Abderahman Rejeb a , Alireza Abdollahi b , Karim Rejeb c , Horst Treiblmaier d,
- a Institut für Management und Recht, Fakultät für Wirtschaftswissenschaften, Universität Rom Tor Vergata, Via Columbia, 2, Rom 00133, Italien
- b Department of Business Administration, Faculty of Management, Kharazmi University, 1599964511 Teheran, Iran
- c Fakultät für Naturwissenschaften von Bizerte, Universität Karthago, Zarzouna, 7021 Bizerte, Tunesien
- d School of International Management, Modul University Vienna, Am Kahlenberg 1, 1190 Wien, Österreich
ARTIKEL INFORMATION | ABSTRACT |
Stichwort: Drohnen UAV Präzisionslandwirtschaft Internet der Dinge Bibliometrie | Drohnen, auch Unmanned Aerial Vehicles (UAV) genannt, haben in den letzten Jahrzehnten eine bemerkenswerte Entwicklung erlebt. In der Landwirtschaft haben sie die landwirtschaftlichen Praktiken geändert, indem sie den Landwirten erhebliche Kosteneinsparungen angeboten haben, die erhöht wurden Betriebseffizienz und bessere Rentabilität. In den vergangenen Jahrzehnten hat sich das Thema landwirtschaftliche Drohnen entwickelt erregte bemerkenswerte akademische Aufmerksamkeit. Wir führen daher eine umfassende bibliometrische Überprüfung durch bestehende wissenschaftliche Literatur zusammenzufassen und zu strukturieren sowie aktuelle Forschungstrends und Hotspots aufzuzeigen. Wir wenden Sie bibliometrische Techniken an und analysieren Sie die Literatur rund um landwirtschaftliche Drohnen, um sie zusammenzufassen und zu analysieren bisherige Forschung beurteilen. Unsere Analyse zeigt, dass Fernerkundung, Präzisionslandwirtschaft, Deep Learning, maschinelles Lernen und das Internet der Dinge kritische Themen im Zusammenhang mit landwirtschaftlichen Drohnen sind. Die Co-Zitation Analyse zeigt sechs breite Forschungscluster in der Literatur. Diese Studie ist einer der ersten Versuche, die Drohnenforschung in der Landwirtschaft zusammenzufassen und zukünftige Forschungsrichtungen vorzuschlagen. |
Einleitung
Die Landwirtschaft stellt die Hauptnahrungsquelle der Welt dar (Friha et al., 2021) und steht aufgrund der
steigende Nachfrage nach Lebensmittelprodukten, Lebensmittelsicherheit und Sicherheitsbedenken sowie Forderungen nach Umweltschutz, Wasserschutz und
Nachhaltigkeit (Inoue, 2020). Diese Entwicklung wird sich voraussichtlich fortsetzen, da die Weltbevölkerung bis 9.7 auf 2050 Milliarden geschätzt wird
(2019). Da die Landwirtschaft weltweit das prominenteste Beispiel für den Wasserverbrauch darstellt, wird erwartet, dass die Nachfrage nach Nahrung und Wasser sinkt
Der Verbrauch wird in absehbarer Zeit stark zunehmen. Hinzu kommt der steigende Verbrauch von Düngemitteln und Pestiziden
in Verbindung mit der Intensivierung der landwirtschaftlichen Aktivitäten könnten zu künftigen Umweltherausforderungen führen. Ebenso ist Ackerland begrenzt, und die
Die Zahl der Landwirte nimmt weltweit ab. Diese Herausforderungen unterstreichen die Notwendigkeit innovativer und nachhaltiger landwirtschaftlicher Lösungen (Elijah
et al., 2018; Friha et al., 2021; Inoue, 2020; Tzounis et al., 2017).
Die Einbeziehung neuartiger Technologien wurde als vielversprechende Lösung zur Bewältigung dieser Herausforderungen identifiziert. Smart Farming (Brewster et al.,
2017; Tang et al., 2021) und Präzisionslandwirtschaft (Feng et al., 2019; Khanna & Kaur, 2019) sind als Ergebnis solcher Debatten entstanden. Das
Ersteres ist ein allgemeiner Begriff für die Einführung von Informationskommunikationstechnologien (IKT) und anderen innovativen Innovationen in der Landwirtschaft, um die Effizienz und Wirksamkeit zu steigern (Haque et al., 2021). Letztere konzentriert sich auf eine standortspezifische Bewirtschaftung, bei der das Land aufgeteilt wird
homogene Teile, und jeder Teil erhält die genaue Menge an landwirtschaftlichem Input zur Optimierung des Ernteertrags durch neuartige Technologien (Feng et al., 2019; Khanna & Kaur, 2019). Zu den herausragenden Technologien, die die Aufmerksamkeit von Wissenschaftlern in diesem Bereich auf sich gezogen haben, gehören Wireless Sensor Networks (WSNs) (J. Zheng & Yang, 2018; Y. Zhou et al., 2016), das Internet der Dinge (IoT) (Gill et al., 2017; He et al., 2021; Liu et al., 2019),
Techniken der künstlichen Intelligenz (KI), einschließlich maschinellem Lernen und Deep Learning (Liakos et al., 2018; Parsaeian et al., 2020; Shadrin et al.,
2019), Computertechnologien (Hsu et al., 2020; Jinbo et al., 2019; Zamora-Izquierdo et al., 2019), Big Data (Gill et al., 2017; Tantalaki
et al., 2019) und Blockchain (PW Khan et al., 2020; Pincheira et al., 2021).
Neben den oben genannten Technologien gilt die Fernerkundung als technologisches Werkzeug mit hohem Verbesserungspotenzial
Intelligente und präzise Landwirtschaft. Satelliten, Flugzeuge mit menschlicher Besatzung und Drohnen sind beliebte Fernerkundungstechnologien (Tsouros et al., 2019).
Drohnen, allgemein bekannt als Unmanned Aerial Vehicles (UAVs), Unmanned Aircraft Systems (UAS) und ferngesteuerte Flugzeuge, gehören dazu
große Bedeutung, da sie im Vergleich zu anderen Fernerkundungstechnologien zahlreiche Vorteile haben. Beispielsweise können Drohnen liefern
hochwertige und hochauflösende Bilder an bewölkten Tagen (Manfreda et al., 2018). Auch ihre Verfügbarkeit und Übertragungsgeschwindigkeit machen andere aus
Vorteile (Radoglou-Grammatikis et al., 2020). Im Vergleich zu Flugzeugen sind Drohnen sehr kosteneffizient und einfach einzurichten und zu warten (Tsouros et al., 2019). Obwohl Drohnen zunächst hauptsächlich für militärische Zwecke eingesetzt werden, können sie zahlreichen zivilen Anwendungen zugute kommen, beispielsweise im Supply Chain Management (A. Rejeb, Rejeb, et al., 2021a), für humanitäre Zwecke (A. Rejeb, Rejeb, et al., 2021c), intelligente Landwirtschaft, Vermessung und Kartierung, Dokumentation des Kulturerbes, Katastrophenmanagement sowie Wald- und Wildtierschutz (Panday, Pratihast, et al., 2020). In der Landwirtschaft gibt es vielfältige Anwendungsgebiete von Drohnen, da sie mit neuartigen Technologien, Rechenfähigkeiten und Onboard-Sensoren integriert werden können, um das Pflanzenmanagement zu unterstützen (z. B. Kartierung, Überwachung, Bewässerung, Pflanzendiagnose) (H. Huang et al., 2021). , Katastrophenvorsorge, Frühwarnsysteme, Natur- und Forstschutz, um nur einige zu nennen (Negash et al., 2019). In ähnlicher Weise könnten Drohnen bei mehreren landwirtschaftlichen Aktivitäten eingesetzt werden, darunter Ernte- und Wachstumsüberwachung, Ertragsschätzung, Wasserstressbewertung und Unkraut-, Schädlings- und Krankheitserkennung (Inoue, 2020; Panday, Pratihast, et al., 2020). Drohnen können nicht nur für Überwachungs-, Schätzungs- und Erkennungszwecke basierend auf ihren sensorischen Daten verwendet werden, sondern auch für die Präzisionsbewässerung und das präzise Unkraut-, Schädlings- und Krankheitsmanagement. Mit anderen Worten, Drohnen sind in der Lage, Wasser und Pestizide auf der Grundlage von Umweltdaten in genauen Mengen zu versprühen. Die Vorteile von Drohnen in der Landwirtschaft sind in Tabelle 1 zusammengefasst.
Hauptvorteile von Drohnen in der Landwirtschaft.
Vorteile | Verweise) |
Verbessern Sie zeitlich und räumlich Sensorauflösungen | (Gago et al., 2015; Niu et al., 2020; Srivastava et al., 2020) |
Erleichterung der Präzisionslandwirtschaft | (L. Deng et al., 2018; Kalischuk et al., 2019; Maimaitijiang et al., 2017) |
Klassifizierung und Scouting von Nutzpflanzen | (Inoue, 2020; Kalischuk et al., 2019; Lopez-´ Granados et al., 2016; Maimaitijiang et al., 2017; Melvilleet al., 2019; Moharana & Dutta, 2016) |
Verwendung von Dünger | (L. Deng et al., 2018; Guan et al., 2019) |
Überwachung der Dürre | (Fawcett et al., 2020; Panday, Pratihast, et al., 2020; Su et al., 2018) |
Schätzung der Biomasse | (Bendig et al., 2014) |
Ertragsschätzung | (Inoue, 2020; Panday, Shrestha, et al., 2020; Tao et al., 2020) |
Katastrophenvorsorge | (Negash et al., 2019) |
Artenschutz u Forstwirtschaft | (Negash et al., 2019; Panday, Pratihast, et al., 2020) |
Bewertung von Wasserstress | (Inoue, 2020; J. Su, Coombes, et al., 2018; L. Zhang et al., 2019) |
Schädlinge, Unkräuter und Krankheiten Erkennung | (Gaˇsparovi´c et al., 2020; Inoue, 2020; J. Su, Liu, et al., 2018; X. Zhang et al., 2019) |
Andererseits sind auch Drohnen mit Einschränkungen konfrontiert. Beteiligung des Piloten, Motorleistung, Stabilität und Zuverlässigkeit, Qualität der Sensoren aufgrund der Nutzlast
Gewichtsbeschränkungen, Implementierungskosten und Luftfahrtvorschriften gehören dazu (C. Zhang & Kovacs, 2012). Wir vergleichen die Mängel
der drei mobilen Fernerkundungstechnologien in Tabelle 2. Andere Fernerkundungstechnologien, wie z. B. Bodensensoren, liegen außerhalb des Fokus dieser Studie.
Mängel verschiedener mobiler Fernerkundungstechnologien.
Fernerkundung Technologien | Mängel | Bibliographie |
Drohne (UAV) | Beteiligung des Piloten; Bilder' Qualität (Durchschnitt); Implementierungskosten (Durchschnitt); Stabilität, Manövrierfähigkeit u Verlässlichkeit; Standardisierung; Motorleistung; begrenzte Leistung Quellen (Batterielebensdauer); begrenzte Flugdauer, Kollision und Cyberangriffe; begrenzt Nutzlastgewicht; große Datensätze und eingeschränkte Datenverarbeitung Fähigkeiten; fehlende Regulierung; Mangel an Fachwissen, hoher Einstieg Barrieren für den Zugang zu landwirtschaftliche Drohnen; | (Bacco et al., 2018; Dawaliby et al., 2020; Hardin & Hardin, 2010; Hardin & Jensen, 2011; Lagkaset 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 & Kovacs, 2012) |
Satellite | Periodische Satellitenabdeckung, begrenzte spektrale Auflösung; Anfälligkeit für Sichtbarkeitsprobleme (z. B. Wolken); Nichtverfügbarkeit und niedrige Übertragungsgeschwindigkeit; Orientierung und Vignettierung bewirkt kostspielige räumliche Daten Sammlung; langsame Datenlieferung Zeit für Endbenutzer | (Aboutalebi et al., 2019; Cen et al., 2019; Chenet al., 2019; Nansen & Elliot, 2016; Panday, Pratihast, et al., 2020; Sai Vineeth et al., 2019) |
Flugzeugtyp | Hohe Einführungskosten; komplizierte Einrichtung; Instandhaltungskosten; Nichtverfügbarkeit von zuverlässig Flugzeuge, Geometrie der Bilder; nicht regelmäßige Daten Erwerb; Mangel an Flexibilität; tödliche Unfälle; Sensordaten Schwankungen aufgrund von Vibrationen; Georeferenzierungsprobleme | (Armstrong et al., 2011; Atkinson et al., 2018; Barbedo & Königkan, 2018; Kovalev & Voroshilova, 2020; Suomalainenet al., 2013; Thamm et al., 2013) |
Als multidisziplinäre und vielseitige Technologie in der Landwirtschaft wurden Drohnen aus verschiedenen Perspektiven untersucht. Wissenschaftler haben beispielsweise Drohnenanwendungen in der Landwirtschaft (Kulbacki et al., 2018; Mogili & Deepak, 2018), ihren Beitrag zur Präzisionslandwirtschaft (Puri et al., 2017; Tsouros et al., 2019) und ihre Komplementarität mit anderen untersucht Spitzentechnologien (Al-Thani et al., 2020; Dutta & Mitra, 2021; Nayyar et al., 2020; Saha et al., 2018) und die Möglichkeiten zur Verbesserung ihrer Navigations- und Sensorfähigkeiten (Bareth et al. , 2015; Suomalainen et al., 2014). Da die Forschung zu Drohnenanwendungen in der Landwirtschaft weit verbreitet ist (Khan et al., 2021)), besteht die Notwendigkeit, die vorhandene Literatur zusammenzufassen und die intellektuelle Struktur des Bereichs aufzuzeigen. Darüber hinaus müssen als High-Tech-Bereich mit kontinuierlichen Verbesserungen strukturierte Überprüfungen durchgeführt werden, um die vorhandene Literatur regelmäßig zusammenzufassen und wichtige Forschungslücken zu identifizieren. Zu
Bis heute gibt es nur wenige Reviews, die Drohnenanwendungen in der Landwirtschaft diskutieren. Beispielsweise geben Mogili und Deepak (2018) einen kurzen Überblick über die Auswirkungen von Drohnen auf die Pflanzenüberwachung und das Versprühen von Pestiziden. Inoue (2020) führt eine Überprüfung des Einsatzes von Satelliten und Drohnen in der Fernerkundung in der Landwirtschaft durch. Der Autor untersucht die technologischen Herausforderungen bei der Einführung von Smart Farming und die Beiträge von Satelliten und Drohnen anhand von Fallstudien und Best Practices. Tsouros et al. (2019) fassen verschiedene Arten von Drohnen und ihre Hauptanwendungen in der Landwirtschaft zusammen und heben verschiedene Methoden der Datenerfassung und -verarbeitung hervor. Kürzlich haben Aslan et al. (2022) führten eine umfassende Überprüfung der UAV-Anwendungen bei landwirtschaftlichen Tätigkeiten durch und unterstrichen die Relevanz der gleichzeitigen Lokalisierung und Kartierung für ein UAV im Gewächshaus. Diaz-Gonzalez et al. (2022) überprüften aktuelle Studien zur Ernteertragsproduktion auf der Grundlage verschiedener Techniken des maschinellen Lernens und der Ferne
Sensorsysteme. Ihre Ergebnisse zeigten, dass UAVs nützlich sind, um Bodenindikatoren abzuschätzen und Satellitensysteme in Bezug auf räumliche Auflösung, Informationszeitlichkeit und Flexibilität zu übertreffen. Basiriet al. (2022) haben die verschiedenen Ansätze und Methoden zur Bewältigung der Herausforderungen bei der Bahnplanung für UAVs mit mehreren Rotoren im Kontext der Präzisionslandwirtschaft umfassend untersucht. Darüber hinaus haben Awais et al. (2022) fassten die Anwendung von UAV-Fernerkundungsdaten bei Feldfrüchten zur Abschätzung des Wasserzustands zusammen und lieferten eine eingehende Synthese der voraussichtlichen Kapazität der UAV-Fernerkundung für die Anwendung von Waste Stress. Schließlich haben Aquilani et al. (2022) überprüften vorausschauende Landwirtschaftstechnologien, die in weidebasierten Viehhaltungssystemen angewendet werden, und folgerten, dass die durch UAVs ermöglichte Fernerkundung für die Biomassebewertung und das Herdenmanagement vorteilhaft ist.
Kürzlich wurde auch über Versuche berichtet, UAVs bei der Überwachung, Verfolgung und Sammlung von Vieh zu verwenden.
Obwohl diese Übersichten neue und wichtige Erkenntnisse liefern, ist in der Literatur keine umfassende und aktuelle Übersicht auf Basis der Bibliometrie zu finden, was eine klare Wissenslücke darstellt. Darüber hinaus wurde festgestellt, dass es für Forscher unerlässlich wird, quantitative Überprüfungsansätze anzuwenden, um die Wissensstruktur des Bereichs zu verstehen, wenn die wissenschaftliche Produktion in einem wissenschaftlichen Bereich wächst (Rivera & Pizam, 2015). In ähnlicher Weise haben Ferreira et al. (2014) argumentierten, dass Wissenschaftler mit zunehmender Reifung und Komplexität der Forschungsfelder darauf abzielen sollten, das generierte und angehäufte Wissen gelegentlich zu verstehen, um neue Beiträge zu enthüllen, Forschungstraditionen und -trends zu erfassen, zu identifizieren, welche Themen untersucht werden, und sich mit der Wissensstruktur zu befassen das Feld und die möglichen Forschungsrichtungen. Während Raparelli und Bajocco (2019) eine bibliometrische Analyse durchgeführt haben, um den Wissensbereich von Drohnenanwendungen in der Land- und Forstwirtschaft zu untersuchen, berücksichtigt ihre Studie nur wissenschaftliche Forschung, die zwischen 1995 und 2017 veröffentlicht wurde, was die Dynamik dieses schnelllebigen Bereichs nicht widerspiegelt. Darüber hinaus haben die Autoren nicht versucht, die einflussreichsten Beiträge auf diesem Gebiet zu identifizieren, die Literatur zu gruppieren und die intellektuelle Struktur durch Co-Citation-Analyse zu bewerten. Daher ist es notwendig, die Literatur zusammenzufassen, um aktuelle Forschungsschwerpunkte, Trends und Hotspots aufzuzeigen.
Um diese Wissenslücke zu schließen, nutzen wir quantitative Methoden und rigorose bibliometrische Methoden, um den aktuellen Forschungsstand an der Schnittstelle von Drohnen und Landwirtschaft zu untersuchen. Wir argumentieren, dass die aktuelle Studie mehrere Beiträge zur bestehenden Literatur leistet, indem sie eine neue Technologie untersucht, die in der Landwirtschaft dringend benötigt wird, da sie ein enormes Potenzial bietet, mehrere Aspekte in diesem Sektor zu verändern. Angesichts des verstreuten und fragmentierten Wissens über Drohnen im landwirtschaftlichen Kontext wird die Notwendigkeit einer bibliometrischen Analyse landwirtschaftlicher Drohnen noch deutlicher. Ebenso muss die Literatur zu landwirtschaftlichen Drohnen systematisch gruppiert werden, wobei die einflussreichsten Studien berücksichtigt werden, die die Grundlage dieses Forschungsgebiets bilden. Der Wert der Analyse umfasst auch die Klärung von Forschungsschwerpunkten, die in der Literatur vertreten sind. In Anbetracht des Transformationspotenzials der Technologie gehen wir davon aus, dass eine eingehende Netzwerkanalyse neue Erkenntnisse liefert, indem einflussreiche Arbeiten ermittelt und Themen zum Potenzial von Drohnen für die Landwirtschaft aufgedeckt werden.
Wir streben daher folgende Forschungsziele an:
- Identifizierung einflussreicher Publikationen mit herausragenden Beiträgen zu Drohnenanwendungen im Bereich der Landwirtschaft.
- Clustering der Literatur, Identifizierung von Forschungsschwerpunkten und Kartierung der wichtigsten 'intellektuellen Struktur'-Studien basierend auf semantischer Ähnlichkeit durch Verwendung von Co-Citation-Analysen.
- Verständnis der Entwicklung von Verknüpfungen und Zitationsnetzwerken im Laufe der Zeit zwischen verschiedenen Publikationen auf diesem Gebiet und Identifizierung zukünftiger Forschungsrichtungen und heißer Themen.
Der Rest des Papiers ist wie folgt strukturiert: Abschnitt 2 umreißt die Methodik und die Datenerhebungsschritte; Abschnitt 3 liefert die Ergebnisse der Analysen; und Abschnitt 4 diskutiert die Ergebnisse und schließt mit Forschungsbeiträgen, Implikationen und zukünftigen Richtungen ab.
Methodik
In dieser aktuellen Forschungsstudie führen wir eine bibliometrische Analyse durch, um Drohnenanwendungen in der Landwirtschaft zu untersuchen. Dieser quantitative Ansatz offenbart die intellektuelle Struktur des Wissensbereichs (Arora & Chakraborty, 2021) und den aktuellen Status, heiße Themen und zukünftige Forschungsrichtungen, die mit dieser Methode untersucht werden können (Kapoor et al., 2018; Mishra et al. , 2017; A. Rejeb, Rejeb, et al., 2021b; A. Rejeb et al., 2021d; MA Rejeb et al., 2020). Im Allgemeinen untersucht eine bibliometrische Analyse die vorhandene Literatur, um verborgene Muster schriftlicher Kommunikation und die Entwicklung der Disziplin auf der Grundlage von Statistiken und mathematischen Methoden zusammenzufassen und aufzudecken, und sie wird auf große Datensätze angewendet (Pritchard, 1969; Small, 1999; Tahai & Rigsby , 1998). Durch die Verwendung von Bibliometrie streben wir ein besseres Verständnis der bestehenden Paradigmen und Forschungsschwerpunkte an, die auf der Grundlage der Ähnlichkeit zu der Domäne beitragen (Thelwall, 2008). Bibliometrie liefert neue Erkenntnisse, die durch die objektive quantitative Stärke der Methodik gestützt werden (Casillas & Acedo, 2007). Zahlreiche Wissenschaftler haben zuvor bibliometrische Studien in verwandten Bereichen durchgeführt, darunter Landwirtschaft, Fernerkundung und digitale Transformation (Armenta-Medina et al., 2020; Bouzembrak et al., 2019; A. Rejeb, Treiblmaier, et al., 2021; Wamba & Queiroz, 2021; Wang et al., 2019).
