Abderahman Rejeb a , Alireza Abdollahi b , Karim Rejeb c , Horst Treiblmaier d,
- a Departamento de Xestión e Dereito, Facultade de Ciencias Económicas, Universidade de Roma Tor Vergata, Via Columbia, 2, Roma 00133, Italia
- b Departamento de Administración de Empresas, Facultade de Xestión, Universidade de Kharazmi, 1599964511 Teherán, Irán
- c Facultade de Ciencias de Bizerte, Universidade de Cartago, Zarzouna, 7021 Bizerte, Tunisia
- d School of International Management, Modul University Vienna, Am Kahlenberg 1, 1190 Viena, Austria
INFORMACIÓN DO ARTIGO | RESUMO |
Palabras clave: Drones UAV Agricultura de precisión Internet das Cousas Bibliometría | Os drons, tamén chamados vehículos aéreos non tripulados (UAV), foron testemuñas dun notable desenvolvemento nas últimas décadas. Na agricultura, cambiaron as prácticas agrícolas ofrecendo aos agricultores un aforro de custos substancial, aumentado eficiencia operativa e mellor rendibilidade. Durante as últimas décadas, o tema dos drones agrícolas ten atraeu notable atención académica. Por iso, realizamos unha revisión exhaustiva baseada na bibliometría para resumir e estruturar a literatura académica existente e revelar as tendencias e os puntos de investigación actuais. Nós aplicar técnicas bibliométricas e analizar a literatura arredor dos drones agrícolas para resumir e avaliar investigacións anteriores. A nosa análise indica que a teledetección, a agricultura de precisión, a aprendizaxe profunda, a aprendizaxe automática e a Internet das cousas son temas críticos relacionados cos drones agrícolas. A cocitación A análise revela seis grandes grupos de investigación na literatura. Este estudo é un dos primeiros intentos de resumir a investigación de drons na agricultura e suxerir direccións futuras de investigación. |
introdución
A agricultura representa a principal fonte de alimento do mundo (Friha et al., 2021) e está a enfrontarse a graves desafíos debido á
crecente demanda de produtos alimentarios, seguridade alimentaria e preocupacións de seguridade, así como as solicitudes de protección ambiental, preservación da auga e
sustentabilidade (Inoue, 2020). Prevese que este desenvolvemento continúe xa que se estima que a poboación mundial alcanzará os 9.7 millóns en 2050.
(2019). Dado que a agricultura constitúe o exemplo máis destacado do consumo de auga a nivel mundial, espérase que a demanda de alimentos e auga
o consumo aumentará drasticamente nun futuro previsible. Ademais, o aumento do consumo de fertilizantes e pesticidas
unido á intensificación das actividades agrarias podería levar a futuros retos ambientais. Do mesmo xeito, a terra cultivable é limitada, e o
número de agricultores está a diminuír en todo o mundo. Estes desafíos acentúan a necesidade de solucións agrícolas innovadoras e sostibles (Elijah
et al., 2018; Friha et al., 2021; Inoue, 2020; Tzounis et al., 2017).
A incorporación de novas tecnoloxías identificouse como unha solución prometedora para afrontar estes desafíos. Agricultura intelixente (Brewster et al.,
2017; Tang et al., 2021) e a agricultura de precisión (Feng et al., 2019; Khanna e Kaur, 2019) xurdiron como resultado de tales debates. O
a primeira é unha noción xeral para adoptar tecnoloxías da información e comunicación (TIC) e outras innovacións de vangarda nas actividades agrícolas para aumentar a eficiencia e a eficacia (Haque et al., 2021). Este último céntrase na xestión específica do sitio na que se divide o terreo
partes homoxéneas e cada parte recibe a cantidade exacta de insumos agrícolas para optimizar o rendemento dos cultivos mediante novas tecnoloxías (Feng et al., 2019; Khanna e Kaur, 2019). As tecnoloxías destacadas que atraeron a atención dos estudosos neste campo inclúen as redes de sensores sen fíos (WSN) (J. Zheng & Yang, 2018; Y. Zhou et al., 2016), a Internet das cousas (IoT) (Gill et al., 2017; He et al., 2021; Liu et al., 2019),
Técnicas de intelixencia artificial (IA), incluíndo a aprendizaxe automática e a aprendizaxe profunda (Liakos et al., 2018; Parsaeian et al., 2020; Shadrin et al., XNUMX;
2019), tecnoloxías informáticas (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).
Ademais das tecnoloxías mencionadas, a teledetección foi considerada unha ferramenta tecnolóxica con alto potencial de mellora
agricultura intelixente e de precisión. Os satélites, as aeronaves con tripulación humana e os drons son tecnoloxías populares de teledetección (Tsouros et al., 2019).
Os drones, coñecidos popularmente como vehículos aéreos non tripulados (UAV), sistemas de aeronaves non tripuladas (UAS) e avións pilotados remotamente, son dos
gran importancia xa que teñen múltiples vantaxes en comparación con outras tecnoloxías de teledetección. Por exemplo, os drones poden entregar
imaxes de alta calidade e alta resolución en días nubrados (Manfreda et al., 2018). Ademais, a súa dispoñibilidade e velocidade de transferencia constitúen outras
beneficios (Radoglou-Grammatikis et al., 2020). En comparación cos avións, os drons son altamente rendibles e fáciles de configurar e manter (Tsouros et al., 2019). A pesar de utilizarse inicialmente principalmente con fins militares, os drones poden beneficiar a numerosas aplicacións civís, por exemplo na xestión da cadea de subministración (A. Rejeb, Rejeb, et al., 2021a), con fins humanitarios (A. Rejeb, Rejeb, et al., 2021c), agricultura intelixente, topografía e cartografía, documentación do patrimonio cultural, xestión de desastres e conservación dos bosques e da vida salvaxe (Panday, Pratihast, et al., 2020). Na agricultura, existen múltiples áreas de aplicación dos drons xa que se poden integrar con novas tecnoloxías, capacidades informáticas e sensores integrados para apoiar a xestión dos cultivos (por exemplo, mapeo, seguimento, rego, diagnóstico de plantas) (H. Huang et al., 2021) , redución de desastres, sistemas de alerta temperá, conservación da vida salvaxe e forestal, por citar algúns (Negash et al., 2019). Do mesmo xeito, os drons poderían aproveitarse en varias actividades agrícolas, incluíndo o seguimento de cultivos e crecemento, a estimación do rendemento, a avaliación do estrés hídrico e a detección de malas herbas, pragas e enfermidades (Inoue, 2020; Panday, Pratihast, et al., 2020). Os drons non só poden usarse para fins de seguimento, estimación e detección en función dos seus datos sensoriais, senón tamén para o rego de precisión e o manexo de malas herbas, pragas e enfermidades con precisión. Noutras palabras, os drones son capaces de pulverizar auga e pesticidas en cantidades precisas en función dos datos ambientais. Os beneficios dos drons na agricultura resúmense na táboa 1.
Principais beneficios dos drons na agricultura.
Beneficiarse | Referencias) |
Mellorar o tempo e o espazo resolucións de detección | (Gago et al., 2015; Niu et al., 2020; Srivastava et al., 2020) |
Facilitar a agricultura de precisión | (L. Deng et al., 2018; Kalischuk et al., 2019; Maimaitijiang et al., 2017) |
Clasificación e exploración de culturas | (Inoue, 2020; Kalischuk et al., 2019; López- ´ Granados et al., 2016; Maimaitijiang et al., 2017; Melville et al., 2019; Moharana & Dutta, 2016) |
Uso de fertilizantes | (L. Deng et al., 2018; Guan et al., 2019) |
Seguimento da seca | (Fawcett et al., 2020; Panday, Pratihast, et al., 2020; Su et al., 2018) |
Estimación da biomasa | (Bendig et al., 2014) |
Estimación do rendemento | (Inoue, 2020; Panday, Shrestha, et al., 2020; Tao et al., 2020) |
Redución de desastres | (Negash et al., 2019) |
Conservación da fauna e silvicultura | (Negash et al., 2019; Panday, Pratihast, et al., 2020) |
Avaliación do estrés hídrico | (Inoue, 2020; J. Su, Coombes, et al., 2018; L. Zhang et al., 2019) |
Pragas, herbas daniñas e enfermidades detección | (Gaˇsparovi´c et al., 2020; Inoue, 2020; J. Su, Liu, et al., 2018; X. Zhang et al., 2019) |
Por outra banda, os drons tamén enfróntanse a limitacións. Participación do piloto, potencia do motor, estabilidade e fiabilidade, calidade dos sensores debido á carga útil
limitacións de peso, custos de implementación e regulación da aviación, están entre elas (C. Zhang e Kovacs, 2012). Comparamos as carencias
das tres tecnoloxías de teledetección móbil da Táboa 2. Outras tecnoloxías de teledetección, como os sensores do solo, están fóra do foco deste estudo.
Deficiencias de varias tecnoloxías de teledetección móbil.
Teledetección tecnoloxías | Escaseces | References |
Dron (UAV) | Participación do piloto; imaxes' calidade (media); custos de implantación (promedio); estabilidade, manobrabilidade e fiabilidade; normalización; potencia do motor; potencia limitada fontes (lonxevidade da batería); duración de voo limitada, colisión e ciberataques; limitado peso da carga útil; grandes conxuntos de datos e tratamento limitado de datos capacidades; falta de regulación; falta de experiencia, alta entrada barreiras para o acceso drones agrícolas; | (Bacco et al., 2018; Dawaliby et al., 2020; Hardin e Hardin, 2010; Hardin e 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) |
Satélite | Cobertura por satélite periódica, resolución espectral limitada; vulnerabilidade aos problemas de visibilidade (por exemplo, nubes); Non dispoñibilidade e baixa velocidade de transferencia; orientación e viñeteado afecta a datos espaciais custosos colección; entrega lenta de datos tempo para os usuarios finais | (Aboutalebi et al., 2019; Cen et al., 2019; Chen et al., 2019; Nansen e Elliott, 2016; Panday, Pratihast, et al., 2020; Sai Vineeth et al., 2019) |
aeronave | Altos custos de adopción; configuración complicada; custos de mantemento; indisponibilidade de fiable avións, xeometría do imaxes; datos non habituais adquisición; falta de flexibilidade; accidentes mortais; datos do sensor variacións debidas ás vibracións; problemas de xeorreferenciación | (Armstrong et al., 2011; Atkinson et al., 2018; Barbedo & Koenigkan, 2018; Kovalev e Voroshilova, 2020; Suomalainen et al., 2013; Thamm et al., 2013) |
Como tecnoloxía multidisciplinar e multiusos na agricultura, os drons foron investigados desde varias perspectivas. Por exemplo, os estudosos examinaron as aplicacións de drones na agricultura (Kulbacki et al., 2018; Mogili e Deepak, 2018), a súa contribución á agricultura de precisión (Puri et al., 2017; Tsouros et al., 2019), a súa complementariedade con outros tecnoloxías de vangarda (Al-Thani et al., 2020; Dutta e Mitra, 2021; Nayyar et al., 2020; Saha et al., 2018) e as posibilidades de mellorar as súas capacidades de navegación e detección (Bareth et al. , 2015; Suomalainen et al., 2014). Dado que a investigación sobre aplicacións de drones na agricultura se fixo prevalente (Khan et al., 2021)), hai que resumir a literatura existente e revelar a estrutura intelectual do dominio. Ademais, como un campo de alta tecnoloxía con melloras continuas, é necesario realizar revisións estruturadas para resumir periodicamente a literatura existente e identificar lagoas importantes de investigación. Para
data, hai poucas revisións que discutan as aplicacións de drones no sector agrícola. Por exemplo, Mogili e Deepak (2018) revisan brevemente as implicacións dos drones para o seguimento dos cultivos e a pulverización de pesticidas. Inoue (2020) realiza unha revisión do uso de satélites e drones na teledetección na agricultura. O autor explora os retos tecnolóxicos da adopción da agricultura intelixente e as achegas de satélites e drons a partir de casos prácticos e mellores prácticas. Tsouros et al. (2019) resumen diferentes tipos de drons e as súas principais aplicacións na agricultura, destacando varios métodos de adquisición e procesamento de datos. Máis recentemente, Aslan et al. (2022) realizou unha revisión exhaustiva das aplicacións de UAV en actividades agrícolas e subliñou a relevancia da localización e mapeo simultáneos para un UAV no invernadoiro. Díaz-González et al. (2022) revisaron estudos recentes sobre a produción de rendemento de cultivos baseados en diferentes técnicas de aprendizaxe automática e a distancia
sistemas de detección. Os seus descubrimentos indicaron que os UAV son útiles para estimar os indicadores do solo e superar os sistemas de satélites en termos de resolución espacial, temporalidade da información e flexibilidade. Basiri et al. (2022) fixeron unha revisión exhaustiva dos distintos enfoques e métodos para superar os desafíos de planificación de rutas para os UAV multirotor no contexto da agricultura de precisión. Ademais, Awais et al. (2022) resumiu a aplicación de datos de teledetección de UAV en cultivos para estimar o estado da auga e proporcionaron unha síntese en profundidade da capacidade prospectiva da teledetección de UAV para a aplicación do estrés dos residuos. Finalmente, Aquilani et al. (2022) revisaron as tecnoloxías de cultivo de previsión aplicadas en sistemas gandeiros baseados en pastos e deduciron que a teledetección habilitada polos UAV é vantaxosa para a avaliación da biomasa e a xestión do rabaño.
Ademais, informouse recentemente de esforzos para usar vehículos aéreos no tripulados no seguimento, seguimento e recollida de gando.
Aínda que estas revisións proporcionan coñecementos novos e importantes, non se pode atopar ningunha revisión exhaustiva e actualizada baseada en bibliometría na literatura, que presenta unha clara brecha de coñecemento. Ademais, afirmouse que cando a produción académica crece nun dominio científico, é vital que os investigadores empreguen enfoques de revisión cuantitativa para comprender a estrutura do coñecemento do dominio (Rivera e Pizam, 2015). Do mesmo xeito, Ferreira et al. (2014) argumentaron que a medida que os campos de investigación maduran e se fan complicados, os estudosos deberían procurar ocasionalmente dar sentido ao coñecemento xerado e acumulado para revelar novas contribucións, captar tradicións e tendencias de investigación, identificar que temas se estudan e afondar na estrutura do coñecemento. o campo e as posibles direccións de investigación. Mentres Raparelli e Bajocco (2019) realizaron unha análise bibliométrica para examinar o dominio de coñecemento das aplicacións de drons na agricultura e a silvicultura, o seu estudo só considera investigacións académicas publicadas entre 1995 e 2017, que non reflicten a dinámica desta área en rápido movemento. Ademais, os autores non tentaron identificar as contribucións máis influentes no campo, agrupar a literatura e avaliar a estrutura intelectual mediante a análise de co-citacións. Como resultado, é necesario resumir a literatura para revelar os focos de investigación, as tendencias e os puntos quentes actuais.
Para cubrir esta brecha de coñecemento, aproveitamos a metodoloxía cuantitativa e os métodos bibliométricos rigorosos para examinar o estado actual da investigación na intersección dos drons e a agricultura. Argumentamos que o estudo actual fai varias contribucións á literatura existente ao examinar unha tecnoloxía emerxente que é moi necesaria na agricultura xa que ofrece un enorme potencial para alterar varios aspectos deste sector. A necesidade dunha análise bibliométrica dos drones agrícolas intúese aínda máis dado o coñecemento disperso e fragmentado sobre drons no contexto da agricultura. Do mesmo xeito, é necesario agrupar sistemáticamente a literatura relativa aos drons agrícolas, tendo en conta os estudos máis influentes que constrúen as bases deste campo de investigación. O mérito da análise inclúe tamén a clarificación dos principais temas de investigación representados na literatura. Tendo en conta o potencial de transformación da tecnoloxía, afirmamos que unha análise profunda da rede proporciona novos coñecementos ao determinar traballos influentes e revelar temas sobre o potencial dos drones para a agricultura.
Polo tanto, procuramos acadar os seguintes obxectivos de investigación:
- Identificación de publicacións influentes con contribucións destacadas ás aplicacións de drons no ámbito da agricultura.
- Agrupación da literatura, identificación de focos de investigación e mapeamento dos principais estudos de "estructura intelectual" baseados na semellanza semántica mediante a análise de co-citacións.
- Comprensión da evolución dos vínculos e redes de citas ao longo do tempo entre diversas publicacións no campo e identificación de futuras direccións de investigación e temas candentes.
O resto do traballo estrutúrase do seguinte xeito: a sección 2 resume a metodoloxía e os pasos de recollida de datos; a sección 3 ofrece os resultados das análises; e a sección 4 analiza os resultados e conclúe coas contribucións de investigación, as implicacións e as direccións futuras.
Metodoloxía
Neste estudo de investigación actual, realizamos unha análise bibliométrica para explorar as aplicacións de drones na agricultura. Este enfoque cuantitativo revela a estrutura intelectual do dominio do coñecemento (Arora e Chakraborty, 2021) e o estado actual, os temas candentes e as direccións de investigación futuras que se poden investigar aplicando este método (Kapoor et al., 2018; Mishra et al. , 2017; A. Rejeb, Rejeb, et al., 2021b; A. Rejeb et al., 2021d; MA Rejeb et al., 2020). En xeral, unha análise bibliométrica examina a literatura existente para resumir e descubrir patróns ocultos de comunicación escrita e a evolución da disciplina baseada en estatísticas e métodos matemáticos, e aplícase a grandes conxuntos de datos (Pritchard, 1969; Small, 1999; Tahai e Rigsby). , 1998). Mediante o uso da bibliometría, aspiramos a comprender mellor os paradigmas existentes e os focos de investigación que contribúen ao dominio en función da semellanza (Thelwall, 2008). A bibliometría proporciona novos coñecementos apoiados pola forza cuantitativa obxectiva da metodoloxía (Casillas e Acedo, 2007). Numerosos estudosos realizaron previamente estudos bibliométricos en dominios relacionados, incluíndo a agricultura, a teledetección e a transformación dixital (Armenta-Medina et al., 2020; Bouzembrak et al., 2019; A. Rejeb, Treiblmaier, et al., 2021; Wamba & Queiroz, 2021; Wang et al., 2019).
Análise de citas
A análise de citas revela varias ideas sobre un campo de investigación determinado. En primeiro lugar, axuda a revelar os autores e publicacións máis influentes que contribúen a un determinado campo de investigación e teñen un impacto significativo (Gundolf & Filser, 2013). En segundo lugar, pódense descubrir o fluxo de coñecemento e os vínculos de comunicación entre autores. Finalmente, rastrexando os vínculos entre obras citadas e citadas, pódense explorar os cambios e a evolución dun dominio de coñecemento ao longo do tempo (Pournader
et al., 2020). O alto número de citas dunha publicación reflicte a súa relevancia e contribucións substanciais ao dominio da investigación (Baldi, 1998; Gundolf e Filser, 2013; Marinko, 1998). A análise de citas das publicacións tamén axuda a identificar traballos relevantes e facer un seguimento da súa popularidade e progreso ao longo do tempo.
