Abderahman Rejeb a , Alireza Abdollahi b , Karim Rejeb c , Horst Treiblmaier d,
- a Dipartimento di Management e Giurisprudenza, Facoltà di Economia, Università di Roma Tor Vergata, Via Columbia, 2, Roma 00133, Italia
- b Dipartimento di Economia Aziendale, Facoltà di Management, Università Kharazmi, 1599964511 Teheran, Iran
- c Facoltà di Scienze di Biserta, Università di Cartagine, Zarzouna, 7021 Biserta, Tunisia
- d Scuola di Management Internazionale, Università Modul di Vienna, Am Kahlenberg 1, 1190 Vienna, Austria
INFORMAZIONI SULL'ARTICOLO | ABSTRACT |
parole chiave: Droni UAV Agricoltura di precisione Internet delle cose Bibliometria | I droni, detti anche Unmanned Aerial Vehicles (UAV), hanno assistito ad un notevole sviluppo negli ultimi decenni. In agricoltura, hanno cambiato le pratiche agricole offrendo agli agricoltori notevoli risparmi sui costi efficienza operativa e migliore redditività. Negli ultimi decenni il tema dei droni agricoli ha affrontato attirò notevole attenzione accademica. Conduciamo quindi una revisione completa basata sulla bibliometria riassumere e strutturare la letteratura accademica esistente e rivelare le attuali tendenze e punti caldi della ricerca. Noi applicare tecniche bibliometriche e analizzare la letteratura sui droni agricoli per riassumere e valutare la ricerca precedente. La nostra analisi indica che il telerilevamento, l’agricoltura di precisione, il deep learning, l’apprendimento automatico e l’Internet delle cose sono argomenti critici relativi ai droni agricoli. La co-citazione L’analisi rivela sei ampi cluster di ricerca in letteratura. Questo studio è uno dei primi tentativi di riassumere la ricerca sui droni in agricoltura e suggerire direzioni di ricerca future. |
Introduzione
L’agricoltura rappresenta la principale fonte alimentare del mondo (Friha et al., 2021) e deve affrontare gravi sfide a causa della
crescente domanda di prodotti alimentari, sicurezza alimentare e preoccupazioni per la sicurezza, nonché richieste di protezione ambientale, conservazione dell’acqua e
sostenibilità (Inoue, 2020). Si prevede che questo sviluppo continui poiché si stima che la popolazione mondiale raggiungerà i 9.7 miliardi entro il 2050
(2019). Poiché l’agricoltura costituisce l’esempio più importante di consumo idrico a livello globale, si prevede che la domanda di cibo e acqua diminuirà
i consumi aumenteranno notevolmente nel prossimo futuro. Inoltre, il crescente consumo di fertilizzanti e pesticidi
insieme all’intensificazione delle attività agricole potrebbe portare a future sfide ambientali. Allo stesso modo, la terra arabile è limitata e il
il numero degli agricoltori sta diminuendo in tutto il mondo. Queste sfide accentuano la necessità di soluzioni agricole innovative e sostenibili (Elijah
et al., 2018; Friha et al., 2021; Inoue, 2020; Tzounis et al., 2017).
L’integrazione di nuove tecnologie è stata identificata come una soluzione promettente per affrontare queste sfide. Agricoltura intelligente (Brewster et al.,
2017; Tang et al., 2021) e l’agricoltura di precisione (Feng et al., 2019; Khanna & Kaur, 2019) sono emersi come risultato di tali dibattiti. IL
la prima è una nozione generale per l’adozione delle tecnologie dell’informazione e della comunicazione (TIC) e di altre innovazioni all’avanguardia nelle attività agricole per aumentare l’efficienza e l’efficacia (Haque et al., 2021). Quest'ultimo si concentra sulla gestione sito-specifica in cui è suddiviso il terreno
parti omogenee e ciascuna parte riceve la quantità esatta di input agricolo per l’ottimizzazione della resa delle colture mediante nuove tecnologie (Feng et al., 2019; Khanna & Kaur, 2019). Le tecnologie di spicco che hanno attirato l'attenzione degli studiosi in questo campo includono le reti di sensori wireless (WSN) (J. Zheng & Yang, 2018; Y. Zhou et al., 2016), l'Internet delle cose (IoT) (Gill et al., 2017; He et al., 2021; Liu et al., 2019),
tecniche di intelligenza artificiale (AI), compreso l'apprendimento automatico e il deep learning (Liakos et al., 2018; Parsaeian et al., 2020; Shadrin et al.,
2019), tecnologie informatiche (Hsu et al., 2020; Jinbo et al., 2019; Zamora-Izquierdo et al., 2019), big data (Gill et al., 2017; Tantalaki
et al., 2019) e blockchain (PW Khan et al., 2020; Pincheira et al., 2021).
Oltre alle tecnologie sopra menzionate, il telerilevamento è stato considerato uno strumento tecnologico con un alto potenziale di miglioramento
agricoltura intelligente e di precisione. Satelliti, aerei con equipaggio umano e droni sono tecnologie di telerilevamento popolari (Tsouros et al., 2019).
I droni, popolarmente conosciuti come veicoli aerei senza pilota (UAV), sistemi aerei senza pilota (UAS) e aerei a pilotaggio remoto, sono di
grande importanza in quanto presentano molteplici vantaggi rispetto ad altre tecnologie di telerilevamento. Ad esempio, i droni possono effettuare consegne
immagini di alta qualità e ad alta risoluzione nelle giornate nuvolose (Manfreda et al., 2018). Inoltre, la loro disponibilità e velocità di trasferimento costituiscono altro
benefici (Radoglou-Grammatikis et al., 2020). Rispetto agli aerei, i droni sono altamente efficienti in termini di costi e facili da configurare e mantenere (Tsouros et al., 2019). Nonostante siano inizialmente utilizzati principalmente per scopi militari, i droni possono beneficiare di numerose applicazioni civili, ad esempio nella gestione della catena di approvvigionamento (A. Rejeb, Rejeb, et al., 2021a), per scopi umanitari (A. Rejeb, Rejeb, et al., 2021c), agricoltura intelligente, rilevamento e mappatura, documentazione del patrimonio culturale, gestione dei disastri e conservazione delle foreste e della fauna selvatica (Panday, Pratihast, et al., 2020). In agricoltura, esistono molteplici aree di applicazione dei droni in quanto possono essere integrati con nuove tecnologie, capacità informatiche e sensori di bordo per supportare la gestione delle colture (ad esempio mappatura, monitoraggio, irrigazione, diagnosi delle piante) (H. Huang et al., 2021) , riduzione dei disastri, sistemi di allarme rapido, conservazione della fauna selvatica e delle foreste, per citarne alcuni (Negash et al., 2019). Allo stesso modo, i droni potrebbero essere sfruttati in diverse attività agricole, tra cui il monitoraggio delle colture e della crescita, la stima della resa, la valutazione dello stress idrico e il rilevamento di erbe infestanti, parassiti e malattie (Inoue, 2020; Panday, Pratihast, et al., 2020). I droni possono essere utilizzati non solo per scopi di monitoraggio, stima e rilevamento in base ai dati sensoriali, ma anche per l’irrigazione di precisione e la gestione precisa di erbe infestanti, parassiti e malattie. In altre parole, i droni sono in grado di spruzzare acqua e pesticidi in quantità precise sulla base di dati ambientali. I vantaggi dei droni in agricoltura sono riepilogati nella Tabella 1.
Principali vantaggi dei droni in agricoltura.
vantaggio | Riferimenti) |
Migliorare il temporale e lo spaziale risoluzioni sensoriali | (Gago et al., 2015; Niu et al., 2020; Srivastava et al., 2020) |
Facilitare l’agricoltura di precisione | (L. Deng et al., 2018; Kalischuk et al., 2019; Maimaitijiang et al., 2017) |
Classificazione e scouting di colture | (Inoue, 2020; Kalischuk et al., 2019; Lopez-´ Granados et al., 2016; Maimaitijiang et al., 2017; Melville et al., 2019; Moharana e Dutta, 2016) |
Utilizzo del fertilizzante | (L. Deng et al., 2018; Guan et al., 2019) |
Monitoraggio della siccità | (Fawcett et al., 2020; Panday, Pratihast, et al., 2020; Su et al., 2018) |
Stima della biomassa | (Bendig et al., 2014) |
Stima della resa | (Inoue, 2020; Panday, Shrestha, et al., 2020; Tao et al., 2020) |
Riduzione dei disastri | (Negash et al., 2019) |
Conservazione della fauna selvatica e silvicoltura | (Negash et al., 2019; Panday, Pratihast, et al., 2020) |
Valutazione dello stress idrico | (Inoue, 2020; J. Su, Coombes, et al., 2018; L. Zhang et al., 2019) |
Parassiti, erbacce e malattie rivelazione | (Gaˇsparovi´c et al., 2020; Inoue, 2020; J. Su, Liu, et al., 2018; X. Zhang et al., 2019) |
D’altro canto, anche i droni devono affrontare dei limiti. Coinvolgimento del pilota, potenza del motore, stabilità e affidabilità, qualità dei sensori dovuta al carico utile
tra questi figurano le limitazioni di peso, i costi di implementazione e la regolamentazione dell’aviazione (C. Zhang & Kovacs, 2012). Confrontiamo le carenze
delle tre tecnologie di telerilevamento mobile nella Tabella 2. Altre tecnologie di telerilevamento, come i sensori del suolo, esulano dall’oggetto di questo studio.
Carenze di varie tecnologie di telerilevamento mobile.
Telerilevamento tecnologie | carenze | Riferimenti |
Drone (UAV) | Coinvolgimento del pilota; immagini' qualità (media); costi di implementazione (media); stabilità, manovrabilità e affidabilità; standardizzazione; potenza del motore; potere limitato fonti (longevità della batteria); durata del volo limitata, collisione e attacchi informatici; limitato peso del carico utile; set di dati di grandi dimensioni e trattamento limitato dei dati capacità; mancanza di regolamentazione; mancanza di esperienza, ingresso elevato barriere all'accesso a droni agricoli; | (Bacco et al., 2018; Dawaliby et al., 2020; Hardin & Hardin, 2010; Hardin & Jensen, 2011; Lagkas et al., 2018; Laliberte et al., 2007; Laliberte & Rango, 2011; Manfreda et al., 2018, 2018; Nebiker et al., 2008; Puri et al., 2017; Velusamy et al., 2022; C. Zhang e Kovacs, 2012) |
Satellitare | Copertura satellitare periodica, risoluzione spettrale limitata; vulnerabilità ai problemi di visibilità (ad esempio, nuvole); Non disponibilità e bassa velocità di trasferimento; orientamento e vignettatura comporta dati spaziali costosi collezione; consegna lenta dei dati tempo agli utenti finali | (Aboutalebi et al., 2019; Cen et al., 2019; Chen et al., 2019; Nansen ed Elliott, 2016; Panday, Pratihast, et al., 2020; Sai Vineeth et al., 2019) |
aereo | Costi di adozione elevati; configurazione complicata; costi di manutenzione; indisponibilità di affidabilità aeroplani, geometria del immagini; dati non regolari acquisizione; mancanza di flessibilità; incidenti mortali; dati del sensore variazioni dovute alle vibrazioni; problemi di georeferenziazione | (Armstrong et al., 2011; Atkinson et al., 2018; Barbedo e Koenigkan, 2018; Kovalev e Vorosilova, 2020; Suomalainen et al., 2013; Thamm et al., 2013) |
Essendo una tecnologia multidisciplinare e multiuso in agricoltura, i droni sono stati studiati da varie prospettive. Ad esempio, gli studiosi hanno esaminato le applicazioni dei droni in agricoltura (Kulbacki et al., 2018; Mogili & Deepak, 2018), il loro contributo all’agricoltura di precisione (Puri et al., 2017; Tsouros et al., 2019), la loro complementarità con altri tecnologie all’avanguardia (Al-Thani et al., 2020; Dutta & Mitra, 2021; Nayyar et al., 2020; Saha et al., 2018) e le possibilità di migliorare le loro capacità di navigazione e di rilevamento (Bareth et al. , 2015; Suomalainen et al., 2014). Poiché la ricerca sulle applicazioni dei droni in agricoltura è diventata prevalente (Khan et al., 2021)), è necessario riassumere la letteratura esistente e rivelare la struttura intellettuale del settore. Inoltre, trattandosi di un campo ad alta tecnologia in continuo miglioramento, è necessario condurre revisioni strutturate per riassumere periodicamente la letteratura esistente e identificare importanti lacune nella ricerca. A
Ad oggi, sono poche le recensioni che trattano le applicazioni dei droni nel settore agricolo. Ad esempio, Mogili e Deepak (2018) hanno esaminato brevemente le implicazioni dei droni per il monitoraggio delle colture e l’irrorazione di pesticidi. Inoue (2020) conduce una revisione dell'uso di satelliti e droni nel telerilevamento in agricoltura. L'autore esplora le sfide tecnologiche legate all'adozione dell'agricoltura intelligente e il contributo di satelliti e droni sulla base di casi di studio e migliori pratiche. Tsouros et al. (2019) riassumono le diverse tipologie di droni e le loro principali applicazioni in agricoltura, evidenziando diverse modalità di acquisizione ed elaborazione dei dati. Più recentemente, Aslan et al. (2022) hanno condotto una revisione completa delle applicazioni degli UAV nelle attività agricole e hanno sottolineato l'importanza della localizzazione e della mappatura simultanee per un UAV nella serra. Diaz-Gonzalez et al. (2022) hanno esaminato studi recenti sulla produzione della resa agricola basati su diverse tecniche di apprendimento automatico e remoto
sistemi di rilevamento. I loro risultati hanno indicato che gli UAV sono utili per stimare gli indicatori del suolo e surclassano i sistemi satellitari in termini di risoluzione spaziale, temporalità delle informazioni e flessibilità. Basiri et al. (2022) hanno effettuato una revisione esaustiva dei vari approcci e metodi per superare le sfide di pianificazione del percorso per gli UAV multirotore nel contesto dell'agricoltura di precisione. Inoltre, Awais et al. (2022) hanno riassunto l'applicazione dei dati di telerilevamento degli UAV nelle colture per stimare lo stato dell'acqua e hanno fornito una sintesi approfondita della potenziale capacità del telerilevamento degli UAV per l'applicazione dello stress dei rifiuti. Infine, Aquilani et al. (2022) hanno esaminato le tecnologie di previsione agricola applicate nei sistemi di allevamento al pascolo e hanno dedotto che il telerilevamento consentito dagli UAV è vantaggioso per la valutazione della biomassa e la gestione della mandria.
Inoltre, recentemente sono stati segnalati tentativi di utilizzare gli UAV per il monitoraggio, il tracciamento e il raduno del bestiame.
Sebbene queste revisioni forniscano nuove e importanti intuizioni, in letteratura non è possibile trovare alcuna revisione completa e aggiornata basata sulla bibliometria, il che presenta un chiaro divario di conoscenze. Inoltre, è stato affermato che quando la produzione accademica cresce in un ambito scientifico, diventa vitale per i ricercatori utilizzare approcci di revisione quantitativa per comprendere la struttura della conoscenza del settore (Rivera & Pizam, 2015). Allo stesso modo, Ferreira et al. (2014) hanno sostenuto che man mano che i campi di ricerca maturano e diventano complessi, gli studiosi dovrebbero mirare a dare occasionalmente un senso alla conoscenza generata e accumulata per rivelare nuovi contributi, catturare tradizioni e tendenze di ricerca, identificare quali argomenti vengono studiati e approfondire la struttura della conoscenza di il campo e le possibili direzioni di ricerca. Sebbene Raparelli e Bajocco (2019) abbiano condotto un’analisi bibliometrica per esaminare il dominio di conoscenza delle applicazioni dei droni in agricoltura e silvicoltura, il loro studio considera solo la ricerca accademica pubblicata tra il 1995 e il 2017, che non riflette le dinamiche di questo settore in rapida evoluzione. Inoltre, gli autori non hanno tentato di identificare i contributi più influenti nel campo, di raggruppare la letteratura e di valutare la struttura intellettuale utilizzando l’analisi della co-citazione. Di conseguenza, è necessario riassumere la letteratura per rivelare gli attuali focus, tendenze e punti caldi della ricerca.
Per colmare questa lacuna di conoscenza, sfruttiamo la metodologia quantitativa e rigorosi metodi bibliometrici per esaminare lo stato attuale della ricerca nel punto di intersezione tra droni e agricoltura. Sosteniamo che il presente studio fornisce diversi contributi alla letteratura esistente esaminando una tecnologia emergente che è altamente necessaria in agricoltura poiché fornisce un enorme potenziale per alterare diversi aspetti in questo settore. La necessità di un’analisi bibliometrica dei droni agricoli è avvertita ancora di più data la dispersione e frammentata conoscenza sui droni nel contesto agricolo. Allo stesso modo, la letteratura relativa ai droni agricoli deve essere sistematicamente raggruppata, considerando gli studi più influenti che costituiscono le basi di questo campo di ricerca. Il merito dell'analisi include anche la chiarificazione dei principali temi di ricerca rappresentati in letteratura. Considerando il potenziale di trasformazione della tecnologia, ipotizziamo che un'analisi approfondita della rete produca nuove intuizioni determinando opere influenti e rivelando temi riguardanti il potenziale dei droni per l'agricoltura.
Ci impegniamo pertanto a raggiungere i seguenti obiettivi di ricerca:
- Individuazione di pubblicazioni influenti con contributi eccezionali alle applicazioni dei droni nel campo dell'agricoltura.
- Raggruppamento della letteratura, identificazione dei focus di ricerca e mappatura dei principali studi sulla "struttura intellettuale" basati sulla somiglianza semantica utilizzando l'analisi della co-citazione.
- Comprensione dell'evoluzione dei collegamenti e delle reti di citazioni nel tempo tra varie pubblicazioni nel settore e identificazione delle future direzioni di ricerca e dei temi caldi.
Il resto del documento è strutturato come segue: la sezione 2 delinea la metodologia e le fasi di raccolta dei dati; la sezione 3 riporta i risultati delle analisi; e la sezione 4 discute i risultati e si conclude con i contributi della ricerca, le implicazioni e le direzioni future.
Metodologia
In questo attuale studio di ricerca, conduciamo un’analisi bibliometrica per esplorare le applicazioni dei droni in agricoltura. Questo approccio quantitativo rivela la struttura intellettuale del dominio della conoscenza (Arora & Chakraborty, 2021) e lo stato attuale, i temi caldi e le direzioni di ricerca future che possono essere indagate applicando questo metodo (Kapoor et al., 2018; Mishra et al. , 2017; A. Rejeb, Rejeb, et al., 2021b; A. Rejeb et al., 2021d; MA Rejeb et al., 2020). In generale, un’analisi bibliometrica esamina la letteratura esistente per riassumere e scoprire modelli nascosti della comunicazione scritta e l’evoluzione della disciplina basata su statistiche e metodi matematici, e si applica a grandi insiemi di dati (Pritchard, 1969; Small, 1999; Tahai & Rigsby , 1998). Utilizzando la bibliometria, aspiriamo a comprendere meglio i paradigmi esistenti e i focus di ricerca che contribuiscono al dominio basato sulla somiglianza (Thelwall, 2008). La bibliometria fornisce nuove intuizioni supportate dalla forza quantitativa oggettiva della metodologia (Casillas & Acedo, 2007). Numerosi studiosi hanno precedentemente condotto studi bibliometrici in ambiti correlati, tra cui agricoltura, telerilevamento e trasformazione digitale (Armenta-Medina et al., 2020; Bouzembrak et al., 2019; A. Rejeb, Treiblmaier, et al., 2021; Wamba & Queiroz, 2021; Wang et al., 2019).
Analisi delle citazioni
L’analisi delle citazioni rivela varie intuizioni in un dato campo di ricerca. Innanzitutto aiuta a rivelare gli autori e le pubblicazioni più influenti che contribuiscono a un determinato campo di ricerca e hanno un impatto significativo (Gundolf & Filser, 2013). In secondo luogo è possibile scoprire il flusso della conoscenza e i collegamenti comunicativi tra gli autori. Infine, tracciando i collegamenti tra opere citate e opere citanti, è possibile esplorare i cambiamenti e l’evoluzione di un dominio di conoscenza nel tempo (Pournader
et al., 2020). Un numero elevato di citazioni di una pubblicazione riflette la sua rilevanza e i contributi sostanziali al campo di ricerca (Baldi, 1998; Gundolf & Filser, 2013; Marinko, 1998). L'analisi delle citazioni delle pubblicazioni aiuta anche a identificare le opere rilevanti e a monitorarne la popolarità e il progresso nel tempo.
Analisi delle co-citazioni di documenti
L'analisi della co-citazione è un metodo prezioso per esplorare le relazioni tra pubblicazioni e descrivere la struttura intellettuale di un campo (Nerur et al., 2008). In altre parole, identificando le pubblicazioni più citate e le loro connessioni, il metodo raggruppa le pubblicazioni in cluster di ricerca distinti in cui le pubblicazioni di un cluster condividono regolarmente idee simili (McCain, 1990; Small, 1973). È fondamentale ricordare che la somiglianza non significa che i risultati delle pubblicazioni lo siano
coesi e d'accordo tra loro; le pubblicazioni appartengono allo stesso cluster a causa della somiglianza degli argomenti, ma possono avere punti di vista contraddittori.
Raccolta e analisi dei dati
Seguendo la metodologia proposta da White e Griffith (1981), abbiamo eseguito una ricerca completa di articoli di riviste per coprire l'intero dominio di ricerca delle applicazioni dei droni in agricoltura, perseguendo i seguenti cinque passaggi:
- Il primo passo è stata la raccolta dei dati. Scopus è stato selezionato come uno dei database più completi e affidabili con risultati standardizzati. Sono stati recuperati i metadati delle pubblicazioni relative a tutte le applicazioni dei droni in agricoltura. Successivamente abbiamo analizzato gli articoli selezionati, rimuovendo dall'analisi gli articoli fuori tema.