Zitationsanalyse
Die Zitationsanalyse offenbart verschiedene Einblicke in ein bestimmtes Forschungsgebiet. Erstens hilft es, die einflussreichsten Autoren und Publikationen aufzudecken, die zu einem bestimmten Forschungsgebiet beitragen und einen signifikanten Einfluss haben (Gundolf & Filser, 2013). Zweitens können der Wissensfluss und die Kommunikationsverbindungen zwischen Autoren aufgedeckt werden. Schließlich kann man durch die Verfolgung der Verbindungen zwischen zitierten und zitierenden Werken die Veränderungen und die Entwicklung eines Wissensbereichs im Laufe der Zeit untersuchen (Pournader
et al., 2020). Hohe Zitationszahlen einer Publikation spiegeln ihre Relevanz und ihren wesentlichen Beitrag zum Forschungsbereich wider (Baldi, 1998; Gundolf & Filser, 2013; Marinko, 1998). Die Zitationsanalyse von Veröffentlichungen hilft auch, relevante Werke zu identifizieren und ihre Popularität und ihren Fortschritt im Laufe der Zeit zu verfolgen.
Co-Citation-Analyse dokumentieren
Die Co-Citation-Analyse ist eine wertvolle Methode, um Beziehungen zwischen Publikationen zu untersuchen und die intellektuelle Struktur eines Fachgebiets darzustellen (Nerur et al., 2008). Mit anderen Worten, durch die Identifizierung der am häufigsten zitierten Veröffentlichungen und ihrer Verbindungen gruppiert die Methode Veröffentlichungen in verschiedene Forschungscluster, wobei Veröffentlichungen in einem Cluster regelmäßig ähnliche Ideen teilen (McCain, 1990; Small, 1973). Es ist wichtig zu erwähnen, dass Ähnlichkeit nicht bedeutet, dass die Ergebnisse der Veröffentlichungen gleich sind
kohärent und stimmen miteinander überein; Publikationen gehören aufgrund thematischer Ähnlichkeit zum selben Cluster, können aber widersprüchliche Standpunkte vertreten.
Datensammlung und-analyse
Gemäß der von White und Griffith (1981) vorgeschlagenen Methodik führten wir eine umfassende Suche in Zeitschriftenartikeln durch, um den gesamten Forschungsbereich der Drohnenanwendungen in der Landwirtschaft abzudecken, wobei wir die folgenden fünf Schritte verfolgten:
- Der erste Schritt war die Datenerhebung. Scopus wurde als eine der umfassendsten und vertrauenswürdigsten Datenbanken mit standardisierten Ergebnissen ausgewählt. Die Metadaten von Publikationen zu allen Drohnenanwendungen in der Landwirtschaft wurden abgerufen. Dann analysierten wir die ausgewählten Artikel und entfernten themenfremde Artikel aus der Analyse.
- Wir haben die Literatur analysiert und die wichtigsten Schlüsselwörter identifiziert, die im Forschungsgebiet verwendet werden.
- Mittels Zitationsanalyse untersuchten wir die Verbindung zwischen Autoren und Dokumenten, um zugrunde liegende Zitationsmuster aufzudecken. Außerdem haben wir die einflussreichsten Autoren und Publikationen mit bedeutenden Beiträgen auf dem Gebiet der landwirtschaftlichen Drohnen identifiziert.
- Wir haben eine Co-Citation-Analyse durchgeführt, um ähnliche Publikationen in Clustern zu gruppieren.
- Schließlich analysierten wir die Verbindungen und Verknüpfungen zwischen Ländern, Institutionen und Zeitschriften, um das Kooperationsnetzwerk darzustellen.
Identifizierung geeigneter Suchbegriffe
Wir haben die folgenden Suchzeichenfolgen für die Datenaggregation verwendet: (Drohne* ODER „Unmanned Aerial Vehicle“ ODER UAV* ODER „Unmanned Aircraf System” ODER uas ODER „ferngesteuerte Flugzeuge“) UND (Landwirtschaft ODER Landwirtschaft ODER Landwirtschaft ODER Bauer). Die Suche wurde im September 2021 durchgeführt. Drohnen haben mehrere Bezeichnungen, darunter UAV, UAS und ferngesteuerte Flugzeuge (Sah et al., 2021). Die spezifischen Suchbegriffe mit Bezug zur Landwirtschaft wurden basierend auf der Studie von Abdollahi et al. (2021). Aus Gründen der Klarheit und Transparenz ist die genaue Abfrage, die wir verwendet haben, in Anhang 1 angegeben. Nach einem Datenbereinigungsprozess haben wir eine Textdatei erstellt, die anschließend in BibExcel geladen wurde, einem gängigen Tool für Zitations- und Co-Zitationsanalyse. Dieses Tool bietet auch eine einfache Interaktion mit anderer Software und bietet einen erheblichen Freiheitsgrad bei der Datenverarbeitung und -analyse. VOSviewer Version 1.6.16 wurde verwendet, um die Ergebnisse zu visualisieren und die bibliometrischen Netzwerke zu generieren (Eck & Waltman, 2009). VOSviewer bietet eine Reihe intuitiver Visualisierungen, insbesondere zur Analyse bibliometrischer Karten (Geng et al., 2020). Darüber hinaus hilft es bei der Bereitstellung von einfachen visuellen Ergebnissen, die zum besseren Verständnis der Ergebnisse beitragen (Abdollahi et al., 2021). Unter Anwendung der oben angegebenen Suchbegriffe haben wir alle relevanten Publikationen gesammelt und gespeichert. Die ersten Suchergebnisse ergaben insgesamt 5,085 Dokumente. Um die Qualität der ausgewählten Stichprobe zu gewährleisten, wurden in der Recherche nur begutachtete Zeitschriftenartikel berücksichtigt, was zum Ausschluss anderer Dokumenttypen wie Bücher, Kapitel, Konferenzberichte und redaktionelle Notizen führte. Im Rahmen eines Screening-Prozesses wurden irrelevante (dh den Rahmen dieser Arbeit sprengende), redundante (dh Duplikate aufgrund von Doppelindizierung) und nicht englischsprachige Publikationen herausgefiltert. Dieser Prozess führte dazu, dass 4,700 Dokumente in die endgültige Analyse aufgenommen wurden.
Erkenntnisse und Diskussion
Zunächst analysierten wir die Entwicklung des Publikationsoutputs in der aktuellen Literatur zu landwirtschaftlichen Drohnen. Die zeitliche Verteilung der wissenschaftlichen Forschung ist in Abb. 1 dargestellt. Ab dem Jahr 2011 (30 Publikationen) sehen wir einen rasanten Anstieg der Publikationen; Daher haben wir uns entschieden, den Analysezeitraum in zwei verschiedene Phasen aufzuteilen. Wir bezeichnen den Zeitraum zwischen 1990 und 2010 als Aufbauphase, in der jährlich etwa sieben Publikationen veröffentlicht wurden. Die Zeit nach 2010 wird als Wachstumsphase bezeichnet, da die Forschung zu Drohnenanwendungen in der Landwirtschaft in dieser Zeit einen exponentiellen Anstieg erlebte. Nach 2010 bestätigt die steigende Zahl von Veröffentlichungen das wachsende Interesse unter Forschern, was auch widerspiegelt, dass Drohnen in der Fernerkundung und in der Präzisionslandwirtschaft eingesetzt wurden (Deng et al., 2018; Maes & Steppe, 2019; Messina & Modica, 2020 ). Konkret stieg die Zahl der Publikationen von 108 im Jahr 2013 auf 498 im Jahr 2018 und erreichte 1,275 mit 2020 ihren Höhepunkt. Zwischen Januar und Mitte September 935 wurden insgesamt 2021 Artikel veröffentlicht. In der Folge haben wir uns entschieden, unsere Analyse stärker auf die Wachstumsphase zu fokussieren Seit dieser Zeit spiegeln sich die neuesten und wichtigsten Feinheiten landwirtschaftlicher Drohnen wider.
Keyword-Analyse
Die Schlagworte, die Autoren für eine Publikation wählen, haben einen entscheidenden Einfluss darauf, wie die Arbeit dargestellt und in wissenschaftlichen Gemeinschaften kommuniziert wird. Sie identifizieren die Schlüsselthemen der Forschung und bestimmen ihr Erfolgs- oder Misserfolgspotenzial (Day & Gastel, 1998.; Kim et al., 2016; Uddin et al., 2015). Die Schlüsselwortanalyse, ein Werkzeug zur Aufdeckung breiterer Forschungstrends und -richtungen, bezieht sich auf die Zusammenstellung der Schlüsselwörter aller verwandten Publikationen in einem Bereich (Dixit & Jakhar, 2021). In der aktuellen Studie haben wir die aggregierten Keywords in zwei Sätze unterteilt (dh bis 2010 und 2011–2021), um die beliebtesten Themen zu untersuchen. Auf diese Weise können wir die entscheidenden Schlüsselwörter in beiden Sätzen nachverfolgen und sicherstellen, dass wir alle erforderlichen Daten erfasst haben. Für jedes Set sind die Top-Ten-Keywords in Tabelle 3 dargestellt. Wir haben Inkonsistenzen beseitigt, indem wir semantisch identische Keywords wie „drone“ und „drones“ oder ähnlich „Internet of Things“ und „IoT“ zusammengeführt haben.
Tabelle 3 zeigt, dass „unbemanntes Fluggerät“ in beiden Zeiträumen ein häufiger verwendetes Schlagwort ist als „Drohne“ und „unbemanntes Flugsystem“. Auch „Fernerkundung“, „Präzisionslandwirtschaft“ und „Landwirtschaft“ haben in beiden Perioden einen hohen Stellenwert. In der ersten Periode belegte „Präzisionslandwirtschaft“ den fünften und in der zweiten Periode den zweiten Platz, was zeigt, wie Drohnen immer wichtiger werden, um die Präzisionslandwirtschaft zu erreichen, da sie Überwachung, Überwachung,
Detektions- und Schätzungspraktiken schneller, billiger und einfacher durchzuführen im Vergleich zu anderen Fernerkundungs- und bodengestützten Systemen. Außerdem können sie bei Bedarf die genaue Menge des Inputs (z. B. Wasser oder Pestizide) versprühen (Guo et al., 2020; Inoue, 2020; Panday, Pratihast, et al., 2020).
Liste der am häufigsten verwendeten Schlüsselwörter.
Rang | 1990-2010 | Anzahl der Vorkommen | 2011-2021 | Anzahl der Vorkommen |
1 | unbemannte Antenne Fahrzeug | 28 | unbemannt Luftfahrzeug | 1628 |
2 | Fernerkundung | 7 | Präzision Landwirtschaft | 489 |
3 | Landwirtschaft | 4 | Fernerkundung | 399 |
4 | luftgetragenen | 4 | Drohne | 374 |
5 | Präzision Landwirtschaft | 4 | unbemannt Antennensystem | 271 |
6 | unbemannte Antenne | 4 | Landwirtschaft | 177 |
7 | hyperspektral Sensor | 3 | tiefe Lernen | 151 |
8 | künstliche neuronale Netzwerke | 2 | Maschine lernen | 149 |
9 | autonomes Fliegen | 2 | Vegetation Index | 142 |
10 | Kaffee | 2 | Internet von Dinge | 124 |
Ein weiteres interessantes Merkmal ist das Vorhandensein komplementärer Technologien. In der ersten Stufe gehören „Hyperspectral Sensor“ und „Artificial Neural Networks“ (KNN) zu den Top-Ten-Keywords. Die hyperspektrale Bildgebung revolutionierte die traditionelle Bildgebung, indem sie eine große Anzahl von Bildern bei verschiedenen Wellenlängen sammelte. Dabei können die Sensoren im Vergleich zu multispektraler Bildgebung, Spektroskopie und RGB-Bildgebung gleichzeitig bessere räumliche und spektrale Informationen sammeln (Adao ˜ et al.,
2017). Das Auftreten von „ANN“ in der ersten Phase und „Deep Learning“ (DL) und „Machine Learning“ (ML) in der zweiten impliziert, dass sich die meisten der veröffentlichten Arbeiten auf die Untersuchung des Potenzials von KI-Techniken für Drohnen- basierte Landwirtschaft. Obwohl Drohnen in der Lage sind, autonom zu fliegen, erfordern sie dennoch die Beteiligung eines Piloten, was eine geringe Geräteintelligenz impliziert. Dieses Problem kann jedoch durch die Weiterentwicklung von KI-Techniken gelöst werden, die ein besseres Situationsbewusstsein und eine autonome Entscheidungsunterstützung bieten können. Ausgestattet mit KI können Drohnen Kollisionen während der Navigation vermeiden, das Boden- und Pflanzenmanagement verbessern (Inoue, 2020) und Arbeit und Stress für Menschen reduzieren (BK Sharma et al., 2019).
Aufgrund ihrer Flexibilität und Fähigkeit, mit großen Mengen nichtlinearer Daten umzugehen, sind KI-Techniken geeignete Methoden, um die von Drohnen und anderen Fernerkundungs- und bodengestützten Systemen übertragenen Daten für Vorhersagen und Entscheidungsfindung zu analysieren (Ali et al., 2015; Inue, 2020). Darüber hinaus weist die Präsenz von „IoT“ in der zweiten Periode auf seine wachsende Rolle in der Landwirtschaft hin. Das IoT revolutioniert die Landwirtschaft, indem es andere Technologien miteinander verbindet, darunter Drohnen, ML, DL, WSNs und Big Data. Einer der Hauptvorteile der Implementierung von IoT ist seine Fähigkeit, verschiedene Aufgaben (Datenerfassung, Datenanalyse und -verarbeitung, Entscheidungsfindung und Implementierung) nahezu in Echtzeit effizient und effektiv zusammenzuführen (Elijah et al., 2018; Feng et al. , 2019; Muangprathub et al., 2019). Darüber hinaus gelten Drohnen als effiziente Werkzeuge zur Erfassung der Daten, die für die Berechnung der Vegetationskraft und Vegetationseigenschaften erforderlich sind (Candiago et al., 2015). Abb. 2a und 2b veranschaulichen das Stichwort Co-Occurrence Networks für beide Zeiträume.
Einflussreiche Autoren
In diesem Abschnitt ermitteln wir die einflussreichen Autoren und untersuchen, wie Autorenzitationsnetzwerke die aktuelle Literatur visualisieren und organisieren können. Abb. 3 zeigt die zeitliche Überlagerung aller Forscher mit der höchsten Zitationszahl. Die Farbskala spiegelt die jährliche Variation der Autorenzitate wider. Wir untersuchen die Zitationsstruktur von Forschern, die Studien zu landwirtschaftlichen Drohnen veröffentlicht haben, indem wir eine Schwelle von mindestens 50 Zitaten und zehn Publikationen verwenden. Aus
Von 12,891 Autoren erfüllten nur 115 diese Bedingung. Tabelle 4 listet die zehn einflussreichsten Autoren auf, sortiert nach der maximalen Anzahl an Zitaten. Lopez-Granados F. führt die Liste mit 1,963 Zitierungen an, gefolgt von Zarco-Tejada PJ mit 1,909 Zitierungen.
Liste der am häufigsten zitierten Autoren.
Rangliste | Autor | Zitate |
1 | Lopez-Granados´ F. | 1,963 |
2 | Zarco-Tejada PJ | 1,909 |
3 | Pena ˜ JM | 1,644 |
4 | Torres-S´ Anchez J. | 1,576 |
5 | Ferrer E | 1,339 |
6 | Remondino F | 1,235 |
7 | Bolten A | 1,160 |
8 | Barth G | 1,155 |
9 | Berni JA | 1,132 |
10 | de Castro AI | 1,036 |
Wenn es um einzelne Veröffentlichungen geht, war der Artikel von Zhang und Kovacs (2012) die am häufigsten zitierte Studie, die in Precision Agriculture veröffentlicht wurde. Hierin überprüften die Autoren die Anwendung von UAS in der Präzisionslandwirtschaft. Die Ergebnisse ihrer Forschung legen nahe, dass es notwendig ist, das Plattformdesign, die Produktion, die Standardisierung der Georeferenzierung von Bildern und den Informationsabruf-Workflow voranzutreiben, um den Landwirten zuverlässige Endprodukte zu liefern. Darüber hinaus empfehlen sie, den Landwirt stärker einzubeziehen, insbesondere in die Feldplanung, die Bilderfassung sowie die Dateninterpretation und -analyse. Wichtig ist, dass diese Studie eine der ersten war, die die Bedeutung von UAV bei der Feldkartierung, der Vitalkartierung, der Messung des chemischen Gehalts, der Vegetationsstressüberwachung und der Bewertung der Auswirkungen von Düngemitteln auf das Pflanzenwachstum zeigte. Zu den Herausforderungen im Zusammenhang mit der Technologie gehören auch unerschwingliche Kosten, Sensorfähigkeit, Plattformstabilität und -zuverlässigkeit, fehlende Standardisierung und konsistente Verfahren zur Analyse riesiger Datenmengen.
Zitationsanalyse
Die Zitationsanalyse stellt die Untersuchung des Einflusses von Artikeln dar, wenn auch anfällig für Strömungen (z. B. Zitierverzerrung, Selbstzitation) und gilt als eines der Standardinstrumente zur Wirkungsevaluation (Osareh, 1996; A. Rejeb et al., 2022; Sarli et al., 2010). Zitate spiegeln auch die Bedeutung und Vitalität der Beiträge der Artikel zur Literatur zu einem bestimmten Thema wider (R. Sharma et al., 2022). Wir haben eine Zitationsanalyse durchgeführt, um die einflussreichsten Studien zu landwirtschaftlichen Drohnen zu ermitteln und die Inhalte zusammengefasst. Tabelle 5 enthält die Liste der fünfzehn einflussreichsten Artikel für die Zeiträume 1990–2010 und 2011–2021. Die Artikel von Berni et al. (2009)b und Austin (2010) wurden 1990 und 2010 mit 831 bzw. 498 Zitaten am häufigsten zitiert. Berniet al. (2009)b veranschaulichten das Potenzial zur Entwicklung quantitativer Fernerkundungsprodukte über ein helikoptergestütztes UAV, das mit erschwinglichen thermischen und schmalbandigen multispektralen Bildsensoren ausgestattet ist. Im Vergleich zu herkömmlichen bemannten Luftsensoren ist ein kostengünstiges UAV-System für die Landwirtschaft in der Lage, vergleichbare Schätzungen der biophysikalischen Parameter von Pflanzen zu erreichen, wenn nicht sogar besser. Die erschwinglichen Kosten und die betriebliche Flexibilität sowie die hohen spektralen, räumlichen und zeitlichen Auflösungen, die bei einer kurzen Bearbeitungszeit verfügbar sind, machen UAVs für eine Reihe von Anwendungen geeignet, die ein zeitkritisches Management erfordern, einschließlich Bewässerungsplanung und Präzisionslandwirtschaft. Die Arbeit von Berni et al. (2009)b wird häufig zitiert, weil es eine unbemannte Drehflügelplattform und digitale und thermische Sensoren mit den notwendigen Kalibrierungsmechanismen für landwirtschaftliche Anwendungen effektiv integriert. Die am zweithäufigsten zitierte Veröffentlichung ist ein von Austin (2010) verfasstes Buch, in dem UAVs aus der Perspektive von Design, Entwicklung und Einsatz diskutiert wurden. In der Landwirtschaft unterstützen UAVs die Pflanzenüberwachung, indem sie Krankheiten durch Farbveränderungen der Pflanzen frühzeitig erkennen, die Aussaat und Besprühung der Pflanzen erleichtern und Herden überwachen und antreiben.
Die Studien von Sullivan et al. (2007), Lumme et al. (2008) und Gokto ¨ ǧan et al. (2010) vervollständigen die Liste der fünfzehn am häufigsten zitierten Artikel. Diese Artikel veranschaulichen die Entwicklung von UAV-basierten Systemen zur Unterstützung der Landwirtschaft. Sie bieten Lösungen für verschiedene Probleme, wie z. B. Ernteüberwachung und -scannen, Unkrautüberwachung und -management sowie Entscheidungsunterstützung. Sie schlagen auch vor und diskutieren die Fähigkeit von UAV, die Probenahmeeffizienz zu erhöhen und Landwirten bei der Entwicklung genauer und effektiver Proben zu helfen
Pflanzstrategien. Zwei Artikel wurden von Berni verfasst (Berni et al., 2009b; Berni et al., 2009a), die seinen bedeutenden Einfluss auf die landwirtschaftliche Drohnenforschung unterstreichen. Die Veröffentlichung von Zarco-Tejada et al. (2014) gehört zu den bahnbrechenden Studien, die die Notwendigkeit verdeutlichen, kostengünstige UAV-Bilder zur Quantifizierung der Baumhöhe zu verwenden.
Liste der am häufigsten zitierten Publikationen.
Rang | Von 1990 zu 2010 | Von 2011 zu 2021 | ||
Dokument | Zitat | Dokument | Zitat | |
1 | (Berni et al., 2009b) | 831 | (C. Zhang & Kovacs, 2012) | 967 |
2 | (Austin, 2010) | 498 | (Nex & Remondino, 2014) | 893 |
3 | (Hunt et al., 2010) | 331 | (Floreano & Holz, 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 | (Anzeige 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 & 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 |
In der zweiten Periode (2011–2021) führten die Forschungen von Zhang und Kovacs (2012) sowie Nex und Remondino (2014) zu den am häufigsten zitierten Publikationen. Zhang und Kovacs (2012) argumentieren, dass die Präzisionslandwirtschaft von der Implementierung raumbezogener Techniken und Sensoren wie Geoinformationssystemen, GPS und Fernerkundung profitieren könnte, um Variationen auf dem Feld zu erfassen und mit alternativen Strategien zu bewältigen. Als Wendepunkt in der Präzisionslandwirtschaft hat die Einführung von Drohnen ein neues Zeitalter der Fernerkundung eingeläutet, die Beobachtung aus der Luft vereinfacht, Daten zum Pflanzenwachstum, Bodenbedingungen und Sprühflächen erfasst. Die Überprüfung von Zhang und Kovacs (2012) ist wegweisend, da sie Einblicke in UAVs bietet, indem sie bestehende Anwendungen und Herausforderungen dieser Geräte in der Umweltüberwachung und Präzisionslandwirtschaft aufzeigt, wie z. B. Plattform- und Kamerabeschränkungen, Herausforderungen bei der Datenverarbeitung, Engagement der Landwirte und Luftfahrtvorschriften . Der Zweite
Die am häufigsten zitierte Studie von Nex und Remondino (2014) untersuchte den Stand der Technik von UAVs zur Erfassung, Verarbeitung und Analyse von Erdbildern.