Análise de co-citación de documentos
A análise de co-citacións é un método valioso para explorar as relacións entre publicacións e describir a estrutura intelectual dun campo (Nerur et al., 2008). Noutras palabras, ao identificar as publicacións máis citadas e as súas conexións, o método agrupa as publicacións en distintos grupos de investigación nos que as publicacións nun clúster comparten regularmente ideas similares (McCain, 1990; Small, 1973). É fundamental mencionar que a semellanza non significa que os resultados das publicacións o sexan
cohesionar e estar de acordo entre si; As publicacións pertencen ao mesmo clúster debido á semellanza de temas, pero poden ter puntos de vista contradictorios.
Recollida e análise de datos
Seguindo a metodoloxía proposta por White e Griffith (1981), realizamos unha busca exhaustiva de artigos de revistas para cubrir todo o dominio de investigación das aplicacións de drones na agricultura, seguindo os seguintes cinco pasos:
- O primeiro paso foi a recollida de datos. Scopus foi seleccionada como unha das bases de datos máis completas e fiables con resultados estandarizados. Recuperáronse os metadatos de publicacións relacionadas con todas as aplicacións de drons na agricultura. Despois analizamos os artigos seleccionados, eliminando da análise os artigos fóra do tema.
- Analizamos a literatura e identificamos as palabras clave máis importantes utilizadas na área de investigación.
- Usando a análise de citas, exploramos a conexión entre autores e documentos para revelar os patróns de citas subxacentes. Tamén identificamos os autores e publicacións máis influentes con importantes contribucións ao campo dos drons agrícolas.
- Realizamos unha análise de co-citas para agrupar publicacións similares en grupos.
- Finalmente, analizamos as conexións e vínculos entre países, institucións e revistas para describir a rede de colaboración.
Identificación dos termos de busca adecuados
Aplicamos as seguintes cadeas de busca para a agregación de datos: (drone* OU “vehículo aéreo non tripulado” OU uav* OU “sistema de avión non tripulado” OU uas OU “avións pilotados a distancia”) E (agrícola OR agricultura OR labranza OR agricultor). A busca realizouse en setembro de 2021. Os drones teñen varias designacións, incluíndo UAV, UAS e avións pilotados remotamente (Sah et al., 2021). Os termos de busca específicos relacionados coa agricultura foron identificados a partir do estudo de Abdollahi et al. (2021). Por motivos de claridade e transparencia, a consulta exacta que utilizamos aparece no Apéndice 1. Tras un proceso de limpeza de datos, creamos un ficheiro de texto que posteriormente foi cargado en BibExcel, unha ferramenta común para a análise de citas e co-citas. Esta ferramenta tamén ofrece unha interacción sinxela con outro software e ofrece un grao significativo de liberdade no manexo e análise de datos. Utilizouse a versión 1.6.16 de VOSviewer para visualizar os achados e xerar as redes bibliométricas (Eck & Waltman, 2009). VOSviewer ofrece unha gama de visualización intuitiva, especialmente para analizar mapas bibliométricos (Geng et al., 2020). Ademais, axuda a proporcionar resultados visuais sinxelos que axudan a comprender mellor os resultados (Abdollahi et al., 2021). Aplicando as cadeas de busca como se indica anteriormente, reunimos e almacenamos todas as publicacións relevantes. Os primeiros resultados da busca arroxaron un total de 5,085 documentos. Para garantir a calidade da mostra seleccionada, só se consideraron artigos de revistas revisadas por pares na investigación, o que provocou a exclusión doutros tipos de documentos, como libros, capítulos, actas de congresos e notas editoriais. Durante un proceso de selección, filtráronse publicacións irrelevantes (é dicir, fóra do alcance deste traballo), redundantes (é dicir, duplicados orixinados da dobre indexación) e non de fala inglesa. Este proceso deu lugar á inclusión de 4,700 documentos na análise final.
Achados e discusión
Para comezar, analizamos a evolución da produción de publicacións na literatura actual sobre drones agrícolas. A distribución temporal da investigación académica móstrase na figura 1. Observamos un rápido aumento das publicacións a partir do ano 2011 (30 publicacións); por iso, decidimos dividir o período de análise en dúas etapas diferentes. Referímonos ao período comprendido entre 1990 e 2010 como fase de acumulación, que tiña aproximadamente sete artigos publicados ao ano. O período posterior a 2010 foi chamado de etapa de crecemento xa que a investigación sobre as aplicacións de drons na agricultura foi testemuña dun aumento exponencial durante este período. Despois de 2010, o crecente número de publicacións confirma o crecente interese entre os investigadores, o que tamén reflicte que os drones foron aplicados á teledetección e empregados na agricultura de precisión (Deng et al., 2018; Maes & Steppe, 2019; Messina & Modica, 2020). ). En concreto, o número de publicacións pasou de 108 en 2013 a 498 en 2018 e alcanzou un máximo de 1,275 en 2020. Entre xaneiro e mediados de setembro de 935 publicáronse un total de 2021 artigos. Posteriormente, optamos por centrar máis a nosa análise na fase de crecemento. xa que este período reflicte as sutilezas máis recentes e importantes dos drones agrícolas.
Análise de palabras clave
As palabras clave que seleccionan os autores para unha publicación teñen un impacto crucial sobre como se representa o artigo e como se comunica dentro das comunidades científicas. Identifican os temas clave da investigación e determinan o seu potencial para florecer ou fracasar (Day e Gastel, 1998; Kim et al., 2016; Uddin et al., 2015). A análise de palabras clave, unha ferramenta para revelar tendencias e direccións de investigación máis amplas, refírese á compilación das palabras clave de todas as publicacións relacionadas nun dominio (Dixit e Jakhar, 2021). No estudo actual, dividimos as palabras clave agregadas en dous conxuntos (é dicir, ata 2010 e 2011-2021) para explorar os temas máis populares. Ao facelo, podemos rastrexar as palabras clave cruciais en ambos os conxuntos e asegurarnos de que capturamos todos os datos necesarios. Para cada conxunto, as dez principais palabras clave preséntanse na Táboa 3. Eliminamos inconsistencias fusionando palabras clave semanticamente idénticas, como "drone" e "drones" ou, do mesmo xeito, "Internet das cousas" e "IoT.".
A táboa 3 mostra que "vehículo aéreo non tripulado" é unha palabra clave que se usa con máis frecuencia en comparación con "dron" e "sistema aéreo non tripulado" nos dous períodos de tempo. Ademais, "detección remota", "agricultura de precisión" e "agricultura" están altamente clasificados en ambos períodos. No primeiro período, a "agricultura de precisión" ocupou o quinto lugar, e o segundo no segundo período, o que ilustra como os drones son cada vez máis importantes para lograr a agricultura de precisión, xa que poden facer un seguimento.
prácticas de detección e estimación máis rápidas, máis baratas e máis fáciles de realizar en comparación con outros sistemas de teledetección e terrestres. Ademais, poden pulverizar a cantidade precisa de entrada (por exemplo, auga ou pesticidas) cando sexa necesario (Guo et al., 2020; Inoue, 2020; Panday, Pratihast, et al., 2020).
Lista de palabras clave máis usadas.
categoría | 1990-2010 | Nº de ocorrencias | 2011-2021 | Nº de ocorrencias |
1 | antena non tripulada vehículo | 28 | non tripulado vehículo aéreo | 1628 |
2 | teledetección | 7 | precisión agricultura | 489 |
3 | agricultura | 4 | teledetección | 399 |
4 | aéreo | 4 | zangão | 374 |
5 | precisión agricultura | 4 | non tripulado sistema aéreo | 271 |
6 | antena non tripulada | 4 | agricultura | 177 |
7 | hiperespectral sensor | 3 | aprendizaxe profunda | 151 |
8 | neural artificial redes | 2 | máquina aprendizaxe | 149 |
9 | voo autónomo | 2 | a vexetación Índice | 142 |
10 | café | 2 | Internet de Cousas | 124 |
Outra característica interesante é a presenza de tecnoloxías complementarias. Na primeira etapa, "Sensor hiperespectral" e "redes neuronais artificiais" (ANN) están entre as dez principais palabras clave. A imaxe hiperespectral revolucionou a imaxe tradicional ao recoller un gran número de imaxes en varias lonxitudes de onda. Ao facelo, os sensores poden recoller simultaneamente mellor información espacial e espectral en comparación coa imaxe multiespectral, a espectroscopia e as imaxes RGB (Adao ˜ et al.,
2017). A aparición de “ANN” na primeira etapa e “deep learning” (DL) e “machine learning” (ML) na segunda implica que a maioría dos traballos publicados centráronse no exame do potencial das técnicas de IA para drones. agricultura baseada. Aínda que os drons son capaces de voar de forma autónoma, aínda requiren a participación dun piloto, o que implica un baixo nivel de intelixencia do dispositivo. Non obstante, este problema pode resolverse debido ao avance das técnicas de IA, que poden proporcionar unha mellor conciencia da situación e un soporte de decisión autónoma. Equipados con IA, os drons poden evitar colisións durante a navegación, mellorar a xestión do solo e dos cultivos (Inoue, 2020) e reducir o traballo e o estrés dos seres humanos (BK Sharma et al., 2019).
Debido á súa flexibilidade e capacidade de manexar grandes cantidades de datos non lineais, as técnicas de IA son métodos axeitados para analizar os datos transmitidos por drons e outros sistemas de teledetección e terrestres para a predición e a toma de decisións (Ali et al., 2015; Inoue, 2020). Ademais, a presenza de "IoT" no segundo período indica o seu papel emerxente na agricultura. IoT está a revolucionar a agricultura ao interconectar outras tecnoloxías, como drones, ML, DL, WSN e big data. Un dos principais beneficios da implementación de IoT é a súa capacidade para combinar de forma eficiente e efectiva varias tarefas (adquisición de datos, análise e procesamento de datos, toma de decisións e implementación) en tempo case real (Elijah et al., 2018; Feng et al. , 2019; Muangprathub et al., 2019). Ademais, os drones considéranse ferramentas eficientes para capturar os datos necesarios para calcular o vigor e as propiedades da vexetación (Candiago et al., 2015). As figuras 2a e 2b ilustran as redes de co-ocurrencia de palabras clave para ambos os períodos de tempo.
Autores influentes
Nesta sección, determinamos os autores influentes e examinamos como as redes de citas de autores poden visualizar e organizar a literatura actual. A figura 3 mostra a superposición cronolóxica de todos os investigadores con maior número de citas. A escala de cores reflicte a variación anual das citas dos autores. Examinamos a estrutura de citas dos investigadores que publicaron estudos sobre drones agrícolas utilizando un limiar dun mínimo de 50 citas e dez publicacións. Fóra de
12,891 autores, só 115 cumprían esta condición. A táboa 4 enumera os dez autores máis influentes, ordenados polo número máximo de citas. López- Granados F. lidera a lista con 1,963 citas, seguido de Zarco-Tejada PJ con 1,909 citas.
Lista dos autores máis citados.
Ranking | autor | Citas |
1 | López-Granados ´ F. | 1,963 |
2 | Zarco-Tejada PJ | 1,909 |
3 | Pena ˜ JM | 1,644 |
4 | Torres-S' tamén 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 |
Cando se trata de publicacións individuais, o artigo de Zhang e Kovacs (2012) foi o estudo máis citado publicado en Precision Agriculture. Aquí, os autores revisaron a aplicación dos UAS na agricultura de precisión. Os resultados da súa investigación suxiren que é necesario avanzar no deseño da plataforma, a produción, a estandarización da xeorreferenciación de imaxes e o fluxo de traballo de recuperación de información para ofrecer aos agricultores produtos finais fiables. Ademais, recomendan involucrar máis forte ao agricultor, especialmente na planificación do campo, a captura de imaxes, así como a interpretación e análise de datos. É importante destacar que este estudo foi dos primeiros en mostrar a importancia do UAV na cartografía de campo, na cartografía de vigor, na medición do contido químico, no seguimento do estrés vexetal e na avaliación dos efectos dos fertilizantes no crecemento das plantas. Os desafíos relacionados coa tecnoloxía tamén inclúen custos prohibitivos, capacidade de sensor, estabilidade e fiabilidade da plataforma, falta de estandarización e procedemento coherente para analizar cantidades masivas de datos.
Análise de citas
A análise de citas representa o estudo da influencia dos artigos, aínda que propensos aos fluxos (por exemplo, sesgo de citas, autocitacións) considérase un dos instrumentos estándar para a avaliación do impacto (Osareh, 1996; A. Rejeb et al., 2022; Sarli et al., 2010). As citas tamén reflicten a importancia e vitalidade das contribucións dos traballos á literatura sobre un tema específico (R. Sharma et al., 2022). Realizamos unha análise de citas para determinar os estudos máis influentes sobre drones agrícolas e resumimos os contidos. A táboa 5 presenta a lista dos quince artigos máis influentes para os períodos 1990–2010 e 2011–2021. Os artigos de Berni et al. (2009)b e Austin (2010) foron os máis citados durante 1990 e 2010, con 831 e 498 citas, respectivamente. Berni et al. (2009)b ilustrou o potencial para desenvolver produtos cuantitativos de teledetección mediante un UAV baseado en helicópteros equipado con sensores de imaxe multiespectrais térmicos e de banda estreita a prezos accesibles. En comparación cos sensores aerotransportados tripulados tradicionais, un sistema UAV de baixo custo para a agricultura é capaz de acadar estimacións comparables dos parámetros biofísicos dos cultivos, se non mellores. O custo accesible e a flexibilidade operativa, xunto ás altas resolucións espectrales, espaciais e temporais dispoñibles nun tempo de resposta rápido, fan que os UAV sexan axeitados para unha variedade de aplicacións que requiren unha xestión crítica no tempo, incluída a programación do rego e a agricultura de precisión. O artigo de Berni et al. (2009)b é moi citado porque integraba efectivamente unha plataforma de á rotativa non tripulada e sensores dixitais e térmicos cos mecanismos de calibración necesarios para aplicacións agrícolas. A segunda publicación máis citada é un libro escrito por Austin (2010), que discutiu os UAV desde as perspectivas de deseño, desenvolvemento e despregamento. Na agricultura, os vehículos aéreos non tripulados apoian o seguimento dos cultivos detectando as enfermidades de forma precoz mediante os cambios de cor dos cultivos, facilitando a sementeira e pulverización dos cultivos e vixiando e conducindo rabaños.
Os estudos de Sullivan et al. (2007), Lumme et al. (2008), e Gokto ¨ ǧan et al. (2010) rematan a lista dos quince artigos máis citados. Estes artigos ilustran o desenvolvemento de sistemas baseados en UAV para apoiar a agricultura. Ofrecen solucións a varios problemas, como o seguimento e a exploración de cultivos, a vixilancia e xestión de malas herbas e o apoio á decisión. Tamén suxiren e discuten a capacidade do UAV para aumentar a eficiencia da mostraxe e axudar aos agricultores a elaborar un deseño preciso e eficaz.
estratexias de plantación. Berni escribiu dous artigos (Berni et al., 2009b; Berni et al., 2009a), que subliñan o seu impacto significativo na investigación relacionada cos drones agrícolas. O artigo de Zarco-Tejada et al. (2014) estivo entre os estudos pioneiros para ilustrar a necesidade de utilizar imaxes de UAV de baixo custo na cuantificación da altura das árbores.
Lista das publicacións máis citadas.
categoría | De 1990 para 2010 | De 2011 para 2021 | ||
Documento | Cita | Documento | Cita | |
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 | (Anuncio ao et al., 2017) | 335 |
10 | (Schmale III et al., 2008) | 119 | (Honkavaara et al., 2013a) | 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 ¨ ǧan et al., 2010) | 40 | (Aasen et al., 2015a) | 269 |
No segundo período (2011-2021), a investigación de Zhang e Kovacs (2012) e Nex e Remondino (2014) deron lugar ás publicacións máis citadas. Zhang e Kovacs (2012) argumentan que a agricultura de precisión podería beneficiarse da implementación de técnicas e sensores xeoespaciais, como sistemas de información xeográfica, GPS e teledetección, para capturar variacións no campo e manexalas mediante o emprego de estratexias alternativas. Como un cambio de xogo na agricultura de precisión, a adopción de drones anunciou unha nova era na teledetección, simplificando a observación aérea, capturando datos de crecemento dos cultivos, condicións do solo e áreas de fumigación. A revisión de Zhang e Kovacs (2012) é fundamental xa que ofrece información sobre os UAV ao revelar os usos e os desafíos existentes destes dispositivos na vixilancia ambiental e na agricultura de precisión, como as limitacións da plataforma e da cámara, os desafíos do procesamento de datos, o compromiso dos agricultores e as regulacións da aviación. . O segundo
O estudo máis citado de Nex e Remondino (2014) revisou o estado da arte dos UAV para capturar, procesar e analizar imaxes terrestres.
O seu traballo tamén presentou unha visión xeral de varias plataformas, aplicacións e casos de uso de UAV, mostrando os máis novos avances no procesamento de imaxes de UAV. Na agricultura, os agricultores poderían utilizar os vehículos aéreos non tripulados para tomar decisións eficaces para lograr aforros de custo e tempo, recibir un rexistro rápido e preciso dos danos e anticipar posibles problemas. En contraste coas plataformas aéreas convencionais, os UAV poden reducir os gastos operativos e diminuír o perigo de acceso en lugares difíciles, conservando o seu potencial de alta precisión. O seu artigo resume varias vantaxes dos UAV, especialmente en termos de precisión e resolución.
Entre as trece publicacións máis citadas restantes entre 2011 e 2021, observamos unha maior concentración na investigación relacionada con aplicacións de drons en misións de imaxe (Bendig et al., 2014; Ma et al., 2017; Zarco-Tejada et al., 2014) , agricultura de precisión (Candiago et al., 2015; Honkavaara et al., 2013a), viticultura de precisión (Matese et al., 2015), avaliación do estrés hídrico (Gago et al., 2015) e seguimento da vexetación (Aasen et al., 2015). , XNUMXa). Nos primeiros anos, os investigadores centráronse
máis sobre o desenvolvemento de sistemas baseados en UAV de baixo custo, lixeiros e precisos para a agricultura; investigacións máis recentes centráronse máis nas revisións das aplicacións de UAV para a agricultura e a topografía de campo. En resumo, esta análise revela que as publicacións influentes proporcionaron principalmente revisións de estudos previos para avaliar o estado científico e tecnolóxico actual dos UAV e desenvolveron sistemas UAV para apoiar a agricultura de precisión. Curiosamente, non atopamos estudos que empregasen empíricos
metodoloxías ou estudos de casos descritivos, o que constitúe unha importante lagoa de coñecemento e require máis investigación sobre este tema.
Análise de co-citacións
Segundo Gmür (2006), a análise de cocitacións identifica publicacións similares e agrupalas. Un exame coidadoso dun cluster pode revelar un campo común de investigación entre as publicacións. Investigamos a co-cita da literatura relativa aos drones agrícolas para ilustrar áreas temáticas relacionadas e detectar os patróns intelectuais das publicacións. Neste sentido, Small (1973) recomendou o uso da análise de cocitación para estudar as investigacións máis influentes e fundamentais.
dentro dunha disciplina. Para limitar o conxunto aos artigos máis fundamentais (Goyal e Kumar, 2021), establecemos un limiar de cocitación de 25, o que significa que dous artigos deben citarse xuntos nas listas de referencias de 25 ou máis publicacións diferentes. A agrupación tamén se levou a cabo cun tamaño mínimo de clúster 1 e sen ningún método para fusionar clústeres máis pequenos con outros máis grandes. Como resultado, xeráronse seis clusters en función da semellanza dos estudos e da súa estrutura intelectual. A táboa 6 mostra a distribución das publicacións en cada clúster.
