хөдөө аж ахуйн дронтой холбоотой ном зохиолыг энэ судалгааны талбарын үндэс суурийг бүрдүүлсэн хамгийн нөлөө бүхий судалгааг харгалзан системтэйгээр нэгтгэх шаардлагатай байна. Шинжилгээний ач тус нь уран зохиолд тусгагдсан судалгааны үндсэн сэдвүүдийг тодруулах явдал юм. Технологийн өөрчлөлтийн чадавхийг харгалзан үзвэл, сүлжээний гүнзгий дүн шинжилгээ нь нөлөө бүхий бүтээлүүдийг тодорхойлж, хөдөө аж ахуйд дронуудын чадавхитай холбоотой сэдвүүдийг илчлэх замаар шинэ ойлголтыг өгдөг гэж бид үзэж байна.
Тиймээс бид дараахь судалгааны зорилгод хүрэхийг хичээж байна.
- Хөдөө аж ахуйн салбарт дрон ашиглахад онцгой хувь нэмэр оруулсан нөлөө бүхий нийтлэлүүдийг тодорхойлох.
- Уран зохиолын бүлэглэл, судалгааны голомтыг тодорхойлох, хамтарсан ишлэлийн шинжилгээг ашиглан утгын ижил төстэй байдалд үндэслэн үндсэн "оюуны бүтэц" судалгааны зураглалыг гаргах.
- Тухайн салбарын янз бүрийн нийтлэлүүдийн дунд цаг хугацааны явцад холбоосууд болон ишлэлийн сүлжээний хувьслын талаархи ойлголт, цаашдын судалгааны чиглэл, халуун сэдвүүдийг тодорхойлох.
Баримт бичгийн үлдсэн хэсэг нь дараах бүтэцтэй байна: 2-р хэсэгт арга зүй, мэдээлэл цуглуулах үе шатуудыг тодорхойлсон; 3-р хэсэг нь шинжилгээний үр дүнг өгдөг; мөн 4-р хэсэгт судалгааны үр дүн, оруулсан хувь нэмэр, үр дагавар, цаашдын чиг хандлагын талаар ярилцаж, дүгнэлтээ гаргана.
Арга зүй
Энэхүү одоогийн судалгааны судалгаагаар бид хөдөө аж ахуй дахь дрон хэрэглээг судлах зорилгоор библиометрийн шинжилгээ хийж байна. Энэхүү тоон арга нь мэдлэгийн хүрээний оюуны бүтэц (Arora & Chakraborty, 2021) болон энэ аргыг хэрэглэснээр судалж болох өнөөгийн байдал, халуун сэдэв, ирээдүйн судалгааны чиглэлийг харуулдаг (Kapoor et al., 2018; Mishra et al. , 2017; A. Rejeb, Rejeb, et al., 2021b; A. Rejeb et al., 2021d; MA Rejeb et al., 2020). Ерөнхийдөө библиометрийн шинжилгээ нь статистик болон математикийн аргууд дээр суурилсан бичгийн харилцааны далд хэв маяг, шинжлэх ухааны хувьслыг нэгтгэн дүгнэж, илрүүлэхийн тулд одоог хүртэл байгаа ном зохиолуудыг судалж, том өгөгдлийн багцад хамаарна (Pritchard, 1969; Small, 1999; Tahai & Rigsby). , 1998). Библиометрийг ашигласнаар бид ижил төстэй байдалд тулгуурлан домэйнд хувь нэмрээ оруулж буй одоо байгаа парадигмууд болон судалгааны төвүүдийг илүү сайн ойлгохыг эрмэлздэг (Thelwall, 2008). Библиометрийн судалгаа нь аргачлалын бодит тоон хүчин чадлаар баталгаажсан шинэ ойлголтуудыг өгдөг (Casillas & Acedo, 2007). Олон тооны эрдэмтэд өмнө нь хөдөө аж ахуй, зайнаас тандан судлах, дижитал хувиргалт зэрэг холбогдох салбарт библиометрийн судалгаа хийж байсан (Armenta-Medina et al., 2020; Bouzembrak et al., 2019; A. Rejeb, Treiblmaier, et al., 2021; Wamba). & Queiroz, 2021; Ванг нар, 2019).
Ишлэлд дүн шинжилгээ хийх
Ишлэлд дүн шинжилгээ хийх нь тухайн судалгааны талбарт янз бүрийн ойлголтыг өгдөг. Юуны өмнө энэ нь тухайн судалгааны салбарт хувь нэмрээ оруулж, чухал нөлөө үзүүлж буй хамгийн нөлөө бүхий зохиолч, нийтлэлүүдийг илрүүлэхэд тусалдаг (Gundolf & Filser, 2013). Хоёрдугаарт, мэдлэгийн урсгал, зохиогчдын хоорондын харилцааны холбоосыг нээж болно. Эцэст нь иш татсан болон иш татсан бүтээлүүдийн хоорондын уялдаа холбоог ажигласнаар мэдлэгийн хүрээний цаг хугацааны өөрчлөлт, хувьслыг судлах боломжтой (Пурнадер
нар, 2020). Хэвлэлийн эшлэл их байгаа нь түүний хамаарал, судалгааны салбарт оруулсан хувь нэмрийг илтгэдэг (Балди, 1998; Гундолф & Филсер, 2013; Маринко, 1998). Нийтлэлүүдийн ишлэлд дүн шинжилгээ хийх нь холбогдох бүтээлүүдийг тодорхойлох, цаг хугацааны явцад тэдний алдар нэр, ахиц дэвшлийг хянахад тусалдаг.
Баримт бичгийн хамтарсан ишлэлийн шинжилгээ
Хамтарсан ишлэлд дүн шинжилгээ хийх нь нийтлэл хоорондын харилцааг судлах, тухайн салбарын оюуны бүтцийг дүрслэн харуулах үнэ цэнэтэй арга юм (Нерур нар, 2008). Өөрөөр хэлбэл, хамгийн их иш татсан нийтлэлүүд болон тэдгээрийн холболтыг тодорхойлсноор уг арга нь хэвлэлийг өөр өөр судалгааны кластер болгон бүлэглэж, кластер дахь хэвлэлүүд ижил төстэй санааг байнга хуваалцдаг (МакКэйн, 1990; Small, 1973). Ижил төстэй байдал нь нийтлэлүүдийн үр дүнд хүрсэн гэсэн үг биш гэдгийг хэлэх нь чухал юм
эв нэгдэлтэй, бие биетэйгээ санал нийлэх; Сэдвийн ижил төстэй байдлаас шалтгаалан нийтлэлүүд нь нэг кластерт багтдаг боловч тэдгээр нь эсрэг тэсрэг үзэл бодолтой байж болно.
Өгөгдөл цуглуулах, дүн шинжилгээ хийх
Уайт, Гриффитын (1981) санал болгосон аргачлалын дагуу бид хөдөө аж ахуйд дрон ашиглах судалгааны чиглэлийг бүхэлд нь хамрах сэтгүүлийн нийтлэлүүдийн иж бүрэн хайлт хийж, дараах таван алхмыг хэрэгжүүлсэн.
- Эхний алхам бол мэдээлэл цуглуулах явдал байв. Scopus нь стандартчилагдсан үр дүн бүхий хамгийн өргөн хүрээтэй, найдвартай мэдээллийн сангуудын нэгээр сонгогдсон. Хөдөө аж ахуйд дрон ашиглахтай холбоотой нийтлэлүүдийн мета өгөгдлийг олж авсан. Дараа нь бид сонгосон нийтлэлүүдэд дүн шинжилгээ хийж, сэдвээс гадуурх нийтлэлүүдийг шинжилгээнээс хасав.
- Бид уран зохиолд дүн шинжилгээ хийж, судалгааны салбарт ашигласан хамгийн чухал түлхүүр үгсийг тодорхойлсон.
- Ишлэлд дүн шинжилгээ хийх замаар бид ишлэлийн үндсэн хэв маягийг илрүүлэхийн тулд зохиогчид болон баримт бичгийн хоорондын холбоог судалсан. Мөн бид хөдөө аж ахуйн нисгэгчгүй онгоцны салбарт томоохон хувь нэмэр оруулсан хамгийн нөлөө бүхий зохиолч, нийтлэлүүдийг тодруулсан.
- Бид ижил төстэй нийтлэлүүдийг кластер болгон бүлэглэхийн тулд хамтарсан ишлэлийн шинжилгээ хийсэн.
- Эцэст нь бид хамтын ажиллагааны сүлжээг дүрслэн харуулахын тулд улс орон, институци, сэтгүүлүүдийн хоорондын холбоо, уялдаа холбоонд дүн шинжилгээ хийсэн.
Тохирох хайлтын нэр томъёог тодорхойлох
Бид өгөгдөл цуглуулахын тулд дараах хайлтын мөрүүдийг ашигласан: (дрон* ЭСВЭЛ "нисгэгчгүй нисэх хэрэгсэл" ЭСВЭЛ UAV* ЭСВЭЛ "нисгэгчгүй нисэх онгоцны систем"” OR uas ЭСВЭЛ “алсын удирдлагатай нисэх онгоц”) БА (Хөдөө аж ахуй ЭСВЭЛ хөдөө аж ахуй ЭСВЭЛ фермер ЭСВЭЛ фермер). Эрлийн ажиллагааг 2021 оны 2021-р сард хийсэн. Нисгэгчгүй онгоцууд нь UAV, UAS, алсаас удирддаг нисэх онгоц зэрэг хэд хэдэн нэртэй байдаг (Sah et al., 2021). Хөдөө аж ахуйтай холбоотой хайлтын тусгай нэр томъёог Абдоллахи нар судалгаан дээр үндэслэн тодорхойлсон. (1). Ойлгомжтой, ил тод байх үүднээс бидний ашигласан асуулгыг Хавсралт 1.6.16-д өгсөн болно. Өгөгдөл цэвэрлэх үйл явцын дараа бид текст файлыг үүсгэсэн бөгөөд дараа нь ишлэл болон хамтарсан ишлэлд дүн шинжилгээ хийх нийтлэг хэрэгсэл болох BibExcel-д ачаалагдсан. Энэхүү хэрэгсэл нь бусад программ хангамжтай энгийн харьцах боломжийг санал болгодог бөгөөд өгөгдөл боловсруулах, дүн шинжилгээ хийхэд ихээхэн эрх чөлөөг олгодог. VOSviewer-ийн 2009 хувилбарыг илэрцүүдийг дүрслэн харуулах, библиометрийн сүлжээ үүсгэхэд ашигласан (Eck & Waltman, 2020). VOSviewer нь библиометрийн газрын зургийг шинжлэхэд зориулагдсан олон төрлийн зөн совингийн дүрслэлийг санал болгодог (Geng et al., 2021). Цаашилбал, энэ нь үр дүнг илүү сайн ойлгоход туслах энгийн харааны үр дүнг гаргахад тусалдаг (Abdollahi et al., 5,085). Дээр дурдсанчлан хайлтын мөрүүдийг ашигласнаар бид холбогдох бүх хэвлэлийг цуглуулж, хадгалсан. Эхний хайлтын үр дүнд нийт 4,700 баримт олдсон. Сонгосон түүврийн чанарыг баталгаажуулахын тулд судалгаанд зөвхөн шинжээчдийн үнэлгээтэй сэтгүүлийн нийтлэлийг авч үзсэний үр дүнд ном, бүлэг, хурлын эмхэтгэл, редакцийн тэмдэглэл зэрэг бусад төрлийн баримт бичгийг хассан. Шалгалтын явцад хамааралгүй (өөрөөр хэлбэл, энэ ажлын хамрах хүрээнээс гадуур), илүүдэл (өөрөөр хэлбэл давхар индексжүүлснээс үүссэн давхардсан) болон англи хэлээр ярьдаггүй хэвлэлүүдийг шүүсэн. Энэ үйл явцын үр дүнд XNUMX баримт бичиг эцсийн дүн шинжилгээнд хамрагдсан.
Үр дүн, хэлэлцүүлэг
Эхлэхийн тулд бид хөдөө аж ахуйн нисгэгчгүй онгоцны талаархи одоогийн ном зохиолд гарсан нийтлэлийн хөгжилд дүн шинжилгээ хийсэн. Эрдэм шинжилгээний судалгааны цаг хугацааны хуваарилалтыг 1-р зурагт үзүүлэв. 2011 оноос хойш (30 хэвлэл) нийтлэлүүд хурдацтай өссөнийг бид харж байна; Тиймээс бид шинжилгээний хугацааг хоёр өөр үе шатанд хуваахаар шийдсэн. 1990-2010 оныг бид бүтээн байгуулалтын үе гэж нэрлэдэг бөгөөд жилд ойролцоогоор долоон нийтлэл хэвлэгддэг. 2010 оноос хойшхи үеийг хөдөө аж ахуйд дрон ашиглах судалгаа энэ хугацаанд экспоненциал өсөлттэй байсан тул өсөлтийн үе шат гэж нэрлэгдэж байна. 2010 оноос хойш хэвлэл мэдээллийн тоо нэмэгдэж байгаа нь судлаачдын сонирхол нэмэгдэж байгааг нотолж байгаа нь дроныг зайнаас тандан судлахад ашиглаж, нарийн хөдөө аж ахуйд ашиглаж байсныг харуулж байна (Дэн нар, 2018; Maes & Steppe, 2019; Messina & Modica, 2020). ). Тодруулбал, нийтлэлийн тоо 108 онд 2013 байсан бол 498 онд 2018 болж, 1,275 онд 2020 болж дээд цэгтээ хүрсэн. 935 оны 2021-р сараас XNUMX-р сарын дунд хүртэл нийт XNUMX нийтлэл хэвлэгдсэн. Дараа нь бид дүн шинжилгээгээ өсөлтийн үе шатанд түлхүү чиглүүлэхээр сонгосон. Учир нь энэ үе нь хөдөө аж ахуйн нисгэгчгүй онгоцны хамгийн сүүлийн үеийн, чухал нарийн мэдрэмжийг тусгасан байдаг.
Түлхүүр үгийн шинжилгээ
Зохиогчид нийтлэлд зориулж сонгосон түлхүүр үгс нь тухайн нийтлэлийг хэрхэн төлөөлөх, шинжлэх ухааны нийгэмлэгүүдэд хэрхэн дамжуулахад чухал нөлөө үзүүлдэг. Тэд судалгааны гол сэдвүүдийг тодорхойлж, түүний цэцэглэн хөгжих эсвэл бүтэлгүйтэх боломжийг тодорхойлдог (Day & Gastel, 1998.; Kim et al., 2016; Uddin et al., 2015). Түлхүүр үгийн шинжилгээ нь илүү өргөн хүрээтэй судалгааны чиг хандлага, чиглэлийг илрүүлэх хэрэгсэл бөгөөд домэйн дэх холбогдох бүх нийтлэлийн түлхүүр үгсийн эмхэтгэлийг хэлнэ (Dixit & Jakhar, 2021). Одоогийн судалгаанд бид хамгийн алдартай сэдвүүдийг судлахын тулд нэгтгэсэн түлхүүр үгсийг хоёр багцад (өөрөөр хэлбэл 2010 ба 2011–2021 он хүртэл) хуваасан. Үүнийг хийснээр бид хоёр багц дахь чухал түлхүүр үгсийг судалж, шаардлагатай бүх өгөгдлийг олж авсан гэдэгт итгэлтэй байж болно. Багц бүрийн хувьд эхний арван түлхүүр үгсийг Хүснэгт 3-т үзүүлэв. Бид "drone" болон "drones" эсвэл "Internet of Things", "IoT" гэх мэт утгын хувьд ижил түлхүүр үгсийг нэгтгэснээр зөрчилдөөнийг арилгасан.
Хүснэгт 3-аас харахад "Нисгэгчгүй агаарын тээврийн хэрэгсэл" нь "дрон" болон "нисгэгчгүй агаарын систем" гэсэн хоёр цаг үеийнхээс илүү түгээмэл хэрэглэгддэг түлхүүр үг юм. Мөн "алсын зайнаас тандан судлах", "нарийвчилсан хөдөө аж ахуй", "хөдөө аж ахуй" зэрэг нь энэ хоёр үе шатанд өндөр зэрэглэлтэй байдаг. Эхний үед "нарийвчлалтай хөдөө аж ахуй" тавдугаарт, хоёрдугаар үед хоёрдугаарт орсон нь дронууд хяналт тавих чадвартай тул нарийн хөдөө аж ахуйд хүрэхэд хэрхэн чухал болж байгааг харуулж байна.
Алсын зайнаас тандан судлах болон газарт суурилсан бусад системүүдтэй харьцуулахад илрүүлэх, тооцоолох практикийг илүү хурдан, хямд, гүйцэтгэхэд хялбар. Мөн шаардлагатай үед шаардлагатай хэмжээгээр (жишээлбэл, ус эсвэл пестицид) шүршиж болно (Guo et al., 2020; Inoue, 2020; Panday, Pratihast, et al., 2020).
Хамгийн их хэрэглэгддэг түлхүүр үгсийн жагсаалт.
Ранк | 1990-2010 | Дугаарын дугаар үзэгдэл | 2011-2021 | Дугаарын дугаар үзэгдэл |
1 | нисгэгчгүй агаарын тээврийн хэрэгслийн | 28 | удирдлагагүй байна агаарын тээврийн хэрэгсэл | 1628 |
2 | Зайнаас тандан судлах | 7 | нарийвчлал Хөдөө аж ахуй | 489 |
3 | Хөдөө аж ахуй | 4 | Зайнаас тандан судлах | 399 |
4 | агаартай | 4 | нисгэгчгүй | 374 |
5 | нарийвчлал Хөдөө аж ахуй | 4 | удирдлагагүй байна агаарын систем | 271 |
6 | нисгэгчгүй агаарын | 4 | Хөдөө аж ахуй | 177 |
7 | гиперспектр мэдрэгч | 3 | гүн гүнзгий суралцах | 151 |
8 | хиймэл мэдрэлийн Сүлжээ | 2 | машин сургалтын | 149 |
9 | бие даасан нислэг | 2 | ургамал индекс | 142 |
10 | кофе | 2 | Интернэт зүйлс | 124 |
Өөр нэг сонирхолтой онцлог нь нэмэлт технологи байгаа явдал юм. Эхний шатанд "Hyperspectral Sensor" болон "Artificial Neural Networks" (ANN) нь эхний арван түлхүүр үгсийн нэг юм. Гиперспектр дүрслэл нь янз бүрийн долгионы урттай асар олон тооны зургийг цуглуулснаар уламжлалт дүрслэлд хувьсгал хийсэн. Ингэхдээ мэдрэгч нь олон спектрийн дүрслэл, спектроскопи, RGB зураглалтай харьцуулахад илүү сайн орон зайн болон спектрийн мэдээллийг нэгэн зэрэг цуглуулж чаддаг (Adao ˜ et al.,
2017). Эхний шатанд “ANN”, хоёр дахь шатанд “гүнзгий суралцах” (DL) болон “машины сургалт” (ML) тохиолдсон нь нийтлэгдсэн бүтээлүүдийн ихэнх нь нисгэгчгүй нисэх онгоцны хиймэл оюун ухааны техникийн чадавхийг судлахад чиглэгдсэн болохыг харуулж байна. суурилсан хөдөө аж ахуй. Хэдийгээр нисгэгчгүй онгоцууд бие даан нисэх чадвартай ч нисгэгчийг оролцуулах шаардлагатай хэвээр байгаа нь төхөөрөмжийн тагнуулын түвшин доогуур байгааг илтгэнэ. Гэсэн хэдий ч нөхцөл байдлын талаар илүү сайн ухамсарлаж, бие даасан шийдвэр гаргахад дэмжлэг үзүүлэх хиймэл оюун ухааны техникийг сайжруулснаар энэ асуудлыг шийдэж болно. Хиймэл оюун ухаанаар тоноглогдсон дрон нь навигацийн явцад мөргөлдөхөөс сэргийлж, хөрс, газар тариалангийн менежментийг сайжруулж (Inoue, 2020), хүний хөдөлмөр, стрессийг бууруулж чаддаг (BK Sharma et al., 2019).
Асар их хэмжээний шугаман бус өгөгдөлтэй ажиллах уян хатан чанар, чадвараараа хиймэл оюун ухаан нь дрон болон бусад алсын зайнаас тандан судлах болон газар дээр суурилсан системээр дамжуулж буй өгөгдөлд дүн шинжилгээ хийх, урьдчилан таамаглах, шийдвэр гаргахад тохиромжтой арга юм (Ali et al., 2015; Иноуэ, 2020). Цаашилбал, хоёрдугаар үед "IoT" байгаа нь хөдөө аж ахуйд түүний үүрэг гүйцэтгэж байгааг харуулж байна. IoT нь дрон, ML, DL, WSN, том өгөгдөл зэрэг бусад технологиудыг хооронд нь холбосноор хөдөө аж ахуйд хувьсгал хийж байна. IoT-ийг хэрэгжүүлэх гол давуу талуудын нэг нь янз бүрийн ажлуудыг (мэдээлэл цуглуулах, өгөгдөлд дүн шинжилгээ хийх, боловсруулах, шийдвэр гаргах, хэрэгжүүлэх) ойрын хугацаанд үр дүнтэй, үр дүнтэй нэгтгэх чадвар юм (Elijah et al., 2018; Feng et al. , 2019; Muangprathub нар, 2019). Цаашилбал, нисгэгчгүй онгоц нь ургамлын эрч хүч, ургамлын шинж чанарыг тооцоолоход шаардлагатай өгөгдлийг олж авах үр дүнтэй хэрэгсэл гэж үздэг (Candiago et al., 2015). Зураг 2a ба 2b нь хоёр цаг хугацааны хувьд түлхүүр үгийн нэгдмэл байдлын сүлжээг харуулж байна.
Нөлөө бүхий зохиолчид
Энэ хэсэгт бид нөлөө бүхий зохиолчдыг тодорхойлж, зохиогчийн эш таталтын сүлжээ нь одоогийн уран зохиолыг хэрхэн дүрслэн харуулж, цэгцэлж болохыг судлах болно. Зураг 3-т хамгийн олон ишлэл авсан бүх судлаачдын он цагийн дарааллыг харуулав. Өнгөний хуваарь нь зохиогчдын ишлэлүүдийн жилийн өөрчлөлтийг тусгадаг. Бид хамгийн багадаа 50 ишлэл, арван нийтлэлийн босгыг ашиглан хөдөө аж ахуйн дронуудын талаар судалгаа нийтэлсэн судлаачдын ишлэлийн бүтцийг судалж байна. -аас
12,891 зохиолч, зөвхөн 115 нь энэ нөхцлийг хангасан. Хүснэгт 4-д хамгийн их эшлэл авсан тоогоор эрэмбэлсэн шилдэг арван нөлөө бүхий зохиолчийг жагсаав. Жагсаалтыг Лопес- Гранадос Ф. 1,963 ишлэлээр тэргүүлсэн бол Зарко-Тежада ПЖ 1,909 ишлэлээр удаалсан байна.
Хамгийн их иш татсан зохиолчдын жагсаалт.
ЖАГСААЛТ | Зохиогч | ишлэлүүд |
1 | Лопез-Гранадос Ф. | 1,963 |
2 | Зарко-Тежада П.Ж | 1,909 |
3 | Пена ˜ JM | 1,644 |
4 | Торрес-С анчес Ж. | 1,576 |
5 | Феререс Э | 1,339 |
6 | Ремондино Ф | 1,235 |
7 | Болтэн А | 1,160 |
8 | Барет Г | 1,155 |
9 | Берни Ж.А | 1,132 |
10 | де Кастро AI | 1,036 |
Бие даасан нийтлэлүүдийн тухайд Жан ба Ковач нарын (2012) нийтлэл нь Precision Agriculture сэтгүүлд нийтлэгдсэн хамгийн их иш татсан судалгаа болсон. Энд зохиогчид нарийн хөдөө аж ахуйд UAS-ийн хэрэглээг авч үзсэн. Тэдний судалгааны үр дүнгээс үзэхэд фермерүүдийг найдвартай эцсийн бүтээгдэхүүнээр хангахын тулд платформын дизайн, үйлдвэрлэл, зургийн геореференцийн стандартчилал, мэдээлэл хайх ажлын урсгалыг сайжруулах шаардлагатай байгааг харуулж байна. Нэмж дурдахад тэд тариаланчдыг ялангуяа талбайн төлөвлөлт, зураг авах, түүнчлэн өгөгдлийг тайлбарлах, дүн шинжилгээ хийхэд илүү хүчтэй оролцуулахыг зөвлөж байна. Хамгийн чухал нь энэ судалгаа нь талбайн зураглал, эрчим хүчний зураглал, химийн агууламжийг хэмжих, ургамлын стрессийн хяналт, бордооны ургамлын өсөлтөд үзүүлэх нөлөөллийг үнэлэхэд UAV-ийн ач холбогдлыг харуулсан анхны судалгаа юм. Технологитой холбоотой бэрхшээлүүд нь өндөр өртөг, мэдрэгчийн чадвар, платформын тогтвортой байдал, найдвартай байдал, стандартчилалгүй байдал, асар их хэмжээний өгөгдөлд дүн шинжилгээ хийх тууштай журам зэрэг орно.