Ihre Arbeit bot auch einen Überblick über mehrere UAV-Plattformen, Anwendungen und Anwendungsfälle und präsentierte die neuesten Fortschritte in der UAV-Bildverarbeitung. In der Landwirtschaft könnten Landwirte unbemannte Luftfahrzeuge einsetzen, um effektive Entscheidungen zu treffen, um Kosten und Zeit zu sparen, eine schnelle und genaue Aufzeichnung von Schäden zu erhalten und mögliche Probleme zu antizipieren. Im Gegensatz zu herkömmlichen Luftplattformen können UAVs die Betriebskosten senken und die Zugangsgefahr an rauen Orten verringern, während gleichzeitig das hohe Präzisionspotenzial erhalten bleibt. Ihr Papier fasst verschiedene Vorteile von UAVs zusammen, insbesondere in Bezug auf Genauigkeit und Auflösung.
Unter den verbleibenden dreizehn am häufigsten zitierten Veröffentlichungen zwischen 2011 und 2021 stellten wir eine stärkere Konzentration auf Forschung im Zusammenhang mit Drohnenanwendungen in Bildgebungsmissionen fest (Bendig et al., 2014; Ma et al., 2017; Zarco-Tejada et al., 2014). , Präzisionslandwirtschaft (Candiago et al., 2015; Honkavaara et al., 2013a), Präzisionsweinbau (Matese et al., 2015), Wasserstressbewertung (Gago et al., 2015) und Vegetationsüberwachung (Aasen et al. , 2015a). In den Anfangsjahren konzentrierten sich die Forscher
mehr über die Entwicklung kostengünstiger, leichter und präziser UAV-basierter Systeme für die Landwirtschaft; Neuere Forschungen konzentrieren sich mehr auf Überprüfungen von UAV-Anwendungen für die Landwirtschaft und Feldvermessung. Zusammenfassend zeigt diese Analyse, dass die einflussreichen Veröffentlichungen meistens Übersichten früherer Studien zur Bewertung des aktuellen wissenschaftlichen und technologischen Status von UAVs bereitgestellt und UAV-Systeme zur Unterstützung der Präzisionslandwirtschaft entwickelt haben. Interessanterweise fanden wir keine empirischen Studien
Methoden oder beschreibende Fallstudien, was eine erhebliche Wissenslücke darstellt und mehr Forschung zu diesem Thema erfordert.
Co-Citation-Analyse
Nach Gmür (2006) identifiziert die Co-Citation-Analyse ähnliche Publikationen und gruppiert sie. Eine sorgfältige Betrachtung eines Clusters kann ein gemeinsames Forschungsfeld der Publikationen aufzeigen. Wir untersuchen die Co-Zitation der Literatur zu landwirtschaftlichen Drohnen, um verwandte Themengebiete zu veranschaulichen und die intellektuellen Muster von Veröffentlichungen zu erkennen. In dieser Hinsicht empfahl Small (1973) die Verwendung der Kozitationsanalyse, um die einflussreichsten und zukunftsträchtigsten Forschungsergebnisse zu untersuchen
innerhalb einer Disziplin. Um das Set auf die bahnbrechendsten Artikel (Goyal & Kumar, 2021) zu beschränken, legen wir eine Co-Citation-Schwelle von 25 fest, was bedeutet, dass zwei Artikel zusammen in den Referenzlisten von 25 oder mehr verschiedenen Publikationen zitiert worden sein müssen. Das Clustering wurde auch mit einer minimalen Clustergröße 1 und ohne Verfahren zum Zusammenführen kleinerer Cluster mit größeren durchgeführt. Als Ergebnis wurden sechs Cluster basierend auf der Ähnlichkeit der Studien und ihrer intellektuellen Struktur generiert. Tabelle 6 zeigt die Verteilung der Publikationen in jedem Cluster.
Cluster 1: Dieses Cluster enthält achtzehn Dokumente, die nach veröffentlicht wurden. Die Veröffentlichungen in diesem Cluster diskutieren die Rolle von Drohnen bei der Unterstützung von Umweltüberwachung, Pflanzenmanagement und Unkrautmanagement. Manfreda et al. (2018) geben einen Überblick über die aktuelle Forschung und Implementierungen von UAV in der Überwachung natürlicher landwirtschaftlicher Ökosysteme und argumentieren, dass die Technologie ein enormes Potenzial bietet, die Umweltüberwachung drastisch zu verbessern und zu reduzieren
die bestehende Kluft zwischen Feldbeobachtung und konventioneller luft- und weltraumgestützter Fernerkundung. Dies kann erreicht werden, indem neue Kapazitäten für eine verbesserte zeitliche Abfrage und räumliche Einblicke in große Gebiete auf erschwingliche Weise angeboten werden. UAVs können die Umgebung ständig erfassen und die resultierenden Daten an intelligente, zentralisierte/dezentralisierte Einheiten senden, die Sensoren steuern, um eventuelle Probleme zu identifizieren, wie z. B. das Fehlen von Krankheiten oder die Erkennung von Wasser (Padua ´ et al., 2017). Adao ˜ et al. (2017) gehen davon aus, dass UAVs ideal für die Beurteilung des Zustands von Pflanzen sind, indem sie eine große Menge an Rohdaten in Bezug auf den Wasserzustand, die Schätzung der Biomasse und die Beurteilung der Vitalität erfassen. UAV-montierte Sensoren könnten auch sofort unter geeigneten Umgebungsbedingungen eingesetzt werden, um die zeitnahe Erfassung von Fernerkundungsdaten zu ermöglichen (Von Bueren et al., 2015). Mithilfe von UAVs können Landwirte Indoor-Farming-Aktivitäten durchführen, indem sie Messungen von praktisch jedem Ort im dreidimensionalen Raum von Indoor-Farming-Umgebungen (z. B. Gewächshäusern) erfassen und so eine lokale Klimakontrolle und Pflanzenüberwachung sicherstellen (Roldan ´ et al ., 2015). Im Kontext der Präzision
Landwirtschaft erfordern Pflanzenmanagemententscheidungen genaue, zuverlässige Pflanzendaten mit einer angemessenen zeitlichen und räumlichen Auflösung (Gebbers & Adamchuk, 2010; Gevaert et al., 2015; Maes & Steppe, 2019). Aus diesem Grund haben Agüera Vega et al. (2015) verwendeten ein UAV-montiertes multispektrales Sensorsystem, um Bilder einer Sonnenblumenernte während der Vegetationsperiode aufzunehmen. In ähnlicher Weise haben Huang et al. (2009) stellen fest, dass die auf UAVs basierende Fernerkundung die Messung von Pflanzen und Böden anhand der gesammelten Spektraldaten erleichtern könnte. Vergeret al. (2014) entwickelten und testeten eine Technik zur Schätzung eines Grünflächenindex (GAI) aus UAV-Reflexionsmessungen in Präzisionslandwirtschaftsanwendungen mit Schwerpunkt auf Weizen- und Rapskulturen. Daher bieten Drohnen neue Möglichkeiten zum Abrufen von Informationen zum Erntezustand mit häufigen Wiederholungen und hoher räumlicher Auflösung (Dong et al., 2019; Garzonio et al., 2017; H. Zheng et al., 2016).
Clustering einflussreicher Publikationen zu landwirtschaftlichen Drohnen.
Cluster | Breites Thema | Bibliographie |
1 | Umweltüberwachung, Ernte Management, Unkrautbekämpfung | (Anzeige ao et al., 2017; Agüera Vega et al., 2015; de Castro et al., 2018; Gomez-Cand ´on´ et al., 2014; YB Huang et al., 2013; Khanal et al., 2017; Lopez-Granados, ´ 2011; Manfreda et al., 2018; P adua et al., 2017; Pena ˜ et al., 2013; P'erez-Ortiz et al., 2015; Rasmussen et al., 2013, 2016; Torres-S´ anchez et al., 2014; Torres-Sanchez, ´ Lopez-Granados, ´ & Pena, ˜ 2015; Vergeret al., 2014; Von Büren et al., 2015; C. Zhang & Kovacs, 2012) |
2 | Remote-Phänotypisierung, Ertrag Schätzung, Ernteflächenmodell, Zählen von Pflanzen | (Bendig et al., 2013, 2014; Geipel et al., 2014; Gnadinger ¨ & Schmidhalter, 2017; Haghighattalab et al., 2016; Holmanet al., 2016; Jin et al., 2017; W. Li et al., 2016; Maimaitijiang et al., 2017; Sankaran et al., 2015; Schirrmann et al., 2016; Shiet al., 2016; Yue et al., 2017; X. Zhou et al., 2017) |
3 | Thermografie für Wasser, Multispektrale Bildgebung | (Baluja et al., 2012; Berni et al., 2009b; Berni et al., 2009a; Candiago et al., 2015; Gagoet al., 2015; Gonzalez-Dugo et al., 2013, 2014; Grenzdorffer ¨ et al., 2008; Khaliq et al., 2019; Matese et al., 2015; Ribeiro-Gomes et al., 2017; Santesteban et al., 2017; Uto et al., 2013) |
4 | Hypersektrale Bildgebung, spektral Bildgebung | (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 | 3D-Mapping-Anwendungen | (Jim´enez-Brenes et al., 2017; Nex & Remondino, 2014; Salami et al., 2014; Torres-S´ anchez, Lopez-´ Granados, Serrano et al., 2015; Zahawi et al., 2015; Zarco Tejada et al., 2014) |
6 | Landwirtschaftliche Überwachung | (SR Herwitz et al., 2004; Hunt et al., 2010; CCD Lelong et al., 2008; Primicerio et al., 2012; Xiang & Tian, 2011) |
Darüber hinaus sind Drohnen für anspruchsvolle Aufgaben in der Landwirtschaft nützlich, einschließlich der Unkrautkartierung. Die von den Geräten aufgenommenen Bilder haben ihre Nützlichkeit für die frühzeitige Unkrauterkennung auf Feldern bewiesen (de Castro et al., 2018; Jim´enez-Brenes et al., 2017; Lam et al., 2021; Lopez-Granados´ et al., 2016; Rozenberg et al., 2021). Diesbezüglich schlagen de Castro et al. (2018) gehen davon aus, dass die Zusammenführung von UAV-Bildern und objektbasierter Bildanalyse (OBIA) es Praktikern ermöglicht hat, das Problem der Automatisierung der Früherkennung bei Grünlandkulturen in der Frühsaison zu lösen, was einen großen Schritt nach vorne in der Unkrautforschung darstellt. Ebenso Pena ˜ et al. (2013) weisen darauf hin, dass die Verwendung von Bildern mit ultrahoher räumlicher Auflösung von UAV in Verbindung mit einem OBIA-Verfahren es ermöglicht, Unkrautkarten in frühen Maiskulturen zu erstellen, die bei der Planung der Umsetzung von Unkrautbekämpfungsmaßnahmen während der Saison verwendet werden könnten. eine Aufgabe, die über die Möglichkeiten von Satelliten- und herkömmlichen Luftbildern hinausgeht. Im Vergleich zu Bildklassifizierungs- oder Objekterkennungsalgorithmen sind semantische Segmentierungstechniken effektiver bei Unkrautkartierungsaufgaben (J. Deng et al., 2020), wodurch Landwirte während der gesamten Vegetationsperiode Feldbedingungen erkennen, Verluste mindern und Erträge verbessern können (Ramesh et al., 2020). Die auf Deep Learning basierende semantische Segmentierung kann auch eine genaue Messung der Vegetationsbedeckung aus hochauflösenden Luftbildern liefern (Ramesh et al., 2020; A. Zheng et al., 2022). Trotz ihres Potenzials für Remote
Pixelklassifizierung, semantische Segmentierungstechniken erfordern erhebliche Rechenleistung und einen unerschwinglich hohen GPU-Speicher (J. Deng et al., 2020).
Basierend auf maschinellem Lernen und UAV haben P´erez-Ortiz et al. (2015) schlugen einen Unkrautkartierungsansatz vor, um ortsspezifische Unkrautbekämpfungsstrategien bereitzustellen, wenn Landwirte die Unkrautbekämpfung früh nach dem Auflaufen übernehmen. Schließlich haben Rasmussen et al. (2013) betonten, dass Drohnen eine kostengünstige Sensorik mit großer Flexibilität bei der räumlichen Auflösung bieten. Insgesamt konzentrieren sich die Veröffentlichungen in diesem Cluster auf die Erforschung des Potenzials von UAVs zur Unterstützung der Fernerkundung, der Pflanzenüberwachung und der Unkrautkartierung. Weitere eingehende Forschung ist erforderlich, um weiter zu untersuchen, wie Drohnenanwendungen in der Umweltüberwachung, im Pflanzenmanagement und bei der Unkrautkartierung eine nachhaltigere Landwirtschaft erreichen können (Chamuah & Singh, 2019; Islam et al., 2021; Popescu et al., 2020; J Su, Liu, et al., 2018) und behandeln Governance-Fragen dieser Technologie in Ernteversicherungsanwendungen (Basnet & Bang, 2018; Chamuah & Singh, 2019, 2022; Meinen & Robinson, 2021). Forscher sollten sich auf die Validierung von UAV-erfassten Messungen mit effizienten Verarbeitungstechniken konzentrieren, um die endgültige Qualität der verarbeiteten Daten zu verbessern (Manfreda et al., 2018). Darüber hinaus ist die Entwicklung geeigneter Algorithmen erforderlich, die Pixel erkennen, die Unkräuter in den digitalen Bildern anzeigen und irrelevante Hintergründe während der UAV-Unkrautkartierung eliminieren (Gaˇsparovi´c et al., 2020; Hamylton et al., 2020; H. Huang et al. , 2018, 2020; Lopez-´Granados et al., 2016). Weitere Forschung zur Einführung semantischer Segmentierungstechniken bei der Pflanzenerkennung, Blattklassifizierung und Krankheitskartierung ist willkommen (Fuentes-Pacheco et al., 2019; Kerkech et al., 2020).
Cluster 2. Die Veröffentlichungen in diesem Cluster konzentrierten sich auf verschiedene Aspekte landwirtschaftlicher Drohnen. Im Zusammenhang mit der Remote-Phänotypisierung haben Sankaran et al. (2015) untersuchten das Potenzial der Verwendung hochauflösender Luftbildaufnahmen aus geringer Höhe mit UAVs für die schnelle Phänotypisierung von Feldfrüchten auf dem Feld, und sie argumentieren, dass kleine UAVs mit geeigneten Sensoren im Vergleich zu bodengestützten Sensorplattformen mehrere Vorteile bieten , wie einfacher Zugang zum Feld, hochauflösende Daten, effiziente Datenerfassung,
schnelle Einschätzungen der Feldwachstumsbedingungen und niedrige Betriebskosten. Die Autoren stellen jedoch auch fest, dass die effektive Anwendung von UAV für die Feldphänotypisierung auf zwei grundlegenden Elementen beruht, nämlich UAV-Eigenschaften (z. B. Sicherheit, Stabilität, Positionierung, Autonomie) und Sensoreigenschaften (z. B. Auflösung, Gewicht, spektrale Wellenlängen, Feld). Ansicht). Haghighattalab et al. (2016) schlugen eine halbautomatische Bildverarbeitungspipeline vor, um Daten auf Plotebene aus UAV-Bildern abzurufen und den Züchtungsprozess zu beschleunigen. Holmanet al. (2016) ein High entwickelt
Durchsatz-Feldphänotypisierungssystem und hob hervor, dass UAV in der Lage ist, hochwertige, umfangreiche, feldbasierte phänotypische Daten zu sammeln, und dass das Gerät für große Gebiete und über verschiedene Feldstandorte hinweg effektiv ist.
Da die Ertragsschätzung eine unglaublich wichtige Information ist, insbesondere wenn sie rechtzeitig verfügbar ist, besteht für UAVs das Potenzial, alle Feldmessungen bereitzustellen und qualitativ hochwertige Daten effizient zu erfassen (Daakir et al., 2017; Demir et al., 2018 ; Enciso et al., 2019; Kulbacki et al., 2018; Pudelko et al., 2012). In dieser Hinsicht haben Jin et al. (2017) nutzten die hochauflösenden Bilder, die von UAVs in sehr geringen Höhen aufgenommen wurden, um eine Methode zur Schätzung der Weizenpflanzendichte in der Auflaufphase zu entwickeln und zu bewerten. Laut den Autoren überwinden UAVs die Einschränkungen von mit Kameras ausgestatteten Roversystemen und stellen eine nicht-invasive Methode zur Schätzung der Pflanzendichte in Feldfrüchten dar, die es Landwirten ermöglicht, den für die Feldphänotypisierung erforderlichen hohen Durchsatz unabhängig von der Befahrbarkeit des Bodens zu erreichen. Liet al. (2016) sammelten Hunderte von Stereobildern mit extrem hoher Auflösung unter Verwendung eines UAV-basierten Systems zur Schätzung von Maisparametern, einschließlich Kronenhöhe und oberirdischer Biomasse. Schließlich haben Yue et al. (2017) fanden heraus, dass die von UAVs bestimmte Erntehöhe die Schätzung der oberirdischen Biomasse (AGB) verbessern könnte.
Ein Ansatz zur Überwachung des Pflanzenwachstums ist die Idee, Pflanzenoberflächenmodelle zu entwickeln (Bendig et al., 2014, 2015; Holman et al., 2016; Panday, Shrestha, et al., 2020; Sumesh et al., 2021). Mehrere Studien unterstrichen die Machbarkeit von Bildern, die von UAV aufgenommen wurden, um die Höhe von Pflanzen zu erfassen und ihr Wachstum zu überwachen. Bendig et al. (2013) beschrieben die Entwicklung multitemporaler Pflanzenoberflächenmodelle mit einer sehr hohen Auflösung von weniger als 0.05 m unter Verwendung von UAV. Sie zielten darauf ab, Getreide zu erkennen
Wachstumsvariabilität und ihre Abhängigkeit von Pflanzenbehandlung, Sorte und Stress. Bendiget al. (2014) verwendeten UAVs zur Schätzung frischer und trockener Biomasse auf der Grundlage der Pflanzenhöhe, die aus Pflanzenoberflächenmodellen extrahiert wurde, und stellten fest, dass die hochauflösenden Bilder von UAVs im Gegensatz zu luftgestützten Plattformen und terrestrischem Laserscanning die Genauigkeit der Pflanzenhöhenmodellierung für unterschiedliches Wachstum erheblich erhöhen können Stufen. In die gleiche Richtung haben Geipel et al. (2014) verwendeten UAVs in ihrer Forschung, um Bilder zu erfassen
Datensätze zur Maiskornertragsvorhersage in drei verschiedenen Wachstumsphasen von Anfang bis Mitte der Saison und kam zu dem Schluss, dass die Kombination aus spektraler und räumlicher Modellierung auf der Grundlage von Luftbildern und Pflanzenoberflächenmodellen eine geeignete Methode zur Vorhersage des Maisertrags in der Mitte der Saison ist. Schließlich untersuchten Gnadinger ¨ und Schmidhalter (2017) den Nutzen von UAV bei der Präzisionsphänotypisierung und betonten, dass der Einsatz dieser Technologie das Farmmanagement verbessern und Feldexperimente für Zucht- und agronomische Zwecke ermöglichen könnte. Insgesamt stellen wir fest, dass sich die Veröffentlichungen in Cluster 2 auf die Hauptvorteile von UAVs in der Ferne konzentrieren
Phänotypisierung, Ertragsschätzung, Pflanzenoberflächenmodellierung und Pflanzenzählung. Zukünftige Studien können tiefer gehen, indem sie neue Methoden für die Remote-Phänotypisierung entwickeln, die die Verarbeitung von Fernerkundungsdaten automatisieren und optimieren können (Barabaschi et al., 2016; Liebisch et al., 2015; Mochida et al., 2015; S. Zhou et al ., 2021). Darüber hinaus müssen die Leistung von IoT-Sensoren, die auf UAVs montiert sind, und der Kompromiss zwischen ihren Kosten, ihrem Arbeitsaufwand und der Genauigkeit der Ertragsschätzung im untersucht werden
Zukunft (Ju & Son, 2018a, 2018b; Xie & Yang, 2020; Yue et al., 2018). Letztendlich besteht die Notwendigkeit, effiziente Bildverarbeitungsmethoden zu entwickeln, die zuverlässige Informationen generieren, die Effizienz in der landwirtschaftlichen Produktion maximieren und die manuelle Zählarbeit der Landwirte minimieren können (RU Khan et al., 2021; Koh et al., 2021; Lin & Guo, 2020; C. Zhang et al., 2020).
Cluster 3. Die Veröffentlichungen in diesem Cluster diskutieren die verschiedenen Arten von Bildgebungssystemen für die Fernerkundung landwirtschaftlicher Ressourcen, die auf UAV-Plattformen verwendet werden. In dieser Hinsicht ermöglicht die Thermografie die Überwachung der Oberflächentemperaturen, um Ernteschäden zu vermeiden und Trockenstress frühzeitig zu erkennen (Awais et al., 2022; García-Tejero et al., 2018; Sankaran et al., 2015; Santesteban et al., 2017; Yeom, 2021). Balujaet al. (2012) behaupteten, dass die Verwendung von Multispektral- und Wärmebildkameras an Bord der
UAV ermöglichte es den Forschern, hochauflösende Bilder zu erhalten und den Wasserzustand der Reben zu beurteilen. Dies könnte nützlich sein, um mithilfe von Fernerkundungsdaten neuartige Wasserplanungsmodelle zu entwickeln (Baluja et al., 2012). Wegen dem
begrenzte Tragfähigkeit von UAVs, Ribeiro-Gomes et al. (2017) betrachteten die Integration von ungekühlten Wärmebildkameras in UAVs zur Bestimmung des Wasserstresses in den Pflanzen, was diese Art von UAVs effizienter und praktikabler macht als herkömmliche satellitengestützte Fernerkundung und UAVs, die mit gekühlten Wärmebildkameras ausgestattet sind. Laut den Autoren sind ungekühlte Wärmebildkameras leichter als gekühlte Kameras und erfordern eine entsprechende Kalibrierung. González-Dugo et al. (2014) zeigten, dass Wärmebilder effektiv räumliche Karten von Wasserstressindizes für Pflanzen erzeugen, um den Wasserzustand zu bewerten und Wasserstress zwischen und innerhalb von Zitrusplantagen zu quantifizieren. González-Dugo et al. (2013) und Santesteban et al. (2017) untersuchten die Verwendung von hochauflösenden UAV-Wärmebildern zur Abschätzung der Wasserzustandsvariabilität einer kommerziellen Obstplantage und eines Weinbergs.