Clúster 1: este clúster contén dezaoito documentos publicados despois. As publicacións deste clúster discuten o papel dos drons para apoiar a vixilancia ambiental, a xestión de cultivos e a xestión de malas herbas. Por exemplo, Manfreda et al. (2018) ofrecen unha visión xeral da investigación e implementacións actuais de UAV no seguimento dos ecosistemas agrícolas naturais e argumentan que a tecnoloxía ofrece un enorme potencial para mellorar drasticamente o seguimento ambiental e reducir
a brecha existente entre a observación de campo e a teledetección convencional aérea e espacial. Isto pódese facer ofrecendo unha nova capacidade para mellorar a recuperación temporal e os coñecementos espaciais de grandes áreas dun xeito accesible. Os UAV poden detectar constantemente o ambiente e enviar os datos resultantes a entidades intelixentes, centralizadas/descentralizadas que controlan sensores para identificar problemas eventuais, como a falta de enfermidades ou a detección de auga (Padua ´ et al., 2017). Adao ˜ et al. (2017) afirman que os UAV son ideais para avaliar as condicións das plantas ao capturar un gran volume de datos brutos relacionados co estado da auga, a estimación da biomasa e a avaliación do vigor. Os sensores montados en UAV tamén poderían despregarse rapidamente en condicións ambientais adecuadas para permitir a captura oportuna de datos de teledetección (Von Bueren et al., 2015). Mediante vehículos aéreos non tripulados, os agricultores poden levar a cabo actividades de cultivo en interiores adquirindo medicións desde practicamente calquera lugar do espazo tridimensional dos ambientes agrícolas interiores (por exemplo, invernadoiros), garantindo así o control do clima local e o seguimento das plantas (Roldan ´ et al. ., 2015). No contexto da precisión
agricultura, as decisións de xestión dos cultivos requiren datos de cultivo precisos e fiables cunha resolución temporal e espacial adecuada (Gebbers e Adamchuk, 2010; Gevaert et al., 2015; Maes e Steppe, 2019). Por este motivo, Agüera Vega et al. (2015) utilizaron un sistema de sensor multiespectral montado nun UAV para adquirir imaxes dun cultivo de xirasol durante a estación de crecemento. Do mesmo xeito, Huang et al. (2009) sinalan que a teledetección baseada en UAV podería facilitar a medición dos cultivos e do solo a partir dos datos espectrais recollidos. Verger et al. (2014) desenvolveron e probaron unha técnica para estimar un índice de área verde (GAI) a partir de medicións de reflectancia de UAV en aplicacións de agricultura de precisión, centrándose nos cultivos de trigo e colza. Polo tanto, os drones ofrecen novas posibilidades para recuperar información do estado dos cultivos con visitas frecuentes e alta resolución espacial (Dong et al., 2019; Garzonio et al., 2017; H. Zheng et al., 2016).
Agrupación de publicacións influentes sobre drones agrícolas.
Agrupar | Tema amplo | References |
1 | Vixilancia ambiental, cultivo xestión, xestión de malas herbas | (Anuncio ao et al., 2017; Agüera Veiga et al., 2015; de Castro et al., 2018; Gómez-Cand ´ on ´ et al., 2014; YB Huang et al., 2013; Khanal et al., 2017; López-Granados, ´ 2011; Manfreda et al., 2018; P´ adua et al., 2017; Pena ˜ et al., 2013; Pérez-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 e Kovacs, 2012) |
2 | Fenotipado remoto, rendemento estimación, modelo de superficie de cultivo, reconto de plantas | (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 | Imaxe térmica para auga, imaxe multiespectral | (Baluja et al., 2012; Berni et al., 2009b; Berni et al., 2009a; Candiago et al., 2015; Gago et al., 2015; González-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 | Imaxe hipersectral, espectral imaxe | (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 | Aplicacións de cartografía 3D | (Jim´enez-Brenes et al., 2017; Nex & Remondino, 2014; Salamí et al., 2014; Torres-S' anchez, López- ´ Granados, Serrano, et al., 2015; Zahawi et al., 2015; Zarco-Tejada et al., 2014) |
6 | Vixilancia da agricultura | (SR Herwitz et al., 2004; Hunt et al., 2010; CCD Lelong et al., 2008; Primicerio et al., 2012; Xiang & Tian, 2011) |
Ademais, os drons son útiles para tarefas desafiantes na agricultura, incluíndo o mapeo de herbas daniñas. As imaxes captadas polos dispositivos demostraron a súa utilidade para a detección precoz de herbas daniñas nos campos (de Castro et al., 2018; Jim´enez-Brenes et al., 2017; Lam et al., 2021; Lopez-Granados ´ et al., 2016). 2021; Rozenberg et al., 2018). Neste sentido, de Castro et al. (2013) afirman que a fusión de imaxes de UAV e Análise de imaxes baseadas en obxectos (OBIA) permitiu aos profesionais superar o problema da automatización da detección precoz nos cultivos de pastos de principios da tempada, o que supón un gran paso adiante na investigación de herbas daniñas. Así mesmo, Pena ˜ et al. (2020) sinalan que o uso de imaxes de ultra alta resolución espacial de UAV xunto cun procedemento OBIA permite xerar mapas de herbas daniñas nos primeiros cultivos de millo que poderían utilizarse na planificación da implementación de medidas de control de malas herbas durante a tempada. unha tarefa máis aló da capacidade das imaxes de satélite e tradicionais aerotransportadas. En comparación cos algoritmos de clasificación de imaxes ou de detección de obxectos, as técnicas de segmentación semántica son máis efectivas nas tarefas de mapeo de herbas daniñas (J. Deng et al., 2020), permitindo así aos agricultores detectar as condicións do campo, mitigar as perdas e mellorar os rendementos durante toda a tempada de crecemento (Ramesh). et al., 2020). A segmentación semántica baseada na aprendizaxe profunda tamén pode proporcionar unha medición precisa da cobertura vexetal a partir de imaxes aéreas de alta resolución (Ramesh et al., 2022; A. Zheng et al., XNUMX). A pesar do seu potencial para remoto
clasificación de píxeles de detección, as técnicas de segmentación semántica requiren un cálculo significativo e unha memoria GPU prohibitivamente alta (J. Deng et al., 2020).
Baseándose na aprendizaxe automática e no UAV, Pérez-Ortiz et al. (2015) suxeriu un enfoque de mapeo de malas herbas para proporcionar estratexias de control de malas herbas específicas do sitio cando os agricultores adoptan o control de malas herbas despois da emerxencia. Finalmente, Rasmussen et al. (2013) destacaron que os drones proporcionan detección barata cunha gran flexibilidade de resolución espacial. En xeral, as publicacións deste clúster céntranse en explorar o potencial dos UAV para apoiar a teledetección, o seguimento de cultivos e o mapeo de malas herbas. Necesítanse investigacións en profundidade adicional para investigar aínda máis como as aplicacións de drones no seguimento ambiental, xestión de cultivos e cartografía de herbas daniñas poden lograr unha agricultura máis sostible (Chamuah & Singh, 2019; Islam et al., 2021; Popescu et al., 2020; J Su, Liu, et al., 2018) e abordan problemas de goberno desta tecnoloxía en aplicacións de seguros de cultivos (Basnet & Bang, 2018; Chamuah & Singh, 2019, 2022; Meinen & Robinson, 2021). Os investigadores deben concentrarse en validar as medicións recollidas por UAV con técnicas de procesamento eficientes para mellorar a máxima calidade dos datos procesados (Manfreda et al., 2018). Ademais, é necesario o desenvolvemento de algoritmos axeitados que recoñezan píxeles que amosen malas herbas nas imaxes dixitais e eliminen o fondo irrelevante durante o mapeo de herbas daniñas do UAV (Gaˇsparovi´c et al., 2020; Hamylton et al., 2020; H. Huang et al. , 2018, 2020; López- ´ Granados et al., 2016). Benvida investigación adicional sobre a adopción de técnicas de segmentación semántica no recoñecemento de plantas, a clasificación das follas e o mapeo de enfermidades (Fuentes-Pacheco et al., 2019; Kerkech et al., 2020).
Clúster 2. As publicacións deste clúster centráronse en varios aspectos dos drones agrícolas. Relacionado coa fenotipificación remota, Sankaran et al. (2015) revisaron o potencial do uso de imaxes aéreas de baixa altitude e alta resolución con UAV para a fenotipificación rápida dos cultivos no campo, e argumentan que, en comparación coas plataformas de detección terrestres, os pequenos UAV con sensores adecuados ofrecen varias vantaxes. , como un acceso máis fácil ao campo, datos de alta resolución, recollida eficiente de datos,
avaliacións rápidas das condicións de crecemento do campo e baixos custos operativos. Non obstante, os autores tamén sinalan que a aplicación efectiva do UAV para a fenotipificación de campo depende de dous elementos fundamentais, a saber, as características do UAV (por exemplo, seguridade, estabilidade, posicionamento, autonomía) e as características do sensor (por exemplo, resolución, peso, lonxitudes de onda espectrales, campo). de vista). Haghighattalab et al. (2016) propuxo unha canalización de procesamento de imaxes semiautomática para recuperar datos a nivel de trama das imaxes de UAV e acelerar o proceso de reprodución. Holman et al. (2016) desenvolveron un alto
sistema de fenotipado de campo de rendemento e destacou que o UAV é capaz de recoller datos fenotípicos de calidade, voluminosos e baseados no campo, e que o dispositivo é eficaz para grandes áreas e en diferentes localizacións de campo.
Dado que a estimación do rendemento é unha información incriblemente vital, especialmente cando está dispoñible a tempo, existe o potencial de que os UAV proporcionen todas as medicións de campo e adquiran de forma eficiente datos de alta calidade (Daakir et al., 2017; Demir et al., 2018). ; Enciso et al., 2019; Kulbacki et al., 2018; Pudelko et al., 2012). Neste sentido, Jin et al. (2017) aproveitaron as imaxes de alta resolución obtidas polos UAV a moi baixas altitudes para desenvolver e avaliar un método para estimar a densidade da planta de trigo na fase de emerxencia. Segundo os autores, os UAV superan as limitacións dos sistemas rover equipados con cámaras e representan un método non invasivo para estimar a densidade das plantas nos cultivos, o que permite aos agricultores acadar o alto rendemento necesario para a fenotipificación do campo independentemente da transitabilidade do solo. Li et al. (2016) recolleron centos de imaxes estéreo cunha resolución extremadamente alta utilizando un sistema baseado en UAV para estimar os parámetros do millo, incluíndo a altura do dosel e a biomasa aérea. Finalmente, Yue et al. (2017) descubriron que a altura da colleita determinada a partir dos UAV podería mellorar a estimación da biomasa aérea (AGB).
Un enfoque para controlar o crecemento dos cultivos é a idea de desenvolver modelos de superficie de cultivo (Bendig et al., 2014, 2015; Holman et al., 2016; Panday, Shrestha, et al., 2020; Sumesh et al., 2021). Varios estudos destacaron a viabilidade das imaxes tomadas de UAV para capturar a altura das plantas e controlar o seu crecemento. Por exemplo, Bendig et al. (2013) describiu o desenvolvemento de modelos de superficie de cultivo multitemporais cunha resolución moi alta de menos de 0.05 m utilizando UAV. Pretendían detectar cultivos
a variabilidade do crecemento e a súa dependencia do tratamento do cultivo, do cultivar e do estrés. Bendig et al. (2014) utilizaron UAV para estimar a biomasa fresca e seca baseándose na altura da planta extraída de modelos de superficie de cultivo e descubriron que, a diferenza das plataformas aerotransportadas e da exploración láser terrestre, as imaxes de alta resolución dos UAV poden aumentar significativamente a precisión do modelado da altura das plantas para diferentes crecementos. etapas. Na mesma liña, Geipel et al. (2014) utilizaron UAV na súa investigación para adquirir imaxes
conxuntos de datos para a predición do rendemento de grans de millo en tres fases de crecemento diferentes desde principios ata mediados da tempada e concluíron que a combinación de modelado espectral e espacial baseado en imaxes aéreas e modelos de superficie de cultivo é un método axeitado para predicir o rendemento de millo a media estación. Finalmente, Gnadinger ¨ e Schmidhalter (2017) examinaron a utilidade do UAV na fenotipificación de precisión e destacaron que o uso desta tecnoloxía podería mellorar a xestión das explotacións e permitir a experimentación de campo con fins de reprodución e agronómicos. En xeral, observamos que as publicacións do clúster 2 céntranse nas principais vantaxes dos UAV en remoto
fenotipado, estimación do rendemento, modelado de superficies de cultivo e reconto de plantas. Os estudos futuros poden afondar desenvolvendo novos métodos para a fenotipificación remota que poidan automatizar e optimizar o procesamento de datos de detección remota (Barabaschi et al., 2016; Liebisch et al., 2015; Mochida et al., 2015; S. Zhou et al., 2021; ., XNUMX). Ademais, o rendemento dos sensores IoT montados en UAV e a compensación entre os seus custos, man de obra e a precisión da estimación do rendemento deben investigarse no
futuro (Ju & Son, 2018a, 2018b; Xie & Yang, 2020; Yue et al., 2018). En definitiva, é necesario desenvolver métodos eficientes de procesamento de imaxes que poidan xerar información fiable, maximizar a eficiencia na produción agrícola e minimizar o traballo de reconto manual dos agricultores (RU Khan et al., 2021; Koh et al., 2021; Lin). & Guo, 2020; C. Zhang et al., 2020).
Clúster 3. As publicacións deste clúster discuten os diferentes tipos de sistemas de imaxe para a teledetección dos recursos agrícolas utilizados nas plataformas UAV. Neste sentido, a imaxe térmica permite o seguimento das temperaturas superficiais para previr danos nos cultivos e detectar precozmente o estrés pola seca (Awais et al., 2022; García-Tejero et al., 2018; Sankaran et al., 2015; Santesteban et al., 2017; 2021; Yeom, 2012). Baluja et al. (XNUMX) afirmaron que o uso de cámaras multiespectrais e térmicas a bordo do
UAV permitiu aos investigadores obter imaxes de alta resolución e avaliar o estado da auga da vide. Isto podería ser útil para desenvolver novos modelos de programación da auga utilizando datos de teledetección (Baluja et al., 2012). Por mor da
capacidade de carga limitada dos UAV, Ribeiro-Gomes et al. (2017) consideraron a integración de cámaras térmicas sen refrixeración nos UAV para determinar o estrés hídrico nas plantas, o que fai que este tipo de UAV sexa máis eficiente e viable que a teledetección tradicional por satélite e os UAV equipados con cámaras térmicas arrefriadas. Segundo os autores, as cámaras térmicas sen arrefriar son máis lixeiras que as cámaras arrefriadas, polo que requiren unha calibración adecuada. González-Dugo et al. (2014) demostraron que as imaxes térmicas xeran mapas espaciais dos índices de estrés hídrico dos cultivos para avaliar o estado hídrico e cuantificar o estrés hídrico entre e dentro das hortas de cítricos. González-Dugo et al. (2013) e Santesteban et al. (2017) investigaron o uso de imaxes térmicas de UAV de alta resolución para estimar a variabilidade do estado da auga dunha horta comercial e dun viñedo.
A imaxe multiespectral podería proporcionar datos masivos en comparación coas imaxes tradicionais RGB (vermello, verde e azul) (Ad˜ ao et al., 2017; Navia et al., 2016). Estes datos espectrais, xunto cos datos espaciais, poderían axudar na clasificación, cartografía, predición, predición e detección (Berni et al., 2009b). Segundo Candiago et al. (2015), a imaxe multiespectral baseada en UAV podería contribuír enormemente á avaliación de cultivos e á agricultura precisa como un recurso fiable e eficiente. Ademais,
Khaliq et al. (2019) fixo unha comparación entre as imaxes multiespectrais baseadas en satélite e UAV. As imaxes baseadas en UAV resultaron en ser máis precisas á hora de describir a variabilidade dos viñedos, así como os mapas de vigor para representar as copas dos cultivos. En poucas palabras, os artigos deste clúster discuten a incorporación de sensores de imaxe térmicas e multiespectrais nos UAV agrícolas. En consecuencia, é necesaria máis investigación para comprender como se poden integrar as imaxes térmicas e multiespectrais coa IA
técnicas (por exemplo, aprendizaxe profunda) para detectar o estrés das plantas (Ampatzidis et al., 2020; Ampatzidis et al., 2019; Jung et al., 2021; Santesteban et al., 2017; Syeda et al., 2021). Tales coñecementos axudarán a garantir unha detección máis eficiente e precisa, así como o seguimento do crecemento das plantas, o estrés e a fenoloxía (Buters et al., 2019; Cao et al., 2020; Neupane & BaysalGurel, 2021; L. Zhou et al., 2020; XNUMX).
Clúster 4. Este clúster consta de sete traballos que xiran arredor do papel crucial da imaxe espectral e da imaxe hiperespectral no apoio ás prácticas agrícolas. A imaxe hiperespectral estableceuse como un método de teledetección que permite a avaliación cuantitativa do sistema terrestre (Schaepman et al., 2009). Para ser máis precisos, permite a identificación de materiais superficiais, a cuantificación de concentracións (relativas) e a asignación de proporcións de compoñentes de superficie
dentro de píxeles mixtos (Kirsch et al., 2018; Zhao et al., 2022). Noutras palabras, a maior resolución espectral proporcionada polos sistemas hiperespectrais permite estimacións máis precisas de varios parámetros, como as propiedades vexetarianas ou o contido de auga das follas (Suomalainen et al., 2014). Os investigadores deste clúster investigaron varios aspectos deste tipo de sistemas. Entre outros, Aasen et al. (2015b) ofreceu un enfoque único para derivar información hiperespectral tridimensional a partir de peso lixeiro
cámaras de instantáneas utilizadas nos UAV para o seguimento da vexetación. Lucieer et al. (2014) analizaron o deseño, desenvolvemento e operacións aéreas dun novo UAS hiperespectral, así como a calibración, análise e interpretación dos datos de imaxes recollidos con el. Finalmente, Honkavaara et al. (2013b) desenvolveron un enfoque de procesamento completo para imaxes espectrais baseadas no interferómetro FabryPerot e mostraron o seu uso nun procedemento de estimación de biomasa para a agricultura de precisión. As posibles vías futuras para este clúster actual inclúen enfatizar a necesidade de melloras técnicas nas tecnoloxías de sensores (Aasen et al., 2015b), así como a necesidade de incorporar e mellorar tecnoloxías complementarias, en concreto big data e analítica (Ang & Seng, 2021; Radoglou). -Grammatikis et al., 2020; Shakoor et al., 2019). Este último deriva principalmente dos crecentes datos xerados por varios sensores implementados na agricultura intelixente (C. Li & Niu, 2020; A. Rejeb et al., 2022; Y. Su & Wang, 2021).