Ишлэлд дүн шинжилгээ хийх
Ишлэлд дүн шинжилгээ хийх нь нийтлэлийн нөлөөллийн судалгааг илэрхийлдэг боловч урсгалд өртөмтгий ч (жишээ нь, ишлэл, өөрөө иш татах) нөлөөллийн үнэлгээний стандарт хэрэгслийн нэг гэж тооцогддог (Осаре, 1996; А. Режеб нар, 2022; Сарли нар, 2010). Ишлэл нь мөн тодорхой сэдвээр уран зохиолд оруулсан илтгэлүүдийн оруулсан хувь нэмрийн ач холбогдол, эрч хүчийг илэрхийлдэг (Р. Шарма нар, 2022). Бид хөдөө аж ахуйн дронуудын талаархи хамгийн нөлөө бүхий судалгааг тодорхойлохын тулд ишлэлд дүн шинжилгээ хийж, агуулгыг нэгтгэн харуулав. Хүснэгт 5-д 1990–2010, 2011–2021 оны хамгийн нөлөө бүхий арван таван нийтлэлийн жагсаалтыг үзүүлэв. Берни нарын нийтлэлүүд. (2009)b болон Остин (2010) нар 1990, 2010 онуудад 831, 498 иш татсанаар хамгийн их иш татсан байна. Берни нар. (2009)b нь дулааны болон нарийн зурвасын олон талт дүрсний мэдрэгч бүхий нисдэг тэргэнд суурилсан нисдэг тэрэгний тусламжтайгаар тоон алсын зайнаас мэдрэгчтэй бүтээгдэхүүн боловсруулах боломжийг харуулсан. Уламжлалт нисгэгчтэй агаарын мэдрэгчтэй харьцуулахад хөдөө аж ахуйд зориулсан хямд өртөгтэй UAV систем нь үр тарианы биофизикийн үзүүлэлтүүдийг харьцуулж болохуйц тооцоололд хүрэх боломжтой юм. Боломжийн өртөг, үйл ажиллагааны уян хатан байдал, өндөр спектрийн, орон зайн болон цаг хугацааны нарийвчлалын зэрэгцээ хурдан хугацаанд ажиллах боломжтой байдаг нь UAV-ийг усалгааны хуваарь, нарийн газар тариалан зэрэг цаг хугацааны чухал менежмент шаарддаг олон төрлийн хэрэглээнд тохиромжтой болгодог. Берни нарын цаас. (2009)b нь нисгэгчгүй эргэдэг далавчтай платформ, дижитал болон дулааны мэдрэгчийг хөдөө аж ахуйн хэрэглээнд шаардлагатай тохируулгын механизмтай үр дүнтэй нэгтгэсэн тул маш их иш татсан. Хамгийн их иш татсан хоёр дахь хэвлэл бол Остин (2010)-ийн бичсэн ном бөгөөд тэрээр UAV-уудын дизайн, хөгжүүлэлт, байршуулалтын үүднээс авч үзсэн. Газар тариалангийн хувьд UAV нь ургацын өнгө өөрчлөгдөх замаар өвчнийг эрт илрүүлэх, тариа тарих, шүрших ажлыг хөнгөвчлөх, мал сүргийг хянах, жолоодох зэргээр ургацын хяналтыг дэмждэг.
Салливан нарын судалгаа. (2007), Lumme нар. (2008), Гокто ¨ ǧan нар. (2010) хамгийн их иш татсан арван таван нийтлэлийн жагсаалтыг дуусгав. Эдгээр нийтлэлүүд нь хөдөө аж ахуйг дэмжих UAV-д суурилсан системийг хөгжүүлж байгааг харуулж байна. Тэд газар тариалангийн хяналт, сканнер, хогийн ургамлын тандалт, менежмент, шийдвэр гаргахад дэмжлэг үзүүлэх зэрэг янз бүрийн асуудлын шийдлийг санал болгодог. Тэд мөн түүвэрлэлтийн үр ашгийг нэмэгдүүлэх, фермерүүдэд үнэн зөв, үр дүнтэй загвар зохион бүтээхэд туслах UAV-ийн чадварыг санал болгож, хэлэлцэж байна.
тарих стратеги. Хоёр баримт бичгийг Берни бичсэн (Berni нар, 2009b; Berni нар, 2009a) нь хөдөө аж ахуйн нисгэгчгүй онгоцтой холбоотой судалгаанд ихээхэн нөлөөлсөн болохыг онцолсон. Зарко-Тежада нарын цаас. (2014) нь модны өндрийг тодорхойлоход хямд өртөгтэй UAV зураглалыг ашиглах хэрэгцээг харуулсан анхдагч судалгааны нэг юм.
Хамгийн их иш татсан нийтлэлүүдийн жагсаалт.
Ранк | 1990-ээс 2010-ээс | 2011-ээс 2021-ээс | ||
баримт бичиг | Citation | баримт бичиг | Citation | |
1 | (Берни нар, 2009b) | 831 | (C. Zhang & Kovacs, 2012) | 967 |
2 | (Остин, 2010) | 498 | (Nex & Remondino, 2014) | 893 |
3 | (Hunt нар, 2010) | 331 | (Флореано ба Вуд, 2015) | 552 |
4 | (SR Herwitz нар. 2004) | 285 | (Хоссейн Мотлаг нар, 2016) | 391 |
5 | (CCD Lelong нар., 2008) | 272 | (Шахатре нар., 2019) | 383 |
6 | (Берни нар, 2009b) | 250 | (Ма нар, 2017) | 373 |
7 | (Grenzdorffer ¨ нар., 2008) | 198 | (Бэндиг нар, 2014) | 360 |
8 | (Храбар нар, 2005) | 175 | (Зарко-Тежада нар, 2014) | 347 |
9 | (Y. Huang нар, 2009) | 129 | (Н ao нар, 2017) | 335 |
10 | (Schmale III нар, 2008) | 119 | (Хонкаваара нар, 2013a) | 331 |
11 | (Абд-Элрахман нар, 2005) | 79 | (Кандиаго нар, 2015) | 327 |
12 | (Techy нар, 2010) | 69 | (Шиан ба Тиан, 2011) | 307 |
13 | (Салливан нар, 2007) | 51 | (Matese нар, 2015) | 303 |
14 | (Lumme нар, 2008) | 42 | (Гаго нар, 2015) | 275 |
15 | (Гокто ¨ ǧan нар, 2010) | 40 | (Aasen нар, 2015a) | 269 |
Хоёрдахь хугацаанд (2011-2021) Жан ба Ковац (2012) болон Некс ба Ремондино (2014) нарын судалгааны үр дүнд хамгийн их иш татсан нийтлэлүүд гарчээ. Zhang, Kovacs (2012) нарийвчилсан хөдөө аж ахуй нь газарзүйн мэдээллийн систем, GPS, алсын зайнаас тандан судлах зэрэг гео орон зайн техник, мэдрэгчийг нэвтрүүлэх нь тухайн талбайн өөрчлөлтийг барьж, өөр стратеги ашиглан зохицуулахад ашиг тустай гэж үздэг. Нарийвчлалтай хөдөө аж ахуйд өөрчлөлт оруулсны хувьд нисгэгчгүй онгоцууд зайнаас тандан судлах шинэ эрин үеийг зарлаж, агаарын ажиглалтыг хялбаршуулж, ургацын өсөлтийн мэдээлэл, хөрсний нөхцөл, шүрших талбайг бүртгэж байна. Жан ба Ковац нарын (2012) тойм нь платформ, камерын хязгаарлалт, мэдээлэл боловсруулахад тулгарч буй бэрхшээл, фермерүүдийн оролцоо, нисэхийн зохицуулалт зэрэг байгаль орчны хяналт, нарийн хөдөө аж ахуйд эдгээр төхөөрөмжүүдийн одоо байгаа хэрэглээ, сорилтуудыг илчлэх замаар UAV-ийн талаархи ойлголтыг өгдөг тул чухал ач холбогдолтой юм. . Хоёрдугаарт
Nex, Remondino (2014) нараас хамгийн их иш татсан судалгаанд газар дээрх зургийг авах, боловсруулах, шинжлэхэд зориулсан UAV-уудын орчин үеийн байдлыг хянаж үзсэн.
Мөн тэдний ажил нь хэд хэдэн UAV платформ, хэрэглээ, хэрэглээний тохиолдлуудын тоймыг танилцуулж, UAV дүрс боловсруулах хамгийн сүүлийн үеийн дэвшлийг харуулсан. Хөдөө аж ахуйд фермерүүд зардал, цаг хугацаа хэмнэсэн үр дүнтэй шийдвэр гаргах, хохирлын мэдээллийг хурдан бөгөөд нарийн бүртгэх, гарч болзошгүй бэрхшээлийг урьдчилан таамаглах зорилгоор UAV ашиглах боломжтой. Уламжлалт агаарын платформоос ялгаатай нь UAV нь ашиглалтын зардлыг бууруулж, өндөр нарийвчлалтай боломжийг хадгалахын зэрэгцээ хатуу ширүүн газарт нэвтрэх аюулыг бууруулж чаддаг. Тэдний баримт бичигт UAV-ийн янз бүрийн давуу талууд, ялангуяа нарийвчлал, нягтралын талаар нэгтгэн харуулав.
2011-2021 оны хооронд хамгийн их иш татсан үлдсэн арван гурван нийтлэлийн дунд бид дүрс бичлэгийн номлолд дрон ашиглахтай холбоотой судалгаанд илүү төвлөрч байгааг анзаарсан (Бендиг нар, 2014; Ма нар, 2017; Зарко-Тежада нар, 2014). , нарийн газар тариалан (Кандиаго нар, 2015; Хонкаваара нар, 2013a), нарийн усан үзмийн тариалалт (Matese нар, 2015), усны стрессийн үнэлгээ (Гаго нар, 2015), ургамлын хяналт (Aasen нар. , 2015a). Эхний жилүүдэд судлаачид анхаарлаа хандуулсан
ХАА-д зориулсан хямд өртөгтэй, хөнгөн жинтэй, нарийн ширхэгтэй UAV-д суурилсан системийг хөгжүүлэх талаар илүү ихийг; Сүүлийн үеийн судалгаанууд нь хөдөө аж ахуй, хээрийн судалгаанд зориулсан UAV програмуудын тойм дээр илүү анхаарч байна. Дүгнэж хэлэхэд, энэхүү дүн шинжилгээ нь нөлөө бүхий хэвлэлүүд нь нисэгчгүй нисэх онгоцны өнөөгийн шинжлэх ухаан, технологийн байдлыг үнэлэх өмнөх судалгаануудын тойм, нарийн хөдөө аж ахуйг дэмжих зорилгоор боловсруулсан UAV системийг голчлон харуулсан болохыг харуулж байна. Сонирхолтой нь бид эмпирик судалгааг олсонгүй
арга зүй эсвэл тайлбарласан кейс судалгаанууд нь мэдлэгийн ихээхэн цоорхойг үүсгэдэг бөгөөд энэ сэдвээр илүү их судалгаа хийхийг шаарддаг.
Хамтарсан ишлэлийн шинжилгээ
Gmur (2006)-ын хэлснээр, хамтарсан ишлэлийн шинжилгээ нь ижил төстэй нийтлэлүүдийг тодорхойлж, тэдгээрийг бүлэглэдэг. Кластерийг сайтар судалж үзэх нь нийтлэлүүдийн дунд нийтлэг судалгааны чиглэлийг олж мэдэх боломжтой. Бид хөдөө аж ахуйн дронтой холбоотой уран зохиолын хамтарсан эшлэлийг судалж, холбогдох сэдвүүдийг дүрслэн харуулах, нийтлэлийн оюуны хэв маягийг илрүүлэх зорилготой. Үүнтэй холбогдуулан Small (1973) хамгийн нөлөө бүхий, үр дүнтэй судалгааг судлахын тулд коцитацийн шинжилгээг ашиглахыг зөвлөж байна.
сахилга батын хүрээнд. Энэ багцыг хамгийн чухал өгүүллээр хязгаарлахын тулд (Goyal & Kumar, 2021) бид 25-аас дээш тооны өөр нийтлэлийн лавлагааны жагсаалтад хоёр өгүүллийг хамтад нь иш татсан байх ёстой гэсэн утгатай 25-аас дээш эшлэл авах босго тогтоосон. Мөн бөөгнөрөл нь хамгийн бага кластерын хэмжээ 1-ээр хийгдсэн бөгөөд жижиг кластеруудыг том хэмжээтэй нэгтгэх ямар ч аргагүйгээр хийгдсэн. Үүний үр дүнд судалгааны ижил төстэй байдал, тэдгээрийн оюуны бүтцэд үндэслэн зургаан кластер үүсгэсэн. Хүснэгт 6-д кластер тус бүрийн хэвлэлүүдийн тархалтыг харуулав.
Кластер 1: Энэ кластер нь хүрээлэн буй орчны хяналт, тариалангийн менежмент, хогийн ургамлын менежментийг дэмжихэд дронуудын гүйцэтгэх үүргийг хэлэлцсэний дараа нийтлэгдсэн арван найман баримт бичгийг агуулдаг. Жишээлбэл, Manfreda et al. (2018) нь байгалийн хөдөө аж ахуйн экосистемийн хяналт дахь UAV-ийн одоогийн судалгаа, хэрэгжилтийн тоймыг танилцуулж, технологи нь байгаль орчны хяналтыг эрс сайжруулж, бууруулах асар их боломжийг санал болгож байна.
хээрийн ажиглалт болон ердийн агаар, сансар огторгуйн зайнаас тандан судлах хоёрын хооронд байгаа ялгаа. Үүнийг боломжийн үнээр том газар нутгийг цаг хугацааны хайлт, орон зайн ойлголтыг сайжруулах шинэ хүчин чадлыг санал болгосноор хийж болно. UAVs нь хүрээлэн буй орчныг байнга мэдэрч, үр дүнд нь гарсан өгөгдлийг өвчин, ус илрүүлэх дутагдал зэрэг болзошгүй асуудлуудыг илрүүлэхийн тулд мэдрэгчийг хянадаг ухаалаг, төвлөрсөн/төвлөрсөн бус байгууллагуудад илгээдэг (Padua ´ et al., 2017). Adao ˜ et al. (2017) UAV нь усны төлөв байдал, биомассын тооцоолол, хүч чадлын үнэлгээтэй холбоотой асар их хэмжээний түүхий өгөгдлийг цуглуулах замаар ургамлын нөхцөл байдлыг үнэлэхэд тохиромжтой гэж үздэг. Алсын зайнаас тандан судлах өгөгдлийг цаг тухайд нь авах боломжийг олгохын тулд UAV-д суурилуулсан мэдрэгчийг хүрээлэн буй орчны зохих нөхцөлд нэн даруй байрлуулж болно (Von Bueren et al., 2015). Тариаланчид UAV-ийн тусламжтайгаар гурван хэмжээст орон зайн доторх газар тариалангийн орчны (жишээлбэл, хүлэмж) бараг ямар ч газраас хэмжилт авч, улмаар орон нутгийн цаг уурын хяналт, ургамлын хяналтыг баталгаажуулах замаар доторх тариалангийн үйл ажиллагаа явуулах боломжтой болдог (Ролдан ' et al. ., 2015). Нарийвчлалын хүрээнд
хөдөө аж ахуй, газар тариалангийн менежментийн шийдвэрүүд нь цаг хугацаа, орон зайн оновчтой нарийвчлал бүхий үнэн зөв, найдвартай тариалангийн мэдээллийг шаарддаг (Gebbers & Adamchuk, 2010; Gevaert et al., 2015; Maes & Steppe, 2019). Энэ шалтгааны улмаас Агуера Вега нар. (2015) наранцэцгийн ургацын ургалтын үеийн зургийг авахын тулд UAV суурилуулсан олон талт мэдрэгчийн системийг ашигласан. Үүний нэгэн адил, Huang et al. (2009) UAV дээр суурилсан зайнаас тандан судлах нь цуглуулсан спектрийн өгөгдлөөс үр тариа, хөрсний хэмжилтийг хөнгөвчлөх боломжтойг тэмдэглэжээ. Вергер нар. (2014) улаан буудай, рапс тариалалтад анхаарлаа хандуулж, хөдөө аж ахуйн нарийн хэрэглээнд UAV-ийн тусгалын хэмжилтээс ногоон бүсийн индексийг (GAI) тооцох аргачлалыг боловсруулж туршсан. Иймээс дронууд нь ойр ойрхон давтагдах, орон зайн өндөр нарийвчлалтай газар тариалангийн төлөв байдлын мэдээллийг олж авах шинэ боломжийг олгодог (Dong et al., 2019; Garzonio et al., 2017; H. Zheng et al., 2016).
Хөдөө аж ахуйн нисгэгчгүй онгоцнуудад нөлөө бүхий нийтлэлүүдийг нэгтгэх.
Бөөгнөрөл | Өргөн сэдэв | Ашигласан материал |
1 | Байгаль орчны хяналт, газар тариалан менежмент, хогийн ургамлын менежмент | (Н ao нар, 2017; Агуера Вега нар, 2015; де Кастро нар, 2018; Gomez-Cand ´ on ´ et al., 2014; Ю.Б Хуан нар, 2013; Ханал нар. 2017; Лопез-Гранадос, '2011; Манфреда нар, 2018; П´ adua нар. 2017; Пена ˜ нар, 2013; Перез-Ортиз нар, 2015; Расмуссен нар, 2013, 2016; Торрес-С anchez et al., 2014; Торрес-Санчес, 'Лопез-Гранадос, ' & Пена, ˜ 2015; Вергер нар, 2014; Фон Bueren нар, 2015; C. Zhang & Ковач, 2012) |
2 | Алсын зайн фенотип, гарц тооцоо, газар тариалангийн гадаргуугийн загвар, ургамал тоолох | (Бэндиг нар, 2013, 2014; Гейпел нар, 2014; Gnadinger ¨ & Шмидхалтер, 2017; Хагихатталаб нар, 2016; Холман нар, 2016; Жин нар, 2017; W. Li нар, 2016; Maimaitijiang нар, 2017; Санкаран нар, 2015; Schirrmann нар, 2016; Ши нар, 2016; Юэ нар, 2017; X. Жоу нар, 2017) |
3 | Усны дулааны дүрслэл, олон спектрийн дүрслэл | (Балужа нар, 2012; Берни нар, 2009б; Берни нар, 2009a; Кандиаго нар, 2015; Гаго нар, 2015; Гонзалес-Дуго нар, 2013, 2014; Grenzdorffer ¨ нар, 2008; Халик нар, 2019; Matese нар, 2015; Ribeiro-Gomes нар, 2017; Сантесебан нар, 2017; Уто нар. 2013) |
4 | Гиперсектрал дүрслэл, спектр дүрслэл | (Аасен нар, 2015a; Барет нар., 2015; Хакала нар, 2013; Хонкаваара нар, 2013a; Люсиер нар, 2014; Саари нар, 2011; Суомалайнен нар, 2014) |
5 | 3D-Газрын зургийн програмууд | (Жименез-Бренес нар, 2017; Nex & Ремондино, 2014; Салами нар. 2014; Торрес-С Анчес, Лопез- ' Гранадос, Серрано, нар, 2015; Захави нар, 2015; Зарко-Тежада et al., 2014) |
6 | Хөдөө аж ахуйн тандалт | (SR Herwitz нар, 2004; Хант нар, 2010; CCD Lelong нар. 2008; Примицерио нар, 2012; Шян & Тиан, 2011) |
Цаашилбал, дрон нь хогийн ургамлын зураглалыг багтаасан хөдөө аж ахуйн хүнд хэцүү ажлуудад тустай. Төхөөрөмжийн авсан зургууд нь тариалангийн талбайн хогийн ургамлыг эрт илрүүлэхэд ашиг тустай болохыг нотолсон (де Кастро нар, 2018; Жиминез-Бренес нар, 2017; Лам нар, 2021; Лопез-Гранадос нар, 2016; Розенберг нар, 2021). Үүнтэй холбогдуулан де Кастро нар. (2018) UAV зураглал болон Объект-д суурилсан зургийн шинжилгээ (OBIA) хоёрыг нэгтгэснээр дадлагажигчдад эрт үеийн бэлчээрийн тариалангийн эрт илрүүлгийг автоматжуулах асуудлыг даван туулах боломжийг олгосон нь хогийн ургамлын судалгаанд том дэвшил болсон гэж үзэж байна. Үүний нэгэн адил, Пена ˜ нар. (2013) OBIA процедурын хамт UAV-аас хэт өндөр орон зайн нарийвчлалтай зургийг ашиглах нь эрт эрдэнэ шишийн тариалангийн талбайд хогийн ургамлын зураглалыг бий болгох боломжийг олгодог бөгөөд энэ нь улирлын чанартай хогийн ургамлыг устгах арга хэмжээний хэрэгжилтийг төлөвлөхөд ашиглаж болно. хиймэл дагуулын болон уламжлалт агаарын зураг авах чадвараас давсан даалгавар. Зургийн ангилал эсвэл объект илрүүлэх алгоритмтай харьцуулахад семантик сегментчлэлийн арга нь хогийн ургамлын зураглал хийх ажилд илүү үр дүнтэй байдаг (Ж. Дэн нар, 2020), ингэснээр тариаланчдад талбайн нөхцөл байдлыг илрүүлэх, алдагдлыг бууруулах, ургалтын улирлын турш ургацыг сайжруулах боломжийг олгодог (Рамеш нар, 2020). Гүнзгий суралцахад суурилсан семантик сегментчилэл нь өндөр нарийвчлалтай агаарын зургуудаас ургамлын бүрхэвчийг үнэн зөв хэмжих боломжийг олгодог (Ramesh et al., 2020; A. Zheng et al., 2022). Хэдийгээр алсын зайнаас ажиллах боломжтой
пикселийн ангиллыг мэдрэх, семантик сегментчлэх техник нь ихээхэн хэмжээний тооцоолол, өндөр GPU санах ой шаарддаг (J. Deng et al., 2020).
Машины сургалт болон UAV дээр тулгуурлан P´erez-Ortiz et al. (2015) тариаланчид гарч ирсний дараах хогийн ургамлыг хянах аргыг хэрэглэх үед тухайн газар нутгийн онцлогт тохирсон хогийн ургамалтай тэмцэх стратегийг хангахын тулд хогийн ургамлын зураглалын аргыг санал болгосон. Эцэст нь Расмуссен нар. (2013) нисгэгчгүй онгоцууд орон зайн нарийвчлалын уян хатан чанар бүхий хямд мэдрэгчтэй болохыг онцолсон. Ерөнхийдөө энэ кластерын нийтлэлүүд нь зайнаас тандан судлах, газар тариалангийн хяналт, хогийн ургамлын зураглалыг дэмжихэд зориулсан UAV-ийн боломжийг судлахад чиглэгддэг. Байгаль орчны хяналт, газар тариалангийн менежмент, хогийн ургамлын зураглал зэрэгт дрон ашиглах нь илүү тогтвортой хөдөө аж ахуйд хэрхэн хүрч болохыг цаашид судлахын тулд нэмэлт гүнзгий судалгаа шаардлагатай байна (Чамуах ба Сингх, 2019; Ислам нар, 2021; Попеску нар, 2020; Ж. Su, Liu, et al., 2018) мөн газар тариалангийн даатгалын хэрэглээнд энэ технологийн засаглалын асуудлыг шийдвэрлэх (Basnet & Bang, 2018; Chamuah & Singh, 2019, 2022; Meinen & Robinson, 2021). Судлаачид боловсруулсан өгөгдлийн эцсийн чанарыг сайжруулахын тулд UAV-ийн цуглуулсан хэмжилтийг үр дүнтэй боловсруулах техникээр баталгаажуулахад анхаарлаа төвлөрүүлэх ёстой (Manfreda et al., 2018). Цаашилбал, дижитал зураг дээр хогийн ургамлыг харуулсан пикселүүдийг таних, UAV хогийн ургамлын зураглал хийх явцад хамааралгүй дэвсгэрийг арилгах тохирох алгоритмуудыг боловсруулах шаардлагатай байна (Gaˇsparovi´c et al., 2020; Hamylton et al., 2020; H. Huang et al. , 2018, 2020; Лопез- ´ Гранадос нар, 2016). Ургамлыг таних, навчны ангилал, өвчний зураглалд семантик сегментчлэлийн аргыг нэвтрүүлэх талаар нэмэлт судалгаа хийх нь зүйтэй (Fuentes-Pacheco et al., 2019; Kerkech et al., 2020).