Multispektrale Bildgebung könnte im Vergleich zu herkömmlichen RGB-Bildern (Rot, Grün und Blau) massive Daten liefern (Ad˜ ao et al., 2017; Navia et al., 2016). Diese Spektraldaten könnten zusammen mit räumlichen Daten bei der Klassifizierung, Kartierung, Vorhersage, Vorhersage und Erkennung helfen (Berni et al., 2009b). Nach Candiago et al. (2015) könnte UAV-basierte multispektrale Bildgebung als zuverlässige und effiziente Ressource massiv zur Pflanzenbewertung und präzisen Landwirtschaft beitragen. Ebenfalls,
Khaliqet al. (2019) haben einen Vergleich zwischen Satelliten- und UAV-basierter multispektraler Bildgebung angestellt. Die UAV-basierten Bilder führten zu einer präziseren Beschreibung der Variabilität der Weinberge sowie zu Kraftkarten zur Darstellung von Pflanzenkronen. Kurz gesagt diskutieren Artikel in diesem Cluster den Einbau von Wärmebild- und multispektralen Bildsensoren in landwirtschaftliche UAVs. Dementsprechend ist mehr Forschung erforderlich, um zu verstehen, wie thermische und multispektrale Bildgebung in KI integriert werden können
Techniken (z. B. Deep Learning) zur Erkennung von Pflanzenstress (Ampatzidis et al., 2020; Ampatzidis & Partel, 2019; Jung et al., 2021; Santesteban et al., 2017; Syeda et al., 2021). Solche Erkenntnisse werden dazu beitragen, eine effizientere und genauere Erkennung sowie Überwachung von Pflanzenwachstum, Stress und Phänologie zu gewährleisten (Buters et al., 2019; Cao et al., 2020; Neupane & BaysalGurel, 2021; L. Zhou et al., 2020).
Cluster 4. Dieses Cluster besteht aus sieben Artikeln, die sich um die entscheidende Rolle der spektralen Bildgebung und der hyperspektralen Bildgebung bei der Unterstützung landwirtschaftlicher Praktiken drehen. Die hyperspektrale Bildgebung hat sich als Fernerkundungsmethode etabliert, die eine quantitative Bewertung des Erdsystems ermöglicht (Schaepman et al., 2009). Genauer gesagt ermöglicht sie die Identifizierung von Oberflächenmaterialien, die Quantifizierung von (relativen) Konzentrationen und die Zuordnung von Flächenanteilen
innerhalb gemischter Pixel (Kirsch et al., 2018; Zhao et al., 2022). Mit anderen Worten, die höhere spektrale Auflösung, die hyperspektrale Systeme bieten, ermöglicht genauere Schätzungen verschiedener Parameter, wie z. B. vegetarische Eigenschaften oder Blattwassergehalt (Suomalainen et al., 2014). Die Forscher dieses Clusters untersuchten verschiedene Aspekte solcher Systeme. Aasen et al. (2015b) boten einen einzigartigen Ansatz zur Ableitung dreidimensionaler hyperspektraler Informationen aus Leichtbau
Schnappschusskameras, die auf UAVs zur Vegetationsüberwachung verwendet werden. Lucieeret al. (2014) diskutierten das Design, die Entwicklung und den Flugbetrieb eines neuartigen hyperspektralen UAS sowie die Kalibrierung, Analyse und Interpretation der damit gesammelten Bilddaten. Schließlich haben Honkavaara et al. (2013b) entwickelten einen umfassenden Verarbeitungsansatz für FabryPerot-Interferometer-basierte Spektralbilder und zeigten seine Verwendung in einem Biomasse-Schätzverfahren für die Präzisionslandwirtschaft. Mögliche zukünftige Wege für dieses aktuelle Cluster umfassen die Betonung der Notwendigkeit technischer Verbesserungen bei Sensortechnologien (Aasen et al., 2015b) sowie die Notwendigkeit der Einbeziehung und Verbesserung komplementärer Technologien, insbesondere Big Data und Analytik (Ang & Seng, 2021; Radoglou -Grammatikis et al., 2020; Shakoor et al., 2019). Letzteres ergibt sich hauptsächlich aus den ständig wachsenden Daten, die von verschiedenen Sensoren generiert werden, die in der intelligenten Landwirtschaft implementiert sind (C. Li & Niu, 2020; A. Rejeb et al., 2022; Y. Su & Wang, 2021).
Cluster 5. Die Veröffentlichungen in diesem Cluster untersuchten drohnenbasierte 3D-Mapping-Anwendungen. Der Einsatz von Drohnen für die 3D-Kartierung könnte die komplexe Feldarbeit erleichtern und die Effizienz erheblich steigern (Torres-Sanchez´ et al., 2015). Die fünf Artikel im Cluster konzentrierten sich hauptsächlich auf Anlagenüberwachungsanwendungen. Um beispielsweise dreidimensionale Daten über Kronenfläche, Baumhöhe und Kronenvolumen zu erhalten, haben Torres-Sanchez ´ et al. (2015) verwendeten die UAV-Technologie, um digitale Oberflächenmodelle und dann objektbasierte Bildanalyseansätze (OBIA) zu generieren. Weiterhin haben Zarco-Tejada et al. (2014) quantifizierten die Baumhöhe durch die Integration von UAV-Technologie und dreidimensionalen Fotorekonstruktionsmethoden. Jim´enez-Brenes Lopez-Granados, ´De Castro, et al. (2017) demonstrierten einen neuen Prozess für die multitemporale 3D-Überwachung von Dutzenden von Olivenbäumen durch die Integration der UAV-Technologie mit der fortschrittlichen OBIA-Methodik. Interessante Wege für zukünftige Arbeiten in diesem Cluster umfassen entweder die Verbesserung des Stroms
Methoden (Zarco-Tejada et al., 2014) für digitale Oberflächenmodellierungszwecke (Ajayi et al., 2017; Jaud et al., 2016), wie OBIA (de Castro et al., 2018, 2020; Ventura et al. , 2018) und Fotorekonstruktion oder Entwicklung neuartiger Methoden (Díaz-Varela et al., 2015; Torres-S´anchez et al., 2015).
Cluster 6. Dieses Cluster diskutiert die Rolle von Drohnen in der landwirtschaftlichen Überwachung. UAVs könnten die Mängel der Satelliten- und Flugzeugbildgebung ergänzen und überwinden. Beispielsweise könnten sie eine hochauflösende Nahe-Echtzeit-Bildgebung mit weniger Treibstoff- oder Pilotierungsproblemen liefern, was zu einer konstanten und Echtzeit-Überwachung und Verbesserungen bei der Entscheidungsfindung führt (S. Herwitz et al., 2004). Ein weiterer wichtiger Beitrag von UAVs ist ihre Fähigkeit, standortspezifische Daten für die Präzisionslandwirtschaft oder standortspezifische Landwirtschaft bereitzustellen, da ihre hochauflösenden, detaillierten Daten über verschiedene Parameter es den Landwirten ermöglichen, das Land in homogene Teile zu unterteilen und sie entsprechend zu behandeln (Hunt et al. , 2010; CC Lelong et al., 2008; Primicerio et al., 2012). Eine solche UAV-basierte landwirtschaftliche Überwachung kann die Überwachung der Ernährungssicherheit und die Entscheidungsfindung unterstützen (SR Herwitz et al., 2004). Um die Forschung in der landwirtschaftlichen Überwachung voranzutreiben, sind nicht nur Verbesserungen bei Sensoren, UAVs und anderen verwandten Technologien und ihren Kommunikations- und Datenübertragungsmethoden erforderlich (Ewing et al., 2020; Shuai et al., 2019), sondern auch die Integration von Drohnen mit verschiedenen Technologien zur Optimierung verschiedener Aufgaben in Bezug auf intelligente Landwirtschaft, wie Überwachung, landwirtschaftliche Überwachung und Entscheidungsfindung, ist ein Forschungsgebiet mit hohem Potenzial (Alsamhi et al., 2021; Popescu et al., 2020; Vuran et al., 2018). In dieser Hinsicht bieten IoT, WSNs und Big Data interessante komplementäre Möglichkeiten (van der Merwe et al., 2020). Implementierungskosten, Kosteneinsparungen, Energieeffizienz und Datensicherheit gehören zu den wenig erforschten Bereichen für eine solche Integration (Masroor et al., 2021).
Länder und akademische Institutionen
Der letzte Schritt beinhaltete die Untersuchung des Herkunftslandes und der akademischen Zugehörigkeit der Autoren. Durch diese Analyse wollen wir die geografische Verteilung von Wissenschaftlern besser verstehen, die zu den Anwendungen von Drohnen in der Landwirtschaft beitragen. Bemerkenswert ist die Vielfalt der Länder und akademischen Institutionen. Aus Ländersicht stehen die USA, China, Indien und Italien in Bezug auf die Zahl der Publikationen an der Spitze (Tabelle 7). Die jetzige
Die Forschung zu landwirtschaftlichen Drohnen konzentriert sich hauptsächlich auf nordamerikanische und asiatische Länder, hauptsächlich aufgrund ihres hohen Engagements in Anwendungen der Präzisionslandwirtschaft. Beispielsweise wurde in den USA der Markt für landwirtschaftliche Drohnen im Jahr 841.9 auf 2020 Millionen USD geschätzt, was etwa 30 % des weltweiten Marktanteils entspricht (ReportLinker, 2021). Als größte Volkswirtschaft der Welt wird China im Jahr 2.6 voraussichtlich eine Marktgröße von ungefähr 2027 Milliarden USD erreichen. Dieses Land ist für landwirtschaftliche Drohnen attraktiv, um Produktivitätsprobleme zu überwinden und bessere Erträge, Arbeitserleichterungen und geringere Produktionsmittel zu erzielen. Die Einführung der Technologie in China wird jedoch auch von Faktoren wie der Bevölkerungsgröße und der Notwendigkeit vorangetrieben, bestehende Anbaumethoden zu erneuern und zu verbessern.
Die produktivsten Länder und Universitäten/Organisationen, die dazu beitragen
landwirtschaftliche Drohnenforschung.
Rang | Länder |
1 | USA |
2 | China |
3 | India |
4 | Italien |
5 | Spanien |
6 | Deutschland |
7 | Brasil |
8 | Australien |
9 | Japan |
10 | Großbritannien |
Rang | Universitäten/ Organisationen |
1 | Chinesische Akademie der Wissenschaften |
2 | Landwirtschaftsministerium der Volksrepublik China |
3 | Consejo Superior de Investigaciones Científicas |
4 | Texas A & M Universität |
5 | China Agricultural University |
6 | USDA Agrarforschungsdienst |
7 | CSIC – Instituto de Agricultura Sostenible IAS |
8 | Purdue University |
9 | National Research Council |
10 | South China Agricultural University |
Aus universitärer und organisatorischer Sicht führt die Chinesische Akademie der Wissenschaften die Liste in Bezug auf die Anzahl der Veröffentlichungen an, gefolgt vom Landwirtschaftsministerium der Volksrepublik China und dem Consejo Superior de Investigaciones Científicas. Die Chinesische Akademie der Wissenschaften wird vertreten durch die Autoren Liao Xiaohan und Li Jun; Han Wenting vertritt das Landwirtschaftsministerium der Volksrepublik China; und Consejo Superior de Investigaciones Científicas wird vertreten durch Lopez-Granados, ´ F. und Pena, ˜ Jos´e María S. Aus den USA finden Universitäten wie die Texas A&M University und die Purdue University ihre
nennen. Die Universitäten mit den meisten Veröffentlichungen und ihre Verbindungen sind in Abb. 4 dargestellt. Darüber hinaus enthält diese Liste Institutionen wie das Consiglio Nazionale delle Ricerche und das Consejo Superior de Investigaciones Científicas, die in der wissenschaftlichen Forschung tätig sind, aber keine akademischen Einrichtungen sind .
Unsere Auswahl umfasste eine Vielzahl von Zeitschriften, die praktisch alle verfügbaren Daten umfassten. Wie Tabelle 8 zeigt, rangiert Remote Sensing mit 258 Artikeln an der Spitze, gefolgt von Journal of Intelligent and Robotic Systems: Theory and Applications mit 126 und Computers and Electronics in Agriculture mit 98 Artikeln. Während sich die Fernerkundung hauptsächlich auf die Anwendung und Entwicklung von Drohnen konzentriert, deckt Computer und Elektronik in der Landwirtschaft hauptsächlich Fortschritte bei Computerhardware, Software, Elektronik und Steuerungssystemen in der Landwirtschaft ab. Gebietsübergreifende Verkaufsstellen wie IEEE Robotics and Automation Letters mit 87 Veröffentlichungen und IEEE Access mit 34 Veröffentlichungen sind ebenfalls führende Verkaufsstellen auf diesem Gebiet. Die Top 959 haben mit 20.40 Dokumenten zur Literatur beigetragen, was ungefähr 5 % aller Veröffentlichungen entspricht. Eine Zeitschriften-Co-Citation-Analyse ermöglicht es uns, die Bedeutung und Ähnlichkeit zwischen Publikationen zu untersuchen. Die Co-Citation-Analyse ergibt drei Cluster, wie in Abb. XNUMX dargestellt. Der rote Cluster besteht aus Zeitschriften wie Remote Sensing, Computer and Electronics in Agriculture, Sensors,
und das International Journal of Remote Sensing. Alle diese Verkaufsstellen sind hoch angesehene Zeitschriften in den Bereichen Fernerkundung und Präzisionslandwirtschaft. Der grüne Cluster umfasst Zeitschriften, die sich mit Robotik befassen, wie z. B. Journal of Intelligent and Robotic Systems: Theory and Applications, IEEE Robotics and Automation Letters, IEEE Access und Drones. Diese Verkaufsstellen veröffentlichen hauptsächlich Artikel zur Automatisierung und sind nützlich für Agraringenieure. Den letzten Cluster bilden Zeitschriften mit Bezug zu Agronomie und Agrartechnik, wie Agronomy und International Journal of Agricultural and Biological Engineering.
Top 15 Zeitschriften in der landwirtschaftlichen Drohnenforschung.
Rang | Journal | Zu Zählen |
1 | Fernerkundung | 258 |
2 | Journal of Intelligent and Robotic Systems: Theorie und Anwendungen | 126 |
3 | Computer und Elektronik in der Landwirtschaft | 98 |
4 | IEEE-Briefe für Robotik und Automatisierung | 87 |
5 | Sensors | 73 |
6 | Internationale Zeitschrift für Fernerkundung | 42 |
7 | Präzisionslandwirtschaft | 41 |
8 | Drohnen | 40 |
9 | Agronomie | 34 |
10 | IEEE-Zugriff | 34 |
11 | Internationales Journal für fortgeschrittene Robotersysteme | 31 |
12 | Internationale Zeitschrift für Agrar- und Biotechnik | 25 |
13 | PLoS ONE | 25 |
14 | Zeitschrift für Feldrobotik | 23 |
15 | Biosystemtechnik | 23 |
Zusammenfassung
Zusammenfassung
In dieser Studie haben wir bestehende Forschungsergebnisse zu landwirtschaftlichen Drohnen zusammengefasst und analysiert. Durch die Anwendung verschiedener bibliometrischer Techniken haben wir uns bemüht, ein besseres Verständnis der intellektuellen Struktur der landwirtschaftlichen Drohnenforschung zu erlangen. Zusammenfassend bietet unsere Übersicht mehrere Beiträge, indem sie Schlüsselwörter in der Literatur identifiziert und diskutiert, Wissenscluster aufdeckt und gleichzeitig semantisch ähnliche Gemeinschaften im Bereich Drohnen bildet, frühere Forschung umreißt und zukünftige Forschungsrichtungen vorschlägt. Im Folgenden skizzieren wir die wichtigsten Ergebnisse der Überprüfung zur Entwicklung landwirtschaftlicher Drohnen:
• Die Gesamtliteratur ist in den letzten zehn Jahren schnell gewachsen und hat enorme Aufmerksamkeit auf sich gezogen, wie der Anstieg der Artikelzahlen nach 2012 zeigt. Auch wenn dieses Wissensgebiet noch nicht vollständig ausgereift ist (Barrientos et al., 2011; Maes & Steppe, 2019), sind noch einige Fragen offen. So ist beispielsweise der Nutzen von Drohnen in der Indoor-Landwirtschaft noch umstritten (Aslan et al., 2022; Krul et al., 2021; Rold´an et al., 2015). Die Komplexität von Feldszenen und die unterschiedlichen Bildgebungsbedingungen (z. B. Schatten und Beleuchtung) könnten zu einer höheren spektralen Varianz innerhalb der Klasse führen (Yao et al., 2019). Auch in den späteren Forschungsphasen waren die Forscher herausgefordert, optimale Flugpläne gemäß bestimmten Szenarien und der erforderlichen Bildqualität zu bestimmen (Soares et al., 2021; Tu et al.,
2020).
• Wir stellen fest, dass sich das Feld von der Entwicklung effizienter UAV-Systeme zur Einbeziehung von KI-Techniken wie maschinellem Lernen und Deep Learning in das Design landwirtschaftlicher Drohnen entwickelt hat (Bah et al., 2018; Kitano et al., 2019; Maimaitijiang et al. , 2020; Mazzia et al., 2020; Tetila et al., 2020).
• Die Forschung zu landwirtschaftlichen Drohnen befasste sich überwiegend mit Fernerkundung, indem sie die Potenziale der Technologie in der Umweltüberwachung, dem Pflanzenmanagement und der Unkrautbekämpfung (Cluster 1) sowie der Phänotypisierung und Ertragsschätzung aus der Ferne (Cluster 2) untersuchte. Zu einer Reihe einflussreicher Studien zu landwirtschaftlichen Drohnen gehören Austin (2010), Berni et al. (2009)a, Herwitz et al. (2004), Nex und Remondino (2014) sowie Zhang und Kovacs (2012). Diese Studien entwickelten die konzeptionelle Grundlage der drohnenbezogenen Forschung im Kontext der Landwirtschaft.
• In Bezug auf die Methodik stellten wir fest, dass die meisten der bisher durchgeführten Forschungsarbeiten entweder aus Systemdesign-, Konzept- oder Review-basierten Studien bestanden (Inoue, 2020; Nex & Remondino, 2014; P´erez-Ortiz et al. , 2015; Yao et al., 2019). Auch bei der Untersuchung landwirtschaftlicher Drohnen stellen wir einen Mangel an empirischen, qualitativen und fallstudienbasierten Methoden fest.
• In letzter Zeit haben Themen im Zusammenhang mit Präzisionslandwirtschaft, KI-Techniken, Präzisionsweinbau und Wasserstressbewertung erhebliche Aufmerksamkeit auf sich gezogen (Espinoza et al., 2017; Gomez-Cand ´ on ´ et al., 2016; Matese et al., 2015; Matese & Di Gennaro, 2018, 2021; Z. Zhou et al., 2021). Eine sorgfältige Untersuchung von Forschungsclustern in zwei verschiedenen Epochen, 1990–2010 und 2011–2021, zeigt den Fortschritt der intellektuellen Struktur des Bereichs. Der Zeitraum von 1990 bis 2010 bildete den Aufbau zentraler Begriffe und Konzepte von Drohnen, was aus der Diskussion über UAV-Design, -Entwicklung und -Implementierung deutlich wird. In der zweiten Ära erweitert sich der Forschungsschwerpunkt auf frühere Studien und bemüht sich, UAV-Anwendungsfälle in der Landwirtschaft zu synthetisieren. Wir haben auch zahlreiche Studien gefunden, die Drohnenanwendungen in bildgebenden Aufgaben und in der Präzisionslandwirtschaft diskutieren.
Rang | Journal | Zu Zählen |
1 | Fernerkundung | 258 |
2 | Journal of Intelligent and Robotic Systems: Theorie und | 126 |
Anwendungen | ||
3 | Computer und Elektronik in der Landwirtschaft | 98 |
4 | IEEE-Briefe für Robotik und Automatisierung | 87 |
5 | Sensors | 73 |
6 | Internationale Zeitschrift für Fernerkundung | 42 |
7 | Präzisionslandwirtschaft | 41 |
8 | Drohnen | 40 |
9 | Agronomie | 34 |
10 | IEEE-Zugriff | 34 |
11 | Internationales Journal für fortgeschrittene Robotersysteme | 31 |
12 | Internationale Zeitschrift für Agrar- und Biotechnik | 25 |
13 | PLoS ONE | 25 |
14 | Zeitschrift für Feldrobotik | 23 |
15 | Biosystemtechnik | 22 |
Folgen
Unsere bibliometrische Überprüfung wurde mit Blick auf Gelehrte, Landwirte, Agrarexperten, Pflanzenberater und UAV-Systemdesigner konzipiert und durchgeführt. Nach bestem Wissen der Autoren ist dies eine der ersten Originalrezensionen, die eine eingehende bibliometrische Analyse vorgenommen hat
Drohnenanwendungen in der Landwirtschaft. Wir haben eine umfassende Überprüfung dieses Wissenskörpers durchgeführt und dabei Zitier- und Co-Zitationsanalysen von Publikationen eingesetzt. Unsere Versuche, die intellektuelle Struktur der Drohnenforschung zu beschreiben, bieten auch neue Erkenntnisse für die Wissenschaft. Eine sorgfältige Überprüfung der verwendeten Schlüsselwörter im Laufe der Zeit zeigt die Hotspots und Forschungsschwerpunkte in der drohnenbezogenen Literatur. Darüber hinaus präsentieren wir eine Liste der am häufigsten zitierten Studien, um die wirkungsvollsten Forschungsarbeiten zu identifizieren, die auf diesem Gebiet abgeschlossen wurden. Die Identifizierung von Artikeln und Schlüsselwörtern könnte folglich einen soliden Ausgangspunkt bieten, um mehrere Wege für zukünftige Studien aufzudecken.