Clúster 5. As publicacións deste clúster examinaron aplicacións de cartografía 3D baseadas en drons. O uso de drons para a cartografía 3D podería aliviar o complexo traballo de campo e aumentar substancialmente a eficiencia (Torres-Sanchez ´ et al., 2015). Os cinco artigos do clúster centráronse principalmente en aplicacións de monitorización de plantas. Por exemplo, para obter datos tridimensionais sobre a área da copa, a altura das árbores e o volume da copa, Torres-Sanchez et al. (2015) utilizaron a tecnoloxía UAV para xerar modelos dixitais de superficie e despois enfoques de análise de imaxes baseadas en obxectos (OBIA). Ademais, Zarco-Tejada et al. (2014) cuantificaron a altura das árbores integrando a tecnoloxía UAV e os métodos de reconstrución fotográfica tridimensional. Jiménez-Brenes López-Granados, ´ De Castro, et al. (2017) demostraron un novo proceso para o seguimento multitemporal en 3D de decenas de oliveiras integrando a tecnoloxía UAV coa metodoloxía OBIA avanzada. As vías interesantes para futuros traballos neste clúster inclúen a mellora actual
metodoloxías (Zarco-Tejada et al., 2014) para fins de modelado dixital de superficies (Ajayi et al., 2017; Jaud et al., 2016), como OBIA (de Castro et al., 2018, 2020; Ventura et al., 2018. , 2015), e reconstrución fotográfica ou desenvolvemento de novos métodos (Díaz-Varela et al., 2015; Torres-S´ anchez et al., XNUMX).
Clúster 6. Este clúster analiza o papel dos drons na vixilancia agrícola. Os UAV poderían complementar e superar as deficiencias das imaxes dos satélites e das aeronaves. Por exemplo, poderían proporcionar imaxes de alta resolución case en tempo real con menos combustible ou desafíos de pilotaxe, o que resulta nunha vixilancia constante e en tempo real e melloras na toma de decisións (S. Herwitz et al., 2004). Outra contribución fundamental dos UAV é a súa capacidade para proporcionar datos específicos do sitio para a agricultura de precisión ou a agricultura específica do sitio, xa que os seus datos detallados de alta resolución sobre varios parámetros permiten aos agricultores dividir a terra en partes homoxéneas e tratalas en consecuencia (Hunt et al. , 2010; CC Lelong et al., 2008; Primicerio et al., 2012). Esta vixilancia agrícola baseada en UAV pode apoiar o seguimento da seguridade alimentaria e a toma de decisións (SR Herwitz et al., 2004). Para avanzar na investigación en vixilancia agrícola, non só son necesarias melloras nos sensores, vehículos aéreos non tripulados e outras tecnoloxías relacionadas e os seus métodos de comunicación e transferencia de datos (Ewing et al., 2020; Shuai et al., 2019), senón tamén a integración de drons con varios tecnoloxías para optimizar diferentes tarefas en relación coa agricultura intelixente, como o seguimento, a vixilancia agrícola e a toma de decisións, é unha área de investigación de alto potencial (Alsamhi et al., 2021; Popescu et al., 2020; Vuran et al., 2018). Neste sentido, IoT, WSN e big data ofrecen interesantes capacidades complementarias (van der Merwe et al., 2020). Os custos de implementación, o aforro de custos, a eficiencia enerxética e a seguridade dos datos están entre as áreas pouco investigadas para esa integración (Masroor et al., 2021).
Países e institucións académicas
O paso final incluíu a investigación do país de orixe e as filiacións académicas dos autores. A través desta análise, pretendemos comprender mellor a distribución xeográfica dos estudosos que contribúen ás aplicacións dos drons na agricultura. É de destacar a diversidade de países e institucións académicas. Desde a perspectiva do país, os EUA, China, India e Italia ocupan os primeiros postos da lista en canto ao número de publicacións (táboa 7). O actual
A investigación sobre drons agrícolas céntrase en gran medida nos países de América do Norte e Asia, principalmente debido ao seu alto compromiso nas aplicacións da agricultura de precisión. Por exemplo, nos EUA, o mercado de drones agrícolas estimouse en 841.9 millóns de dólares no ano 2020, o que representa aproximadamente o 30% da cota de mercado global (ReportLinker, 2021). Prevese que China, clasificada como a economía máis grande do mundo, alcance un tamaño aproximado de mercado de 2.6 millóns de dólares no ano 2027. Este país está apelando aos drones agrícolas para superar os problemas de produtividade e conseguir mellores rendementos, alivio da man de obra e menores insumos de produción. Non obstante, a adopción da tecnoloxía en China tamén está impulsada por factores como o tamaño da poboación e a necesidade de innovar e mellorar as prácticas de xestión de cultivos existentes.
Principais países e universidades/organizacións máis produtivas que contribúen
investigación relacionada con drones agrícolas.
categoría | países |
1 | EUA |
2 | China |
3 | India |
4 | Italia |
5 | España |
6 | Alemaña |
7 | Brasil |
8 | Australia |
9 | Xapón |
10 | Reino Unido |
categoría | Universidades/Organizacións |
1 | Academia Chinesa de Ciencias |
2 | Ministerio de Agricultura da República Popular Chinesa |
3 | Consello Superior de Investigacións Científicas |
4 | Universidade de Texas A&M |
5 | Universidade agrícola de China |
6 | Servizo de Investigación Agrícola do USDA |
7 | CSIC – Instituto de Agricultura Sostenible IAS |
8 | Universidade Purdue |
9 | Consiglio Nazionale delle Ricerche |
10 | Universidade Agrícola da China do Sur |
Desde a perspectiva universitaria e organizativa, a Academia Chinesa de Ciencias encabeza a lista en canto ao número de publicacións, seguida do Ministerio de Agricultura da República Popular Chinesa e o Consello Superior de Investigacións Científicas. A Academia Chinesa de Ciencias está representada polos autores Liao Xiaohan e Li Jun; Han Wenting representa o Ministerio de Agricultura da República Popular Chinesa; e o Consello Superior de Investigacións Científicas está representado por López-Granados, ´ F. e Pena, ˜ Jos´e María S. Desde Estados Unidos, universidades como a Texas A&M University e a Purdue University atopan o seu
mencionar. As universidades con maior número de publicacións e as súas conexións móstranse na figura 4. Ademais, esta lista inclúe institucións como o Consiglio Nazionale delle Ricerche e o Consejo Superior de Investigaciones Científicas que están activas na investigación científica, pero non son institucións académicas. .
A nosa selección incluíu unha gran variedade de revistas, que abarcaban practicamente todos os datos dispoñibles. Como se mostra na táboa 8, Remote Sensing con 258 artigos ocupa o primeiro posto, seguido de Journal of Intelligent and Robotic Systems: Theory and Applications con 126 e Computers and Electronics in Agriculture con 98 artigos. Aínda que a teledetección céntrase principalmente na aplicación e desenvolvemento de drons, Computers and Electronics in Agriculture abrangue principalmente os avances en hardware, software, electrónica e sistemas de control na agricultura. Os puntos de venda de áreas cruzadas, como IEEE Robotics and Automation Letters con 87 publicacións e IEEE Access con 34 publicacións, tamén son os principais puntos de venda no campo. Os quince principais medios contribuíron á literatura con 959 documentos, o que supón aproximadamente o 20.40% de todas as publicacións. Unha análise de co-citas de revistas permítenos examinar a importancia e a semellanza entre as publicacións. A análise de co-citas produce tres clusters, como se mostra na figura 5. O cluster vermello está formado por revistas como Remote Sensing, Computer and Electronics in Agriculture, Sensors,
e o International Journal of Remote Sensing. Todos estes puntos de venda son revistas de gran reputación nas áreas de teledetección e agricultura de precisión. O clúster verde contén revistas que tratan sobre robótica, como Journal of Intelligent and Robotic Systems: Theory and Applications, IEEE Robotics and Automation Letters, IEEE Access e Drones. Estes medios publican principalmente artigos sobre automatización e son útiles para enxeñeiros agrícolas. O clúster final está formado por revistas relacionadas coa agronomía e a enxeñaría agrícola, como Agronomy e International Journal of Agricultural and Bioological Engineering.
As 15 principais revistas de investigación relacionada con drones agrícolas.
categoría | Revista | Contar |
1 | Teledetección | 258 |
2 | Journal of Intelligent and Robotic Systems: Theory and aplicacións | 126 |
3 | Informática e Electrónica na Agricultura | 98 |
4 | Cartas de robótica e automatización do IEEE | 87 |
5 | Sensores | 73 |
6 | Revista Internacional de Teledetección | 42 |
7 | Agricultura de precisión | 41 |
8 | Drones | 40 |
9 | Agronomía | 34 |
10 | Acceso IEEE | 34 |
11 | Revista Internacional de Sistemas Robóticos Avanzados | 31 |
12 | Revista Internacional de Enxeñaría Agrícola e Biolóxica | 25 |
13 | PLoS ONE | 25 |
14 | Revista de robótica de campo | 23 |
15 | Enxeñaría de biosistemas | 23 |
Conclusión
Resumo
Neste estudo, resumimos e analizamos a investigación existente sobre drones agrícolas. Aplicando diversas técnicas bibliométricas, esforzámonos por obter unha mellor comprensión da estrutura intelectual da investigación relacionada cos drones agrícolas. En resumo, a nosa revisión ofrece varias contribucións identificando e discutindo palabras clave na literatura, revelando grupos de coñecemento ao tempo que forman comunidades semanticamente similares no campo dos drons, delineando investigacións anteriores e suxerindo direccións futuras de investigación. A continuación, esbozamos as principais conclusións da revisión sobre o desenvolvemento de drones agrícolas:
• A literatura xeral creceu rapidamente e atraeu unha enorme atención durante a última década, como indica o aumento do número de artigos despois de 2012. Aínda que este campo do coñecemento aínda está por alcanzar a súa plena madurez (Barrientos et al., 2011; Maes). & Steppe, 2019), varias preguntas aínda quedan sen resposta. Por exemplo, a utilidade dos drons na agricultura de interior aínda está aberta a debate (Aslan et al., 2022; Krul et al., 2021; Rold'an et al., 2015). A complexidade das escenas de campo e as diferentes circunstancias de imaxe (por exemplo, sombras e iluminación) poderían producir unha maior variación espectral na clase (Yao et al., 2019). Mesmo nas fases de investigación posteriores, os investigadores foron desafiados a determinar plans de voo óptimos segundo escenarios particulares e a calidade de imaxe requirida (Soares et al., 2021; Tu et al.,
2020).
• Observamos que o campo pasou de desenvolver sistemas de UAV eficientes a incorporar técnicas de IA, como a aprendizaxe automática e a aprendizaxe profunda no deseño de drons agrícolas (Bah et al., 2018; Kitano et al., 2019; Maimaitijiang et al. , 2020; Mazzia et al., 2020; Tetila et al., 2020).
• A investigación sobre drons agrícolas discutiu predominantemente a teledetección explorando os potenciales da tecnoloxía no seguimento ambiental, xestión de cultivos e xestión de malas herbas (cluster 1), así como fenotipado remoto e estimación de rendemento (cluster 2). Un conxunto de estudos influentes sobre drones agrícolas inclúen Austin (2010), Berni et al. (2009)a, Herwitz et al. (2004), Nex e Remondino (2014) e Zhang e Kovacs (2012). Estes estudos desenvolveron a base conceptual da investigación relacionada cos drones no contexto da agricultura.
• En relación coa metodoloxía, observamos que a maior parte da investigación realizada ata o momento estivera composta por estudos de deseño de sistemas, conceptuais ou baseados en revisións (Inoue, 2020; Nex & Remondino, 2014; P´erez-Ortiz et al. , 2015; Yao et al., 2019). Tamén observamos unha falta de métodos empíricos, cualitativos e baseados en estudos de casos na investigación de drons agrícolas.
• Recentemente, os temas relacionados coa agricultura de precisión, as técnicas de IA, a viticultura de precisión e a avaliación do estrés hídrico chamaron a atención substancial (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 exame coidadoso dos clusters de investigación en dúas épocas separadas, 1990–2010 e 2011–2021, revela o progreso da estrutura intelectual do dominio. O período de 1990 a 2010 constituíu a acumulación de nocións centrais e os conceptos de drons, o que resulta obvio da discusión sobre o deseño, desenvolvemento e implementación de UAV. Na segunda época, o foco de investigación amplíase nos estudos previos, facendo un esforzo para sintetizar casos de uso de UAV na agricultura. Tamén atopamos numerosos estudos que analizan as aplicacións de drons en tarefas de imaxe e agricultura de precisión.
categoría | Revista | Contar |
1 | Teledetección | 258 |
2 | Journal of Intelligent and Robotic Systems: Theory and | 126 |
aplicacións | ||
3 | Informática e Electrónica na Agricultura | 98 |
4 | Cartas de robótica e automatización do IEEE | 87 |
5 | Sensores | 73 |
6 | Revista Internacional de Teledetección | 42 |
7 | Agricultura de precisión | 41 |
8 | Drones | 40 |
9 | Agronomía | 34 |
10 | Acceso IEEE | 34 |
11 | Revista Internacional de Sistemas Robóticos Avanzados | 31 |
12 | Revista Internacional de Enxeñaría Agrícola e Biolóxica | 25 |
13 | PLoS ONE | 25 |
14 | Revista de robótica de campo | 23 |
15 | Enxeñaría de biosistemas | 22 |
Implicacións
A nosa revisión bibliométrica foi deseñada e realizada pensando en estudosos, agricultores, expertos agrícolas, consultores de cultivos e deseñadores de sistemas UAV. Segundo o mellor coñecemento dos autores, esta é unha das primeiras recensións orixinais que realizou unha análise bibliométrica en profundidade de
aplicacións de drones na agricultura. Realizamos unha revisión exhaustiva deste corpo de coñecemento, empregando análises de citas e co-citacións de publicacións. Os nosos intentos de describir a estrutura intelectual da investigación con drones tamén ofrecen novos coñecementos para os académicos. Unha revisión coidadosa das palabras clave utilizadas ao longo do tempo revela os puntos quentes e as áreas focales de investigación na literatura relacionada cos drones. Ademais, presentamos unha lista dos estudos máis citados para identificar os traballos de investigación máis impactantes realizados no campo. A identificación de artigos e palabras clave podería, en consecuencia, proporcionar un sólido punto de partida para descubrir varias vías para futuros estudos.
É importante destacar que revelamos grupos que clasifican traballos comparables e elaboramos os resultados. Os estudos clasificados en clusters axudan a comprender a estrutura intelectual da investigación de UAV. En particular, descubrimos unha escaseza de estudos que investiguen os factores de adopción dos drons
e barreiras nas actividades agrícolas (ver táboa 9). Os futuros investigadores poderían abordar esta lagoa potencial realizando investigacións empíricas que avalían os factores de adopción de drons en diferentes actividades agrícolas e condicións climáticas. Ademais, a investigación baseada en estudos de casos sobre a eficacia dos drons debería estar apoiada con datos reais do campo. Ademais, implicar aos agricultores e xestores na investigación académica sería vantaxoso para o avance tanto teórico como práctico da investigación con drones. Tamén puidemos identificar os investigadores máis destacados e as súas contribucións, o que é valioso porque o coñecemento dos traballos fundamentais recentes pode ofrecer algunha orientación para futuros esforzos académicos.
Táboa 9
Barreiras de adopción de UAV.
Barreira | descrición |
Seguridade dos datos | A ciberseguridade é un gran reto para a súa implementación Solucións IoT (Masroor et al., 2021). |
Interoperabilidade e integración | Diversas tecnoloxías como UAV, WSN, IoT, etc. deben integrarse e transmitir datos que aumentar o nivel de complexidade (Alsamhi et al., 2021; Popescu et al., 2020; Vuran et al., 2018). |
Custos de implantación | Este é especialmente o caso dos pequenos agricultores e para integrando diversas tecnoloxías de punta ( Masroor et al., 2021). |
Coñecemento laboral e experiencia | Necesítanse pilotos de drones cualificados para operar os UAV. Así mesmo, implementando varios de vangarda tecnoloxías requiren traballadores cualificados (YB Huang et al., 2013; Tsouros et al., 2019). |
Potencia do motor e voo duración | Os drons non se poden operar durante longas horas e cubrir grandes áreas (Hardin & Hardin, 2010; Laliberte et al., 2007). |
Estabilidade, fiabilidade e manobrabilidade | Os drons non son estables durante as malas condicións meteorolóxicas (Hardin e Hardin, 2010; Laliberte et al., 2007). |
Limitacións de carga útil e calidade dos sensores | Os drons só poden levar cargas limitadas capacidade de cargar sensores de menor calidade (Nebiker et al., 2008). |
Regulación | Como os drones tamén poden ser perigosos, hai graves normativas nalgunhas áreas (Hardin & Jensen, 2011; Laliberte & Rango, 2011). |
Coñecemento dos agricultores e interese | Como outras tecnoloxías de punta, os drones implementación exitosa precisa experiencia e tamén acompañado de incertezas (Fisher et al., 2009; Lambert et al., 2004; Stafford, 2000). |
Dado que existe unha necesidade constante de utilizar eficientemente os recursos dispoñibles para maximizar os rendementos, os agricultores poden aproveitar os drones para garantir unha exploración rápida, precisa e rendible dos seus campos. A tecnoloxía pode axudar aos agricultores a determinar o estado dos seus cultivos e avaliar o estado da auga, o estado de maduración, as infestacións de insectos e as necesidades nutricionais. As capacidades de teledetección dos avións non tripulados poden proporcionar aos agricultores datos cruciais para anticipar os problemas nunha fase inicial e realizar as intervencións axeitadas de xeito inmediato. Non obstante, os beneficios da tecnoloxía só se poden realizar se os retos se abordan adecuadamente. Á luz do
problemas actuais relacionados coa seguridade dos datos, os problemas de tecnoloxía dos sensores (por exemplo, a fiabilidade ou precisión das medicións), a complexidade da integración e os custos substanciais de implementación, os estudos futuros tamén deben examinar a viabilidade técnica, económica e operativa da integración de drones agrícolas e outros equipos de corte. tecnoloxías de punta.
Limitacións
O noso estudo ten varias limitacións. En primeiro lugar, os resultados veñen determinados polas publicacións seleccionadas para a análise final. É un reto capturar todos os estudos relevantes relacionados cos drones agrícolas, especialmente aqueles non indexados na base de datos Scopus. Ademais, o proceso de recollida de datos limítase á configuración de palabras clave de busca, que poden non ser inclusivas e levar a resultados non concluíntes. Así, os estudos futuros deben prestar máis atención á cuestión subxacente da recollida de datos a realizar
conclusións máis fiables. Outra limitación refírese ás novas publicacións cun escaso número de citas. A análise bibliométrica está sesgada cara ás publicacións anteriores xa que adoitan recibir máis citas ao longo dos anos. Os estudos recentes precisan dun tempo determinado para atraer a atención e acumular citas. En consecuencia, estudos recentes que traen un cambio de paradigma non figurarían entre as dez obras máis influentes. Esta limitación prevalece no exame de dominios de investigación que emerxen rapidamente como os drones agrícolas. Como consultamos a Scopus para estudar a literatura deste traballo, os futuros investigadores poderían considerar diferente
bases de datos, como Web of Science e IEEE Xplore, para ampliar o horizonte e mellorar a estrutura da investigación.