Кластер 2. Энэ кластер дахь нийтлэлүүд нь хөдөө аж ахуйн нисгэгчгүй онгоцны хэд хэдэн асуудалд анхаарлаа хандуулсан. Алсын фенотиптэй холбоотой Санкаран нар. (2015) тариалангийн талбайн фенотипийг хурдан тодорхойлохын тулд UAV-тай нам өндөр, өндөр нарийвчлалтай агаарын дүрслэлийг ашиглах боломжийг судалж үзээд газар дээр суурилсан мэдрэгч бүхий платформтой харьцуулахад хангалттай мэдрэгч бүхий жижиг оврын нисэгчгүй нисэх онгоцууд хэд хэдэн давуу талтай гэж тэд үзэж байна. талбарт нэвтрэхэд хялбар, өндөр нарийвчлалтай өгөгдөл, үр ашигтай мэдээлэл цуглуулах,
талбайн өсөлтийн нөхцөл байдлын хурдан үнэлгээ, ашиглалтын зардал бага. Гэсэн хэдий ч хээрийн фенотипийн хувьд UAV-ийг үр дүнтэй ашиглах нь UAV-ийн шинж чанарууд (жишээлбэл, аюулгүй байдал, тогтвортой байдал, байршил, бие даасан байдал) болон мэдрэгчийн шинж чанарууд (жишээлбэл, нягтрал, жин, спектрийн долгионы урт, талбар) гэсэн хоёр үндсэн элемент дээр тулгуурладаг болохыг зохиогчид тэмдэглэжээ. харах). Haghighattalab нар. (2016) нь UAV-ийн зураглалаас талбайн түвшний өгөгдлийг гаргаж авах, үржүүлгийн процессыг хурдасгах зорилгоор хагас автомат зураг боловсруулах дамжуулах хоолойг санал болгосон. Холман нар. (2016) өндөр хөгжсөн
нэвтрүүлэх чадварын талбайн фенотипийн систем болон UAV нь чанартай, эзэлхүүнтэй, талбарт суурилсан фенотипийн мэдээлэл цуглуулах чадвартай, төхөөрөмж нь том талбай болон талбайн өөр өөр байршилд үр дүнтэй болохыг онцолсон.
Ургацын тооцоолол нь ялангуяа цаг тухайд нь бэлэн байх үед маш чухал мэдээлэл байдаг тул хээрийн бүх хэмжилтийг хийж, өндөр чанартай өгөгдлийг үр ашигтайгаар олж авах боломжтой (Daakir et al., 2017; Demir et al., 2018) ; Enciso нар, 2019; Kulbacki нар, 2018; Pudelko нар, 2012). Үүнтэй холбогдуулан Jin et al. (2017) улаан буудайн ургамлын нягтралыг ургах үе шатанд тооцоолох аргыг боловсруулах, үнэлэхийн тулд маш нам өндөрт UAV-ийн авсан өндөр нарийвчлалтай зургийн давуу талыг ашигласан. Зохиогчдын үзэж байгаагаар UAV нь камераар тоноглогдсон ровер системийн хязгаарлалтыг даван туулж, тариалангийн ургамлын нягтыг тооцоолох инвазив бус аргыг төлөөлдөг бөгөөд тариаланчдад хөрсний хөдөлгөөнөөс үл хамааран талбайн фенотип хийхэд шаардлагатай өндөр хүчин чадалд хүрэх боломжийг олгодог. Ли нар. (2016) эрдэнэ шишийн параметрүүдийг, тэр дундаа халхавчны өндөр, газар дээрх биомассыг тооцоолохын тулд UAV-д суурилсан системийг ашиглан маш өндөр нарийвчлалтай олон зуун стерео зураг цуглуулсан. Эцэст нь, Yue et al. (2017) UAV-аас тодорхойлсон ургацын өндөр нь газрын дээрх биомассын (AGB) тооцооллыг сайжруулж болохыг олж мэдсэн.
Газар тариалангийн өсөлтийг хянах арга нь газар тариалангийн гадаргуугийн загварыг боловсруулах санаа юм (Bendig et al., 2014, 2015; Holman et al., 2016; Panday, Shrestha, et al., 2020; Sumesh et al., 2021). Хэд хэдэн судалгаагаар ургамлын өндрийг авч, өсөлтийг нь хянахын тулд UAV-аас авсан зураг боломжтой болохыг онцолсон. Жишээлбэл, Bendig et al. (2013) UAV ашиглан 0.05 м-ээс бага нарийвчлалтай, олон цаг хугацааны тариалангийн гадаргуугийн загваруудыг хөгжүүлсэн талаар тайлбарласан. Тэд ургацыг илрүүлэх зорилготой байв
өсөлтийн хэлбэлзэл ба түүний тариалангийн эмчилгээ, сорт, стрессээс хамаарал. Бендиг нар. (2014) газар тариалангийн гадаргуугийн загвараас гаргаж авсан ургамлын өндрийг үндэслэн шинэ болон хуурай биомассыг тооцоолохдоо UAV ашиглаж, агаарын платформ болон хуурай газрын лазер сканнераас ялгаатай нь UAV-аас өндөр нарийвчлалтай зураг авах нь ургамлын өндрийн загварчлалын нарийвчлалыг мэдэгдэхүйц нэмэгдүүлэх боломжтой болохыг тогтоожээ. үе шатууд. Үүнтэй адилаар Geipel et al. (2014) зураг авахын тулд судалгаандаа UAV ашигласан
Улирлын эхэн үеэс дунд үе хүртэлх гурван өөр өсөлтийн үе шатанд эрдэнэ шишийн үр тарианы ургацыг урьдчилан таамаглах өгөгдлийн багцад агаарын зураг болон газар тариалангийн гадаргуугийн загварт суурилсан спектрийн болон орон зайн загварчлалыг хослуулах нь улирлын дунд үеийн эрдэнэ шишийн ургацыг таамаглахад тохиромжтой арга гэж дүгнэсэн. Эцэст нь Гнадингер ¨ ба Шмидхалтер (2017) нар фенотипийг нарийн тодорхойлоход UAV-ийн ашиг тусыг судалж, энэ технологийг ашиглах нь фермийн менежментийг сайжруулж, үржлийн болон агрономийн зорилгоор хээрийн туршилт хийх боломжтой гэдгийг онцлон тэмдэглэв. Ерөнхийдөө 2-р кластерийн нийтлэлүүд нь алсын зайн нисгэгчгүй нисэх онгоцны гол давуу талуудад анхаарлаа хандуулж байгааг бид ажиглаж байна.
фенотип, ургацын тооцоо, газар тариалангийн гадаргуугийн загварчлал, ургамал тоолох. Ирээдүйн судалгаа нь алсаас мэдрэгчтэй мэдээллийн боловсруулалтыг автоматжуулж, оновчтой болгох алсын зайнаас фенотип хийх шинэ аргуудыг хөгжүүлснээр илүү гүнзгийрүүлж чадна (Barabaschi et al., 2016; Liebisch et al., 2015; Mochida et al., 2015; S. Zhou et al. ., 2021). Нэмж дурдахад, UAV дээр суурилуулсан IoT мэдрэгчүүдийн гүйцэтгэл, тэдгээрийн өртөг, хөдөлмөр, ургацын тооцооны нарийвчлалын хоорондын уялдаа холбоог судлах шаардлагатай.
ирээдүй (Ju & Son, 2018a, 2018b; Xie & Yang, 2020; Yue et al., 2018). Эцсийн дүндээ найдвартай мэдээлэл бий болгох, хөдөө аж ахуйн үйлдвэрлэлийн үр ашгийг нэмэгдүүлэх, фермерүүдийн гараар тоолох ажлыг багасгах боломжтой зураг боловсруулах үр ашигтай аргуудыг боловсруулах шаардлагатай байна (RU Khan et al., 2021; Koh et al., 2021; Lin & Гуо, 2020; C. Zhang нар, 2020).
Кластер 3. Энэхүү кластерийн нийтлэлүүд нь UAV платформ дээр ашиглагдаж буй хөдөө аж ахуйн нөөцийг зайнаас тандан судлах янз бүрийн төрлийн дүрслэлийн системийг авч үздэг. Үүнтэй холбогдуулан дулааны дүрслэл нь газар тариалангийн эвдрэлээс урьдчилан сэргийлэх, гангийн стрессийг эрт илрүүлэх зорилгоор гадаргуугийн температурыг хянах боломжийг олгодог (Awais et al., 2022; García-Tejero et al., 2018; Sankaran et al., 2015; Santesteban et al., 2017; Yeom, 2021). Балужа нар. (2012) хөлөг онгоцон дээр олон спектрийн болон дулааны камер ашиглахыг баталжээ
UAV нь судлаачдад өндөр нарийвчлалтай зураг авах, усан үзмийн модны усны байдлыг үнэлэх боломжийг олгосон. Энэ нь алсын зайнаас тандан судлах өгөгдлийг ашиглан усны хуваарийн шинэ загваруудыг боловсруулахад тустай байж болох юм (Baluja et al., 2012). Учир нь
UAV-ийн хязгаарлагдмал ачааллын хүчин чадал, Ribeiro-Gomes et al. (2017) үйлдвэрүүдийн усны даралтыг тодорхойлохын тулд хөргөөгүй дулааны камерыг UAVS-д нэгтгэх талаар авч үзсэн нь энэ төрлийн UAV-ийг уламжлалт хиймэл дагуулын алсын зайнаас тандан судлах, хөргөлттэй дулааны камераар тоноглогдсон UAV-аас илүү үр ашигтай, амьдрах чадвартай болгодог. Зохиогчдын үзэж байгаагаар хөргөлтгүй дулааны камер нь хөргөлттэй камераас хөнгөн бөгөөд зохих шалгалт тохируулга шаарддаг. Гонзалес-Дуго нар. (2014) дулааны зураглал нь цитрус жимсний цэцэрлэгүүдийн дунд болон доторх усны төлөв байдлыг үнэлэх, усны стрессийн хэмжээг тодорхойлох зорилгоор тариалангийн усны стрессийн индексийн орон зайн зураглалыг үр дүнтэй гаргадаг болохыг харуулсан. Гонзалес-Дуго нар. (2013) болон Santesteban et al. (2017) арилжааны цэцэрлэг, усан үзмийн талбайн усны төлөв байдлын хэлбэлзлийг тооцоолохын тулд өндөр нарийвчлалтай UAV дулааны зураглалыг ашигласан.
Олон спектрийн дүрслэл нь уламжлалт RGB (Улаан, Ногоон, Цэнхэр) зургуудтай харьцуулахад асар их мэдээлэл өгөх боломжтой (Ad˜ ao et al., 2017; Navia et al., 2016). Энэхүү спектрийн өгөгдөл нь орон зайн өгөгдлийн хамт ангилал, зураглал, урьдчилан таамаглах, таамаглах, илрүүлэх зорилгоор тусалж чадна (Berni et al., 2009b). Candiago болон бусад дагуу. (2015), UAV-д суурилсан олон талт дүрслэл нь ургацын үнэлгээ, нарийн хөдөө аж ахуйд найдвартай, үр ашигтай нөөц болгон асар их хувь нэмэр оруулж чадна. Мөн,
Khaliq et al. (2019) хиймэл дагуул болон UAV дээр суурилсан олон спектрийн дүрслэлийг харьцуулсан. UAV-д суурилсан зургууд нь усан үзмийн тариалангийн талбайн хэлбэлзлийг илүү нарийвчлалтай дүрслэхээс гадна үр тарианы халхавчийг дүрслэх эрч хүчийг харуулсан зураглалыг харуулсан. Товчхондоо, энэ кластерийн нийтлэлүүд нь дулааны болон олон талт дүрслэлийн мэдрэгчийг хөдөө аж ахуйн UAV-д оруулах талаар авч үздэг. Үүний дагуу дулааны болон олон спектрийн дүрслэлийг хиймэл оюун ухаантай хэрхэн нэгтгэж болохыг ойлгохын тулд илүү их судалгаа хийх шаардлагатай байна.
ургамлын стрессийг илрүүлэх арга техник (жишээ нь, гүнзгий суралцах) (Ampatzidis et al., 2020; Ampatzidis & Partel, 2019; Jung et al., 2021; Santesteban et al., 2017; Syeda et al., 2021). Ийм ойлголт нь ургамлын өсөлт, стресс, фенологийг хянахаас гадна илүү үр дүнтэй, үнэн зөв илрүүлэхэд тусална (Buters et al., 2019; Cao et al., 2020; Neupane & BaysalGurel, 2021; L. Zhou et al., 2020).
Кластер 4. Энэхүү кластер нь хөдөө аж ахуйн практикийг дэмжихэд спектрийн дүрслэл болон гиперспектр дүрслэлийн чухал үүргийг тойрсон долоон бүтээлээс бүрдэнэ. Гиперспектр дүрслэл нь дэлхийн системийг тоон байдлаар үнэлэх боломжийг олгодог алсын зайнаас тандан судлах арга болж чадсан юм (Schaepman et al., 2009). Нарийвчилж хэлбэл, энэ нь гадаргуугийн материалыг тодорхойлох, (харьцангуй) концентрацийг тодорхойлох, мөн гадаргуугийн бүрэлдэхүүн хэсгүүдийн харьцааг хуваарилах
холимог пикселийн дотор (Kirsch et al., 2018; Zhao et al., 2022). Өөрөөр хэлбэл, гиперспектр системээр хангадаг өндөр спектрийн нарийвчлал нь цагаан хоолтон шинж чанар эсвэл навчны усны агууламж зэрэг янз бүрийн параметрүүдийг илүү нарийвчлалтай тооцоолох боломжийг олгодог (Suomalainen et al., 2014). Энэ кластерын судлаачид ийм системийн янз бүрийн талыг судалсан. Бусад хүмүүсийн дунд Aasen et al. (2015b) нь хөнгөн жингээс гурван хэмжээст гиперспектр мэдээллийг гаргаж авах өвөрмөц аргыг санал болгосон.
Ургамлыг хянах зорилгоор UAV-д ашигладаг агшин зуурын камер. Lucieer et al. (2014) шинэ гиперспектрлийн UAS-ийн дизайн, хөгжүүлэлт, агаарын үйл ажиллагаа, түүнтэй хамт цуглуулсан зургийн өгөгдөлд тохируулга хийх, дүн шинжилгээ хийх, тайлбарлах талаар ярилцав. Эцэст нь Хонкаваара нар. (2013b) FabryPerot интерферометр дээр суурилсан спектрийн зургийг боловсруулах цогц аргыг боловсруулж, нарийн хөдөө аж ахуйд биомассын тооцооллын процедурт ашиглахыг харуулсан. Энэхүү одоогийн кластерын ирээдүйн боломжит замууд нь мэдрэгчийн технологийн техникийн сайжруулалт (Aasen et al., 2015b), түүнчлэн нэмэлт технологи, ялангуяа том өгөгдөл, аналитик (Ang & Seng, 2021; Radoglou) оруулах, сайжруулах хэрэгцээг онцлон тэмдэглэх явдал юм. -Грамматис нар, 2020; Шакур нар, 2019). Сүүлийнх нь голчлон ухаалаг хөдөө аж ахуйд хэрэгжсэн янз бүрийн мэдрэгчүүдийн үүсгэсэн байнга өсөн нэмэгдэж буй өгөгдлөөс үүдэлтэй (C. Li & Niu, 2020; A. Rejeb et al., 2022; Y. Su & Wang, 2021).
Кластер 5. Энэ кластерийн нийтлэлүүд дрон дээр суурилсан 3Dmapping програмуудыг судалсан. 3D зураглалд дрон ашиглах нь хээрийн нарийн төвөгтэй ажлыг хөнгөвчлөх, үр ашгийг мэдэгдэхүйц нэмэгдүүлэх боломжтой (Torres-Sanchez ´ et al., 2015). Кластер дахь таван нийтлэл нь ургамлын мониторингийн хэрэглээнд голчлон чиглэв. Жишээлбэл, халхавчны талбай, модны өндөр, титмийн эзэлхүүний талаархи гурван хэмжээст өгөгдлийг олж авахын тулд Torres-Sanchez et al. (2015) дижитал гадаргуугийн загваруудыг үүсгэхийн тулд UAV технологийг ашигласан бөгөөд дараа нь объектод суурилсан зургийн анализ (OBIA) хандлагыг ашигласан. Цаашлаад Зарко-Тежада нар. (2014) UAV технологи болон гурван хэмжээст фото сэргээн босгох аргуудыг нэгтгэн модны өндрийг хэмжсэн. Жиминез-Бренес Лопез-Гранадос, Де Кастро нар. (2017) нь UAV технологийг дэвшилтэт OBIA аргачлалтай нэгтгэснээр олон арван чидуны модыг олон цаг хугацаанд, 3D хянах шинэ процессыг харуулсан. Энэ кластерт хийх ирээдүйн ажилд хийх сонирхолтой арга замууд нь гүйдлийг сайжруулах явдал юм
OBIA (де Кастро нар, 2014, 2017; Вентура нар, 2016) зэрэг дижитал гадаргуугийн загварчлалын зорилгоор (Ajayi нар, 2018; Jaud нар, 2020) аргачлалууд (Zarco-Tejada et al., 2018). , 2015), гэрэл зургийг сэргээн босгох эсвэл шинэ аргуудыг хөгжүүлэх (Díaz-Varela et al., 2015; Torres-S´ anchez et al., XNUMX).
Кластер 6. Энэ кластер нь хөдөө аж ахуйн тандалтад дронуудын гүйцэтгэх үүргийг авч үздэг. UAVs нь хиймэл дагуулын болон онгоцны дүрслэлийн дутагдлыг нөхөж, арилгах боломжтой. Жишээлбэл, тэд түлш багатай эсвэл туршилтын сорилттой бодит цагийн ойролцоо өндөр нягтралтай дүрслэлийг өгч, улмаар байнгын болон бодит цагийн хяналт, шийдвэр гаргах үйл явцыг сайжруулахад хүргэдэг (S. Herwitz et al., 2004). UAV-уудын өөр нэг гол хувь нэмэр бол нарийн газар тариалан эсвэл газар тариалангийн талбайн онцлогт тохирсон мэдээллийг өгөх чадвар юм, учир нь тэдгээрийн өндөр нарийвчлалтай, янз бүрийн параметрийн нарийвчилсан мэдээлэл нь фермерүүдэд газрыг нэгэн төрлийн хэсгүүдэд хувааж, зохих ёсоор боловсруулах боломжийг олгодог (Hunt et al. , 2010; CC Lelong нар, 2008; Primicerio нар, 2012). Ийм UAV-д суурилсан хөдөө аж ахуйн тандалт нь хүнсний аюулгүй байдлын хяналт, шийдвэр гаргахад дэмжлэг болно (SR Herwitz et al., 2004). Хөдөө аж ахуйн тандалтын судалгааг ахиулахын тулд мэдрэгч, UAV болон бусад холбогдох технологи, тэдгээрийн харилцаа холбоо, мэдээлэл дамжуулах аргуудыг сайжруулахаас гадна янз бүрийн төхөөрөмжтэй дронуудыг нэгтгэх шаардлагатай байна (Ewing et al., 2020; Shuai et al., 2019). Хяналт, хөдөө аж ахуйн тандалт, шийдвэр гаргах зэрэг ухаалаг хөдөө аж ахуйтай холбоотой янз бүрийн ажлуудыг оновчтой болгох технологи нь судалгааны өндөр боломжит салбар юм (Alsamhi et al., 2021; Popescu et al., 2020; Vuran et al., 2018). Үүнтэй холбогдуулан IoT, WSN болон том өгөгдөл нь нэмэлт нэмэлт боломжуудыг санал болгодог (ван дер Мерве нар, 2020). Хэрэгжүүлэх зардал, зардлын хэмнэлт, эрчим хүчний хэмнэлт, мэдээллийн аюулгүй байдал зэрэг нь ийм интеграцийн талаар дутуу судлагдаагүй салбаруудын нэг юм (Masroor et al., 2021).
Улс орнууд ба эрдэм шинжилгээний байгууллагууд
Эцсийн шат нь гарал үүслийн улс, зохиогчдын эрдэм шинжилгээний хамаарлыг судлах явдал байв. Энэхүү шинжилгээгээр бид дроныг хөдөө аж ахуйд ашиглахад хувь нэмрээ оруулж буй эрдэмтдийн газарзүйн тархалтыг илүү сайн ойлгохыг зорьж байна. Улс орон, эрдэм шинжилгээний байгууллагуудын олон янз байдлыг анзаарах нь зүйтэй. Улс орны үүднээс авч үзвэл, АНУ, Хятад, Энэтхэг, Итали зэрэг улсууд нийтлэлийн тоогоор тэргүүлж байна (Хүснэгт 7). Одоогийн
Хөдөө аж ахуйн нисгэгчгүй онгоцнуудын судалгааг ихэвчлэн Хойд Америк, Азийн орнуудад төвлөрдөг бөгөөд энэ нь голчлон хөдөө аж ахуйн нарийн мэргэжлийн хэрэглээнд идэвхтэй оролцдогтой холбоотой юм. Жишээлбэл, АНУ-д хөдөө аж ахуйн нисгэгчгүй онгоцны зах зээл 841.9 онд 2020 сая ам.доллараар үнэлэгдсэн нь дэлхийн зах зээлийн 30 орчим хувийг эзэлж байна (ReportLinker, 2021). Дэлхийн хамгийн том эдийн засагтай Хятад улс 2.6 онд зах зээлийн хэмжээ нь ойролцоогоор 2027 тэрбум ам.долларт хүрнэ гэж таамаглаж байна. Энэ улс бүтээмжийн асуудлаа даван туулж, илүү ургац хураах, хөдөлмөрийг хөнгөвчлөх, үйлдвэрлэлийн орц багатай байхын тулд хөдөө аж ахуйн нисгэгчгүй онгоц ашиглахыг уриалж байна. Гэсэн хэдий ч Хятадад энэ технологийг нэвтрүүлэх нь хүн амын тоо, одоо байгаа тариалангийн менежментийг шинэчлэх, сайжруулах хэрэгцээ зэрэг хүчин зүйлээс шалтгаалж байна.
Хамгийн үр бүтээлтэй улс орнууд болон хувь нэмрээ оруулдаг их сургууль/байгууллага
хөдөө аж ахуйн дронтой холбоотой судалгаа.
Ранк | Улс орнууд |
1 | АНУ-ын |
2 | Хятад улс |
3 | Энэтхэг улс |
4 | Итали |
5 | Испани |
6 | Герман |
7 | Бразил |
8 | Австрали |
9 | Япон |
10 | Нэгдсэн Вант Улс |
Ранк | Их сургууль/Байгууллага |
1 | Хятадын Шинжлэх Ухааны Академи |
2 | БНХАУ-ын Хөдөө аж ахуйн яам |
3 | Эрдэм шинжилгээний дээд зөвлөл |
4 | Техасын А & М их сургууль |
5 | Хятадын хөдөө аж ахуйн их сургууль |
6 | USDA Хөдөө аж ахуйн судалгааны алба |
7 | CSIC - Instituto de Agricultura Sostenible IAS |
8 | Пурдью их сургууль |
9 | Консиглио Назионале делле Ричерче |
10 | Өмнөд Хятадын хөдөө аж ахуйн их сургууль |
Их сургууль болон зохион байгуулалтын үүднээс Хятадын Шинжлэх Ухааны Академи хэвлэлийн тоогоор тэргүүлж, БНХАУ-ын Хөдөө Аж Ахуйн Яам, дараа нь Consejo Superior de Investigaciones Científicas бичигджээ. Хятадын Шинжлэх Ухааны Академийг зохиолч Ляо Шиаохан, Ли Жүн нар төлөөлж байна; Хан Вэнтин нь БНХАУ-ын Хөдөө аж ахуйн яамыг төлөөлж; болон Consejo Superior de Investigaciones Científicas-ийг Лопез-Гранадос, ´ Ф. болон Пена, ˜ Jos´e Maria S нар төлөөлдөг. АНУ-аас Техасын A&M их сургууль, Пурдюгийн их сургууль зэрэг их сургуулиуд өөрсдийн
дурдах. Хамгийн их хэвлэл, тэдгээрийн холболттой их сургуулиудыг Зураг 4-т үзүүлэв. Нэмж дурдахад энэхүү жагсаалтад шинжлэх ухааны судалгаанд идэвхтэй оролцдог, гэхдээ эрдэм шинжилгээний байгууллага биш Consiglio Nazionale delle Ricerche, Consejo Superior de Investigaciones Científicas зэрэг байгууллагууд багтсан болно. .