Wichtig ist, dass wir Cluster aufgedeckt haben, die vergleichbare Arbeiten klassifizieren, und die Ergebnisse ausgearbeitet haben. Die in Cluster eingeteilten Studien helfen, die intellektuelle Struktur der UAV-Forschung zu verstehen. Insbesondere haben wir einen Mangel an Studien entdeckt, die die Akzeptanzfaktoren von Drohnen untersuchen
und Hindernisse bei landwirtschaftlichen Tätigkeiten (siehe Tabelle 9). Zukünftige Forscher könnten diese potenzielle Lücke schließen, indem sie empirische Untersuchungen durchführen, die die Akzeptanzfaktoren von Drohnen bei verschiedenen landwirtschaftlichen Aktivitäten und klimatischen Bedingungen bewerten. Darüber hinaus sollte die auf Fallstudien basierende Forschung zur Wirksamkeit von Drohnen mit realen Daten aus der Praxis untermauert werden. Auch die Einbeziehung von Landwirten und Managern in die akademische Forschung wäre sowohl für die theoretische als auch für die praktische Weiterentwicklung der Drohnenforschung von Vorteil. Wir waren auch in der Lage, die prominentesten Forscher und ihre Beiträge zu identifizieren, was wertvoll ist, da die Kenntnis neuerer wegweisender Arbeiten eine Orientierungshilfe für zukünftige akademische Bemühungen bieten kann.
Tabelle 9
UAV-Adoptionsbarrieren.
Barriere | Beschreibung |
Datensicherheit | Cybersicherheit ist eine große Herausforderung für die Umsetzung IoT-Lösungen (Masroor et al., 2021). |
Interoperabilität u Integration | Verschiedene Technologien wie UAV, WSN, IoT etc. integriert werden sollen und Daten übertragen, die das Komplexitätsniveau erhöhen (Alsamhi et al., 2021; Popescu et al., 2020; Vuran et al., 2018). |
Implementierungskosten | Dies gilt insbesondere für Kleinbauern und z Integration verschiedener Spitzentechnologien ( Masroor et al., 2021). |
Arbeitswissen u Expertise | Für den Betrieb von UAVs werden erfahrene Drohnenpiloten benötigt. Auch die Umsetzung verschiedener innovativer Technologien erfordern Facharbeiter (YB Huang et al., 2013; Tsouros et al., 2019). |
Motorleistung und Flug Dauer | Drohnen können nicht über Stunden und Deckung betrieben werden große Flächen (Hardin & Hardin, 2010; Laliberte et al., 2007). |
Stabilität, Zuverlässigkeit u Wendigkeit | Drohnen sind bei schlechtem Wetter nicht stabil (Hardin & Hardin, 2010; Laliberte et al., 2007). |
Nutzlastbeschränkungen und Qualität der Sensoren | Drohnen können nur begrenzte Lasten tragen, führt dazu Fähigkeit zum Laden von Sensoren geringerer Qualität (Nebiker et al., 2008). |
Rechtliches | Da Drohnen auch gefährlich sein können, gibt es schwerwiegende Vorschriften in einigen Bereichen (Hardin & Jensen, 2011; Laliberte & Rango, 2011). |
Das Wissen der Landwirte und Interesse | Wie andere Spitzentechnologien sind die Drohnen erfolgreiche Umsetzung braucht Fachwissen und auch mit Unsicherheiten einhergehen (Fisher et al., 2009; Lambert et al., 2004; Stafford, 2000). |
Da die verfügbaren Ressourcen ständig effizient genutzt werden müssen, um die Erträge zu maximieren, können Landwirte Drohnen nutzen, um ein schnelles, genaues und kostengünstiges Scannen ihrer Felder zu gewährleisten. Die Technologie kann Landwirte dabei unterstützen, den Zustand ihrer Pflanzen zu bestimmen und den Wasserzustand, das Reifestadium, den Insektenbefall und den Nährstoffbedarf zu bewerten. Die Fernerkundungsfunktionen von Drohnen können Landwirten wichtige Daten liefern, um Probleme frühzeitig zu erkennen und umgehend geeignete Maßnahmen zu ergreifen. Die Vorteile der Technologie können jedoch nur realisiert werden, wenn die Herausforderungen richtig angegangen werden. Im Lichte der
aktuellen Problemen in Bezug auf Datensicherheit, Fragen der Sensorik (z. B. Zuverlässigkeit oder Genauigkeit von Messungen), Komplexität der Integration und erhebliche Implementierungskosten müssen zukünftige Studien auch die technische, wirtschaftliche und betriebliche Machbarkeit der Integration von landwirtschaftlichen Drohnen und anderen Schneid- Edge-Technologien.
Einschränkungen
Unsere Studie hat mehrere Einschränkungen. Erstens werden die Ergebnisse durch die für die abschließende Analyse ausgewählten Publikationen bestimmt. Es ist eine Herausforderung, alle relevanten Studien zu landwirtschaftlichen Drohnen zu erfassen, insbesondere diejenigen, die nicht in der Scopus-Datenbank indexiert sind. Darüber hinaus ist der Datenerfassungsprozess auf die Festlegung von Suchschlüsselwörtern beschränkt, die möglicherweise nicht umfassend sind und zu nicht schlüssigen Ergebnissen führen. Daher müssen zukünftige Studien mehr Aufmerksamkeit auf die zugrunde liegende Problematik der Datenerhebung richten
verlässlichere Schlussfolgerungen. Eine weitere Einschränkung betrifft Neuerscheinungen mit geringer Zitationszahl. Die bibliometrische Analyse ist auf frühere Veröffentlichungen ausgerichtet, da diese im Laufe der Jahre tendenziell mehr Zitate erhalten. Neuere Studien brauchen eine gewisse Zeit, um Aufmerksamkeit zu erregen und sich zu häufen. Folglich würden neuere Studien, die einen Paradigmenwechsel bringen, nicht unter den Top Ten der einflussreichsten Arbeiten rangieren. Diese Einschränkung ist bei der Untersuchung von sich schnell entwickelnden Forschungsbereichen wie landwirtschaftlichen Drohnen weit verbreitet. Da wir Scopus konsultiert haben, um die Literatur für diese Arbeit zu studieren, könnten zukünftige Forscher etwas anderes in Betracht ziehen
Datenbanken, wie das Web of Science und IEEE Xplore, um den Horizont zu erweitern und die Forschungsstruktur zu verbessern.
Potenzielle bibliometrische Studien können andere wichtige Wissensquellen wie Konferenzbeiträge, Kapitel und Bücher berücksichtigen, um neue Erkenntnisse zu gewinnen. Trotz Kartierung und Untersuchung globaler Veröffentlichungen zu landwirtschaftlichen Drohnen haben unsere Ergebnisse die Gründe für die wissenschaftlichen Ergebnisse von Universitäten nicht offenbart. Dies ebnet den Weg zu einem neuen Forschungsgebiet, das qualitativ erklären kann, warum einige Universitäten in der Agrarforschung produktiver sind als andere
Drohnen. Darüber hinaus könnten zukünftige Studien Einblicke in das Potenzial von Drohnen zur Steigerung der landwirtschaftlichen Nachhaltigkeit auf verschiedene Weise geben, wie z. B. Umweltüberwachung, Pflanzenmanagement und Unkrautkartierung, wie von mehreren Forschern angegeben (Chamuah & Singh, 2019; Islam et al., 2021; Popescu et al., 2020; J. Su, Liu, et al., 2018b). Da die Textanalyse aufgrund der hohen Anzahl ausgewählter Arbeiten nicht möglich war, bedarf es systematischer Literaturrecherchen, die die
angewandte Forschungsmethoden und Einbeziehung der Landwirte in Vorstudien. Kurz gesagt, unsere Analyse der Drohnenforschung deckt die unsichtbaren Verbindungen dieses Wissenskörpers auf. Diese Rezension hilft daher, die Beziehungen zwischen den Publikationen aufzudecken und die intellektuelle Struktur des Forschungsfeldes zu untersuchen. Es zeigt auch die Verbindungen zwischen den verschiedenen Aspekten der Literatur, wie Schlagworte, Zugehörigkeiten und Länder der Autoren.
Interessenerklärung
Die Autoren erklären, dass ihnen keine konkurrierenden finanziellen Interessen oder persönlichen Beziehungen bekannt sind, die die in diesem Artikel beschriebene Arbeit beeinflusst haben könnten.
Anhang 1
TITEL-ABS-SCHLÜSSEL (((Drohne* ODER „Unmanned Aerial Vehicle“ ODER UAV* ODER „Unmanned Aircraft System” ODER uas ODER „ferngesteuerte Flugzeuge“) UND (Landwirtschaft ODER Landwirtschaft ODER Landwirtschaft ODER Bauer))) UND (AUSSCHLIESSLICH (PUBYEAR, 2022)) UND (BEGRENZT AUF (SPRACHE, „Englisch“)).
Bibliographie
Aasen, H., Burkart, A., Bolten, A., Bareth, G., 2015. Generating 3D Hyperspectral Information with Lightweight UAV Snapshot Cameras for Vegetation Monitoring: from
Kamerakalibrierung bis hin zur Qualitätssicherung. ISPRS J. Photogramm. Remote Sens. 108, 245–259. https://doi.org/10.1016/j.isprsjprs.2015.08.002.
Abd-Elrahman, A., Pearlstine, L., Percival, F., 2005. Entwicklung eines Mustererkennungsalgorithmus für die automatische Vogelerkennung aus Bildern unbemannter Luftfahrzeuge.
Umfrage. Land informieren. Wissenschaft. 65 (1), 37–45.
Abdollahi, A., Rejeb, K., Rejeb, A., Mostafa, MM, Zailani, S., 2021. Drahtlose Sensornetzwerke in der Landwirtschaft: Erkenntnisse aus der bibliometrischen Analyse. Nachhaltigkeit 13 (21),
12011
Aboutalebi, M., Torres-Rua, AF, Kustas, WP, Nieto, H., Coopmans, C., McKee, M., Bewertung verschiedener Methoden zur Schattenerkennung in hochauflösenden optischen Bildern und Bewertung der Schattenwirkung auf die Berechnung von NDVI und Evapotranspiration. Irrig. Wissenschaft. 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 Verarbeitung u
Anwendungen für die Land- und Forstwirtschaft. Fernerkundung 9 (11). https://doi.org/10.3390/rs9111110.
Agüera Vega, F., Ramírez, FC, Saiz, MP, Rosúa, FO, 2015. Multitemporale Bildgebung mit einem unbemannten Luftfahrzeug zur Überwachung einer Sonnenblumenernte. Biosyst. Eng.
132, 19–27. https://doi.org/10.1016/j.biosystemseng.2015.01.008.
Ajayi, OG, Salubi, AA, Angbas, AF, Odigure, MG, 2017. Die Generierung genauer digitaler Höhenmodelle aus UAV erfasste überlappende Bilder mit geringem Prozentsatz. 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. Überprüfung von maschinellen Lernansätzen für Biomasse- und Bodenfeuchteabrufe aus Fernerkundungsdaten. Fernerkundung 7 (12), 16398–16421.
Alsamhi, SH, Afghah, F., Sahal, R., Hawbani, A., Al-qaness, MAA, Lee, B., Guizani, M., Grünes Internet der Dinge mit UAVs in B5G-Netzwerken: Eine Überprüfung der Anwendungen
und Strategien. Anzeige. Hoc. Netzw. 117, 102505 https://doi.org/10.1016/j. adhoc.2021.102505.
Al-Thani, N., Albuainain, A., Alnaimi, F., Zorba, N., 2020. Drohnen zur Überwachung der Schafzucht. In: 20. IEEE Mediterrane Elektrotechnische Konferenz. https://doi.
org/10.1109/MELECON48756.2020.9140588.
Ampatzidis, Y., Partel, V., 2019. UAV-basierte Hochdurchsatz-Phänotypisierung in Zitrusfrüchten unter Verwendung von multispektraler Bildgebung und künstlicher Intelligenz. Fernerkundung 11 (4), https://doi.org/10.3390/rs11040410.
Ampatzidis, Y., Partel, V., Costa, L., 2020. Agroview: Cloudbasierte Anwendung zur Verarbeitung, Analyse und Visualisierung von UAV-gesammelten Daten für Anwendungen in der Präzisionslandwirtschaft unter Einsatz künstlicher Intelligenz. Berechnung. Elektron. Agrar. 174, 105457 https://doi. org/10.1016/j.compag.2020.105457.
Ang, K.-L.-M., Seng, JKP, 2021. Big Data und maschinelles Lernen mit hyperspektralen Informationen in der Landwirtschaft. IEEE-Zugriff 9, 36699–36718. https://doi.org/10.1109/
ZUGANG.2021.3051196.
Aquilani, C., Confessore, A., Bozzi, R., Sirtori, F., Pugliese, C., 2022. Review: Precision Livestock Farming technologies in weidebasierte Tierhaltungssysteme. Tier 16 (1), https://doi.org/10.1016/j.animal.2021.100429.
Armenta-Medina, D., Ramirez-Delreal, TA, Villanueva-Vasquez, ´ D., Mejia-Aguirre, C., Trends zu fortschrittlichen Informations- und Kommunikationstechnologien für
Verbesserung der landwirtschaftlichen Produktivität: eine bibliometrische Analyse. Agronomie 10 (12), Artikel 12. https://doi.org/10.3390/agronomy10121989.
Armstrong, I., Pirrone-Brusse, M., Smith, A., Jadud, M., 2011. Der fliegende Alligator: Richtung Luftrobotik in Ocam-π. Kommun. Prozessarchitekt. 2011, 329–340. https://doi. org/10.3233/978-1-60750-774-1-329.
Arora, SD, Chakraborty, A., 2021. Intellektuelle Struktur der Verbraucherbeschwerdeverhaltensforschung (CCB): Eine bibliometrische Analyse. J. Geschäftsres. 122, 60–74.
Aslan, MF, Durdu, A., Sabanci, K., Ropelewska, E., Gültekin, SS, 2022.
Ein umfassender Überblick über die jüngsten Studien mit unbemannten Luftfahrzeugen für die Präzisionslandwirtschaft auf offenen Feldern und in Gewächshäusern. Appl. Wissenschaft. 12 (3), 1047. https://doi.org/10.3390/
app12031047.
Atkinson, JA, Jackson, RJ, Bentley, AR, Ober, E., & Wells, DM (2018). Feldphänotypisierung für die Zukunft. In Annual Plant Reviews online (S. 719–736). John
Wiley & Sons, Ltd. doi: 10.1002/9781119312994.apr0651.
Austin, R., 2010. Unbemannte Flugzeugsysteme: UAVS-Design, Entwicklung und Einsatz. In: Unbemannte Flugzeugsysteme: UAVS Design, Entwicklung und
Einsatz. John Wiley und Söhne. https://doi.org/10.1002/9780470664797.
Awais, M., Li, W., Cheema, MJM, Zaman, QU, Shaheen, A., Aslam, B., Zhu, W., Ajmal, M., Faheem, M., Hussain, S., Nadeem, AA, Afzal, MM, Liu, C., 2022. UAV-basierte Fernerkundung bei Pflanzenstress, stellen Sie sich vor, hochauflösende Wärmesensoren für digitale Landwirtschaftspraktiken zu verwenden: eine Meta-Überprüfung. Int. J. Umgebung. Wissenschaft. Technol. 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. Smart Farming: Chancen, Herausforderungen
und Technologie-Enabler. 2018 IoT Vertikal und. Topical Summit on Agriculture – Toskana (IOT Toskana) 1–6. https://doi.org/10.1109/IOTTUSCANY.2018.8373043.
Bah, MD, Hafiane, A., Canals, R., 2018. Deep Learning mit unüberwachter Datenkennzeichnung zur Unkrauterkennung in Linienkulturen in UAV-Bildern. Fernerkundung 10 (11), 1690.
https://doi.org/10.3390/rs10111690.
Baldi, S., 1998. Normative versus sozialkonstruktivistische Prozesse in der Zitationsvergabe: ein netzwerkanalytisches Modell. Bin. Sozial. 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. Bewertung der Wasserzustandsvariabilität von Weinbergen durch thermische und multispektrale
Bilder mit einem unbemannten Luftfahrzeug (UAV). Irrig. Wissenschaft. 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., Zucht der nächsten Generation. Pflanzenwissenschaft. 242, 3–13. https://doi.org/10.1016/j.
Pflanzenci.2015.07.010.
Barbedo, JGA, Koenigkan, LV, 2018. Perspektiven zum Einsatz unbemannter Flugsysteme zur Rinderüberwachung. Outlook Agrar. 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. Low-weight and UAV-based hyperspectral Vollformatkameras
zur Überwachung von Kulturpflanzen: Spektralvergleich mit tragbaren Spektralradiometermessungen. Photogrammetrie, Fernerkundung, Geoinformation 2015 (1), 69–79.
https://doi.org/10.1127/pfg/2015/0256.
Barrientos, A., Colorado, J., del Cerro, J., Martinez, A., Rossi, C., Sanz, D., Valente, J., Luftfernerkundung in der Landwirtschaft: Ein praktischer Ansatz zur Flächendeckung
und Bahnplanung für Flotten von Mini-Flugrobotern. J. Feld 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. Eine Umfrage zur Anwendung von Bahnplanungsalgorithmen für Mehrrotor-UAVs in Präzision
Landwirtschaft. J. Navig. 75 (2), 364–383.
Basnet, B., Bang, J., 2018. Der Stand der Technik der wissensintensiven Landwirtschaft: ein Überblick über angewandte Sensorsysteme und Datenanalyse. J. Sens. 2018, 1–13.
Bendig, J., Bolten, A., Bareth, G., 2013. UAV-basierte Bildgebung für multitemporale, sehr hochauflösende Pflanzenoberflächenmodelle zur Überwachung der Variabilität des Pflanzenwachstums. 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. Abschätzung der Biomasse von Gerste unter Verwendung von Pflanzenoberflächenmodellen (CSMs), die von UAV-basierter RGB-Bildgebung abgeleitet wurden. Fernerkundung 6 (11), 10395–10412.
Bendig, J., Yu, K., Aasen, H., Bolten, A., Bennertz, S., Broscheit, J., Gnyp, ML, Bareth, G., 2015. Combining UAV-based plant height from crop surface Modelle,
sichtbare und Nahinfrarot-Vegetationsindizes für die Überwachung der Biomasse in Gerste. Int. J. Appl. Erde Obs. Geoinf. 39, 79–87. https://doi.org/10.1016/j.jag.2015.02.012.
Berni, JA, Zarco-Tejada, PJ, Sepulcre-Canto, ´ G., Fereres, E., Villalobos, F., 2009a. Hochauflösende Kartierung von Leitwert und CWSI in Olivenhainen
Thermische Fernerkundungsbilder. Remote Sens. Umgebung. 113 (11), 2380–2388. https://doi.org/10.1016/j.rse.2009.06.018.
Berni, JA, Zarco-Tejada, PJ, Suarez, ´ L., Fereres, E., 2009b. Thermische und schmalbandige multispektrale Fernerkundung zur Vegetationsüberwachung von einem unbemannten Luftfahrzeug aus. IEEE-Trans. Geosci. Remote Sens. 47 (3), 722–738.
Bouzembrak, Y., Klüche, M., Gavai, A., Marvin, HJP, 2019. Internet der Dinge in der Lebensmittelsicherheit: Literaturrecherche und bibliometrische Analyse. Trends Food Sci. Technol. 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 der Landwirtschaft: Gestaltung eines europaweiten Pilotprojekts im großen Maßstab. IEEE Commun. Mag. 55 (9), 26–33.
Buters, TM, Belton, D., Cross, AT, 2019. Multisensor-UAV-Verfolgung einzelner Setzlinge und Setzlingsgemeinschaften mit Millimetergenauigkeit. Drohnen 3 (4), 81.
https://doi.org/10.3390/drones3040081.
Candiago, S., Remondino, F., De Giglio, M., Dubbini, M., Gattelli, M., 2015. Auswertung multispektraler Bilder und Vegetationsindizes für Präzisionslandwirtschaftsanwendungen aus UAV-Bildern. Fernerkundung 7 (4), 4026–4047. https://doi.org/10.3390/rs70404026.
Cao, Y., Li, GL, Luo, YK, Pan, Q., Zhang, SY, 2020. Überwachung von Zuckerrüben-Wachstumsindikatoren unter Verwendung des von UAV abgeleiteten Wide-Dynamic-Range-Vegetationsindex (WDRVI).
Multispektrale Bilder. Berechnung. Elektron. Agrar. 171, 105331 https://doi.org/10.1016/j.compag.2020.105331.
Casillas, J., Acedo, F., 2007. Entwicklung der intellektuellen Struktur der Familienunternehmensliteratur: eine bibliometrische Studie von FBR. Familienunternehmen 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. Dynamische Überwachung der Biomasse von Reis unter
verschiedene Stickstoffbehandlungen unter Verwendung eines leichten UAV mit Dual-Bildrahmen-Schnappschusskameras. Pflanzenmethoden 15 (1), 32. https://doi.org/10.1186/s13007-019-
0418-8.
Chamuah, A., Singh, R., 2019. Sicherung der Nachhaltigkeit in der indischen Landwirtschaft durch zivile UAV: eine verantwortungsvolle Innovationsperspektive. SN Appl. Wissenschaft. 2 (1), 106. https://
doi.org/10.1007/s42452-019-1901-6.
Chamuah, A., Singh, R., 2022. Verantwortungsvolle Steuerung von Innovationen für zivile unbemannte Luftfahrzeuge (UAV) für indische Ernteversicherungsanträge. J. Verantwortlich
Technol. 9, 100025 https://doi.org/10.1016/j.jrt.2022.100025.