- Abbiamo analizzato la letteratura e identificato le parole chiave più importanti utilizzate nell'area di ricerca.
- Utilizzando l'analisi delle citazioni, abbiamo esplorato la connessione tra autori e documenti per rivelare i modelli di citazione sottostanti. Abbiamo inoltre individuato gli autori e le pubblicazioni più influenti che hanno apportato contributi significativi al campo dei droni agricoli.
- Abbiamo condotto un'analisi di co-citazione per raggruppare pubblicazioni simili in cluster.
- Infine, abbiamo analizzato le connessioni e i collegamenti tra paesi, istituzioni e riviste per rappresentare la rete di collaborazione.
Identificazione dei termini di ricerca appropriati
Abbiamo applicato le seguenti stringhe di ricerca per l'aggregazione dei dati: (drone* OR “veicolo aereo senza pilota” OR uav* OR “sistema aereo senza pilota”” OPPURE uas OPPURE “aereo a pilotaggio remoto”.”) E (agricolo O agricoltura O allevamento O agricoltore). La ricerca è stata condotta nel settembre 2021. I droni hanno diverse designazioni, tra cui UAV, UAS e aerei a pilotaggio remoto (Sah et al., 2021). I termini di ricerca specifici relativi all'agricoltura sono stati identificati sulla base dello studio di Abdollahi et al. (2021). Per motivi di chiarezza e trasparenza, la query esatta che abbiamo utilizzato è fornita nell'Appendice 1. Dopo un processo di pulizia dei dati, abbiamo creato un file di testo che è stato successivamente caricato in BibExcel, uno strumento comune per l'analisi di citazioni e co-citazioni. Questo strumento offre anche una semplice interazione con altri software e offre un significativo grado di libertà nella gestione e nell'analisi dei dati. Per visualizzare i risultati e generare le reti bibliometriche è stata utilizzata la versione 1.6.16 di VOSviewer (Eck & Waltman, 2009). VOSviewer offre una gamma di visualizzazioni intuitive, in particolare per l'analisi delle mappe bibliometriche (Geng et al., 2020). Inoltre, aiuta a fornire risultati visivi chiari che aiutano a comprendere meglio i risultati (Abdollahi et al., 2021). Applicando le stringhe di ricerca come sopra indicato, abbiamo raccolto e archiviato tutte le pubblicazioni rilevanti. I primi risultati della ricerca hanno prodotto un totale di 5,085 documenti. Per garantire la qualità del campione selezionato, nella ricerca sono stati considerati solo articoli di riviste sottoposte a revisione paritaria, con conseguente esclusione di altri tipi di documenti, come libri, capitoli, atti di conferenze e note editoriali. Durante un processo di screening, sono state filtrate le pubblicazioni irrilevanti (vale a dire, al di là dello scopo di questo lavoro), ridondanti (vale a dire, duplicati originati dalla doppia indicizzazione) e non di lingua inglese. Questo processo ha portato all’inclusione nell’analisi finale di 4,700 documenti.
Risultati e discussione
Per iniziare, abbiamo analizzato gli sviluppi nella produzione di pubblicazioni nella letteratura attuale sui droni agricoli. La distribuzione temporale della ricerca accademica è mostrata nella Fig. 1. Osserviamo un rapido aumento delle pubblicazioni dall'anno 2011 (30 pubblicazioni) in poi; pertanto, abbiamo deciso di suddividere il periodo di analisi in due diverse fasi. Ci riferiamo al periodo tra il 1990 e il 2010 come la fase di costruzione, che prevedeva la pubblicazione di circa sette articoli ogni anno. Il periodo successivo al 2010 è stato definito la fase di crescita poiché la ricerca sulle applicazioni dei droni in agricoltura ha registrato un aumento esponenziale durante questo periodo. Dopo il 2010, il numero crescente di pubblicazioni conferma il crescente interesse tra i ricercatori, che riflette anche il fatto che i droni sono stati applicati al telerilevamento e utilizzati nell’agricoltura di precisione (Deng et al., 2018; Maes & Steppe, 2019; Messina & Modica, 2020 ). Nello specifico, il numero di pubblicazioni è passato da 108 nel 2013 a 498 nel 2018 per toccare il picco di 1,275 nel 2020. Tra gennaio e metà settembre 935 sono stati pubblicati complessivamente 2021 articoli. Successivamente abbiamo deciso di focalizzare maggiormente la nostra analisi sulla fase di crescita poiché questo periodo riflette le sottigliezze più recenti e importanti dei droni agricoli.
Analisi delle parole chiave
Le parole chiave selezionate dagli autori per una pubblicazione hanno un impatto cruciale sul modo in cui l'articolo viene rappresentato e su come viene comunicato all'interno delle comunità scientifiche. Identificano gli argomenti chiave della ricerca e ne determinano il potenziale di prosperità o fallimento (Day & Gastel, 1998.; Kim et al., 2016; Uddin et al., 2015). L’analisi delle parole chiave, uno strumento per rivelare tendenze e direzioni di ricerca più ampie, si riferisce alla compilazione delle parole chiave di tutte le pubblicazioni correlate in un dominio (Dixit & Jakhar, 2021). Nel presente studio, abbiamo diviso le parole chiave aggregate in due serie (vale a dire, fino al 2010 e al 2011-2021) per esplorare gli argomenti più popolari. In questo modo, possiamo tracciare le parole chiave cruciali in entrambi i set e assicurarci di aver acquisito tutti i dati necessari. Per ciascun set, le prime dieci parole chiave sono presentate nella Tabella 3. Abbiamo eliminato le incoerenze unendo parole chiave semanticamente identiche, come “drone” e “droni” o, analogamente, “Internet delle cose” e “IoT”.
La tabella 3 mostra che “veicolo aereo senza pilota” è una parola chiave utilizzata più frequentemente rispetto a “drone” e “sistema aereo senza pilota” in entrambi i periodi di tempo. Inoltre, “telerilevamento”, “agricoltura di precisione” e “agricoltura” occupano posizioni elevate in entrambi i periodi. Nel primo periodo, l’“agricoltura di precisione” si è classificata al quinto posto, e al secondo nel secondo periodo, il che dimostra come i droni stiano diventando sempre più importanti nella realizzazione dell’agricoltura di precisione in quanto possono effettuare monitoraggio,
pratiche di rilevamento e stima più veloci, più economiche e più facili da eseguire rispetto ad altri sistemi di telerilevamento e a terra. Inoltre, possono spruzzare la quantità precisa di input (ad esempio acqua o pesticidi) quando necessario (Guo et al., 2020; Inoue, 2020; Panday, Pratihast, et al., 2020).
Elenco delle parole chiave utilizzate più frequentemente.
Rango | 1990-2010 | No. di occorrenze | 2011-2021 | No. di occorrenze |
1 | aereo senza pilota veicolo | 28 | senza pilota veicolo aereo | 1628 |
2 | telerilevamento | 7 | precisione agricoltura | 489 |
3 | agricoltura | 4 | telerilevamento | 399 |
4 | aerotrasportato | 4 | fuco | 374 |
5 | precisione agricoltura | 4 | senza pilota sistema aereo | 271 |
6 | aereo senza pilota | 4 | agricoltura | 177 |
7 | iperspettrale sensore | 3 | apprendimento profondo | 151 |
8 | neurale artificiale reti | 2 | macchina apprendimento | 149 |
9 | volo autonomo | 2 | vegetazione Indice | 142 |
10 | Caffè | 2 | Internet di Cose | 124 |
Un'altra caratteristica interessante è la presenza di tecnologie complementari. Nella prima fase, tra le prime dieci parole chiave figurano “sensore iperspettrale” e “reti neurali artificiali” (ANN). L'imaging iperspettrale ha rivoluzionato l'imaging tradizionale raccogliendo un numero enorme di immagini a varie lunghezze d'onda. In tal modo, i sensori possono simultaneamente raccogliere migliori informazioni spaziali e spettrali rispetto all’imaging multispettrale, alla spettroscopia e alle immagini RGB (Adao ˜ et al.,
2017). La presenza di “ANN” nella prima fase e di “deep learning” (DL) e “machine learning” (ML) nella seconda implica che la maggior parte dei lavori pubblicati si è concentrata sull’esame del potenziale delle tecniche di intelligenza artificiale per i droni. agricoltura basata. Sebbene i droni siano in grado di volare autonomamente, richiedono comunque il coinvolgimento di un pilota, il che implica un basso livello di intelligenza del dispositivo. Tuttavia, questo problema può essere risolto grazie al progresso delle tecniche di intelligenza artificiale, che possono fornire una migliore consapevolezza situazionale e un supporto decisionale autonomo. Dotati di intelligenza artificiale, i droni possono evitare collisioni durante la navigazione, migliorare la gestione del suolo e delle colture (Inoue, 2020) e ridurre il lavoro e lo stress per gli esseri umani (BK Sharma et al., 2019).
Grazie alla loro flessibilità e capacità di gestire grandi quantità di dati non lineari, le tecniche di intelligenza artificiale sono metodi adatti per analizzare i dati trasmessi da droni e altri sistemi di telerilevamento e terrestri per la previsione e il processo decisionale (Ali et al., 2015; Inoue, 2020). Inoltre, la presenza dell’“IoT” nel secondo periodo indica il suo ruolo emergente in agricoltura. L’IoT sta rivoluzionando l’agricoltura interconnettendo altre tecnologie, tra cui droni, ML, DL, WSN e big data. Uno dei principali vantaggi dell'implementazione dell'IoT è la sua capacità di unire in modo efficiente ed efficace varie attività (acquisizione dei dati, analisi ed elaborazione dei dati, processo decisionale e implementazione) quasi in tempo reale (Elijah et al., 2018; Feng et al. , 2019; Muangprathub et al., 2019). Inoltre, i droni sono considerati strumenti efficienti per acquisire i dati necessari per calcolare il vigore e le proprietà della vegetazione (Candiago et al., 2015). Le Fig. 2a e 2b illustrano le reti di co-occorrenza delle parole chiave per entrambi i periodi di tempo.
Autori influenti
In questa sezione, determiniamo gli autori influenti ed esaminiamo come le reti di citazioni degli autori possono visualizzare e organizzare la letteratura attuale. La Fig. 3 mostra la sovrapposizione cronologica di tutti i ricercatori con il maggior numero di citazioni. La scala dei colori riflette la variazione annuale delle citazioni degli autori. Esaminiamo la struttura delle citazioni dei ricercatori che hanno pubblicato studi sui droni agricoli utilizzando una soglia minima di 50 citazioni e dieci pubblicazioni. Fuori da
12,891 autori, solo 115 soddisfacevano questa condizione. La tabella 4 elenca i primi dieci autori influenti, ordinati in base al numero massimo di citazioni. Lopez-Granados F. guida la lista con 1,963 citazioni, seguito da Zarco-Tejada PJ con 1,909 citazioni.
Elenco degli autori più citati.
Posizione | Autore | Citazioni |
1 | Lopez-Granados´ F. | 1,963 |
2 | Zarco-Tejada PJ | 1,909 |
3 | Pena˜JM | 1,644 |
4 | Torres-S´ anchez J. | 1,576 |
5 | Fereres E | 1,339 |
6 | Remondino F | 1,235 |
7 | Bolten A | 1,160 |
8 | Bareth G | 1,155 |
9 | Berni JA | 1,132 |
10 | de Castro AI | 1,036 |
Quando si tratta di pubblicazioni individuali, l'articolo di Zhang e Kovacs (2012) è stato lo studio più citato pubblicato su Precision Agriculture. In questo documento, gli autori hanno esaminato l’applicazione dell’UAS nell’agricoltura di precisione. I risultati della loro ricerca suggeriscono che è necessario promuovere la progettazione della piattaforma, la produzione, la standardizzazione della georeferenziazione delle immagini e il flusso di lavoro di recupero delle informazioni per fornire agli agricoltori prodotti finali affidabili. Inoltre, raccomandano di coinvolgere maggiormente l’agricoltore, soprattutto nella pianificazione del campo, nell’acquisizione di immagini, nonché nell’interpretazione e analisi dei dati. È importante sottolineare che questo studio è stato tra i primi a mostrare l’importanza dell’UAV nella mappatura del campo, nella mappatura del vigore, nella misurazione del contenuto chimico, nel monitoraggio dello stress della vegetazione e nella valutazione degli effetti dei fertilizzanti sulla crescita delle piante. Le sfide legate alla tecnologia includono anche costi proibitivi, capacità dei sensori, stabilità e affidabilità della piattaforma, mancanza di standardizzazione e procedure coerenti per analizzare enormi quantità di dati.
Analisi delle citazioni
L’analisi delle citazioni rappresenta lo studio dell’influenza degli articoli che, seppur inclini a flussi (es. citation bias, self-citation), è considerato uno degli strumenti standard per la valutazione dell’impatto (Osareh, 1996; A. Rejeb et al., 2022; Sarli et al., 2010). Le citazioni riflettono anche l'importanza e la vitalità dei contributi degli articoli alla letteratura su un argomento specifico (R. Sharma et al., 2022). Abbiamo condotto un'analisi delle citazioni per determinare gli studi più influenti sui droni agricoli e ne abbiamo riassunto i contenuti. La tabella 5 presenta l’elenco dei quindici articoli più influenti per i periodi 1990–2010 e 2011–2021. Gli articoli di Berni et al. (2009)b e Austin (2010) sono stati i più citati nel corso del 1990 e del 2010, con 831 e 498 citazioni, rispettivamente. Berni et al. (2009)b hanno illustrato il potenziale per sviluppare prodotti di telerilevamento quantitativo tramite un UAV basato su un elicottero dotato di sensori di imaging multispettrale termico e a banda stretta a prezzi accessibili. Rispetto ai tradizionali sensori aerei con equipaggio, un sistema UAV a basso costo per l’agricoltura è in grado di ottenere stime comparabili dei parametri biofisici delle colture, se non migliori. Il costo accessibile e la flessibilità operativa, insieme alle elevate risoluzioni spettrali, spaziali e temporali disponibili in tempi rapidi, rendono gli UAV adatti a una gamma di applicazioni che richiedono una gestione critica in termini di tempo, inclusa la programmazione dell’irrigazione e l’agricoltura di precisione. Il documento di Berni et al. (2009)b è molto citato perché ha integrato efficacemente una piattaforma ad ala rotante senza pilota e sensori digitali e termici con i meccanismi di calibrazione necessari per le applicazioni agricole. La seconda pubblicazione più citata è un libro scritto da Austin (2010), che ha discusso gli UAV dal punto di vista della progettazione, sviluppo e implementazione. In agricoltura, gli UAV supportano il monitoraggio delle colture rilevando precocemente le malattie attraverso i cambiamenti di colore delle colture, facilitando la semina e l’irrorazione delle colture e monitorando e guidando le mandrie.
Gli studi di Sullivan et al. (2007), Lumme et al. (2008), e Gokto ¨ ăn et al. (2010) completano l'elenco dei primi quindici articoli più citati. Questi articoli illustrano lo sviluppo di sistemi basati su UAV a supporto dell’agricoltura. Offrono soluzioni a vari problemi, come il monitoraggio e la scansione delle colture, la sorveglianza e la gestione delle infestanti e il supporto decisionale. Suggeriscono e discutono inoltre la capacità dell'UAV di aumentare l'efficienza del campionamento e aiutare gli agricoltori a ideare metodi accurati ed efficaci
strategie di semina. Berni ha scritto due articoli (Berni et al., 2009b; Berni et al., 2009a), sottolineando il suo impatto significativo sulla ricerca agricola relativa ai droni. Il documento di Zarco-Tejada et al. (2014) è stato tra gli studi pionieristici ad illustrare la necessità di utilizzare immagini UAV a basso costo nella quantificazione dell'altezza degli alberi.
Elenco delle pubblicazioni più citate.
Rango | Da 1990 a 2010 | Da 2011 a 2021 | ||
funzionalità di | Citazione | funzionalità di | Citazione | |
1 | (Berni et al., 2009b) | 831 | (C. Zhang e Kovacs, 2012) | 967 |
2 | (Austin, 2010) | 498 | (Nex & Remondino, 2014) | 893 |
3 | (Hunt et al., 2010) | 331 | (Floreano & Wood, 2015) | 552 |
4 | (SR Herwitz et al., 2004) | 285 | (Hossein Motlagh et al., 2016) | 391 |
5 | (CCD Lelong et al., 2008) | 272 | (Shakhatreh et al., 2019) | 383 |
6 | (Berni et al., 2009b) | 250 | (Ma et al., 2017) | 373 |
7 | (Grenzdorffer ¨ et al., 2008) | 198 | (Bendig et al., 2014) | 360 |
8 | (Hrabar et al., 2005) | 175 | (Zarco-Tejada et al., 2014) | 347 |
9 | (Y. Huang et al., 2009) | 129 | (Anno Domini ao et al., 2017) | 335 |
10 | (Schmale III et al., 2008) | 119 | (Honkavaara et al., 2013) | 331 |
11 | (Abd-Elrahman et al., 2005) | 79 | (Candiago et al., 2015) | 327 |
12 | (Techy et al., 2010) | 69 | (Xiang e Tian, 2011) | 307 |
13 | (Sullivan et al., 2007) | 51 | (Matese et al., 2015) | 303 |
14 | (Lumme et al., 2008) | 42 | (Gago et al., 2015) | 275 |
15 | (Gokto® ̧an et al., 2010) | 40 | (Aasen et al., 2015a) | 269 |
Nel secondo periodo (2011–2021), la ricerca di Zhang e Kovacs (2012) e Nex e Remondino (2014) ha prodotto le pubblicazioni più frequentemente citate. Zhang e Kovacs (2012) sostengono che l’agricoltura di precisione potrebbe trarre vantaggio dall’implementazione di tecniche e sensori geospaziali, come sistemi di informazione geografica, GPS e telerilevamento, per catturare le variazioni sul campo e gestirle impiegando strategie alternative. In quanto punto di svolta nell’agricoltura di precisione, l’adozione dei droni ha inaugurato una nuova era nel telerilevamento, semplificando l’osservazione aerea, l’acquisizione di dati sulla crescita dei raccolti, le condizioni del suolo e le aree di irrorazione. La revisione di Zhang e Kovacs (2012) è fondamentale poiché offre approfondimenti sugli UAV rivelando gli usi esistenti e le sfide di questi dispositivi nel monitoraggio ambientale e nell’agricoltura di precisione, come limitazioni di piattaforme e telecamere, sfide nell’elaborazione dei dati, coinvolgimento degli agricoltori e normative aeronautiche. . Il secondo
lo studio più citato di Nex e Remondino (2014) ha esaminato lo stato dell'arte degli UAV per l'acquisizione, l'elaborazione e l'analisi delle immagini della Terra.
Il loro lavoro ha anche presentato una panoramica di diverse piattaforme, applicazioni e casi d'uso UAV, mostrando i più recenti progressi nell'elaborazione delle immagini UAV. In agricoltura, gli agricoltori potrebbero utilizzare gli UAV per prendere decisioni efficaci per ottenere risparmi in termini di costi e tempo, ricevere una registrazione rapida e precisa dei danni e anticipare possibili problemi. A differenza delle piattaforme aeree convenzionali, gli UAV possono ridurre le spese operative e diminuire il pericolo di accesso in luoghi difficili, pur preservando un elevato potenziale di precisione. Il loro articolo riassume i vari vantaggi degli UAV, in particolare in termini di precisione e risoluzione.
Tra le restanti tredici pubblicazioni più citate tra il 2011 e il 2021, abbiamo notato una maggiore concentrazione sulla ricerca legata alle applicazioni dei droni nelle missioni di imaging (Bendig et al., 2014; Ma et al., 2017; Zarco-Tejada et al., 2014). , agricoltura di precisione (Candiago et al., 2015; Honkavaara et al., 2013a), viticoltura di precisione (Matese et al., 2015), valutazione dello stress idrico (Gago et al., 2015) e monitoraggio della vegetazione (Aasen et al. , 2015a). Nei primi anni, i ricercatori si concentrarono
maggiori informazioni sullo sviluppo di sistemi basati su UAV a basso costo, leggeri e precisi per l'agricoltura; la ricerca più recente si è concentrata maggiormente sulle revisioni delle applicazioni UAV per l'agricoltura e il rilevamento sul campo. In sintesi, questa analisi rivela che le pubblicazioni influenti hanno per lo più fornito revisioni di studi precedenti per valutare l’attuale stato scientifico e tecnologico degli UAV e sviluppato sistemi UAV per supportare l’agricoltura di precisione. È interessante notare che non abbiamo trovato studi che utilizzassero empirici
metodologie o casi di studio descrittivi, il che costituisce un significativo divario di conoscenze e richiede ulteriori ricerche su questo argomento.
Analisi della co-citazione
Secondo Gmür (2006), l'analisi delle co-citazioni identifica pubblicazioni simili e le raggruppa. Un attento esame di un cluster può rivelare un campo di ricerca comune tra le pubblicazioni. Indaghiamo la co-citazione della letteratura relativa ai droni agricoli per illustrare aree tematiche correlate e rilevare i modelli intellettuali delle pubblicazioni. A questo proposito, Small (1973) raccomanda l’uso dell’analisi della cocitazione per studiare le ricerche più influenti e seminali.
all'interno di una disciplina. Per limitare l'insieme agli articoli più seminali (Goyal & Kumar, 2021), abbiamo fissato una soglia di co-citazione di 25, il che significa che due articoli devono essere stati citati insieme negli elenchi di bibliografia di 25 o più pubblicazioni diverse. Anche il clustering è stato condotto con una dimensione minima del cluster pari a 1 e senza alcun metodo per unire i cluster più piccoli con quelli più grandi. Di conseguenza, sono stati generati sei cluster in base alla somiglianza degli studi e alla loro struttura intellettuale. La tabella 6 mostra la distribuzione delle pubblicazioni in ciascun cluster.