Бидний сонголт нь бараг бүх мэдээллийг багтаасан олон төрлийн сэтгүүлүүдийг багтаасан. Хүснэгт 8-д үзүүлснээр 258 өгүүлэлтэй Зайнаас тандан судлах сэтгүүл эхний байранд, Ухаалаг ба роботын систем: онол ба хэрэглээ сэтгүүл 126, хөдөө аж ахуй дахь компьютер ба электроник 98 нийтлэлээр удаалжээ. Зайнаас тандан судлах нь ихэвчлэн нисгэгчгүй онгоцыг ашиглах, хөгжүүлэхэд чиглэгддэг бол хөдөө аж ахуй дахь компьютер, электроникууд нь хөдөө аж ахуй дахь компьютерийн техник хангамж, програм хангамж, электроник, хяналтын системийн дэвшлийг голчлон хамардаг. 87 хэвлэлтэй IEEE Robotics and Automation Letters, 34 хэвлэлтэй IEEE Access зэрэг салбар хоорондын худалдааны цэгүүд нь мөн энэ салбарт тэргүүлэх байр суурь эзэлдэг. Шилдэг арван таван хэвлэл 959 баримт бичгээр уран зохиолд хувь нэмрээ оруулсан нь нийт нийтлэлийн 20.40 орчим хувийг эзэлж байна. Сэтгүүлийн хамтарсан ишлэлийн дүн шинжилгээ нь нийтлэлүүдийн ач холбогдол, ижил төстэй байдлыг судлах боломжийг олгодог. Хамтарсан ишлэлийн шинжилгээгээр 5-р зурагт үзүүлсэн шиг гурван кластер гарч байна. Улаан кластер нь Remote Sensing, Computer and Electronics in Agriculture, Sensors,
болон зайнаас тандан судлах олон улсын сэтгүүл. Эдгээр бүх цэгүүд нь зайнаас тандан судлах, нарийн хөдөө аж ахуйн чиглэлээр өндөр нэр хүндтэй сэтгүүл юм. Ногоон кластер нь Ухаалаг ба Роботын Системийн сэтгүүл: Онол ба Хэрэглээ, IEEE Robotics and Automation Letters, IEEE Access, Drones зэрэг робот техникийн чиглэлээр ажилладаг сэтгүүлүүдийг агуулдаг. Эдгээр цэгүүд нь ихэвчлэн автоматжуулалтын талаархи нийтлэлүүдийг нийтэлдэг бөгөөд хөдөө аж ахуйн инженерүүдэд хэрэгтэй байдаг. Эцсийн кластер нь агрономич, хөдөө аж ахуйн инженерчлэлтэй холбоотой сэтгүүлүүд, тухайлбал Агрономийн болон Хөдөө аж ахуй, биологийн инженерийн олон улсын сэтгүүлээс бүрддэг.
Хөдөө аж ахуйн дронтой холбоотой судалгааны шилдэг 15 сэтгүүл.
Ранк | Сэтгүүл | Count |
1 | Зайнаас тандан судлах | 258 |
2 | Ухаалаг ба робот системийн сэтгүүл: Онол ба Програм | 126 |
3 | Хөдөө аж ахуй дахь компьютер ба электроник | 98 |
4 | IEEE робот техник ба автоматжуулалтын захидал | 87 |
5 | мэдрэгчүүд | 73 |
6 | Зайнаас тандан судлах олон улсын сэтгүүл | 42 |
7 | Нарийн хөдөө аж ахуй | 41 |
8 | Drones | 40 |
9 | Агронометр | 34 |
10 | IEEE хандалт | 34 |
11 | Олон улсын дэвшилтэт роботын системийн сэтгүүл | 31 |
12 | Хөдөө аж ахуй, биологийн инженерийн олон улсын сэтгүүл | 25 |
13 | PLoS ONE | 25 |
14 | Талбайн роботын сэтгүүл | 23 |
15 | Биосистемийн инженер | 23 |
Дүгнэлт
Дүгнэлт
Энэхүү судалгаанд бид хөдөө аж ахуйн дронуудын талаар одоо байгаа судалгааг нэгтгэн дүн шинжилгээ хийсэн. Библиометрийн янз бүрийн арга техникийг ашиглан бид хөдөө аж ахуйн дронтой холбоотой судалгааны оюуны бүтцийг илүү сайн ойлгохыг хичээсэн. Дүгнэж хэлэхэд, бидний тойм нь уран зохиол дахь түлхүүр үгсийг тодорхойлж, ярилцах, мэдлэгийн кластеруудыг илчлэхийн зэрэгцээ нисгэгчгүй онгоцны салбарт семантикийн хувьд ижил төстэй нийгэмлэгүүдийг бий болгох, өмнөх судалгааг тоймлох, цаашдын судалгааны чиглэлийг санал болгох зэрэг хэд хэдэн хувь нэмрийг санал болгож байна. Хөдөө аж ахуйн нисгэгчгүй онгоцыг хөгжүүлэх талаархи тоймоос гарсан гол дүгнэлтүүдийг доор харуулав.
• 2012 оноос хойш нийтлэлийн тоо өссөнөөс үзэхэд сүүлийн 2011 жилийн хугацаанд нийт уран зохиол хурдацтай хөгжиж, олны анхаарлыг татсан. Хэдийгээр энэ мэдлэгийн салбар бүрэн төлөвшиж амжаагүй байгаа ч (Barrientos et al., 2019; Maes) & Steppe, 2022), хэд хэдэн асуулт хариултгүй хэвээр байна. Жишээлбэл, дроныг дотоод аж ахуйд ашиглах нь маргаантай хэвээр байна (Aslan et al., 2021; Krul et al., 2015; Rold'an et al., 2019). Талбайн үзэгдлүүдийн нарийн төвөгтэй байдал, дүрслэлийн янз бүрийн нөхцөл байдал (жишээ нь, сүүдэр ба гэрэлтүүлэг) нь ангиллын спектрийн хэлбэлзлийг илүү өндөр болгож чадна (Yao et al., 2021). Судалгааны сүүлийн үе шатанд ч судлаачид тодорхой нөхцөл байдал, шаардлагатай зургийн чанарын дагуу нислэгийн оновчтой төлөвлөгөөг тодорхойлоход бэрхшээлтэй тулгарч байсан (Соарес нар, XNUMX; Ту нар,
2020).
• Энэ талбар нь үр ашигтай UAV системийг хөгжүүлэхээс эхлээд хөдөө аж ахуйн нисгэгчгүй нисэх онгоцны загварт машин суралцах, гүнзгий суралцах зэрэг хиймэл оюун ухааны арга техникийг нэвтрүүлэх хүртэл ахиц дэвшил гарсныг бид анзаарч байна (Bah et al., 2018; Kitano et al., 2019; Maimaitijiang нар. , 2020; Маззиа нар, 2020; Тетила нар, 2020).
• Хөдөө аж ахуйн дронуудын судалгаанд байгаль орчны хяналт, газар тариалангийн менежмент, хогийн ургамлын менежмент (кластер 1) болон алсаас фенотип, ургацын тооцоолол (кластер 2) зэрэгт технологийн боломжуудыг судлах замаар зайнаас тандан судлах талаар голчлон хэлэлцсэн. Хөдөө аж ахуйн нисгэгчгүй онгоцнуудын талаархи нөлөө бүхий судалгааны багцад Остин (2010), Берни нар багтжээ. (2009)a, Herwitz et al. (2004), Некс ба Ремондино (2014), Жан ба Ковачс (2012). Эдгээр судалгаанууд нь хөдөө аж ахуйн хүрээнд дронтой холбоотой судалгааны концепцийн үндсийг боловсруулсан.
• Аргачлалтай холбоотой бид өнөөг хүртэл хийгдсэн судалгааны ихэнх нь системийн дизайн, үзэл баримтлал эсвэл тоймд суурилсан судалгаанаас бүрдсэн болохыг бид ажигласан (Inoue, 2020; Nex & Remondino, 2014; P´erez-Ortiz et al. , 2015; Yao нар, 2019). Хөдөө аж ахуйн нисгэгчгүй онгоцыг судлахад эмпирик, чанарын болон кейс судалгаанд суурилсан аргууд дутмаг байгааг бид бас анзаарч байна.
• Сүүлийн үед нарийн хөдөө аж ахуй, хиймэл оюун ухааны техник, нарийн усан үзмийн тариалалт, усны стрессийн үнэлгээтэй холбоотой сэдвүүд ихээхэн анхаарал татаж байна (Espinoza нар, 2017; Gomez-Cand ´ on ´ et al., 2016; Matese et al., 2015; Matese & Di Gennaro, 2018, 2021; Z. Zhou et al., 2021). 1990–2010 ба 2011–2021 он гэсэн хоёр өөр эрин дэх судалгааны кластеруудыг сайтар судалж үзэхэд домэйны оюуны бүтцийн ахиц дэвшлийг харуулж байна. 1990-2010 он хүртэлх хугацаанд нисгэгчгүй нисэх онгоцны загвар, хөгжүүлэлт, хэрэгжилтийн талаарх хэлэлцүүлгээс илт харагдаж байгаа нисгэгчгүй онгоцны тухай үндсэн ойлголтууд болон үзэл баримтлалыг бүрдүүлсэн. Хоёр дахь эрин үед судалгааны төвлөрөл нь өмнөх судалгаанууд дээр өргөжиж, хөдөө аж ахуйд UAV ашиглах тохиолдлуудыг нэгтгэх хүчин чармайлт гаргаж байна. Мөн бид дүрсний ажил, нарийн хөдөө аж ахуйд дрон ашиглах талаар ярилцсан олон судалгааг олсон.
Ранк | Сэтгүүл | Count |
1 | Зайнаас тандан судлах | 258 |
2 | Ухаалаг ба робот системийн сэтгүүл: Онол ба | 126 |
Програм | ||
3 | Хөдөө аж ахуй дахь компьютер ба электроник | 98 |
4 | IEEE робот техник ба автоматжуулалтын захидал | 87 |
5 | мэдрэгчүүд | 73 |
6 | Зайнаас тандан судлах олон улсын сэтгүүл | 42 |
7 | Нарийн хөдөө аж ахуй | 41 |
8 | Drones | 40 |
9 | Агронометр | 34 |
10 | IEEE хандалт | 34 |
11 | Олон улсын дэвшилтэт роботын системийн сэтгүүл | 31 |
12 | Хөдөө аж ахуй, биологийн инженерийн олон улсын сэтгүүл | 25 |
13 | PLoS ONE | 25 |
14 | Талбайн роботын сэтгүүл | 23 |
15 | Биосистемийн инженер | 22 |
үр дагавар
Манай библиометрийн тоймыг эрдэмтэд, тариаланчид, хөдөө аж ахуйн мэргэжилтнүүд, газар тариалангийн зөвлөхүүд, UAV системийн дизайнеруудыг харгалзан боловсруулж, хийсэн. Зохиогчдын хамгийн сайн мэдэж байгаагаар энэ нь ном зохиолын гүн гүнзгий дүн шинжилгээ хийсэн анхны анхны тоймуудын нэг юм.
хөдөө аж ахуй дахь дрон хэрэглээ. Бид нийтлэлийн эшлэл болон хамтарсан ишлэлд дүн шинжилгээ хийж, энэхүү мэдлэгийн байгууллагад иж бүрэн дүн шинжилгээ хийсэн. Нисгэгчгүй онгоцны судалгааны оюуны бүтцийг тодорхойлох гэсэн бидний оролдлого нь эрдэмтэн судлаачдад шинэ ойлголтыг өгдөг. Цаг хугацаа өнгөрөхөд ашигласан түлхүүр үгсийг сайтар нягталж үзэхэд дронтой холбоотой уран зохиолын халуун цэгүүд болон судалгааны гол чиглэлүүд гарч ирдэг. Цаашилбал, бид энэ чиглэлээр хийгдсэн хамгийн үр дүнтэй судалгааны ажлуудыг тодорхойлохын тулд хамгийн их иш татсан судалгааны жагсаалтыг танилцуулж байна. Нийтлэл, түлхүүр үгсийг тодорхойлох нь цаашдын судалгааны хэд хэдэн гарцыг нээх найдвартай эхлэл болж чадна.
Хамгийн чухал нь бид харьцуулж болохуйц бүтээлүүдийг ангилж, үр дүнг нь нарийвчлан тодорхойлсон кластеруудыг илрүүлсэн. Кластерт ангилсан судалгаанууд нь UAV судалгааны оюуны бүтцийг ойлгоход тусалдаг. Бид нисгэгчгүй онгоц үрчлэх хүчин зүйлсийг судалсан судалгаа хомс байгааг олж мэдсэн
газар тариалангийн үйл ажиллагаан дахь саад бэрхшээл (Хүснэгт 9-ийг үз). Ирээдүйн судлаачид газар тариалангийн янз бүрийн үйл ажиллагаа, цаг уурын нөхцөлд дрон үрчлэх хүчин зүйлсийг үнэлдэг эмпирик судалгаа явуулснаар энэхүү боломжит цоорхойг арилгах боломжтой. Цаашилбал, дронуудын үр дүнтэй байдлын талаархи кейс судалгаанд суурилсан судалгааг хээрийн бодит мэдээллээр баталгаажуулах ёстой. Мөн фермерүүд болон менежерүүдийг эрдэм шинжилгээний ажилд татан оролцуулах нь нисгэгчгүй онгоцны судалгааны онолын болон практикийн ахиц дэвшилд ашигтай байх болно. Мөн бид хамгийн нэр хүндтэй судлаачид болон тэдний оруулсан хувь нэмрийг тодруулж чадсан бөгөөд энэ нь сүүлийн үеийн судалгааны ажлын талаар мэдлэгтэй байх нь цаашдын эрдэм шинжилгээний ажилд зарим нэг удирдамж өгөх боломжтой учраас үнэ цэнэтэй юм.
Хүснэгт 9
UAV үрчлүүлэхэд тулгарч буй саад бэрхшээл.
Саад | Тодорхойлолт |
Өгөгдлийн аюулгүй байдал | Кибер аюулгүй байдал нь хэрэгжүүлэхэд томоохон сорилт болж байна IoT шийдлүүд (Masroor et al., 2021). |
Харилцан ажиллах чадвар ба интеграцийн | UAV, WSN, IoT гэх мэт төрөл бүрийн технологиуд. нэгдсэн байх ёстой бөгөөд өгөгдөл дамжуулах нарийн төвөгтэй байдлын түвшинг нэмэгдүүлэх (Алсамхи нар, 2021; Попеску нар, 2020; Вуран нар, 2018). |
Хэрэгжүүлэх зардал | Энэ нь ялангуяа жижиг тариаланчид болон бусад хүмүүст хамаатай төрөл бүрийн дэвшилтэт технологийг нэгтгэх ( Масрур нар, 2021). |
Хөдөлмөрийн мэдлэг ба туршлагатай | UAV ажиллуулахын тулд чадварлаг нисгэгчгүй нисгэгчид хэрэгтэй. Мөн төрөл бүрийн сүүлийн үеийн дэвшилтэт технологи нь чадварлаг ажилчдыг шаарддаг (YB Huang нар, 2013; Цурос нар, 2019). |
Хөдөлгүүрийн хүч ба нислэг үргэлжлэх хугацаа | Дроныг олон цагаар ажиллуулж, таглах боломжгүй том талбайнууд (Hardin & Hardin, 2010; Laliberte et al., 2007). |
Тогтвортой байдал, найдвартай байдал, маневрлах чадвар | Цаг агаарын таагүй нөхцөлд дрон тогтвортой байдаггүй (Hardin & Hardin, 2010; Laliberte et al., 2007). |
Ачааллын хязгаарлалт ба мэдрэгчийн чанар | Зөвхөн нисгэгчгүй онгоцууд нь хязгаарлагдмал ачааг үүрэх боломжтой чанар муутай мэдрэгчийг ачаалах чадвар (Nebiker гэх мэт., 2008). |
зохицуулалт | Нисгэгчгүй онгоцууд бас аюултай байж болох тул ноцтой байдаг зарим газар нутаг дахь зохицуулалтууд (Hardin & Jensen, 2011; Лалиберте ба Ранго, 2011). |
Тариаланчдын мэдлэг ба хүү | Бусад дэвшилтэт технологийн нэгэн адил дронууд амжилттай хэрэгжүүлэхэд мэргэжлийн ур чадвар хэрэгтэй тодорхойгүй байдал дагалддаг (Fisher et al., 2009; Ламберт нар, 2004; Стаффорд, 2000). |
Ургацыг нэмэгдүүлэхийн тулд байгаа нөөцийг үр ашигтай ашиглах байнгын хэрэгцээ байдаг тул тариаланчид тариалангийн талбайг хурдан, үнэн зөв, хэмнэлттэй сканнердахын тулд дронуудын давуу талыг ашиглах боломжтой. Энэхүү технологи нь тариаланчдад тарианыхаа төлөв байдлыг тодорхойлж, усны төлөв байдал, боловсорч гүйцсэн үе шат, шавьжны халдвар, шим тэжээлийн хэрэгцээг үнэлэхэд тусална. Дронуудын алсын зайнаас тандан судлах чадвар нь тариаланчдад тулгамдсан асуудлыг эрт үе шатанд урьдчилан таамаглаж, зохих арга хэмжээг нэн даруй хийх чухал мэдээллээр хангадаг. Гэсэн хэдий ч технологийн үр өгөөж нь бэрхшээлийг зөв шийдвэрлэж байж л хэрэгжих болно. -ийн гэрэлд
Мэдээллийн аюулгүй байдал, мэдрэгчийн технологийн асуудлууд (жишээ нь хэмжилтийн найдвартай байдал, нарийвчлал), нэгтгэлийн нарийн төвөгтэй байдал, хэрэгжүүлэхэд ихээхэн зардал гарах зэрэг тулгамдсан асуудлууд, цаашдын судалгаанууд нь хөдөө аж ахуйн нисгэгчгүй онгоц болон бусад хайчлах төхөөрөмжийг нэгтгэх техник, эдийн засаг, үйл ажиллагааны боломжийн талаар судлах ёстой. захын технологи.
хязгаарлалт
Бидний судалгаа хэд хэдэн хязгаарлалттай. Нэгдүгээрт, дүгнэлтийг эцсийн дүн шинжилгээнд зориулж сонгосон хэвлэлээр тодорхойлно. Хөдөө аж ахуйн нисгэгчгүй онгоцтой холбоотой бүх судалгааг, ялангуяа Scopus мэдээллийн санд индексжүүлээгүй судалгааг авах нь хэцүү байдаг. Цаашилбал, мэдээлэл цуглуулах үйл явц нь хайлтын түлхүүр үгсийн тохиргоогоор хязгаарлагддаг бөгөөд энэ нь багтаамжгүй бөгөөд тодорхойгүй дүгнэлтэд хүргэдэг. Тиймээс цаашдын судалгаа хийхдээ мэдээлэл цуглуулах үндсэн асуудалд илүү анхаарал хандуулах шаардлагатай байна
илүү найдвартай дүгнэлт. Өөр нэг хязгаарлалт нь цөөн тооны иш татсан шинэ хэвлэлд хамаатай. Библиометрийн дүн шинжилгээ нь өмнөх хэвлэлүүд рүү чиглэсэн байдаг, учир нь тэд жилийн туршид илүү их ишлэл авдаг. Сүүлийн үеийн судалгаанууд олны анхаарлыг татах, ишлэл цуглуулахын тулд тодорхой хугацаа шаардагддаг. Иймээс парадигмын өөрчлөлт авчирсан сүүлийн үеийн судалгаанууд нөлөө бүхий шилдэг арван бүтээлд багтахгүй. Энэхүү хязгаарлалт нь хөдөө аж ахуйн нисгэгчгүй онгоц гэх мэт хурдацтай хөгжиж буй судалгааны салбаруудыг судлахад түгээмэл байдаг. Бид энэ ажилд зориулсан уран зохиолыг судлахын тулд Scopus-тай зөвлөлдсөн тул ирээдүйн судлаачид өөр зүйлийг авч үзэх боломжтой
Web of Science, IEEE Xplore зэрэг мэдээллийн сангууд нь судалгааны хүрээг тэлж, судалгааны бүтцийг сайжруулахад чиглэнэ.
Боломжит библиометрийн судалгаа нь шинэ ойлголтыг бий болгохын тулд хурлын илтгэл, бүлэг, ном зэрэг бусад чухал мэдлэгийн эх сурвалжуудыг авч үзэж болно. Хөдөө аж ахуйн нисгэгчгүй онгоцнуудын талаарх дэлхийн хэвлэлүүдийн зураглалыг хийж, судалж байгаа хэдий ч бидний олж мэдсэнээр их дээд сургуулиудын эрдэм шинжилгээний үр дүнгийн цаад шалтгааныг илрүүлээгүй. Энэ нь хөдөө аж ахуйн чиглэлээр судалгаа хийхдээ зарим их дээд сургуулиуд яагаад бусдаас илүү бүтээмжтэй байдгийг чанарын хувьд тайлбарлах шинэ судалгааны талбарт хүрэх замыг нээж өгдөг.
нисгэгчгүй онгоцууд. Нэмж дурдахад, ирээдүйн судалгаанууд нь хэд хэдэн судлаачдын тодорхойлсон байгаль орчны хяналт, газар тариалангийн менежмент, хогийн ургамлын зураглал зэрэг хэд хэдэн аргаар газар тариалангийн тогтвортой байдлыг нэмэгдүүлэх дронуудын боломжийн талаарх ойлголтыг өгөх болно (Chamuah & Singh, 2019; Islam et al., 2021; Попеску нар, 2020; J. Su, Liu, et al., 2018b). Сонгогдсон илтгэлүүдийн тоо их байсан тул текстийн дүн шинжилгээ хийх боломжгүй байсан тул эдгээрийг судалдаг уран зохиолын системчилсэн дүн шинжилгээ хийх шаардлагатай байна.
ашигласан судалгааны аргууд болон өмнөх судалгаанд тариаланчдын оролцоо. Товчхондоо, бидний дрон судалгааны дүн шинжилгээ нь энэхүү мэдлэгийн байгууллагын үл үзэгдэх уялдаа холбоог илчилж байна. Тиймээс энэхүү тойм нь хэвлэлүүдийн хоорондын харилцааг илрүүлэхэд тусалж, судалгааны талбарын оюуны бүтцийг судлах болно. Мөн зохиолчдын түлхүүр үг, харьяалал, улс орон зэрэг уран зохиолын янз бүрийн талуудын хоорондын уялдаа холбоог дүрсэлдэг.
Өрсөлдөж буй сонирхлын тунхаглал
Зохиогчид энэ нийтлэлд дурдсан ажилд нөлөөлж болзошгүй санхүүгийн өрсөлдөх сонирхол, хувийн харилцаа холбоогүй гэдгээ мэдэгдэв.
Хавсралт 1
TITLE-ABS-KEY (((дрон* ЭСВЭЛ "нисгэгчгүй нисэх хэрэгсэл" ЭСВЭЛ UAV* ЭСВЭЛ "нисгэгчгүй нисэх онгоцны систем"” OR uas ЭСВЭЛ “алсын удирдлагатай нисэх онгоц”) БА (Хөдөө аж ахуй ЭСВЭЛ хөдөө аж ахуй ЭСВЭЛ фермер ЭСВЭЛ фермер))) БОЛОН (ОРСОН ОРУУЛАХ (БҮЛЭГИЙН ЖИЛ, 2022)) БА (ХЯЗГААР (ХЭЛ, "Англи")).
Ашигласан материал
Aasen, H., Burkart, A., Bolten, A., Bareth, G., 2015. Ургамлыг хянах зориулалттай хөнгөн жинтэй UAV snapshot камер ашиглан 3D гиперспектр мэдээлэл үүсгэх нь:
чанарын баталгаажуулалтад камер тохируулга хийх. ISPRS J. Фотограмм. Алсын мэдрэгч 108, 245–259. https://doi.org/10.1016/j.isprsjprs.2015.08.002.
Abd-Elrahman, A., Pearlstine, L., Percival, F., 2005. Нисгэгчгүй агаарын тээврийн хэрэгслийн дүрслэлээс шувууг автоматаар илрүүлэх загвар таних алгоритмыг боловсруулах.
Судалгаа. Газрын мэдээлэл. Шинжлэх ухаан. 65 (1), 37–45.
Абдоллахи, А., Режеб, К., Режеб, А., Мостафа, ММ, Зайлани, С., 2021. Хөдөө аж ахуй дахь утасгүй мэдрэгчийн сүлжээ: библиометрийн шинжилгээнээс авсан ойлголт. Тогтвортой байдал 13 (21),
12011.
Aboutalebi, M., Torres-Rua, AF, Kustas, WP, Nieto, H., Coopmans, C., McKee, M.., Өндөр нарийвчлалтай оптик дүрслэлд сүүдэр илрүүлэх янз бүрийн аргуудын үнэлгээ, тооцоололд сүүдрийн нөлөөллийн үнэлгээ. NDVI болон ууршилт. Услах. Шинжлэх ухаан. 37 (3), 407–429. https://doi.org/10.1007/s00271-018-0613-9.
Адао, ˜ T., Hruˇska, J., Padua, ´ L., Bessa, J., Peres, E., Morais, R., Sousa, JJ, 2017. Гиперспектр дүрслэл: UAV-д суурилсан мэдрэгч, өгөгдөлд хийсэн тойм. боловсруулах ба
хөдөө аж ахуй, ойн аж ахуйд зориулсан өргөдөл. Зайнаас тандан судлах 9 (11). https://doi.org/ 10.3390/rs9111110.
Agüera Vega, F., Ramírez, FC, Saiz, MP, Rosúa, FO, 2015. Наранцэцгийн ургацыг хянахын тулд нисгэгчгүй агаарын тээврийн хэрэгсэл ашиглан олон цаг хугацааны дүрслэл. Биосист. Eng.
132, 19–27. https://doi.org/10.1016/j.biosystemseng.2015.01.008.
Ajayi, OG, Salubi, AA, Angbas, AF, Odigure, MG, 2017. UAV-аас үнэн зөв дижитал өндрийн загварыг бий болгох нь бага хувьтай давхцаж буй зургуудыг олж авсан. Int.