Chen, A., Orlov-Levin, V., Meron, M., 2019. Anwendung von hochauflösenden Luftbildaufnahmen im sichtbaren Kanal von Pflanzenkronen auf ein präzises Bewässerungsmanagement. Agrar. Wasser
Verwalt. 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. Leichtes UAV mit integrierter Photogrammetrie und Einzelfrequenz-GPS-Positionierung für messtechnische Anwendungen. ISPRS J. Photogramm. Remote Sens. 127, 115–126. https://doi.org/10.1016/j.isprsjprs.2016.12.007.
Dawaliby, S., Aberkane, A., Bradai, A., 2020. Blockchain-basierte IoT-Plattform für autonomes Drohnen-Betriebsmanagement. In: Proceedings of the 2nd ACM
MobiCom-Workshop zur drohnengestützten drahtlosen Kommunikation für 5G und darüber hinaus, S. 31–36. https://doi.org/10.1145/3414045.3415939.
Day, RA, Gastel, B., 1998. Wie man eine wissenschaftliche Arbeit schreibt und veröffentlicht. 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 Zwischenfrüchte mit einem automatischen Entscheidungsbaum-OBIA-Verfahren und UAV-Bildern für den Präzisionsweinbau. Fernerkundung 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 Frühe Unkrautkartierung zwischen und innerhalb von Pflanzenreihen mit UAV-Bildern. Fernerkundung 10 (2). https://doi.org/10.3390/rs10020285.
Demir, N., Sonmez, ¨ NK, Akar, T., Ünal, S., 2018. Automated Measurement of Plant Height of Wheat Genotypes Using a DSM Derived from UAV Imagery. Verfahren 2 (7), 350. https://doi.org/10.3390/ecrs-2-05163.
Deng, J., Zhong, Z., Huang, H., Lan, Y., Han, Y., Zhang, Y., 2020. Leichtes semantisches Segmentierungsnetzwerk für die Unkrautkartierung in Echtzeit mit unbemannten Luftfahrzeugen. Appl. Wissenschaft. 10 (20), 7132. https://doi.org/10.3390/app10207132.
Deng, L., Mao, Z., Li, X., Hu, Z., Duan, F., Yan, Y., 2018. UAV-basierte multispektrale Fernerkundung für die Präzisionslandwirtschaft: ein Vergleich zwischen verschiedenen Kameras. ISPRS J. Photogramm. Remote Sens. 146, 124–136.
Diaz-Gonzalez, FA, Vuelvas, J., Correa, CA, Vallejo, VE, Patino, D., 2022. Maschinelles Lernen und Fernerkundungstechniken zur Schätzung von Bodenindikatoren – Überprüfung. Ecol. Ind. 135, 108517 https://doi.org/10.1016/j.ecolind.2021.108517.
Díaz-Varela, RA, De la Rosa, R., Leon, ´ L., Zarco-Tejada, PJ, 2015. Hochauflösende luftgestützte UAV-Bilder zur Bewertung der Kronenparameter von Olivenbäumen anhand von 3D-Fotos
Rekonstruktion: Anwendung in Zuchtversuchen. Fernerkundung 7 (4), 4213–4232. https://doi.org/10.3390/rs70404213.
Dixit, A., Jakhar, SK, 2021. Flughafenkapazitätsmanagement: eine Überprüfung und bibliometrische Analyse. J. Air Transp. Verwalt. 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.
Verwendung von RapidEye-Bildern zur Identifizierung der Variabilität von Pflanzenwachstum und -ertrag innerhalb des Feldes in Ontario, Kanada. Präzisionslandwirtschaft. 20 (6), 1231–1250. https://doi.org/10.1007/
s11119-019-09646-w.
Dutta, PK, Mitra, S., 2021. Anwendung landwirtschaftlicher Drohnen und iot zum Verständnis der Lebensmittelversorgungskette nach COVID-19. In: Choudhury, A., Biswas, A., Prateek, M.,
Chakrabarti, A. (Hrsg.), Agricultural Informatics: Automation Using the IoT and Machine Learning. Wiley, S. 67–87. van Eck, N., Waltman, L., 2009. Softwareübersicht: VOSviewer, ein Computerprogramm für bibliometrisches Mapping. Scientometrics 84 (2), 523–538. https://doi.org/10.1007/s11192-009-0146-3.
Elijah, O., Rahman, TA, Orikumhi, I., Leow, CY, Hindia, MN, 2018. Ein Überblick über das Internet der Dinge (IoT) und Datenanalyse in der Landwirtschaft: Vorteile und Herausforderungen.
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 und Feld
Messungen für Tomatensorten. Berechnung. Elektron. Agrar. 158, 278–283. https://doi.org/10.1016/j.compag.2019.02.011.
Espinoza, CZ, Khot, LR, Sankaran, S., Jacoby, PW, 2017. Hochauflösende multispektrale und thermische Fernerkundungs-basierte Wasserstressbewertung in
unterirdisch bewässerte Weinreben. Fernerkundung 9 (9), 961. https://doi.org/ 10.3390/rs9090961.
Ewing, J., Oommen, T., Jayakumar, P., Alger, R., 2020. Nutzung der hyperspektralen Fernerkundung zur Bodengradation. Fernerkundung 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. Multiskalige Auswertung von Drohnen-basierten multispektralen Oberflächenreflexions- und Vegetationsindizes unter Betriebsbedingungen. Fernerkundung 12 (3), 514.
Feng, X., Yan, F., Liu, X., 2019. Studie über drahtlose Kommunikationstechnologien im Internet der Dinge für die Präzisionslandwirtschaft. WLAN Pers. Kommun. 108 (3),
1785-1802.
Ferreira, MP, Pinto, CF, Serra, FR, 2014. Die Transaktionskostentheorie in der internationalen Wirtschaftsforschung: eine bibliometrische Studie über drei Jahrzehnte. Scientometrics 98 (3), 1899–1922. https://doi.org/10.1007/s11192-013-1172-8.
Fisher, P., Abuzar, M., Rab, M., Best, F., Chandra, S., 2009. Fortschritte in der Präzisionslandwirtschaft im Südosten Australiens. I. eine Regressionsmethodik zu simulieren
räumliche Variation der Getreideerträge unter Verwendung historischer Paddock-Erträge der Landwirte und des normalisierten Differenz-Vegetationsindex. Crop Weide Sci. 60 (9), 844–858.
Floreano, D., Wood, RJ, 2015. Wissenschaft, Technologie und die Zukunft kleiner autonomer Drohnen. Natur 521 (7553), 460–466. https://doi.org/10.1038/nature14542.
Friha, O., Ferrag, MA, Shu, L., Maglaras, LA, Wang, X., 2021. Internet der Dinge für die Zukunft der intelligenten Landwirtschaft: eine umfassende Übersicht über neue Technologien. 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 aus Luftbildern unter Verwendung eines Deep Convolutional Encoder-Decoder-Netzwerks. Fernerkundung 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 Assessment Water Stress for
Nachhaltige Landwirtschaft. Agrar. Wassermanag. 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. Thermal imaging im Werk
Ebene zur Beurteilung des Pflanzenwasserzustands bei Mandelbäumen (Cv. Guara) unter Defizitbewässerungsstrategien. Agrar. Wassermanag. 208, 176–186. https://doi.org/10.1016/j.
agwat.2018.06.002.
Garzonio, R., Di Mauro, B., Colombo, R., Cogliati, S., 2017. Oberflächenreflexions- und sonneninduzierte Fluoreszenzspektroskopiemessungen mit einem kleinen hyperspektralen UAS. Fernerkundung 9 (5), 472. https://doi.org/10.3390/rs9050472. Gaˇsparovi´c, M., Zrinjski, M., Barkovi´c, Đ., Radoˇcaj, D., 2020. An automatic method for
Unkrautkartierung in Haferfeldern basierend auf UAV-Bildern. Berechnung. Elektron. Agrar.
Gebbers, R., Adamchuk, VI, 2010. Präzisionslandwirtschaft und Ernährungssicherheit. Wissenschaft 327 (5967), 828–831. https://doi.org/10.1126/science.1183899.
Geipel, J., Link, J., Claupein, W., 2014. Kombinierte spektrale und räumliche Modellierung des Maisertrags basierend auf Luftbildern und Pflanzenoberflächenmodellen, die mit einem unbemannten Flugzeugsystem erfasst wurden. Fernerkundung 6 (11), 10335–10355. https://doi.org/10.3390/rs61110335.
Geng, D., Feng, Y., Zhu, Q., 2020. Nachhaltiges Design für Benutzer: eine Literaturrecherche und bibliometrische Analyse. Umgebung. Wissenschaft. Verschmutzung. Auflösung 27 (24), 29824–29836. https://doi. org/10.1007/s11356-020-09283-1.
Gevaert, CM, Suomalainen, J., Tang, J., Kooistra, L., 2015. Generierung von spektralzeitlichen Antwortoberflächen durch die Kombination von multispektralem Satellit und hyperspektral
UAV-Bilder für Anwendungen in der Präzisionslandwirtschaft. IEEE J. Sel. Oben. Appl. Erde Obs. Remote Sens. 8 (6), 3140–3146. ttps://doi.org/10.1109/JSTARS.2015.2406339.
Gill, SS, Chana, I., Buyya, R., 2017. IoT-basierte Landwirtschaft als Cloud und Big Dataservice: der Beginn des digitalen Indiens. J.Org. und Endbenutzer-Computer. (JOEUC) 29 (4),
1-23.
Gmür, M., 2006. Co-Citation-Analyse und die Suche nach unsichtbaren Hochschulen: eine methodische Evaluation. Scientometrics 57 (1), 27–57. https://doi.org/10.1023/
a:1023619503005.
Gnadinger, ¨ F., Schmidhalter, U., 2017. Digitale Zählung von Maispflanzen durch unbemannte Luftfahrzeuge (UAVs). Fernerkundung 9 (6). http://doi.org/10.3390/rs9060544.
Gokto ¨ ǧan, AH, Sukkarieh, S., Bryson, M., Randle, J., Lupton, T., Hung, C., 2010. Ein unbemanntes Drehflügel-Luftfahrzeug zur Überwachung von aquatischem Unkraut und
Management. J. Intell. Robotersystem: Theor. Appl. 57 (1–4), 467–484. https://doi. org/10.1007/s10846-009-9371-5.
Gomez-Cand ´ on, ´ D., De Castro, AI, Lopez-Granados, ´ F., 2014. Bewertung der Genauigkeit von Mosaiken aus Bildern unbemannter Luftfahrzeuge (UAV) für Zwecke der Präzisionslandwirtschaft in Weizen. Präzise. Agrar. 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. Field phenotyping of water stress at tree scale by UAV-sensed imagery : neue Erkenntnisse für
thermische Erfassung und Kalibrierung. Präzise. Agrar. 17 (6), 786–800. https://doi.org/10.1007/s11119-016-9449-6.
Gonzalez-Dugo, V., Zarco-Tejada, PJ, Fereres, E., 2014. Anwendbarkeit und Grenzen der Verwendung des Crop Water Stress Index als Indikator für Wassermangel in Zitrusplantagen. Agrar. Zum. 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
Bewertung der Variabilität des Wasserzustands von fünf Obstbaumarten innerhalb einer kommerziellen Obstplantage. Präzise. Agrar. 14 (6), 660–678. https://doi.org/10.1007/s11119-013-9322-9.
Goyal, K., Kumar, S., 2021. Finanzielle Allgemeinbildung: Eine systematische Überprüfung und bibliometrische Analyse. Int. J. Consumer Studies 45 (1), 80–105. https://doi.org/10.1111/
ijcs.12605.
Grenzdorffer, ¨ GJ, Engel, A., Teichert, B., 2008. Das photogrammetrische Potenzial kostengünstiger UAVs in Forst- und Landwirtschaft. International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences – ISPRS Archives 37, 1207–1213. https://www.scopus.com/inward/record.uri?eid=2-s2.0-85039543258&partnerID=40&md5=b4b2d639257e8ddb5a373d15959c4e1e.
Guan, S., Fukami, K., Matsunaka, H., Okami, M., Tanaka, R., Nakano, H., Sakai, T., Nakano, K., Ohdan, H., Takahashi, K., 2019. Bewertung der Korrelation von hoher Auflösung
NDVI mit Düngerausbringungsmenge und Ertrag von Reis- und Weizenernten unter Verwendung kleiner UAVs. Fernerkundung 11 (2), 112.
Gundolf, K., Filser, M., 2013. Managementforschung und Religion: eine Zitationsanalyse. J.Bus. Ethik 112 (1), 177–185.
Guo, Q., Zhu, Y., Tang, Y., Hou, C., He, Y., Zhuang, J., Zheng, Y., Luo, S., 2020. CFD-Simulation und experimentelle Verifizierung des räumlichen und zeitliche Verteilungen von
der Downwash-Luftstrom eines landwirtschaftlichen UAV mit vier Rotoren im Schwebeflug. Berechnung. Elektron. Agrar. 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. , Polen, J., 2016.
Anwendung von unbemannten Flugsystemen für die Hochdurchsatz-Phänotypisierung großer Weizenzüchtungsbaumschulen. Pflanzenmethoden 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. Spektrale Bildgebung von UAVs unter unterschiedlichen Beleuchtungsbedingungen . In GG Bill R. (Hrsg.), International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences – ISPRS Archives (Vol. 40, Issue 1W2, S. 189–194). Internationale Gesellschaft für Photogrammetrie und Fernerkundung. 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. Bewertung von Techniken zur Kartierung der Inselvegetation aus unbemannter Luft
Fahrzeugbilder (UAV): Pixelklassifizierung, visuelle Interpretation und maschinelle Lernansätze. Int. J. Appl. Erde Obs. Geoinf. 89, 102085 https://doi.org/
10.1016/j.jag.2020.102085.
Haque, A., Islam, N., Samrat, NH, Dey, S., Ray, B., 2021. Intelligente Landwirtschaft durch verantwortungsvolle Führung in Bangladesch: Möglichkeiten, Chancen und mehr.
Nachhaltigkeit 13 (8), 4511.
Hardin, PJ, Hardin, TJ, 2010. Kleine ferngesteuerte Fahrzeuge in der Umweltforschung. Geographiekompass 4 (9), 1297–1311. ttps://doi.org/10.1111/j.1749-
8198.2010.00381.x.
Hardin, PJ, Jensen, RR, 2011. Kleine unbemannte Luftfahrzeuge in der Umweltfernerkundung: Herausforderungen und Chancen. GISci. Remote Sens. 48 (1), 99–111. https://doi.org/10.2747/1548-1603.48.1.99.
He, Y., Nie, P., Zhang, Q., Liu, F., 2021. Agricultural Internet of Things: Technologies and Applications, (1. Auflage, Ausgabe 2021). Springer.
Herwitz, SR, Johnson, LF, Dunagan, SE, Higgins, RG, Sullivan, DV, Zheng, J., Lobitz, BM, Leung, JG, Gallmeyer, BA, Aoyagi, M., Slye, RE, Messing, JA, 2004.
Bildgebung aus einem unbemannten Luftfahrzeug: landwirtschaftliche Überwachung und Entscheidungsunterstützung. Berechnung. Elektron. Agrar. 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, Hochdurchsatz-Feldphänotypisierung von Weizenpflanzenhöhe und Wachstumsrate in Feldversuchen unter Verwendung von UAV-basierter Fernerkundung. Fernerkundung 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. Processing and assessment von spektrometrischen, stereoskopischen Bildern, die mit einer leichten UAV-Spektralkamera für die Präzisionslandwirtschaft gesammelt wurden. Fernerkundung 5 (10), 5006–5039. https://doi.org/10.3390/rs5105006.
Hossein Motlagh, N., Taleb, T., Arouk, O., 2016. Low-altitude Unmanned Aerial Vehiclesbased Internet of Things Services: Comprehensive Survey and Future Perspectives. 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. Combined optic-flow and stereo-based navigation of urban canyons for a UAV. In: 2005 IEEE/RSJ
Internationale Konferenz über intelligente Roboter und Systeme, S. 3309–3316. https://doi.org/10.1109/IROS.2005.1544998.
Hsu, T.-C., Yang, H., Chung, Y.-C., Hsu, C.-H., 2020. Eine kreative IoT-Landwirtschaftsplattform für Cloud Fog Computing. Erhalten. Berechnung. Inf. Syst. 28, 100285.
Huang, H., Deng, J., Lan, Y., Yang, A., Deng, X., Zhang, L., Gonzalez-Andujar, JL, 2018. Ein vollständig gefaltetes Netzwerk für die Unkrautkartierung von unbemannten Luftfahrzeugen ( UAV)-Bilder. PLoS ONE 13 (4), e0196302.
Huang, H., Lan, Y., Yang, A., Zhang, Y., Wen, S., Deng, J., 2020. Deep Learning versus objektbasierte Bildanalyse (OBIA) bei der Unkrautkartierung von UAV-Bildern. 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. Tiefe Farbkalibrierung für UAV-Bilder in der Ernteüberwachung
Verwendung von semantischem Stiltransfer mit lokaler zu globaler Aufmerksamkeit. Int. J. Appl. Erde Obs. Geoinf. 104, 102590 https://doi.org/10.1016/j.jag.2021.102590.
Huang, YB, Thomson, SJ, Hoffmann, WC, Lan, YB, Fritz, BK, 2013. Entwicklung und Perspektive unbemannter Luftfahrzeugtechnologien für die landwirtschaftliche Produktion
Management. 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. Entwicklung eines Sprühsystems für eine unbemannte Luftfahrzeugplattform. Appl. Eng. Agrar. 25 (6), 803–809.
Hunt Jr., ER, Dean Hively, W., Fujikawa, SJ, Linden, DS, Daughtry, CST, McCarty, GW, 2010. Akquisition von NIR-Grün-Blau-Digitalfotografien aus
Unbemannte Luftfahrzeuge zur Ernteüberwachung. Fernerkundung 2 (1), 290–305. https://doi. org/10.3390/rs2010290. Inoue, Y., 2020. Satelliten- und drohnenbasierte Fernerkundung von Pflanzen und Böden für Smart Farming – eine Übersicht. Boden Wissenschaft. Pflanzennutr. 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. Ein Überblick über Anwendungen und Kommunikationstechnologien für das Internet der Dinge (IoT) und
Unmanned Aerial Vehicle (UAV) basiert auf nachhaltiger intelligenter Landwirtschaft. Nachhaltigkeit 13 (4), 1821. https://doi.org/10.3390/su13041821.
Jaud, M., Passot, S., Le Bivic, R., Delacourt, C., Grandjean, P., Le Dantec, N., 2016. Bewertung der Genauigkeit von hochauflösenden digitalen Oberflächenmodellen, berechnet von
PhotoScan® und MicMac® unter nicht optimalen Untersuchungsbedingungen. Fernerkundung 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. Quantifizierung der Auswirkungen des Beschneidens auf die Olivenbaumarchitektur und jährlich Baldachinwachstum mithilfe von UAV-basierter 3D-Modellierung. Pflanzenmethoden 13 (1). https://doi.org/10.1186/s13007-017-0205-3.
Jin, X., Liu, S., Baret, F., Hemerl´e, M., Comar, A., 2017. Schätzungen der Pflanzendichte von Weizenpflanzen beim Aufgang aus UAV-Bildern in sehr geringer Höhe. Remote-Sens.
Umgebung. 198, 105–114. https://doi.org/10.1016/j.rse.2017.06.007.
Jinbo, C., Xiangliang, C., Han-Chi, F., Lam, A., 2019. Durch Cloud-Computing unterstütztes Überwachungssystem für landwirtschaftliche Produkte. Cluster-Berechnung. 22 (4), 8929–8938.
Ju, C. & Sohn, HI 2018a. Leistungsbewertung mehrerer UAV-Systeme zur Fernerkundung in der Landwirtschaft. Proceedings of the Workshop on Robotic Vision and Action in Agriculture auf der IEEE International Conference on Robotics and Automation (ICRA), Brisbane, Australien, 21–26.
Ju, C., Sohn, HALLO, 2018b. Mehrere UAV-Systeme für landwirtschaftliche Anwendungen: Steuerung, Implementierung und Bewertung. Elektronik 7 (9), 162. https://doi.org/10.3390/
Elektronik7090162.
Jung, J., Maeda, M., Chang, A., Bhandari, M., Ashapure, A., Landivar-Bowles, J., 2021. Das Potenzial von Fernerkundung und künstlicher Intelligenz als Werkzeuge zur Verbesserung der
Resilienz landwirtschaftlicher Produktionssysteme. akt. Meinung. Biotechnologie. 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. Eine verbesserte Ernte-Scouting-Technik, die unbemannte, von Luftfahrzeugen unterstützte, multispektrale Erntebildgebung in die herkömmliche Scouting-Praxis für gummiartige Stängelfäule bei Wassermelonen einbezieht. Pflanzendis. 103 (7), 1642–1650.
Kapoor, KK, Tamilmani, K., Rana, NP, Patil, P., Dwivedi, YK, Nerur, S., 2018. Fortschritte in der Social-Media-Forschung: Vergangenheit, Gegenwart und Zukunft. Informieren. Syst. Vorderseite. 20
(3), 531-558.
Kerkech, M., Hafiane, A., Canals, R., 2020. VddNet: Netzwerk zur Erkennung von Rebkrankheiten auf Basis von Multispektralbildern und Tiefenkarte. Fernerkundung 12 (20), 3305. https://doi. org/10.3390/rs12203305.
Khaliq, A., Comba, L., Biglia, A., Ricauda Aimonino, D., Chiaberge, M., Gay, P., 2019. Vergleich von Satelliten- und UAV-basierten Multispektralbildern für Weinberge
Variabilitätsbewertung. Fernerkundung 11 (4). https://doi.org/10.3390/rs11040436.
Khan, PW, Byun, Y.-C., Park, N., 2020. IoT-Blockchain-fähiges optimiertes Herkunftssystem für die Lebensmittelindustrie 4.0 mit fortschrittlichem Deep Learning. Sensoren 20 (10), 2990.
Khan, RU, Khan, K., Albattah, W., Qamar, AM, Ullah, F., 2021. Bildbasierte Erkennung von Pflanzenkrankheiten: vom klassischen maschinellen Lernen zur Deep Learning Journey. Drahtlose Kommun. Mobiler Computer. 2021, 1–13.
Khan, S., Tufail, M., Khan, MT, Khan, ZA, Iqbal, J., Alam, M., Le, KNQ, 2021. Ein neuartiges halbüberwachtes Framework für die UAV-basierte Pflanzen-/Unkrautklassifizierung. PLoS ONE 16 (5), e0251008.