Cluster 1: questo cluster contiene diciotto documenti pubblicati dopo Le pubblicazioni in questo cluster discutono il ruolo dei droni nel supportare il monitoraggio ambientale, la gestione delle colture e la gestione delle infestanti. Ad esempio, Manfreda et al. (2018) forniscono una panoramica della ricerca attuale e delle implementazioni degli UAV nel monitoraggio degli ecosistemi agricoli naturali e sostengono che la tecnologia offre un enorme potenziale per migliorare drasticamente il monitoraggio ambientale e ridurre
il divario esistente tra l’osservazione sul campo e il telerilevamento convenzionale aereo e spaziale. Ciò può essere fatto offrendo nuove capacità per un migliore recupero temporale e approfondimenti spaziali in vaste aree in modo conveniente. Gli UAV possono costantemente percepire l'ambiente e inviare i dati risultanti a entità intelligenti, centralizzate/decentralizzate che controllano i sensori per identificare eventuali problemi, come la mancanza di malattie o il rilevamento dell'acqua (Padova ´ et al., 2017). Adao˜ et al. (2017) postulano che gli UAV sono ideali per valutare le condizioni delle piante acquisendo un vasto volume di dati grezzi relativi allo stato dell'acqua, alla stima della biomassa e alla valutazione del vigore. I sensori montati sugli UAV potrebbero anche essere prontamente dispiegati in condizioni ambientali adeguate per consentire l’acquisizione tempestiva di dati di telerilevamento (Von Bueren et al., 2015). Per mezzo degli UAV, gli agricoltori sono in grado di svolgere attività agricole indoor acquisendo misurazioni praticamente da qualsiasi punto dello spazio tridimensionale degli ambienti agricoli indoor (ad esempio, serre), garantendo così il controllo climatico locale e il monitoraggio delle piante (Roldan ´ et al ., 2015). Nel contesto della precisione
In agricoltura, le decisioni sulla gestione delle colture necessitano di dati accurati e affidabili sulle colture con un'adeguata risoluzione temporale e spaziale (Gebbers & Adamchuk, 2010; Gevaert et al., 2015; Maes & Steppe, 2019). Per questo motivo Agüera Vega et al. (2015) hanno utilizzato un sistema di sensori multispettrali montato su UAV per acquisire immagini di un raccolto di girasole durante la stagione di crescita. Allo stesso modo, Huang et al. (2009) notano che il telerilevamento basato sugli UAV potrebbe facilitare la misurazione delle colture e del suolo dai dati spettrali raccolti. Verger et al. (2014) hanno sviluppato e testato una tecnica per stimare un indice di area verde (GAI) dalle misurazioni di riflettanza degli UAV in applicazioni di agricoltura di precisione, concentrandosi su colture di grano e colza. Pertanto, i droni offrono nuove possibilità per recuperare informazioni sullo stato delle colture con frequenti rivisitazioni e un’elevata risoluzione spaziale (Dong et al., 2019; Garzonio et al., 2017; H. Zheng et al., 2016).
Raggruppamento di pubblicazioni influenti sui droni agricoli.
Cluster | Tema ampio | Riferimenti |
1 | Monitoraggio ambientale, coltura gestione, gestione delle infestanti | (Anno Domini ao et al., 2017; Agüera Vega et al., 2015; de Castro et al., 2018; Gomez-Cand´on´ et al., 2014; YB Huang et al., 2013; Khanal et al., 2017; Lopez-Granados, ´ 2011; Manfreda et al., 2018; P adua et al., 2017; Pena˜ et al., 2013; P'erez-Ortiz et al., 2015; Rasmussen et al., 2013, 2016; Torres-S´ anchez et al., 2014; Torres-Sanchez, ´ Lopez-Granados, ´ & Pena, ˜ 2015; Verger et al., 2014; Von Bueren et al., 2015; C. Zhang & Kovacs, 2012) |
2 | Fenotipizzazione remota, resa stima, modello di superficie colturale, conteggio delle piante | (Bendig et al., 2013, 2014; Geipel et al., 2014; Gnadinger ¨ & Schmidhalter, 2017; Haghighattalab et al., 2016; Holman et al., 2016; Jin et al., 2017; W. Li et al., 2016; Maimaitijiang et al., 2017; Sankaran et al., 2015; Schirrmann et al., 2016; Shi et al., 2016; Yue et al., 2017; X. Zhou et al., 2017) |
3 | Termografia per acqua, imaging multispettrale | (Baluja et al., 2012; Berni et al., 2009b; Berni et al., 2009a; Candiago et al., 2015; Gago et al., 2015; Gonzalez-Dugo et al., 2013, 2014; Grenzdorffer® et al., 2008; Khaliq et al., 2019; Matese et al., 2015; Ribeiro-Gomes et al., 2017; Santesteban et al., 2017; Uto et al., 2013) |
4 | Imaging ipersetrale, spettrale immagini | (Aasen et al., 2015a; Bareth et al., 2015; Hakala et al., 2013; Honkavaara et al., 2013a; Lucieer et al., 2014; Saari et al., 2011; Suomalainen et al., 2014) |
5 | Applicazioni di mappatura 3D | (Jim´enez-Brenes et al., 2017; Nex & Remondino, 2014; Salami et al., 2014; Torres-S´ anchez, Lopez-´ Granados, Serrano et al., 2015; Zahawi et al., 2015; Zarco-Tejada et al., 2014) |
6 | Sorveglianza dell'agricoltura | (SR Herwitz et al., 2004; Hunt et al., 2010; CCD Lelong et al., 2008; Primicerio et al., 2012; Xiang & Tian, 2011) |
Inoltre, i droni sono utili per compiti impegnativi in agricoltura, inclusa la mappatura delle infestanti. Le immagini catturate dai dispositivi hanno dimostrato la loro utilità per il rilevamento precoce delle infestanti nei campi (de Castro et al., 2018; Jim´enez-Brenes et al., 2017; Lam et al., 2021; Lopez-Granados ´ et al., 2016; Rozenberg et al., 2021). A questo proposito, de Castro et al. (2018) postulano che la fusione delle immagini UAV e dell'analisi delle immagini basata sugli oggetti (OBIA) ha consentito ai professionisti di superare il problema dell'automazione del rilevamento precoce nelle colture prative di inizio stagione, il che rappresenta un grande passo avanti nella ricerca sulle erbe infestanti. Allo stesso modo, Pena˜ et al. (2013) sottolineano che l'uso di immagini ad altissima risoluzione spaziale provenienti da UAV in combinazione con una procedura OBIA rende possibile generare mappe delle infestanti nelle colture precoci di mais che potrebbero essere utilizzate nella pianificazione dell'implementazione di misure di controllo delle infestanti durante la stagione, un compito che va oltre la capacità delle tradizionali immagini satellitari e aeree. Rispetto agli algoritmi di classificazione delle immagini o di rilevamento degli oggetti, le tecniche di segmentazione semantica sono più efficaci nelle attività di mappatura delle infestanti (J. Deng et al., 2020), consentendo così agli agricoltori di rilevare le condizioni del campo, mitigare le perdite e migliorare i rendimenti durante tutta la stagione di crescita (Ramesh et al., 2020). La segmentazione semantica basata sull’apprendimento profondo può anche fornire una misurazione accurata della copertura vegetale da immagini aeree ad alta risoluzione (Ramesh et al., 2020; A. Zheng et al., 2022). Nonostante il loro potenziale per il telecomando
rilevando la classificazione dei pixel, le tecniche di segmentazione semantica richiedono calcoli significativi e una memoria GPU proibitivamente elevata (J. Deng et al., 2020).
Basandosi sull'apprendimento automatico e sugli UAV, P´erez-Ortiz et al. (2015) hanno suggerito un approccio di mappatura delle infestanti per fornire strategie di controllo delle infestanti specifiche per il sito quando gli agricoltori adottano il controllo delle infestanti nella fase post-emergenza. Infine, Rasmussen et al. (2013) hanno evidenziato che i droni forniscono un rilevamento poco costoso con una grande flessibilità di risoluzione spaziale. Nel complesso, le pubblicazioni in questo cluster si concentrano sull’esplorazione delle potenzialità degli UAV per supportare il telerilevamento, il monitoraggio delle colture e la mappatura delle erbe infestanti. Sono necessarie ulteriori ricerche approfondite per studiare ulteriormente come le applicazioni dei droni nel monitoraggio ambientale, nella gestione delle colture e nella mappatura delle erbe infestanti possano raggiungere un’agricoltura più sostenibile (Chamuah & Singh, 2019; Islam et al., 2021; Popescu et al., 2020; J . Su, Liu, et al., 2018) e affrontare le questioni di governance di questa tecnologia nelle applicazioni di assicurazione dei raccolti (Basnet & Bang, 2018; Chamuah & Singh, 2019, 2022; Meinen & Robinson, 2021). I ricercatori dovrebbero concentrarsi sulla convalida delle misurazioni raccolte dagli UAV con tecniche di elaborazione efficienti per migliorare la qualità finale dei dati elaborati (Manfreda et al., 2018). Inoltre, è necessario lo sviluppo di algoritmi appropriati che riconoscano i pixel che visualizzano le erbacce nelle immagini digitali ed eliminino lo sfondo irrilevante durante la mappatura delle infestanti UAV (Gaˇsparovi´c et al., 2020; Hamylton et al., 2020; H. Huang et al. , 2018, 2020; Lopez-´ Granados et al., 2016). Sono benvenute ulteriori ricerche sull’adozione di tecniche di segmentazione semantica nel riconoscimento delle piante, nella classificazione delle foglie e nella mappatura delle malattie (Fuentes-Pacheco et al., 2019; Kerkech et al., 2020).
Cluster 2. Le pubblicazioni in questo cluster si sono concentrate su diversi aspetti dei droni agricoli. In relazione alla fenotipizzazione remota, Sankaran et al. (2015) hanno esaminato il potenziale dell'utilizzo di immagini aeree a bassa quota e ad alta risoluzione con UAV per una rapida fenotipizzazione delle colture sul campo e sostengono che, rispetto alle piattaforme di rilevamento a terra, i piccoli UAV con sensori adeguati offrono diversi vantaggi , come un accesso più facile al campo, dati ad alta risoluzione, raccolta dati efficiente,
valutazioni rapide delle condizioni di crescita del campo e bassi costi operativi. Tuttavia, gli autori notano anche che l'efficace applicazione dell'UAV per la fenotipizzazione sul campo si basa su due elementi fondamentali, vale a dire le caratteristiche dell'UAV (ad esempio, sicurezza, stabilità, posizionamento, autonomia) e le caratteristiche del sensore (ad esempio, risoluzione, peso, lunghezze d'onda spettrali, campo di vista). Haghighattalab et al. (2016) hanno proposto una pipeline di elaborazione delle immagini semiautomatica per recuperare dati a livello di trama dalle immagini UAV e accelerare il processo di riproduzione. Holman et al. (2016) hanno sviluppato un livello elevato
sistema di fenotipizzazione sul campo e ha evidenziato che l'UAV è in grado di raccogliere dati fenotipici di qualità, voluminosi e basati sul campo e che il dispositivo è efficace per vaste aree e in diverse posizioni sul campo.
Poiché la stima del rendimento è un’informazione incredibilmente vitale, in particolare quando è disponibile in tempo, esiste il potenziale per gli UAV di fornire tutte le misurazioni sul campo e acquisire in modo efficiente dati di alta qualità (Daakir et al., 2017; Demir et al., 2018 ; Enciso et al., 2019; Kulbacki et al., 2018; Pudelko et al., 2012). A questo proposito, Jin et al. (2017) hanno sfruttato le immagini ad alta risoluzione ottenute dagli UAV a quote molto basse per sviluppare e valutare un metodo per stimare la densità delle piante di grano nella fase di emergenza. Secondo gli autori, gli UAV superano i limiti dei sistemi rover dotati di telecamere e rappresentano un metodo non invasivo per stimare la densità delle piante nelle colture, consentendo agli agricoltori di ottenere l’elevata produttività necessaria per la fenotipizzazione del campo indipendentemente dalla trafficabilità del suolo. Li et al. (2016) hanno raccolto centinaia di immagini stereo con una risoluzione estremamente elevata utilizzando un sistema basato su UAV per stimare i parametri del mais, tra cui l'altezza della chioma e la biomassa fuori terra. Infine, Yue et al. (2017) hanno scoperto che l’altezza del raccolto determinata dagli UAV potrebbe migliorare la stima della biomassa fuori terra (AGB).
Un approccio per monitorare la crescita delle colture è l’idea di sviluppare modelli di superficie delle colture (Bendig et al., 2014, 2015; Holman et al., 2016; Panday, Shrestha, et al., 2020; Sumesh et al., 2021). Diversi studi hanno evidenziato la fattibilità delle immagini scattate dagli UAV per catturare l'altezza delle piante e monitorarne la crescita. Ad esempio, Bendig et al. (2013) hanno descritto lo sviluppo di modelli multitemporali della superficie delle colture con una risoluzione molto elevata inferiore a 0.05 m utilizzando UAV. Miravano a rilevare il raccolto
variabilità della crescita e sua dipendenza dal trattamento delle colture, dalla cultivar e dallo stress. Bendig et al. (2014) hanno utilizzato gli UAV per stimare la biomassa fresca e secca in base all'altezza delle piante estratta dai modelli della superficie delle colture e hanno scoperto che, a differenza delle piattaforme aeree e della scansione laser terrestre, le immagini ad alta risoluzione degli UAV possono aumentare significativamente la precisione della modellazione dell'altezza delle piante per diverse dimensioni di crescita. fasi. Nella stessa ottica, Geipel et al. (2014) hanno utilizzato gli UAV nelle loro ricerche per acquisire immagini
set di dati per la previsione della resa del mais in tre diverse fasi di crescita, dall'inizio alla metà della stagione, e hanno concluso che la combinazione di modelli spettrali e spaziali basati su immagini aeree e modelli di superficie colturale è un metodo adatto per prevedere la resa del mais di mezza stagione. Infine, Gnadinger® e Schmidhalter (2017) hanno esaminato l’utilità degli UAV nella fenotipizzazione di precisione e hanno evidenziato che l’uso di questa tecnologia potrebbe migliorare la gestione dell’azienda agricola e consentire la sperimentazione sul campo per scopi riproduttivi e agronomici. Nel complesso, osserviamo che le pubblicazioni nel cluster 2 si concentrano sui principali vantaggi degli UAV in remoto
fenotipizzazione, stima della resa, modellazione della superficie delle colture e conteggio delle piante. Gli studi futuri possono approfondire sviluppando nuovi metodi per la fenotipizzazione remota in grado di automatizzare e ottimizzare l'elaborazione dei dati telerilevati (Barabaschi et al., 2016; Liebisch et al., 2015; Mochida et al., 2015; S. Zhou et al ., 2021). Inoltre, è necessario studiare le prestazioni dei sensori IoT montati sugli UAV e il compromesso tra costi, manodopera e precisione della stima del rendimento.
futuro (Ju & Son, 2018a, 2018b; Xie & Yang, 2020; Yue et al., 2018). In definitiva, è necessario sviluppare metodi efficienti di elaborazione delle immagini in grado di generare informazioni affidabili, massimizzare l’efficienza nella produzione agricola e ridurre al minimo il lavoro di conteggio manuale degli agricoltori (RU Khan et al., 2021; Koh et al., 2021; Lin & Guo, 2020; C. Zhang et al., 2020).
Cluster 3. Le pubblicazioni in questo cluster discutono i diversi tipi di sistemi di imaging per il telerilevamento delle risorse agricole utilizzati sulle piattaforme UAV. A questo proposito, la termografia consente il monitoraggio delle temperature superficiali per prevenire danni alle colture e rilevare precocemente lo stress da siccità (Awais et al., 2022; García-Tejero et al., 2018; Sankaran et al., 2015; Santesteban et al., 2017; Yeom, 2021). Baluja et al. (2012) hanno affermato che l'uso di telecamere multispettrali e termiche a bordo del
L'UAV ha consentito ai ricercatori di ottenere immagini ad alta risoluzione e di valutare lo stato dell'acqua della vite. Ciò potrebbe essere utile per sviluppare nuovi modelli di pianificazione idrica utilizzando dati di telerilevamento (Baluja et al., 2012). A causa del
capacità di carico limitata degli UAV, Ribeiro-Gomes et al. (2017) hanno considerato l'integrazione di termocamere non raffreddate negli UAV per determinare lo stress idrico negli impianti, il che rende questo tipo di UAV più efficiente e fattibile rispetto al tradizionale telerilevamento satellitare e agli UAV dotati di termocamere raffreddate. Secondo gli autori, le termocamere non raffreddate sono più leggere di quelle raffreddate e richiedono un'adeguata calibrazione. Gonzalez-Dugo et al. (2014) hanno dimostrato che le immagini termiche generano in modo efficace mappe spaziali degli indici di stress idrico delle colture per valutare lo stato dell'acqua e quantificare lo stress idrico tra e all'interno degli agrumeti. Gonzalez-Dugo et al. (2013) e Santesteban et al. (2017) hanno studiato l'uso di immagini termiche UAV ad alta risoluzione per stimare la variabilità dello stato dell'acqua di un frutteto commerciale e di un vigneto.
L’imaging multispettrale potrebbe fornire enormi quantità di dati rispetto alle tradizionali immagini RGB (rosso, verde e blu) (Ad˜ ao et al., 2017; Navia et al., 2016). Questi dati spettrali, insieme ai dati spaziali, potrebbero aiutare negli scopi di classificazione, mappatura, previsione, predizione e rilevamento (Berni et al., 2009b). Secondo Candiago et al. (2015), l’imaging multispettrale basato sugli UAV potrebbe contribuire in modo massiccio alla valutazione delle colture e all’agricoltura precisa come risorsa affidabile ed efficiente. Anche,
Khaliq et al. (2019) hanno effettuato un confronto tra l'imaging multispettrale satellitare e quello basato su UAV. Le immagini basate su UAV si sono rivelate più precise nel descrivere la variabilità dei vigneti e le mappe del vigore per rappresentare le chiome delle colture. In poche parole, gli articoli di questo cluster discutono dell'incorporazione di sensori di imaging termico e multispettrale negli UAV agricoli. Di conseguenza, sono necessarie ulteriori ricerche per capire come l’imaging termico e multispettrale possa essere integrato con l’intelligenza artificiale
tecniche (ad esempio, deep learning) per rilevare lo stress delle piante (Ampatzidis et al., 2020; Ampatzidis & Partel, 2019; Jung et al., 2021; Santesteban et al., 2017; Syeda et al., 2021). Tali approfondimenti contribuiranno a garantire un rilevamento più efficiente e accurato, nonché il monitoraggio della crescita, dello stress e della fenologia delle piante (Buters et al., 2019; Cao et al., 2020; Neupane & BaysalGurel, 2021; L. Zhou et al., 2020).
Gruppo 4. Questo gruppo è composto da sette articoli che ruotano attorno al ruolo cruciale dell'imaging spettrale e dell'imaging iperspettrale nel supportare le pratiche agricole. L'imaging iperspettrale si è affermato come metodo di telerilevamento che consente la valutazione quantitativa del sistema terrestre (Schaepman et al., 2009). Per essere più precisi, consente l'identificazione dei materiali superficiali, la quantificazione delle concentrazioni (relative) e l'assegnazione delle proporzioni dei componenti della superficie
all'interno di pixel misti (Kirsch et al., 2018; Zhao et al., 2022). In altre parole, la maggiore risoluzione spettrale fornita dai sistemi iperspettrali consente stime più accurate di vari parametri, come le proprietà vegetariane o il contenuto di acqua nelle foglie (Suomalainen et al., 2014). I ricercatori di questo cluster hanno studiato vari aspetti di tali sistemi. Tra gli altri, Aasen et al. (2015b) hanno offerto un approccio unico per derivare informazioni iperspettrali tridimensionali dalla luce
telecamere istantanee utilizzate sugli UAV per il monitoraggio della vegetazione. Lucieer et al. (2014) hanno discusso la progettazione, lo sviluppo e le operazioni aeree di un nuovo UAS iperspettrale, nonché la calibrazione, l'analisi e l'interpretazione dei dati di immagine raccolti con esso. Infine, Honkavaara et al. (2013b) hanno sviluppato un approccio di elaborazione completo per immagini spettrali basate sull'interferometro FabryPerot e ne hanno mostrato l'uso in una procedura di stima della biomassa per l'agricoltura di precisione. I potenziali percorsi futuri per questo cluster attuale includono l’enfasi sulla necessità di miglioramenti tecnici nelle tecnologie dei sensori (Aasen et al., 2015b), nonché la necessità di incorporare e migliorare tecnologie complementari, in particolare big data e analisi (Ang & Seng, 2021; Radoglou -Grammatikis et al., 2020; Shakoor et al., 2019). Quest’ultimo deriva principalmente dai dati in continua crescita generati da vari sensori implementati nell’agricoltura intelligente (C. Li & Niu, 2020; A. Rejeb et al., 2022; Y. Su & Wang, 2021).