Os posibles estudos bibliométricos poden considerar outras fontes de coñecemento vitais, como traballos de conferencias, capítulos e libros para xerar novas ideas. A pesar de mapear e investigar publicacións globais sobre drones agrícolas, os nosos descubrimentos non revelaron as razóns detrás dos resultados académicos das universidades. Isto abre o camiño cara a unha nova área de investigación para explicar cualitativamente por que algunhas universidades son máis produtivas que outras no que se refire á investigación sobre a agricultura.
drones. Ademais, estudos futuros poderían proporcionar información sobre o potencial dos drones para aumentar a sustentabilidade da agricultura de varias maneiras, como a vixilancia ambiental, a xestión de cultivos e a cartografía de herbas daniñas, como indican varios investigadores (Chamuah e Singh, 2019; Islam et al., 2021; Popescu et al., 2020; J. Su, Liu, et al., 2018b). Dado que a análise textual non foi posible debido ao elevado número de traballos seleccionados, é necesario realizar revisións bibliográficas sistemáticas que examinen a
métodos de investigación utilizados e a implicación dos agricultores en estudos previos. En resumo, a nosa análise da investigación con drones expón as ligazóns invisibles deste corpo de coñecemento. Polo tanto, esta revisión axuda a descubrir as relacións entre publicacións e explora a estrutura intelectual do campo de investigación. Tamén describe os vínculos entre os diversos aspectos da literatura, como as palabras clave dos autores, as afiliacións e os países.
Declaración de interese competidor
Os autores declaran que non teñen intereses financeiros ou relacións persoais en competencia coñecidos que puidesen parecer influír no traballo relatado neste traballo.
Apéndice 1
TÍTULO-CLAVE ABS (((drone* OU “vehículo aéreo non tripulado” OU uav* OU “sistema de avión non tripulado” OU uas OU “avións pilotados a distancia”) E (agrícola OR agricultura OR labranza OR agricultor))) E (EXCLUIR (PUBYEAR, 2022)) E (LIMIT-TO (LINGUA, “inglés”)).
References
Aasen, H., Burkart, A., Bolten, A., Bareth, G., 2015. Xeración de información hiperespectral 3D con cámaras de instantáneas UAV lixeiras para o seguimento da vexetación: a partir de
calibración da cámara para garantir a calidade. ISPRS J. Fotograma. Remote Sens. 108, 245–259. https://doi.org/10.1016/j.isprsjprs.2015.08.002.
Abd-Elrahman, A., Pearlstine, L., Percival, F., 2005. Desenvolvemento dun algoritmo de recoñecemento de patróns para a detección automática de aves a partir de imaxes de vehículos aéreos non tripulados.
Enquisa. Terra Informar. Sci. 65 (1), 37–45.
Abdollahi, A., Rejeb, K., Rejeb, A., Mostafa, MM, Zailani, S., 2021. Redes de sensores sen fíos na agricultura: coñecementos da análise bibliométrica. Sostibilidade 13 (21),
12011.
Aboutalebi, M., Torres-Rua, AF, Kustas, WP, Nieto, H., Coopmans, C., McKee, M., Avaliación de diferentes métodos para a detección de sombras en imaxes ópticas de alta resolución e avaliación do impacto da sombra no cálculo de NDVI e evapotranspiración. Irrig. Sci. 37 (3), 407–429. https://doi.org/10.1007/s00271-018-0613-9.
Adao, ˜ T., Hruˇska, J., Padua, ´ L., Bessa, J., Peres, E., Morais, R., Sousa, JJ, 2017. Hyperspectral imaging: a review on UAV-based sensors, data procesamento e
aplicacións para a agricultura e a silvicultura. Teledetección 9 (11). https://doi.org/ 10.3390/rs9111110.
Agüera Vega, F., Ramírez, FC, Saiz, MP, Rosúa, FO, 2015. Imaxe multitemporal mediante un vehículo aéreo non tripulado para o seguimento dun cultivo de xirasol. Biosist. Eng.
132, 19–27. https://doi.org/10.1016/j.biosystemseng.2015.01.008.
Ajayi, OG, Salubi, AA, Angbas, AF, Odigure, MG, 2017. Xeración de modelos de elevación dixitais precisos a partir de imaxes superpostas de baixa porcentaxe adquiridas por UAV. Int.
J. Remote Sens. 38 (8–10), 3113–3134. https://doi.org/10.1080/ 01431161.2017.1285085.
Ali, I., Greifeneder, F., Stamenkovic, J., Neumann, M., Notarnicola, C., 2015. Revisión de enfoques de aprendizaxe automática para a obtención de biomasa e humidade do solo a partir de datos de teledetección. Teledetección 7 (12), 16398–16421.
Alsamhi, SH, Afghah, F., Sahal, R., Hawbani, A., Al-qaness, MAA, Lee, B., Guizani, M., Green internet of things using UAVs in B5G networks: A review of applications
e estratexias. Anuncio. Hoc. Rede. 117, 102505 https://doi.org/10.1016/j. adhoc.2021.102505.
Al-Thani, N., Albuainain, A., Alnaimi, F., Zorba, N., 2020. Drones for Sheep Livestock Monitoring. En: 20th IEEE Mediterranean Electrotechnical Conference. https://doi.
org/10.1109/MELECON48756.2020.9140588.
Ampatzidis, Y., Partel, V., 2019. Fenotipado de alto rendemento baseado en UAV en cítricos utilizando imaxes multiespectrais e intelixencia artificial. Detección remota 11 (4), https://doi.org/10.3390/rs11040410.
Ampatzidis, Y., Partel, V., Costa, L., 2020. Agroview: aplicación baseada na nube para procesar, analizar e visualizar datos recollidos por UAV para aplicacións de agricultura de precisión que utilizan intelixencia artificial. Informática. Electrón. Agrícola. 174, 105457 https://doi. org/10.1016/j.compag.2020.105457.
Ang, K.-L.-M., Seng, JKP, 2021. Big data e machine learning con información hiperespectral na agricultura. Acceso IEEE 9, 36699–36718. https://doi.org/10.1109/
ACCESO.2021.3051196.
Aquilani, C., Confessore, A., Bozzi, R., Sirtori, F., Pugliese, C., 2022. Review: precision Livestock Farming technologies in pasture-based livestock systems. Animal 16 (1), https://doi.org/10.1016/j.animal.2021.100429.
Armenta-Medina, D., Ramírez-Delreal, TA, Villanueva-Vasquez, ´ D., Mejía-Aguirre, C., Trends on advanced information and communication technologies for
Mellora das produtividades agrícolas: unha análise bibliométrica. Agronomía 10 (12), artigo 12. https://doi.org/10.3390/agronomy10121989.
Armstrong, I., Pirrone-Brusse, M., Smith, A., Jadud, M., 2011. The flying gator: to aerial robotics in occam-π. Comun. Arquitecto de Procesos. 2011, 329–340. https://doi. org/10.3233/978-1-60750-774-1-329.
Arora, SD, Chakraborty, A., 2021. Estrutura intelectual da investigación do comportamento de queixa do consumidor (CCB): unha análise bibliométrica. J. Res. Empresarial. 122, 60–74.
Aslan, MF, Durdu, A., Sabanci, K., Ropelewska, E., Gültekin, SS, 2022.
Un estudo completo dos estudos recentes con UAV para a agricultura de precisión en campos abertos e invernadoiros. Aplicación. Sci. 12 (3), 1047. https://doi.org/10.3390/
aplicación 12031047.
Atkinson, JA, Jackson, RJ, Bentley, AR, Ober, E. e Wells, DM (2018). Fenotipado de campo para o futuro. En Annual Plant Reviews en liña (páxs. 719–736). Xoán
Wiley & Sons, Ltd. doi: 10.1002/9781119312994.apr0651.
Austin, R., 2010. Unmanned Aircraft Systems: UAVS Design, Development and Deployment. En: Unmanned Aircraft Systems: UAVS Design, Development and
Despregamento. John Wiley and Sons. 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. A detección remota baseada en UAV no estrés das plantas imaxina usar un sensor térmico de alta resolución para prácticas de agricultura dixital: unha meta-revisión. Int. J. Ambiente. Sci. Tecnol. 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. Agricultura intelixente: oportunidades, desafíos
e facilitadores tecnolóxicos. 2018 IoT Vertical e. Cumio tópico sobre Agricultura-Toscana (IOT Toscana) 1–6. https://doi.org/10.1109/IOTTUSCANY.2018.8373043.
Bah, MD, Hafiane, A., Canals, R., 2018. Aprendizaxe profunda con etiquetado de datos non supervisado para a detección de herbas daniñas en cultivos en liña en imaxes de UAV. Detección remota 10 (11), 1690.
https://doi.org/10.3390/rs10111690.
Baldi, S., 1998. Procesos normativistas versus constructivistas sociais na asignación de citas: un modelo analítico en rede. Am. Sociol. 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. Assessment of vineyard water status variability by thermal and multispectral
imaxes utilizando un vehículo aéreo non tripulado (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.,Cría da seguinte xeración. Planta Sci. 242, 3–13. https://doi.org/10.1016/j.
plantsci.2015.07.010.
Barbedo, JGA, Koenigkan, LV, 2018. Perspectivas sobre o uso de sistemas aéreos non tripulados para controlar o gando. Outlook Agrícola. 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. Hiperespectral de baixo peso e baseado en UAV cámaras de fotograma completo
para o seguimento dos cultivos: comparación espectral con medicións de espectroradiómetros portátiles. Fotogrametría, 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., Aerial remote sensing in agriculture: A practical approach to area coverage
e planificación de rutas para flotas de mini robots aéreos. 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. A survey on the application of path-planning algorithms for multi-rotor UAVs in precision
agricultura. J. Navegación. 75 (2), 364–383.
Basnet, B., Bang, J., 2018. O estado da arte da agricultura intensiva en coñecemento: unha revisión sobre sistemas de detección aplicados e análise de datos. J. Sens. 2018, 1–13.
Bendig, J., Bolten, A., Bareth, G., 2013. Imaxes baseadas en UAV para modelos de superficie de cultivo multitemporais e de moi alta resolución para controlar a variabilidade do crecemento dos cultivos. Photogrammetrie, Fernerkundung, Geoinformation 2013 (6), 551–562. https://doi. org/10.1127/1432-8364/2013/0200.
Bendig, J., Bolten, A., Bennertz, S., Broscheit, J., Eichfuss, S., Bareth, G., 2014. Estimación da biomasa de cebada mediante modelos de superficie de cultivo (CSM) derivados de imaxes RGB baseadas en UAV. Detección remota 6 (11), 10395–10412.
Bendig, J., Yu, K., Aasen, H., Bolten, A., Bennertz, S., Broscheit, J., Gnyp, ML, Bareth, G., 2015. Combinando a altura da planta baseada en UAV desde a superficie do cultivo modelos,
índices de vexetación visible e infravermello próximo para o seguimento da biomasa en cebada. Int. J. Apl. Obs. da Terra. Xeoinf. 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. Mapeo de condutividade de copa e CWSI en oliveiras mediante alta resolución
Imaxes de teledetección térmica. Remote Sens. Environ. 113 (11), 2380–2388. https://doi.org/10.1016/j.rse.2009.06.018.
Berni, JA, Zarco-Tejada, PJ, Suárez, ´ L., Fereres, E., 2009b. Teledetección multiespectral térmica e de banda estreita para o seguimento da vexetación desde un vehículo aéreo non tripulado. IEEE Trans. Xeoscos. Sensores remotos 47 (3), 722–738.
Bouzembrak, Y., Klüche, M., Gavai, A., Marvin, HJP, 2019. Internet das cousas na seguridade alimentaria: revisión da literatura e análise bibliométrica. Tendencias Food Science. Tecnol. 94,54–64. https://doi.org/10.1016/j.tifs.2019.11.002.
Brewster, C., Roussaki, I., Kalatzis, N., Doolin, K., Ellis, K., 2017. IoT in agriculture: Designing a Europe-wide large-scale pilot. Comunidade IEEE. Mag. 55 (9), 26–33.
Buters, TM, Belton, D., Cross, AT, 2019. Seguimento de UAV multisensor de mudas individuais e comunidades de mudas con precisión milimétrica. Drones 3 (4), 81.
https://doi.org/10.3390/drones3040081.
Candiago, S., Remondino, F., De Giglio, M., Dubbini, M., Gattelli, M., 2015. Avaliación de imaxes multiespectrais e índices de vexetación para aplicacións de agricultura de precisión a partir de imaxes de UAV. Detección remota 7 (4), 4026–4047. https://doi.org/10.3390/rs70404026.
Cao, Y., Li, GL, Luo, YK, Pan, Q., Zhang, SY, 2020. Seguimento dos indicadores de crecemento da remolacha azucreira mediante o índice de vexetación de rango dinámico amplo (WDRVI) derivado de UAV
imaxes multiespectrais. Informática. Electrón. Agrícola. 171, 105331 https://doi.org/10.1016/j.compag.2020.105331.
Casillas, J., Acedo, F., 2007. Evolution of the intellectual structure of family business literature: a bibliometric study of FBR. Empresa familiar 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. Seguimento dinámico da biomasa de arroz baixo
diferentes tratamentos con nitróxeno utilizando un UAV lixeiro con cámaras de fotos de cadro de imaxe dual. Métodos vexetais 15 (1), 32. https://doi.org/10.1186/s13007-019-
0418-8.
Chamuah, A., Singh, R., 2019. Asegurar a sustentabilidade na agricultura india mediante UAV civil: unha perspectiva de innovación responsable. Aplicación SN. Sci. 2 (1), 106. https://
doi.org/10.1007/s42452-019-1901-6.
Chamuah, A., Singh, R., 2022. Gobernanza responsable das innovacións de vehículos aéreos non tripulados civís (UAV) para aplicacións de seguros de cultivos na India. J. Responsable
Tecnol. 9, 100025 https://doi.org/10.1016/j.jrt.2022.100025.
Chen, A., Orlov-Levin, V., Meron, M., 2019. Aplicando imaxes aéreas de canle visible de alta resolución do dosel de cultivos para a xestión de irrigación de precisión. Agrícola. Auga
Xestionar. 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 lixeiro con fotogrametría a bordo e posicionamento GPS de frecuencia única para aplicacións de metroloxía. ISPRS J. Fotograma. Sensores remotos 127, 115–126. https://doi.org/10.1016/j.isprsjprs.2016.12.007.
Dawaliby, S., Aberkane, A., Bradai, A., 2020. Plataforma IoT baseada en blockchain para a xestión autónoma de operacións de drones. En: Actas da 2a ACM
Taller de MobiCom sobre comunicacións sen fíos asistidas por drones para 5G e máis alá, páxinas 31–36. https://doi.org/10.1145/3414045.3415939.
Day, RA, Gastel, B., 1998. Como escribir e publicar un artigo científico. Cambridge University Press. de Castro, AI, Pena, ˜ JM, Torres-Sanchez, ´ J., Jim´enez-Brenes, FM, ValenciaGredilla, F., Recasens, J., Lopez-Granados, ´ F., 2020. Mapping cynodon dactylon infesting cultivos de cobertura cun procedemento automático de árbore de decisión-OBIA e imaxes UAV para a viticultura de precisión. Teledetección 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. An automatic random forest-OBIA algorithm for cartografía temperá de herbas daniñas entre e dentro das filas de cultivos utilizando imaxes de UAV. Teledetección 10 (2). https://doi.org/10.3390/rs10020285.
Demir, N., Sonmez, ¨ NK, Akar, T., Ünal, S., 2018. Medición automatizada da altura das plantas de xenotipos de trigo usando un DSM derivado de imaxes de UAV. Expedientes 2 (7), 350. https://doi.org/10.3390/ecrs-2-05163.
Deng, J., Zhong, Z., Huang, H., Lan, Y., Han, Y., Zhang, Y., 2020. Rede de segmentación semántica lixeira para cartografía de herbas daniñas en tempo real utilizando vehículos aéreos non tripulados. Aplicación. Sci. 10 (20), 7132. https://doi.org/10.3390/app10207132.
Deng, L., Mao, Z., Li, X., Hu, Z., Duan, F., Yan, Y., 2018. Teledetección multiespectral baseada en UAV para a agricultura de precisión: unha comparación entre diferentes cámaras. ISPRS J. Fotograma. Sensores remotos 146, 124–136.
Díaz-Gonzalez, FA, Vuelvas, J., Correa, CA, Vallejo, VE, Patino, D., 2022. Machine learning and remote sensing techniques apply to estimate soil indicators – review. Ecol. Ind. 135, 108517 https://doi.org/10.1016/j.ecolind.2021.108517.
Díaz-Varela, RA, De la Rosa, R., León, ´ L., Zarco-Tejada, PJ, 2015. High-resolution airborne UAV imagery to assess olive tree crown parameters using 3D photo
reconstrución: aplicación en ensaios de reprodución. Detección remota 7 (4), 4213–4232. https://doi.org/10.3390/rs70404213.
Dixit, A., Jakhar, SK, 2021. Xestión da capacidade aeroportuaria: unha revisión e análise bibliométrica. J. Transp. Aérea. Xestionar. 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.
Usando imaxes de RapidEye para identificar a variabilidade dentro do campo do crecemento e do rendemento dos cultivos en Ontario, Canadá. Agricultura de Precisión. 20 (6), 1231–1250. https://doi.org/10.1007/
s11119-019-09646-w.
Dutta, PK, Mitra, S., 2021. Aplicación de drones agrícolas e iot para comprender a cadea de subministración de alimentos durante o post COVID-19. En: Choudhury, A., Biswas, A., Prateek, M.,
Chakrabarti, A. (Eds.), Agricultural Informatics: Automation Using the IoT and Machine Learning. Wiley, páxinas 67–87. van Eck, N., Waltman, L., 2009. Enquisa de software: VOSviewer, un programa informático para mapeo bibliométrico. Cienciometria 84 (2), 523–538. https://doi.org/10.1007/s11192-009-0146-3.
Elijah, O., Rahman, TA, Orikumhi, I., Leow, CY, Hindia, MN, 2018. Unha visión xeral da Internet das cousas (IoT) e da análise de datos na agricultura: beneficios e desafíos.
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. Validation of agronomic UAV e campo
Medidas para variedades de tomate. Informática. Electrón. Agrícola. 158, 278–283. https:// doi.org/10.1016/j.compag.2019.02.011.
Espinoza, CZ, Khot, LR, Sankaran, S., Jacoby, PW, 2017. Avaliación do estrés hídrico baseada en teledetección e multiespectral de alta resolución en
vides de regadío subterráneo. Teledetección 9 (9), 961. https://doi.org/ 10.3390/rs9090961.
Ewing, J., Oommen, T., Jayakumar, P., Alger, R., 2020. Utilizando a teledetección hiperespectral para a gradación do solo. Detección remota 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. Avaliación multiescala de índices de reflectancia de superficie multiespectral e de vexetación baseados en drons en condicións operativas. Detección remota 12 (3), 514.
Feng, X., Yan, F., Liu, X., 2019. Estudo das tecnoloxías de comunicación sen fíos na Internet das cousas para a agricultura de precisión. Sen fíos Pers. Comun. 108 (3),
1785-1802.
Ferreira, MP, Pinto, CF, Serra, FR, 2014. The transaction costs theory in international business research: a bibliometric study over three decades. Cienciometria 98 (3), 1899–1922. https://doi.org/10.1007/s11192-013-1172-8.
Fisher, P., Abuzar, M., Rab, M., Best, F., Chandra, S., 2009. Avances na agricultura de precisión no sueste de Australia. I. unha metodoloxía de regresión para simular
variación espacial dos rendementos de cereais utilizando os rendementos históricos dos paddock dos agricultores e o índice de vexetación de diferenza normalizada. Cultivo Pastos Sci. 60 (9), 844–858.