Khanal, S., Fulton, J., Shearer, S., 2017. Ein Überblick über aktuelle und potenzielle Anwendungen der thermischen Fernerkundung in der Präzisionslandwirtschaft. Berechnung. Elektron.
Agrar. 139, 22–32. https://doi.org/10.1016/j.compag.2017.05.001.
Khanna, A., Kaur, S., 2019. Die Entwicklung des Internets der Dinge (IoT) und ihre bedeutenden Auswirkungen auf den Bereich der Präzisionslandwirtschaft. Berechnung. Elektron. Agrar. 157, 218–231.
Kim, W., Khan, GF, Wood, J., Mahmood, MT, 2016. Mitarbeiterengagement für nachhaltige Organisationen: Keyword-Analyse mithilfe von Social Network Analysis und Burst
Erkennungsansatz. Nachhaltigkeit 8 (7), 631.
Kirsch, M., Lorenz, S., Zimmermann, R., Tusa, L., Mockel, ¨ R., Hodl, ¨ P., Booysen, R., Khodadadzadeh, M., Gloaguen, R., 2018. Integration von terrestrischen und von Drohnen getragenen
hyperspektrale und photogrammetrische Sensormethoden für die Explorationskartierung und Bergbauüberwachung. Fernerkundung 10 (9), 1366. https://doi.org/10.3390/
rs10091366.
Kitano, BT, Mendes, CCT, Geus, AR, Oliveira, HC, Souza, JR, 2019. Maispflanzenzählung mit Deep Learning und UAV-Bildern. IEEE Geosci. Remote Sens. Lett. 1–5 https://doi.org/10.1109/LGRS.2019.2930549.
Koh, JCO, Spangenberg, G., Kant, S., 2021. Automatisiertes maschinelles Lernen für bildbasierte Pflanzenphänotypisierung mit hohem Durchsatz. Fernerkundung 13 (5), 858. https://
doi.org/10.3390/rs13050858.
Kovalev, IV, Voroshilova, AA, 2020. Moderne technologische Trends in der Entwicklung des Ökosystems von Fracht-UAVs. J. Phys. Konf. 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 für Indoor-Viehhaltung und Landwirtschaft mit einer kleinen Drohne mit monokularer Kamera: eine Machbarkeitsstudie.
Drohnen 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 Drohnes for Agriculture Automation von der Bepflanzung bis
Ernte. In: INES 2018 – IEEE 22nd International Conference on Intelligent Engineering Systems, S. 000353–358. https://doi.org/10.1109/INES.2018.8523943.
Lagkas, T., Argyriou, V., Bibi, S., Sarigiannidis, P., 2018. Ansichten und Herausforderungen des UAV-IoT-Frameworks: Hin zum Schutz von Drohnen als „Dinge“. Sensoren 18 (11), 4015. https://doi.org/10.3390/s18114015.
Laliberte, AS, Rango, A., 2011. Bildverarbeitungs- und Klassifizierungsverfahren zur Analyse von Subdezimeter-Bildern, die mit einem unbemannten Flugzeug über Trockengebieten erfasst wurden
Weideland. GISci. Remote Sens. 48 (1), 4–23. https://doi.org/10.2747/1548-1603.48.1.4.
Laliberte, AS, Rango, A., Herrick, JE, 2007. Unbemannte Luftfahrzeuge für die Kartierung und Überwachung von Weideland: ein Vergleich zweier Systeme. ASPRS Annual Conference Proceedings.
Lam, OHY, Dogotari, M., Prüm, M., Vithlani, HN, Roers, C., Melville, B., Zimmer, F., Becker, R., 2021. Ein Open-Source-Workflow für Unkrautkartierung in einheimischem Grünland
Verwendung eines unbemannten Luftfahrzeugs: Verwendung von Rumex obtusifolius als Fallstudie. 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. Annahme, Rentabilität und bessere Nutzung von Daten aus der Präzisionslandwirtschaft.
Arbeitspapier. Purdue Universität. https://doi.org/10.22004/ag.econ.28615.
Lelong, CCD, Burger, P., Jubelin, G., Roux, B., Labb´e, S., Baret, F., 2008. Bewertung von Bildern unbemannter Luftfahrzeuge zur quantitativen Überwachung der Weizenernte in kleinen Parzellen. Sensoren 8 (5), 3557–3585. https://doi.org/10.3390/s8053557.
Li, C., Niu, B., 2020. Gestaltung intelligenter Landwirtschaft auf Basis von Big Data und Internet der Dinge. Int. J. Distrib. Sens. Netzw. 16 (5) ttps://doi.org/10.1177/1550147720917065.
Li, W., Niu, Z., Chen, H., Li, D., Wu, M., Zhao, W., 2016. Remote-Schätzung der Kronenhöhe und oberirdische Biomasse von Mais mit hochauflösenden Stereobildern aus a kostengünstiges unbemanntes Luftfahrzeugsystem. Ecol. Indiz. 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. Sensoren 18 (8), 2674.
Liebisch, F., Kirchgessner, N., Schneider, D., Walter, A., Hund, A., 2015. Remote-, Aerial-Phänotypisierung von Maismerkmalen mit einem mobilen Multisensor-Ansatz. Pflanzenmethoden 11 (1), 9. https://doi.org/10.1186/s13007-015-0048-8.
Lin, Z., Guo, W., 2020. Erkennung und Zählung von Sorghum-Rispen mithilfe von Bildern unbemannter Luftsysteme und Deep Learning. Vorderseite. Pflanzenwissenschaft. 11.
Liu, S., Guo, L., Webb, H., Ya, X., Chang, X., 2019. Internet of Things Überwachungssystem der modernen Öko-Landwirtschaft auf Basis von Cloud Computing. IEEE-Zugriff 7, 37050–37058.
Lopez-Granados, ´ F., 2011. Unkrauterkennung für standortspezifisches Unkrautmanagement: Kartierung und Echtzeitansätze. Unkraut Res. 51 (1), 1–11. https://doi.org/10.1111/j.1365-3180.2010.00829.x.
Lopez-Granados, ´ F., Torres-Sanchez, ´ J., De Castro, A.-I., Serrano-P´erez, A., MesasCarrascosa, F.-J., Pena, ˜ J.-M. , 2016. Objektbasierte Frühüberwachung eines Unkrauts in einer Graskultur mit hochauflösenden UAV-Bildern. Agron. Erhalten. Entwickler 36 (4), 1–12
Lopez-Granados, ´ F., Torres-S´ anchez, J., Serrano-P´erez, A., de Castro, AI, MesasCarrascosa, F.-J., Pena, ˜ J.-M., 2016. Frühsaison-Unkrautkartierung in Sonnenblumen mit UAV-Technologie: Variabilität von Herbizidbehandlungskarten gegen Unkrautschwellenwerte. Präzise. Agrar. 17 (2), 183–199.
Lucieer, A., Malenovský, Z., Veness, T., Wallace, L., 2014. HyperUAS – bildgebende Spektroskopie von einem unbemannten Multirotor-Flugzeugsystem. J. Feld Rob. 31 (4),
571–590. https://doi.org/10.1002/rob.21508.
Lumme, J., Karjalainen, M., Kaartinen, H., Kukko, A., Hyyppa, ¨J., Hyypp¨a, H., Jaakkola, A., & Kleemola, J., 2008. Terrestrial laserscanning of landwirtschaftliche Nutzpflanzen. Bei JJ
Chen J. Maas H–G. (Hrsg.), International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences – ISPRS Archives (Bd. 37, S. 563–566).
Internationale Gesellschaft für Photogrammetrie und Fernerkundung. 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. Eine Überprüfung der überwachten objektbasierten Landbedeckungsbildklassifikation. ISPRS J. Photogramm. Remote-Sens. 130,
277–293. https://doi.org/10.1016/j.isprsjprs.2017.06.001.
Maes, WH, Steppe, K., 2019. Perspektiven für die Fernerkundung mit unbemannten Luftfahrzeugen in der Präzisionslandwirtschaft. Trends Plant 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.
Unmanned Aerial System (UAS)-basierte Phänotypisierung von Sojabohnen unter Verwendung von Multisensor-Datenfusion und extremer Lernmaschine. ISPRS J. Photogramm. Remote Sens. 134, 43–58. https://doi.org/10.1016/j.isprsjprs.2017.10.011. Maimaitijiang, M., Sagan, V., Sidike, P., Daloye, AM, Erkbol, H., Fritschi, FB, 2020.
Ernteüberwachung durch Satelliten-/UAV-Datenfusion und maschinelles Lernen. Fernerkundung 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. Zum Einsatz unbemannter Flugsysteme z
Umweltüberwachung. Fernerkundung 10 (4), 641.
Marinko, RA, 1998. Zitate zu frauenwissenschaftlichen Zeitschriften in Dissertationen, 1989 und The Serials Librarian 35 (1–2), 29–44. https://doi.org/10.1300/J123v35n01_
03
Masroor, R., Naeem, M., Ejaz, W., 2021. Ressourcenmanagement in UAV-gestützten drahtlosen Netzwerken: eine Optimierungsperspektive. Ad-hoc-Netzw. 121, 102596 https://doi.org/10.1016/j.adhoc.2021.102596.
Matese, A., Di Gennaro, SF, 2018. Praktische Anwendungen einer Multisensor-UAV-Plattform basierend auf multispektralen, thermischen und hochauflösenden RGB-Bildern in Präzision
Weinbau. Landwirtschaft 8 (7), 116. https://doi.org/10.3390/agriculture8070116.
Matese, A., Di Gennaro, SF, 2021. Über den traditionellen NDVI-Index hinaus als Schlüsselfaktor für die allgemeine Nutzung von UAV im Präzisionsweinbau. Wissenschaft. 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 Vergleich von UAV, Flugzeugen
und Satelliten-Fernerkundungsplattformen für den Präzisionsweinbau. Fernerkundung 7 (3), 2971–2990. https://doi.org/10.3390/rs70302971.
Mazzia, V., Comba, L., Khaliq, A., Chiaberge, M., Gay, P., 2020. Auf UAV und maschinellem Lernen basierende Verfeinerung eines satellitengesteuerten Vegetationsindex für Präzision
Landwirtschaft. Sensoren 20 (9), 2530. https://doi.org/10.3390/s20092530.
McCain, KW, 1990. Kartierung von Autoren im intellektuellen Raum: ein technischer Überblick. Marmelade. Soc. Die Info. Wissenschaft. 41 (6), 433–443.
Meinen, BU, Robinson, DT, 2021. Landwirtschaftliche Erosionsmodellierung: Bewertung von USLE- und WEPP-Erosionsschätzungen im Feldmaßstab unter Verwendung von UAV-Zeitreihendaten. Umgebung. Modell. Software 137, 104962. https://doi.org/10.1016/j.envsoft.2021.104962.
Melville, B., Lucieer, A., Aryal, J., 2019. Klassifizierung von einheimischen Graslandgemeinschaften im Tiefland unter Verwendung von hyperspektralen Bildern unbemannter Flugzeugsysteme (UAS) in der
Tasmanisches Mittelland. Drohnen 3 (1), 5.
Messina, G., Modica, G., 2020. Anwendungen der UAV-Wärmebildtechnik in der Präzisionslandwirtschaft: Stand der Technik und zukünftige Forschungsaussichten. Fernerkundung 12 (9), https://doi.org/10.3390/rs12091491.
Mishra, D., Luo, Z., Jiang, S., Papadopoulos, T., Dubey, R., 2017. Eine bibliografische Studie zu Big Data: Konzepte, Trends und Herausforderungen. Geschäftsprozessmanagement J. 23 (3),
555-573.
Mochida, K., Saisho, D., Hirayama, T., 2015. Pflanzenverbesserung unter Verwendung von Lebenszyklusdatensätzen, die unter Feldbedingungen erfasst wurden. Vorderseite. Pflanzenwissenschaft. 6 https://doi.org/10.3389/
fpls.2015.00740.
Mogili, UM.R., Deepak, BBVL, 2018. Review zur Anwendung von Drohnensystemen in der Präzisionslandwirtschaft. Procedia Comput. Wissenschaft. 133, 502–509.
Moharana, S., Dutta, S., 2016. Räumliche Variabilität des Chlorophyll- und Stickstoffgehalts von Reis aus Hyperspektralbildern. ISPRS J. Photogramm. Remote Sens. 122, 17–29.
Muangprathub, J., Boonnam, N., Kajornkasirat, S., Lekbangpong, N., Wanichsombat, A.,
Nillaor, P., 2019. IoT- und Landwirtschaftsdatenanalyse für Smart Farm. Berechnung. Elektron. Agrar. 156, 467–474.
Nansen, C., Elliott, N., 2016. Fernerkundung und Reflexionsprofilerstellung in der Entomologie. Jährlich Rev. Entomol. 61 (1), 139–158. https://doi.org/10.1146/annurev-ento010715-023834.
Navia, J., Mondragon, I., Patino, D., Colorado, J., 2016. Multispektrale Kartierung in der Landwirtschaft: Geländemosaik mit einem autonomen Quadrocopter-UAV. Int. Konf.
Unbemanntes Luftfahrzeugsyst. (ICUAS) 2016, 1351–1358. https://doi.org/10.1109/ ICUAS.2016.7502606.
Nayyar, A., Nguyen, B.-L., Nguyen, NG, 2020. Das Internet der Drohnendinge (Iodt): Zukunftsvision intelligenter Drohnen. Erw. Intelligenz Syst. Berechnung. 1045, 563–580. https://doi.org/10.1007/978-981-15-0029-9_45.
Nebiker, S., Annen, A., Scherrer, M., Oesch, D., 2008. Ein leichter multispektraler Sensor für Mikro-UAV – Möglichkeiten für die luftgestützte Fernerkundung mit sehr hoher Auflösung. Int. Bogen. Fotogramm. Remote Sens. Spat. Inf. Sci 37 (B1), 1193–1200.
Negash, L., Kim, H.-Y., Choi, H.-L., 2019. Neue UAV-Anwendungen in der Landwirtschaft. In: 2019 7th International Conference on Robot Intelligence Technology and
Anträge (RiTA), S. 254–257. https://doi.org/10.1109/RITAPP.2019.8932853.
Nerur, SP, Rasheed, AA, Natarajan, V., 2008. Die intellektuelle Struktur des strategischen Managementfeldes: eine Autoren-Co-Citation-Analyse. Strateg. Verwalt. J. 29 (3),
319-336.
Neupane, K., Baysal-Gurel, F., 2021. Automatische Erkennung und Überwachung von Pflanzenkrankheiten mit unbemannten Luftfahrzeugen: eine Übersicht. Fernerkundung 13 (19), 3841. https://doi.org/10.3390/rs13193841.
Nex, F., Remondino, F., 2014. UAV für 3D-Mapping-Anwendungen: eine Übersicht. Appl. Geomatik 6 (1), 1–15. https://doi.org/10.1007/s12518-013-0120-x.
Niu, H., Hollenbeck, D., Zhao, T., Wang, D., Chen, Y., 2020. Evapotranspirationsschätzung mit kleinen UAVs in der Präzisionslandwirtschaft. Sensoren 20 (22), 6427. https://
doi.org/10.3390/s20226427.
Osareh, F., 1996. Bibliometrie, Zitationsanalyse und Co-Zitationsanalyse. Ein Literaturüberblick 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, Sensoren und Datenverarbeitung in der Agroforstwirtschaft: ein Rückblick auf praktische Anwendungen. Int. J. Remote Sens. 38 (8–10), 2349–2391. https://doi.org/10.1080/01431161.2017.1297548.
Panday, US, Pratihast, AK, Aryal, J., Kayastha, RB, 2020. Ein Überblick über drohnenbasierte Datenlösungen für Getreidekulturen. Drohnen 4 (3), 1–29. https://doi.org/10.3390/
Drohnen4030041.
Parsaeian, M., Shahabi, M., Hassanpour, H., 2020. Schätzung des Öl- und Proteingehalts von Sesamsamen mithilfe von Bildverarbeitung und künstlichem neuronalem Netzwerk. Marmelade. Öl
Chemiker-Gesellschaft 97 (7), 691–702.
Pena, ˜ JM, Torres-S´anchez, J., de Castro, AI, Kelly, M., Lopez-Granados, ´ F., Suarez, O., Unkrautkartierung in Maisfeldern der frühen Saison mithilfe objektbasierter Analyse von
Bilder von unbemannten Luftfahrzeugen (UAV). PLoS ONE 8 (10), e77151.
P´erez-Ortiz, M., Pena, ˜ JM, Guti´errez, PA, Torres-S´ anchez, J., Herv´ as-Martínez, C.,
Lopez-Granados, ´ F., 2015. Ein halbüberwachtes System zur Kartierung von Unkraut in Sonnenblumenkulturen mit unbemannten Luftfahrzeugen und einer Methode zur Erkennung von Pflanzenreihen. Appl. Softcomput. J. 37, 533–544. https://doi.org/10.1016/j.asoc.2015.08.027.
Pincheira, M., Vecchio, M., Giaffreda, R., Kanhere, SS, 2021. Kostengünstige IoT-Geräte als vertrauenswürdige Datenquellen für ein Blockchain-basiertes Wassermanagementsystem in der Präzisionslandwirtschaft. Berechnung. Elektron. Agrar. 180, 105889.
Popescu, D., Stoican, F., Stamatescu, G., Ichim, L., Dragana, C., 2020. Fortschrittliches UAV-WSN-System für intelligente Überwachung in der Präzisionslandwirtschaft. Sensoren 20 (3), https://doi.org/10.3390/s20030817.
Pournader, M., Shi, Y., Seuring, S., Koh, SL, 2020. Blockchain-Anwendungen in Lieferketten, Transport und Logistik: eine systematische Literaturrecherche. Int. J.Prod. Auflösung 58 (7), 2063–2081.
Primicerio, J., Di Gennaro, SF, Fiorillo, E., Genesio, L., Lugato, E., Matese, A., Vaccari, FP, 2012. Ein flexibles unbemanntes Luftfahrzeug für die Präzisionslandwirtschaft.
Präzise. Agrar. 13 (4), 517–523. https://doi.org/10.1007/s11119-012-9257-6.
Pritchard, A., 1969. Statistische Bibliographie oder Bibliometrie. J. Dokument. 25 (4), 348–349.
Pudelko, R., Stuczynski, T., Borzecka-Walker, M., 2012. Die Eignung eines unbemannten Luftfahrzeugs (UAV) für die Bewertung von Versuchsfeldern und -kulturen. Landwirtschaft 99 (4), 431–436.
Puri, V., Nayyar, A., Raja, L., 2017. Landwirtschaftsdrohnen: ein moderner Durchbruch in der Präzisionslandwirtschaft. J. Statis. Verwalt. Syst. 20 (4), 507–518.
Radoglou-Grammatikis, P., Sarigiannidis, P., Lagkas, T., Moscholios, I., 2020. Eine Zusammenstellung von UAV-Anwendungen für die Präzisionslandwirtschaft. Berechnung. Netzw. 172,
107148 https://doi.org/10.1016/j.comnet.2020.107148.
Ramesh, KV, Rakesh, V., Prakasa Rao, EVS, 2020. Anwendung von Big Data Analytics und künstlicher Intelligenz in der agronomischen Forschung. Indianer J. Agron. 65 (4), 383–395.
Raparelli, E., Bajocco, S., 2019. Eine bibliometrische Analyse zum Einsatz unbemannter Luftfahrzeuge in land- und forstwirtschaftlichen Studien. Int. J. Remote Sens. 40 (24),
9070–9083. https://doi.org/10.1080/01431161.2019.1569793.
Rasmussen, J., Nielsen, J., Garcia-Ruiz, F., Christensen, S., Streibig, JC, Lotz, B., 2013.
Mögliche Anwendungen von kleinen unbemannten Flugzeugsystemen (UAS) in der Unkrautforschung. Unkraut Res. 53 (4), 242–248.
Rasmussen, J., Ntakos, G., Nielsen, J., Svensgaard, J., Poulsen, RN, Christensen, S
UAVs ausreichend zuverlässig für die Bewertung von Versuchsparzellen? 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. Digitalisierung in Lebensmittelversorgungsketten: eine bibliometrische Überprüfung und ein Schlüsselweg
Analyse. Nachhaltigkeit 14 (1), 83. https://doi.org/10.3390/su14010083.
Rejeb, A., Rejeb, K., Simske, SJ, Treiblmaier, H., 2021a. Drohnen für Supply Chain Management und Logistik: eine Überprüfung und Forschungsagenda. Int. J. Logist. Auflösung Appl.
1–24. https://doi.org/10.1080/13675567.2021.1981273.
Rejeb, A., Rejeb, K., Simske, S., Treiblmaier, H., 2021b. Blockchain-Technologien in Logistik und Supply Chain Management: eine bibliometrische Übersicht. Logistik 5 (4), 72.
https://doi.org/10.3390/logistics5040072.
Rejeb, A., Rejeb, K., Simske, S., Treiblmaier, H., 2021c. Humanitäre Drohnen: eine Überprüfungs- und Forschungsagenda. Internet der Dinge 16, 100434. https://doi.org/10.1016/j.
iot.2021.100434.
Rejeb, A., Treiblmaier, H., Rejeb, K., Zailani, S., 2021d. Blockchain-Forschung im Gesundheitswesen: eine bibliometrische Übersicht und aktuelle Forschungstrends. J. of Data, Inf. und
Verwalt. 3 (2), 109–124.
Rejeb, A., Simske, S., Rejeb, K., Treiblmaier, H., Zailani, S., 2020. Internet of Things-Forschung in Supply Chain Management und Logistik: eine bibliometrische Analyse. Internet
der Dinge 12, 100318.
ReportLinker, 2021. Der weltweite Markt für landwirtschaftliche Drohnen soll bis zum YearGlobeNewswire News Room 15.2 Milliarden US-Dollar erreichen. https://www.globenewswire.com/news-release/2021/08/10/2277986/0/en/Global-Agriculture-Drones-Market-to-Reach-US-15-2-Billion-by-the- Jahr-2027.html.
Ribeiro-Gomes, K., Hernandez-L ´ opez, ´ D., Ortega, JF, Ballesteros, R., Poblete, T., Moreno, MA, 2017. Kalibrierung und Optimierung der ungekühlten Wärmebildkamera
Photogrammetrieverfahren für UAV-Anwendungen in der Landwirtschaft. Sensoren (Schweiz) 17 (10). https://doi.org/10.3390/s17102173.