J. Алсын мэдрэгч 38 (8–10), 3113–3134. https://doi.org/10.1080/ 01431161.2017.1285085.
Али, I., Greifeneder, F., Stamenkovic, J., Neumann, M., Notarnicola, C., 2015. Алсын зайнаас тандан судлах өгөгдлөөс биомасс болон хөрсний чийгийг олж авахад зориулсан машин сургалтын арга барилын тойм. Зайнаас тандан судлах 7 (12), 16398–16421.
Alsamhi, SH, Afghah, F., Sahal, R., Hawbani, A., Al-Qaness, MAA, Lee, B., Guizani, M., B5G сүлжээнд UAV ашигладаг ногоон интернет: Хэрэглээний тойм
болон стратеги. Зар. Хок. Сүлжээ. 117, 102505 https://doi.org/10.1016/j. adhoc.2021.102505.
Аль-Тани, Н., Албуайнайн, А., Алнаими, Ф., Зорба, Н., 2020. Хонины малын хяналтад зориулсан дрон. In: IEEE Газар дундын тэнгисийн цахилгаан техникийн 20 дахь бага хурал. https://doi.
org/10.1109/MELECON48756.2020.9140588.
Ампатзидис, Ю., Партел, В., 2019. Олон талт дүрслэл болон хиймэл оюун ухааныг ашиглан цитрус ургамал дахь UAV-д суурилсан өндөр дамжуулалтын фенотипчлал. Зайнаас тандан судлах 11 (4), https://doi.org/10.3390/rs11040410.
Ампатзидис, Ю., Партел, В., Коста, Л., 2020. Agroview: Хиймэл оюун ухааныг ашиглан нарийн хөдөө аж ахуйн хэрэглээнд зориулж UAV-аас цуглуулсан өгөгдлийг боловсруулах, шинжлэх, дүрслэн харуулах үүлэнд суурилсан програм. Тооцоолох. Электрон. Агрик. 174, 105457 https://doi. org/10.1016/j.compag.2020.105457.
Ang, K.-L.-M., Seng, JKP, 2021. Хөдөө аж ахуй дахь гиперспектр мэдээлэл бүхий том өгөгдөл ба машин сургалт. IEEE Access 9, 36699–36718. https://doi.org/10.1109/
ХАНДАХ.2021.3051196.
Aquilani, C., Confessore, A., Bozzi, R., Sirtori, F., Pugliese, C., 2022. тойм: Бэлчээрт суурилсан мал аж ахуйн систем дэх нарийн мал аж ахуй эрхлэх технологи. Амьтан 16 (1), https://doi.org/10.1016/j.animal.2021.100429.
Армента-Медина, Д., Рамирес-Делреал, Т.А., Виллануева-Васкес, ´ Д., Межиа-Агирре, С., Мэдээлэл, харилцаа холбооны дэвшилтэт технологийн чиг хандлага.
Хөдөө аж ахуйн бүтээмжийг сайжруулах: библиометрийн шинжилгээ. Агрономийн 10 (12), 12 дугаар зүйл. https://doi.org/10.3390/agronomy10121989.
Армстронг, I., Pirrone-Brusse, M., Smith, A., Jadud, M., 2011. The flying gator: direction a air robotics in occam-π. Коммун. Процессын архитектор. 2011, 329–340. https://doi. org/10.3233/978-1-60750-774-1-329.
Arora, SD, Chakraborty, A., 2021. Хэрэглэгчийн гомдол гаргах зан үйлийн (CCB) судалгааны оюуны бүтэц: Библиометрийн шинжилгээ. J. Business Res. 122, 60–74.
Аслан, MF, Durdu, A., Sabanci, K., Ropelewska, E., Gültekin, SS, 2022.
Ил задгай талбай, хүлэмжинд нарийн газар тариалангийн чиглэлээр сүүлийн үеийн UAV-тай хийсэн судалгаануудын цогц судалгаа. Appl. Шинжлэх ухаан. 12 (3), 1047. https://doi.org/10.3390/
апп12031047.
Аткинсон, Ж.А., Жексон, РЖ, Бентли, AR, Обер, Э., Уэллс, ДМ (2018). Ирээдүйд зориулсан талбайн фенотип. Жилийн ургамлын тоймыг онлайнаар (хх. 719–736). Жон
Wiley & Sons, Ltd. doi: 10.1002/9781119312994.apr0651.
Остин, Р., 2010. Нисгэгчгүй нисэх онгоцны систем: UAVS дизайн, хөгжүүлэлт ба байршуулалт. Үүнд: Нисгэгчгүй нисэх онгоцны систем: UAVS дизайн, хөгжүүлэлт ба
Байрлуулалт. Жон Уайли ба хөвгүүд. 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. Ургамлын стресс дэх UAV-д суурилсан алсын зайнаас тандан судлах нь дижитал хөдөө аж ахуйн практикт зориулж өндөр нарийвчлалтай дулааны мэдрэгч ашиглан төсөөлөөд үз дээ: мета тойм. Int. Ж.Эвирон. Шинжлэх ухаан. Технологи. https://doi.
org/10.1007/s13762-021-03801-5.
Bacco, M., Berton, A., Ferro, E., Gennaro, C., Gotta, A., Matteoli, S., Paonessa, F., Ruggeri, M., Virone, G., Zanella, A., 2018. Ухаалаг аж ахуй: Боломж, сорилт
болон технологийн идэвхжүүлэгчид. 2018 IoT Vertical болон. Хөдөө аж ахуйн сэдэвт дээд хэмжээний уулзалт -Тосканы (IOT Toscany) 1–6. https://doi.org/10.1109/IOTTUSCANY.2018.8373043.
Бах, MD, Hafiane, A., Canals, R., 2018. UAV зураг дээрх шугамын тариалалтанд хогийн ургамлыг илрүүлэхэд хяналтгүй өгөгдөл шошготойгоор гүнзгий суралцах. Зайнаас тандан судлах 10 (11), 1690.
https://doi.org/10.3390/rs10111690.
Балди, С., 1998. Ишлэлийг хуваарилахдаа норматив ба нийгмийн конструктивист үйл явц: сүлжээ-аналитик загвар. Ам. Нийгэм. Илчлэлт 63 (6), 829–846. https://doi.
org / 10.2307 / 2657504.
Балужа, Ж., Диаго, УИХ-ын гишүүн, Балда, П., Зорер, Р., Меггио, Ф., Моралес, Ф., Тардагула, Ж., 2012. Усан үзмийн талбайн усны төлөв байдлын хэлбэлзлийг дулааны болон олон талт байдлаар үнэлэх.
нисгэгчгүй агаарын тээврийн хэрэгсэл (UAV) ашигласан зураг. Услах. Шинжлэх ухаан. 30 (6), 511–522. https://doi.org/10.1007/s00271-012-0382-9.
Barabaschi, D., Tondelli, A., Desiderio, F., Volante, A., Vaccino, P., Val`e, G., Cattivelli, L., Дараагийн үеийн үржлийн. Ургамлын шинжлэх ухаан. 242, 3–13. https://doi.org/10.1016/j.
plantci.2015.07.010.
Barbedo, JGA, Koenigkan, LV, 2018. Үхрийг хянахын тулд нисгэгчгүй агаарын системийг ашиглах хэтийн төлөв. Агррикийн төлөв байдал. 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. Бага жинтэй, UAV-д суурилсан гиперспектр бүрэн фрэймийн камерууд
үр тарианы мониторингийн хувьд: Зөөврийн спектррадиометрийн хэмжилттэй спектрийн харьцуулалт. Photogrammetrie, Fernerkundung, Geoinformation 2015 (1), 69–79.
https://doi.org/10.1127/pfg/2015/0256.
Барриентос, А., Колорадо, Ж., дел Серро, Ж., Мартинез, А., Росси, С., Санз, Д., Валенте, Ж., Хөдөө аж ахуй дахь агаарын зайнаас тандан судлах: Газар нутгийг хамрах практик арга.
мини агаарын роботуудын флотын зам төлөвлөлт. Ж. Филд Роб. 28 (5), 667–689. https://doi.org/10.1002/rob.20403.
Басири, А., Мариани, В., Силано, Г., Аатиф, М., Ианелли, Л., Глиелмо, Л., 2022. Олон ротортой UAV-д зориулсан зам төлөвлөлтийн алгоритмыг нарийн нарийвчлалтайгаар ашиглах судалгаа.
хөдөө аж ахуй. Ж. Навиг. 75 (2), 364–383.
Баснет, Б., Банг, Ж., 2018. Мэдлэг их шаарддаг хөдөө аж ахуйн орчин үеийн дэвшилтэт технологи: Хэрэглээний мэдрэгч систем ба өгөгдлийн аналитикийн тойм. Ж. Сенс. 2018, 1–13.
Бендиг, Ж., Болтен, А., Барет, Г., 2013. Газар тариалангийн өсөлтийн хэлбэлзлийг хянах зорилгоор олон цаг хугацааны, маш өндөр нарийвчлалтай газар тариалангийн гадаргуугийн загварт зориулсан UAV-д суурилсан дүрслэл. 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. UAV дээр суурилсан RGB дүрслэлээс гаргаж авсан тариалангийн гадаргуугийн загвар (CSMs) ашиглан арвайн биомассыг тооцоолох. Зайнаас тандан судлах 6 (11), 10395–10412.
Bendig, J., Yu, K., Aasen, H., Bolten, A., Bennertz, S., Broscheit, J., Gnyp, ML, Bareth, G., 2015. Газар тариалангийн гадаргуугаас UAV-д суурилсан ургамлын өндрийг хослуулсан. загварууд,
арвайн биомассын хяналтанд харагдахуйц, ойрын хэт улаан туяаны ургамлын индексүүд. Int. J. Appl. Earth Obs. Geoinf. 39, 79–87. https://doi.org/10.1016/j.jag.2015.02.012.
Berni, JA, Zarco-Tejada, PJ, Sepulcre-Canto, ´ G., Fereres, E., Villalobos, F., 2009a. Чидун жимсний цэцэрлэгт халхавчны дамжуулалт ба CWSI-ийн зураглалыг өндөр нарийвчлалтайгаар хийх
дулааны алсын зайнаас тандан судлах зураг. Алсын мэдрэгч. Орчин. 113 (11), 2380–2388. https://doi.org/10.1016/j.rse.2009.06.018.
Berni, JA, Zarco-Tejada, PJ, Suarez, ´ L., Fereres, E., 2009b. Дулааны болон нарийн зурвасын олон спектрийн алсын зайн мэдрэгч нь нисгэгчгүй агаарын тээврийн хэрэгслээс ургамалжилтыг хянах. IEEE Транс. Гео судлаач. Алсын мэдрэгч 47 (3), 722–738.
Bouzembrak, Y., Klüche, M., Gavai, A., Marvin, HJP, 2019. Хүнсний аюулгүй байдал дахь зүйлсийн интернет: Уран зохиолын тойм ба библиометрийн шинжилгээ. чиг хандлага Хүнсний шинжлэх ухаан. Технологи. 94,54–64. https://doi.org/10.1016/j.tifs.2019.11.002.
Brewster, C., Roussaki, I., Kalatzis, N., Doolin, K., Ellis, K., 2017. IoT in agriculture: Designing the agriculture of the large scale pilot. IEEE Commun. Маг. 55 (9), 26–33.
Buters, TM, Belton, D., Cross, AT, 2019. Миллиметрийн нарийвчлалтай суулгац болон суулгацын бүлгүүдийг олон мэдрэгчтэй UAV хянах. Дрон 3 (4), 81.
https://doi.org/10.3390/drones3040081.
Кандиаго, С., Ремондино, Ф., Де Гиглио, М., Дуббини, М., Гаттелли, М., 2015. UAV зургуудаас нарийн газар тариалангийн хэрэглээнд зориулсан олон талт дүрс, ургамлын индексийг үнэлэх. Зайнаас тандан судлах 7 (4), 4026–4047. https://doi.org/10.3390/rs70404026.
Cao, Y., Li, GL, Luo, YK, Pan, Q., Zhang, SY, 2020. UAV-аас гаргаж авсан өргөн динамик хүрээний ургамлын индекс (WDRVI) ашиглан чихрийн нишингийн өсөлтийн үзүүлэлтүүдийн хяналт
олон спектрийн зураг. Тооцоолох. Электрон. Агрик. 171, 105331 https://doi.org/10.1016/j.compag.2020.105331.
Casillas, J., Acedo, F., 2007. Гэр бүлийн бизнесийн уран зохиолын оюуны бүтцийн хувьсал: FBR-ийн библиометрийн судалгаа. Гэр бүлийн бизнес Илч 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. Динамик мониторингийн биомассын будааны дор
хос зургийн камер бүхий хөнгөн жинтэй UAV ашиглан янз бүрийн азотын эмчилгээ. Ургамлын арга 15 (1), 32. https://doi.org/10.1186/s13007-019-
0418-8.
Чамуах, А., Сингх, Р., 2019. Иргэний UAV-аар дамжуулан Энэтхэгийн хөдөө аж ахуйн тогтвортой байдлыг хангах нь: хариуцлагатай инновацийн хэтийн төлөв. SN Appl. Шинжлэх ухаан. 2 (1), 106. https://
doi.org/10.1007/s42452-019-1901-6.
Чамуах, А., Сингх, Р., 2022. Энэтхэгийн газар тариалангийн даатгалын програмуудад зориулсан иргэний нисгэгчгүй агаарын тээврийн хэрэгслийн (UAV) инновацийн хариуцлагатай засаглал. Ж.Хариуцлагатай
Технологи. 9, 100025 https://doi.org/10.1016/j.jrt.2022.100025.
Чен, А., Орлов-Левин, В., Мерон, М., 2019. Нарийн усалгааны менежментэд газар тариалангийн халхавчны өндөр нарийвчлалтай үзэгдэх сувгийн агаарын дүрслэлийг ашиглах нь. Агрик. Ус
Удирдах. 216, 196–205. https://doi.org/10.1016/j.agwat.2019.02.017.
Daakir, M., Pierrot-Deseilligny, M., Bosser, P., Pichard, F., Thom, C., Rabot, Y., Martin, O., 2017. Самбар дээрх фотограмметрийн болон ганц давтамжтай GPS-ийн байршил бүхий хөнгөн жинтэй UAV хэмжилзүйн хэрэглээнд зориулагдсан. ISPRS J. Фотограмм. Алсын мэдрэгч 127, 115–126. https://doi.org/10.1016/j.isprsjprs.2016.12.007.
Dawaliby, S., Aberkane, A., Bradai, A., 2020. Автономит нисгэгчгүй онгоцны үйл ажиллагааны менежментийн блокчэйнд суурилсан IoT платформ. Үүнд: МУЗ-ийн 2-р хурлын үйл ажиллагаа
5G ба түүнээс дээш сүлжээнд зориулсан нисгэгчгүй төхөөрөмжтэй утасгүй холбооны MobiCom семинар, 31–36-р хуудас. https://doi.org/10.1145/3414045.3415939.
Day, RA, Gastel, B., 1998. Шинжлэх ухааны илтгэлийг хэрхэн бичиж хэвлэх вэ. Кембрижийн их сургуулийн хэвлэл. де Кастро, AI, Pena, ˜ JM, Torres-Sanchez, ´ J., Jim´enez-Brenes, FM, ValenciaGredilla, F., Recasens, J., Lopez-Granados, ´ F., 2020. Цинодон дактилоны халдварын зураглал нарийн усан үзмийн тариалалтад зориулсан автомат шийдвэрийн мод-OBIA процедур болон UAV дүрслэлээр тариаланг бүрхэнэ. Зайнаас тандан судлах 12 (1), 56. https://doi.org/10.3390/rs12010056.
де Кастро, AI, Torres-S´ anchez, J., Pena, ˜ JM, Jim´enez-Brenes, FM, Csillik, O., Lopez- ´Granados, F., 2018. Автомат санамсаргүй ой-OBIA алгоритм. UAV дүрслэлийг ашиглан тариалангийн эгнээ хооронд болон доторх хогийн ургамлын эрт үеийн зураглал. Зайнаас мэдрэгч 10 (2). https://doi.org/10.3390/rs10020285.
Demir, N., Sonmez, ¨ NK, Akar, T., Unal, S., 2018. UAV дүрслэлээс авсан DSM ашиглан улаан буудайн генотипийн ургамлын өндрийг автоматжуулсан хэмжилт. Процесс 2 (7), 350. https://doi.org/10.3390/ecrs-2-05163.
Deng, J., Zhong, Z., Huang, H., Lan, Y., Han, Y., Zhang, Y., 2020. Нисгэгчгүй агаарын тээврийн хэрэгслийг ашиглан бодит цагийн хогийн ургамлын зураглал хийх зориулалттай хөнгөн жинтэй семантик сегментчилсэн сүлжээ. Appl. Шинжлэх ухаан. 10 (20), 7132. https://doi.org/10.3390/app10207132.
Дэн, Л., Мао, З., Ли, X., Ху, З., Дуан, Ф., Ян, Ю., 2018. Нарийвчлалтай хөдөө аж ахуйд зориулсан UAV-д суурилсан олон талт алсын зайнаас тандан судлах: өөр өөр камеруудын харьцуулалт. ISPRS J. Фотограмм. Алсын мэдрэгч 146, 124–136.
Diaz-Gonzalez, FA, Vuelvas, J., Correa, CA, Vallejo, VE, Patino, D., 2022. Хөрсний үзүүлэлтийг тооцоолоход ашигласан машин сургалт, зайнаас тандан судлах аргууд – тойм. Экол. Ind. 135, 108517 https://doi.org/10.1016/j.ecolind.2021.108517.
Диаз-Варела, РА, Де ла Роза, Р., Леон, ´ L., Zarco-Tejada, PJ, 2015. Чидун жимсний модны титмийн параметрүүдийг 3D гэрэл зураг ашиглан үнэлэх өндөр нарийвчлалтай агаарт нисэгчгүй нисэх онгоцны зураг.
сэргээн босголт: үржлийн туршилтанд ашиглах. Зайнаас тандан судлах 7 (4), 4213–4232. https://doi.org/10.3390/rs70404213.
Dixit, A., Jakhar, SK, 2021. Нисэх буудлын хүчин чадлын менежмент: тойм ба библиометрийн шинжилгээ. J. Air Transp. Удирдах. 91, 102010.
Дун, Т., Шан, Ж., Лю, Ж., Цян, Б., Жин, К., Ма, Б., Хаффман, Т., Гэн, Х., Соу, А., Ши, Ы., Canisius, F., Jiao, X., Kovacs, JM, Walters, D., Cable, J., Wilson, J., 2019.
Канадын Онтарио дахь газар тариалангийн өсөлт, ургацын талбайн хэлбэлзлийг тодорхойлохын тулд RapidEye зураглалыг ашиглах. Precision Agric. 20 (6), 1231–1250. https://doi.org/10.1007/
s11119-019-09646-w.
Dutta, PK, Mitra, S., 2021. COVID-19-ийн дараах үеийн хүнсний хангамжийн сүлжээг ойлгохын тулд хөдөө аж ахуйн нисгэгчгүй онгоц, иот ашиглах. Үүнд: Чоудхури, А., Бисвас, А., Пратек, М.,
Чакрабарти, А. (Эд.), Хөдөө аж ахуйн мэдээлэл зүй: IoT ба машин сургалтыг ашиглан автоматжуулалт. Wiley, хуудас 67–87. van Eck, N., Waltman, L., 2009. Програм хангамжийн судалгаа: VOSviewer, библиометрийн зураглал хийх компьютерийн програм. 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. Хөдөө аж ахуй дахь зүйлсийн интернет (IoT) ба өгөгдлийн аналитикийн тойм: ашиг тус, сорилтууд.
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. Агрономийн баталгаажуулалт UAV ба талбай
улаан лоолийн сортуудын хэмжилт. Тооцоолох. Электрон. Агрик. 158, 278–283. https:// doi.org/10.1016/j.compag.2019.02.011.
Espinoza, CZ, Khot, LR, Sankaran, S., Jacoby, PW, 2017. Өндөр нарийвчлалтай олон талт болон дулааны алсын зайнаас тандан судлахад суурилсан усны стрессийн үнэлгээ
гүний усалгаатай усан үзмийн мод. Зайнаас тандан судлах 9 (9), 961. https://doi.org/ 10.3390/rs9090961.
Ewing, J., Oommen, T., Jayakumar, P., Alger, R., 2020. Хөрсний зэрэглэлд зориулсан гиперспектрийн алсын зайн мэдрэгчийг ашиглах. Зайнаас тандан судлах 12 (20), 3312. ttps://doi.org/10.3390/
rs12203312.
Fawcett, D., Panigada, C., Tagliabue, G., Boschetti, M., Celesti, M., Evdokimov, A., Biriukova, K., Colombo, R., Miglietta, F., Rascher, U. Андерсон, К., 2020. Үйл ажиллагааны нөхцөлд дрон дээр суурилсан олон талт гадаргуугийн тусгал болон ургамлын индексийн олон талт үнэлгээ. Зайнаас тандан судлах 12 (3), 514.
Feng, X., Yan, F., Liu, X., 2019. Нарийвчлалтай хөдөө аж ахуйд зориулсан интернетийн утасгүй холбооны технологийг судлах. Утасгүй Перс. Коммун. 108 (3),
1785-1802.
Ferreira, УИХ-ын гишүүн, Пинто, CF, Serra, FR, 2014. Олон улсын бизнесийн судалгаанд гүйлгээний зардлын онол: гучин жилийн хугацаанд хийсэн библиометрийн судалгаа. Scientometrics 98 (3), 1899–1922. https://doi.org/10.1007/s11192-013-1172-8.
Фишер, П., Абузар, М., Раб, М., Бест, Ф., Чандра, С., 2009. Зүүн өмнөд Австрали дахь нарийн хөдөө аж ахуйн дэвшил. I. загварчлах регрессийн арга зүй
тариаланчдын түүхэн талбайн ургацыг ашиглан үр тарианы ургацын орон зайн хэлбэлзэл, ургамлын хэвийн ялгааны индекс. Газар тариалангийн бэлчээрийн шинжлэх ухаан. 60 (9), 844–858.
Floreano, D., Wood, RJ, 2015. Шинжлэх ухаан, технологи ба жижиг бие даасан дронуудын ирээдүй. Байгаль 521 (7553), 460–466. https://doi.org/10.1038/nature14542.
Friha, O., Ferrag, MA, Shu, L., Maglaras, LA, Wang, X., 2021. Ухаалаг хөдөө аж ахуйн ирээдүйн төлөөх зүйлсийн интернет: шинээр гарч ирж буй технологийн цогц судалгаа. IEEE CAA J. Autom. Синика 8 (4), 718–752.
Фуэнтес-Пачеко, Ж., Торрес-Оливарес, Ж., Роман-Рангел, Э., Сервантес, С., ХуарезЛопез, П., Хермосильо-Валадез, Ж., Рендон-Манча, ´ JM, 2019. Инжир ургамлын сегментчилэл гүн гүнзгий эргэлтийн кодлогч-декодер сүлжээг ашиглан агаарын зургуудаас. Зайнаас тандан судлах 11 (10), 1157. https://doi.org/10.3390/rs11101157.
Gago, J., Douthe, C., Coopman, RE, Gallego, PP, Ribas-Carbo, M., Flexas, J., Escalona, J., Medrano, H., 2015. UAVs сорилт усны стрессийг үнэлэх
тогтвортой хөдөө аж ахуй. Агрик. Усны менежер. 153, 9–19. https://doi.org/10.1016/j. агват.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. Дулааны дүрслэл үйлдвэрт
хомсдолтой усалгааны стратегийн дагуу бүйлсний модны (Cv. Guara) тариалангийн усны байдлыг үнэлэх түвшин. Агрик. Усны менежер. 208, 176–186. https://doi.org/10.1016/j.
агват.2018.06.002.
Garzonio, R., Di Mauro, B., Colombo, R., Cogliati, S., 2017. Жижиг гиперспектрлийн UAS ашиглан гадаргуугийн тусгал ба нарны флюресценцийн спектроскопийн хэмжилт. Зайнаас тандан судлах 9 (5), 472. https://doi.org/10.3390/rs9050472. Gaˇsparovi´c, M., Zrinjski, M., Barkovi´c, Đ., Radoˇcaj, D., 2020. Автомат арга
овъёосны талбайн хогийн ургамлын зураглалыг UAV дүрслэлд үндэслэн хийх. Тооцоолох. Электрон. Агрик.
Gebbers, R., Adamchuk, VI, 2010. Нарийвчлалтай хөдөө аж ахуй ба хүнсний аюулгүй байдал. Шинжлэх ухаан 327 (5967), 828–831. https://doi.org/10.1126/science.1183899.
Geipel, J., Link, J., Claupein, W., 2014. Нисгэгчгүй нисэх онгоцны системээр олж авсан агаарын зураг, газар тариалангийн гадаргуугийн загварт үндэслэн эрдэнэ шишийн ургацын спектрийн болон орон зайн хосолсон загварчлал. Зайнаас тандан судлах 6 (11), 10335–10355. https://doi.org/10.3390/rs61110335.