Floreano, D., Wood, RJ, 2015. Ciencia, tecnoloxía e o futuro dos pequenos drones autónomos. Natureza 521 (7553), 460–466. https://doi.org/10.1038/nature14542.
Friha, O., Ferrag, MA, Shu, L., Maglaras, LA, Wang, X., 2021. Internet das cousas para o futuro da agricultura intelixente: unha enquisa completa das tecnoloxías emerxentes. 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. Fig plant segmentation a partir de imaxes aéreas utilizando unha rede profunda de codificador-decodificador convolucional. Detección remota 11 (10), 1157. https://doi.org/10.3390/rs11101157.
Gago, J., Douthe, C., Coopman, RE, Gallego, PP, Ribas-Carbo, M., Flexas, J., Escalona, J., Medrano, H., 2015. UAVs challenge to assess water stress for
agricultura sostible. Agrícola. Xestión da auga. 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. Termoimaxe na planta
nivel para avaliar o estado hídrico dos cultivos nos améndoos (cv. Guara) baixo estratexias de rega deficitaria. Agrícola. Xestión da auga. 208, 176–186. https://doi.org/10.1016/j.
agwat.2018.06.002.
Garzonio, R., Di Mauro, B., Colombo, R., Cogliati, S., 2017. Medidas de reflectancia superficial e espectroscopia de fluorescencia inducida polo sol usando un pequeno UAS hiperespectral. Teledetección 9 (5), 472. https://doi.org/10.3390/rs9050472. Gaˇsparovi´c, M., Zrinjski, M., Barkovi´c, Đ., Radoˇcaj, D., 2020. An automatic method for
cartografía de malas herbas nos campos de avea baseado en imaxes de UAV. Informática. Electrón. Agrícola.
Gebbers, R., Adamchuk, VI, 2010. Agricultura de precisión e seguridade alimentaria. Science 327 (5967), 828–831. https://doi.org/10.1126/science.1183899.
Geipel, J., Link, J., Claupein, W., 2014. Modelado espectral e espacial combinado do rendemento do millo baseado en imaxes aéreas e modelos de superficie de cultivo adquiridos cun sistema de avións non tripulados. Detección remota 6 (11), 10335–10355. https://doi.org/10.3390/rs61110335.
Geng, D., Feng, Y., Zhu, Q., 2020. Deseño sostible para usuarios: unha revisión da literatura e análise bibliométrica. Entorno. Sci. Contaminar. Res. 27 (24), 29824–29836. https://doi. org/10.1007/s11356-020-09283-1.
Gevaert, CM, Suomalainen, J., Tang, J., Kooistra, L., 2015. Xeración de superficies de resposta espectraltemporal combinando satélite multiespectral e hiperespectral
Imaxes de UAV para aplicacións de agricultura de precisión. IEEE J. Sel. Arriba. Aplicación. Obs. da Terra. Sensores remotos 8 (6), 3140–3146. ttps://doi.org/10.1109/JSTARS.2015.2406339.
Gill, SS, Chana, I., Buyya, R., 2017. A agricultura baseada en IoT como servizo de nube e big data: o comezo da India dixital. J. Org. e Informática do usuario final. (JOEUC) 29 (4),
1-23.
Gmür, M., 2006. Análise da cocitación e a procura de colexios invisibles: unha avaliación metodolóxica. Cienciometria 57 (1), 27–57. https://doi.org/10.1023/
A: 1023619503005.
Gnadinger, ¨ F., Schmidhalter, U., 2017. Recontos dixitais de plantas de millo por vehículos aéreos non tripulados (UAV). Teledetección 9 (6). Https://doi.org/10.3390/rs9060544.
Gokto ¨ ǧan, AH, Sukkarieh, S., Bryson, M., Randle, J., Lupton, T., Hung, C., 2010. Un vehículo aéreo non tripulado de ala rotativa para a vixilancia de herbas daniñas
xestión. J. Intel. Sistema Robótico: Theor. Aplicación. 57 (1–4), 467–484. https://doi. org/10.1007/s10846-009-9371-5.
Gómez-Cand ´ on, ´ D., De Castro, AI, López-Granados, ´ F., 2014. Assessing the accuracy of mosaics from unmanned aerial vehicle (UAV) imagery for precision agriculture purposes in wheat. Preciso. Agrícola. 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. Fenotipado de campo do estrés hídrico a escala de árbores mediante imaxes detectadas por UAV : novas perspectivas para
adquisición e calibración térmicas. Preciso. Agrícola. 17 (6), 786–800. https://doi.org/10.1007/s11119-016-9449-6.
Gonzalez-Dugo, V., Zarco-Tejada, PJ, Fereres, E., 2014. Aplicabilidade e limitacións do uso do índice de estrés hídrico do cultivo como indicador de déficits hídricos en hortas de cítricos. Agrícola. Para. Meteorol. 198–199, 94–104. https://doi.org/10.1016/j. agrformet.2014.08.003.
Gonzalez-Dugo, V., Zarco-Tejada, P., Nicolas, ´ E., Nortes, PA, Alarcon, ´ JJ, Intrigliolo, DS, Fereres, E., 2013. Using high resolution UAV thermal imagery to
avaliar a variabilidade do estado hídrico de cinco especies de árbores froiteiras dentro dunha horta comercial. Preciso. Agrícola. 14 (6), 660–678. https://doi.org/10.1007/s11119-013-9322-9.
Goyal, K., Kumar, S., 2021. Financial literacy: A systematic review and bibliometric analysis. Int. J. Consumer Studies 45 (1), 80-105. https://doi.org/10.1111/
ijcs.12605.
Grenzdorffer, ¨ GJ, Engel, A., Teichert, B., 2008. O potencial fotogramétrico dos uavs de baixo custo na silvicultura e a agricultura. Arquivos Internacionais de Fotogrametría, Teledetección e Ciencias da Información Espacial – Arquivos 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. Avaliación da correlación de alta resolución
NDVI con nivel de aplicación de fertilizantes e rendemento de cultivos de arroz e trigo utilizando pequenos UAV. Detección remota 11 (2), 112.
Gundolf, K., Filser, M., 2013. Investigación de xestión e relixión: unha análise de citas. J. Autobús. Ética 112 (1), 177–185.
Guo, Q., Zhu, Y., Tang, Y., Hou, C., He, Y., Zhuang, J., Zheng, Y., Luo, S., 2020. Simulación CFD e verificación experimental do espazo e distribucións temporais de
o fluxo de aire descendente dun UAV agrícola de catro rotores en flotación. Informática. Electrón. Agrícola. 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.
Aplicación de sistemas aéreos non tripulados para o fenotipado de alto rendemento de grandes viveiros de cultivo de trigo. Métodos vexetais 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. Imaxes espectrales de UAV baixo diferentes condicións de iluminación . En GG Bill R. (Ed.), International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences—ISPRS Archives (Vol. 40, Issue 1W2, pp. 189-194). Sociedade Internacional de Fotogrametría e Teledetección. 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. Técnicas de avaliación para mapear a vexetación das illas a partir de antenas non tripuladas
imaxes de vehículos (UAV): clasificación de píxeles, interpretación visual e enfoques de aprendizaxe automática. Int. J. Apl. Obs. da Terra. Xeoinf. 89, 102085 https://doi.org/
10.1016/j.jag.2020.102085.
Haque, A., Islam, N., Samrat, NH, Dey, S., Ray, B., 2021. Agricultura intelixente a través do liderado responsable en Bangladesh: posibilidades, oportunidades e máis aló.
Sostibilidade 13 (8), 4511.
Hardin, PJ, Hardin, TJ, 2010. Vehículos pilotados remotamente a pequena escala na investigación ambiental. Compás xeográfico 4 (9), 1297–1311. ttps://doi.org/10.1111/j.1749-
8198.2010.00381.x.
Hardin, PJ, Jensen, RR, 2011. Vehículos aéreos non tripulados a pequena escala en teledetección ambiental: desafíos e oportunidades. GISci. Sensores remotos 48 (1), 99–111. https://doi.org/10.2747/1548-1603.48.1.99.
He, Y., Nie, P., Zhang, Q., Liu, F., 2021. Internet agrícola das cousas: tecnoloxías e aplicacións, (1ª ed. 2021 edición). 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.
Imaxe dun vehículo aéreo non tripulado: vixilancia agrícola e apoio á decisión. Informática. Electrón. Agrícola. 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, Fenotipado de campo de alto rendemento da altura e taxa de crecemento da planta de trigo en ensaios de parcelas de campo mediante detección remota baseada en UAV. Teledetección 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. Procesamento e avaliación de imaxes espectrométricas e estereoscópicas recollidas mediante unha cámara espectral UAV lixeira para a agricultura de precisión. Detección remota 5 (10), 5006–5039. https://doi.org/10.3390/rs5105006.
Hossein Motlagh, N., Taleb, T., Arouk, O., 2016. Servizos de internet das cousas baseados en vehículos aéreos non tripulados a baixa altitude: investigación completa e perspectivas futuras. 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. Navegación combinada de fluxo óptico e estéreo de canóns urbanos para un UAV. En: 2005 IEEE/RSJ
Conferencia Internacional sobre Robots e Sistemas Intelixentes, páxs. 3309–3316. https://doi.org/10.1109/IROS.2005.1544998.
Hsu, T.-C., Yang, H., Chung, Y.-C., Hsu, C.-H., 2020. Unha plataforma de agricultura IoT creativa para a computación de néboa na nube. Sostén. Informática. Inf. Syst. 28, 100285.
Huang, H., Deng, J., Lan, Y., Yang, A., Deng, X., Zhang, L., Gonzalez-Andujar, JL, 2018. Unha rede totalmente convolucional para o mapeo de herbas daniñas de vehículos aéreos non tripulados ( UAV) imaxes. PLoS ONE 13 (4), e0196302.
Huang, H., Lan, Y., Yang, A., Zhang, Y., Wen, S., Deng, J., 2020. Aprendizaxe profunda fronte á análise de imaxes baseada en obxectos (OBIA) na cartografía de herbas daniñas de imaxes de UAV. Int. J.
Remote Sens. 41 (9), 3446–3479. https://doi.org/10.1080/01431161.2019.1706112.
Huang, H., Yang, A., Tang, Y., Zhuang, J., Hou, C., Tan, Z., Dananjayan, S., He, Y., Guo, Q., Luo, S., 2021. Calibración de cores profunda para imaxes de UAV no seguimento de cultivos
utilizando a transferencia de estilo semántico con atención local a global. Int. J. Apl. Obs. da Terra. Xeoinf. 104, 102590 https://doi.org/10.1016/j.jag.2021.102590.
Huang, YB, Thomson, SJ, Hoffmann, WC, Lan, YB, Fritz, BK, 2013. Desenvolvemento e perspectiva de tecnoloxías de vehículos aéreos non tripulados para a produción agrícola
xestión. Int. J. Agric. Biol. Eng. 6 (3), 1–10. https://doi.org/10.3965/j. ijabe.20130603.001.
Huang, Y., Hoffmann, WC, Lan, Y., Wu, W., Fritz, BK, 2009. Desenvolvemento dun sistema de pulverización para unha plataforma de vehículos aéreos non tripulados. Aplicación. Eng. Agrícola. 25 (6), 803–809.
Hunt Jr., ER, Dean Hively, W., Fujikawa, SJ, Linden, DS, Daughtry, CST, McCarty, GW, 2010. Adquisición de fotografías dixitais NIR-verde-azul de
aeronaves non tripuladas para o seguimento de cultivos. Detección remota 2 (1), 290–305. https://doi. org/10.3390/rs2010290. Inoue, Y., 2020. Teledetección baseada en satélites e drones de cultivos e solos para a agricultura intelixente: unha revisión. Ciencia do solo. Planta Nutr. 66 (6), 798–810. https://doi.org/10.1080/00380768.2020.1738899.
Islam, N., Rashid, MM, Pasandideh, F., Ray, B., Moore, S., Kadel, R., 2021. Unha revisión das aplicacións e tecnoloxías de comunicación para Internet das cousas (IoT) e
Agricultura intelixente sustentable baseada en vehículos aéreos non tripulados (UAV). Sostibilidade 13 (4), 1821. https://doi.org/10.3390/su13041821.
Jaud, M., Passot, S., Le Bivic, R., Delacourt, C., Grandjean, P., Le Dantec, N., 2016. Avaliando a precisión dos modelos de superficie dixital de alta resolución calculados por
PhotoScan® e MicMac® en condicións de levantamento subóptimas. Detección remota 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. Quantifying pruning impacts on olive tree architecture and annual crecemento do dosel mediante o modelado 3D baseado en UAV. Métodos vexetais 13 (1). https://doi.org/10.1186/s13007-017-0205-3.
Jin, X., Liu, S., Baret, F., Hemerl´e, M., Comar, A., 2017. Estimacións da densidade de plantas dos cultivos de trigo na emerxencia de imaxes de UAV a moi baixa altitude. Sensores remotos.
Entorno. 198, 105–114. https://doi.org/10.1016/j.rse.2017.06.007.
Jinbo, C., Xiangliang, C., Han-Chi, F., Lam, A., 2019. Sistema de seguimento de produtos agrícolas compatible con computación en nube. Cluster Computación. 22 (4), 8929–8938.
Ju, C. e Son, HI 2018a. Avaliación do rendemento de múltiples sistemas UAV para teledetección na agricultura. Proceedings of the Workshop on Robotic Vision and Action in Agriculture na Conferencia Internacional de IEEE sobre Robótica e Automatización (ICRA), Brisbane, Australia, 21–26.
Ju, C., Son, HI, 2018b. Múltiples sistemas UAV para aplicacións agrícolas: control, implantación e avaliación. Electrónica 7 (9), 162. https://doi.org/10.3390/
electrónica 7090162.
Jung, J., Maeda, M., Chang, A., Bhandari, M., Ashapure, A., Landivar-Bowles, J., 2021. The potential of remote sensing and artificial intelligence as tools to improve the
resiliencia dos sistemas de produción agrícola. Curr. Opinar. Biotecnoloxía. 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. Unha técnica mellorada de exploración de cultivos que incorpora imaxes de cultivos multiespectrales asistidas por vehículos aéreos non tripulados na práctica de exploración convencional para o tizón do talo gomoso na sandía. Planta Dis. 103 (7), 1642–1650.
Kapoor, KK, Tamilmani, K., Rana, NP, Patil, P., Dwivedi, YK, Nerur, S., 2018. Avances na investigación de redes sociais: pasado, presente e futuro. Informar. Syst. Diante. 20
(3), 531-558.
Kerkech, M., Hafiane, A., Canals, R., 2020. VddNet: rede de detección de enfermidades da vide baseada en imaxes multiespectrais e mapa de profundidade. Teledetección 12 (20), 3305. https://doi. org/10.3390/rs12203305.
Khaliq, A., Comba, L., Biglia, A., Ricauda Aimonino, D., Chiaberge, M., Gay, P., 2019. Comparación de imaxes multiespectrais baseadas en satélite e UAV para viñedos
avaliación da variabilidade. Teledetección 11 (4). https://doi.org/10.3390/rs11040436.
Khan, PW, Byun, Y.-C., Park, N., 2020. Sistema de procedencia optimizado habilitado para IoT-blockchain para a industria alimentaria 4.0 mediante aprendizaxe profunda avanzada. Sensores 20 (10), 2990.
Khan, RU, Khan, K., Albattah, W., Qamar, AM, Ullah, F., 2021. Detección baseada en imaxes de enfermidades vexetais: desde a aprendizaxe automática clásica ata a viaxe de aprendizaxe profunda. Comunicación sen fíos. Informática móbil. 2021, 1–13.
Khan, S., Tufail, M., Khan, MT, Khan, ZA, Iqbal, J., Alam, M., Le, KNQ, 2021. Un novo marco semi-supervisado para a clasificación de cultivos / herbas daniñas baseada en UAV. PLoS ONE 16 (5), e0251008.
Khanal, S., Fulton, J., Shearer, S., 2017. Unha visión xeral das aplicacións actuais e potenciais da teledetección térmica na agricultura de precisión. Informática. Electrón.
Agrícola. 139, 22–32. https://doi.org/10.1016/j.compag.2017.05.001.
Khanna, A., Kaur, S., 2019. Evolución da Internet das Cousas (IoT) e o seu impacto significativo no campo da Agricultura de Precisión. Informática. Electrón. Agrícola. 157, 218–231.
Kim, W., Khan, GF, Wood, J., Mahmood, MT, 2016. Compromiso dos empregados para organizacións sustentables: análise de palabras clave mediante análise e explosión de redes sociais
enfoque de detección. Sostibilidade 8 (7), 631.
Kirsch, M., Lorenz, S., Zimmermann, R., Tusa, L., Mockel, ¨ R., Hodl, ¨ P., Booysen, R., Khodadadzadeh, M., Gloaguen, R., 2018. Integración terrestres e transportados por drones
métodos de detección hiperespectral e fotogramétrica para mapeo de exploración e seguimento mineiro. Detección remota 10 (9), 1366. https://doi.org/10.3390/
rs10091366.
Kitano, BT, Mendes, CCT, Geus, AR, Oliveira, HC, Souza, JR, 2019. Reconto de plantas de millo mediante deep learning e imaxes de UAV. IEEE Geosci. Sensores remotos Lett. 1–5 https://doi.org/10.1109/LGRS.2019.2930549.
Koh, JCO, Spangenberg, G., Kant, S., 2021. Aprendizaxe automática automatizada para o fenotipado vexetal baseado en imaxes de alto rendemento. Detección remota 13 (5), 858. https://
doi.org/10.3390/rs13050858.
Kovalev, IV, Voroshilova, AA, 2020. Tendencias tecnolóxicas modernas no desenvolvemento do ecosistema de UAV de carga. J. Física. 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 for indoor ganade and farming using a small drone with a monocular camera: a factibility study.
Drones 5 (2), 41. https://doi.org/10.3390/drones5020041.
Kulbacki, M., Segen, J., Knie´c, W., Klempous, R., Kluwak, K., Nikodem, J., Kulbacka, J., Serester, A., 2018. Survey of drones for agriculture automation dende a plantación ata
colleita. En: INES 2018 – IEEE 22nd International Conference on Intelligent Engineering Systems, pp. 000353–358. https://doi.org/10.1109/INES.2018.8523943.
Lagkas, T., Argyriou, V., Bibi, S., Sarigiannidis, P., 2018. Visións e desafíos do marco UAV IoT: cara a protexer os drones como "Cousas". Sensores 18 (11), 4015. https://doi.org/10.3390/s18114015.
Laliberte, AS, Rango, A., 2011. Procesamento de imaxes e procedementos de clasificación para a análise de imaxes sub-decimétricas adquiridas cunha aeronave non tripulada sobre zonas áridas.
pastizales. GISci. Sensores remotos 48 (1), 4–23. https://doi.org/10.2747/1548-1603.48.1.4.
Laliberte, AS, Rango, A., Herrick, JE, 2007. Vehículos aéreos non tripulados para mapeo e seguimento de pastizales: unha comparación de dous sistemas. Actas da Conferencia Anual da ASPRS.
Lam, OHY, Dogotari, M., Prüm, M., Vithlani, HN, Roers, C., Melville, B., Zimmer, F., Becker, R., 2021. Un fluxo de traballo de código aberto para o mapeo de herbas daniñas nos pastos nativos.
utilizando un vehículo aéreo non tripulado: Uso de Rumex obtusifolius como caso práctico. EUR. J.Remote Sens. 54 (sup1), 71–88. https://doi.org/10.1080/22797254.2020.1793687.