Rivera, MA, Pizam, A., 2015. Fortschritte in der Gastgewerbeforschung: „Von Rodney Dangerfield bis Aretha Franklin“. Int. J. Zeitgenössisch. Krankenhaus. Verwalt. 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. Mini-UAV-basiertes Sensorsystem zur Messung von Umweltvariablen in Gewächshäusern. Sensoren 15 (2), 3334–3350. https://doi.org/10.3390/s150203334.
Rozenberg, G., Kent, R., Blank, L., 2021. UAV für Verbraucher, das zur Erkennung und Analyse von räumlichen Verteilungsmustern von Unkraut in der Spätsaison in kommerziellen Zwiebelfeldern verwendet wird. Präzise. Agrar. 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 Von Luftfahrzeugen (UAV) betriebenes Spektralkamerasystem für Forst- und Landwirtschaftsanwendungen. Fortfahren. SPIE – Int. Soc. Option. Eng. 8174 https://doi.org/10.1117/12.897585.
Sah, B., Gupta, R., Bani-Hani, D., 2021. Analyse von Hindernissen für die Implementierung von Drohnenlogistik. Int. J. Logist. Auflösung Appl. 24 (6), 531–550. https://doi.org/10.1080/
13675567.2020.1782862
Saha, AK, Saha, J., Ray, R., Sircar, S., Dutta, S., Chattopadhyay, SP, & Saha, HN, IOT-basierte Drohne zur Verbesserung der Erntequalität in der Landwirtschaft. In SH
N. Chakrabarti S. (Hrsg.), IEEE 2018th Annual Computing and Communication Workshop and Conference 8, CCWC 2018 (Vols. 2018-Januar, S. 612–615). Institut
von Electrical and Electronics Engineers Inc. doi: 10.1109/CCWC.2018.8301662.
Sai Vineeth, KV, Vara Prasad, YR, Dubey, SR, Venkataraman, H., 2019. LEDCOM: eine neuartige und effiziente LED-basierte Kommunikation für die Präzisionslandwirtschaft. IEEE-Konf. Die Info. Kommun. Technol. 2019, 1–5. https://doi.org/10.1109/CICT48419.2019.9066177.
Salamí, E., Barrado, C., Pastor, E., 2014. UAV-Flugexperimente zur Fernerkundung von Vegetationsgebieten. Fernerkundung 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.
Hochauflösende Luftbildsysteme in geringer Höhe für die Phänotypisierung von Reihen- und Feldfrüchten: eine Übersicht. 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. Hochauflösende UAV-basierte Wärmebildgebung zur Schätzung der
momentane und saisonale Schwankungen des Pflanzenwasserzustands innerhalb eines Weinbergs. Agrar. Wassermanag. 183, 49–59. https://doi.org/10.1016/j.agwat.2016.08.026.
Sarli, CC, Dubinsky, EK, Holmes, KL, 2010. Jenseits der Zitationsanalyse: Ein Modell zur Bewertung der Forschungswirkung. J.Med. Bibliotheksverband : 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. Earth System Science Related Imaging Spectroscopy – an Assessment. Remote Sens. Umgebung. 113, S123–S137.
Schirrmann, M., Giebel, A., Gleiniger, F., Pflanz, M., Lentschke, J., Dammer, K.-H., 2016. Überwachung agronomischer Parameter von Winterweizenkulturen mit kostengünstigem UAV
Bilder. Fernerkundung 8 (9). https://doi.org/10.3390/rs8090706.
Schmale III, DG, Dingus, BR, Reinholtz, C., 2008. Entwicklung und Anwendung eines autonomen unbemannten Luftfahrzeugs für präzise aerobiologische Probenahme oben
landwirtschaftliche Felder. J. Feld Rob. 25 (3), 133–147. https://doi.org/10.1002/rob.20232.
Shadrin, D., Menshchikov, A., Somov, A., Bornemann, G., Hauslage, J., Fedorov, M.,
Ermöglichung der Präzisionslandwirtschaft durch eingebettete Sensorik mit künstlicher Intelligenz. IEEE-Trans. Instrument. Mess. 69 (7), 4103–4113.
Shakhatreh, H., Sawalmeh, AH, Al-Fuqaha, A., Dou, Z., Almaita, E., Khalil, I.,
Othman, NS, Khreishah, A., Guizani, M., 2019. Unbemannte Luftfahrzeuge (UAVs): eine Umfrage zu zivilen Anwendungen und zentralen Forschungsherausforderungen. IEEE-Zugriff 7,
48572–48634. https://doi.org/10.1109/ACCESS.2019.2909530.
Shakoor, N., Northrup, D., Murray, S., Mockler, TC, 2019. Big-Data-gesteuerte Landwirtschaft: Big-Data-Analytik in Pflanzenzüchtung, Genomik und Einsatz von Fernerkundung
Technologien zur Steigerung der Pflanzenproduktivität. Pflanzenphänomen J. 2 (1), 1–8.
Sharma, BK, Chandra, G., Mishra, VP, 2019. Vergleichende Analyse und Implikation von UAV und KI in forensischen Untersuchungen. In: Proceedings – 2019 Amity International
Konferenz über Künstliche Intelligenz. https://doi.org/10.1109/AICAI.2019.8701407.
Sharma, R., Shishodia, A., Gunasekaran, A., Min, H., Munim, ZH, 2022. Die Rolle der künstlichen Intelligenz im Lieferkettenmanagement: Kartierung des Territoriums. Int. J.
Prod. Auflösung 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. Unbemannte Luftfahrzeuge für Hochdurchsatz-Phänotypisierung und agronomische Forschung. Plus eins
11 (7), e0159781.
Shuai, G., Martinez-Feria, RA, Zhang, J., Li, S., Price, R., Basso, B., 2019. Erfassung der Heterogenität von Maisbeständen in Ertragsstabilitätszonen mit unbemannter Luftaufnahme
Fahrzeuge (UAV). Sensoren 19 (20), 4446. https://doi.org/10.3390/s19204446.
Small, H., 1973. Co-Citation in der wissenschaftlichen Literatur: ein neues Maß für die Beziehung zwischen zwei Dokumenten. Marmelade. Soc. Die Info. Wissenschaft. 24 (4), 265–269.
Small, H., Rorvig, ME, Lunin, LF, 1999. Visualisierung der Wissenschaft durch Zitierzuordnung. Marmelade. Soc. Die Info. Wissenschaft. 50 (9), 799–813.
Soares, VHA, Ponti, MA, Gonçalves, RA, Campello, RJGB, 2021. Rinderzählung in freier Wildbahn mit geolokalisierten Luftbildern in großen Weidegebieten. Berechnung. Elektron. Agrar. 189, 106354 https://doi.org/10.1016/j.compag.2021.106354.
Srivastava, K., Pandey, PC, Sharma, JK, 2020. Ein Ansatz zur Routenoptimierung in Anwendungen der Präzisionslandwirtschaft mit UAVs. Drohnen 4 (3), 58. https://doi.org/10.3390/drones4030058.
Stafford, JV, 2000. Implementierung der Präzisionslandwirtschaft im 21. Jahrhundert. J. Agric. Eng. Auflösung 76 (3), 267–275.
Su, J., Coombes, M., Liu, C., Guo, L., Chen, W.-H., 2018. Bewertung der Weizendürre durch Fernerkundungsbilder mit unbemannten Luftfahrzeugen. 2018 37. Chinesische Kontrollkonferenz (CCC).
Su, J., Liu, C., Coombes, M., Hu, X., Wang, C., Xu, X., Li, Q., Guo, L., Chen, W.-H., 2018. Überwachung von Weizengelbrost durch Lernen aus multispektralen UAV-Luftbildern.
Berechnung. Elektron. Agrar. 155, 157–166. https://doi.org/10.1016/j. compag.2018.10.017.
Su, Y., Wang, X., 2021. Innovation des Agrarwirtschaftsmanagements im Prozess des Aufbaus einer intelligenten Landwirtschaft durch Big Data. Nachhaltige Computer. Inf. Syst. 31, 100579 https://doi.org/10.1016/j.suscom.2021.100579.
Sullivan, DG, Fulton, JP, Shaw, JN, Bland, GL, 2007. Bewertung der Empfindlichkeit eines unbemannten thermischen Infrarotantennensystems zur Erkennung von Wasserstress in einem Baumwolldach. Trans. ASABE 50 (6), 1955–1962.
Sumesh, KC, Ninsawat, S., Som-ard, J., 2021. Integration von RGB-basiertem Vegetationsindex, Pflanzenoberflächenmodell und objektbasiertem Bildanalyseansatz für die Schätzung des Zuckerrohrertrags mit unbemannten Luftfahrzeugen. Berechnung. Elektron. Agrar. 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. Ein leichtes hyperspektrales Kartierungssystem für
Unbemannte Luftfahrzeuge – die ersten Ergebnisse. In: 2013 5th Workshop on Hyperspectral Image and Signal Processing: Evolution in Remote Sensing (WHISPERS), S. 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. Ein leichtes Hyperspektral
Kartierungssystem und photogrammetrische Verarbeitungskette für unbemannte Luftfahrzeuge. Fernerkundung 6 (11), 11013–11030. https://doi.org/10.3390/
rs61111013.
Syeda, IH, Alam, MM, Illahi, U., Su'ud, MM, 2021. Fortschrittliche Steuerungsstrategien mit Bildverarbeitung, UAV und KI in der Landwirtschaft: Ein Rückblick. Welt J. Eng. 18 (4),
579–589. https://doi.org/10.1108/WJE-09-2020-0459.
Tahai, A., Rigsby, JT, 1998. Informationsverarbeitung unter Verwendung von Zitaten zur Untersuchung des Einflusses von Zeitschriften auf die Rechnungslegung. Inf. Verfahren. Verwalten. 34 (2–3), 341–359.
Tang, Y., Dananjayan, S., Hou, C., Guo, Q., Luo, S., He, Y., 2021. Eine Umfrage zum 5G-Netz und seinen Auswirkungen auf die Landwirtschaft: Herausforderungen und Chancen. Berechnung.
Elektron. Agrar. 180, 105895 https://doi.org/10.1016/j.compag.2020.105895.
Tantalaki, N., Souravlas, S., Roumeliotis, M., 2019. Datengesteuerte Entscheidungsfindung in der Präzisionslandwirtschaft: Der Aufstieg von Big Data in landwirtschaftlichen Systemen. J. Agric. Essensinfo.
20 (4), 344–380.
Tao, H., Feng, H., Xu, L., Miao, M., Yang, G., Yang, X., Fan, L., 2020. Abschätzung des Ertrags und der Pflanzenhöhe von Winterweizen mittels UAV- basierend auf hyperspektralen Bildern.
Sensoren 20 (4), 1231.
Techy, L., Schmale III, DG, Woolsey, CA, 2010. Koordinierte aerobiologische Probenahme eines Pflanzenpathogens in der unteren Atmosphäre mit zwei autonomen unbemannten Luftfahrzeugen. J. Feld 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. Erkennung und Klassifizierung von Sojabohnenschädlingen mithilfe von Deep Learning
mit UAV-Bildern. Berechnung. Elektron. Agrar. 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 Tansania in the— Und WetSeason für nachhaltige Landwirtschaft und die Bereitstellung von Ground Truth für Terra-Sar X-Daten. In: ISPRS – International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, S. 401–406. https://doi.org/10.5194/isprsarchivesXL-1-W2-401-2013.
Thelwall, M., 2008. Bibliometrie zu Webometrie. J. Info. Wissenschaft. 34 (4), 605–621.
Torres-Sanchez, ´ J., Lopez-Granados, ´ F., Pena, ˜ JM, 2015. Eine automatische objektbasierte Methode zur optimalen Schwellenwertbildung in UAV-Bildern: Anwendung zur Vegetationserkennung in krautigen Kulturen. Berechnung. Elektron. Agrar. 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. Hochdurchsatz-3-D-Überwachung von landwirtschaftlichen Baumplantagen mit Technologie für unbemannte Luftfahrzeuge (UAV). PLoS ONE 10 (6), e0130479.
Torres-Sanchez, ´ J., Pena, ˜ JM, de Castro, AI, Lopez-Granados, ´ F., 2014. Multitemporale Kartierung des Vegetationsanteils in Weizenfeldern der frühen Saison unter Verwendung von Bildern von UAV. Berechnung. Elektron. Agrar. 103, 104–113. https://doi.org/10.1016/j. compag.2014.02.009.
Tsouros, DC, Bibi, S., Sarigiannidis, PG, 2019. Ein Überblick über UAV-basierte Anwendungen für die Präzisionslandwirtschaft. Informationen (Schweiz) 10 (11). https://doi.org/10.3390/info10110349.
Tu, Y.-H., Phinn, S., Johansen, K., Robson, A., Wu, D., 2020. Optimierung der Drohnenflugplanung zur Messung der Baumstruktur im Gartenbau. ISPRS J. Photogramm.
Remote Sens. 160, 83–96. https://doi.org/10.1016/j.isprsjprs.2019.12.006
Tzounis, A., Katsoulas, N., Bartzanas, T., Kittas, C., 2017. Internet der Dinge in der Landwirtschaft, jüngste Fortschritte und zukünftige Herausforderungen. Biosyst. Eng. 164, 31–48.
https://doi.org/10.1016/j.biosystemseng.2017.09.007.
Uddin, A., Singh, VK, Pinto, D., Olmos, I., 2015. Scientometrische Kartierung der Informatikforschung in Mexiko. Scientometrics 105 (1), 97–114.
UN., 2019. World Population Prospects 2019. https://population.un.org/wpp/ (Zugriff am 15).
Uto, K., Seki, H., Saito, G., Kosugi, Y., 2013. Charakterisierung von Reisfeldern durch ein UAV-montiertes Miniatur-Hyperspektralsensorsystem. IEEE J. Sel. Oben. Appl. Erde Obs.
Remote Sens. 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 in
Landwirtschaft. Erw. Agron. 162, 1–30.
Velusamy, P., Rajendran, S., Mahendran, RK, Naseer, S., Shafiq, M., Choi, J.-G., 2022.
Unbemannte Luftfahrzeuge (UAV) in der Präzisionslandwirtschaft: Anwendungen und Herausforderungen. Energien 15 (1), 217. https://doi.org/10.3390/en15010217.
Ventura, D., Bonifazi, A., Gravina, MF, Belluscio, A., Ardizzone, G., 2018. Kartierung und Klassifizierung ökologisch sensibler Meereslebensräume mit unbemannter Luft
Fahrzeugbilder (UAV) und objektbasierte Bildanalyse (OBIA). Fernerkundung 10 (9), 1331. https://doi.org/10.3390/rs10091331.
Verger, A., Vigneau, N., Ch´eron, C., Gilliot, J.-M., Comar, A., Baret, F., 2014. Grünflächenindex aus einem unbemannten Flugsystem über Weizen- und Rapskulturen . Remote Sens. Umgebung. 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. Einsatz von vier optischen UAV-basierten Sensoren über Grünland: Herausforderungen und
Einschränkungen. Biogeowissenschaften 12 (1), 163–175. https://doi.org/10.5194/bg-12-163-2015.
Vuran, MC, Salam, A., Wong, R., Irmak, S., 2018. Internet der unterirdischen Dinge in der Präzisionslandwirtschaft: Architektur- und Technologieaspekte. Ad-hoc-Netzw. 81,
160–173. https://doi.org/10.1016/j.adhoc.2018.07.017.
Wamba, SF, Queiroz, MM, 2021. Verantwortliche künstliche Intelligenz als geheime Zutat für die digitale Gesundheit: bibliometrische Analyse, Erkenntnisse und Forschungsrichtungen.
Die Info. Syst. Vorderseite. 1–16.
Wang, L., Zhang, G., Wang, Z., Liu, J., Shang, J., Liang, L., 2019. Bibliometrische Analyse des Forschungstrends der Fernerkundung bei der Überwachung des Pflanzenwachstums: Eine Fallstudie in China. Fernerkundung 11 (7). https://doi.org/10.3390/rs11070809.
White, HD, Griffith, BC, 1981. Autorenkozitation: Ein Literaturmaß der intellektuellen Struktur. Marmelade. Soc. Die Info. Wissenschaft. 32 (3), 163–171.
Xiang, H., Tian, L., 2011. Entwicklung eines kostengünstigen landwirtschaftlichen Fernerkundungssystems auf Basis eines autonomen unbemannten Luftfahrzeugs (UAV). Biosyst. Eng. 108 (2), 174–190. https://doi.org/10.1016/j.biosystemseng.2010.11.010.
Xie, C., Yang, C., 2020. Eine Übersicht über Phänotypisierungsmerkmale von Pflanzen mit hohem Durchsatz unter Verwendung von UAV-basierten Sensoren. Berechnung. Elektron. Agrar. 178, 105731 https://doi.org/10.1016/j.
compag.2020.105731.
Yao, H., Qin, R., Chen, X., 2019. Unbemanntes Luftfahrzeug für Fernerkundungsanwendungen – eine Übersicht. Fernerkundung 11 (12). https://doi.org/10.3390/
rs11121443.
Yeom, S., 2021. Verfolgung von Personen in Bewegung und Entfernung falscher Spuren mit Infrarot-Wärmebildgebung durch einen Multirotor. Drohnen 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. Ein Vergleich der Schätzung von Ernteparametern anhand von Bildern von UAV-montiert
Schnappschuss-Hyperspektralsensor und hochauflösende Digitalkamera. Fernerkundung 10 (7), 1138. https://doi.org/10.3390/rs10071138.
Yue, J., Yang, G., Li, C., Li, Z., Wang, Y., Feng, H., Xu, B., 2017. Schätzung der oberirdischen Biomasse von Winterweizen mit unbemannten Luftfahrzeugen basierter Schnappschuss
hyperspektraler Sensor und verbesserte Modelle für die Erntehöhe. Fernerkundung 9 (7). https://doi.org/10.3390/rs9070708.
Zahawi, RA, Dandois, JP, Holl, KD, Nadwodny, D., Reid, JL, Ellis, EC, 2015. Verwendung leichter unbemannter Luftfahrzeuge zur Überwachung der Erholung tropischer Wälder. biol.
Konserv. 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.
Smart-Farming-IoT-Plattform basierend auf Edge- und Cloud-Computing. Biosyst. Eng. 177,
4-17.
Zarco-Tejada, PJ, Diaz-Varela, R., Angileri, V., Loudjani, P., 2014. Baumhöhenquantifizierung mit sehr hochauflösenden Bildern, die von einer unbemannten Antenne aufgenommen wurden
Fahrzeug (UAV) und automatische 3D-Fotorekonstruktionsverfahren. 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. Bildbasierte Phänotypisierung der Blühintensität bei Kulturpflanzen in der kühlen Jahreszeit. Sensoren 20 (5), 1450. https://doi.org/10.3390/s20051450.
Zhang, C., Kovacs, JM, 2012. Die Anwendung kleiner unbemannter Flugsysteme für die Präzisionslandwirtschaft: eine Übersicht. Präzise. Agrar. 13 (6), 693–712. https://doi.org/
10.1007/s11119-012-9274-5.
Zhang, L., Zhang, H., Niu, Y., Han, W., 2019. Kartierung von Maiswasserstress basierend auf multispektraler UAV-Fernerkundung. Fernerkundung 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. Ein Deep-Learning-basierter Ansatz für automatisierten Gelbrost
Krankheitserkennung aus hochauflösenden hyperspektralen UAV-Bildern. Fernerkundung 11 (13), 1554.
Zhao, X., Zhang, J., Huang, Y., Tian, Y., Yuan, L., 2022. Erkennung und Unterscheidung von Krankheiten und Insektenstress von Teepflanzen durch hyperspektrale Bildgebung in Kombination mit Wavelet-Analyse. Berechnung. Elektron. Agrar. 193, 106717 https://doi.org/10.1016/j. compag.2022.106717.
Zheng, A., Wang, M., Li, C., Tang, J., Luo, B., 2022. Entropy-guided Adversarial Domain Adaption for air image semantic segmentation. IEEE-Trans. G
Zheng, H., Cheng, T., Yao, X., Deng, X., Tian, Y., Cao, W., Zhu, Y., 2016. Erkennung der Reisphänologie durch Zeitreihenanalyse von bodengestützten Spektren Indexdaten. Feldfrüchte res. 198, 131–139. https://doi.org/10.1016/j.fcr.2016.08.027.
Zheng, J., Yang, W., 2018. Entwurf eines auf drahtlosen Sensoren basierenden Leckage-Säsystems für die Präzisionslandwirtschaft. Int. J. Online Eng. 14 (05), 184.
Zhou, L., Gu, X., Cheng, S., Yang, G., Shu, M., Sun, Q., 2020. Analyse der Pflanzenhöhenänderungen von Lagermais unter Verwendung von UAV-LiDAR-Daten. Landwirtschaft 10 (5), 146. https://
doi.org/10.3390/agriculture10050146.
Zhou, S., Chai, X., Yang, Z., Wang, H., Yang, C., Sun, T., 2021. Maize-IAS: Eine Bildanalysesoftware für Mais, die Deep Learning für die Phänotypisierung von Pflanzen mit hohem Durchsatz verwendet . Plant Methods 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. Vorhersage des Getreideertrags in Reis mit multitemporaler Vegetation
Indizes aus UAV-basierten multispektralen und digitalen Bildern. ISPRS J. Photogramm. Remote Sens. 130, 246–255. https://doi.org/10.1016/j.isprsjprs.2017.05.003.
Zhou, Y., Xie, Y., Shao, L., 2016. Simulation der Kerntechnologie eines Gewächshausüberwachungssystems basierend auf einem drahtlosen Sensornetzwerk. Int. J. Online Eng. 12 (05),
43
Zhou, Z., Majeed, Y., Diverres Naranjo, G., Gambacorta, EMT, 2021. Bewertung des Pflanzenwasserstresses mit Infrarot-Wärmebildtechnik in der Präzisionslandwirtschaft: eine Übersicht
und Zukunftsaussichten für Deep-Learning-Anwendungen. Berechnung. Elektron. Agrar. 182, 106019 https://doi.org/10.1016/j.compag.2021.106019.