Cluster 5. Le pubblicazioni in questo cluster hanno esaminato le applicazioni di mappatura 3D basate su droni. L’uso di droni per la mappatura 3D potrebbe alleviare il complesso lavoro sul campo e aumentare sostanzialmente l’efficienza (Torres-Sanchez ´ et al., 2015). I cinque articoli del cluster si concentravano principalmente sulle applicazioni di monitoraggio degli impianti. Ad esempio, per ottenere dati tridimensionali sull'area della chioma, sull'altezza degli alberi e sul volume della chioma, Torres-Sanchez ´ et al. (2015) hanno utilizzato la tecnologia UAV per generare modelli digitali di superficie e quindi approcci di analisi delle immagini basate su oggetti (OBIA). Inoltre, Zarco-Tejada et al. (2014) hanno quantificato l'altezza degli alberi integrando la tecnologia UAV e metodi di fotoricostruzione tridimensionale. Jim'enez-Brenes Lopez-Granados, 'De Castro, et al. (2017) hanno dimostrato un nuovo processo per il monitoraggio 3D multitemporale di dozzine di ulivi integrando la tecnologia UAV con la metodologia avanzata OBIA. Percorsi interessanti per i lavori futuri in questo cluster includono il miglioramento dell'attuale
metodologie (Zarco-Tejada et al., 2014) per scopi di modellazione digitale delle superfici (Ajayi et al., 2017; Jaud et al., 2016), come OBIA (de Castro et al., 2018, 2020; Ventura et al. , 2018) e ricostruzione fotografica o sviluppo di nuovi metodi (Díaz-Varela et al., 2015; Torres-S´ anchez et al., 2015).
Cluster 6. Questo cluster discute il ruolo dei droni nella sorveglianza agricola. Gli UAV potrebbero integrare e superare le carenze dell’imaging satellitare e aereo. Ad esempio, potrebbero fornire immagini ad alta risoluzione quasi in tempo reale con meno carburante o sfide di pilotaggio, con conseguente sorveglianza costante e in tempo reale e miglioramenti nel processo decisionale (S. Herwitz et al., 2004). Un altro contributo chiave degli UAV è la loro capacità di fornire dati sito-specifici per l’agricoltura di precisione o l’agricoltura sito-specifica poiché i loro dati dettagliati e ad alta risoluzione su vari parametri consentono agli agricoltori di dividere il terreno in parti omogenee e trattarle di conseguenza (Hunt et al. , 2010; CC Lelong et al., 2008; Primicerio et al., 2012). Tale sorveglianza agricola basata sugli UAV può supportare il monitoraggio della sicurezza alimentare e il processo decisionale (SR Herwitz et al., 2004). Per far avanzare la ricerca nella sorveglianza agricola, sono necessari non solo miglioramenti nei sensori, negli UAV e in altre tecnologie correlate e nei loro metodi di comunicazione e trasferimento dati (Ewing et al., 2020; Shuai et al., 2019), ma anche integrando i droni con vari Le tecnologie per l’ottimizzazione di diversi compiti in relazione all’agricoltura intelligente, come il monitoraggio, la sorveglianza agricola e il processo decisionale, rappresentano un’area di ricerca ad alto potenziale (Alsamhi et al., 2021; Popescu et al., 2020; Vuran et al., 2018). A questo proposito, IoT, WSN e big data offrono interessanti capacità complementari (van der Merwe et al., 2020). I costi di implementazione, il risparmio sui costi, l’efficienza energetica e la sicurezza dei dati sono tra le aree poco studiate per tale integrazione (Masroor et al., 2021).
Paesi e istituzioni accademiche
Il passo finale prevedeva l'indagine del paese di origine e delle affiliazioni accademiche degli autori. Attraverso questa analisi, miriamo a comprendere meglio la distribuzione geografica degli studiosi che contribuiscono alle applicazioni dei droni in agricoltura. È interessante notare la diversità dei paesi e delle istituzioni accademiche. Dal punto di vista nazionale, USA, Cina, India e Italia si collocano in cima alla lista in termini di numero di pubblicazioni (Tabella 7). Il corrente
la ricerca sui droni agricoli è in gran parte concentrata nei paesi nordamericani e asiatici, principalmente a causa del loro elevato impegno nelle applicazioni agricole di precisione. Negli Stati Uniti, ad esempio, il mercato dei droni agricoli è stato stimato a 841.9 milioni di dollari nel 2020, pari a circa il 30% della quota di mercato globale (ReportLinker, 2021). Considerata la più grande economia del mondo, si prevede che la Cina raggiungerà una dimensione di mercato di circa 2.6 miliardi di dollari nel 2027. Questo paese fa appello ai droni agricoli per superare i problemi di produttività e ottenere rendimenti migliori, riduzione della manodopera e minori input di produzione. Tuttavia, l’adozione della tecnologia in Cina è guidata anche da fattori quali la dimensione della popolazione e la necessità di innovare e migliorare le pratiche di gestione delle colture esistenti.
Principali paesi più produttivi e università/organizzazioni che contribuiscono
ricerca relativa ai droni agricoli.
Rango | Paesi |
1 | USA |
2 | Cina |
3 | India |
4 | Italia |
5 | Spagna |
6 | Germania |
7 | Brasil |
8 | Australia |
9 | Giappone |
10 | UK |
Rango | Università/Organizzazioni |
1 | Accademia Cinese delle Scienze |
2 | Ministero dell'Agricoltura della Repubblica popolare cinese |
3 | Consejo Superior de Investigaciones Científicas |
4 | Texas A & M University |
5 | China Agricultural University |
6 | Servizio di ricerca agricola USDA |
7 | CSIC – Istituto di Agricoltura Sostenibile IAS |
8 | Purdue University |
9 | Consiglio Nazionale delle Ricerche |
10 | Università agricola della Cina meridionale |
Dal punto di vista universitario e organizzativo, l'Accademia Cinese delle Scienze è in cima alla lista in termini di numero di pubblicazioni, seguita dal Ministero dell'Agricoltura della Repubblica Popolare Cinese e dal Consejo Superior de Investigaciones Científicas. L'Accademia Cinese delle Scienze è rappresentata dagli autori Liao Xiaohan e Li Jun; Han Wenting rappresenta il Ministero dell'Agricoltura della Repubblica Popolare Cinese; e il Consejo Superior de Investigaciones Científicas è rappresentato da Lopez-Granados, ´ F. e Pena, ˜ Jos´e María S. Dagli USA trovano sede università come la Texas A&M University e la Purdue University
citare. Le università con il maggior numero di pubblicazioni e i loro collegamenti sono mostrate in Fig. 4. Inoltre, questo elenco comprende istituzioni come il Consiglio Nazionale delle Ricerche e il Consejo Superior de Investigaciones Científicas che sono attive nella ricerca scientifica, ma non sono istituzioni accademiche .
La nostra selezione comprendeva un’ampia varietà di riviste, che comprendevano praticamente tutti i dati disponibili. Come mostrato nella Tabella 8, il telerilevamento con 258 articoli si colloca al primo posto, seguito dal Journal of Intelligent and Robotic Systems: Theory and Applications con 126 e Computers and Electronics in Agriculture con 98 articoli. Mentre il telerilevamento si concentra principalmente sull'applicazione e sullo sviluppo di droni, i computer e l'elettronica in agricoltura coprono principalmente i progressi nell'hardware, nel software, nell'elettronica e nei sistemi di controllo in agricoltura. Anche i punti vendita trasversali, come IEEE Robotics and Automation Letters con 87 pubblicazioni e IEEE Access con 34 pubblicazioni, sono i principali punti vendita nel settore. I quindici principali mezzi di informazione hanno contribuito alla letteratura con 959 documenti, ovvero circa il 20.40% di tutte le pubblicazioni. Un'analisi delle co-citazioni delle riviste ci consente di esaminare l'importanza e la somiglianza tra le pubblicazioni. L'analisi della co-citazione produce tre cluster, come mostrato in Fig. 5. Il cluster rosso è costituito da riviste come Remote Sensing, Computer and Electronics in Agriculture, Sensors,
e l'International Journal of Remote Sensing. Tutti questi organi di stampa sono riviste altamente affidabili nei settori del telerilevamento e dell'agricoltura di precisione. Il cluster verde contiene riviste che si occupano di robotica, come Journal of Intelligent and Robotic Systems: Theory and Applications, IEEE Robotics and Automation Letters, IEEE Access e Drones. Questi punti vendita pubblicano principalmente articoli sull'automazione e sono utili per gli ingegneri agricoli. Il cluster finale è formato da riviste legate all’agronomia e all’ingegneria agraria, come Agronomy e International Journal of Agricultural and Biological Engineering.
Le 15 migliori riviste di ricerca sui droni agricoli.
Rango | News | Contare |
1 | Rilevamento remoto | 258 |
2 | Journal of Intelligent and Robotic Systems: teoria e Applicazioni | 126 |
3 | Computer ed elettronica in agricoltura | 98 |
4 | Lettere di robotica e automazione IEEE | 87 |
5 | Sensori | 73 |
6 | Giornale internazionale di telerilevamento | 42 |
7 | Agricoltura di precisione | 41 |
8 | Droni | 40 |
9 | Agronomia | 34 |
10 | Accesso IEEE | 34 |
11 | Giornale internazionale dei sistemi robotici avanzati | 31 |
12 | Giornale internazionale di ingegneria agricola e biologica | 25 |
13 | PLoS ONE | 25 |
14 | Giornale di robotica da campo | 23 |
15 | Ingegneria dei biosistemi | 23 |
Conclusione
Sommario
In questo studio, abbiamo riassunto e analizzato la ricerca esistente sui droni agricoli. Applicando varie tecniche bibliometriche, abbiamo cercato di ottenere una migliore comprensione della struttura intellettuale della ricerca agricola relativa ai droni. In sintesi, la nostra revisione offre diversi contributi identificando e discutendo parole chiave nella letteratura, rivelando cluster di conoscenza e formando comunità semanticamente simili nel campo dei droni, delineando ricerche precedenti e suggerendo direzioni di ricerca future. Di seguito, descriviamo i principali risultati della revisione sullo sviluppo dei droni agricoli:
• La letteratura complessiva è cresciuta rapidamente e ha attirato un'enorme attenzione nell'ultimo decennio, come indicato dall'aumento del numero di articoli dopo il 2012. Anche se questo campo della conoscenza deve ancora raggiungere la sua piena maturità (Barrientos et al., 2011; Maes & Steppe, 2019), diverse domande sono ancora senza risposta. Ad esempio, l’utilità dei droni nell’agricoltura indoor è ancora oggetto di dibattito (Aslan et al., 2022; Krul et al., 2021; Rold´ an et al., 2015). La complessità delle scene dei campi e le diverse circostanze di imaging (ad esempio, ombre e illuminazione) potrebbero comportare una maggiore varianza spettrale all'interno della classe (Yao et al., 2019). Anche nelle fasi successive della ricerca, i ricercatori sono stati sfidati a determinare piani di volo ottimali in base a scenari particolari e alla qualità dell’immagine richiesta (Soares et al., 2021; Tu et al.,
2020).
• Notiamo che il campo è progredito dallo sviluppo di sistemi UAV efficienti all'integrazione di tecniche di intelligenza artificiale, come l'apprendimento automatico e il deep learning nella progettazione di droni agricoli (Bah et al., 2018; Kitano et al., 2019; Maimaitijiang et al. , 2020; Mazzia et al., 2020; Tetila et al., 2020).
• La ricerca sui droni agricoli ha discusso prevalentemente del telerilevamento esplorando le potenzialità della tecnologia nel monitoraggio ambientale, nella gestione delle colture e nella gestione delle erbe infestanti (cluster 1), nonché nella fenotipizzazione remota e nella stima della resa (cluster 2). Una serie di studi influenti sui droni agricoli includono Austin (2010), Berni et al. (2009)a, Herwitz et al. (2004), Nex e Remondino (2014) e Zhang e Kovacs (2012). Questi studi hanno sviluppato le basi concettuali della ricerca relativa ai droni nel contesto dell’agricoltura.
• In relazione alla metodologia, abbiamo osservato che la maggior parte della ricerca svolta finora era composta da studi di progettazione di sistemi, concettuali o basati su revisioni (Inoue, 2020; Nex & Remondino, 2014; P´erez-Ortiz et al. , 2015; Yao et al., 2019). Notiamo anche una mancanza di metodi empirici, qualitativi e basati su casi di studio utilizzati nello studio dei droni agricoli.
• Recentemente, argomenti relativi all'agricoltura di precisione, alle tecniche di intelligenza artificiale, alla viticoltura di precisione e alla valutazione dello stress idrico hanno attirato notevole attenzione (Espinoza et al., 2017; Gomez-Cand ´ on ´ et al., 2016; Matese et al., 2015; Matese & Di Gennaro, 2018, 2021; Z. Zhou et al., 2021). Un attento esame dei cluster di ricerca in due epoche separate, 1990–2010 e 2011–2021, rivela il progresso della struttura intellettuale del dominio. Il periodo dal 1990 al 2010 ha rappresentato lo sviluppo delle nozioni centrali e dei concetti di droni, come risulta evidente dalla discussione sulla progettazione, sviluppo e implementazione degli UAV. Nella seconda era, il focus della ricerca si espande sugli studi precedenti, sforzandosi di sintetizzare i casi d’uso degli UAV in agricoltura. Abbiamo anche trovato numerosi studi che discutono delle applicazioni dei droni nelle attività di imaging e nell’agricoltura di precisione.
Rango | News | Contare |
1 | Rilevamento remoto | 258 |
2 | Journal of Intelligent and Robotic Systems: teoria e | 126 |
Applicazioni | ||
3 | Computer ed elettronica in agricoltura | 98 |
4 | Lettere di robotica e automazione IEEE | 87 |
5 | Sensori | 73 |
6 | Giornale internazionale di telerilevamento | 42 |
7 | Agricoltura di precisione | 41 |
8 | Droni | 40 |
9 | Agronomia | 34 |
10 | Accesso IEEE | 34 |
11 | Giornale internazionale dei sistemi robotici avanzati | 31 |
12 | Giornale internazionale di ingegneria agricola e biologica | 25 |
13 | PLoS ONE | 25 |
14 | Giornale di robotica da campo | 23 |
15 | Ingegneria dei biosistemi | 22 |
Implicazioni
La nostra revisione bibliometrica è stata progettata e condotta pensando a studiosi, agricoltori, esperti agricoli, consulenti colturali e progettisti di sistemi UAV. Per quanto a conoscenza degli autori, questa è una delle prime revisioni originali ad aver intrapreso un'analisi bibliometrica approfondita di
applicazioni dei droni in agricoltura. Abbiamo condotto una revisione completa di questo corpo di conoscenza, impiegando analisi di citazioni e co-citazioni delle pubblicazioni. I nostri tentativi di descrivere la struttura intellettuale della ricerca sui droni offrono anche nuove intuizioni per gli accademici. Un’attenta revisione delle parole chiave utilizzate nel tempo rivela gli hotspot e le aree focali di ricerca nella letteratura relativa ai droni. Inoltre, presentiamo un elenco degli studi più citati per identificare i lavori di ricerca di maggior impatto completati nel campo. L'identificazione di articoli e parole chiave potrebbe quindi fornire un solido punto di partenza per scoprire diverse strade per studi futuri.
È importante sottolineare che abbiamo rivelato cluster che classificano opere comparabili e elaborato i risultati. Gli studi classificati in cluster aiutano a comprendere la struttura intellettuale della ricerca sugli UAV. In particolare, abbiamo scoperto una carenza di studi che indagano sui fattori di adozione dei droni
e barriere nelle attività agricole (vedi Tabella 9). I futuri ricercatori potrebbero colmare questa potenziale lacuna conducendo indagini empiriche che valutino i fattori di adozione dei droni in diverse attività agricole e condizioni climatiche. Inoltre, la ricerca basata su casi di studio sull’efficacia dei droni dovrebbe essere supportata da dati reali provenienti dal campo. Inoltre, coinvolgere agricoltori e manager nella ricerca accademica sarebbe vantaggioso per il progresso sia teorico che pratico della ricerca sui droni. Siamo stati anche in grado di identificare i ricercatori più importanti e i loro contributi, il che è prezioso perché la conoscenza dei recenti lavori fondamentali può offrire una guida per i futuri sforzi accademici.
Tabella 9
Barriere all’adozione degli UAV.
Barriera | Descrizione |
La sicurezza dei dati | La sicurezza informatica rappresenta una sfida importante da implementare Soluzioni IoT (Masroor et al., 2021). |
Interoperabilità e integrazione | Varie tecnologie come UAV, WSN, IoT, ecc. dovrebbero essere integrati e trasmettere i dati che aumentare il livello di complessità (Alsamhi et al., 2021; Popescu et al., 2020; Vuran et al., 2018). |
Costi di attuazione | Questo è particolarmente vero per i piccoli agricoltori e per integrando diverse tecnologie all’avanguardia ( Masroor et al., 2021). |
Conoscenza del lavoro e competenza | Per utilizzare gli UAV sono necessari piloti esperti di droni. Inoltre, implementando varie tecnologie all'avanguardia Le tecnologie richiedono lavoratori qualificati (YB Huang et al., 2013; Tsouros et al., 2019). |
Potenza del motore e volo durata | I droni non possono essere utilizzati per lunghe ore e al riparo grandi aree (Hardin & Hardin, 2010; Laliberte et al., 2007). |
Stabilità, affidabilità e manovrabilità | I droni non sono stabili in condizioni meteorologiche avverse (Hardin e Hardin, 2010; Laliberte et al., 2007). |
Limitazioni del carico utile e qualità dei sensori | I droni possono trasportare solo carichi limitati capacità di caricare sensori di qualità inferiore (Nebiker et al., 2008). |
Regolamento | Poiché anche i droni possono essere pericolosi, ce ne sono di gravi normative in alcune aree (Hardin & Jensen, 2011; Laliberte & Rango, 2011). |
La conoscenza degli agricoltori e interesse | Come altre tecnologie all'avanguardia, i droni un'implementazione di successo richiede competenza e anche accompagnato da incertezze (Fisher et al., 2009; Lambert et al., 2004; Stafford, 2000). |
Poiché esiste una costante necessità di utilizzare in modo efficiente le risorse disponibili per massimizzare i raccolti, gli agricoltori possono sfruttare i droni per garantire una scansione rapida, accurata ed economica dei loro campi. La tecnologia può aiutare gli agricoltori a determinare le condizioni dei loro raccolti e valutare lo stato dell'acqua, lo stadio di maturazione, le infestazioni di insetti e le esigenze nutrizionali. Le capacità di telerilevamento dei droni possono fornire agli agricoltori dati cruciali per anticipare i problemi in una fase iniziale e intervenire tempestivamente. Tuttavia, i vantaggi della tecnologia possono essere realizzati solo se le sfide vengono affrontate adeguatamente. Alla luce del
problemi attuali riguardanti la sicurezza dei dati, problemi legati alla tecnologia dei sensori (ad esempio, l'affidabilità o l'accuratezza delle misurazioni), complessità dell'integrazione e costi di implementazione sostanziali, gli studi futuri devono anche esaminare la fattibilità tecnica, economica e operativa dell'integrazione di droni agricoli e altri sistemi di taglio. tecnologie all'avanguardia.
Limiti
Il nostro studio ha diversi limiti. Innanzitutto i risultati vengono determinati dalle pubblicazioni selezionate per l’analisi finale. È difficile catturare tutti gli studi rilevanti relativi ai droni agricoli, in particolare quelli non indicizzati nel database Scopus. Inoltre, il processo di raccolta dei dati è limitato all'impostazione di parole chiave di ricerca, che potrebbero non essere inclusive e portare a risultati inconcludenti. Pertanto, gli studi futuri dovranno prestare maggiore attenzione alla questione di fondo relativa alla raccolta dei dati
conclusioni più attendibili. Un'altra limitazione riguarda le nuove pubblicazioni con un basso numero di citazioni. L'analisi bibliometrica è sbilanciata verso le pubblicazioni precedenti poiché tendono a ricevere più citazioni nel corso degli anni. Gli studi recenti necessitano di un certo tempo per attirare l’attenzione e accumulare citazioni. Di conseguenza, gli studi recenti che apportano un cambiamento di paradigma non si classificherebbero tra i primi dieci lavori influenti. Questa limitazione è prevalente nell’esame di settori di ricerca in rapida espansione come i droni agricoli. Poiché abbiamo consultato Scopus per studiare la letteratura relativa a questo lavoro, i futuri ricercatori potrebbero considerare diversamente
database, come Web of Science e IEEE Xplore, per ampliare l'orizzonte e potenziare la struttura della ricerca.
Potenziali studi bibliometrici possono prendere in considerazione altre fonti di conoscenza vitali come documenti di conferenze, capitoli e libri per generare nuove intuizioni. Nonostante la mappatura e l’analisi delle pubblicazioni globali sui droni agricoli, i nostri risultati non hanno rivelato le ragioni dietro i risultati accademici delle università. Ciò apre la strada a una nuova area di ricerca che spiega qualitativamente perché alcune università sono più produttive di altre quando si tratta di ricerca sull’agricoltura.
droni. Inoltre, studi futuri potrebbero fornire approfondimenti sul potenziale dei droni per aumentare la sostenibilità agricola in diversi modi, come il monitoraggio ambientale, la gestione delle colture e la mappatura delle erbe infestanti, come indicato da diversi ricercatori (Chamuah & Singh, 2019; Islam et al., 2021; Popescu et al., 2020; J. Su, Liu, et al., 2018b). Poiché l’analisi testuale non è stata possibile a causa dell’elevato numero di articoli selezionati, è necessaria una revisione sistematica della letteratura che esamini gli aspetti
metodi di ricerca utilizzati e coinvolgimento degli agricoltori negli studi precedenti. In breve, la nostra analisi della ricerca sui droni mette in luce i collegamenti invisibili di questo corpo di conoscenze. Questa recensione aiuta quindi a scoprire le relazioni tra le pubblicazioni ed esplora la struttura intellettuale del campo di ricerca. Descrive anche i collegamenti tra i vari aspetti della letteratura, come le parole chiave degli autori, le affiliazioni e i paesi.