Geng, D., Feng, Y., Zhu, Q., 2020. Хэрэглэгчдэд зориулсан тогтвортой дизайн: уран зохиолын тойм, библиометрийн шинжилгээ. Хүрээлэн буй орчин. Шинжлэх ухаан. Бохирдол. Res. 27 (24), 29824–29836. https://doi. org/10.1007/s11356-020-09283-1.
Gevaert, CM, Suomalainen, J., Tang, J., Kooistra, L., 2015. Multispectral хиймэл дагуул болон гиперспектрыг хослуулан спектрийн цаг хугацааны хариу урвалын гадаргууг үүсгэх.
Нарийн газар тариалангийн хэрэглээнд зориулсан UAV дүрслэл. IEEE J. Sel. Топ. Appl. Earth Obs. Алсын мэдрэгч 8 (6), 3140–3146. ttps://doi.org/10.1109/JSTARS.2015.2406339.
Gill, SS, Chana, I., Buyya, R., 2017. IoT-д суурилсан хөдөө аж ахуй нь үүлэн болон том мэдээллийн үйлчилгээ: дижитал Энэтхэгийн эхлэл. Ж.Орг. болон эцсийн хэрэглэгчийн тооцоолол. (JOEUC) 29 (4),
1-23.
Гмүр, М., 2006. Хамтран иш татах дүн шинжилгээ ба үл үзэгдэгч коллежийг хайх: арга зүйн үнэлгээ. Scientometrics 57 (1), 27–57. https://doi.org/10.1023/
а:1023619503005.
Gnadinger, ¨ F., Schmidhalter, U., 2017. Нисгэгчгүй агаарын тээврийн хэрэгслийн (UAVs) эрдэнэ шишийн ургамлын тоон тоо. Зайнаас тандан судлах 9 (6). Https://doi.org/10.3390/rs9060544.
Gokto ¨ ǧan, AH, Sukkarieh, S., Bryson, M., Randle, J., Lupton, T., Hung, C., 2010. Усны хогийн ургамлыг хянах, хянах зориулалттай Ротари далавчтай нисгэгчгүй агаарын тээврийн хэрэгсэл
удирдлага. Ж.Интел. Роботын систем: Теор. Appl. 57 (1–4), 467–484. https://doi. org/10.1007/s10846-009-9371-5.
Гомез-Канд ´ on, ´ D., De Castro, AI, Lopez-Granados, ´ F., 2014. Улаан буудайн нарийн хөдөө аж ахуйн зориулалтаар нисгэгчгүй агаарын тээврийн хэрэгслийн (UAV) дүрслэлээс авсан шигтгээний нарийвчлалыг үнэлэх нь. Нарийн. Агрик. 15 (1), 44–56. https://doi.org/10.1007/s11119-013-9335-4.
Gomez-Cand ´ on, ´ D., Virlet, N., Labb´e, S., Jolivot, A., Regnard, J.-L., 2016. UAV мэдрэгчтэй дүрслэлээр модны масштаб дахь усны стрессийн хээрийн фенотип. : шинэ ойлголт
дулааны хүлээн авалт ба шалгалт тохируулга. Нарийн. Агрик. 17 (6), 786–800. https://doi.org/10.1007/s11119-016-9449-6.
Гонзалес-Дуго, В., Зарко-Тежада, П.Ж., Феререс, Э., 2014. Цитрус жимсний цэцэрлэгийн усны хомсдолын үзүүлэлт болох газар тариалангийн усны стрессийн индексийг ашиглах боломж ба хязгаарлалт. Агрик. Учир нь. Цаг уур. 198–199, 94–104. https://doi.org/10.1016/j. agrformet.2014.08.003.
Гонзалес-Дуго, В., Зарко-Тежада, П., Николас, ´ Э., Нортес, ПА, Аларкон, ´ JJ, Intrigliolo, DS, Fereres, E., 2013. Өндөр нарийвчлалтай UAV дулааны зургийг ашиглах
арилжааны цэцэрлэгийн таван зүйлийн жимсний модны усны төлөв байдлын хэлбэлзлийг үнэлэх. Нарийн. Агрик. 14 (6), 660–678. https://doi.org/10.1007/s11119-013-9322-9.
Гоял, К., Кумар, С., 2021. Санхүүгийн мэдлэг: Системчилсэн тойм, библиометрийн шинжилгээ. Int. J. Хэрэглэгчийн судалгаа 45 (1), 80–105. https://doi.org/10.1111/
ijcs.12605.
Grenzdorffer, ¨ GJ, Engel, A., Teichert, B., 2008. Ойн аж ахуй, хөдөө аж ахуй дахь хямд өртөгтэй нисдэг тэрэгний фотограмметрийн боломж. Фотограмметр, зайнаас тандан судлах, орон зайн мэдээллийн шинжлэх ухааны олон улсын архив – ISPRS архив 37, 1207–1213. https://www.scopus.com/inward/record.uri?eid=2-s2.0-85039543258&partnerI D=40&md5=b4b2d639257e8ddb5a373d15959c4e1e.
Гуан, С., Фуками, К., Мацунака, Х., Оками, М., Танака, Р., Накано, Х., Сакай, Т., Накано, К., Охдан, Х., Такахаши, К., 2019. Өндөр нарийвчлалын хамаарлыг үнэлэх
Бага оврын UAV ашиглан будаа, улаан буудайн ургацын бордооны хэрэглээний түвшин, ургац бүхий NDVI. Зайнаас тандан судлах 11 (2), 112.
Gundolf, K., Filser, M., 2013. Менежментийн судалгаа ба шашин: ишлэлийн шинжилгээ. J. Автобус. Ёс зүй 112 (1), 177–185.
Гуо, Q., Zhu, Y., Tang, Y., Hou, C., He, Y., Zhuang, J., Zheng, Y., Luo, S., 2020. CFD симуляци ба орон зайн туршилтын баталгаажуулалт болон түр зуурын хуваарилалт
дөрвөлжин ротортой хөдөө аж ахуйн нисэгчгүй нисэх онгоцны доош угаах агаарын урсгал. Тооцоолох. Электрон. Агрик. 172, 105343 https://doi.org/10.1016/j.compag.2020.105343.
Хагихатталаб, А., Гонз' алез Перез, Л., Мондал, С., Сингх, Д., Шинсток, Д., Руткоски, Ж., Ортиз-Монастерио, И., Сингх, РП, Гудин, Д. , Польш, Ж., 2016 он.
Улаан буудайн үржүүлгийн томоохон үржүүлгийн газруудад өндөр хүчин чадалтай фенотип тогтооход нисгэгчгүй агаарын системийг ашиглах. Ургамлын арга 12 (1). https://doi.org/10.1186/s13007-
016-0134-6.
Хакала, Т., Хонкаваара, Э., Саари, Х., Макинен, ¨ Ж., Кайвосожа, Ж., Песонен, Л., Пол ¨ онен, ¨I., 2013. Янз бүрийн гэрэлтүүлгийн нөхцөлд UAV-аас авсан спектрийн дүрслэл . GG Bill R. (Ред.), Фотограмметр, зайнаас тандан судлах, орон зайн мэдээллийн шинжлэх ухааны олон улсын архивууд—ISPRS архивууд (Боть 40, дугаар 1W2, хуудас. 189–194). Фотограмметр ба зайнаас тандан судлах олон улсын нийгэмлэг. 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. Арлын ургамлыг нисгэгчгүй агаараас зураглах арга техникийг үнэлэх
тээврийн хэрэгслийн (UAV) зураг: Пикселийн ангилал, визуал тайлбар, машин сурах арга. Int. J. Appl. Earth Obs. Geoinf. 89, 102085 https://doi.org/
10.1016/ж.жаг.2020.102085.
Haque, A., Islam, N., Samrat, NH, Dey, S., Ray, B., 2021. Бангладеш дахь хариуцлагатай манлайлалаар дамжуулан ухаалаг аж ахуй: боломж, боломж, цаашлаад.
Тогтвортой байдал 13 (8), 4511.
Hardin, PJ, Hardin, TJ, 2010. Байгаль орчны судалгаанд бага оврын алсаас удирддаг тээврийн хэрэгсэл. Газарзүйн луужин 4 (9), 1297–1311. ttps://doi.org/10.1111/j.1749-
8198.2010.00381.х.
Hardin, PJ, Jensen, RR, 2011. Байгаль орчны алсын зайнаас тандан судлах жижиг оврын нисгэгчгүй агаарын тээврийн хэрэгсэл: сорилт ба боломжууд. GISci. Алсын мэдрэгч 48 (1), 99–111. https://doi.org/10.2747/1548-1603.48.1.99.
He, Y., Nie, P., Zhang, Q., Liu, F., 2021. Хөдөө аж ахуйн зүйлсийн интернет: технологи ба хэрэглээ, (1-р хэвлэл 2021 оны хэвлэл). Спрингер.
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 он.
Нисгэгчгүй агаарын тээврийн хэрэгслээс зураг авах: хөдөө аж ахуйн тандалт, шийдвэрт дэмжлэг үзүүлэх. Тооцоолох. Электрон. Агрик. 44 (1), 49–61. https://doi.org/10.1016/j.
compag.2004.02.006.
Holman, FH, Riche, AB, Michalski, A., Castle, M., Wooster, MJ, Hawkesford, MJ, UAV-д суурилсан алсын зайнаас тандан судлах хээрийн талбайн туршилтанд улаан буудайн ургамлын өндөр ба өсөлтийн хурдыг өндөр нэвтрүүлэх чадвартай талбайн фенотип. Зайнаас тандан судлах 8 (12). https://doi. org/10.3390/rs8121031.
Хонкаваара, Э., Саари, Х., Кайвосожа, Ж., Пол ¨ онэн, ¨ И., Хакала, Т., Литкей, П., М¨акинен, Ж., Песонен, Л., 2013. Боловсруулалт ба үнэлгээ нарийн хөдөө аж ахуйд зориулж хөнгөн жинтэй UAV спектрийн камер ашиглан цуглуулсан спектрометрийн, стереоскопийн дүрслэл. Зайнаас тандан судлах 5 (10), 5006–5039. https://doi.org/10.3390/rs5105006.
Hossein Motlagh, N., Taleb, T., Arouk, O., 2016. Нам өндрийн нисгэгчгүй агаарын тээврийн хэрэгсэлд суурилсан интернетийн үйлчилгээ: иж бүрэн судалгаа ба ирээдүйн хэтийн төлөв. 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. UAV-д зориулсан хотын хавцлын хосолсон оптик урсгал болон стерео суурилсан навигаци. онд: 2005 IEEE/RSJ
Ухаалаг робот ба системийн олон улсын бага хурал, хуудас 3309–3316. https://doi.org/10.1109/IROS.2005.1544998.
Hsu, T.-C., Yang, H., Chung, Y.-C., Hsu, C.-H., 2020. Үүлэн манан тооцоололд зориулсан бүтээлч IoT хөдөө аж ахуйн платформ. Тууштай. Тооцоолох. Инф. Систем. 28, 100285.
Huang, H., Deng, J., Lan, Y., Yang, A., Deng, X., Zhang, L., Gonzalez-Andujar, JL, 2018. Нисгэгчгүй агаарын тээврийн хэрэгслийн хогийн ургамлын зураглалд зориулсан бүрэн эргэлтийн сүлжээ ( UAV) дүрслэл. PLoS ONE 13 (4), e0196302.
Huang, H., Lan, Y., Yang, A., Zhang, Y., Wen, S., Deng, J., 2020. UAV зураглалын хогийн ургамлын зураглалд объектод суурилсан зургийн шинжилгээ (OBIA)-ийн эсрэг гүнзгий суралцах. Int. Ж.
Алсын мэдрэгч 41 (9), 3446–3479. https://doi.org/10.1080/01431161.2019.1706112.
Хуан, Х., Ян, А., Тан, Ю., Жуан, Ж., Хоу, С., Тан, З., Дананжаян, С., Хэ, Ю., Гуо, К., Луо, С. 2021. Газар тариалангийн хяналт дахь UAV дүрслэлд зориулсан гүн өнгө тохируулга
орон нутгийн анхаарлын төвд семантик хэв маягийн шилжүүлгийг ашиглах. Int. J. Appl. Earth Obs. Geoinf. 104, 102590 https://doi.org/10.1016/j.jag.2021.102590.
Huang, YB, Thomson, SJ, Hoffmann, WC, Lan, YB, Fritz, BK, 2013. Хөдөө аж ахуйн үйлдвэрлэлд зориулсан нисгэгчгүй нисэх хэрэгслийн технологийн хөгжил ба хэтийн төлөв
удирдлага. Int. Ж.Агрик. Биол. Eng. 6 (3), 1–10. https://doi.org/10.3965/j. ijabe.20130603.001.
Huang, Y., Hoffmann, WC, Lan, Y., Wu, W., Fritz, BK, 2009. Нисгэгчгүй нисэх онгоцны тавцангийн шүрших системийг боловсруулах. Appl. Eng. Агрик. 25 (6), 803–809.
Hunt Jr., ER, Dean Hively, W., Fujikawa, SJ, Linden, DS, Daughtry, CST, McCarty, GW, 2010. NIR-ногоон-цэнхэр дижитал гэрэл зургуудыг авах
газар тариаланг хянах зориулалттай нисгэгчгүй онгоц. Зайнаас тандан судлах 2 (1), 290–305. https://doi. org/10.3390/rs2010290. Иноуэ, Ю., 2020. Ухаалаг газар тариалан эрхлэхэд зориулсан газар тариалан, хөрсийг хиймэл дагуул болон нисгэгчгүй төхөөрөмжөөр зайнаас тандан судлах арга. Хөрсний шинжлэх ухаан. Ургамлын Nutr. 66 (6), 798–810. https://doi.org/10.1080/00380768.2020.1738899.
Ислам, Н., Рашид, ММ, Пасандиде, Ф., Рэй, Б., Мур, С., Кадел, Р., 2021. Зүйлсийн интернет (IoT) болон харилцаа холбооны технологиудын хэрэглээг тоймлох.
Нисгэгчгүй агаарын тээврийн хэрэгсэл (UAV) дээр суурилсан тогтвортой ухаалаг аж ахуй. Тогтвортой байдал 13 (4), 1821. https://doi.org/10.3390/su13041821.
Jaud, M., Passot, S., Le Bivic, R., Delacourt, C., Grandjean, P., Le Dantec, N., 2016. Тооцоолсон өндөр нарийвчлалтай дижитал гадаргуугийн загваруудын нарийвчлалыг үнэлэх.
PhotoScan® ба MicMac® нь судалгааны оновчтой нөхцөлд. Зайнаас тандан судлах 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. Чидун жимсний модны архитектур болон жил бүр тайрах нөлөөллийн хэмжээг тодорхойлох нь UAV-д суурилсан 3D загварчлалыг ашиглан халхавчны өсөлт. Ургамлын арга 13 (1). https://doi.org/10.1186/s13007-017-0205-3.
Jin, X., Liu, S., Baret, F., Hemerl´e, M., Comar, A., 2017. Маш бага өндрийн UAV дүрслэлээс үүссэн улаан буудайн үр тарианы ургамлын нягтын тооцоо. Алсын мэдрэгч.
Хүрээлэн буй орчин. 198, 105–114. https://doi.org/10.1016/j.rse.2017.06.007.
Жинбо, С., Шианглан, С., Хан-Чи, Ф., Лам, А., 2019. Үүлэн тооцоололоор дэмжигдсэн хөдөө аж ахуйн бүтээгдэхүүний хяналтын систем. Кластер тооцоолол. 22 (4), 8929–8938.
Ju, C., & Son, HI 2018a. Хөдөө аж ахуй дахь зайнаас тандан судлах олон тооны UAV системийн гүйцэтгэлийн үнэлгээ. IEEE олон улсын робот техник ба автоматжуулалтын бага хурлын (ICRA) Хөдөө аж ахуй дахь роботын хараа ба үйл ажиллагааны семинарын эмхэтгэл, Австрали, Брисбэн, 21–26.
Жу, С., Хүү, HI, 2018b. Хөдөө аж ахуйн зориулалттай олон тооны UAV систем: хяналт, хэрэгжилт, үнэлгээ. Электроникс 7 (9), 162. https://doi.org/10.3390/
электроник7090162.
Jung, J., Maeda, M., Chang, A., Bhandari, M., Ashapure, A., Landivar-Bowles, J., 2021. Алсын зайнаас тандан судлах болон хиймэл оюун ухааныг сайжруулах хэрэгсэл болох боломж.
хөдөө аж ахуйн үйлдвэрлэлийн тогтолцооны уян хатан байдал. Карр. Санал. Биотехнологи. 70, 15–22. https://doi.org/10.1016/j.copbio.2020.09.003.
Калищук, М., Парет, ML, Фриман, Ж.Х., Раж, Д., Да Силва, С., Юбанкс, С., Уиггинс, DJ, Лоллар, М., Маруа, Ж.Ж., Меллингер, ХС, Дас, Ж. , 2019. Тарвас дахь гамин ишний шархыг илрүүлэх уламжлалт скаутын практикт нисгэгчгүй агаарын тээврийн хэрэгслийн тусламжтайгаар олон талт газар тариалангийн дүрслэлийг оруулсан тариалангийн хайгуулын сайжруулсан техник. Plant Dis. 103 (7), 1642–1650.
Kapoor, KK, Tamilmani, K., Rana, NP, Patil, P., Dwivedi, YK, Nerur, S., 2018. Нийгмийн хэвлэл мэдээллийн судалгааны дэвшил: өнгөрсөн, одоо ба ирээдүй. Мэдээлэх. Систем. Урд. 20
(3), 531-558.
Kerkech, M., Hafiane, A., Canals, R., 2020. VddNet: олон талт зураг, гүний зураг дээр үндэслэсэн усан үзмийн модны өвчин илрүүлэх сүлжээ. Зайнаас тандан судлах 12 (20), 3305. https://doi. org/10.3390/rs12203305.
Khaliq, A., Comba, L., Biglia, A., Ricauda Aimonino, D., Chiaberge, M., Gay, P., 2019. Усан үзмийн тариалангийн хиймэл дагуул болон UAV-д суурилсан олон талт зураглалын харьцуулалт
хувьсах байдлын үнэлгээ. Зайнаас тандан судлах 11 (4). https://doi.org/10.3390/rs11040436.
Khan, PW, Byun, Y.-C., Park, N., 2020. IoT-blockchain нь гүнзгийрүүлсэн сургалтыг ашиглан хүнсний үйлдвэрлэлийн 4.0-д зориулсан оновчтой гарал үүслийн системийг идэвхжүүлсэн. Мэдрэгч 20 (10), 2990.
Khan, RU, Khan, K., Albattah, W., Qamar, AM, Ullah, F., 2021. Ургамлын өвчнийг зурагт суурилсан илрүүлэх: сонгодог машин сурахаас гүнзгий суралцах аялал хүртэл. Утасгүй холбоо. Мобайл компьютер. 2021, 1–13.
Khan, S., Tufail, M., Khan, MT, Khan, ZA, Iqbal, J., Alam, M., Le, KNQ, 2021. UAV-д суурилсан ургац/хогийн ургамлын ангилалд зориулсан шинэ хагас хяналттай хүрээ. PLoS ONE 16 (5), e0251008.
Khanal, S., Fulton, J., Shearer, S., 2017. Нарийвчлалтай хөдөө аж ахуй дахь дулааны алсын зайнаас тандан судлах өнөөгийн болон боломжит хэрэглээний тойм. Тооцоолох. Электрон.
Агрик. 139, 22–32. https://doi.org/10.1016/j.compag.2017.05.001.
Khanna, A., Kaur, S., 2019. Evolution of Things (IoT) ба түүний нарийн хөдөө аж ахуйн салбарт үзүүлэх чухал нөлөө. Тооцоолох. Электрон. Агрик. 157, 218–231.
Kim, W., Khan, GF, Wood, J., Mahmood, MT, 2016. Тогтвортой байгууллагуудад зориулсан ажилчдын оролцоо: нийгмийн сүлжээний шинжилгээ, тэсрэлт ашиглан түлхүүр үгийн шинжилгээ
илрүүлэх арга. Тогтвортой байдал 8 (7), 631.
Kirsch, M., Lorenz, S., Zimmermann, R., Tusa, L., Mockel, ¨ R., Hodl, ¨ P., Booysen, R., Khodadadzadeh, M., Gloaguen, R., 2018. Интеграци хуурай газрын болон нисгэгчгүй
хайгуулын зураглал, уул уурхайн мониторингийн гиперспектр ба фотограмметрийн мэдрэгч бүхий аргууд. Зайнаас тандан судлах 10 (9), 1366. https://doi.org/10.3390/
rs10091366.
Китано, BT, Mendes, CCT, Geus, AR, Oliveira, HC, Souza, JR, 2019. Гүнзгий суралцах болон UAV дүрс ашиглан эрдэнэ шишийн ургамал тоолох. IEEE Geosci. Алсын мэдрэгч. Lett. 1–5 https://doi.org/10.1109/LGRS.2019.2930549.
Koh, JCO, Spangenberg, G., Kant, S., 2021. Өндөр бүтээмжтэй зураг дээр суурилсан ургамлын фенотипийн автоматжуулсан машин сургалт. Зайнаас тандан судлах 13 (5), 858. https://
doi.org/10.3390/rs13050858.
Ковалев, IV, Ворошилова, АА, 2020. Ачааны UAV-ийн экосистемийг хөгжүүлэх орчин үеийн технологийн чиг хандлага. J. Физик. Conf. Сэр. 1515 (5), 052068 https://doi. org/10.1088/1742-6596/1515/5/052068.
Krul, S., Pantos, C., Frangulea, M., Valente, J., 2021. Монокуляр камер бүхий жижиг дрон ашиглан доторх мал аж ахуй, газар тариалангийн харааны SLAM: ТЭЗҮ.
Дрон 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. Хөдөө аж ахуйн автоматжуулалтад зориулсан дронуудын судалгаа тарихаас эхлээд
ургац хураах. In: INES 2018 – IEEE 22th International Conference on Intelligent Engineering Systems, pp. 000353–358. https://doi.org/10.1109/INES.2018.8523943.
Lagkas, T., Argyriou, V., Bibi, S., Sarigiannidis, P., 2018. UAV IoT хүрээний үзэл бодол, сорилтууд: нисгэгчгүй онгоцыг "Зүйлс" болгон хамгаалах талаар. Мэдрэгч 18 (11), 4015. https://doi.org/10.3390/s18114015.
Laliberte, AS, Rango, A., 2011. Хуурай дээгүүр нисгэгчгүй нисэх онгоцоор авсан дециметрийн дэд зурагт дүн шинжилгээ хийх зураг боловсруулах, ангилах журам.
бэлчээрийн газар. GISci. Алсын мэдрэгч 48 (1), 4–23. https://doi.org/10.2747/1548-1603.48.1.4.
Laliberte, AS, Rango, A., Herrick, JE, 2007. Бэлчээрийн зураглал ба хяналтад зориулсан нисгэгчгүй нисэх төхөөрөмж: хоёр системийн харьцуулалт. ASPRS-ийн жилийн хурлын эмхэтгэл.
Лам, OHY, Dogotari, M., Prüm, M., Vithlani, HN, Roers, C., Melville, B., Zimmer, F., Becker, R., 2021. Уугуул бэлчээрт хогийн ургамлын зураглал хийх нээлттэй эхийн ажлын урсгал.
нисгэгчгүй нисэх онгоц ашиглах: Кейс судалгаа болгон Rumex obtusifolius ашиглах. евро. Ж.Алсын мэдрэгч 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. Үрчлэх, ашиг олох, фермийн нарийн мэдээллийг илүү сайн ашиглах.
Ажлын цаас. Пурдюгийн их сургууль. https://doi.org/10.22004/ag.econ.28615.
Lelong, CCD, Burger, P., Jubelin, G., Roux, B., Labb´e, S., Baret, F., 2008. Жижиг талбайн улаан буудайн ургацын тоон хяналтад зориулсан нисгэгчгүй агаарын тээврийн хэрэгслийн зураглалын үнэлгээ. Мэдрэгч 8 (5), 3557–3585. https://doi.org/10.3390/s8053557.
Ли, С., Ниу, Б., 2020. Биг өгөгдөл, интернетэд суурилсан ухаалаг хөдөө аж ахуйн дизайн. Int. Ж.Дистриб. Sens. Netw. 16 (5) ttps://doi.org/10.1177/1550147720917065.
Ли, В., Ниу, З., Чен, Х., Ли, Д., Ву, М., Жао, В., 2016. Эрдэнэ шишийн халхавчны өндөр ба газар дээрх биомассын алсын зайн тооцоолол. бага өртөгтэй нисгэгчгүй агаарын тээврийн систем. Экол. 67, 637–648. https://doi.org/10.1016/j.ecolind.2016.03.036.
Liakos, KG, Busato, P., Moshou, D., Pearson, S., Bochtis, D., 2018. Хөдөө аж ахуй дахь машин сургалт: тойм. Мэдрэгч 18 (8), 2674.