Lambert, DM, Lowenberg-DeBoer, J., Griffin, TW, Peone, J., Payne, T., Daberkow, SG, 2004. Adopción, rendibilidade e mellor uso dos datos da agricultura de precisión.
Documento de traballo. Universidade de Purdue. https://doi.org/10.22004/ag.econ.28615.
Lelong, CCD, Burger, P., Jubelin, G., Roux, B., Labb´e, S., Baret, F., 2008. Assessment of unmanned aerial vehicles imagery for quantitative monitoring of wheat crop in small plots. Sensores 8 (5), 3557–3585. https://doi.org/10.3390/s8053557.
Li, C., Niu, B., 2020. Deseño de agricultura intelixente baseada en big data e Internet das cousas. Int. J. Distribuír. Rede de Sens. 16 (5) ttps://doi.org/10.1177/1550147720917065.
Li, W., Niu, Z., Chen, H., Li, D., Wu, M., Zhao, W., 2016. Estimación remota da altura do dosel e da biomasa aérea do millo utilizando imaxes estéreo de alta resolución a partir dun sistema de vehículos aéreos non tripulados de baixo custo. Ecol. Ind. 67, 637–648. https://doi.org/10.1016/j.ecolind.2016.03.036.
Liakos, KG, Busato, P., Moshou, D., Pearson, S., Bochtis, D., 2018. Machine learning in agriculture: a review. Sensores 18 (8), 2674.
Liebisch, F., Kirchgessner, N., Schneider, D., Walter, A., Hund, A., 2015. Fenotipado remoto e aéreo dos trazos do millo cun enfoque multisensor móbil. Métodos vexetais 11 (1), 9. https://doi.org/10.1186/s13007-015-0048-8.
Lin, Z., Guo, W., 2020. Detección e reconto de panículas de sorgo mediante imaxes de sistemas aéreos non tripulados e aprendizaxe profunda. Diante. Planta Sci. 11.
Liu, S., Guo, L., Webb, H., Ya, X., Chang, X., 2019. Sistema de vixilancia da Internet das cousas da ecoagricultura moderna baseado na computación en nube. Acceso IEEE 7, 37050–37058.
López-Granados, ´ F., 2011. Detección de malas herbas para o manexo de malas herbas específicas do sitio: cartografía e enfoques en tempo real. Weed Res. 51 (1), 1–11. https://doi.org/10.1111/j.1365-3180.2010.00829.x.
López-Granados, ´ F., Torres-Sanchez, ´ J., De Castro, A.-I., Serrano-P´erez, A., MesasCarrascosa, F.-J., Pena, ˜ J.-M. , 2016. Monitorización precoz baseada en obxectos dunha herba daniña nun cultivo de herba usando imaxes de UAV de alta resolución. Agrón. Sostén. Dev. 36 (4), 1–12
López-Granados, ´ F., Torres-S´ anchez, J., Serrano-P´erez, A., de Castro, AI, MesasCarrascosa, F.-J., Pena, ˜ J.-M., 2016. Mapeo de malas herbas no inicio da tempada no xirasol mediante a tecnoloxía UAV: variabilidade dos mapas de tratamento de herbicidas fronte aos limiares das malas herbas. Preciso. Agrícola. 17 (2), 183–199.
Lucieer, A., Malenovský, Z., Veness, T., Wallace, L., 2014. HyperUAS: espectroscopia de imaxes dun sistema de avión non tripulado multirotor. 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. e Kleemola, J., 2008. Terrestrial laser scanning of cultivos agrícolas. En JJ
Chen J. Maas H–G. (Ed.), Arquivos Internacionais de Fotogrametría, Teledetección e Ciencias da Información Espacial—Arquivos ISPRS (Vol. 37, pp. 563–566).
Sociedade Internacional de Fotogrametría e Teledetección. 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. Unha revisión da clasificación de imaxes de cobertura terrestre baseada en obxectos supervisados. ISPRS J. Fotograma. Sensores remotos 130,
277–293. https://doi.org/10.1016/j.isprsjprs.2017.06.001.
Maes, WH, Steppe, K., 2019. Perspectivas para a teledetección con vehículos aéreos non tripulados na agricultura de precisión. Tendencias Planta 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.
Fenotipificación da soia baseada en sistemas aéreos non tripulados (UAS) mediante fusión de datos multisensor e máquina de aprendizaxe extrema. ISPRS J. Fotograma. Remote Sens. 134, 43–58. https://doi.org/10.1016/j.isprsjprs.2017.10.011. Maimaitijiang, M., Sagan, V., Sidike, P., Daloye, AM, Erkbol, H., Fritschi, FB, 2020.
Monitorización de cultivos mediante fusión de datos satélite/UAV e aprendizaxe automática. Detección remota 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. Sobre o uso de sistemas aéreos non tripulados para
vixilancia ambiental. Detección remota 10 (4), 641.
Marinko, RA, 1998. Citas a revistas de estudos sobre mulleres en disertacións, 1989 e The Serials Librarian 35 (1–2), 29–44. https://doi.org/10.1300/J123v35n01_
03.
Masroor, R., Naeem, M., Ejaz, W., 2021. Xestión de recursos en redes sen fíos asistidas por UAV: unha perspectiva de optimización. Rede ad hoc. 121, 102596 https://doi.org/10.1016/j.adhoc.2021.102596.
Matese, A., Di Gennaro, SF, 2018. Aplicacións prácticas dunha plataforma UAV multisensor baseada en imaxes de alta resolución multiespectrais, térmicas e RGB en precisión.
viticultura. Agricultura 8 (7), 116. https://doi.org/10.3390/agriculture8070116.
Matese, A., Di Gennaro, SF, 2021. Máis aló do índice NDVI tradicional como factor clave para integrar o uso do UAV na viticultura de precisión. 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 .Comparación de UAV, avións
e plataformas de teledetección por satélite para a viticultura de precisión. Teledetección 7 (3), 2971–2990. https://doi.org/10.3390/rs70302971.
Mazzia, V., Comba, L., Khaliq, A., Chiaberge, M., Gay, P., 2020. UAV e refinamento baseado na aprendizaxe automática dun índice de vexetación impulsado por satélite para a precisión
agricultura. Sensores 20 (9), 2530. https://doi.org/10.3390/s20092530.
McCain, KW, 1990. Mapeo de autores no espazo intelectual: unha visión xeral técnica. J. Am. Soc. Información. Sci. 41 (6), 433–443.
Meinen, BU, Robinson, DT, 2021. Modelado de erosión agrícola: avaliación das estimacións de erosión a escala de campo USLE e WEPP utilizando datos de series temporais de UAV. Entorno. Modelo. Software 137, 104962. https://doi.org/10.1016/j.envsoft.2021.104962.
Melville, B., Lucieer, A., Aryal, J., 2019. Clasificación de comunidades de pastizales nativos de tierras bajas utilizando imágenes hiperespectrales del sistema de avión no tripulado (UAS) en el
Midlands de Tasmania. Drones 3 (1), 5.
Messina, G., Modica, G., 2020. Aplicacións da imaxe térmica de UAV na agricultura de precisión: estado da arte e perspectivas de investigación futura. Detección remota 12 (9), https://doi.org/10.3390/rs12091491.
Mishra, D., Luo, Z., Jiang, S., Papadopoulos, T., Dubey, R., 2017. Un estudo bibliográfico sobre big data: conceptos, tendencias e desafíos. Xestión de Procesos de Negocio. X. 23 (3),
555-573.
Mochida, K., Saisho, D., Hirayama, T., 2015. Mellora de cultivos utilizando conxuntos de datos do ciclo de vida adquiridos en condicións de campo. Diante. Planta Sci. 6 https://doi.org/10.3389/
fpls.2015.00740.
Mogili, UM.R., Deepak, BBVL, 2018. Revisión sobre a aplicación de sistemas de drones na agricultura de precisión. Procedia Comput. Sci. 133, 502–509.
Moharana, S., Dutta, S., 2016. Variabilidade espacial do contido de clorofila e nitróxeno do arroz a partir de imaxes hiperespectrales. ISPRS J. Fotograma. Sensores remotos 122, 17–29.
Muangprathub, J., Boonnam, N., Kajornkasirat, S., Lekbangpong, N., Wanichsombat, A.,
Nillaor, P., 2019. Análise de datos de IoT e agricultura para unha granxa intelixente. Informática. Electrón. Agrícola. 156, 467–474.
Nansen, C., Elliott, N., 2016. Perfil de teledetección e reflectancia en entomoloxía. Ann. Rev. Entomol. 61 (1), 139–158. https://doi.org/10.1146/annurev-ento010715-023834.
Navia, J., Mondragon, I., Patino, D., Colorado, J., 2016. Multispectral mapping in agriculture: terrain mosaic using an autonomous quadcopter UAV. Int. Conf.
Sistema de avións non tripulados. (ICUAS) 2016, 1351–1358. https://doi.org/10.1109/ ICUAS.2016.7502606.
Nayyar, A., Nguyen, B.-L., Nguyen, NG, 2020. A internet das cousas de drones (Iodt): visión futura dos drones intelixentes. Adv. Intel. Syst. Informática. 1045, 563–580. https://doi.org/10.1007/978-981-15-0029-9_45.
Nebiker, S., Annen, A., Scherrer, M., Oesch, D., 2008. Un sensor multiespectral lixeiro para micro UAV: oportunidades para a teledetección aérea de moi alta resolución. Int. Arco. Fotograma. Remote Sens. Spat. Inf. Sci 37 (B1), 1193–1200.
Negash, L., Kim, H.-Y., Choi, H.-L., 2019. Aplicacións de UAV emerxentes na agricultura. En: 2019 7th International Conference on Robot Intelligence Technology and
Aplicacións (RiTA), páxs. 254–257. https://doi.org/10.1109/RITAPP.2019.8932853.
Nerur, SP, Rasheed, AA, Natarajan, V., 2008. A estrutura intelectual do campo da xestión estratéxica: unha análise de co-citas de autores. Estratexia. Xestionar. J. 29 (3),
319-336.
Neupane, K., Baysal-Gurel, F., 2021. Identificación automática e seguimento de enfermidades vexetais mediante vehículos aéreos non tripulados: unha revisión. Teledetección 13 (19), 3841. https://doi.org/10.3390/rs13193841.
Nex, F., Remondino, F., 2014. UAV para aplicacións de mapeo 3D: unha revisión. Aplicación. Xeomática 6 (1), 1–15. https://doi.org/10.1007/s12518-013-0120-x.
Niu, H., Hollenbeck, D., Zhao, T., Wang, D., Chen, Y., 2020. Estimación da evapotranspiración con pequenos UAV na agricultura de precisión. Sensores 20 (22), 6427. https://
doi.org/10.3390/s20226427.
Osareh, F., 1996. Bibliometría, análise de citas e análise de co-citas. A Review of Literature I 46 (3), 149–158. https://doi.org/10.1515/libr.1996.46.3.149.
P´adua, L., Vanko, J., Hruˇska, J., Ad˜ ao, T., Sousa, JJ, Peres, E., Morais, R., 2017. UAS, sensors, and data processing in agroforestry: unha revisión cara a aplicacións prácticas. Int. J. Remote Sens. 38 (8–10), 2349–2391. https://doi.org/10.1080/01431161.2017.1297548.
Panday, EUA, Pratihast, AK, Aryal, J., Kayastha, RB, 2020. Unha revisión sobre solucións de datos baseadas en drones para cultivos de cereais. Drones 4 (3), 1–29. https://doi.org/10.3390/
drones 4030041.
Parsaeian, M., Shahabi, M., Hassanpour, H., 2020. Estimación do contido de aceite e proteína das sementes de sésamo mediante o procesamento de imaxes e a rede neuronal artificial. J. Am. Aceite
Soc. de Químicos. 97 (7), 691–702.
Pena, ˜ JM, Torres-S´anchez, J., de Castro, AI, Kelly, M., Lopez-Granados, ´ F., Suarez, O., Weed mapping in early-season maize fields using object-based analysis de
Imaxes de vehículos aéreos non tripulados (UAV). PLoS ONE 8 (10), e77151.
P´erez-Ortiz, M., Pena, ˜ JM, Guti´errez, PA, Torres-S´ anchez, J., Herv´ as-Martínez, C.,
López-Granados, ´ F., 2015. Un sistema semisupervisado de mapeo de malas herbas en cultivos de xirasol mediante vehículos aéreos non tripulados e un método de detección de filas de cultivos. Aplicación. Informática suave. J. 37, 533–544. https://doi.org/10.1016/j.asoc.2015.08.027.
Pincheira, M., Vecchio, M., Giaffreda, R., Kanhere, SS, 2021. Dispositivos IoT rendibles como fontes de datos fiables para un sistema de xestión de auga baseado en blockchain na agricultura de precisión. Informática. Electrón. Agrícola. 180, 105889.
Popescu, D., Stoican, F., Stamatescu, G., Ichim, L., Dragana, C., 2020. Sistema avanzado de UAV-WSN para monitorización intelixente na agricultura de precisión. Sensores 20 (3), https://doi.org/10.3390/s20030817.
Pournader, M., Shi, Y., Seuring, S., Koh, SL, 2020. Aplicacións de blockchain en cadeas de subministración, transporte e loxística: unha revisión sistemática da literatura. Int. J. Prod. Res. 58 (7), 2063–2081.
Primicerio, J., Di Gennaro, SF, Fiorillo, E., Genesio, L., Lugato, E., Matese, A., Vaccari, FP, 2012. A flexible unmanned aerial vehicle for precision agriculture.
Preciso. Agrícola. 13 (4), 517–523. https://doi.org/10.1007/s11119-012-9257-6.
Pritchard, A., 1969. Bibliografía estatística ou bibliometría. J. Documento. 25 (4), 348–349.
Pudelko, R., Stuczynski, T., Borzecka-Walker, M., 2012. A idoneidade dun vehículo aéreo non tripulado (UAV) para a avaliación de campos e cultivos experimentais. Agricultura 99 (4), 431–436.
Puri, V., Nayyar, A., Raja, L., 2017. Drones agrícolas: un avance moderno na agricultura de precisión. J. Statis. Xestionar. Syst. 20 (4), 507–518.
Radoglou-Grammatikis, P., Sarigiannidis, P., Lagkas, T., Moscholios, I., 2020. Unha compilación de aplicacións de UAV para a agricultura de precisión. Informática. Rede. 172,
107148 https://doi.org/10.1016/j.comnet.2020.107148.
Ramesh, KV, Rakesh, V., Prakasa Rao, EVS, 2020. Aplicación da análise de big data e da intelixencia artificial na investigación agronómica. indio J. Agron. 65 (4), 383–395.
Raparelli, E., Bajocco, S., 2019. Unha análise bibliométrica sobre o uso de vehículos aéreos non tripulados en estudos agrícolas e forestais. Int. J. Remote Sens. 40 (24),
9070–9083. https://doi.org/10.1080/01431161.2019.1569793.
Rasmussen, J., Nielsen, J., García-Ruiz, F., Christensen, S., Streibig, JC, Lotz, B., 2013.
Usos potenciais de pequenos sistemas de aeronaves non tripuladas (UAS) na investigación de herbas daniñas. Weed Res. 53 (4), 242–248.
Rasmussen, J., Ntakos, G., Nielsen, J., Svensgaard, J., Poulsen, RN, Christensen, S., Son índices de vexetación derivados de cámaras de calidade do consumidor montadas en
Os UAV son suficientemente fiables para avaliar parcelas experimentais? EUR. J. Agron. 74, 75–92. https://doi.org/10.1016/j.eja.2015.11.026.
Rejeb, A., Rejeb, K., Abdollahi, A., Zailani, S., Iranmanesh, M., Ghobakhloo, M., 2022. Digitalization in food supply chains: a bibliometric review and key-route main path
análise. Sostibilidade 14 (1), 83. https://doi.org/10.3390/su14010083.
Rejeb, A., Rejeb, K., Simske, SJ, Treiblmaier, H., 2021a. Drones para a xestión da cadea de subministración e a loxística: unha axenda de revisión e investigación. Int. J. Loxista. Res. Aplicación.
1–24. https://doi.org/10.1080/13675567.2021.1981273.
Rejeb, A., Rejeb, K., Simske, S., Treiblmaier, H., 2021b. Tecnoloxías Blockchain en loxística e xestión da cadea de subministración: unha revisión bibliométrica. Loxística 5 (4), 72.
https://doi.org/10.3390/logistics5040072.
Rejeb, A., Rejeb, K., Simske, S., Treiblmaier, H., 2021c. Drones humanitarios: unha axenda de revisión e investigación. Internet das cousas 16, 100434. https://doi.org/10.1016/j.
iot.2021.100434.
Rejeb, A., Treiblmaier, H., Rejeb, K., Zailani, S., 2021d. Investigación blockchain en saúde: unha revisión bibliométrica e tendencias actuais de investigación. J. de Datos, Inf. e
Xestionar. 3 (2), 109–124.
Rejeb, A., Simske, S., Rejeb, K., Treiblmaier, H., Zailani, S., 2020. Internet of Things research in supply chain management and logistics: a bibliometric analysis. Internet
das Cousas 12, 100318.
ReportLinker, 2021. O mercado global de drones agrícolas alcanzará os 15.2 millóns de dólares na sala de prensa YearGlobeNewswire. https://www.globenewswire.com/news-release/2021/08/10/2277986/0/en/Global-Agriculture-Drones-Market-to-Reach-US-15-2-Billion-by-the- Ano-2027.html.
Ribeiro-Gomes, K., Hernandez-L ´ opez, ´ D., Ortega, JF, Ballesteros, R., Poblete, T., Moreno, MA, 2017. Uncooled thermal camera calibration and optimization of the
Proceso de fotogrametría para aplicaciones de UAV en agricultura. Sensores (Suíza) 17 (10). https://doi.org/10.3390/s17102173.
Rivera, MA, Pizam, A., 2015. Avances na investigación en hostalería: "From Rodney Dangerfield to Aretha Franklin". Int. J. Contemporáneo. Hospital. Xestionar. 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 sensorial baseado en mini-UAV para medir variables ambientais en invernadoiros. Sensores 15 (2), 3334–3350. https://doi.org/10.3390/s150203334.
Rozenberg, G., Kent, R., Blank, L., 2021. UAV de calidade do consumidor utilizado para detectar e analizar patróns de distribución espacial de herbas daniñas de finais de tempada en campos comerciais de cebola. Preciso. Agrícola. 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. Unmanned sistema de cámara espectral operado por vehículos aéreos (UAV) para aplicacións forestais e agrícolas. Procede. SPIE – Int. Soc. Opt. Eng. 8174 https://doi.org/10.1117/12.897585.
Sah, B., Gupta, R., Bani-Hani, D., 2021. Análise de barreiras para implementar a loxística de drons. Int. J. Loxista. Res. Aplicación. 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, dron baseado en IOT para a mellora da calidade dos cultivos no campo agrícola. En SH
N. Chakrabarti S. (Ed.), 2018 IEEE 8th Annual Computing and Communication Workshop and Conference, CCWC 2018 (Vols. 2018-xaneiro, pp. 612-615). Instituto
of Electrical and Electronics Engineers Inc. doi: 10.1109/CCWC.2018.8301662.