Dichiarazione di interesse concorrenziale
Gli autori dichiarano di non avere interessi finanziari concorrenti o rapporti personali noti che potrebbero sembrare influenzare il lavoro riportato in questo documento.
Appendice 1
TITOLO-ABS-KEY (((drone* OR “veicolo aereo senza pilota” OR uav* OR “sistema aereo senza pilota”” OPPURE uas OPPURE “aereo a pilotaggio remoto”.”) E (agricolo O agricoltura O allevamento O agricoltore))) AND (EXCLUDE (PUBYEAR, 2022)) AND (LIMIT-TO (LINGUA, “Inglese”)).
Riferimenti
Aasen, H., Burkart, A., Bolten, A., Bareth, G., 2015. Generazione di informazioni iperspettrali 3D con telecamere istantanee UAV leggere per il monitoraggio della vegetazione: da
calibrazione della fotocamera per la garanzia della qualità. ISPRS J. Fotogramma. Sensibilità remota 108, 245–259. https://doi.org/10.1016/j.isprsjprs.2015.08.002.
Abd-Elrahman, A., Pearlstine, L., Percival, F., 2005. Sviluppo di un algoritmo di riconoscimento di modelli per il rilevamento automatico di uccelli da immagini di veicoli aerei senza pilota.
Sondaggio. Informazione sul territorio. Sci. 65 (1), 37–45.
Abdollahi, A., Rejeb, K., Rejeb, A., Mostafa, MM, Zailani, S., 2021. Reti di sensori wireless in agricoltura: approfondimenti dall'analisi bibliometrica. Sostenibilità 13 (21),
12011
Aboutalebi, M., Torres-Rua, AF, Kustas, WP, Nieto, H., Coopmans, C., McKee, M.,Valutazione di diversi metodi per il rilevamento dell'ombra in immagini ottiche ad alta risoluzione e valutazione dell'impatto dell'ombra sul calcolo dell’NDVI e dell’evapotraspirazione. Irrig. Sci. 37 (3), 407–429. https://doi.org/10.1007/s00271-018-0613-9.
Adao, ˜ T., Hruˇska, J., Padova, ´ L., Bessa, J., Peres, E., Morais, R., Sousa, JJ, 2017. Imaging iperspettrale: una revisione sui sensori basati su UAV, dati elaborazione e
applicazioni per l’agricoltura e la silvicoltura. Telerilevamento 9 (11). https://doi.org/10.3390/rs9111110.
Agüera Vega, F., Ramírez, FC, Saiz, MP, Rosúa, FO, 2015. Imaging multitemporale utilizzando un veicolo aereo senza pilota per il monitoraggio di un raccolto di girasole. Biosistemi. L'Ing.
132, 19–27. https://doi.org/10.1016/j.biosystemseng.2015.01.008.
Ajayi, OG, Salubi, AA, Angbas, AF, Odigure, MG, 2017. Generazione di modelli digitali accurati di elevazione da UAV acquisiti con immagini sovrapposte a bassa percentuale. interno
J. Sensibilità remota 38 (8–10), 3113–3134. https://doi.org/10.1080/01431161.2017.1285085.
Ali, I., Greifeneder, F., Stamenkovic, J., Neumann, M., Notarnicola, C., 2015. Rassegna degli approcci di apprendimento automatico per il recupero di biomassa e umidità del suolo da dati di telerilevamento. Telerilevamento 7 (12), 16398–16421.
Alsamhi, SH, Afghah, F., Sahal, R., Hawbani, A., Al-qaness, MAA, Lee, B., Guizani, M., Internet verde delle cose che utilizza UAV nelle reti B5G: una revisione delle applicazioni
e strategie. Anno Domini. Hoc. Rete 117, 102505 https://doi.org/10.1016/j. ad hoc.2021.102505.
Al-Thani, N., Albuainain, A., Alnaimi, F., Zorba, N., 2020. Droni per il monitoraggio del bestiame ovino. In: 20a Conferenza Elettrotecnica Mediterranea dell'IEEE. https://doi.
org/10.1109/MELECON48756.2020.9140588.
Ampatzidis, Y., Partel, V., 2019. Fenotipizzazione ad alto rendimento basata su UAV negli agrumi utilizzando imaging multispettrale e intelligenza artificiale. Rilevamento remoto 11 (4), https://doi.org/10.3390/rs11040410.
Ampatzidis, Y., Partel, V., Costa, L., 2020. Agroview: applicazione basata su cloud per elaborare, analizzare e visualizzare i dati raccolti dagli UAV per applicazioni di agricoltura di precisione che utilizzano l'intelligenza artificiale. Calcola. Elettrone. Agricolo. 174, 105457 https://doi. org/10.1016/j.compag.2020.105457.
Ang, K.-L.-M., Seng, JKP, 2021. Big data e apprendimento automatico con informazioni iperspettrali in agricoltura. Accesso IEEE 9, 36699–36718. https://doi.org/10.1109/
ACCESSO.2021.3051196.
Aquilani, C., Confessore, A., Bozzi, R., Sirtori, F., Pugliese, C., 2022. Recensione: tecnologie di allevamento di precisione nei sistemi di allevamento al pascolo. Animale 16 (1), https://doi.org/10.1016/j.animal.2021.100429.
Armenta-Medina, D., Ramirez-Delreal, TA, Villanueva-Vasquez, ´ D., Mejia-Aguirre, C., Tendenze sulle tecnologie avanzate dell'informazione e della comunicazione per
migliorare la produttività agricola: un’analisi bibliometrica. Agronomia 10 (12), articolo 12. https://doi.org/10.3390/agronomy10121989.
Armstrong, I., Pirrone-Brusse, M., Smith, A., Jadud, M., 2011. L'alligatore volante: verso la robotica aerea in occam-π. Comune. Architetto di processi. 2011, 329–340. https://doi. org/10.3233/978-1-60750-774-1-329.
Arora, SD, Chakraborty, A., 2021. Ricerca sulla struttura intellettuale della ricerca sul comportamento di reclamo dei consumatori (CCB): un'analisi bibliometrica. J.Ris. Affari. 122, 60–74.
Aslan, MF, Durdu, A., Sabanci, K., Ropelewska, E., Gültekin, SS, 2022.
Un'indagine completa dei recenti studi con UAV per l'agricoltura di precisione in campo aperto e in serra. Appl. Sci. 12(3), 1047. https://doi.org/10.3390/
app12031047.
Atkinson, JA, Jackson, RJ, Bentley, AR, Ober, E. e Wells, DM (2018). Fenotipizzazione sul campo per il futuro. In Annual Plant Reviews online (pp. 719–736). John
Wiley & Sons, Ltd. doi: 10.1002/9781119312994.apr0651.
Austin, R., 2010. Sistemi aerei senza pilota: progettazione, sviluppo e implementazione di UAVS. In: Sistemi aerei senza pilota: progettazione, sviluppo e sviluppo di UAVS
Distribuzione. John Wiley e figli. 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. Il telerilevamento basato su UAV nello stress delle piante immagina l'utilizzo di un sensore termico ad alta risoluzione per le pratiche di agricoltura digitale: una meta-revisione. interno J.Ambiente. Sci. Tecnologia. 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. Agricoltura intelligente: opportunità, sfide
e abilitatori tecnologici. 2018 IoT verticale e. Vertice d'attualità sull'Agricoltura-Toscana (IOT Toscana) 1–6. https://doi.org/10.1109/IOTTUSCANY.2018.8373043.
Bah, MD, Hafiane, A., Canals, R., 2018. Apprendimento profondo con etichettatura dei dati non supervisionata per il rilevamento delle erbe infestanti nelle colture in linea nelle immagini UAV. Telerilevamento 10 (11), 1690.
https://doi.org/10.3390/rs10111690.
Baldi, S., 1998. Processi normativi versus costruttivisti sociali nell'assegnazione delle citazioni: un modello analitico di rete. Sono. Sociale. Rev. 63 (6), 829–846. https://doi.
org/10.2307/2657504.
Baluja, J., Diago, MP, Balda, P., Zorer, R., Meggio, F., Morales, F., Tardaguila, J., 2012. Valutazione della variabilità dello stato idrico del vigneto mediante analisi termica e multispettrale
immagini utilizzando un veicolo aereo senza equipaggio (UAV). Irrig. Sci. 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.,Allevamento di nuova generazione. Scienza delle piante. 242, 3–13. https://doi.org/10.1016/j.
piantesci.2015.07.010.
Barbedo, JGA, Koenigkan, LV, 2018. Prospettive sull'uso di sistemi aerei senza pilota per monitorare il bestiame. Prospettive agricole. 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. Iperspettrale leggero e basato su UAV fotocamere full-frame
per il monitoraggio delle colture: Confronto spettrale con misure spettroradiometriche portatili. Photogrammetrie, Fernerkundung, Geoinformation 2015 (1), 69–79.
https://doi.org/10.1127/pfg/2015/0256.
Barrientos, A., Colorado, J., del Cerro, J., Martinez, A., Rossi, C., Sanz, D., Valente, J., Telerilevamento aereo in agricoltura: un approccio pratico alla copertura dell'area
e pianificazione del percorso per flotte di mini robot aerei. J. Campo Rob. 28 (5), 667–689. https://doi.org/10.1002/rob.20403.
Basiri, A., Mariani, V., Silano, G., Aatif, M., Iannelli, L., Glielmo, L., 2022. Un'indagine sull'applicazione di algoritmi di pianificazione del percorso per UAV multirotore in precisione
agricoltura. J. Navigazione. 75 (2), 364–383.
Basnet, B., Bang, J., 2018. Lo stato dell'arte dell'agricoltura ad alta intensità di conoscenza: una revisione dei sistemi di rilevamento applicati e dell'analisi dei dati. J. Sens.2018, 1–13.
Bendig, J., Bolten, A., Bareth, G., 2013. Imaging basato su UAV per modelli di superficie delle colture multitemporali e ad altissima risoluzione per monitorare la variabilità della crescita delle colture. Fotogrammetria, 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. Stima della biomassa dell'orzo utilizzando modelli di superficie delle colture (CSM) derivati dall'imaging RGB basato su UAV. Telerilevamento 6 (11), 10395–10412.
Bendig, J., Yu, K., Aasen, H., Bolten, A., Bennertz, S., Broscheit, J., Gnyp, ML, Bareth, G., 2015. Combinazione dell'altezza delle piante basata sugli UAV dalla superficie del raccolto Modelli,
indici di vegetazione nel visibile e nel vicino infrarosso per il monitoraggio della biomassa nell'orzo. interno J.Appl. Osservazione della Terra. 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. Mappatura della conduttanza della chioma e del CWSI negli oliveti utilizzando l'alta risoluzione
immagini di telerilevamento termico. Ambiente rilevamento remoto 113 (11), 2380–2388. https://doi.org/10.1016/j.rse.2009.06.018.
Berni, JA, Zarco-Tejada, PJ, Suarez, ´ L., Fereres, E., 2009b. Telerilevamento multispettrale termico e a banda stretta per il monitoraggio della vegetazione da un veicolo aereo senza pilota. IEEE Trans. Geosci. Sensibilità remota 47 (3), 722–738.
Bouzembrak, Y., Klüche, M., Gavai, A., Marvin, HJP, 2019. Internet of Things in food safety: revisione della letteratura e analisi bibliometrica. Tendenze della scienza alimentare. Tecnologia. 94,54–64. https://doi.org/10.1016/j.tifs.2019.11.002.
Brewster, C., Roussaki, I., Kalatzis, N., Doolin, K., Ellis, K., 2017. L'IoT in agricoltura: progettazione di un progetto pilota su larga scala a livello europeo. Comunione IEEE Magg. 55 (9), 26–33.
Buters, TM, Belton, D., Cross, AT, 2019. Tracciamento UAV multisensore di singole piantine e comunità di piantine con precisione millimetrica. Droni 3 (4), 81.
https://doi.org/10.3390/drones3040081.
Candiago, S., Remondino, F., De Giglio, M., Dubbini, M., Gattelli, M., 2015. Valutazione di immagini multispettrali e indici di vegetazione per applicazioni di agricoltura di precisione da immagini UAV. Telerilevamento 7 (4), 4026–4047. https://doi.org/10.3390/rs70404026.
Cao, Y., Li, GL, Luo, YK, Pan, Q., Zhang, SY, 2020. Monitoraggio degli indicatori di crescita della barbabietola da zucchero utilizzando l'indice di vegetazione ad ampio intervallo dinamico (WDRVI) derivato dall'UAV
immagini multispettrali. Calcola. Elettrone. Agricolo. 171, 105331 https://doi.org/10.1016/j.compag.2020.105331.
Casillas, J., Acedo, F., 2007. Evoluzione della struttura intellettuale della letteratura sulle imprese familiari: uno studio bibliometrico di FBR. Affari di famiglia Rev. 20 (2), 141–162.
Cen, H., Wan, L., Zhu, J., Li, Y., Li, X., Zhu, Y., Weng, H., Wu, W., Yin, W., Xu, C., Bao, Y., Feng, L., Shou, J., He, Y., 2019. Monitoraggio dinamico della biomassa del riso nell'ambito
diversi trattamenti con azoto utilizzando un UAV leggero con fotocamere istantanee a doppia cornice. Metodi vegetali 15 (1), 32. https://doi.org/10.1186/s13007-019-
0418-8.
Chamuah, A., Singh, R., 2019. Garantire la sostenibilità nell'agricoltura indiana attraverso gli UAV civili: una prospettiva di innovazione responsabile. SN Appl. Sci. 2(1), 106. https://
doi.org/10.1007/s42452-019-1901-6.
Chamuah, A., Singh, R., 2022. Governance responsabile delle innovazioni dei veicoli aerei senza pilota (UAV) civili per le applicazioni di assicurazione dei raccolti indiani. J. Responsabile
Tecnologia. 9, 100025 https://doi.org/10.1016/j.jrt.2022.100025.
Chen, A., Orlov-Levin, V., Meron, M., 2019. Applicazione dell'imaging aereo ad alta risoluzione del canale visibile della chioma delle colture alla gestione di precisione dell'irrigazione. Agricolo. Acqua
Gest. 216, 196–205. https://doi.org/10.1016/j.agwat.2019.02.017.
Daakir, M., Pierrot-Deseilligny, M., Bosser, P., Pichard, F., Thom, C., Rabot, Y., Martin, O., 2017. UAV leggero con fotogrammetria integrata e posizionamento GPS a frequenza singola per applicazioni metrologiche. ISPRS J. Fotogramma. Sensibilità remota 127, 115–126. https://doi.org/10.1016/j.isprsjprs.2016.12.007.
Dawaliby, S., Aberkane, A., Bradai, A., 2020. Piattaforma IoT basata su blockchain per la gestione autonoma delle operazioni con droni. In: Atti del 2° ACM
Workshop MobiCom sulle comunicazioni wireless assistite da droni per il 5G e oltre, pagine 31–36. https://doi.org/10.1145/3414045.3415939.
Day, RA, Gastel, B., 1998. Come scrivere e pubblicare un articolo scientifico. Stampa dell'Università di Cambridge. de Castro, AI, Pena, ˜ JM, Torres-Sanchez, ´ J., Jim´enez-Brenes, FM, ValenciaGredilla, F., Recasens, J., Lopez-Granados, ´ F., 2020. Mappatura dell'infestazione di cynodon dactylon colture di copertura con procedura decisionale automatica tree-OBIA e immagini UAV per la viticoltura di precisione. Telerilevamento 12 (1), 56. https://doi.org/10.3390/rs12010056.
de Castro, AI, Torres-S´ anchez, J., Pena, ˜ JM, Jim´enez-Brenes, FM, Csillik, O., Lopez- ´Granados, F., 2018. Un algoritmo automatico casuale foresta-OBIA per mappatura precoce delle infestanti tra e all'interno dei filari utilizzando immagini UAV. Telerilevamento 10 (2). https://doi.org/10.3390/rs10020285.
Demir, N., Sonmez, ¨ NK, Akar, T., Ünal, S., 2018. Misurazione automatizzata dell'altezza delle piante dei genotipi di grano utilizzando un DSM derivato da immagini UAV. Atti 2 (7), 350. https://doi.org/10.3390/ecrs-2-05163.
Deng, J., Zhong, Z., Huang, H., Lan, Y., Han, Y., Zhang, Y., 2020. Rete di segmentazione semantica leggera per la mappatura delle infestanti in tempo reale utilizzando veicoli aerei senza pilota. Appl. Sci. 10(20), 7132. https://doi.org/10.3390/app10207132.
Deng, L., Mao, Z., Li, X., Hu, Z., Duan, F., Yan, Y., 2018. Telerilevamento multispettrale basato su UAV per l'agricoltura di precisione: un confronto tra diverse telecamere. ISPRS J. Fotogramma. Sensibilità remota 146, 124–136.
Diaz-Gonzalez, FA, Vuelvas, J., Correa, CA, Vallejo, VE, Patino, D., 2022. Tecniche di apprendimento automatico e telerilevamento applicate per stimare gli indicatori del suolo – revisione. Eco. Ind. 135, 108517 https://doi.org/10.1016/j.ecolind.2021.108517.
Díaz-Varela, RA, De la Rosa, R., Leon, ´ L., Zarco-Tejada, PJ, 2015. Immagini UAV aeree ad alta risoluzione per valutare i parametri della chioma dell'olivo utilizzando foto 3D
ricostruzione: applicazione nelle prove di allevamento. Telerilevamento 7 (4), 4213–4232. https://doi.org/10.3390/rs70404213.
Dixit, A., Jakhar, SK, 2021. Gestione della capacità aeroportuale: una revisione e un'analisi bibliometrica. J. Trasporto aereo Gest. 91, 102010.
Dong, T., Shang, J., Liu, J., Qian, B., Jing, Q., Ma, B., Huffman, T., Geng, X., Sow, A., Shi, Y., Canisius, F., Jiao, X., Kovacs, JM, Walters, D., Cable, J., Wilson, J., 2019.
Utilizzo delle immagini RapidEye per identificare la variabilità all'interno del campo della crescita e della resa delle colture in Ontario, Canada. Agricola di precisione. 20 (6), 1231–1250. https://doi.org/10.1007/
s11119-019-09646-w.
Dutta, PK, Mitra, S., 2021. Applicazione di droni agricoli e IoT per comprendere la catena di approvvigionamento alimentare durante il periodo post COVID-19. In: Choudhury, A., Biswas, A., Prateek, M.,
Chakrabarti, A. (a cura di), Informatica agricola: automazione utilizzando l'IoT e l'apprendimento automatico. Wiley, pagine 67–87. van Eck, N., Waltman, L., 2009. Indagine software: VOSviewer, un programma per computer per la mappatura bibliometrica. 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. Una panoramica dell'Internet delle cose (IoT) e dell'analisi dei dati in agricoltura: vantaggi e sfide.
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. Validazione del metodo agronomico UAV e campo
misurazioni per varietà di pomodoro. Calcola. Elettrone. Agricolo. 158, 278–283. https://doi.org/10.1016/j.compag.2019.02.011.
Espinoza, CZ, Khot, LR, Sankaran, S., Jacoby, PW, 2017. Valutazione dello stress idrico multispettrale e termico ad alta risoluzione basata sul telerilevamento in
viti irrigate nel sottosuolo. Telerilevamento 9 (9), 961. https://doi.org/10.3390/rs9090961.
Ewing, J., Oommen, T., Jayakumar, P., Alger, R., 2020. Utilizzo del telerilevamento iperspettrale per la gradazione del suolo. Telerilevamento 12 (20), 3312. ttps://doi.org/10.3390/
rs12203312.
Fawcett, D., Panigada, C., Tagliabue, G., Boschetti, M., Celesti, M., Evdokimov, A., Biriukova, K., Colombo, R., Miglietta, F., Rascher, U., Anderson, K., 2020. Valutazione multiscala della riflettanza superficiale multispettrale basata su droni e degli indici di vegetazione in condizioni operative. Telerilevamento 12 (3), 514.
Feng, X., Yan, F., Liu, X., 2019. Studio delle tecnologie di comunicazione wireless sull'Internet delle cose per l'agricoltura di precisione. Senza fili pers. Comune. 108(3),
1785-1802.
Ferreira, MP, Pinto, CF, Serra, FR, 2014. La teoria dei costi di transazione nella ricerca sugli affari internazionali: uno studio bibliometrico di oltre tre decenni. Scientometrics 98 (3), 1899-1922. https://doi.org/10.1007/s11192-013-1172-8.
Fisher, P., Abuzar, M., Rab, M., Best, F., Chandra, S., 2009. Progressi nell'agricoltura di precisione nell'Australia sudorientale. I. una metodologia di regressione per simulare
variazione spaziale delle rese di cereali utilizzando le rese storiche dei paddock degli agricoltori e l'indice di vegetazione differenziale normalizzato. Raccolto Pascolo Sci. 60 (9), 844–858.
Floreano, D., Wood, RJ, 2015. Scienza, tecnologia e futuro dei piccoli droni autonomi. Natura 521 (7553), 460–466. https://doi.org/10.1038/nature14542.
Friha, O., Ferrag, MA, Shu, L., Maglaras, LA, Wang, X., 2021. Internet delle cose per il futuro dell'agricoltura intelligente: un'indagine completa sulle tecnologie emergenti. IEEE CAA J.Autom. Sinica 8 (4), 718–752.