Liebisch, F., Kirchgessner, N., Schneider, D., Walter, A., Hund, A., 2015. Хөдөлгөөнт олон мэдрэгч бүхий эрдэнэ шишийн шинж чанарыг алсын зайнаас, агаарын фенотип тодорхойлох. Ургамлын арга 11 (1), 9. https://doi.org/10.1186/s13007-015-0048-8.
Лин, З., Гуо, В., 2020. Нисгэгчгүй агаарын системийн дүрсийг ашиглан соргогийн үймээнийг илрүүлэх, тоолох, гүнзгий суралцах. Урд. Ургамлын шинжлэх ухаан. 11.
Liu, S., Guo, L., Webb, H., Ya, X., Chang, X., 2019. Үүл тооцоололд суурилсан орчин үеийн эко хөдөө аж ахуйн хяналтын систем. IEEE Access 7, 37050–37058.
Лопез-Гранадос, ´ Ф., 2011. Талбайд зориулсан хогийн ургамлын менежментэд зориулсан хогийн ургамал илрүүлэх: зураглал ба бодит цагийн арга. Weed Res. 51 (1), 1–11. https://doi.org/10.1111/j.1365-3180.2010.00829.x.
Лопез-Гранадос, Ф., Торрес-Санчес, Ж., Де Кастро, А.-И., Серрано-Перес, А., МесасКарраскоса, Ф.-Ж., Пена, Ж.-М. , 2016. Өндөр нарийвчлалтай UAV дүрслэл ашиглан өвсний тариалан дахь өвсний хогийн ургамлыг объектод суурилсан эрт үеийн хяналт. Агрон. Тууштай. Dev. 36 (4), 1–12
Лопез-Гранадос, Ф., Торрес-Санчес, Ж., Серрано-Перез, А., де Кастро, А.И., МесасКарраскоса, Ф.-Ж., Пена, ˜ Ж.-М., 2016. UAV технологийг ашиглан наранцэцгийн эрт улирлын хогийн ургамлын зураглал: хогийн ургамлын босготой харьцуулахад гербицидийн эмчилгээний газрын өөрчлөлт. Нарийн. Агрик. 17 (2), 183–199.
Люсиер, А., Маленовски, З., Венесс, Т., Уоллес, Л., 2014. HyperUAS - олон ротортой нисгэгчгүй онгоцны системээс дүрслэх спектроскопи. Ж. Филд Роб. 31 (4),
571–590. https://doi.org/10.1002/rob.21508.
Lumme, J., Karjalainen, M., Kaartinen, H., Kukko, A., Hyyppa, ¨ J., Hyypp¨ a, H., Jaakkola, A., & Kleemola, J., 2008. Газрын гадаргуу дээрх лазер сканнер. хөдөө аж ахуйн ургац. JJ-д
Чен Ж.Маас Х–Г. (Ред.), Фотограмметрийн олон улсын архив, зайнаас тандан судлах, орон зайн мэдээллийн шинжлэх ухаан—ISPRS архивууд (37-р боть, 563–566 хуудас).
Фотограмметр ба зайнаас тандан судлах олон улсын нийгэмлэг. 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. Хяналттай объектод суурилсан газрын бүрхэвчийн зургийн ангиллын тойм. ISPRS J. Фотограмм. Алсын мэдрэгч 130,
277–293. https://doi.org/10.1016/j.isprsjprs.2017.06.001.
Maes, WH, Steppe, K., 2019. Нарийвчлалтай хөдөө аж ахуй дахь нисгэгчгүй агаарын тээврийн хэрэгслээр зайнаас тандан судлах хэтийн төлөв. Trends Plant Sci. 24 (2), 152–164. https://doi.org/10.1016/j.tplants.2018.11.007.
Маймайтижианг, М., Гулам, А., Сидике, П., Хартлинг, С., Маймайтийминг, М., Петерсон, К., Шаверс, Э., Фишман, Ж., Петерсон, Ж., Кадам, С. Буркен, Ж., Фрицчи, Ф., 2017.
Нисгэгчгүй агаарын систем (UAS)-д суурилсан шар буурцгийн фенотипийг олон мэдрэгчтэй өгөгдөл нэгтгэх ба экстрим сургалтын машин ашиглан хийсэн. ISPRS J. Фотограмм. Алсын мэдрэгч 134, 43–58. https://doi.org/10.1016/j.isprsjprs.2017.10.011. Маймайтицян, М., Саган, В., Сидике, П., Далое, А.М., Эркбол, Х., Фрицчи, ФБ, 2020 он.
Хиймэл дагуулын/UAV мэдээллийн нэгтгэл болон машин сургалтыг ашиглан ургацын хяналт. Зайнаас тандан судлах 12 (9), 1357. https://doi.org/10.3390/rs12091357.
Манфреда, С., МакКэйб, М., Миллер, П., Лукас, Р., Пажуэло Мадригал, В., Маллинис, Г., Бен Дор, Э., Хелман, Д., Эстес, Л., Сираоло, Ж. ., Мюллерова, ´ Ж., Тауро, Ф., де Лима, М., де
Лима, Ж., Мальта, А., Фрэнсис, Ф., Кейлор, К., Кохв, М., Перкс, М., Руиз-Перез, Г., Су, З., Вико, Г., Тот , Б., 2018. Нисгэгчгүй агаарын системийг ашиглах тухай
байгаль орчны хяналт. Зайнаас тандан судлах 10 (4), 641.
Маринко, РА, 1998. Диссертаци, 1989 болон Цуврал номын санч 35 (1–2), 29–44 дэх эмэгтэйчүүдийн судалгааны сэтгүүлээс иш татсан. https://doi.org/10.1300/J123v35n01_
03.
Masroor, R., Naeem, M., Ejaz, W., 2021. UAV-ийн тусламжтай утасгүй сүлжээн дэх нөөцийн менежмент: оновчлолын хэтийн төлөв. Түр зуурын сүлжээ. 121, 102596 https://doi.org/10.1016/j.adhoc.2021.102596.
Matese, A., Di Gennaro, SF, 2018. Нарийвчлалтай олон спектр, дулааны болон RGB өндөр нарийвчлалтай зураг дээр суурилсан олон мэдрэгчтэй UAV платформын практик хэрэглээ
усан үзмийн тариалан. Хөдөө аж ахуй 8 (7), 116. https://doi.org/10.3390/agriculture8070116.
Matese, A., Di Gennaro, SF, 2021. Уламжлалт NDVI индексээс гадна нарийн усан үзмийн тариалалтад UAV ашиглах гол хүчин зүйл. Шинжлэх ухаан. 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 Нисэх онгоцны нисэгчгүй нисэх онгоц, нисэх онгоцыг харьцуулах
нарийн усан үзмийн тариалангийн хиймэл дагуулын зайнаас тандан судлах платформууд. Зайнаас тандан судлах 7 (3), 2971–2990. https://doi.org/10.3390/rs70302971.
Mazzia, V., Comba, L., Khaliq, A., Chiaberge, M., Gay, P., 2020. Нарийвчлалтай болгохын тулд хиймэл дагуулаас удирддаг ургамлын индексийг UAV болон машин сургалтын үндсэн дээр сайжруулсан.
хөдөө аж ахуй. Мэдрэгч 20 (9), 2530. https://doi.org/10.3390/s20092530.
McCain, KW, 1990. Оюуны орон зайд зохиогчдын зураглал: техникийн тойм. Ж.Ам. Соц. Мэдээлэл. Шинжлэх ухаан. 41 (6), 433–443.
Meinen, BU, Robinson, DT, 2021. Хөдөө аж ахуйн элэгдлийн загварчлал: UAV цагийн цувааны өгөгдлийг ашиглан USLE болон WEPP талбайн хэмжээний элэгдлийн тооцоог үнэлэх. Хүрээлэн буй орчин. Загвар өмсөгч. Програм хангамж 137, 104962. https://doi.org/10.1016/j.envsoft.2021.104962.
Melville, B., Lucieer, A., Aryal, J., 2019. Гиперспектрлийн нисгэгчгүй нисэх онгоцны системийн (UAS) дүрслэлийг ашиглан нам дор газрын уугуул бэлчээрийн бүлгүүдийн ангилал.
Тасманийн дунд хэсэг. Дрон 3 (1), 5.
Messina, G., Modica, G., 2020. Нарийвчлалтай хөдөө аж ахуй дахь UAV дулааны зургийн хэрэглээ: технологийн дэвшил ба ирээдүйн судалгааны хэтийн төлөв. Зайнаас тандан судлах 12 (9), https://doi.org/10.3390/rs12091491.
Mishra, D., Luo, Z., Jiang, S., Papadopulos, T., Dubey, R., 2017. Том мэдээллийн талаархи номзүйн судалгаа: үзэл баримтлал, чиг хандлага, сорилтууд. Бизнесийн үйл явцын менежер. J. 23 (3),
555-573.
Mochida, K., Saisho, D., Hirayama, T., 2015. Талбайн нөхцөлд олж авсан амьдралын мөчлөгийн өгөгдлийн багцыг ашиглан ургацын сайжруулалт. Урд. Ургамлын шинжлэх ухаан. 6 https://doi.org/10.3389/
fpls.2015.00740.
Mogili, UM.R., Deepak, BBVL, 2018. Нарийвчлалтай хөдөө аж ахуйд дрон системийг ашиглах талаархи тойм. Procedia Comput. Шинжлэх ухаан. 133, 502–509.
Мохарана, С., Дутта, С., 2016. Гиперспектр зураглалаас будааны хлорофилл ба азотын агууламжийн орон зайн хэлбэлзэл. ISPRS J. Фотограмм. Алсын мэдрэгч 122, 17–29.
Муангпратхуб, Ж., Буннам, Н., Кажорнкасират, С., Лекбангпонг, Н., Ваничсомбат, А.
Nillaor, P., 2019. Ухаалаг фермд зориулсан IoT ба хөдөө аж ахуйн мэдээллийн шинжилгээ. Тооцоолох. Электрон. Агрик. 156, 467–474.
Nansen, C., Elliott, N., 2016. Entomology дахь алсын зайнаас мэдрэгч ба тусгалын профайл. Анну. Илч Энтомол. 61 (1), 139–158. https://doi.org/10.1146/annurev-ento010715-023834.
Навиа, Ж., Мондрагон, И., Патино, Д., Колорадо, Ж., 2016. Хөдөө аж ахуй дахь олон талт зураглал: бие даасан квадрокоптер UAV ашиглан газар нутгийн мозайк. Int. Conf.
Нисгэгчгүй нисэх онгоцны систем. (ICUAS) 2016, 1351–1358. https://doi.org/10.1109/ ICUAS.2016.7502606.
Nayyar, A., Nguyen, B.-L., Nguyen, NG, 2020. The internet of drone things (Iodt): ирээдүйн ухаалаг дронуудын төсөөлөл. Adv. Intell. Систем. Тооцоолох. 1045, 563–580. https://doi.org/10.1007/978-981-15-0029-9_45.
Nebiker, S., Annen, A., Scherrer, M., Oesch, D., 2008. Микро UAV-д зориулсан хөнгөн жинтэй олон талт мэдрэгч- маш өндөр нарийвчлалтай агаарт зайнаас тандан судлах боломжууд. Int. Нуман. Фотограмм. Алсын мэдрэгч. Spat. Инф. Sci 37 (B1), 1193–1200.
Negash, L., Kim, H.-Y., Choi, H.-L., 2019. Хөдөө аж ахуйд шинээр гарч ирж буй UAV програмууд. Ин: 2019 Робот тагнуулын технологийн 7-р олон улсын бага хурал ба
Хэрэглээ (RiTA), хуудас 254–257. https://doi.org/10.1109/RITAPP.2019.8932853.
Nerur, SP, Rasheed, AA, Natarajan, V., 2008. Стратегийн менежментийн салбарын оюуны бүтэц: зохиогчийн хамтарсан ишлэлийн шинжилгээ. Стратеги. Удирдах. J. 29 (3),
319-336.
Neupane, K., Baysal-Gurel, F., 2021. Нисгэгчгүй агаарын тээврийн хэрэгслийг ашиглан ургамлын өвчнийг автоматаар тодорхойлох, хянах: тойм. Зайнаас тандан судлах 13 (19), 3841. https://doi.org/10.3390/rs13193841.
Nex, F., Remondino, F., 2014. 3D зураглалын програмуудад зориулсан UAV: тойм. Appl. Геоматик 6 (1), 1–15. https://doi.org/10.1007/s12518-013-0120-x.
Niu, H., Hollenbeck, D., Zhao, T., Wang, D., Chen, Y., 2020. Нарийвчлалтай хөдөө аж ахуй дахь жижиг UAVs бүхий ууршилтын тооцоо. Мэдрэгч 20 (22), 6427. https://
doi.org/10.3390/s20226427.
Осарех, Ф., 1996. Библиометрик, ишлэлийн шинжилгээ ба хамтын ишлэлийн шинжилгээ. Уран зохиолын тойм I 46 (3), 149–158. https://doi.org/10.1515/libr.1996.46.3.149.
P´ adua, L., Vanko, J., Hruˇska, J., Ad˜ ao, T., Sousa, JJ, Peres, E., Morais, R., 2017. UAS, sensors, and data processing in agroforestry: практик хэрэглээний талаархи тойм. Int. J. Алсын мэдрэгч 38 (8–10), 2349–2391. https://doi.org/10.1080/01431161.2017.1297548.
Panday, US, Pratihast, AK, Aryal, J., Kayastha, RB, 2020. Үр тарианы үр тарианы дрон дээр суурилсан мэдээллийн шийдлүүдийн тойм. Дрон 4 (3), 1–29. https://doi.org/10.3390/
нисгэгчгүй онгоц4030041.
Parsaeian, M., Shahabi, M., Hassanpour, H., 2020. Зураг боловсруулах болон хиймэл мэдрэлийн сүлжээ ашиглан кунжутын үрийн тос, уургийн агууламжийг тооцоолох. Ж.Ам. Газрын тос
Химичдийн нийгэмлэг. 97 (7), 691–702.
Пена, Ж.М., Торрес-Санчес, Ж., де Кастро, AI, Келли, М., Лопез-Гранадос, ´ Ф., Суарез, О., Объект суурилсан шинжилгээг ашиглан улирлын эхэн үеийн эрдэнэ шишийн талбайн хогийн ургамлын зураглал. -ийн
Нисгэгчгүй агаарын тээврийн хэрэгслийн (UAV) зураг. PLoS ONE 8 (10), e77151.
Перез-Ортиз, М., Пена, Ж.М., Гутиеррес, ПА, Торрес-Санчес, Ж., Херв ас-Мартинез, С.
Lopez-Granados, ´ F., 2015. Нисгэгчгүй нисэх төхөөрөмж болон тариалангийн эгнээ илрүүлэх аргыг ашиглан наранцэцгийн тариалангийн хогийн ургамлын зураглал хийх хагас удирдлагатай систем. Appl. Зөөлөн тооцоолол. J. 37, 533–544. https://doi.org/10.1016/j.asoc.2015.08.027.
Pincheira, M., Vecchio, M., Giaffreda, R., Kanhere, SS, 2021. Нарийвчлалтай хөдөө аж ахуй дахь блокчэйнд суурилсан усны менежментийн системийн найдвартай мэдээллийн эх сурвалж болох зардал багатай IoT төхөөрөмжүүд. Тооцоолох. Электрон. Агрик. 180, 105889.
Popescu, D., Stoican, F., Stamatescu, G., Ichim, L., Dragana, C., 2020. Нарийвчлалтай хөдөө аж ахуйн ухаалаг хяналтад зориулсан UAV–WSN дэвшилтэт систем. Мэдрэгч 20 (3), https://doi.org/10.3390/s20030817.
Pournader, M., Shi, Y., Seuring, S., Koh, SL, 2020. Нийлүүлэлтийн сүлжээ, тээвэр, логистик дахь блокчейн хэрэглээ: уран зохиолын системчилсэн тойм. Int. J. Прод. Res. 58 (7), 2063–2081.
Primicerio, J., Di Gennaro, SF, Fiorillo, E., Genesio, L., Lugato, E., Matese, A., Vaccari, FP, 2012. Нарийвчлалтай хөдөө аж ахуйд зориулсан уян хатан нисгэгчгүй нисэх төхөөрөмж.
Нарийн. Агрик. 13 (4), 517–523. https://doi.org/10.1007/s11119-012-9257-6.
Притчард, А., 1969. Статистикийн ном зүй буюу библиометр. Ж. Баримт бичиг. 25 (4), 348–349.
Pudelko, R., Stuczynski, T., Borzecka-Walker, M., 2012. Туршилтын талбай, үр тариаг үнэлэхэд нисгэгчгүй агаарын тээврийн хэрэгслийн (UAV) тохиромжтой байдал. Хөдөө аж ахуй 99 (4), 431–436.
Пури, В., Найяр, А., Ража, Л., 2017. Хөдөө аж ахуйн дрон: нарийн хөдөө аж ахуйн орчин үеийн нээлт. Ж.Статис. Удирдах. Систем. 20 (4), 507–518.
Radoglou-Grammatikis, P., Sarigiannidis, P., Lagkas, T., Moscholios, I., 2020. Нарийвчлалтай хөдөө аж ахуйд зориулсан UAV програмуудын эмхэтгэл. Тооцоолох. Сүлжээ. 172,
107148 https://doi.org/10.1016/j.comnet.2020.107148.
Ramesh, KV, Rakesh, V., Prakasa Rao, EVS, 2020. Том өгөгдлийн аналитик ба хиймэл оюун ухааныг агрономийн судалгаанд ашиглах. Энэтхэгийн Ж.Агрон. 65 (4), 383–395.
Raparelli, E., Bajocco, S., 2019. Хөдөө аж ахуй, ойн аж ахуйн судалгаанд нисгэгчгүй агаарын тээврийн хэрэгслийн ашиглалтын талаархи библиометрийн шинжилгээ. Int. J. Алсын мэдрэгч 40 (24),
9070–9083. https://doi.org/10.1080/01431161.2019.1569793.
Расмуссен, Ж., Нилсен, Ж., Гарсиа-Руиз, Ф., Кристенсен, С., Стрейбиг, Ж.К., Лотц, Б., 2013.
Хогийн ургамлын судалгаанд бага оврын нисгэгчгүй нисэх онгоцны системийг (UAS) ашиглах боломж. Weed Res. 53 (4), 242–248.
Rasmussen, J., Ntakos, G., Nielsen, J., Svensgaard, J., Poulsen, RN, Christensen, S., Ургамлын индексүүд нь хэрэглэгчийн түвшний камер дээр суурилуулсан уу?
Туршилтын талбайг үнэлэхэд хангалттай найдвартай UAV? евро. Ж.Агрон. 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. Хүнсний хангамжийн сүлжээн дэх дижиталчлал: библиометрийн тойм ба гол чиглэлийн гол зам
шинжилгээ. Тогтвортой байдал 14 (1), 83. https://doi.org/10.3390/su14010083.
Rejeb, A., Rejeb, K., Simske, SJ, Treiblmaier, H., 2021a. Нийлүүлэлтийн сүлжээний удирдлага, логистикийн дронууд: тойм, судалгааны хөтөлбөр. Int. Ж.Логист. Res. Appl.
1–24. https://doi.org/10.1080/13675567.2021.1981273.
Rejeb, A., Rejeb, K., Simske, S., Treiblmaier, H., 2021b. Логистик ба нийлүүлэлтийн сүлжээний менежмент дэх блокчейн технологи: библиометрийн тойм. Логистик 5 (4), 72.
https://doi.org/10.3390/logistics5040072.
Rejeb, A., Rejeb, K., Simske, S., Treiblmaier, H., 2021c. Хүмүүнлэгийн нисгэгчгүй онгоцууд: тойм, судалгааны хөтөлбөр. Интернетийн зүйлс 16, 100434. https://doi.org/10.1016/j.
iot.2021.100434.
Rejeb, A., Treiblmaier, H., Rejeb, K., Zailani, S., 2021d. Эрүүл мэндийн салбарт блокчейн судалгаа: библиометрийн тойм ба өнөөгийн судалгааны чиг хандлага. Мэдээллийн J., Inf. болон
Удирдах. 3 (2), 109–124.
Rejeb, A., Simske, S., Rejeb, K., Treiblmaier, H., Zailani, S., 2020. Нийлүүлэлтийн гинжин хэлхээний удирдлага, логистикийн интернетийн судалгаа: библиометрийн шинжилгээ. Интернет
Зүйлс 12, 100318.
ReportLinker, 2021. Дэлхийн хөдөө аж ахуйн дронуудын зах зээл жил гэхэд 15.2 тэрбум ам.долларт хүрнэGlobeNewswire мэдээллийн танхим. https://www.globenewswire.com/news-release/2021/08/10/2277986/0/en/Global-Agriculture-Drones-Market-to-Reach-US-15-2-Billion-by-the- Он-2027.html.
Ribeiro-Gomes, K., Hernandez-L 'opez, 'D., Ortega, JF, Ballesteros, R., Poblete, T., Moreno, MA, 2017. Хөргөлтгүй дулааны камерын тохируулга ба оновчтой болгох
Хөдөө аж ахуй дахь UAV програмуудад зориулсан фотограмметрийн процесс. Мэдрэгч (Швейцарь) 17 (10). https://doi.org/10.3390/s17102173.
Rivera, MA, Pizam, A., 2015. Зочлох үйлчилгээний судалгааны дэвшил: "Родни Дангерфилдээс Арета Франклин хүртэл". Int. Ж.Контемпор. Эмнэлэг. Удирдах. 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. Хүлэмжинд хүрээлэн буй орчны хувьсагчдыг хэмжих мини-UAV суурилсан мэдрэхүйн систем. Мэдрэгч 15 (2), 3334–3350. https://doi.org/10.3390/s150203334.
Rozenberg, G., Kent, R., Blank, L., 2021. Худалдааны сонгины талбайн улирлын хогийн ургамлын орон зайн тархалтын хэв маягийг илрүүлэх, шинжлэхэд ашигладаг хэрэглэгчийн түвшний UAV. Нарийн. Агрик. 22 (4), 1317–1332. https://doi.org/10.1007/s11119-021-09786-y.
Саари, Х., Пелликка, И., Песонен, Л., Туоминен, С., Хейкила, ¨ Ж., Холмлунд, С., Макинен, ¨ Ж., Ожала, К., Антила, Т., 2011. Нисгэгчгүй ой, хөдөө аж ахуйн зориулалттай агаарын тээврийн хэрэгсэл (UAV) удирддаг спектрийн камерын систем. Үргэлжлүүлэх. SPIE – Int. Соц. Сонголт. Eng. 8174 https://doi.org/10.1117/12.897585.
Сах, Б., Гупта, Р., Бани-Хани, Д., 2021. Дрон логистикийг хэрэгжүүлэхэд тулгарч буй саад бэрхшээлүүдийн дүн шинжилгээ. Int. Ж.Логист. Res. Appl. 24 (6), 531–550. https://doi.org/10.1080/
13675567.2020.1782862.
Саха, АК, Саха, Ж., Рэй, Р., Сиркар, С., Дутта, С., Чаттопадхяй, SP, & Саха, HN, хөдөө аж ахуйн талбайн ургацын чанарыг сайжруулахад зориулсан IOT-д суурилсан дрон. SH-д
N. Chakrabarti S. (Ред.), 2018 IEEE 8th Annual Computing and Communication Workshop and Conference, CCWC 2018 (Vols. 2018-Junary, pp. 612–615). Институт
Цахилгаан ба электроникийн инженерүүд Inc. doi: 10.1109/CCWC.2018.8301662.
Sai Vineeth, KV, Vara Prasad, YR, Dubey, SR, Venkataraman, H., 2019. LEDCOM: нарийн хөдөө аж ахуйд зориулсан шинэлэг, үр ашигтай LED дээр суурилсан харилцаа холбоо. IEEE Conf. Мэдээлэл. Коммун. Технологи. 2019, 1–5. https://doi.org/10.1109/CICT48419.2019.9066177.
Salamí, E., Barrado, C., Pastor, E., 2014. Ургамлын бүсийг зайнаас тандан судлахад ашигласан UAV нислэгийн туршилт. Зайнаас тандан судлах 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 он.
Мөр болон талбайн тариалангийн фенотип тогтоох зориулалттай нам өндөр, өндөр нарийвчлалтай агаарын дүрслэлийн систем: тойм. евро. Ж.Агрон. 70, 112–123. https://doi.org/10.1016/j.
eja.2015.07.004.
Santesteban, LG, Di Gennaro, SF, Herrero-Langreo, A., Miranda, C., Royo, JB, Matese, A., 2017. Өндөр нарийвчлалтай UAV-д суурилсан дулааны дүрслэлийг тооцоолох
усан үзмийн талбайн доторх ургамлын усны төлөв байдлын агшин зуурын болон улирлын өөрчлөлт. Агрик. Усны менежер. 183, 49–59. https://doi.org/10.1016/j.agwat.2016.08.026.