Sai Vineeth, KV, Vara Prasad, YR, Dubey, SR, Venkataraman, H., 2019. LEDCOM: unha comunicación innovadora e eficiente baseada en LED para a agricultura de precisión. IEEE Conf. Información. Comun. Tecnol. 2019, 1–5. https://doi.org/10.1109/CICT48419.2019.9066177.
Salamí, E., Barrado, C., Pastor, E., 2014. Experimentos de voo de UAV aplicados á teledetección de zonas vexetadas. Detección remota 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.
Sistemas de imaxes aéreas de baixa altitude e alta resolución para a fenotipificación de fileiras e cultivos de campo: unha revisión. EUR. J. Agron. 70, 112–123. https://doi.org/10.1016/j.
eja.2015.07.004.
Santesteban, LG, Di Gennaro, SF, Herrero-Langreo, A., Miranda, C., Royo, JB, Matese, A., 2017. Imaxes térmicas baseadas en UAV de alta resolución para estimar o
variabilidade instantánea e estacional do estado hídrico das plantas dentro dun viñedo. Agrícola. Xestión da auga. 183, 49–59. https://doi.org/10.1016/j.agwat.2016.08.026.
Sarli, CC, Dubinsky, EK, Holmes, KL, 2010. Beyond citation analysis: A model for assessment of research impact. J. Med. Biblioteca Asoc. : 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. Espectroscopía de imaxe relacionada coa ciencia do sistema terrestre: unha avaliación. Remote Sens. Environ. 113, S123–S137.
Schirrmann, M., Giebel, A., Gleiniger, F., Pflanz, M., Lentschke, J., Dammer, K.-H., 2016. Monitorización de parámetros agronómicos dos cultivos de trigo de inverno con UAV de baixo custo
imaxes. Teledetección 8 (9). https://doi.org/10.3390/rs8090706.
Schmale III, DG, Dingus, BR, Reinholtz, C., 2008. Desenvolvemento e aplicación dun vehículo aéreo autónomo non tripulado para a mostraxe aerobiolóxica precisa anterior
campos agrícolas. 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.,
Permitir a agricultura de precisión mediante a detección integrada con intelixencia artificial. IEEE Trans. Instrum. Medidas. 69 (7), 4103–4113.
Shakhatreh, H., Sawalmeh, AH, Al-Fuqaha, A., Dou, Z., Almaita, E., Khalil, I.,
Othman, NS, Khreishah, A., Guizani, M., 2019. Vehículos aéreos non tripulados (UAV): unha enquisa sobre aplicacións civís e desafíos clave de investigación. Acceso IEEE 7,
48572–48634. https://doi.org/10.1109/ACCESS.2019.2909530.
Shakoor, N., Northrup, D., Murray, S., Mockler, TC, 2019. Big data driven agriculture: big data analytics in plant breeding, genomics, and the use of remotedetection
tecnoloxías para aumentar a produtividade dos cultivos. Fenóma vexetal J. 2 (1), 1–8.
Sharma, BK, Chandra, G., Mishra, VP, 2019. Análise comparada e implicación de UAV e AI en investigacións forenses. En: Proceedings – 2019 Amity International
Xornada sobre Intelixencia Artificial. https://doi.org/10.1109/AICAI.2019.8701407.
Sharma, R., Shishodia, A., Gunasekaran, A., Min, H., Munim, ZH, 2022. O papel da intelixencia artificial na xestión da cadea de subministración: mapear o territorio. Int. J.
Prod. Res. 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. Vehículos aéreos non tripulados para fenotipado de alto rendemento e investigación agronómica. PLoS ONE
11 (7), e0159781.
Shuai, G., Martinez-Feria, RA, Zhang, J., Li, S., Price, R., Basso, B., 2019. Capturar a heteroxeneidade do rodal de millo en zonas de estabilidade de rendemento usando a antena non tripulada.
Vehículos (UAV). Sensores 19 (20), 4446. https://doi.org/10.3390/s19204446.
Small, H., 1973. Cocitación na literatura científica: unha nova medida da relación entre dous documentos. J. Am. Soc. Información. Sci. 24 (4), 265–269.
Small, H., Rorvig, ME, Lunin, LF, 1999. Visualizing science by citation mapping. J. Am. Soc. Información. Sci. 50 (9), 799–813.
Soares, VHA, Ponti, MA, Gonçalves, RA, Campello, RJGB, 2021. Recuento de gando en estado salvaje con imaxes aéreas xeolocalizadas en grandes superficies de pasto. Informática. Electrón. Agrícola. 189, 106354 https://doi.org/10.1016/j.compag.2021.106354.
Srivastava, K., Pandey, PC, Sharma, JK, 2020. Un enfoque para a optimización de rutas en aplicacións de agricultura de precisión utilizando UAV. Drones 4 (3), 58. https://doi.org/ 10.3390/drones4030058.
Stafford, JV, 2000. Implementando a agricultura de precisión no século XXI. J. Agric. Eng. Res. 21 (76), 3–267.
Su, J., Coombes, M., Liu, C., Guo, L., Chen, W.-H., 2018. Avaliación da seca do trigo mediante imaxes de teledetección mediante vehículos aéreos non tripulados. En 2018 37ª Conferencia de Control Chinés (CCC).
Su, J., Liu, C., Coombes, M., Hu, X., Wang, C., Xu, X., Li, Q., Guo, L., Chen, W.-H., 2018. Monitorización da ferruxe amarela do trigo mediante a aprendizaxe de imaxes aéreas multiespectrais de UAV.
Informática. Electrón. Agrícola. 155, 157–166. https://doi.org/10.1016/j. compag.2018.10.017.
Su, Y., Wang, X., 2021. Innovación da xestión económica agrícola no proceso de construción de agricultura intelixente mediante big data. Informática Sostible. Inf. Syst. 31, 100579 https://doi.org/10.1016/j.suscom.2021.100579.
Sullivan, DG, Fulton, JP, Shaw, JN, Bland, GL, 2007. Avaliación da sensibilidade dun sistema aéreo infravermello térmico non tripulado para detectar o estrés hídrico nun dosel de algodón. Trans. ASABE 50 (6), 1955–1962.
Sumesh, KC, Ninsawat, S., Som-ard, J., 2021. Integración do índice de vexetación baseado en RGB, modelo de superficie de cultivo e enfoque de análise de imaxes baseada en obxectos para a estimación do rendemento da cana de azucre mediante un vehículo aéreo non tripulado. Informática. Electrón. Agrícola. 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. A light-weight hyperspectral mapping system for
vehículos aéreos non tripulados: os primeiros resultados. En: 2013 5th Workshop on Hyperspectral Image and Signal Processing: Evolution in Remote Sensing (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 hiperespectral lixeiro
sistema de cartografía e cadea de procesamento fotogramétrico para vehículos aéreos non tripulados. Teledetección 6 (11), 11013–11030. https://doi.org/10.3390/
rs61111013.
Syeda, IH, Alam, MM, Illahi, U., Su'ud, MM, 2021. Estratexias de control avanzadas mediante o procesamento de imaxes, UAV e AI na agricultura: unha revisión. Mundo J. Eng. 18 (4),
579–589. https://doi.org/10.1108/WJE-09-2020-0459.
Tahai, A., Rigsby, JT, 1998. Procesamento da información usando citas para investigar a influencia da revista na contabilidade. Inf. Proceso. Xestionar. 34 (2–3), 341–359.
Tang, Y., Dananjayan, S., Hou, C., Guo, Q., Luo, S., He, Y., 2021. Unha enquisa sobre a rede 5G e o seu impacto na agricultura: retos e oportunidades. Informática.
Electrón. Agrícola. 180, 105895 https://doi.org/10.1016/j.compag.2020.105895.
Tantalaki, N., Souravlas, S., Roumeliotis, M., 2019. Toma de decisións baseada en datos na agricultura de precisión: o aumento do big data nos sistemas agrícolas. J. Agric. Información alimentaria.
20 (4), 344-380.
Tao, H., Feng, H., Xu, L., Miao, M., Yang, G., Yang, X., Fan, L., 2020. Estimación do rendemento e da altura da planta do trigo de inverno usando UAV- imaxes hiperespectrais baseadas.
Sensores 20 (4), 1231.
Techy, L., Schmale III, DG, Woolsey, CA, 2010. Mostraxe aerobiolóxica coordinada dun patóxeno vexetal na baixa atmosfera mediante dous vehículos aéreos autónomos non tripulados. 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. Detección e clasificación de pragas da soia mediante a aprendizaxe profunda
con imaxes de UAV. Informática. Electrón. Agrícola. 179, 105836.
Thamm, H.-P., Menz, G., Becker, M., Kuria, DN, Misana, S., Kohn, D., 2013. The Use of Uas for Assessing Agricultural Systems in AN Wetland in Tanzania in the— E WetSeason para a agricultura sostible e proporcionar a verdade de terra para os datos de Terra-Sar X. En: ISPRS – Arquivos Internacionais de Fotogrametría, Teledetección e Ciencias da Información Espacial, pp. 401–406. https://doi.org/10.5194/isprsarchivesXL-1-W2-401-2013.
Thelwall, M., 2008. Bibliometrics to webometrics. J. Información. Sci. 34 (4), 605–621.
Torres-Sanchez, ´ J., Lopez-Granados, ´ F., Pena, ˜ JM, 2015. An automatic object-based method for optimal thresholding in UAV images: application for vegetation detection in herbaceous cultures. Informática. Electrón. Agrícola. 114, 43–52. https://doi.org/10.1016/j.compag.2015.03.019.
Torres-Sanchez, ´ J., Lopez-Granados, ´ F., Serrano, N., Arquero, O., Pena, ˜ JM, Hassan, QK, 2015. High-throughput 3-D monitoring of agricultural-tree plantations with Tecnoloxía de vehículos aéreos non tripulados (UAV). PLoS ONE 10 (6), e0130479.
Torres-Sanchez, ´ J., Pena, ˜ JM, de Castro, AI, López-Granados, ´ F., 2014. Cartografía multitemporal de la fracción de vegetación en campos de trigo de inicio de temporada utilizando imágenes de UAV. Informática. Electrón. Agrícola. 103, 104–113. https://doi.org/10.1016/j. compag.2014.02.009.
Tsouros, DC, Bibi, S., Sarigiannidis, PG, 2019. Unha revisión das aplicacións baseadas en UAV para a agricultura de precisión. Información (Suíza) 10 (11). https://doi.org/10.3390/info10110349.
Tu, Y.-H., Phinn, S., Johansen, K., Robson, A., Wu, D., 2020. Optimización da planificación do voo de drones para medir a estrutura de cultivos de árbores hortícolas. ISPRS J. Fotograma.
Remote Sens. 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 agriculture, recent advances and future challenges. Biosist. Eng. 164, 31–48.
https://doi.org/10.1016/j.biosystemseng.2017.09.007.
Uddin, A., Singh, VK, Pinto, D., Olmos, I., 2015. Cartografía cienciométrica de la investigación informática en México. Cienciometria 105 (1), 97–114.
ONU., 2019. World population perspectives 2019. https://population.un.org/wpp/ (Consultado o 15/04/2022).
Uto, K., Seki, H., Saito, G., Kosugi, Y., 2013. Caracterización de arrozales mediante un sistema de sensor hiperespectral en miniatura montado en UAV. IEEE J. Sel. Arriba. Aplicación. Obs. da Terra.
Sensores remotos 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. Drones en
agricultura. Adv. Agrón. 162, 1–30.
Velusamy, P., Rajendran, S., Mahendran, RK, Naseer, S., Shafiq, M., Choi, J.-G., 2022.
Vehículos aéreos non tripulados (UAV) na agricultura de precisión: aplicacións e desafíos. Enerxías 15 (1), 217. https://doi.org/10.3390/en15010217.
Ventura, D., Bonifazi, A., Gravina, MF, Belluscio, A., Ardizzone, G., 2018. Mapeo e clasificación de hábitats mariños ecoloxicamente sensibles mediante aérea non tripulada.
Imaxes de vehículos (UAV) e análise de imaxes baseadas en obxectos (OBIA). Detección remota 10 (9), 1331. https://doi.org/10.3390/rs10091331.
Verger, A., Vigneau, N., Ch´eron, C., Gilliot, J.-M., Comar, A., Baret, F., 2014. Green area index from an unmanned aerial system over wheat and rapeseed crops . Remote Sens. Environ. 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. Implantación de catro sensores ópticos baseados en UAV sobre praderas: desafíos e
limitacións. Bioxeociencias 12 (1), 163–175. https://doi.org/10.5194/bg-12-163-2015.
Vuran, MC, Salam, A., Wong, R., Irmak, S., 2018. Internet das cousas subterráneas na agricultura de precisión: aspectos de arquitectura e tecnoloxía. Rede ad hoc. 81,
160–173. https://doi.org/10.1016/j.adhoc.2018.07.017.
Wamba, SF, Queiroz, MM, 2021. A intelixencia artificial responsable como ingrediente secreto para a saúde dixital: análise bibliométrica, insights e direccións de investigación.
Información. Syst. Diante. 1–16.
Wang, L., Zhang, G., Wang, Z., Liu, J., Shang, J., Liang, L., 2019. Análise bibliométrica da tendencia de investigación de teledetección no seguimento do crecemento de cultivos: un estudo de caso en China. Teledetección 11 (7). https://doi.org/10.3390/rs11070809.
White, HD, Griffith, BC, 1981. Cocitación do autor: unha medida da literatura da estrutura intelectual. J. Am. Soc. Información. Sci. 32 (3), 163–171.
Xiang, H., Tian, L., 2011. Desenvolvemento dun sistema de teledetección agrícola de baixo custo baseado nun vehículo aéreo autónomo non tripulado (UAV). Biosist. Eng. 108 (2), 174–190. https://doi.org/10.1016/j.biosystemseng.2010.11.010.
Xie, C., Yang, C., 2020. Unha revisión sobre os trazos de fenotipado de alto rendemento das plantas usando sensores baseados en UAV. Informática. Electrón. Agrícola. 178, 105731 https://doi.org/10.1016/j.
compag.2020.105731.
Yao, H., Qin, R., Chen, X., 2019. Vehículo aéreo non tripulado para aplicacións de teledetección: unha revisión. Teledetección 11 (12). https://doi.org/10.3390/
rs11121443.
Yeom, S., 2021. Seguimento de persoas en movemento e eliminación de pistas falsas con imaxe térmica infravermella mediante un multirotor. Drones 5 (3), 65. https://doi.org/10.3390/drones5030065.
Yue, J., Feng, H., Jin, X., Yuan, H., Li, Z., Zhou, C., Yang, G., Tian, Q., 2018. Unha comparación da estimación de parámetros de cultivo mediante imaxes montado en UAV
sensor hiperespectral de instantáneas e cámara dixital de alta definición. Detección remota 10 (7), 1138. https://doi.org/10.3390/rs10071138.
Yue, J., Yang, G., Li, C., Li, Z., Wang, Y., Feng, H., Xu, B., 2017. Estimación da biomasa aérea de trigo de inverno utilizando vehículos aéreos non tripulados. instantánea baseada
sensor hiperespectral e modelos de altura de cultivo mellorados. Teledetección 9 (7). https://doi.org/10.3390/rs9070708.
Zahawi, RA, Dandois, JP, Holl, KD, Nadwodny, D., Reid, JL, Ellis, EC, 2015. Usando vehículos aéreos lixeiros non tripulados para supervisar a recuperación dos bosques tropicais. Biol.
Conserv. 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.
Plataforma de IoT de agricultura intelixente baseada en edge e cloud computing. Biosist. Eng. 177,
4-17.
Zarco-Tejada, PJ, Díaz-Varela, R., Angileri, V., Loudjani, P., 2014. Cuantificación da altura das árbores mediante imaxes de moi alta resolución adquiridas desde unha antena non tripulada.
vehículos (UAV) e métodos automáticos de fotoreconstrución 3D. EUR. J. Agron. 55, 89–99. https://doi.org/10.1016/j.eja.2014.01.004.
Zhang, C., Craine, WA, McGee, RJ, Vandemark, GJ, Davis, JB, Brown, J., Hulbert, SH, Sankaran, S., 2020. Fenotipado baseado en imaxes da intensidade da floración nos cultivos da estación fría. Sensores 20 (5), 1450. https://doi.org/10.3390/s20051450.
Zhang, C., Kovacs, JM, 2012. A aplicación de pequenos sistemas aéreos non tripulados para a agricultura de precisión: unha revisión. Preciso. Agrícola. 13 (6), 693–712. https://doi.org/
10.1007/s11119-012-9274-5.
Zhang, L., Zhang, H., Niu, Y., Han, W., 2019. Mapeo do estrés hídrico do millo baseado na teledetección multiespectral UAV. Detección remota 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 enfoque baseado na aprendizaxe profunda para a ferruxe amarela automatizada
detección de enfermidades a partir de imaxes de UAV hiperespectrales de alta resolución. Detección remota 11 (13), 1554.
Zhao, X., Zhang, J., Huang, Y., Tian, Y., Yuan, L., 2022. Detección e discriminación de enfermidades e estrés por insectos das plantas de té mediante imaxes hiperespectrales combinadas coa análise de wavelet. Informática. Electrón. Agrícola. 193, 106717 https://doi.org/10.1016/j. compag.2022.106717.
Zheng, A., Wang, M., Li, C., Tang, J., Luo, B., 2022. Adaptación de dominio adversario guiada por entropía para a segmentación semántica de imaxes aéreas. IEEE Trans. G
Zheng, H., Cheng, T., Yao, X., Deng, X., Tian, Y., Cao, W., Zhu, Y., 2016. Detección da fenoloxía do arroz mediante a análise de series temporais do espectro terrestre. datos de índice. Cultivos de Campo Res. 198, 131–139. https://doi.org/10.1016/j.fcr.2016.08.027.
Zheng, J., Yang, W., 2018. Deseño dun sistema de sementeira de fugas agrícolas de precisión baseado en sensores sen fíos. Int. J. Eng. en liña. 14 (05), 184.
Zhou, L., Gu, X., Cheng, S., Yang, G., Shu, M., Sun, Q., 2020. Análise dos cambios de altura das plantas de millo aloxado utilizando datos UAV-LiDAR. Agricultura 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 de análise de imaxes de millo que usa aprendizaxe profunda para o fenotipado de plantas de alto rendemento. . Métodos vexetais 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. Predición do rendemento de grans en arroz utilizando vexetación multitemporal
índices de imaxes multiespectrais e dixitais baseadas en UAV. ISPRS J. Fotograma. Remote Sens. 130, 246–255. https://doi.org/10.1016/j.isprsjprs.2017.05.003.
Zhou, Y., Xie, Y., Shao, L., 2016. Simulación da tecnoloxía básica dun sistema de monitorización de invernadoiros baseado nunha rede de sensores sen fíos. Int. J. Eng. en liña. 12 (05),
43.
Zhou, Z., Majeed, Y., Diverres Naranjo, G., Gambacorta, EMT, 2021. Avaliación do estrés hídrico dos cultivos con imaxes térmicas infravermellas na agricultura de precisión: unha revisión
e perspectivas futuras para as aplicacións de aprendizaxe profunda. Informática. Electrón. Agrícola. 182, 106019 https://doi.org/10.1016/j.compag.2021.106019.