Fuentes-Pacheco, J., Torres-Olivares, J., Roman-Rangel, E., Cervantes, S., JuarezLopez, P., Hermosillo-Valadez, J., Rendon-Mancha, ´ JM, 2019. Segmentazione delle piante di fico da immagini aeree utilizzando una profonda rete di codificatore-decodificatore convoluzionale. Telerilevamento 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. La sfida degli UAV per valutare lo stress idrico per
agricoltura sostenibile. Agricolo. Gestione dell'acqua 153, 9–19. https://doi.org/10.1016/j. agwat.2015.01.020.
García-Tejero, IF, Rubio, AE, Vinuela, ˜ I., Hern´ andez, A., Guti´errez-Gordillo, S., Rodríguez-Pleguezuelo, CR, Dur´ an-Zuazo, VH, 2018. Immagine termica allo stabilimento
livello per valutare lo stato delle acque delle colture di mandorli (cv. Guara) nell'ambito di strategie di irrigazione in deficit. Agricolo. Gestione dell'acqua 208, 176–186. https://doi.org/10.1016/j.
agwat.2018.06.002.
Garzonio, R., Di Mauro, B., Colombo, R., Cogliati, S., 2017. Misurazioni della riflettanza superficiale e della spettroscopia di fluorescenza indotta dal sole utilizzando un piccolo UAS iperspettrale. Rilevamento remoto 9 (5), 472. https://doi.org/10.3390/rs9050472. Gaˇsparovi´c, M., Zrinjski, M., Barkovi´c, Đ., Radoˇcaj, D., 2020. Un metodo automatico per
mappatura delle infestanti nei campi di avena basata su immagini UAV. Calcola. Elettrone. Agricolo.
Gebbers, R., Adamchuk, VI, 2010. Agricoltura di precisione e sicurezza alimentare. Scienza 327 (5967), 828–831. https://doi.org/10.1126/science.1183899.
Geipel, J., Link, J., Claupein, W., 2014. Modellazione spettrale e spaziale combinata della resa del mais basata su immagini aeree e modelli di superficie del raccolto acquisiti con un sistema aereo senza pilota. Rilevamento remoto 6 (11), 10335–10355. https://doi.org/10.3390/rs61110335.
Geng, D., Feng, Y., Zhu, Q., 2020. Progettazione sostenibile per gli utenti: una revisione della letteratura e un'analisi bibliometrica. Ambiente. Sci. Inquinare. Ris. 27 (24), 29824–29836. https://doi. org/10.1007/s11356-020-09283-1.
Gevaert, CM, Suomalainen, J., Tang, J., Kooistra, L., 2015. Generazione di superfici di risposta spettrale-temporali combinando satellite multispettrale e iperspettrale
Immagini UAV per applicazioni di agricoltura di precisione. IEEE J.Sel. Superiore. Appl. Osservazione della Terra. Sensibilità remota 8 (6), 3140–3146. ttps://doi.org/10.1109/JSTARS.2015.2406339.
Gill, SS, Chana, I., Buyya, R., 2017. Agricoltura basata sull'IoT come servizio cloud e big data: l'inizio dell'India digitale. J.Org. e calcolo dell'utente finale. (JOEUC) 29 (4),
1-23.
Gmür, M., 2006. Analisi della co-citazione e ricerca di collegi invisibili: una valutazione metodologica. Scientometrics 57 (1), 27–57. https://doi.org/10.1023/
a:1023619503005.
Gnadinger, ¨ F., Schmidhalter, U., 2017. Conteggio digitale delle piante di mais mediante veicoli aerei senza equipaggio (UAV). Telerilevamento 9 (6). https://doi.org/10.3390/rs9060544.
Gokto ¨ !an, AH, Sukkarieh, S., Bryson, M., Randle, J., Lupton, T., Hung, C., 2010. Un veicolo aereo senza pilota ad ala rotante per la sorveglianza delle infestanti acquatiche e
gestione. J. Intel. Sistema Robotico: Teor. Appl. 57 (1–4), 467–484. https://doi. org/10.1007/s10846-009-9371-5.
Gomez-Cand ´ on, ´ D., De Castro, AI, Lopez-Granados, ´ F., 2014. Valutazione dell'accuratezza dei mosaici provenienti da immagini di veicoli aerei senza equipaggio (UAV) per scopi di agricoltura di precisione nel grano. Preciso. Agricolo. 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. Fenotipizzazione sul campo dello stress idrico a scala di albero mediante immagini rilevate da UAV : nuovi approfondimenti per
acquisizione e calibrazione termica. Preciso. Agricolo. 17 (6), 786–800. https://doi.org/10.1007/s11119-016-9449-6.
Gonzalez-Dugo, V., Zarco-Tejada, PJ, Fereres, E., 2014. Applicabilità e limiti dell'utilizzo dell'indice di stress idrico delle colture come indicatore dei deficit idrici negli agrumeti. Agricolo. Per. Meteorolo. 198–199, 94–104. https://doi.org/10.1016/j. agrformet.2014.08.003.
Gonzalez-Dugo, V., Zarco-Tejada, P., Nicolas, ´ E., Nortes, PA, Alarcon, ´ JJ, Intrigliolo, DS, Fereres, E., 2013. Utilizzo di immagini termiche UAV ad alta risoluzione per
valutare la variabilità dello stato idrico di cinque specie di alberi da frutto all'interno di un frutteto commerciale. Preciso. Agricolo. 14 (6), 660–678. https://doi.org/10.1007/s11119-013-9322-9.
Goyal, K., Kumar, S., 2021. Alfabetizzazione finanziaria: una revisione sistematica e un'analisi bibliometrica. interno J. Studi sui consumatori 45 (1), 80–105. https://doi.org/10.1111/
ijcs.12605.
Grenzdorffer, ¨ GJ, Engel, A., Teichert, B., 2008. Il potenziale fotogrammetrico degli UAV a basso costo nella silvicoltura e nell'agricoltura. Archivi Internazionali della Fotogrammetria, del Telerilevamento e delle Scienze dell'Informazione Spaziale – Archivi ISPRS 37, 1207–1213. https://www.scopus.com/inward/record.uri?eid=2-s2.0-85039543258&partnerI D=40&md5=b4b2d639257e8ddb5a373d15959c4e1e.
Guan, S., Fukami, K., Matsunaka, H., Okami, M., Tanaka, R., Nakano, H., Sakai, T., Nakano, K., Ohdan, H., Takahashi, K., 2019. Valutazione della correlazione dell'alta risoluzione
NDVI con livello di applicazione di fertilizzanti e resa delle colture di riso e grano utilizzando piccoli UAV. Telerilevamento 11 (2), 112.
Gundolf, K., Filser, M., 2013. Ricerca manageriale e religione: un'analisi delle citazioni. J. Autobus. Etica 112 (1), 177–185.
Guo, Q., Zhu, Y., Tang, Y., Hou, C., He, Y., Zhuang, J., Zheng, Y., Luo, S., 2020. Simulazione CFD e verifica sperimentale dello spazio e distribuzioni temporali di
il flusso d'aria downwash di un UAV agricolo quad-rotore in volo stazionario. Calcola. Elettrone. Agricolo. 172, 105343 https://doi.org/10.1016/j.compag.2020.105343.
Haghighattalab, A., Gonz´ alez P´erez, L., Mondal, S., Singh, D., Schinstock, D., Rutkoski, J., Ortiz-Monasterio, I., Singh, RP, Goodin, D. , Polonia, J., 2016.
Applicazione di sistemi aerei senza pilota per la fenotipizzazione ad alto rendimento di grandi vivai di allevamento di grano. Metodi vegetali 12 (1). https://doi.org/10.1186/s13007-
016-0134-6.
Hakala, T., Honkavaara, E., Saari, H., Makynen, ¨ J., Kaivosoja, J., Pesonen, L., & Pol ¨ onen, ¨ I., 2013. Immagini spettrali di UAV in condizioni di illuminazione variabili . In GG Bill R. (a cura di), Archivi internazionali di fotogrammetria, telerilevamento e scienze dell'informazione spaziale - Archivi ISPRS (vol. 40, numero 1W2, pp. 189–194). Società internazionale di fotogrammetria e telerilevamento. 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. Valutazione delle tecniche per mappare la vegetazione dell'isola da aerei senza pilota
Immagini di veicoli (UAV): classificazione dei pixel, interpretazione visiva e approcci di machine learning. interno J.Appl. Osservazione della Terra. Geoinf. 89, 102085 https://doi.org/
10.1016/j.jag.2020.102085.
Haque, A., Islam, N., Samrat, NH, Dey, S., Ray, B., 2021. Agricoltura intelligente attraverso una leadership responsabile in Bangladesh: possibilità, opportunità e oltre.
Sostenibilità 13(8), 4511.
Hardin, PJ, Hardin, TJ, 2010. Veicoli a pilotaggio remoto su piccola scala nella ricerca ambientale. Bussola geografica 4 (9), 1297–1311. ttps://doi.org/10.1111/j.1749-
8198.2010.00381.x.
Hardin, PJ, Jensen, RR, 2011. Veicoli aerei senza pilota su piccola scala nel telerilevamento ambientale: sfide e opportunità. GISci. Sensibilità remota 48 (1), 99–111. https://doi.org/10.2747/1548-1603.48.1.99.
He, Y., Nie, P., Zhang, Q., Liu, F., 2021. Internet of Things agricolo: tecnologie e applicazioni, (1a ed. Edizione 2021). Springer.
Herwitz, SR, Johnson, LF, Dunagan, SE, Higgins, RG, Sullivan, DV, Zheng, J., Lobitz, BM, Leung, JG, Gallmeyer, BA, Aoyagi, M., Slye, RE, Brass, JA, 2004.
Imaging da un veicolo aereo senza pilota: sorveglianza agricola e supporto alle decisioni. Calcola. Elettrone. Agricolo. 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, Fenotipizzazione sul campo ad alta produttività dell'altezza e del tasso di crescita delle piante di grano in prove su appezzamenti utilizzando il telerilevamento basato su UAV. Telerilevamento 8 (12). https://doi. org/10.3390/rs8121031.
Honkavaara, E., Saari, H., Kaivosoja, J., Pol ¨ onen, ¨ I., Hakala, T., Litkey, P., M¨akynen, J., Pesonen, L., 2013. Elaborazione e valutazione di immagini spettrometriche e stereoscopiche raccolte utilizzando una telecamera spettrale UAV leggera per l’agricoltura di precisione. Rilevamento remoto 5 (10), 5006–5039. https://doi.org/10.3390/rs5105006.
Hossein Motlagh, N., Taleb, T., Arouk, O., 2016. Servizi Internet delle cose basati su veicoli aerei senza equipaggio a bassa quota: indagine completa e prospettive future. 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. Navigazione combinata di flusso ottico e stereo dei canyon urbani per un UAV. Nel: 2005 IEEE/RSJ
Conferenza internazionale su robot e sistemi intelligenti, pp. 3309–3316. https://doi.org/10.1109/IROS.2005.1544998.
Hsu, T.-C., Yang, H., Chung, Y.-C., Hsu, C.-H., 2020. Una piattaforma agricola IoT creativa per il cloud fog computing. Sostenere. Calcola. Inf. Sist. 28, 100285.
Huang, H., Deng, J., Lan, Y., Yang, A., Deng, X., Zhang, L., Gonzalez-Andujar, JL, 2018. Una rete completamente convoluzionale per la mappatura delle infestanti di veicoli aerei senza equipaggio ( immagini UAV). PLoS ONE 13 (4), e0196302.
Huang, H., Lan, Y., Yang, A., Zhang, Y., Wen, S., Deng, J., 2020. Apprendimento profondo rispetto all'analisi delle immagini basata su oggetti (OBIA) nella mappatura delle infestanti delle immagini UAV. interno J.
Sensibilità remota 41 (9), 3446–3479. https://doi.org/10.1080/01431161.2019.1706112.
Huang, H., Yang, A., Tang, Y., Zhuang, J., Hou, C., Tan, Z., Dananjayan, S., He, Y., Guo, Q., Luo, S., 2021. Calibrazione profonda del colore per immagini UAV nel monitoraggio delle colture
utilizzando il trasferimento di stile semantico con attenzione da locale a globale. interno J.Appl. Osservazione della Terra. Geoinf. 104, 102590 https://doi.org/10.1016/j.jag.2021.102590.
Huang, YB, Thomson, SJ, Hoffmann, WC, Lan, YB, Fritz, BK, 2013. Sviluppo e prospettive di tecnologie di veicoli aerei senza pilota per la produzione agricola
gestione. interno J. Agric. Biol. L'Ing. 6 (3), 1–10. https://doi.org/10.3965/j. ijabe.20130603.001.
Huang, Y., Hoffmann, WC, Lan, Y., Wu, W., Fritz, BK, 2009. Sviluppo di un sistema di spruzzatura per una piattaforma di veicolo aereo senza pilota. Appl. L'Ing. Agricolo. 25 (6), 803–809.
Hunt Jr., ER, Dean Hively, W., Fujikawa, SJ, Linden, DS, Daughtry, CST, McCarty, GW, 2010. Acquisizione di fotografie digitali NIR-verde-blu da
velivoli senza pilota per il monitoraggio delle colture. Rilevamento remoto 2 (1), 290–305. https://doi. org/10.3390/rs2010290. Inoue, Y., 2020. Telerilevamento delle colture e del suolo basato su satellite e droni per un'agricoltura intelligente: una revisione. Sci del suolo. Nutr. vegetale 66 (6), 798–810. https://doi.org/10.1080/00380768.2020.1738899.
Islam, N., Rashid, MM, Pasandideh, F., Ray, B., Moore, S., Kadel, R., 2021. Una rassegna delle applicazioni e delle tecnologie di comunicazione per l'Internet delle cose (IoT) e
Agricoltura intelligente sostenibile basata su veicoli aerei senza equipaggio (UAV). Sostenibilità 13 (4), 1821. https://doi.org/10.3390/su13041821.
Jaud, M., Passot, S., Le Bivic, R., Delacourt, C., Grandjean, P., Le Dantec, N., 2016. Valutazione dell'accuratezza dei modelli di superficie digitali ad alta risoluzione calcolati da
PhotoScan® e MicMac® in condizioni di rilievo non ottimali. Rilevamento remoto 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. Quantificazione degli impatti della potatura sull'architettura degli ulivi e sulle crescita della chioma utilizzando la modellazione 3D basata su UAV. Metodi vegetali 13 (1). https://doi.org/10.1186/s13007-017-0205-3.
Jin, X., Liu, S., Baret, F., Hemerl´e, M., Comar, A., 2017. Stime della densità delle piante delle colture di grano al momento dell'emergenza da immagini UAV a bassissima quota. Sensibilità remota
Ambiente. 198, 105–114. https://doi.org/10.1016/j.rse.2017.06.007.
Jinbo, C., Xiangliang, C., Han-Chi, F., Lam, A., 2019. Sistema di monitoraggio dei prodotti agricoli supportato dal cloud computing. Calcolo a grappolo. 22 (4), 8929–8938.
Ju, C. e Figlio, HI 2018a. Valutazione delle prestazioni di più sistemi UAV per il telerilevamento in agricoltura. Atti del workshop sulla visione robotica e l'azione in agricoltura alla conferenza internazionale IEEE sulla robotica e l'automazione (ICRA), Brisbane, Australia, 21–26.
Ju, C., Figlio, HI, 2018b. Sistemi UAV multipli per applicazioni agricole: controllo, implementazione e valutazione. Elettronica 7 (9), 162. https://doi.org/10.3390/
elettronica7090162.
Jung, J., Maeda, M., Chang, A., Bhandari, M., Ashapure, A., Landivar-Bowles, J., 2021. Il potenziale del telerilevamento e dell'intelligenza artificiale come strumenti per migliorare la
resilienza dei sistemi produttivi agricoli. Curr. Opinione. Biotecnologie. 70, 15–22. https://doi.org/10.1016/j.copbio.2020.09.003.
Kalischuk, M., Paret, ML, Freeman, JH, Raj, D., Da Silva, S., Eubanks, S., Wiggins, DJ, Lollar, M., Marois, JJ, Mellinger, HC, Das, J. , 2019. Una tecnica migliorata di esplorazione delle colture che incorpora l'imaging multispettrale delle colture assistito da veicoli aerei senza pilota nella pratica di esplorazione convenzionale per la peronospora del gambo gommoso nell'anguria. Pianta Dis. 103 (7), 1642–1650.
Kapoor, KK, Tamilmani, K., Rana, NP, Patil, P., Dwivedi, YK, Nerur, S., 2018. Progressi nella ricerca sui social media: passato, presente e futuro. Far sapere. Sist. Davanti. 20
(3), 531-558.
Kerkech, M., Hafiane, A., Canals, R., 2020. VddNet: rete di rilevamento delle malattie della vite basata su immagini multispettrali e mappa di profondità. Telerilevamento 12 (20), 3305. https://doi. org/10.3390/rs12203305.
Khaliq, A., Comba, L., Biglia, A., Ricauda Aimonino, D., Chiaberge, M., Gay, P., 2019. Confronto tra immagini multispettrali satellitari e basate su UAV per i vigneti
valutazione della variabilità. Telerilevamento 11 (4). https://doi.org/10.3390/rs11040436.
Khan, PW, Byun, Y.-C., Park, N., 2020. La blockchain IoT ha abilitato un sistema di provenienza ottimizzato per l'industria alimentare 4.0 utilizzando il deep learning avanzato. Sensori 20 (10), 2990.
Khan, RU, Khan, K., Albattah, W., Qamar, AM, Ullah, F., 2021. Rilevamento delle malattie delle piante basato su immagini: dal classico apprendimento automatico al percorso di deep learning. Comunicazione senza fili. Informatica mobile. 2021, 1–13.
Khan, S., Tufail, M., Khan, MT, Khan, ZA, Iqbal, J., Alam, M., Le, KNQ, 2021. Un nuovo quadro semi-supervisionato per la classificazione delle colture/infestanti basata su UAV. PLoS ONE 16 (5), e0251008.
Khanal, S., Fulton, J., Shearer, S., 2017. Una panoramica delle applicazioni attuali e potenziali del telerilevamento termico nell'agricoltura di precisione. Calcola. Elettrone.
Agricolo. 139, 22–32. https://doi.org/10.1016/j.compag.2017.05.001.
Khanna, A., Kaur, S., 2019. Evoluzione dell'Internet delle cose (IoT) e suo impatto significativo nel campo dell'agricoltura di precisione. Calcola. Elettrone. Agricolo. 157, 218–231.
Kim, W., Khan, GF, Wood, J., Mahmood, MT, 2016. Coinvolgimento dei dipendenti per organizzazioni sostenibili: analisi delle parole chiave utilizzando l'analisi dei social network e burst
approccio di rilevamento. Sostenibilità 8(7), 631.
Kirsch, M., Lorenz, S., Zimmermann, R., Tusa, L., Mockel, ¨ R., Hodl, ¨ P., Booysen, R., Khodadadzadeh, M., Gloaguen, R., 2018. Integrazione terrestri e da droni
metodi di rilevamento iperspettrale e fotogrammetrico per la mappatura esplorativa e il monitoraggio minerario. Telerilevamento 10 (9), 1366. https://doi.org/10.3390/
rs10091366.
Kitano, BT, Mendes, CCT, Geus, AR, Oliveira, HC, Souza, JR, 2019. Conteggio delle piante di mais mediante deep learning e immagini UAV. IEEE Geosci. Telesens. Lett. 1–5 https://doi.org/10.1109/LGRS.2019.2930549.
Koh, JCO, Spangenberg, G., Kant, S., 2021. Apprendimento automatico automatizzato per la fenotipizzazione delle piante basata su immagini ad alto rendimento. Telerilevamento 13 (5), 858. https://
doi.org/10.3390/rs13050858.
Kovalev, IV, Voroshilova, AA, 2020. Moderne tendenze tecnologiche nello sviluppo dell'ecosistema degli UAV cargo. J. fisico. Conf. Ser. 1515(5), 052068 https://doi. org/10.1088/1742-6596/1515/5/052068.
Krul, S., Pantos, C., Frangulea, M., Valente, J., 2021. Visual SLAM per allevamento indoor e allevamento utilizzando un piccolo drone con una telecamera monoculare: uno studio di fattibilità.
Droni 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. Indagine sui droni per l'automazione dell'agricoltura dalla semina a
raccolto. In: INES 2018 – 22a conferenza internazionale IEEE sui sistemi di ingegneria intelligente, pp. 000353–358. https://doi.org/10.1109/INES.2018.8523943.
Lagkas, T., Argyriou, V., Bibi, S., Sarigiannidis, P., 2018. Viste e sfide del quadro UAV IoT: verso la protezione dei droni come "Cose". Sensori 18 (11), 4015. https://doi.org/10.3390/s18114015.
Laliberte, AS, Rango, A., 2011. Procedure di elaborazione e classificazione delle immagini per l'analisi di immagini sub-decimetriche acquisite con un aereo senza pilota su terreni aridi
pascoli. GISci. Sensibilità remota 48 (1), 4–23. https://doi.org/10.2747/1548-1603.48.1.4.
Laliberte, AS, Rango, A., Herrick, JE, 2007. Veicoli aerei senza pilota per la mappatura e il monitoraggio dei pascoli: un confronto tra due sistemi. Atti della conferenza annuale ASPRS.
Lam, OHY, Dogotari, M., Prüm, M., Vithlani, HN, Roers, C., Melville, B., Zimmer, F., Becker, R., 2021. Un flusso di lavoro open source per la mappatura delle infestanti nelle praterie autoctone
utilizzando un veicolo aereo senza pilota: utilizzo del Rumex obtusifolius come caso di studio. Euro. J.Remote Sens. 54 (sup1), 71–88. https://doi.org/10.1080/22797254.2020.1793687.
Lambert, DM, Lowenberg-DeBoer, J., Griffin, TW, Peone, J., Payne, T., Daberkow, SG, 2004. Adozione, redditività e utilizzo migliore dei dati dell'agricoltura di precisione.