Sarli, CC, Dubinsky, EK, Holmes, KL, 2010. Цаашид ишлэл шинжилгээ: Судалгааны нөлөөллийг үнэлэх загвар. Ж.Мед. Номын сан Доц. : 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. Дэлхийн системийн шинжлэх ухаантай холбоотой дүрслэлийн спектроскопи-үнэлгээ. Алсын мэдрэгч. Орчин. 113, S123–S137.
Schirrmann, M., Giebel, A., Gleiniger, F., Pflanz, M., Lentschke, J., Dammer, K.-H., 2016. Хямд өртөгтэй UAV ашиглан өвлийн улаан буудайн үр тарианы агрономийн үзүүлэлтүүдийг хянах.
дүрслэл. Зайнаас тандан судлах 8 (9). https://doi.org/10.3390/rs8090706.
Schmale III, DG, Dingus, BR, Reinholtz, C., 2008. Дээрх аэробиологийн дээжийг нарийн авахын тулд бие даасан нисгэгчгүй агаарын тээврийн хэрэгслийг боловсруулж хэрэглэх.
газар тариалангийн талбайнууд. Ж. Филд Роб. 25 (3), 133–147. https://doi.org/10.1002/rob.20232.
Шадрин, Д., Менщиков, А., Сомов, А., Борнеман, Г., Хауслаге, Ж., Федоров, М.
Хиймэл оюун ухаан бүхий суулгагдсан мэдрэгчээр дамжуулан нарийн хөдөө аж ахуйг идэвхжүүлэх. IEEE Транс. Инструм. Хэмжээ. 69 (7), 4103–4113.
Шахатре, Х., Савалме, AH, Аль-Фукаха, А., Доу, З., Алмата, Э., Халил, И.,
Othman, NS, Khreishah, A., Guizani, M., 2019. Нисгэгчгүй агаарын тээврийн хэрэгсэл (UAVs): иргэний хэрэглээ болон судалгааны гол сорилтуудын талаархи судалгаа. IEEE хандалт 7,
48572–48634. https://doi.org/10.1109/ACCESS.2019.2909530.
Shakoor, N., Northrup, D., Murray, S., Mockler, TC, 2019. Том өгөгдөлд тулгуурласан хөдөө аж ахуй: ургамлын үржүүлгийн том өгөгдлийн аналитик, геномик, зайнаас тандан судлах
тариалангийн бүтээмжийг дээшлүүлэх технологи. Ургамлын үзэгдэл J. 2 (1), 1-8.
Sharma, BK, Chandra, G., Mishra, VP, 2019. Шүүх эмнэлгийн мөрдөн байцаалтын ажиллагаанд UAV болон AI-ийн харьцуулсан шинжилгээ ба үр дагавар. In: Proceedings – 2019 Amity International
Хиймэл оюун ухааны бага хурал. https://doi.org/10.1109/AICAI.2019.8701407.
Sharma, R., Shishodia, A., Gunasekaran, A., Min, H., Munim, ZH, 2022. Нийлүүлэлтийн гинжин хэлхээний менежментэд хиймэл оюун ухааны үүрэг: нутаг дэвсгэрийн зураглал. Int. Ж.
Бүтээгдэхүүн. Res. 1–24. https://doi.org/10.1080/00207543.2022.2029611.
Ши, Ю., Томассон, Ж.А., Мюррей, SC, Пью, НА, Руни, ВЛ, Шафиан, С., Ражан, Н., Роуз, Г., Морган, CLS, Нили, HL, Рана, А., Багаватианнан , MV,
Хенриксон, Ж., Боуден, Э., Валасек, Ж., Олсенхоллер, Ж., Бишоп, УИХ-ын гишүүн, Шеридан, Р., Путман, ЭБ, Попеску, С., Беркс, Т., Копе, Д., Ибрахим, А., Маккатчен, БФ,
Baltensperger, DD, Avant, RV, Vidrine, M., Yang, C., Zhang, J., 2016. Өндөр хүчин чадалтай фенотип, агрономийн судалгаанд зориулсан нисгэгчгүй нисэх төхөөрөмж. PLoS ONE
11 (7), e0159781.
Shuai, G., Martinez-Feria, RA, Zhang, J., Li, S., Price, R., Basso, B., 2019. Нисгэгчгүй агаарын тусламжтайгаар эрдэнэ шишийн ургацын тогтворжилтын бүсүүдийн нэг төрлийн бус байдлыг олж авах нь
Тээврийн хэрэгсэл (UAV). Мэдрэгч 19 (20), 4446. https://doi.org/10.3390/s19204446.
Small, H., 1973. Шинжлэх ухааны уран зохиол дахь хамтын ишлэл: хоёр баримт бичгийн хоорондын харилцааны шинэ хэмжүүр. Ж.Ам. Соц. Мэдээлэл. Шинжлэх ухаан. 24 (4), 265–269.
Small, H., Rorvig, ME, Lunin, LF, 1999. Шинжлэх ухааныг ишлэлийн зураглалаар дүрслэн харуулах. Ж.Ам. Соц. Мэдээлэл. Шинжлэх ухаан. 50 (9), 799–813.
Soares, VHA, Ponti, MA, Gonçalves, RA, Campello, RJGB, 2021. Том бэлчээрийн бүс нутагт газарзүйн байршлын агаарын зураг бүхий зэрлэг байгальд мал тоолох. Тооцоолох. Электрон. Агрик. 189, 106354 https://doi.org/10.1016/j.compag.2021.106354.
Srivastava, K., Pandey, PC, Sharma, JK, 2020. UAV ашиглан нарийн хөдөө аж ахуйн хэрэглээнд маршрутыг оновчтой болгох арга. Дрон 4 (3), 58. https://doi.org/ 10.3390/drones4030058.
Stafford, JV, 2000. 21-р зуунд нарийн хөдөө аж ахуйг хэрэгжүүлэх нь. Ж.Агрик. Eng. Res. 76 (3), 267–275.
Su, J., Coombes, M., Liu, C., Guo, L., Chen, W.-H., 2018. Нисгэгчгүй агаарын тээврийн хэрэгсэл ашиглан зайнаас тандан судлах замаар улаан буудайн гангийн үнэлгээ. 2018 онд Хятадын Хяналтын 37 дахь бага хурал (CCC).
Су, Ж., Лю, С., Кумбс, М., Ху, X., Ван, С., Сю, X., Ли, К., Гуо, Л., Чен, В.-Х., 2018 он. Улаан буудайн шар зэвийг олон талт нисгэгчгүй нисэгчгүй нисэх онгоцоор хийсэн агаарын зургаас судлах замаар хянах.
Тооцоолох. Электрон. Агрик. 155, 157–166. https://doi.org/10.1016/j. compag.2018.10.017.
Су, Ю., Ван, Х., 2021. Биг дата ашиглан ухаалаг хөдөө аж ахуй байгуулах явцад хөдөө аж ахуйн эдийн засгийн менежментийн инноваци. Тогтвортой тооцоолол. Инф. Систем. 31, 100579 https://doi.org/10.1016/j.suscom.2021.100579.
Sullivan, DG, Fulton, JP, Shaw, JN, Bland, GL, 2007. Хөвөн дэвсгэр дэх усны стрессийг илрүүлэх нисгэгчгүй дулааны хэт улаан туяаны агаарын системийн мэдрэмжийг үнэлэх. Транс. ASABE 50 (6), 1955–1962.
Sumesh, KC, Ninsawat, S., Som-ard, J., 2021. Нисгэгчгүй нисэх төхөөрөмж ашиглан чихрийн нишингийн ургацын тооцоололд зориулсан RGB-д суурилсан ургамлын индекс, газар тариалангийн гадаргуугийн загвар, объектод суурилсан зургийн шинжилгээний арга барилыг нэгтгэх. Тооцоолох. Электрон. Агрик. 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. Хөнгөн жинтэй гиперспектр зураглалын систем.
нисгэгчгүй агаарын тээврийн хэрэгсэл-эхний үр дүн. Ин: 2013 Гиперспектр зураг ба дохио боловсруулах 5-р семинар: Алсын зайнаас тандан судлах хувьсал (ШИНЭЭР), 1-4-р хуудас. https://doi.org/10.1109/WHISPERS.2013.8080721.
Суомалайнен, Ж., Андерс, Н., Икбал, С., Реринк, Г., Франке, Ж., Вентинг, П., Хуннигер, Д., Бартоломей, Х., Бекер, Р., Кооистра, Л. 2014. Хөнгөн гиперспектр
нисгэгчгүй агаарын тээврийн хэрэгслийн зураглалын систем ба фотограмметрийн боловсруулалтын хэлхээ. Зайнаас тандан судлах 6 (11), 11013–11030. https://doi.org/10.3390/
rs61111013.
Syeda, IH, Alam, MM, Illahi, U., Su'ud, MM, 2021. Хөдөө аж ахуйд зураг боловсруулах, UAV болон AI ашиглан хяналтын дэвшилтэт стратеги: тойм. Дэлхийн J. Eng. 18 (4),
579–589. https://doi.org/10.1108/WJE-09-2020-0459.
Tahai, A., Rigsby, JT, 1998. Нягтлан бодох бүртгэлд сэтгүүлийн нөлөөллийг судлахын тулд ишлэл ашиглан мэдээлэл боловсруулах. Инф. Үйл явц. Удирдах. 34 (2–3), 341–359.
Tang, Y., Dananjayan, S., Hou, C., Guo, Q., Luo, S., He, Y., 2021. 5G сүлжээ ба түүний хөдөө аж ахуйд үзүүлэх нөлөөллийн судалгаа: сорилт ба боломжууд. Тооцоолох.
Электрон. Агрик. 180, 105895 https://doi.org/10.1016/j.compag.2020.105895.
Tantalaki, N., Souravlas, S., Roumeliotis, M., 2019. Нарийвчлалтай хөдөө аж ахуй дахь өгөгдөлд суурилсан шийдвэр гаргах: хөдөө аж ахуйн систем дэх том мэдээллийн өсөлт. Ж.Агрик. Хоолны мэдээлэл.
20 (4), 344–380 дэх талууд.
Тао, Х., Фэн, Х., Сю, Л., Миао, М., Ян, Г., Ян, Х., Фан, Л., 2020. Өвлийн улаан буудайн ургац, ургамлын өндрийг UAV- ашиглан тооцоолсон. суурилсан гиперспектр зураг.
Мэдрэгч 20 (4), 1231.
Techy, L., Schmale III, DG, Woolsey, CA, 2010. Хоёр бие даасан нисгэгчгүй агаарын тээврийн хэрэгслийг ашиглан агаар мандлын доод давхаргад байгаа ургамлын эмгэг төрүүлэгчийн аэробиологийн дээж авах. Ж. Филд Роб. 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. Гүнзгий сургалтыг ашиглан шар буурцгийн хортон шавьжийг илрүүлэх, ангилах
UAV дүрс бүхий. Тооцоолох. Электрон. Агрик. 179, 105836.
Thamm, H.-P., Menz, G., Becker, M., Kuria, DN, Misana, S., Kohn, D., 2013. The Use Uas for Assessing Agricultural Systems in Tanzania in AN намгархаг газар- Тогтвортой хөдөө аж ахуйн WetSeason, Terra-Sar X өгөгдлийн үндсэн үнэнийг хангах. In: ISPRS – Фотограмметр, зайнаас тандан судлах, орон зайн мэдээллийн шинжлэх ухааны олон улсын архив, хуудас 401–406. https://doi.org/10.5194/isprsarchivesXL-1-W2-401-2013.
Thelwall, M., 2008. Bibliometrics to webometrics. J. Мэдээлэл. Шинжлэх ухаан. 34 (4), 605–621.
Торрес-Санчес, ´ Ж., Лопез-Гранадос, ´ Ф., Пена, ˜ JM, 2015. UAV дүрсэнд оновчтой босго тогтоох автомат объектод суурилсан арга: өвслөг ургамал дахь ургамал илрүүлэх програм. Тооцоолох. Электрон. Агрик. 114, 43–52. https://doi.org/10.1016/j.compag.2015.03.019.
Торрес-Санчес, ´ Ж., Лопез-Гранадос, ´ Ф., Серрано, Н., Аркеро, О., Пена, ˜ JM, Хассан, QK, 2015. Хөдөө аж ахуйн модны тариалалтын өндөр бүтээмжтэй 3 хэмжээст хяналт Нисгэгчгүй агаарын тээврийн хэрэгсэл (UAV) технологи. PLoS ONE 10 (6), e0130479.
Торрес-Санчес, ´ J., Pena, ˜ JM, de Castro, AI, Lopez-Granados, ´ F., 2014. UAV-аас авсан зургийг ашиглан улирлын эхэн үеийн улаан буудайн талбайн ургамлын фракцийн олон цаг хугацааны зураглал. Тооцоолох. Электрон. Агрик. 103, 104–113. https://doi.org/10.1016/j. compag.2014.02.009.
Tsouros, DC, Bibi, S., Sarigiannidis, PG, 2019. Нарийвчлалтай хөдөө аж ахуйд зориулсан UAV-д суурилсан хэрэглээний талаархи тойм. Мэдээлэл (Швейцарь) 10 (11). https://doi.org/10.3390/info10110349.
Tu, Y.-H., Phinn, S., Johansen, K., Robson, A., Wu, D., 2020. Цэцэрлэгжүүлэлтийн модны ургацын бүтцийг хэмжихэд дрон нислэгийн төлөвлөлтийг оновчтой болгох. ISPRS J. Фотограмм.
Алсын мэдрэгч 160, 83–96. https://doi.org/10.1016/j.isprsjprs.2019.12.006
Tzounis, A., Katsoulas, N., Bartzanas, T., Kittas, C., 2017. Хөдөө аж ахуй дахь зүйлсийн интернет, сүүлийн үеийн дэвшил ба ирээдүйн сорилтууд. Биосист. Eng. 164, 31–48.
https://doi.org/10.1016/j.biosystemseng.2017.09.007.
Uddin, A., Singh, VK, Pinto, D., Olmos, I., 2015. Мексик дэх компьютерийн шинжлэх ухааны судалгааны шинжлэх ухааны зураглал. Scientometrics 105 (1), 97–114.
НҮБ., 2019. Дэлхийн хүн амын хэтийн төлөв 2019. https://population.un.org/wpp/ (15 оны 04-ны өдөр хандсан).
Uto, K., Seki, H., Saito, G., Kosugi, Y., 2013. UAV-д суурилуулсан бяцхан гиперспектр мэдрэгч системээр будааны талбайн шинж чанар. IEEE J. Sel. Топ. Appl. Earth Obs.
Алсын мэдрэгч 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. Дронууд
хөдөө аж ахуй. Adv. Агрон. 162, 1–30.
Велусами, П., Ражендран, С., Махендран, RK, Насир, С., Шафик, М., Чой, Ж.-Г., 2022.
Нарийвчлалтай хөдөө аж ахуй дахь нисгэгчгүй агаарын тээврийн хэрэгсэл (UAV): хэрэглээ ба сорилтууд. Эрчим хүч 15 (1), 217. https://doi.org/10.3390/en15010217.
Ventura, D., Bonifazi, A., Gravina, MF, Belluscio, A., Ardizzone, G., 2018. Нисгэгчгүй агаарын тусламжтайгаар экологийн мэдрэмтгий далайн амьдрах орчны зураглал, ангилал
Тээврийн хэрэгслийн (UAV) зураглал ба Обьектэд суурилсан зургийн шинжилгээ (OBIA). Зайнаас тандан судлах 10 (9), 1331. https://doi.org/10.3390/rs10091331.
Verger, A., Vigneau, N., Ch´eron, C., Gilliot, J.-M., Comar, A., Baret, F., 2014. Улаан буудай, рапс үр тарианы дээрх нисэгчгүй агаарын системээс ногоон бүсийн индекс . Алсын мэдрэгч. Орчин. 152, 654–664. https://doi.org/10.1016/j.rse.2014.06.006.
Von Bueren, SK, Burkart, A., Hueni, A., Rascher, U., Tuohy, MP, Yule, IJ, 2015. Дөрвөн оптик UAV-д суурилсан мэдрэгчийг бэлчээрт байрлуулах: сорилтууд болон
хязгаарлалт. Biogeosciences 12 (1), 163–175. https://doi.org/10.5194/bg-12-163-2015.
Vuran, MC, Salam, A., Wong, R., Irmak, S., 2018. Нарийвчлалтай хөдөө аж ахуй дахь газар доорх зүйлсийн интернет: архитектур, технологийн талууд. Түр зуурын сүлжээ. 81,
160–173. https://doi.org/10.1016/j.adhoc.2018.07.017.
Wamba, SF, Queiroz, MM, 2021. Хариуцлагатай хиймэл оюун ухаан нь дижитал эрүүл мэндийн нууц бүрэлдэхүүн хэсэг болох: библиометрийн шинжилгээ, ойлголт, судалгааны чиглэл.
Мэдээлэл. Систем. Урд. 1–16.
Ван, Л., Жан, Г., Ван, З., Лю, Ж., Шан, Ж., Лян, Л., 2019. Газар тариалангийн өсөлтийн хяналт дахь алсын зайнаас тандан судлах судалгааны чиг хандлагын библиометрийн шинжилгээ: Хятад дахь кейс судалгаа. Зайнаас тандан судлах 11 (7). https://doi.org/10.3390/rs11070809.
Уайт, HD, Griffith, BC, 1981. Зохиогчийн өдөөлт: Оюуны бүтцийн утга зохиолын хэмжүүр. Ж.Ам. Соц. Мэдээлэл. Шинжлэх ухаан. 32 (3), 163–171.
Xiang, H., Tian, L., 2011. Автономит нисгэгчгүй нисэх төхөөрөмж (UAV) дээр суурилсан хямд өртөгтэй хөдөө аж ахуйн зайнаас тандан судлах системийг хөгжүүлэх. Биосист. Eng. 108 (2), 174–190. https://doi.org/10.1016/j.biosystemseng.2010.11.010.
Xie, C., Yang, C., 2020. UAV-д суурилсан мэдрэгч ашиглан ургамлын өндөр бүтээмжтэй фенотипийн шинж чанаруудын талаархи тойм. Тооцоолох. Электрон. Агрик. 178, 105731 https://doi.org/10.1016/j.
compag.2020.105731.
Yao, H., Qin, R., Chen, X., 2019. Алсын зайнаас тандан судлах программуудад зориулсан нисгэгчгүй нисэх хэрэгсэл-шинжилгээ. Зайнаас тандан судлах 11 (12). https://doi.org/10.3390/
rs11121443.
Yeom, S., 2021. Олон роторын тусламжтайгаар хэт улаан туяаны дулааны дүрслэл бүхий хүмүүсийг дагаж мөрдөж, хуурамч замыг арилгах. Дрон 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. Зураг ашиглан ургацын параметрийн тооцоог харьцуулах нь нисэгчгүй нисэх онгоцноос
агшин зуурын гиперспектр мэдрэгч ба өндөр нарийвчлалтай дижитал камер. Зайнаас тандан судлах 10 (7), 1138. https://doi.org/10.3390/rs10071138.
Yue, J., Yang, G., Li, C., Li, Z., Wang, Y., Feng, H., Xu, B., 2017. Өвлийн буудайн газрын дээрх биомассын тооцоолол нь нисгэгчгүй нисэх төхөөрөмж- дээр суурилсан хормын хувилбар
гиперспектр мэдрэгч болон ургацын өндрийг сайжруулсан загварууд. Зайнаас тандан судлах 9 (7). https://doi.org/10.3390/rs9070708.
Zahawi, RA, Dandois, JP, Holl, KD, Nadwodny, D., Reid, JL, Ellis, EC, 2015. Халуун орны ойн нөхөн сэргэлтийг хянахын тулд хөнгөн жинтэй нисгэгчгүй агаарын тээврийн хэрэгслийг ашиглах. Биол.
Консерв. 186, 287–295. https://doi.org/10.1016/j.biocon.2015.03.031. Замора-Изкиердо, MA, Санта, Ж., Мартинес, Ж.А., Мартинез, В., Скармета, AF, 2019 он.
Ирмэг болон үүлэн тооцоололд суурилсан ухаалаг фермерийн IoT платформ. Биосист. Eng. 177,
4-17.
Зарко-Тежада, П.Ж., Диаз-Варела, Р., Ангилери, В., Лоуджани, П., 2014. Нисгэгчгүй агаараас авсан маш өндөр нарийвчлалтай зураг ашиглан модны өндрийг тодорхойлох
тээврийн хэрэгсэл (UAV) болон автомат 3D фото сэргээн босгох аргууд. евро. Ж.Агрон. 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. Сэрүүн улирлын үр тарианы цэцэглэлтийн эрчмийг зурагт суурилсан фенотип. Мэдрэгч 20 (5), 1450. https://doi.org/10.3390/s20051450.
Zhang, C., Kovacs, JM, 2012. Нарийвчлалтай хөдөө аж ахуйд зориулсан жижиг нисгэгчгүй агаарын системийг ашиглах нь: тойм. Нарийн. Агрик. 13 (6), 693–712. https://doi.org/
10.1007/s11119-012-9274-5.
Zhang, L., Zhang, H., Niu, Y., Han, W., 2019. UAV олон талт алсын зайн мэдрэгч дээр үндэслэн эрдэнэ шишийн усны стрессийн зураглал. Зайнаас тандан судлах 11 (6), 605.
Жан, Х., Хан, Л., Дун, Ю., Ши, Ю., Хуан, В., Хан, Л., Гонз' алез-Морено, П., Ма, Х., Йе, Х., Собейх , Т., 2019. Автомат шар зэвийг гүнзгийрүүлэн судлах арга
Өндөр нарийвчлалтай хэт спектрийн UAV зурагнаас өвчин илрүүлэх. Зайнаас тандан судлах 11 (13), 1554.
Жао, X., Жан, Ж., Хуан, Ю., Тиан, Ю., Юан, Л., 2022. Гиперспектр дүрслэл ашиглан цайны ургамлын өвчин, шавьжны стрессийг долгионы шинжилгээтэй хослуулан илрүүлэх, ялгах. Тооцоолох. Электрон. Агрик. 193, 106717 https://doi.org/10.1016/j. compag.2022.106717.
Zheng, A., Wang, M., Li, C., Tang, J., Luo, B., 2022. Агаарын дүрсний семантик сегментчилэлд зориулсан энтропи удирддаг өрсөлдөгчийн домайн дасан зохицох. IEEE Транс. Г
Zheng, H., Cheng, T., Yao, X., Deng, X., Tian, Y., Cao, W., Zhu, Y., 2016. Газар дээр суурилсан спектрийн цаг хугацааны цуврал шинжилгээгээр будааны фенологийг илрүүлэх. индексийн өгөгдөл. Талбайн үр тариа Res. 198, 131–139. https://doi.org/10.1016/j.fcr.2016.08.027.
Zheng, J., Yang, W., 2018. Утасгүй мэдрэгч дээр суурилсан нарийн хөдөө аж ахуйн гоожсон үрийн системийн загвар. Int. J. Онлайн Eng. 14 (05), 184.
Zhou, L., Gu, X., Cheng, S., Yang, G., Shu, M., Sun, Q., 2020. UAV-LiDAR өгөгдлийг ашиглан байрлуулсан эрдэнэ шишийн ургамлын өндрийн өөрчлөлтийн шинжилгээ. Хөдөө аж ахуй 10 (5), 146. https://
doi.org/10.3390/agriculture10050146.
Zhou, S., Chai, X., Yang, Z., Wang, H., Yang, C., Sun, T., 2021. Maize-IAS: Өндөр бүтээмжтэй ургамлын фенотип тогтооход гүнзгий суралцах аргыг ашиглан эрдэнэ шишийн дүрсний шинжилгээний програм хангамж. . Ургамлын арга 17 (1), 48. https://doi.org/10.1186/s13007-021-00747-0.
Жоу, X., Zheng, HB, Xu, XQ, He, JY, Ge, XK, Yao, X., Cheng, T., Zhu, Y., Cao, WX, Tian, YC, 2017. Үр тарианы ургацыг урьдчилан таамаглах олон цагийн ургамлыг ашиглан будаа
UAV-д суурилсан олон талт болон дижитал зураглалаас авсан индексүүд. ISPRS J. Фотограмм. Алсын мэдрэгч 130, 246–255. https://doi.org/10.1016/j.isprsjprs.2017.05.003.
Zhou, Y., Xie, Y., Shao, L., 2016. Утасгүй мэдрэгчийн сүлжээнд суурилсан хүлэмжийн хяналтын системийн үндсэн технологийн загварчлал. Int. J. Онлайн Eng. 12 (05),
43.
Жоу, З., Мажид, Ю., Диверрес Наранжо, Г., Гамбакорта, EMT, 2021. Нарийвчлалтай хөдөө аж ахуй дахь хэт улаан туяаны дулааны зураглал бүхий газар тариалангийн усны стрессийн үнэлгээ: тойм
болон гүнзгий суралцах хэрэглээний ирээдүйн хэтийн төлөв. Тооцоолох. Электрон. Агрик. 182, 106019 https://doi.org/10.1016/j.compag.2021.106019.