Foglio di lavoro. Università di Purdue. https://doi.org/10.22004/ag.econ.28615.
Lelong, CCD, Burger, P., Jubelin, G., Roux, B., Labb´e, S., Baret, F., 2008. Valutazione delle immagini dei veicoli aerei senza pilota per il monitoraggio quantitativo del raccolto di grano in piccoli appezzamenti. Sensori 8 (5), 3557–3585. https://doi.org/10.3390/s8053557.
Li, C., Niu, B., 2020. Progettazione di un'agricoltura intelligente basata su big data e Internet delle cose. interno J. Distrib. Rete Sens. 16(5)ttps://doi.org/10.1177/1550147720917065.
Li, W., Niu, Z., Chen, H., Li, D., Wu, M., Zhao, W., 2016. Stima remota dell'altezza della chioma e della biomassa fuori terra del mais utilizzando immagini stereo ad alta risoluzione da un sistema di veicoli aerei senza pilota a basso costo. Eco. Ind. 67, 637–648. https://doi.org/10.1016/j.ecolind.2016.03.036.
Liakos, KG, Busato, P., Moshou, D., Pearson, S., Bochtis, D., 2018. Apprendimento automatico in agricoltura: una revisione. Sensori 18 (8), 2674.
Liebisch, F., Kirchgessner, N., Schneider, D., Walter, A., Hund, A., 2015. Fenotipizzazione aerea remota dei tratti del mais con un approccio multisensore mobile. Metodi vegetali 11 (1), 9. https://doi.org/10.1186/s13007-015-0048-8.
Lin, Z., Guo, W., 2020. Rilevamento e conteggio delle pannocchie di sorgo utilizzando immagini di sistemi aerei senza pilota e apprendimento profondo. Davanti. Scienza delle piante. 11.
Liu, S., Guo, L., Webb, H., Ya, X., Chang, X., 2019. Sistema di monitoraggio dell'Internet delle cose della moderna eco-agricoltura basato sul cloud computing. Accesso IEEE 7, 37050–37058.
Lopez-Granados, ´ F., 2011. Rilevamento delle infestanti per la gestione delle infestanti sito-specifiche: mappatura e approcci in tempo reale. Ricerca sull'erbaccia 51 (1), 1–11. https://doi.org/10.1111/j.1365-3180.2010.00829.x.
Lopez-Granados, ´ F., Torres-Sanchez, ´ J., De Castro, A.-I., Serrano-P´erez, A., MesasCarrascosa, F.-J., Pena, ˜ J.-M. , 2016. Monitoraggio precoce basato su oggetti di un'erbaccia in una coltura erbacea utilizzando immagini UAV ad alta risoluzione. Agron. Sostenere. Dev. 36 (4), 1–12
Lopez-Granados, ´ F., Torres-S´ anchez, J., Serrano-P´erez, A., de Castro, AI, MesasCarrascosa, F.-J., Pena, ˜ J.-M., 2016. Mappatura delle infestanti di inizio stagione nel girasole utilizzando la tecnologia UAV: variabilità delle mappe di trattamento degli erbicidi rispetto alle soglie delle infestanti. Preciso. Agricolo. 17 (2), 183–199.
Lucieer, A., Malenovský, Z., Veness, T., Wallace, L., 2014. HyperUAS – spettroscopia di imaging da un sistema aereo senza pilota multirotore. J. Campo Rob. 31(4),
571–590. https://doi.org/10.1002/rob.21508.
Lumme, J., Karjalainen, M., Kaartinen, H., Kukko, A., Hyyppa, ¨ J., Hyypp¨ a, H., Jaakkola, A., & Kleemola, J., 2008. Scansione laser terrestre di colture agricole. In JJ
Chen J. Maas H–G. (a cura di), Archivi internazionali di fotogrammetria, telerilevamento e scienze dell'informazione spaziale - Archivi ISPRS (Vol. 37, pp. 563–566).
Società internazionale di fotogrammetria e telerilevamento. 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. Una revisione della classificazione supervisionata delle immagini di copertura del suolo basata su oggetti. ISPRS J. Fotogramma. Sensibilità remota 130,
277–293. https://doi.org/10.1016/j.isprsjprs.2017.06.001.
Maes, WH, Steppe, K., 2019. Prospettive per il telerilevamento con veicoli aerei senza pilota nell'agricoltura di precisione. Tendenze Vegetali Sci. 24 (2), 152–164. https://doi.org/10.1016/j.tplants.2018.11.007.
Maimaitijiang, M., Ghulam, A., Sidike, P., Hartling, S., Maimaitiyiming, M., Peterson, K., Shavers, E., Fishman, J., Peterson, J., Kadam, S., Burken, J., Fritschi, F., 2017.
Fenotipizzazione della soia basata su un sistema aereo senza equipaggio (UAS) mediante fusione di dati multisensore e macchina per l'apprendimento estremo. ISPRS J. Fotogramma. Sensibilità remota 134, 43–58. https://doi.org/10.1016/j.isprsjprs.2017.10.011. Maimaitijiang, M., Sagan, V., Sidike, P., Daloye, AM, Erkbol, H., Fritschi, FB, 2020.
Monitoraggio delle colture mediante fusione di dati satellitari/UAV e apprendimento automatico. Rilevamento remoto 12 (9), 1357. https://doi.org/10.3390/rs12091357.
Manfreda, S., McCabe, M., Miller, P., Lucas, R., Pajuelo Madrigal, V., Mallinis, G., Ben Dor, E., Helman, D., Estes, L., Ciraolo, G ., Müllerova, ´ J., Tauro, F., de Lima, M., de
Lima, J., Maltese, A., Frances, F., Caylor, K., Kohv, M., Perks, M., Ruiz-P´erez, G., Su, Z., Vico, G., Toth , B., 2018. Sull'uso di sistemi aerei senza equipaggio per
monitoraggio ambientale. Telerilevamento 10 (4), 641.
Marinko, RA, 1998. Citazioni a riviste di studi sulle donne nelle dissertazioni, 1989 e The Serials Librarian 35 (1–2), 29–44. https://doi.org/10.1300/J123v35n01_
03
Masroor, R., Naeem, M., Ejaz, W., 2021. Gestione delle risorse nelle reti wireless assistite da UAV: una prospettiva di ottimizzazione. Rete ad hoc. 121, 102596 https://doi.org/10.1016/j.adhoc.2021.102596.
Matese, A., Di Gennaro, SF, 2018. Applicazioni pratiche di una piattaforma UAV multisensore basata su immagini multispettrali, termiche e RGB ad alta risoluzione in precisione
viticoltura. Agricoltura 8 (7), 116. https://doi.org/10.3390/agriculture8070116.
Matese, A., Di Gennaro, SF, 2021. Oltre il tradizionale indice NDVI come fattore chiave per integrare l'uso degli UAV nella viticoltura di precisione. Sci. 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 Confronto tra UAV e aerei
e piattaforme satellitari di telerilevamento per la viticoltura di precisione. Telerilevamento 7 (3), 2971–2990. https://doi.org/10.3390/rs70302971.
Mazzia, V., Comba, L., Khaliq, A., Chiaberge, M., Gay, P., 2020. Affinamento basato su UAV e apprendimento automatico di un indice di vegetazione guidato dal satellite per la precisione
agricoltura. Sensori 20 (9), 2530. https://doi.org/10.3390/s20092530.
McCain, KW, 1990. Mappatura degli autori nello spazio intellettuale: una panoramica tecnica. Marmellata. Soc. Informazioni. Sci. 41 (6), 433–443.
Meinen, BU, Robinson, DT, 2021. Modellazione dell'erosione agricola: valutazione delle stime dell'erosione su scala di campo USLE e WEPP utilizzando dati di serie temporali UAV. Ambiente. Modello. Software 137, 104962. https://doi.org/10.1016/j.envsoft.2021.104962.
Melville, B., Lucieer, A., Aryal, J., 2019. Classificazione delle comunità di praterie native di pianura utilizzando immagini iperspettrali di sistemi aerei senza pilota (UAS)
Midlands della Tasmania. Droni 3 (1), 5.
Messina, G., Modica, G., 2020. Applicazioni delle immagini termiche UAV nell'agricoltura di precisione: stato dell'arte e prospettive future della ricerca. Rilevamento remoto 12 (9), https://doi.org/10.3390/rs12091491.
Mishra, D., Luo, Z., Jiang, S., Papadopoulos, T., Dubey, R., 2017. Uno studio bibliografico sui big data: concetti, tendenze e sfide. Gestione dei processi aziendali. J.23 (3),
555-573.
Mochida, K., Saisho, D., Hirayama, T., 2015. Miglioramento delle colture utilizzando set di dati sul ciclo di vita acquisiti in condizioni di campo. Davanti. Scienza delle piante. 6 https://doi.org/10.3389/
fpls.2015.00740.
Mogili, UM.R., Deepak, BBVL, 2018. Rassegna sull'applicazione dei sistemi di droni nell'agricoltura di precisione. Procedia Comput. Sci. 133, 502–509.
Moharana, S., Dutta, S., 2016. Variabilità spaziale del contenuto di clorofilla e azoto del riso da immagini iperspettrali. ISPRS J. Fotogramma. Sensibilità remota 122, 17–29.
Muangprathub, J., Boonnam, N., Kajornkasirat, S., Lekbangpong, N., Wanichsombat, A.,
Nillaor, P., 2019. IoT e analisi dei dati agricoli per l'azienda agricola intelligente. Calcola. Elettrone. Agricolo. 156, 467–474.
Nansen, C., Elliott, N., 2016. Rilevamento remoto e profilazione della riflettanza in entomologia. Anna. Rev. Entomol. 61 (1), 139–158. https://doi.org/10.1146/annurev-ento010715-023834.
Navia, J., Mondragon, I., Patino, D., Colorado, J., 2016. Mappatura multispettrale in agricoltura: mosaico del terreno utilizzando un UAV quadricottero autonomo. interno Conf.
Sistema aereo senza pilota. (ICUAS) 2016, 1351–1358. https://doi.org/10.1109/ ICUAS.2016.7502606.
Nayyar, A., Nguyen, B.-L., Nguyen, NG, 2020. L'Internet delle cose dei droni (Iodt): visione futura dei droni intelligenti. Avv. Intel. Sist. Calcola. 1045, 563–580. https://doi.org/10.1007/978-981-15-0029-9_45.
Nebiker, S., Annen, A., Scherrer, M., Oesch, D., 2008. Un sensore multispettrale leggero per micro UAV: opportunità per il telerilevamento aereo ad altissima risoluzione. interno Arco. Fotogramma. Spat sensoriale remoto. Inf. Sci 37 (B1), 1193–1200.
Negash, L., Kim, H.-Y., Choi, H.-L., 2019. Applicazioni emergenti degli UAV in agricoltura. In: 2019 7a Conferenza Internazionale sulla Robot Intelligence Technology e
Applicazioni (RiTA), pp. 254–257. https://doi.org/10.1109/RITAPP.2019.8932853.
Nerur, SP, Rasheed, AA, Natarajan, V., 2008. La struttura intellettuale del campo della gestione strategica: un'analisi della co-citazione dell'autore. Strategia Gest. J.29 (3),
319-336.
Neupane, K., Baysal-Gurel, F., 2021. Identificazione e monitoraggio automatici delle malattie delle piante utilizzando veicoli aerei senza pilota: una revisione. Telerilevamento 13 (19), 3841. https://doi.org/10.3390/rs13193841.
Nex, F., Remondino, F., 2014. UAV per applicazioni di mappatura 3D: una recensione. Appl. Geomatica 6 (1), 1–15. https://doi.org/10.1007/s12518-013-0120-x.
Niu, H., Hollenbeck, D., Zhao, T., Wang, D., Chen, Y., 2020. Stima dell'evapotraspirazione con piccoli UAV nell'agricoltura di precisione. Sensori 20 (22), 6427. https://
doi.org/10.3390/s20226427.
Osareh, F., 1996. Bibliometria, analisi delle citazioni e analisi delle co-citazioni. Una revisione della letteratura 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, sensori ed elaborazione dati nell'agroforestazione: una revisione verso le applicazioni pratiche. interno J. Sensibilità remota 38 (8–10), 2349–2391. https://doi.org/10.1080/01431161.2017.1297548.
Panday, Stati Uniti, Pratihast, AK, Aryal, J., Kayastha, RB, 2020. Una revisione delle soluzioni dati basate su droni per le colture di cereali. Droni 4 (3), 1–29. https://doi.org/10.3390/
droni4030041.
Parsaeian, M., Shahabi, M., Hassanpour, H., 2020. Stima del contenuto di olio e proteine dei semi di sesamo utilizzando l'elaborazione delle immagini e la rete neurale artificiale. Marmellata. Olio
Soc. Chimici 97 (7), 691–702.
Pena, ˜ JM, Torres-S´anchez, J., de Castro, AI, Kelly, M., Lopez-Granados, ´ F., Suarez, O., Mappatura delle infestanti nei campi di mais di inizio stagione utilizzando l'analisi basata sugli oggetti Di
Immagini di veicoli aerei senza equipaggio (UAV). PLoS UNO 8 (10), e77151.
P´erez-Ortiz, M., Pena, ˜ JM, Guti´errez, PA, Torres-S´ anchez, J., Herv´ as-Martínez, C.,
Lopez-Granados, ´ F., 2015. Un sistema semi-supervisionato per la mappatura delle infestanti nelle colture di girasole utilizzando veicoli aerei senza pilota e un metodo di rilevamento delle file di colture. Appl. Calcolo morbido. J. 37, 533–544. https://doi.org/10.1016/j.asoc.2015.08.027.
Pincheira, M., Vecchio, M., Giaffreda, R., Kanhere, SS, 2021. Dispositivi IoT economici come fonti di dati affidabili per un sistema di gestione dell'acqua basato su blockchain nell'agricoltura di precisione. Calcola. Elettrone. Agricolo. 180, 105889.
Popescu, D., Stoican, F., Stamatescu, G., Ichim, L., Dragana, C., 2020. Sistema avanzato UAV-WSN per il monitoraggio intelligente nell'agricoltura di precisione. Sensori 20 (3), https://doi.org/10.3390/s20030817.
Pournader, M., Shi, Y., Seuring, S., Koh, SL, 2020. Applicazioni blockchain nelle catene di approvvigionamento, trasporti e logistica: una revisione sistematica della letteratura. interno J. Prod. Ris. 58 (7), 2063–2081.
Primicerio, J., Di Gennaro, SF, Fiorillo, E., Genesio, L., Lugato, E., Matese, A., Vaccari, FP, 2012. Un veicolo aereo senza pilota flessibile per l'agricoltura di precisione.
Preciso. Agricolo. 13 (4), 517–523. https://doi.org/10.1007/s11119-012-9257-6.
Pritchard, A., 1969. Bibliografia statistica o bibliometria. J. Documento. 25 (4), 348–349.
Pudelko, R., Stuczynski, T., Borzecka-Walker, M., 2012. L'idoneità di un veicolo aereo senza equipaggio (UAV) per la valutazione di campi e colture sperimentali. Agricoltura 99 (4), 431–436.
Puri, V., Nayyar, A., Raja, L., 2017. Droni agricoli: una svolta moderna nell’agricoltura di precisione. J. Statis. Gest. Sist. 20 (4), 507–518.
Radoglou-Grammatikis, P., Sarigiannidis, P., Lagkas, T., Moscholios, I., 2020. Una raccolta di applicazioni UAV per l'agricoltura di precisione. Calcola. Rete 172,
107148 https://doi.org/10.1016/j.comnet.2020.107148.
Ramesh, KV, Rakesh, V., Prakasa Rao, EVS, 2020. Applicazione dell'analisi dei big data e dell'intelligenza artificiale nella ricerca agronomica. Indiano J. Agron. 65 (4), 383–395.
Raparelli, E., Bajocco, S., 2019. Un'analisi bibliometrica sull'uso dei veicoli aerei senza pilota negli studi agricoli e forestali. interno J. Sensore remoto 40 (24),
9070–9083. https://doi.org/10.1080/01431161.2019.1569793.
Rasmussen, J., Nielsen, J., Garcia-Ruiz, F., Christensen, S., Streibig, JC, Lotz, B., 2013.
Potenziali usi di piccoli sistemi aerei senza pilota (UAS) nella ricerca sulle infestanti. Ricerca sull'erbaccia 53 (4), 242–248.
Rasmussen, J., Ntakos, G., Nielsen, J., Svensgaard, J., Poulsen, RN, Christensen, S., Sono indici di vegetazione derivati da fotocamere di livello consumer montate su
UAV sufficientemente affidabili per valutare i terreni sperimentali? Euro. J. Agron. 74, 75–92. https://doi.org/10.1016/j.eja.2015.11.026.
Rejeb, A., Rejeb, K., Abdollahi, A., Zailani, S., Iranmanesh, M., Ghobakhloo, M., 2022. Digitalizzazione nelle catene di approvvigionamento alimentare: una revisione bibliometrica e un percorso principale
analisi. Sostenibilità 14(1), 83. https://doi.org/10.3390/su14010083.
Rejeb A., Rejeb K., Simske SJ, Treiblmaier H., 2021a. Droni per la gestione della supply chain e della logistica: un programma di revisione e ricerca. interno J. Logista. Ris. Appl.
1–24. https://doi.org/10.1080/13675567.2021.1981273.
Rejeb A., Rejeb K., Simske S., Treiblmaier H., 2021b. Tecnologie blockchain nella logistica e nella gestione della supply chain: una revisione bibliometrica. Logistica 5 (4), 72.
https://doi.org/10.3390/logistics5040072.
Rejeb A., Rejeb K., Simske S., Treiblmaier H., 2021c. Droni umanitari: un programma di revisione e ricerca. Internet delle cose 16, 100434. https://doi.org/10.1016/j.
iot.2021.100434.
Rejeb, A., Treiblmaier, H., Rejeb, K., Zailani, S., 2021d. Ricerca blockchain nel settore sanitario: una revisione bibliometrica e le attuali tendenze della ricerca. J. di Dati, Inf. E
Gest. 3 (2), 109–124.
Rejeb, A., Simske, S., Rejeb, K., Treiblmaier, H., Zailani, S., 2020. Ricerca sull'Internet delle cose nella gestione della supply chain e nella logistica: un'analisi bibliometrica. Internet
delle cose 12, 100318.
ReportLinker, 2021. Il mercato globale dei droni agricoli raggiungerà i 15.2 miliardi di dollari entro l'annoGlobeNewswire News Room. https://www.globenewswire.com/news-release/2021/08/10/2277986/0/en/Global-Agriculture-Drones-Market-to-Reach-US-15-2-Billion-by-the- Anno-2027.html.
Ribeiro-Gomes, K., Hernandez-L ´ opez, ´ D., Ortega, JF, Ballesteros, R., Poblete, T.,Moreno, MA, 2017. Calibrazione della termocamera non raffreddata e ottimizzazione del
processo di fotogrammetria per applicazioni UAV in agricoltura. Sensori (Svizzera) 17 (10). https://doi.org/10.3390/s17102173.
Rivera, MA, Pizam, A., 2015. Progressi nella ricerca sull'ospitalità: "Da Rodney Dangerfield ad Aretha Franklin". interno J. Contemporaneo. Ospedale. Gest. 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. Sistema sensoriale basato su mini-UAV per la misurazione delle variabili ambientali nelle serre. Sensori 15 (2), 3334–3350. https://doi.org/10.3390/s150203334.
Rozenberg, G., Kent, R., Blank, L., 2021. UAV di livello consumer utilizzato per rilevare e analizzare i modelli di distribuzione spaziale delle erbe infestanti di fine stagione nei campi di cipolle commerciali. Preciso. Agricolo. 22 (4), 1317–1332. https://doi.org/10.1007/s11119-021-09786-y.
Saari, H., Pellikka, I., Pesonen, L., Tuominen, S., Heikkila, ¨ J., Holmlund, C., Makynen, ¨ J., Ojala, K., Antila, T., 2011. Senza equipaggio Sistema di telecamere spettrali gestito da veicoli aerei (UAV) per applicazioni forestali e agricole. Procedere. SPIE – Int. Soc. Optare. L'Ing. 8174 https://doi.org/10.1117/12.897585.
Sah, B., Gupta, R., Bani-Hani, D., 2021. Analisi delle barriere per implementare la logistica dei droni. interno J. Logista. Ris. Appl. 24 (6), 531–550. https://doi.org/10.1080/
13675567.2020.1782862
Saha, AK, Saha, J., Ray, R., Sircar, S., Dutta, S., Chattopadhyay, SP e Saha, HN, drone basato su IOT per il miglioramento della qualità delle colture in campo agricolo. In SH
N. Chakrabarti S. (a cura di), 2018° seminario e conferenza annuale sull'informatica e la comunicazione dell'IEEE 8, CCWC 2018 (vols. 2018-gennaio, pp. 612–615). Istituto
of Electrical and Electronics Engineers Inc. doi: 10.1109/CCWC.2018.8301662.
Sai Vineeth, KV, Vara Prasad, YR, Dubey, SR, Venkataraman, H., 2019. LEDCOM: una comunicazione nuova ed efficiente basata su LED per l'agricoltura di precisione. Conf. IEEE Informazioni. Comune. Tecnologia. 2019, 1–5. https://doi.org/10.1109/CICT48419.2019.9066177.
Salamí, E., Barrado, C., Pastor, E., 2014. Esperimenti di volo con UAV applicati al telerilevamento di aree vegetate. Telerilevamento 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.
Sistemi di imaging aereo a bassa quota e ad alta risoluzione per la fenotipizzazione delle colture in filari e in campo: una revisione. Euro. J. Agron. 70, 112–123. https://doi.org/10.1016/j.
eja.2015.07.004.
Santesteban, LG, Di Gennaro, SF, Herrero-Langreo, A., Miranda, C., Royo, JB, Matese, A., 2017. Imaging termico ad alta risoluzione basato su UAV per stimare la
variabilità istantanea e stagionale dello stato idrico delle piante all'interno di un vigneto. Agricolo. Gestione dell'acqua 183, 49–59. https://doi.org/10.1016/j.agwat.2016.08.026.
Sarli, CC, Dubinsky, EK, Holmes, KL, 2010. Oltre l'analisi delle citazioni: un modello per la valutazione dell'impatto della ricerca. J.Med. Biblioteca Assoc. : JMLA 98 (1), 17–23. https://doi.org/10.3163/1536-5050.98.1.008.
Schaepman, ME, Ustin, SL, Plaza, AJ, Painter, TH, Verrelst, J., Liang, S., 2009. Spettroscopia di imaging correlata alla scienza del sistema terrestre: una valutazione. Ambiente rilevamento remoto 113, S123–S137.
Schirrmann, M., Giebel, A., Gleiniger, F., Pflanz, M., Lentschke, J., Dammer, K.-H., 2016. Monitoraggio dei parametri agronomici delle colture di grano invernale con UAV a basso costo
immagini. Telerilevamento 8 (9). https://doi.org/10.3390/rs8090706.
Schmale III, DG, Dingus, BR, Reinholtz, C., 2008. Sviluppo e applicazione di un veicolo aereo senza equipaggio autonomo per un campionamento aerobiologico preciso sopra
campi agricoli. J. Campo Rob. 25 (3), 133–147. https://doi.org/10.1002/rob.20232.
Shadrin, D., Menshchikov, A., Somov, A., Bornemann, G., Hauslage, J., Fedorov, M.,
Abilitare l’agricoltura di precisione attraverso il rilevamento integrato con intelligenza artificiale. IEEE Trans. Strumento. Mis. 69 (7), 4103–4113.
Shakhatreh, H., Sawalmeh, AH, Al-Fuqaha, A., Dou, Z., Almaita, E., Khalil, I.,
Othman, NS, Khreishah, A., Guizani, M., 2019. Veicoli aerei senza equipaggio (UAV): un'indagine sulle applicazioni civili e sulle principali sfide della ricerca. Accesso IEEE 7,
48572–48634. https://doi.org/10.1109/ACCESS.2019.2909530.
Shakoor, N., Northrup, D., Murray, S., Mockler, TC, 2019. Agricoltura basata sui big data: analisi dei big data nella selezione vegetale, nella genomica e nell'uso del telerilevamento
tecnologie per migliorare la produttività delle colture. Fenomeno vegetale J. 2 (1), 1–8.
Sharma, BK, Chandra, G., Mishra, VP, 2019. Analisi comparativa e implicazione di UAV e AI nelle indagini forensi. In: Atti – 2019 Amity International
Convegno sull'intelligenza artificiale. https://doi.org/10.1109/AICAI.2019.8701407.
Sharma, R., Shishodia, A., Gunasekaran, A., Min, H., Munim, ZH, 2022. Il ruolo dell'intelligenza artificiale nella gestione della catena di fornitura: mappatura del territorio. interno J.
prod. Ris. 1–24. https://doi.org/10.1080/00207543.2022.2029611.
Shi, Y., Thomasson, JA, Murray, SC, Pugh, NA, Rooney, WL, Shafian, S., Rajan, N., Rouze, G., Morgan, CLS, Neely, HL, Rana, A., Bagavathiannan , MV,
Henrickson, J., Bowden, E., Valasek, J., Olsenholler, J., Bishop, MP, Sheridan, R., Putman, EB, Popescu, S., Burks, T., Cope, D., Ibrahim, A., McCutchen, BF,
Baltensperger, DD, Avant, RV, Vidrine, M., Yang, C., Zhang, J., 2016. Veicoli aerei senza pilota per la fenotipizzazione ad alto rendimento e la ricerca agronomica. PLoS UNO
11(7), e0159781.
Shuai, G., Martinez-Feria, RA, Zhang, J., Li, S., Price, R., Basso, B., 2019. Catturare l'eterogeneità dei popolamenti di mais nelle zone con stabilità della resa utilizzando l'antenna senza pilota
Veicoli (UAV). Sensori 19 (20), 4446. https://doi.org/10.3390/s19204446.
Small, H., 1973. La co-citazione nella letteratura scientifica: una nuova misura del rapporto tra due documenti. Marmellata. Soc. Informazioni. Sci. 24 (4), 265–269.
Small, H., Rorvig, ME, Lunin, LF, 1999. Visualizzare la scienza mediante la mappatura delle citazioni. Marmellata. Soc. Informazioni. Sci. 50 (9), 799–813.
Soares, VHA, Ponti, MA, Gonçalves, RA, Campello, RJGB, 2021. Conteggio del bestiame allo stato brado con immagini aeree geolocalizzate in ampie aree di pascolo. Calcola. Elettrone. Agricolo. 189, 106354 https://doi.org/10.1016/j.compag.2021.106354.
Srivastava, K., Pandey, PC, Sharma, JK, 2020. Un approccio per l'ottimizzazione del percorso nelle applicazioni di agricoltura di precisione che utilizzano UAV. Droni 4 (3), 58. https://doi.org/10.3390/drones4030058.
Stafford, JV, 2000. Implementazione dell'agricoltura di precisione nel 21° secolo. J. Agric. L'Ing. Ris. 76 (3), 267–275.
Su, J., Coombes, M., Liu, C., Guo, L., Chen, W.-H., 2018. Valutazione della siccità del grano mediante immagini di telerilevamento utilizzando veicoli aerei senza pilota. Nel 2018 si terrà la 37a Conferenza Cinese sul Controllo (CCC).
Su, J., Liu, C., Coombes, M., Hu, X., Wang, C., Xu, X., Li, Q., Guo, L., Chen, W.-H., 2018. Monitoraggio della ruggine gialla del grano imparando da immagini aeree UAV multispettrali.
Calcola. Elettrone. Agricolo. 155, 157–166. https://doi.org/10.1016/j. compag.2018.10.017.
Su, Y., Wang, X., 2021. Innovazione della gestione economica agricola nel processo di costruzione di un'agricoltura intelligente mediante big data. Informatica sostenibile. Inf. Sist. 31, 100579 https://doi.org/10.1016/j.suscom.2021.100579.
Sullivan, DG, Fulton, JP, Shaw, JN, Bland, GL, 2007. Valutazione della sensibilità di un sistema aereo a infrarossi termici senza pilota per rilevare lo stress idrico in una tettoia di cotone. Trans. ASABE 50 (6), 1955–1962.
Sumesh, KC, Ninsawat, S., Som-ard, J., 2021. Integrazione dell'indice di vegetazione basato su RGB, del modello della superficie del raccolto e dell'approccio di analisi delle immagini basato su oggetti per la stima della resa della canna da zucchero utilizzando un veicolo aereo senza pilota. Calcola. Elettrone. Agricolo. 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. Un sistema di mappatura iperspettrale leggero per
veicoli aerei senza equipaggio: i primi risultati. In: 2013 5° workshop sull'elaborazione iperspettrale di immagini e segnali: evoluzione nel rilevamento remoto (WHISPERS), pp. 1–4. https://doi.org/10.1109/WHISPERS.2013.8080721.
Suomalainen, J., Anders, N., Iqbal, S., Roerink, G., Franke, J., Wenting, P., Hünniger, D., Bartholomeus, H., Becker, R., Kooistra, L., 2014. Un iperspettrale leggero
sistema di mappatura e catena di elaborazione fotogrammetrica per veicoli aerei senza pilota. Rilevamento remoto 6 (11), 11013–11030. https://doi.org/10.3390/
rs61111013.
Syeda, IH, Alam, MM, Illahi, U., Su'ud, MM, 2021. Strategie di controllo avanzate utilizzando l'elaborazione delle immagini, UAV e AI in agricoltura: una revisione. Mondo J.Ing. 18(4),
579–589. https://doi.org/10.1108/WJE-09-2020-0459.
Tahai, A., Rigsby, JT, 1998. Elaborazione delle informazioni utilizzando citazioni per indagare sull'influenza delle riviste nella contabilità. Inf. Processi. Maneggio. 34 (2–3), 341–359.
Tang, Y., Dananjayan, S., Hou, C., Guo, Q., Luo, S., He, Y., 2021. Un'indagine sulla rete 5G e il suo impatto sull'agricoltura: sfide e opportunità. Calcola.
Elettrone. Agricolo. 180, 105895 https://doi.org/10.1016/j.compag.2020.105895.
Tantalaki, N., Souravlas, S., Roumeliotis, M., 2019. Processo decisionale basato sui dati nell'agricoltura di precisione: l'aumento dei big data nei sistemi agricoli. J. Agric. Informazioni sul cibo.
20 (4), 344-380.
Tao, H., Feng, H., Xu, L., Miao, M., Yang, G., Yang, X., Fan, L., 2020. Stima della resa e dell'altezza della pianta del grano invernale utilizzando UAV- immagini iperspettrali basate.
Sensori 20 (4), 1231.
Techy, L., Schmale III, DG, Woolsey, CA, 2010. Campionamento aerobiologico coordinato di un agente patogeno vegetale nella bassa atmosfera utilizzando due veicoli aerei senza pilota autonomi. J. Campo Rob. 27 (3), 335–343. https://doi.org/10.1002/rob.20335.
Tetila, EC, Machado, BB, Astolfi, G., Belete, NAdS, Amorim, WP, Roel, AR, Pistori, H., 2020. Rilevamento e classificazione dei parassiti della soia utilizzando il deep learning
con immagini UAV. Calcola. Elettrone. Agricolo. 179, 105836.
Thamm, H.-P., Menz, G., Becker, M., Kuria, DN, Misana, S., Kohn, D., 2013. L'uso di Uas per valutare i sistemi agricoli in una zona umida in Tanzania nel— E WetSeason per l'agricoltura sostenibile e Fornire verità sul terreno per i dati Terra-Sar X. In: ISPRS – Archivi Internazionali delle Scienze della Fotogrammetria, del Telerilevamento e dell'Informazione Spaziale, pp. 401–406. https://doi.org/10.5194/isprsarchivesXL-1-W2-401-2013.
Thelwall, M., 2008. Dalla bibliometria alla webometrics. J. Informazioni. Sci. 34 (4), 605–621.
Torres-Sanchez, ´ J., Lopez-Granados, ´ F., Pena, ˜ JM, 2015. Un metodo automatico basato su oggetti per la soglia ottimale nelle immagini UAV: applicazione per il rilevamento della vegetazione nelle colture erbacee. Calcola. Elettrone. Agricolo. 114, 43–52. https://doi.org/10.1016/j.compag.2015.03.019.
Torres-Sanchez, ´ J., Lopez-Granados, ´ F., Serrano, N., Arquero, O., Pena, ˜ JM, Hassan, QK, 2015. Monitoraggio 3D ad alto rendimento di piantagioni di alberi agricoli con Tecnologia dei veicoli aerei senza equipaggio (UAV). PLoS ONE 10 (6), e0130479.
Torres-Sanchez, ´ J., Pena, ˜ JM, de Castro, AI, Lopez-Granados, ´ F., 2014. Mappatura multitemporale della frazione di vegetazione nei campi di grano di inizio stagione utilizzando immagini provenienti da UAV. Calcola. Elettrone. Agricolo. 103, 104–113. https://doi.org/10.1016/j. compag.2014.02.009.
Tsouros, DC, Bibi, S., Sarigiannidis, PG, 2019. Una revisione delle applicazioni basate su UAV per l'agricoltura di precisione. Informazione (Svizzera) 10 (11). https://doi.org/10.3390/info10110349.
Tu, Y.-H., Phinn, S., Johansen, K., Robson, A., Wu, D., 2020. Ottimizzazione della pianificazione del volo dei droni per misurare la struttura delle colture arboree orticole. ISPRS J. Fotogramma.
Sensibilità remota 160, 83–96. https://doi.org/10.1016/j.isprsjprs.2019.12.006
Tzounis, A., Katsoulas, N., Bartzanas, T., Kittas, C., 2017. Internet of Things in agricoltura, recenti progressi e sfide future. Biosistemi. L'Ing. 164, 31–48.
https://doi.org/10.1016/j.biosystemseng.2017.09.007.
Uddin, A., Singh, VK, Pinto, D., Olmos, I., 2015. Mappatura scientometrica della ricerca informatica in Messico. Scientometrics 105 (1), 97–114.
UN., 2019. Prospettive della popolazione mondiale 2019. https://population.un.org/wpp/ (accesso effettuato il 15/04/2022).
Uto, K., Seki, H., Saito, G., Kosugi, Y., 2013. Caratterizzazione delle risaie mediante un sistema di sensori iperspettrali in miniatura montato su UAV. IEEE J.Sel. Superiore. Appl. Osservazione della Terra.
Sensibilità remota 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. Droni in
agricoltura. Avv. Agron. 162, 1–30.
Velusamy, P., Rajendran, S., Mahendran, RK, Naseer, S., Shafiq, M., Choi, J.-G., 2022.
Veicoli aerei senza pilota (UAV) nell'agricoltura di precisione: applicazioni e sfide. Energie 15 (1), 217. https://doi.org/10.3390/en15010217.
Ventura, D., Bonifazi, A., Gravina, MF, Belluscio, A., Ardizzone, G., 2018. Mappatura e classificazione di habitat marini ecologicamente sensibili mediante tecnologia Unmanned Aerial
Immagini di veicoli (UAV) e analisi di immagini basate su oggetti (OBIA). Rilevamento remoto 10 (9), 1331. https://doi.org/10.3390/rs10091331.
Verger, A., Vigneau, N., Ch´eron, C., Gilliot, J.-M., Comar, A., Baret, F., 2014. Indice dell'area verde da un sistema aereo senza equipaggio su colture di grano e colza . Ambiente rilevamento remoto 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. Distribuzione di quattro sensori ottici basati su UAV sui pascoli: sfide e
limitazioni. Biogeoscienze 12 (1), 163–175. https://doi.org/10.5194/bg-12-163-2015.
Vuran, MC, Salam, A., Wong, R., Irmak, S., 2018. Internet delle cose sotterranee nell'agricoltura di precisione: aspetti architettonici e tecnologici. Rete ad hoc. 81,
160–173. https://doi.org/10.1016/j.adhoc.2018.07.017.
Wamba, SF, Queiroz, MM, 2021. Intelligenza artificiale responsabile come ingrediente segreto per la salute digitale: analisi bibliometrica, approfondimenti e direzioni di ricerca.
Informazioni. Sist. Davanti. 1–16.
Wang, L., Zhang, G., Wang, Z., Liu, J., Shang, J., Liang, L., 2019. Analisi bibliometrica dell'andamento della ricerca di telerilevamento nel monitoraggio della crescita delle colture: un caso di studio in Cina. Telerilevamento 11 (7). https://doi.org/10.3390/rs11070809.
White, HD, Griffith, BC, 1981. Cocitazione dell'autore: una misura letteraria della struttura intellettuale. Marmellata. Soc. Informazioni. Sci. 32 (3), 163–171.
Xiang, H., Tian, L., 2011. Sviluppo di un sistema di telerilevamento agricolo a basso costo basato su un veicolo aereo senza pilota autonomo (UAV). Biosistemi. L'Ing. 108 (2), 174–190. https://doi.org/10.1016/j.biosystemseng.2010.11.010.
Xie, C., Yang, C., 2020. Una revisione sui tratti fenotipici ad alto rendimento delle piante utilizzando sensori basati su UAV. Calcola. Elettrone. Agricolo. 178, 105731 https://doi.org/10.1016/j.
compag.2020.105731.
Yao, H., Qin, R., Chen, X., 2019. Veicolo aereo senza pilota per applicazioni di telerilevamento: una revisione. Telerilevamento 11 (12). https://doi.org/10.3390/
rs11121443.
Yeom, S., 2021. Tracciamento delle persone in movimento e rimozione delle false tracce con la termografia a infrarossi mediante un multirotore. Droni 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. Confronto della stima dei parametri delle colture utilizzando le immagini da UAV montato
sensore iperspettrale per istantanee e fotocamera digitale ad alta definizione. Rilevamento remoto 10 (7), 1138. https://doi.org/10.3390/rs10071138.
Yue, J., Yang, G., Li, C., Li, Z., Wang, Y., Feng, H., Xu, B., 2017. Stima della biomassa fuori terra del grano invernale utilizzando veicoli aerei senza equipaggio - istantanea basata
sensore iperspettrale e modelli migliorati di altezza del raccolto. Telerilevamento 9 (7). https://doi.org/10.3390/rs9070708.
Zahawi, RA, Dandois, JP, Holl, KD, Nadwodny, D., Reid, JL, Ellis, EC, 2015. Utilizzo di veicoli aerei senza pilota leggeri per monitorare il recupero della foresta tropicale. Biol.
Conserva. 186, 287–295. https://doi.org/10.1016/j.biocon.2015.03.031. Zamora-Izquierdo, MA, Santa, J., Martínez, JA, Martínez, V., Skarmeta, AF, 2019.
Piattaforma IoT per l'agricoltura intelligente basata sull'edge e sul cloud computing. Biosistemi. L'Ing. 177,
4-17.
Zarco-Tejada, PJ, Diaz-Varela, R., Angileri, V., Loudjani, P., 2014. Quantificazione dell'altezza degli alberi utilizzando immagini ad altissima risoluzione acquisite da un'antenna senza pilota
veicolo (UAV) e metodi di fotoricostruzione automatica 3D. Euro. J. Agron. 55, 89–99. https://doi.org/10.1016/j.eja.2014.01.004.
Zhang, C., Craine, WA, McGee, RJ, Vandemark, GJ, Davis, JB, Brown, J., Hulbert, SH, Sankaran, S., 2020. Fenotipizzazione basata su immagini dell'intensità della fioritura nelle colture della stagione fredda. Sensori 20 (5), 1450. https://doi.org/10.3390/s20051450.
Zhang, C., Kovacs, JM, 2012. L'applicazione di piccoli sistemi aerei senza pilota per l'agricoltura di precisione: una revisione. Preciso. Agricolo. 13 (6), 693–712. https://doi.org/
10.1007/s11119-012-9274-5.
Zhang, L., Zhang, H., Niu, Y., Han, W., 2019. Mappatura dello stress idrico del mais basata sul telerilevamento multispettrale UAV. Telerilevamento 11 (6), 605.
Zhang, X., Han, L., Dong, Y., Shi, Y., Huang, W., Han, L., Gonz´ alez-Moreno, P., Ma, H., Ye, H., Sobeih , T., 2019. Un approccio basato sul deep learning per la ruggine gialla automatizzata
rilevamento di malattie da immagini UAV iperspettrali ad alta risoluzione. Telerilevamento 11 (13), 1554.
Zhao, X., Zhang, J., Huang, Y., Tian, Y., Yuan, L., 2022. Rilevazione e discriminazione delle malattie e dello stress degli insetti delle piante di tè utilizzando l'imaging iperspettrale combinato con l'analisi wavelet. Calcola. Elettrone. Agricolo. 193, 106717 https://doi.org/10.1016/j. compag.2022.106717.
Zheng, A., Wang, M., Li, C., Tang, J., Luo, B., 2022. Adattamento del dominio antagonista guidato dall'entropia per la segmentazione semantica dell'immagine aerea. IEEE Trans. G
Zheng, H., Cheng, T., Yao, X., Deng, X., Tian, Y., Cao, W., Zhu, Y., 2016. Rilevazione della fenologia del riso attraverso l'analisi di serie temporali di spettri terrestri dati dell'indice. Ris. colture erbacee 198, 131–139. https://doi.org/10.1016/j.fcr.2016.08.027.
Zheng, J., Yang, W., 2018. Progettazione di un sistema di semina a perdita per l'agricoltura di precisione basato su sensori wireless. interno J. In linea ing. 14(05), 184.
Zhou, L., Gu, X., Cheng, S., Yang, G., Shu, M., Sun, Q., 2020. Analisi delle variazioni di altezza delle piante di mais allettato utilizzando dati UAV-LiDAR. Agricoltura 10(5), 146. https://
doi.org/10.3390/agriculture10050146.
Zhou, S., Chai, X., Yang, Z., Wang, H., Yang, C., Sun, T., 2021. Maize-IAS: un software di analisi delle immagini del mais che utilizza il deep learning per la fenotipizzazione delle piante ad alto rendimento . Metodi vegetali 17 (1), 48. https://doi.org/10.1186/s13007-021-00747-0.
Zhou, X., Zheng, HB, Xu, XQ, He, JY, Ge, XK, Yao, X., Cheng, T., Zhu, Y., Cao, WX, Tian, YC, 2017. Previsione della resa del grano in riso utilizzando la vegetazione multitemporale
indici da immagini multispettrali e digitali basate su UAV. ISPRS J. Fotogramma. Sensibilità remota 130, 246–255. https://doi.org/10.1016/j.isprsjprs.2017.05.003.
Zhou, Y., Xie, Y., Shao, L., 2016. Simulazione della tecnologia di base di un sistema di monitoraggio delle serre basato su una rete di sensori wireless. interno J. In linea ing. 12 (05),
43
Zhou, Z., Majeed, Y., Diverres Naranjo, G., Gambacorta, EMT, 2021. Valutazione dello stress idrico delle colture con immagini termiche a infrarossi nell'agricoltura di precisione: una revisione
e prospettive future per le applicazioni di deep learning. Calcola. Elettrone. Agricolo. 182, 106019 https://doi.org/10.1016/j.compag.2021.106019.